CN110739043A - 放疗计划推荐方法、装置、设备及存储介质 - Google Patents
放疗计划推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110739043A CN110739043A CN201910875109.2A CN201910875109A CN110739043A CN 110739043 A CN110739043 A CN 110739043A CN 201910875109 A CN201910875109 A CN 201910875109A CN 110739043 A CN110739043 A CN 110739043A
- Authority
- CN
- China
- Prior art keywords
- radiotherapy
- map
- metering
- image
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Urology & Nephrology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种放疗计划推荐方法、装置、设备及存储介质,其中,方法包括:构建放疗计量图样本库;获取CT图像;用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;将放疗计量图与放疗计量图样本库中的放疗计量图样本进行匹配,得到与放疗计量图对应的匹配样本;获取与所述匹配样本对应的放疗计划,作为CT图像的推荐放疗计划。本发明通过匹配放疗计量图获取推荐的放疗计划,去除了病人解剖学信息等冗余内容,简化了问题,提升了匹配速度,便于实现在大样本量下进行匹配,提升匹配精度,并且推荐得到的放疗计划均非劣质放疗计划,提高可靠性和合理性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种放疗计划推荐方法、装置、设备及存储介质。
背景技术
放射治疗一般是在治疗开始之前,由医生阅读病人的CT图像,基于CT图像制定放疗计划,通过放疗计划生成放疗计量图。目前,临床上通常由放疗物理师人工制定放疗计划,尽管有一些器官勾画工具辅助,但是,一个常规难度的放疗计划仍旧需要一位物理师2~3小时的工作时间,所以如果基于AI的方法能够帮助放疗物理师提升制定放疗计划的效率,将是一个很有意义的创新。现有自动制定放疗计划的技术,往往基于CT图像由算法推算一个放疗计划,但是由于病人器官和肿瘤的多变,算法很难推算出一个相对合理的放疗计划。另一方面,也有通过图像搜索技术初始化放疗计划的产品,但是其图像搜索库样本量较小,仍旧难以覆盖病人器官和肿瘤的多样性。而如果单纯扩大样本搜索库,因为基于图像内容的搜索相对速度较慢,所以大样本量的搜索就会导致速度降低到难以使用。
发明内容
本发明提供一种放疗计划推荐方法、装置、设备及存储介质,以解决现有技术难以推荐出合理的放疗计划以及单纯扩大样本搜索库导致速度降低的问题。
为了实现上述目的,本发明的第一个方面是提供一种放疗计划推荐方法,应用于电子设备,包括:
构建放疗计量图样本库,所述放疗计量图样本库至少包括放疗计量图;
获取CT图像;
用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;
将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;
获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
优选地,在获取CT图像之后,将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配之前,还包括:获取与所述CT图像对应的放疗勾勒图,所述放疗勾勒图包括靶区勾勒图和/或器官勾勒图;
用预先训练生成的放疗计量预测网络模型对所述放疗勾勒图进行处理,得出与所述CT图像对应的放疗计量图。
优选地,所述放疗计量预测网络模型是端对端的V-net模型,包括输入层、四个编码层、四个解码层以及输出层,其中,所述输入层和所述编码层均包括3个卷积核,所述编码层和所述解码层的卷积步长均为2。
优选地,所述输入层、四个编码层、四个解码层和所述输出层对应的特征通道数量分别为1、32、64、128、256、256、256、128、64和1。
优选地,所述V-net模型还包括多个修正线性单元,每个修正线性单元均与一个解码层对应连接。
优选地,所述V-net模型采用群组归一化处理。
优选地,用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图之前,还包括:
构建训练样本集,所述训练样本集中的训练样本包括CT图像和对应的放疗计量图;
利用训练样本对所述放疗计量预测网络模型进行训练,得到训练放疗计量图;
生成所述训练放疗计量图与训练样本中相应的放疗计量图间的相似度,当所述相似度大于预设相似度阈值时,结束对所述放疗计量预测网络模型的训练过程。
为了实现上述目的,本发明的第二个方面是提供一种放疗计划推荐装置,包括:
样本库构建模块,用于构建放疗计量图样本库,放疗计量图样本至少包括放疗计量图;
图像获取模块,用于获取CT图像;
计量图输出模块,用于用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;
匹配模块,用于将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;
推荐模块,用于获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
为了实现上述目的,本发明的第三个方面是提供一种电子设备,该电子设备包括:处理器和存储器,所述存储器中包括放疗计划推荐程序,所述放疗计划推荐程序被所述处理器执行时实现如上所述的放疗计划推荐方法。
为了实现上述目的,本发明的第四个方面是提供一种计算机可读存储介质,所述计算机可读存储介质中包括放疗计划推荐程序,所述放疗计划推荐程序被处理器执行时,实现如上所述的放疗计划推荐方法。
相对于现有技术,本发明具有以下优点和有益效果:
本发明通过匹配放疗计量图获得推荐的放疗计划,由于放疗计量图包含了放疗所需的射线计量但不包括病人的解剖学信息,所以,将匹配CT图像改为匹配放疗计量图,去除了病人解剖学信息等冗余内容,简化了问题,提升了匹配速度,便于实现在大样本量下进行匹配,提升匹配精度,增强可靠性。并且,在得到放疗计划时,不需要上传任何制定放疗计划所需要的CT等任何模态医学影像,避免了病人数据泄露,并且,通过匹配得到的对应的放疗计划是经过人工制定的放疗计划,不包括劣质放疗计划,其合理性和可靠性均高于自动化算法推算得到的放疗计划。
附图说明
图1为本发明所提供的放疗计划推荐方法的流程示意图;
图2为本发明中放疗计量预测网络模型的网络结构示意图;
图3为本发明中放疗计划推荐装置的构成示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,仅仅用以解释本发明,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
图1为本发明所提供的放疗计划推荐方法的流程示意图,如图1所示,本发明所提供的放疗计划推荐方法,包括以下步骤:
步骤S1,构建放疗计量图样本库,放疗图像样本库中包括放疗计量图样本以及对应的放疗计划,其中的放疗计划均是经过人工制定优化的放疗计划,并不包括劣质放疗计划,提高了推荐放疗计划的可靠性和合理性。
步骤S2,获取CT图像。
优选地,获取CT图像包括:获取原始CT图像;根据下式对原始图像做归一化处理,得到处理后的CT图像:(CT值+1024)/2048。
步骤S3,用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图。
步骤S4,将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本。由于放疗计量图包含了放疗所需的射线计量但不包括病人的解剖学信息,所以,将匹配CT图像改为匹配放疗计量图,去除了病人解剖学信息等冗余内容,简化了问题,提升了匹配速度,便于实现在大样本量下进行匹配,提升匹配精度,增强可靠性。
步骤S5,获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
获取与CT图像对应的推荐放疗计划之后,将推荐的放疗计划加载于所述CT图像以供参考,由医生或专家对病人的放疗计划进一步调整和完善。
本发明在构建放量计量图样本库时,只需要放疗计划所生成的放疗计量图、对应的放疗计划,不需要和病人直接相关的医学影像,降低了病人数据泄密的可能性。
本发明的一个实施例中,在获取CT图像之后,将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配之前,还包括:获取与所述CT图像对应的放疗勾勒图,所述放疗勾勒图包括靶区勾勒图和/或器官勾勒图;用预先训练生成的放疗计量预测网络模型对所述放疗勾勒图进行处理,得出与所述CT图像对应的放疗计量图。
其中,靶区勾勒图和器官勾勒图可以与CT图像同时输入放疗计量预测网络模型中,以得出与CT图像对应的放疗计量图。并且,靶区勾勒图和器官勾勒图可以与得出的放疗计量图均上传到云端,放疗计量图用来搜索匹配放疗计量图样本库中的放疗计量图样本,靶区勾勒图和器官勾勒图用来更新放疗计量预测网络模型,且可以与放疗计量图一起供医生或物理师参考。
图2为本发明中放疗计量预测网络模型的网络结构示意图,如图2所示,本发明的一个实施例中,所述放疗计量预测网络模型是一个端对端的V-net模型,一端输入经过归一化获得的CT图像,一端输出对应的放疗计量图,所述V-net模型是一个V形的卷积神经网络,包括一个输入层、四个编码层、四个解码层以及一个输出层,其中,每个编码层均用于提取图像特征,并且,当前编码层将提取到的图像特征传递到下一个编码层以及与当前编码层对应的解码层,以便于下一个编码层提取到更深层的特征信息,而解码层根据接收的图像特征信息可以提高解码的精准度。优选地,所述V-net模型中,所述输入层和所述编码层均包括3个卷积核,所述编码层和所述解码层的卷积步长均为2。
如图2所示,在端对端的V-net模型中,将输入层、四个编码层、四个解码层和输出层对应的特征通道数量分别设置为1、32、64、128、256、256、256、128、64和1,每一个编码层均采用了更深的卷积网络,从而提高了模型的收敛速度和精度。
优选地,所述V-net模型还包括多个修正线性单元,模型中的所有解码层均对应连接有一个修正线性单元,修正线性单元通过ReLU激活函数来实现,提高模型的训练效率。
优选地,所述V-net模型采用群组归一化(Group Normalization,GN)处理。
优选地,所述输出层采用Sigmoid函数作为激活函数。
需要说明的是,本发明中的放疗计量预测网络模型并不限于V-net模型,也可以是其他预测模型。
本发明的一个可选实施例中,用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图之前,还包括:对所述放疗计量预测网络模型进行训练,具体地,训练步骤包括:构建训练样本集,所述训练样本集中的训练样本包括CT图像和对应的放疗计量图;利用训练样本对所述放疗计量预测网络模型进行训练,得到训练放疗计量图;生成所述训练放疗计量图与训练样本中相应的放疗计量图间的相似度,当所述相似度大于预设相似度阈值时,结束对所述放疗计量预测网络模型的训练过程。利用CT图像对放疗计量预测网络模型进行训练,便于获取大量的训练样本,提高模型的精度。
本发明的一个可选实施例中,将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配,包括:
生成所述放疗计量图与所述放疗计量图样本库中的各个计量图样本的相似度;将放疗计量图样本库中的计量图样本按照对应的相似度从大到小排列;将相似度大于或等于预设相似度阈值的一个或多个计量图样本作为与所述放疗计量图对应的匹配样本。获取多个匹配样本时,可以得到对应的多个推荐放疗计划,以供医生或专家参考,提高可靠性。
进一步地,将相似度大于或等于预设相似度阈值的一个或多个计量图样本作为与所述放疗计量图对应的匹配样本,包括:设定相似度阈值;确定对应的相似度大于或等于所述预设相似度阈值的一个或多个计量图样本作为匹配样本。其中,相似度阈值的设定以使得两幅放疗计量图对应的放疗计划的相似性满足要求为准,放疗计划的相似性包括人体内各部分的吸收剂量的分布的相似性,通过相似度较大的计量图样本可以得到对应的较为相似的放疗计划,从而减少医生或专家对推荐得到的放疗计划的适应性调整,减少工作量,提高工作效率。因此,确定的相似度大于或等于相似度阈值的计量图样本可以作为匹配样本。
上述对放疗计量图进行匹配,即为对两幅放疗计量图中内容信息进行相似度比较,比较内容即为图像的各类特征。由于放疗计量图中包含了放疗所需要的射线计量,相似的放疗计量图所对应的放疗计划即为相似,因此,可以通过匹配放疗计量图推荐得到相应的放疗计划,医生或专家在此基础上再进行适当调整,即可制定出病人的放疗计划,相应地提高了工作效率。
目前比较图像的各类特征常用的基于向量模型的相似度算法有欧氏距离法、Minkowski距离、曼哈顿距离、直方图交、马氏距离等,其中,欧氏距离用于特征向量正交无关的图像,马氏距离用于具有统计特性或进行样本的相关性分析,具体操作时应根据不同特征选择合适的度量方法。
本发明的一个可选实施例中,生成所述放疗计量图与所述放疗计量图样本库中的各个计量图样本的相似度,包括:
分别提取所述放疗计量图和计量图样本的特征向量,用特征向量表征对应的图像;
通过下式获取所述放疗计量图与计量图样本的相似度,
其中,d(X,Y)表示相似度,X表示放疗计量图对应的特征向量,Y表示计量图样本对应的特征向量。
本发明的一个可选实施例中,生成所述放疗计量图与所述放疗计量图样本库中的各个计量图样本的相似度,包括:
分别提取所述放疗计量图和计量图样本的特征向量,用特征向量表征对应的图像;
通过下式获取所述放疗计量图与计量图样本的相似度,
其中,d(X,Y)表示相似度,X表示放疗计量图对应的特征向量X=(x1,x2,…,xn),Y表示计量图样本对应的特征向量Y=(y1,y2,…,yn),x表示特征向量X的向量元素,y表示特征向量Y的向量元素,k表示向量元素的索引,n表示向量元素的数量。
本发明所述放疗计划推荐方法应用于电子设备,所述电子设备可以是电视机、智能手机、平板电脑、计算机等终端设备。
所述电子设备包括:处理器和存储器,用于存储放疗计划推荐程序,处理器执行所述放疗计划推荐程序,实现以下的放疗计划推荐方法:
构建放疗计量图样本库;获取CT图像;用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;将所述放疗计量图与所述放疗计量图样本库中的计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
所述电子设备还包括网络接口和通信总线等。其中,网络接口可以包括标准的有线接口、无线接口,通信总线用于实现各个组件之间的连接通信。
存储器包括至少一种类型的可读存储介质,可以是闪存、硬盘、光盘等非易失性存储介质,也可以是插接式硬盘等,且并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关联的数据文件并向处理器提供指令或软件程序以使该处理器能够执行指令或软件程序的任何装置。本发明中,存储器存储的软件程序包括放疗计划推荐程序,并可以向处理器提供该放疗计划推荐程序,以使得处理器可以执行该放疗计划推荐程序,实现放疗计划推荐方法。
处理器可以是中央处理器、微处理器或其他数据处理芯片等,可以运行存储器中的存储程序,例如,本发明中放疗计划推荐程序。
所述电子设备还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。显示器用于显示在电子设备中处理的信息以及用于显示可视化的工作界面。
所述电子设备还可以包括用户接口,用户接口可以包括输入单元(比如键盘)、语音输出装置(比如音响、耳机)等。
图3为本发明中放疗计划推荐装置的构成示意图,如图3所示,本发明所述放疗计划推荐装置包括:样本库构建模块1、图像获取模块2、计量图输出模块3、匹配模块4以及推荐模块5,其中,通过样本库构建模块1构建放疗计量图样本库,用来进行相关的放疗计量图的匹配;图像获取模块2获取CT图像之后,通过计量图输出模块3用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图,然后,通过匹配模块4将所述放疗计量图与所述放疗计量图样本库中的计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本,最后,通过推荐模块5获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。其中,图像获取模块包括:原始图像获取单元,用于获取原始的CT图像,以及归一化单元,用于对原始图像进行归一化处理,以便于输入放疗计量预测模型中,其中,归一化单元通过下式对原始图像进行归一化处理,(CT值+1024)/2048。
所述放疗计划推荐装置通过匹配放疗计量图获得推荐的放疗计划,由于放疗计量图包含了放疗所需的射线计量但不包括病人的解剖学信息,所以,将现有的匹配CT图像改为匹配放疗计量图,去除了病人解剖学信息等冗余内容,简化了问题,提升了匹配速度,便于实现在大样本量下进行匹配,提升匹配精度,增强可靠性。并且,通过匹配得到的对应的放疗计划是经过人工制定的放疗计划,不包括劣质放疗计划,其合理性和可靠性均高于自动化算法推算得到的放疗计划。
本发明的一个可选实施例中,所述计量图输出模块3中所使用的放疗计量预测网络模型是一个端对端的V-net模型,一端输入经过归一化获得的CT图像,一端输出对应的放疗计量图,所述V-net模型是一个V形的卷积神经网络,包括一个输入层、四个编码层、四个解码层以及一个输出层,其中,每个编码层均用于提取图像特征,并且,当前编码层将提取到的图像特征传递到下一个编码层以及与当前编码层对应的解码层,以便于下一个编码层提取到更深层的特征信息,而解码层根据接收的图像特征信息可以提高解码的精准度。优选地,所述V-net模型中,所述输入层和所述编码层均包括3个卷积核,所述编码层和所述解码层的卷积步长均为2。
本发明中,通过将所述V-net模型中的所述输入层、四个编码层、四个解码层和所述输出层对应的特征通道数量分别设置为1、32、64、128、256、256、256、128、64和1,使得每一个编码层采用了更深的卷积网络,从而提高模型的收敛速度和精度。
需要说明的是,所述V-net模型的其他设置以及训练方法等均与上文中放疗计划推荐方法中的相关内容相同,在此不再赘述。
本发明的一个可选实施例中,匹配模块4包括:相似度生成单元,生成所述放疗计量图与所述放疗计量图样本库中的各个计量图样本的相似度;排序单元,将所述放疗计量图样本库中的计量图样本按照对应的相似度从大到小排列;匹配样本确定单元,将相似度大于或等于预设相似度阈值的一个或多个计量图样本作为与所述放疗计量图对应的匹配样本。获取多个匹配样本时,可以得到对应的多个推荐放疗计划,以供医生或专家参考,提高可靠性。
进一步地,匹配样本确定单元通过下述方式确定匹配样本,包括:设定相似度阈值;确定对应的相似度大于或等于所述预设相似度阈值的一个或多个计量图样本作为匹配样本。其中,相似度阈值的设定以使得两幅放疗计量图对应的放疗计划的相似性满足要求为准,放疗计划的相似性包括人体内各部分的吸收剂量的分布的相似性,通过相似度较大的计量图样本可以得到对应的较为相似的放疗计划,从而减少医生或专家对推荐得到的放疗计划的适应性调整,减少工作量,提高工作效率。因此,确定的相似度大于或等于相似度阈值的计量图样本可以作为匹配样本。
本发明中,对放疗计量图的匹配,即为对两幅放疗计量图中内容信息进行相似度比较,比较内容即为图像的各类特征。由于放疗计量图中包含了放疗所需要的射线计量,相似的放疗计量图所对应的放疗计划即为相似,因此,可以通过匹配放疗计量图推荐得到相应的放疗计划,医生或专家在此基础上再进行适当调整,即可制定出针对于患者的放疗计划,一定程度上提高了工作效率。
本发明的一个实施例中,相似度获取单元包括特征提取子单元和相似度计算子单元,其中,特征提取子单元用于分别提取所述放疗计量图和计量图样本的特征向量,用特征向量表征对应的图像;相似度计算子单元,用于获取所述放疗计量图与所述放疗计量图样本库中的各个计量图样本的相似度。
由于目前比较图像的各类特征常用的基于向量模型的相似度算法有欧氏距离法、Minkowski距离、曼哈顿距离、直方图交、马氏距离等,其中,欧氏距离用于特征向量正交无关的图像,马氏距离用于具有统计特性或进行样本的相关性分析,具体操作时应根据不同特征选择合适的度量方法。相似度计算子单元可以通过多种相似度计算方式得到两幅放疗计量图的相似度。例如,通过下式获取所述放疗计量图与计量图样本的相似度,
其中,d(X,Y)表示相似度,X表示放疗计量图对应的特征向量,Y表示计量图样本对应的特征向量。
或者,通过下式获取所述放疗计量图与计量图样本的相似度,
其中,d(X,Y)表示相似度,X表示放疗计量图对应的特征向量X=(x1,x2,…,xn),Y表示计量图样本对应的特征向量Y=(y1,y2,…,yn),x表示特征向量X的向量元素,y表示特征向量Y的向量元素,k表示向量元素的索引,n表示向量元素的数量。
上述获取相似度的方法,均是基于提取的图像特征进行计算,本发明中,可以根据需求选择相应的计算方式。
在其他实施例中,所述放疗计划推荐程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器中,并由处理器执行,以实现本发明中放疗计划推荐装置的各个功能。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。其中,所述放疗计划推荐程序可以被分割为:样本库构建模块1、图像获取模块2、计量图输出模块3、匹配模块4和推荐模块5。上述模块所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
样本库构建模块1,构建放疗计量图样本库;
图像获取模块2,获取CT图像;
计量图输出模块3,用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;
匹配模块4,将所述放疗计量图与所述放疗计量图样本库中的计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;
推荐模块5,获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
本发明的一个实施例中,计算机可读存储介质可以是任何包含或存储程序或指令的有形介质,其中的程序可以被执行,通过存储的程序指令相关的硬件实现相应的功能。例如,计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括放疗计划推荐程序,所述放疗计划推荐程序被处理器执行时,实现如下的放疗计划推荐方法:
构建放疗计量图样本库;
获取CT图像;
用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;
将所述放疗计量图与所述放疗计量图样本库中的计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;
获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
本发明之计算机可读存储介质的具体实施方式与上述放疗计划推荐方法、电子设备、放疗计划推荐装置的具体实施方式大致相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
在本发明中的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个模块或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
Claims (10)
1.一种放疗计划推荐方法,应用于电子设备,其特征在于,包括:
构建放疗计量图样本库,所述放疗计量图样本库至少包括放疗计量图;
获取CT图像;
用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;
将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;
获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
2.根据权利要求1所述的放疗计划推荐方法,其特征在于,在获取CT图像之后,将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配之前,还包括:获取与所述CT图像对应的放疗勾勒图,所述放疗勾勒图包括靶区勾勒图和/或器官勾勒图;
用预先训练生成的放疗计量预测网络模型对所述放疗勾勒图进行处理,得出与所述CT图像对应的放疗计量图。
3.根据权利要求1所述的放疗计划推荐方法,其特征在于,所述放疗计量预测网络模型是端对端的V-net模型,包括输入层、四个编码层、四个解码层以及输出层,其中,所述输入层和所述编码层均包括3个卷积核,所述编码层和所述解码层的卷积步长均为2。
4.根据权利要求3所述的放疗计划推荐方法,其特征在于,所述输入层、四个编码层、四个解码层和所述输出层对应的特征通道数量分别为1、32、64、128、256、256、256、128、64和1。
5.根据权利要求3所述的放疗计划推荐方法,其特征在于,所述V-net模型还包括多个修正线性单元,每个修正线性单元均与一个解码层对应连接。
6.根据权利要求3所述的放疗计划推荐方法,其特征在于,所述V-net模型采用群组归一化处理。
7.根据权利要求1所述的放疗计划推荐方法,其特征在于,用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图之前,还包括:
构建训练样本集,所述训练样本集中的训练样本包括CT图像和对应的放疗计量图;
利用训练样本对所述放疗计量预测网络模型进行训练,得到训练放疗计量图;
生成所述训练放疗计量图与训练样本中相应的放疗计量图间的相似度,当所述相似度大于预设相似度阈值时,结束对所述放疗计量预测网络模型的训练过程。
8.一种放疗计划推荐装置,其特征在于,包括:
样本库构建模块,用于构建放疗计量图样本库,放疗计量图样本至少包括放疗计量图;
图像获取模块,用于获取CT图像;
计量图输出模块,用于用预先训练生成的放疗计量预测网络模型对所述CT图像进行处理,得出与所述CT图像对应的放疗计量图;
匹配模块,用于将所述放疗计量图与所述放疗计量图样本库中的放疗计量图样本进行匹配,得到与所述放疗计量图对应的匹配样本;
推荐模块,用于获取与所述匹配样本对应的放疗计划,作为所述CT图像的推荐放疗计划。
9.一种电子设备,其特征在于,该电子设备包括:处理器和存储器,所述存储器中包括放疗计划推荐程序,所述放疗计划推荐程序被所述处理器执行时实现如权利要求1至7中任一项所述的放疗计划推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括放疗计划推荐程序,所述放疗计划推荐程序被处理器执行时,实现如权利要求1至7中任一项所述的放疗计划推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875109.2A CN110739043A (zh) | 2019-09-17 | 2019-09-17 | 放疗计划推荐方法、装置、设备及存储介质 |
PCT/CN2020/112367 WO2021052150A1 (zh) | 2019-09-17 | 2020-08-31 | 放疗计划推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875109.2A CN110739043A (zh) | 2019-09-17 | 2019-09-17 | 放疗计划推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110739043A true CN110739043A (zh) | 2020-01-31 |
Family
ID=69268102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910875109.2A Pending CN110739043A (zh) | 2019-09-17 | 2019-09-17 | 放疗计划推荐方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110739043A (zh) |
WO (1) | WO2021052150A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021052150A1 (zh) * | 2019-09-17 | 2021-03-25 | 平安科技(深圳)有限公司 | 放疗计划推荐方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114864070A (zh) * | 2022-04-28 | 2022-08-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗信息管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184334A (zh) * | 2011-05-19 | 2011-09-14 | 南京航空航天大学 | 一种基于检索的放射治疗计划***及检索方法 |
CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
CN108744313A (zh) * | 2018-06-25 | 2018-11-06 | 西安大医数码科技有限公司 | 放疗计划规划方法、放疗计划***及放射治疗*** |
CN110085298A (zh) * | 2019-04-26 | 2019-08-02 | 南方医科大学 | 基于深度网络学习的调强放疗计划三维剂量分布预测方法 |
CN110211664A (zh) * | 2019-04-25 | 2019-09-06 | 安徽大学 | 一种基于机器学习自动设计放射治疗方案的*** |
CN110232964A (zh) * | 2019-06-04 | 2019-09-13 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636622B2 (en) * | 1997-10-15 | 2003-10-21 | Wisconsin Alumni Research Foundation | Method and apparatus for calibration of radiation therapy equipment and verification of radiation treatment |
CN110141801B (zh) * | 2019-05-17 | 2021-04-27 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
CN110197709B (zh) * | 2019-05-29 | 2023-06-20 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
CN110739043A (zh) * | 2019-09-17 | 2020-01-31 | 平安科技(深圳)有限公司 | 放疗计划推荐方法、装置、设备及存储介质 |
-
2019
- 2019-09-17 CN CN201910875109.2A patent/CN110739043A/zh active Pending
-
2020
- 2020-08-31 WO PCT/CN2020/112367 patent/WO2021052150A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184334A (zh) * | 2011-05-19 | 2011-09-14 | 南京航空航天大学 | 一种基于检索的放射治疗计划***及检索方法 |
CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
CN108744313A (zh) * | 2018-06-25 | 2018-11-06 | 西安大医数码科技有限公司 | 放疗计划规划方法、放疗计划***及放射治疗*** |
CN110211664A (zh) * | 2019-04-25 | 2019-09-06 | 安徽大学 | 一种基于机器学习自动设计放射治疗方案的*** |
CN110085298A (zh) * | 2019-04-26 | 2019-08-02 | 南方医科大学 | 基于深度网络学习的调强放疗计划三维剂量分布预测方法 |
CN110232964A (zh) * | 2019-06-04 | 2019-09-13 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021052150A1 (zh) * | 2019-09-17 | 2021-03-25 | 平安科技(深圳)有限公司 | 放疗计划推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021052150A1 (zh) | 2021-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9697602B1 (en) | System and method for auto-contouring in adaptive radiotherapy | |
US11056240B2 (en) | Radiation therapy planning using integrated model | |
CN109074500B (zh) | 用于分割同一患者的医学图像的***和方法 | |
CN105701120B (zh) | 确定语义匹配度的方法和装置 | |
CN111145147B (zh) | 多模态医学图像的分割方法及终端设备 | |
CN109685102A (zh) | 胸部病灶图像分类方法、装置、计算机设备及存储介质 | |
CN107622493A (zh) | 用于分割医学图像中的对象的方法和数据处理单元 | |
CN106575379A (zh) | 用于神经网络的改进的定点整型实现方式 | |
CN109785959A (zh) | 一种疾病编码方法和装置 | |
Liu | Stbi-yolo: A real-time object detection method for lung nodule recognition | |
CN109409432B (zh) | 一种图像处理方法、装置和存储介质 | |
CN113327191B (zh) | 人脸图像合成方法及装置 | |
CN110739043A (zh) | 放疗计划推荐方法、装置、设备及存储介质 | |
CN112037885B (zh) | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 | |
Liu et al. | Joint graph learning and matching for semantic feature correspondence | |
CN111681247A (zh) | 肺叶肺段分割模型训练方法和装置 | |
CN112749723A (zh) | 样本标注方法、装置、计算机设备和存储介质 | |
CN111860484A (zh) | 一种区域标注方法、装置、设备及存储介质 | |
CN109993026A (zh) | 亲属识别网络模型的训练方法及装置 | |
CN112101438B (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
CN110427870B (zh) | 眼部图片识别方法、目标识别模型训练方法及装置 | |
CN115861716B (zh) | 基于孪生神经网络和影像组学的胶质瘤分类方法及装置 | |
CN116737977A (zh) | 图像检索方法、装置、设备及介质 | |
CN117036894A (zh) | 基于深度学习的多模态数据分类方法、装置及计算机设备 | |
CN115984179A (zh) | 鼻骨骨折的识别方法、装置、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |