CN111128340A - 放射治疗计划生成设备、装置和存储介质 - Google Patents
放射治疗计划生成设备、装置和存储介质 Download PDFInfo
- Publication number
- CN111128340A CN111128340A CN201911357329.2A CN201911357329A CN111128340A CN 111128340 A CN111128340 A CN 111128340A CN 201911357329 A CN201911357329 A CN 201911357329A CN 111128340 A CN111128340 A CN 111128340A
- Authority
- CN
- China
- Prior art keywords
- current
- preset
- parameter
- plan
- neural network
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种放射治疗计划生成设备、装置和存储介质,该设备包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如下操作:将影像信息以及处方剂量信息输入至预设神经网络模型,获得当前操作指令;根据当前操作指令控制放射治疗计划模块生成当前放射治疗计划;若当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,以更新输出的当前操作指令,并返回执行控制放疗计划生成模块的操作;若当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为目标放射治疗计划,从而提高计划生成效率和准确性。
Description
技术领域
本发明实施例涉及放射医学领域,尤其涉及一种放射治疗计划生成设备、装置和存储介质。
背景技术
放射治疗是一种常见的肿瘤治疗手段。在进行放射治疗之前,往往需要根据患者信息制定出效果更佳的放射治疗计划,比如,肿瘤区域的放射剂量分布更加均匀,肿瘤周围剂量跌落更大,危及器官的放射剂量更低等,从而基于较佳的放射治疗计划可以对患者进行有效地放射治疗,提高治疗效果。
现有技术中通常是医生对患者图像进行靶区和危及器官的勾画并给出处方,物理师根据医生处方手动操作放疗计划***(Treatment Planning System,TPS),经过若干次操作,生成一个可以满足医生处方并具有理想的剂量体积直方图(Dose VolumeHistogram,DVH)和剂量分布的放射治疗计划。
然而,物理师通过手动操作放疗计划***生成放射治疗计划的过程是非常耗时的。对于一般的病例,一个有经验的物理师需要花费几十分钟才可以得到一个满足临床要求的放射治疗计划;对于比较复杂的病例,可能要花费几个小时或者更长时间,大大降低了放射治疗计划的生成效率。并且物理师基于自身经验也很难确定当前生成的放射治疗计划是否为最佳的计划,从而降低了计划生成的准确性。
发明内容
本发明实施例提供了一种放射治疗计划生成设备、装置和存储介质,以提高放射治疗计划的生成效率和准确性。
第一方面,本发明实施例提供了一种放射治疗计划生成设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如下操作:
将患者的影像信息以及与所述影像信息对应的处方剂量信息输入至预设神经网络模型中,获得所述预设神经网络模型输出的当前操作指令;
根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型中,以使所述预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作;
若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为所述患者对应的目标放射治疗计划。
第二方面,本发明实施例还提供了一种放射治疗计划生成装置,包括:
当前操作指令获得模块,用于将患者的影像信息以及与所述影像信息对应的处方剂量信息输入至预设神经网络模型中,获得所述预设神经网络模型输出的当前操作指令;
当前放射治疗计划生成模块,用于根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
当前评分反馈模块,用于若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型中,以使所述预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作;
目标放射治疗计划确定模块,用于若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为所述患者对应的目标放射治疗计划。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下操作:
将患者的影像信息以及与所述影像信息对应的处方剂量信息输入至预设神经网络模型中,获得所述预设神经网络模型输出的当前操作指令;
根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型中,以使所述预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作;
若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为所述患者对应的目标放射治疗计划。
本发明实施例通过利用一个预设神经网络模型,可以基于输入的患者的影像信息以及与影像信息对应的处方剂量信息,自动输出当前操作指令,并将当前操作指令控制搭载有放疗计划***TPS的放射治疗计划模块,使得放射治疗计划模块在预设神经网络模型的控制操作下生成当前放射治疗计划。当检测到当前放射治疗计划不满足预设循环结束条件时,表明当前放射治疗计划并不是最佳的放射治疗计划,此时将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,使得预设神经网络模型可以基于当前评分对当前操作指令进行更新,输出更新后的当前操作指令,放射治疗计划模块可以在更新后的当前操作指令的控制下对当前放射治疗计划进行更新,直到在当前放射治疗计划满足预设循环结束条件时,将当前放射治疗计划确定为患者对应的目标放射治疗计划,从而可以实现利用预设神经网络模型模拟出一个非常有经验的物理师来自动操作放射治疗计划模块,生成更加准确的放射治疗计划,并且整个过程中无需人为参与,从而提高了放射治疗计划的生成效率和准确性。
附图说明
图1是本发明实施例一提供的一种放射治疗计划生成设备的结构示意图;
图2是本发明实施例一所涉及的处理器执行的放射治疗计划生成过程的流程图;
图3是本发明实施例一所涉及的一种预设神经网络模型的训练过程的流程图;
图4是本发明实施例二提供的一种放射治疗计划生成设备中处理器所执行的放射治疗计划生成过程的流程图;
图5是本发明实施例三提供的一种放射治疗计划生成装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种放射治疗计划生成设备的结构示意图;图2是本发明实施例一所涉及的处理器执行的放射治疗计划生成过程的流程图。如图1和图2所示,本实施例中放射治疗计划生成设备包括:
一个或多个处理器110;
存储器120,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器110执行,使得所述一个或多个处理器110可以实现如下操作S210-S250,以生成最佳的放射治疗计划。
图1中以一个处理器110为例;设备中的处理器110和存储器120可以通过总线或其他方式连接,图1中以通过总线连接为例。存储器120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中步骤S210-S250对应的程序指令/模块。处理器110通过运行存储在存储器120中的软件程序、指令以及模块,从而执行设备中的各种功能应用以及数据处理,即执行步骤S210-S250的操作。
存储器120主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器120可进一步包括相对于处理器110远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
参见图2,处理器110执行的放射治疗计划生成过程具体包括以下步骤:
S210、将患者的影像信息以及与影像信息对应的处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令。
其中,影像信息可以包括但不限于断层图像和断层图像中已勾勒出的感兴趣区域。其中,断层图像可以是指利用扫描设备对患者部位进行扫描,根据获得的扫描数据进行重建得到的图像。扫描设备可以是但不限于X光机(X-ray photography)、CT设备(ComputedTomography,电子计算机断层扫描设备)和MR设备(Magnetic Resonance Imaging,磁共振扫描设备)。感兴趣区域可以包括靶区域和危及器官区域。靶区域可以是指需要进行放射治疗的肿瘤区域。危及器官区域可以是指在放射治疗过程中不能接受过高放疗剂量的区域,例如眼球、脊髓、肺、心脏等。本实施例中的断层图像中的感兴趣区域可以是由医生手动勾勒获得的,也可以是基于现有算法自动勾勒获得的。
其中,影像信息对应的处方剂量信息可以是指医生基于影像信息给出的处方剂量分布。预设神经网络模型可以是指用于确定操作指令的神经网络模型。示例性地,预设神经网络模型可以是但不限于卷积神经网络(Convolutional Neural Networks,CNN)模型。本实施例中的预设神经网络模型是基于样本数据训练后获得的模型,以使预设神经网络模型可以输出更为准确的当前操作指令。当前操作指令可以包括但不限于以下至少一种:添加一个约束条件、删除一个约束条件、添加一个辅助结构、删除一个辅助结构、增加约束值、减少约束值、增加迭代次数、减少迭代次数、开始优化、继续优化、增加一个粒子束、减少一个粒子束、增加粒子束的准直器角度和减少粒子束的准直器角度。
具体地,将患者的影像信息以及与影像信息对应的处方剂量信息均输入至预先训练好的预设神经网络模型中,预设神经网络模型可以基于影像信息和处方剂量信息自动输出一个相匹配的当前操作指令。
S220、根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划。
其中,放射治疗计划模块可以是指搭载有放疗计划***TPS的模块。当前放射治疗计划可以是指当前时刻所制定出的放射治疗计划。放射治疗计划可以包括放疗时的射野角度、射野区域、剂量体积直方图DVH和剂量分布等。
具体地,预设神经网络模型输出的当前操作指令可以输入至放射治疗计划模块中,从而可以控制放射治疗计划模块基于当前操作指令进行自动操作,生成相应的当前放射治疗计划。本实施例可以通过预设神经网络模型输出的当前操作指令自动操作放射治疗计划模块生成当前放射治疗计划,从而代替了物理师手动操作放射治疗计划模块生成放射治疗计划的方式,使得放射治疗计划的生成过程无需人工参与,提高了生成效率,并且由于预设神经网络模型是预先基于样本数据训练获得的,使得预设神经网络模型的自动操作更加准确,相当于一个非常有经验的物理师,从而提高了放射治疗计划生成的准确性。
S230、检测当前放射治疗计划是否满足预设循环结束条件,若是,则执行S240的操作;若否,则执行S250的操作。
其中,预设循环结束条件可以是指用于表征生成的放射治疗计划为最佳放射治疗计划的条件。预设循环结束条件可以基于业务需求和场景预先进行设置。示例性地,预设循环结束条件可以是在当前循环次数等于预设循环次数时,结束循环操作;也可以是在当前放射治疗计划对应的当前评分大于或等于预设评分时,结束循环操作。
具体地,由于预设神经网络模型需要对放射治疗计划模块进行若干次控制操作,可以使得放射治疗计划模块生成最佳的放射治疗计划,从而在每次生成当前放射治疗计划后,需要检测当前放射治疗计划是否满足预设循环结束条件,以便确定当前放射治疗计划是否为符合临床标准的放射治疗计划。
S240、将当前放射治疗计划确定为患者对应的目标放射治疗计划。
具体地,在检测到当前放射治疗计划满足预设循环结束条件时,表明当前放射治疗计划是最佳的放射治疗计划,此时可以将该当前放射治疗计划确定为患者对应的目标放射治疗计划。
S250、将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,以使预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行S220的操作。
其中,当前放射治疗计划对应的当前评分可以用于衡量当前放射治疗计划的质量高低。例如,若当前评分越高,则表明当前放射治疗计划的质量越高,治疗效果更佳。
具体地,本实施例可以基于预设评分方式,对当前放射治疗计划进行打分,确定出相应的当前评分。例如,根据当前放射治疗计划可以分析各个评价参数的表现情况,对各个评价参数分别进行打分,并将所有分数进行加权叠加,获得的叠加结果确定为当前放射治疗计划对应的当前评分。在检测到当前放射治疗计划不满足预设循环结束条件,则表明当前放射治疗计划并不符合临床标准的放射治疗计划,此时可以将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,预设神经网络模型可以基于当前评分重新输出一个当前操作指令,对当前操作指令进行更新,并基于更新后的当前操作指令返回执行S220的操作,以便根据更新后的当前操作指令再次控制控制放射治疗计划模块,重新生成当前放射治疗计划,直至生成的当前放射治疗计划满足预设循环结束条件为止。
本实施例的技术方案,通过利用一个预设神经网络模型,可以基于输入的患者的影像信息以及与影像信息对应的处方剂量信息,自动输出当前操作指令,并将当前操作指令控制搭载有放疗计划***TPS的放射治疗计划模块,使得放射治疗计划模块在预设神经网络模型的控制操作下生成当前放射治疗计划。当检测到当前放射治疗计划不满足预设循环结束条件时,表明当前放射治疗计划并不是最佳的放射治疗计划,此时将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,使得预设神经网络模型可以基于当前评分对当前操作指令进行更新,输出更新后的当前操作指令,放射治疗计划模块可以在更新后的当前操作指令的控制下对当前放射治疗计划进行更新,直到在当前放射治疗计划满足预设循环结束条件时,将当前放射治疗计划确定为患者对应的目标放射治疗计划,从而可以实现利用预设神经网络模型模拟出一个非常有经验的物理师来自动操作放射治疗计划模块,生成更加准确的放射治疗计划,并且整个过程中无需人为参与,从而提高了放射治疗计划的生成效率和准确性。
在上述技术方案的基础上,在使用预设神经网络模型之前,还包括预设神经网络模型的训练过程。本实施例可以基于但不限于强化学习的方式,对预设神经网络模型进行训练,以使训练好的预设神经网络模型可以代替有经验的物理师做计划的工作,实现放射治疗计划自动生成的效果。图3给出了一种预设神经网络模型的训练过程的流程图。如图3所示,预设神经网络模型的训练过程具体包括以下步骤:
S310、获取多个样本患者的样本影像信息以及与样本影像信息对应的样本处方剂量信息。
其中,可以获取同一个部位的真实患者的影像信息和处方剂量信息,并可以通过随机算法,利用真实患者的影像信息和处方剂量信息生成新的影像信息和处方剂量信息,从而可以获得大量的样本数据,提高训练精度。
具体地,在基于强化学习训练时,可以将样本患者的样本影像信息和样本处方剂量信息作为样本数据,无需获得由物理师做出的高质量的放射治疗计划,从而可以节省人力成本。
在强化学习的训练过程中,存在预设神经网络模型agent和环境两类角色。预设神经网络模型agent可以在获知环境状态(有可能仅是部分信息)后,做出相应操作,环境状态也随之改变。环境给预设神经网络模型agent一个新的状态信息,并根据状态改变的好坏给与预设神经网络模型agent一个奖励或者惩罚(例如,当前评分)。预设神经网络模型agent再根据新的环境状态做出新的操作,环境状态也随之再次改变,以此不断循环。预设神经网络模型agent的目标是将最终累积的奖励进行最大化。预设神经网络模型agent在训练过程中可以通过不断根据所得到的反馈信息调整自身的网络参数,直到将最终累积的奖励最大化。
强化学习可以是一个Markov决策过程。Markov决策过程可以包括集合S和集合A,其中集合S用于表示环境状态;集合A用于表示预设神经网络模型agent可输出的操作指令。Pa(s,s′)=Prob(st+1=s′|st=s,at=a)可以是指预设神经网络模型agent输出操作指令a之后,环境状态从状态s到状态s’的概率。Ra(s,s′)是agent在预设神经网络模型agent输出操作指令a之后环境状态从s到s’使得agent得到的奖励(或惩罚)。
在对预设神经网络模型的训练过程中,集合S可以包括但不限于:影像信息、与样本影像信息对应的样本处方剂量信息、当前放射治疗计划、当前约束条件、当前放射治疗计划中的DVH信息和剂量分布、以及当前设备的迭代次数。集合A可以包括但不限于:添加一个约束条件、删除一个约束条件、添加一个辅助结构、删除一个辅助结构、增加约束值、减少约束值、增加迭代次数、减少迭代次数、开始优化、继续优化、增加一个粒子束、减少一个粒子束、增加粒子束的准直器角度和减少粒子束的准直器角度等。
S320、将样本影像信息和样本处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令。
其中,在训练阶段中,预设神经网络模型输出的当前操作指令可以是以下至少一种:添加一个约束条件、删除一个约束条件、添加一个辅助结构、删除一个辅助结构、增加约束值、减少约束值、增加迭代次数、减少迭代次数、开始优化、继续优化、增加一个粒子束、减少一个粒子束、增加粒子束的准直器角度和减少粒子束的准直器角度。
S330、根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划。
S340、确定当前放射治疗计划对应的当前评分,并累加每次循环后的当前评分,获得当前总评分。
具体地,本实施例可以基于预设评分方式,对当前放射治疗计划进行打分,确定出相应的当前评分。例如,根据当前放射治疗计划可以分析各个评价参数的表现情况,对各个评价参数分别进行打分,并将所有分数进行加权叠加,获得的叠加结果确定为当前放射治疗计划对应的当前评分。将当次循环中获得的每个当前放射治疗计划对应的当前评分进行相加,获得当前总评分,从而可以该当前总评分可以作为当次循环累积的奖励。
需要说明的是,每个评价参数的权重可以基于物理师的喜好进行设置,以学习出物理师的偏好,使得训练好的预设神经网络模型可以自动生成物理师更喜好的放射治疗计划。
S350、检测当前循环次数是否小于预设循环次数,若是,则执行S360的操作;若否,则执行S370的操作。
其中,预设循环次数可以是预先基于业务需求设置,用于表征可能生成满足临床标准的放射治疗计划的条件。
S360、将当前循环次数累加1,并将当前评分反馈至预设神经网络模型中,以调整预设神经网络模型中的网络参数,并更新输出的当前操作指令,基于更新的当前操作指令返回执行S330的操作。
具体地,在当前循环次数小于预设循环次数时,表明当次循环还未结束,此时可以将当前循环次数累加1,以便更新获得循环总次数,并且将当前评分反馈至预设神经网络模型中,预设神经网络模型可以基于当前评分自动调整网络参数,并根据调整后的网络参数,重新输出当前操作指令,以对当前操作指令进行更新,并通过返回执行S330的操作,基于更新后的当前操作指令再次控制控制放射治疗计划模块,重新生成当前放射治疗计划,以对当前放射治疗计划进行更新,直到当前循环次数等于预设循环次数为止。
S370、检测当前总评分是否大于或等于预设分数值,若是,则执行S380的操作;若否,则执行S390的操作。
具体地,在当前循环次数等于预设循环次数时,表明当次循环已结束,此时可以通过检测当前总评分是否大于或等于预设分数值的方式,确定当前放射治疗计划是否为最佳的放射治疗计划。
S380、确定预设神经网络模型训练结束。
具体地,在当前总评分大于或等于预设分数值,则表明当前放射治疗计划为最佳的满足临床标准的放射治疗计划,此时可以确定出预设神经网络模型训练结束,即该预设神经网络模型可以像一个真实的有经验的物理师操作控制放射治疗计划模块,使得放射治疗计划模块可以更加快速地生成满足临床标准的高质量的放射治疗治疗计划。
S390、将当前循环次数和当前总评分清零,并将当前评分反馈至预设神经网络模型中,以调整预设神经网络模型中的网络参数,并更新输出的当前操作指令,基于更新的当前操作指令返回执行S330的操作。
具体地,在当前总评分小于预设分数值时,则表明当前生成的当前放射治疗计划并不是最佳的满足临床标准的放射治疗计划,需要继续对预设神经网络模型进行训练,此时可以将当前循环次数和当前总评分清零,以便重新开始进行下次循环,直到循环后获得的当前总评分大于或等于预设分数值为止。
实施例二
图4为本发明实施例二提供的一种放射治疗计划生成设备中处理器所执行的放射治疗计划生成过程的流程图,本实施例在上述实施例的基础上,对当前放射治疗计划对应的当前评分的确定过程进行了详细描述。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图4,本实施例提供的放射治疗计划生成过程具体包括以下步骤:
S410、将患者的影像信息以及与影像信息对应的处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令。
S420、根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划。
S430、根据当前放射治疗计划,确定每个预设评价参数对应的当前参数值。
其中,可以通过基于靶区和危及器官的DVH信息、靶区周围剂量场的适应度、冷热点位置和剂量等因素,预先设置出用于评价当前放射治疗计划质量高低的各个预设评价参数。示例性地,对于用于治疗***的放射治疗计划而言,预设评价参数可以包括但不限于:靶区D95、靶区D2、靶区的最大剂量、膀胱V40、膀胱V30、膀胱V20、直肠V40、直肠V30、直肠V20、股骨头的最大剂量以及脊柱的最大剂量等。其中,靶区D95是指靶区的95%体积所达到的剂量。膀胱V40是指膀胱中剂量大于40Gy的体积。
具体地,可以根据当前放射治疗计划中的DVH信息和剂量分布信息,确定出每个预设评价参数所对应的当前参数值的大小。
S440、根据当前参数值确定预设评价参数对应的参数评分结果。
其中,参数评分结果可以用于表征当前放射治疗计划在每个预设评价参数上的表现情况。例如,参数评分结果中的分数值越高,则表明当前放射治疗计划在该预设评价参数上的表现越优。
示例性地,S440可以包括:当当前参数值小于第一标准参数值时,根据当前参数值和第一标准参数值确定预设评价参数对应的参数评分结果;当当前参数值大于或等于第一标准参数值,且小于或等于第二标准参数值时,将预设最高分数值确定为预设评价参数对应的参数评分结果;当当前参数值大于第二标准参数值时,根据当前参数值和第二标准参数值确定预设评价参数对应的参数评分结果。
其中,第一标准参数值和第二标准参数值可以用于表征预先设置的,可接受的预设评价参数的参数值范围。第二标准参数值大于第一标准参数值。预设最高分数值可以是指预设评价参数可达到的最高分数值。比如,可以将最高分数值设置为1。
具体地,在当前参数值处于第一标准参数值与第二标准参数值之间时,表明预设评价参数的当前参数值满足预设的临床标准,此时可以将预设最高分数值确定为该预设评价参数对应的参数评分结果。在当前参数值小于第一标准参数值,或者当前参数值大于第二标准参数值时,表明该当前参数值不满足预设的临床标准,此时可以基于第一标准参数值或者第二标准参数值确定出相应的参数评分结果。例如,当前参数值与第一标准参数值或者第二标准参数值的距离越大时,表明参数质量越低,此时确定出的参数评分结果中的分数值也越小。
示例性地,在预设评价参数为靶区D95,并且希望靶区D95的剂量在6000cGy和6100cGy,即第一标准参数值为6000cGy,第二标准参数值为6100cGy,此时可以通过如下公式,基于D95对应的当前参数值X1确定出靶区D95对应的参数评分结果F1(X1):
S450、根据各预设评价参数对应的权重值和参数评分结果,确定当前放射治疗计划对应的累计评分结果。
具体地,可以基于各预设评价参数对应的权重值,对各参数评分结果进行加权叠加,将获得的叠加结果确定为当前放射治疗计划对应的累计评分结果,从而可以基于每个预设评价参数对当前放射治疗计划进行单独打分,以便分别评估出当前放射治疗计划在每个预设评价参数上的表现优劣。
S460、根据各预设评价参数中的目标预设评价参数,确定当前放射治疗计划对应的惩罚评分结果。
其中,目标预设评价参数可以是从各预设评价参数中筛选出的,用于综合衡量当前放射治疗计划的质量高低,以便从整体上对当前放射治疗计划进行打分。目标预设评价参数可以包括至少两个预设评价参数。惩罚评分结果可以用于表征在整体上当前放射治疗计划的质量低下程度。
具体地,可以通过考虑各个预设评价参数的参数评分结果的差异情况,或者剂量分布情况的均匀情况等,从各预设评价参数中选择出相应的目标预设评价参数进行表征。根据目标预设评价参数的表现情况可以确定出当前放射治疗计划对应的惩罚评分结果,以便可以惩罚各个预设评价参数的参数评分结果的差异较大的情况,或者剂量分布情况的不均匀的情况等。
示例性地,S460可以包括:根据各预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定当前放射治疗计划对应的第一评分结果;和/或,根据各预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定当前放射治疗计划对应的第二评分结果;根据第一评分结果和/或第二评分结果,确定当前放射治疗计划对应的惩罚评分结果。
其中,最大参数评分结果对应的预设评价参数是表现最好的预设评价参数。最小参数评分结果对应的预设评价参数是表现最差的预设评价参数。第一评分结果可以是用于反映各个预设评价参数表现好坏的差异情况。比如,表现最好的预设评价参数和最差的预设评价参数之间的差异越大时,第一评分结果的评分越高。第二评分结果可以反映剂量分布的不均匀情况。若剂量分布越不均匀,则第二评分结果的评分越高。
具体地,若仅确定出第一评分结果,则可以将第一评分结果确定为当前放射治疗计划对应的惩罚评分结果。若仅确定出第二评分结果,则可以将第二评分结果确定为当前放射治疗计划对应的惩罚评分结果。若确定出第一评分结果和第二评分结果,则可以将第一评分结果和第二评分结果的总和确定为当前放射治疗计划对应的惩罚评分结果。
S470、根据累计评分结果和惩罚评分结果,确定当前放射治疗计划对应的当前评分。
具体地,可以将累计评分结果与惩罚评分结果之间的差值确定为当前放射治疗计划对应的当前评分。相比于将累计评分结果直接确定为当前评分,即仅单独考虑每个预设评价因素的表现情况而言,本实施例可以考虑到各个预设评价因素之间的关联,做到对各个预设评价参数均有兼顾,避免出现因某个预设评价参数权重较低而忽视其重要性的情况,使得当前评分更加符合真实情况,提高了评分方式的鲁棒性和参考价值。
S480、检测当前放射治疗计划是否满足预设循环结束条件,若是,则执行S490的操作;若否,则执行S491的操作。
需要说明的是,本实施例对步骤S430-S470的执行顺序并不进行限定。若预设循环结束条件是基于当前评分设置的条件时,则可以在步骤S480之前执行步骤S430-S470的操作。若预设循环结束条件并不是基于当前评分设置的条件时,可以在步骤S480之后执行步骤S430-S470的操作。
S490、将当前放射治疗计划确定为患者对应的目标放射治疗计划。
S491、将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,以使预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行S420的操作。
本实施例的技术方案,通过从整体上确定出当前放射治疗计划对应的惩罚评分结果,并利用累计评分结果和惩罚评分结果共同确定出当前放射治疗计划对应的当前评分,相比于仅利用累计评分结果确定当前评分,即仅单独考虑每个预设评价因素的表现情况而言,本实施例可以考虑到各个预设评价因素之间的关联,做到对各个预设评价参数均有兼顾,避免出现因某个预设评价参数权重较低而忽视其重要性的情况,使得当前评分更加符合真实情况,从而提高了评分方式的鲁棒性和参考价值。
在上述技术方案的基础上,根据各预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定当前放射治疗计划对应的第一评分结果,可以包括:
根据各预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定最大参数评分结果与最小参数评分结果之间的第一差值;若第一差值小于或等于第一预设差值,则将预设最低分数值确定当前放射治疗计划对应的第一评分结果;若第一差值大于第一预设差值,则根据第一差值确定当前放射治疗计划对应的第一评分结果。
其中,第一预设差值可以是医生可接受的,第一差值的最大值。预设最低分数值可以是基于业务需求预先设置的最小分数值,例如0。若第一差值越小,则表明各预设评价参数的表现情况的差异性也越小,即当前放射治疗计划对应的第一评分结果也越小。具体地,在第一差值大于第一预设差值时,可以通过如下公式确定出当前放射治疗计划对应的第一评分结果:
E(1)=ρ1(max-Fmin-3)2;Fmax-Fmin>A3
其中,E(1)是第一评分结果;Fmax是指最大参数评分结果;Fmin是指最小参数评分结果值;A3是第一预设差值;ρ1是第一预设系数。例如,对于生成治疗***的放射治疗计划而言,第一预设差值A3可以设置为0.2,第一预设系数ρ1可以设置为40。可见,。
在上述技术方案的基础上,根据各预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定当前放射治疗计划对应的第二评分结果,可以包括:
根据各预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定第一当前参数值与第二当前参数值之间的第二差值;若第二差值小于或等于第二预设差值,则将预设最低分数值确定当前放射治疗计划对应的第二评分结果;若第二差值大于第二预设差值,则根据第二差值确定当前放射治疗计划对应的第二评分结果。
其中,第二预设差值可以是医生可接受的,第二差值的最大值。各预设评价参数中用于表征剂量分布情况的预设评价参数对可以设置为靶区D95和靶区D2这两个预设评价参数。若靶区D95对应的剂量值和靶区D2对应的剂量值之间的差值越小,则表明靶区的剂量分布越均匀,即第二评分结果越小。具体地,在第二差值大于第二预设差值时,可以通过如下公式确定出当前放射治疗计划对应的第二评分结果:
其中,E(2)是指第二评分结果;D是第二差值;A4是第二预设差值;ρ2是第二预设系数;ρ3是第三预设系数。对于生成治疗***的放射治疗计划而言,第二预设差值A4可以设置为100;第二预设系数ρ2可以设置为10;第三预设系数ρ3可以设置为100。
以下是本发明实施例提供的放射治疗计划生成装置的实施例,该装置与上述各实施例的放射治疗计划生成设备属于同一个发明构思,在放射治疗计划生成装置的实施例中未详尽描述的细节内容,可以参考上述放射治疗计划生成设备的实施例。
实施例三
图5为本发明实施例三提供的一种放射治疗计划生成装置的结构示意图,本实施例可适用于自动生成最佳的放射治疗计划的情况,该装置具体包括:当前操作指令获得模块510、当前放射治疗计划生成模块520、当前评分反馈模块530和目标放射治疗计划确定模块540。
其中,当前操作指令获得模块510,用于将患者的影像信息以及与影像信息对应的处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令;当前放射治疗计划生成模块520,用于根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;当前评分反馈模块530,用于若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,以使预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行根据当前操作指令控制放疗计划生成模块的操作;目标放射治疗计划确定模块540,用于若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为患者对应的目标放射治疗计划。
可选地,影像信息包括断层图像和断层图像中已勾勒出的感兴趣区域。
可选地,当前操作指令包括以下至少一种:
添加一个约束条件、删除一个约束条件、添加一个辅助结构、删除一个辅助结构、增加约束值、减少约束值、增加迭代次数、减少迭代次数、开始优化、继续优化、增加一个粒子束、减少一个粒子束、增加粒子束的准直器角度和减少粒子束的准直器角度。
可选地,该装置还包括:训练模块,具体用于:
在使用预设神经网络模型之前,获取多个样本患者的样本影像信息以及与样本影像信息对应的样本处方剂量信息;将样本影像信息和样本处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令;根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;确定当前放射治疗计划对应的当前评分,并累加每次循环后的当前评分,获得当前总评分;在当前循环次数小于预设循环次数时,将当前评分反馈至预设神经网络模型中,以调整预设神经网络模型中的网络参数,并更新输出的当前操作指令,基于更新的当前操作指令返回执行根据当前操作指令控制放疗计划生成模块的操作,并将当前循环次数累加1;在当前循环次数等于预设循环次数时,检测当前总评分是否大于或等于预设分数值;若是,则确定预设神经网络模型训练结束;若否,则将当前循环次数和当前总评分清零,并将当前评分反馈至预设神经网络模型中,以调整预设神经网络模型中的网络参数,并更新输出的当前操作指令,基于更新的当前操作指令返回执行根据当前操作指令控制放疗计划生成模块的操作。
可选地,该装置还包括:
当前参数值确定模块,用于在将当前放射治疗计划对应的当前评分反馈至预设神经网络模型之前,根据当前放射治疗计划,确定每个预设评价参数对应的当前参数值;
参数评分结果确定模块,用于根据当前参数值确定预设评价参数对应的参数评分结果;
累计评分结果确定模块,用于根据各预设评价参数对应的权重值和参数评分结果,确定当前放射治疗计划对应的累计评分结果;
惩罚评分结果确定模块,用于根据各预设评价参数中的目标预设评价参数,确定当前放射治疗计划对应的惩罚评分结果;
当前评分确定模块,用于根据累计评分结果和惩罚评分结果,确定当前放射治疗计划对应的当前评分。
可选地,参数评分结果确定模块,具体用于:
当当前参数值小于第一标准参数值时,根据当前参数值和第一标准参数值确定预设评价参数对应的参数评分结果;当当前参数值大于或等于第一标准参数值,且小于或等于第二标准参数值时,将预设最高分数值确定为预设评价参数对应的参数评分结果;当当前参数值大于第二标准参数值时,根据当前参数值和第二标准参数值确定预设评价参数对应的参数评分结果。
可选地,惩罚评分结果确定模块,包括:
第一评分结果确定单元,用于根据各预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定当前放射治疗计划对应的第一评分结果;和/或,
第二评分结果确定单元,用于根据各预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定当前放射治疗计划对应的第二评分结果;
惩罚评分结果确定单元,用于根据第一评分结果和/或第二评分结果,确定当前放射治疗计划对应的惩罚评分结果。
可选地,第一评分结果确定单元,具体用于:
根据各预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定最大参数评分结果与最小参数评分结果之间的第一差值;若第一差值小于或等于第一预设差值,则将预设最低分数值确定当前放射治疗计划对应的第一评分结果;若第一差值大于第一预设差值,则根据第一差值确定当前放射治疗计划对应的第一评分结果。
可选地,第二评分结果确定单元,具体用于:
根据各预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定第一当前参数值与第二当前参数值之间的第二差值;若第二差值小于或等于第二预设差值,则将预设最低分数值确定当前放射治疗计划对应的第二评分结果;若第二差值大于第二预设差值,则根据第二差值确定当前放射治疗计划对应的第二评分结果。
本发明实施例所提供的放射治疗计划生成装置可执行本发明任意实施例所提供的放射治疗计划生成过程,具备执行放射治疗计划生成过程相应的功能模块和有益效果。
实施例四
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的放射治疗计划生成过程,该过程可以包括如下操作:
将患者的影像信息以及与影像信息对应的处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令;
根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至预设神经网络模型中,以使预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行根据当前操作指令控制放疗计划生成模块的操作;
若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为患者对应的目标放射治疗计划。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种放射治疗计划生成设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如下操作:
将患者的影像信息以及与所述影像信息对应的处方剂量信息输入至预设神经网络模型中,获得所述预设神经网络模型输出的当前操作指令;
根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型中,以使所述预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作;
若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为所述患者对应的目标放射治疗计划。
2.根据权利要求1所述的设备,其特征在于,所述影像信息包括断层图像和所述断层图像中已勾勒出的感兴趣区域。
3.根据权利要求1所述的设备,其特征在于,所述当前操作指令包括以下至少一种:
添加一个约束条件、删除一个约束条件、添加一个辅助结构、删除一个辅助结构、增加约束值、减少约束值、增加迭代次数、减少迭代次数、开始优化、继续优化、增加一个粒子束、减少一个粒子束、增加粒子束的准直器角度和减少粒子束的准直器角度。
4.根据权利要求1所述的设备,其特征在于,在使用所述预设神经网络模型之前,还包括所述预设神经网络模型的训练过程,具体包括:
获取多个样本患者的样本影像信息以及与所述样本影像信息对应的样本处方剂量信息;
将所述样本影像信息和所述样本处方剂量信息输入至预设神经网络模型中,获得预设神经网络模型输出的当前操作指令;
根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
确定当前放射治疗计划对应的当前评分,并累加每次循环后的当前评分,获得当前总评分;
在当前循环次数小于预设循环次数时,将当前评分反馈至预设神经网络模型中,以调整预设神经网络模型中的网络参数,并更新输出的当前操作指令,基于更新的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作,并将当前循环次数累加1;
在当前循环次数等于预设循环次数时,检测当前总评分是否大于或等于预设分数值;
若是,则确定所述预设神经网络模型训练结束;
若否,则将当前循环次数和当前总评分清零,并将当前评分反馈至预设神经网络模型中,以调整预设神经网络模型中的网络参数,并更新输出的当前操作指令,基于更新的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作。
5.根据权利要求1-4任一所述的设备,其特征在于,在将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型之前,还包括:
根据当前放射治疗计划,确定每个预设评价参数对应的当前参数值;
根据所述当前参数值确定所述预设评价参数对应的参数评分结果;
根据各所述预设评价参数对应的权重值和所述参数评分结果,确定当前放射治疗计划对应的累计评分结果;
根据各所述预设评价参数中的目标预设评价参数,确定当前放射治疗计划对应的惩罚评分结果;
根据所述累计评分结果和所述惩罚评分结果,确定当前放射治疗计划对应的当前评分。
6.根据权利要求5所述的设备,其特征在于,根据所述当前参数值确定所述预设评价参数对应的参数评分结果,包括:
当所述当前参数值小于第一标准参数值时,根据所述当前参数值和所述第一标准参数值确定所述预设评价参数对应的参数评分结果;
当所述当前参数值大于或等于第一标准参数值,且小于或等于第二标准参数值时,将预设最高分数值确定为所述预设评价参数对应的参数评分结果;
当所述当前参数值大于第二标准参数值时,根据所述当前参数值和所述第二标准参数值确定所述预设评价参数对应的参数评分结果。
7.根据权利要求5所述的设备,其特征在于,根据各所述预设评价参数中的目标预设评价参数,确定当前放射治疗计划对应的惩罚评分结果,包括:
根据各所述预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定当前放射治疗计划对应的第一评分结果;和/或,
根据各所述预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定当前放射治疗计划对应的第二评分结果;
根据所述第一评分结果和/或所述第二评分结果,确定当前放射治疗计划对应的惩罚评分结果。
8.根据权利要求7所述的设备,其特征在于,根据各所述预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定当前放射治疗计划对应的第一评分结果,包括:
根据各所述预设评价参数对应的参数评分结果中的最大参数评分结果和最小参数评分结果,确定所述最大参数评分结果与所述最小参数评分结果之间的第一差值;
若所述第一差值小于或等于第一预设差值,则将预设最低分数值确定当前放射治疗计划对应的第一评分结果;
若所述第一差值大于第一预设差值,则根据所述第一差值确定当前放射治疗计划对应的第一评分结果。
9.根据权利要求7所述的设备,其特征在于,根据各所述预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定当前放射治疗计划对应的第二评分结果,包括:
根据各所述预设评价参数中用于表征剂量分布情况的预设评价参数对分别对应的第一当前参数值和第二当前参数值,确定所述第一当前参数值与第二当前参数值之间的第二差值;
若所述第二差值小于或等于第二预设差值,则将预设最低分数值确定当前放射治疗计划对应的第二评分结果;
若所述第二差值大于第二预设差值,则根据所述第二差值确定当前放射治疗计划对应的第二评分结果。
10.一种放射治疗计划生成装置,其特征在于,包括:
当前操作指令获得模块,用于将患者的影像信息以及与所述影像信息对应的处方剂量信息输入至预设神经网络模型中,获得所述预设神经网络模型输出的当前操作指令;
当前放射治疗计划生成模块,用于根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
当前评分反馈模块,用于若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型中,以使所述预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作;
目标放射治疗计划确定模块,用于若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为所述患者对应的目标放射治疗计划。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下操作:
将患者的影像信息以及与所述影像信息对应的处方剂量信息输入至预设神经网络模型中,获得所述预设神经网络模型输出的当前操作指令;
根据当前操作指令控制放射治疗计划模块,生成当前放射治疗计划;
若检测到当前放射治疗计划不满足预设循环结束条件,则将当前放射治疗计划对应的当前评分反馈至所述预设神经网络模型中,以使所述预设神经网络模型基于当前评分更新输出的当前操作指令,并基于更新后的当前操作指令返回执行所述根据当前操作指令控制放疗计划生成模块的操作;
若检测到当前放射治疗计划满足预设循环结束条件,则将当前放射治疗计划确定为所述患者对应的目标放射治疗计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357329.2A CN111128340A (zh) | 2019-12-25 | 2019-12-25 | 放射治疗计划生成设备、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357329.2A CN111128340A (zh) | 2019-12-25 | 2019-12-25 | 放射治疗计划生成设备、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111128340A true CN111128340A (zh) | 2020-05-08 |
Family
ID=70502192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911357329.2A Pending CN111128340A (zh) | 2019-12-25 | 2019-12-25 | 放射治疗计划生成设备、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111128340A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
WO2022061840A1 (en) * | 2020-09-27 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating radiation therapy plan |
CN114334085A (zh) * | 2021-12-29 | 2022-04-12 | 上海联影医疗科技股份有限公司 | 放射治疗信息显示方法、调整方法、电子装置和存储介质 |
CN114681813A (zh) * | 2020-12-28 | 2022-07-01 | 北京医智影科技有限公司 | 放射治疗自动计划***、自动计划方法及计算机程序产品 |
CN115454171A (zh) * | 2022-08-30 | 2022-12-09 | 海尔优家智能科技(北京)有限公司 | 智能设备及其除雾方法、设备及介质 |
CN117116421A (zh) * | 2023-10-24 | 2023-11-24 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170177812A1 (en) * | 2015-12-21 | 2017-06-22 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN107224678A (zh) * | 2017-07-17 | 2017-10-03 | 上海联影医疗科技有限公司 | 一种治疗评估***及存储介质 |
CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
US20190051398A1 (en) * | 2017-08-09 | 2019-02-14 | Varian Medical Systems, Inc. | Aggregation of artificial intelligence (ai) engines |
CN109801696A (zh) * | 2017-11-17 | 2019-05-24 | 北京连心医疗科技有限公司 | 一种人工智能的云放疗计划方法、设备、存储介质和*** |
CN109979564A (zh) * | 2017-12-28 | 2019-07-05 | 北京连心医疗科技有限公司 | 一种智能放疗计划方法、设备和存储介质 |
WO2019143120A1 (ko) * | 2018-01-17 | 2019-07-25 | 사회복지법인 삼성생명공익재단 | 지능형 자동 방사선 치료계획 수립방법 및 시스템 |
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*** |
EP3576100A1 (en) * | 2018-05-30 | 2019-12-04 | Siemens Healthcare GmbH | Decision support system for medical therapy planning |
-
2019
- 2019-12-25 CN CN201911357329.2A patent/CN111128340A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170177812A1 (en) * | 2015-12-21 | 2017-06-22 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN107224678A (zh) * | 2017-07-17 | 2017-10-03 | 上海联影医疗科技有限公司 | 一种治疗评估***及存储介质 |
US20190051398A1 (en) * | 2017-08-09 | 2019-02-14 | Varian Medical Systems, Inc. | Aggregation of artificial intelligence (ai) engines |
CN109801696A (zh) * | 2017-11-17 | 2019-05-24 | 北京连心医疗科技有限公司 | 一种人工智能的云放疗计划方法、设备、存储介质和*** |
CN109979564A (zh) * | 2017-12-28 | 2019-07-05 | 北京连心医疗科技有限公司 | 一种智能放疗计划方法、设备和存储介质 |
WO2019143120A1 (ko) * | 2018-01-17 | 2019-07-25 | 사회복지법인 삼성생명공익재단 | 지능형 자동 방사선 치료계획 수립방법 및 시스템 |
CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
EP3576100A1 (en) * | 2018-05-30 | 2019-12-04 | Siemens Healthcare GmbH | Decision support system for medical therapy planning |
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*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022061840A1 (en) * | 2020-09-27 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating radiation therapy plan |
CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN112668394B (zh) * | 2020-11-30 | 2023-10-31 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN114681813A (zh) * | 2020-12-28 | 2022-07-01 | 北京医智影科技有限公司 | 放射治疗自动计划***、自动计划方法及计算机程序产品 |
WO2022142770A1 (zh) * | 2020-12-28 | 2022-07-07 | 北京医智影科技有限公司 | 放射治疗自动计划***、自动计划方法及计算机程序产品 |
CN114681813B (zh) * | 2020-12-28 | 2023-07-14 | 北京医智影科技有限公司 | 放射治疗自动计划***、自动计划方法及存储介质 |
CN114334085A (zh) * | 2021-12-29 | 2022-04-12 | 上海联影医疗科技股份有限公司 | 放射治疗信息显示方法、调整方法、电子装置和存储介质 |
CN115454171A (zh) * | 2022-08-30 | 2022-12-09 | 海尔优家智能科技(北京)有限公司 | 智能设备及其除雾方法、设备及介质 |
CN117116421A (zh) * | 2023-10-24 | 2023-11-24 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
CN117116421B (zh) * | 2023-10-24 | 2024-01-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111128340A (zh) | 放射治疗计划生成设备、装置和存储介质 | |
US12011613B2 (en) | Systems and methods for automatic treatment planning and optimization | |
US20210031054A1 (en) | Decision support tool for adaptive radiotherapy in ct/linac console | |
CN107072624B (zh) | 用于自动治疗计划的***和方法 | |
CN110211664B (zh) | 一种基于机器学习自动设计放射治疗方案的*** | |
JP5771226B2 (ja) | 効率的な線量計算を含む線量計算タスクのスケジューリング | |
JP6557227B2 (ja) | 治療計画の自動化 | |
EP3436148B1 (en) | Adaptive radiation therapy planning | |
US20160121138A1 (en) | Physician directed radiation treatment planning | |
EP3342461B1 (en) | Selecting a dose prediction model based on clinical goals | |
CN110420396B (zh) | 一种放射治疗计划优化***、装置及存储介质 | |
JP2009545394A (ja) | 生物学に導かれた適応的な治療計画 | |
JP6803962B2 (ja) | 放射線治療計画を作成するための方法および対応する放射線治療システム | |
US20190275352A1 (en) | Treatment planning based on multiple modalities | |
EP2953680A1 (en) | Apparatus for determining a number of beams in imrt | |
US20220296925A1 (en) | Method and system for robust radiotherapy treatment planning for biological uncertainties | |
CN108697905B (zh) | 放射治疗规划设备、方法和存储介质 | |
Yan et al. | A fast optimization approach for treatment planning of volumetric modulated arc therapy | |
EP3642843A2 (en) | Optimizing a treatment plan based on a score function depending on a quality function | |
CN116569190B (zh) | 用于放疗治疗计划的剂量图预测的方法和计算机程序产品 | |
CN115938587A (zh) | 放疗计划的验证方法、装置、计算机设备和存储介质 | |
US11651847B2 (en) | Dose volume histogram and dose distribution based autoplanning | |
Yan et al. | Intelligence-guided beam angle optimization in treatment planning of intensity-modulated radiation therapy | |
EP4180088A1 (en) | A machine learning based system for generating objective functions for radiation therapy treatment planning | |
US20240157171A1 (en) | Tumor radiotherapy planning design method and apparatus, electronic device and storage medium |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information |