CN111477298B - 一种放疗过程中肿瘤位置变化的追踪方法 - Google Patents

一种放疗过程中肿瘤位置变化的追踪方法 Download PDF

Info

Publication number
CN111477298B
CN111477298B CN202010259287.5A CN202010259287A CN111477298B CN 111477298 B CN111477298 B CN 111477298B CN 202010259287 A CN202010259287 A CN 202010259287A CN 111477298 B CN111477298 B CN 111477298B
Authority
CN
China
Prior art keywords
human body
tumor
posture
neural network
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.)
Active
Application number
CN202010259287.5A
Other languages
English (en)
Other versions
CN111477298A (zh
Inventor
袁双虎
李玮
李莉
韩毅
刘宁
刘治国
赵芬
关甜
袁朔
吕慧颖
于金明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Bishan Network Technology Co ltd
Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
Shandong University
Original Assignee
Jinan Bishan Network Technology Co ltd
Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan Bishan Network Technology Co ltd, Shandong Cancer Hospital & Institute (shandong Cancer Hospital), Shandong University filed Critical Jinan Bishan Network Technology Co ltd
Priority to CN202010259287.5A priority Critical patent/CN111477298B/zh
Publication of CN111477298A publication Critical patent/CN111477298A/zh
Application granted granted Critical
Publication of CN111477298B publication Critical patent/CN111477298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)

Abstract

一种放疗过程中肿瘤位置变化的追踪方法，该方法包括以下步骤：采集人体四个标准***的核磁共振姿势拍摄图像，获取人体各个主要姿态时的肿瘤位置，使用图像处理的方法，以此为依据建立人体肿瘤位置的数据库，使用旋转法得到大量训练样本，并使用cnn卷积神经网络进行识别和计算；通过获取当前人体在某种姿势时通过核磁共振姿势拍摄的肿瘤位置，对比病人此时***与标准***的位姿变化，在三维模型中检索对比此时肿瘤的位置，判断当前根据三维模型预测的肿瘤位置与核磁共振所拍摄的肿瘤实际位置所在的误差e，基于误差对模型追踪的精度进行调整。

Description

一种放疗过程中肿瘤位置变化的追踪方法
技术领域
本发明涉及肿瘤位置追踪技术领域，具体涉及一种由于人体的姿态和摆位的变化而造成肿瘤位置变化的追踪方法。
背景技术
在传统的放射治疗中，确定有放疗指征后，由医生、物理师和技师根据患者具体情况选择和制作固定模具(保证每次放疗时良好的***重复性，并尽量使患者感觉舒适，减少***变动误差对精确放疗的影响，保证准确的放疗)。一般情况下，CT扫描完成后，将影像数据传输至放疗科计划***。头颈部肿瘤患者选择可塑面膜或头颈肩膜固定，而胸腹部肿瘤患者选择负压成型袋或体膜固定，乳腺放疗使用乳腺托架，***固定完成后，需要进行放疗模拟扫描定位来获取患者肿瘤及其周围器官组织详细的影像数据。
由物理师将图像导入计划***，进行初步的影像数据处理，保证图像高质量，医师准确勾画靶区。影像数据经过初步的处理后，由医师勾画放疗病灶靶区和需保护的重要器官组织轮廓图，精确放疗靶区包括GTV(CT/MRI检查等显示的肿瘤轮廓)、CTV(包括GTV和肿瘤可能侵犯的亚临床灶)、PTV(考虑了患者器官运动和摆位误差的CTV)。
依照计划***给出的肿瘤中心位置，找出对应的体表标志作为放疗时摆位的依据。射野验证:指在确定放疗中心位置后，利用模拟机拍摄X光片，核对中心位置、每个照射野形状、入射角度和射野大小等是否正确，可将位置误差控制在2～3mm以内。剂量验证:由物理师通过人体仿真体模，比较实体内所接受的射线照射剂量与计划***所设计的照射剂量是否一致。
放射治疗一般由2位技师共同完成，先在操作室核对治疗参数，然后在机房内进行摆位，按照标记线摆好病人，加入挡块，楔形板等需要的辅助器材，向患者交代好遇到不舒服不能耐受时可举手示意等注意事项之后就可以离开机房并关闭铅门。治疗中开启病人监视***，密切监视病人***是否移动，如果发现病人***移动或发出求助信息，应立即停止治疗并做相应处理，纠正后再行照射。放疗(一般1天1次，1周治疗5天，大概4-6周完成治疗)。
需要特别说明的是:第一次摆位为了确保以后每次治疗精确需要仔细验证，可能需要的时间会长些，但是一般都能坚持，以后治疗时间会短一些，普通放疗一般几分钟，复杂的适形调强放疗可能超过20分钟，放疗期间要注意保护身上画的各种标记，不能擦洗掉，否则需要重新定位。
发明人在研发过程中发现，目前放射治疗的过程中虽然能够确定肿瘤的位置并根据位置确定治疗区域，但是病人在放射治疗的过程中需要各种夹具和托架，进行体姿和摆位的固定，并且在放疗过程中对病人体姿的精度要求较高，病人必须长期保持一个固定姿态，否则就要立即停止治疗并做相应处理，在纠正后重新治疗，这对病人本身就有很大的难度，并且对治疗效果和效率也有较大的影响。
发明内容
为了克服上述现有技术的不足，本发明提供了一种在放疗过程中由于人体的姿态和摆位的变化而造成肿瘤位置变化的追踪技术，该技术可以在人体的姿态和摆位发生变化时，能追踪到肿瘤的实时位置，提高放疗过程的治疗效率，提高对肿瘤放射治疗的准确率，减少了病人治疗过程中的痛苦体验。
本发明所提供的一种在放疗过程中由于人体的姿态和摆位的变化而造成肿瘤位置变化的追踪技术的技术方案是：
一种在放疗过程中由于人体的姿态和摆位的变化而造成肿瘤位置变化的追踪技术，该方法包括以下步骤：
在人体保持仰面躺姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像；
在人体保持俯卧姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像；
在人体保持侧面卧倒姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像；
在人体保持另一侧面卧倒姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像；
通过核磁共振姿势拍摄进行获取人体各个主要姿态(仰面躺、俯卧、侧面卧倒及另一侧面卧倒)时的肿瘤位置，对记录到的图像进行图像处理，从而对图片进行肿瘤位置与人体轮廓外形的标注；
通过上述的平面图获取当前肿瘤位置在人体内的三维立***置，将此模型储存作为原始模型，此模型还原了肿瘤在人体内的三维真实位置；
针对个人，经过上述采集人体各个主要姿态时肿瘤位置的样本数据，以此为依据建立人体肿瘤位置的数据库，并利用分角度旋转人体模型的方法获取大量数据，使用cnn卷积神经网络算法对进行训练。
该神经网络的输入是通过分角度旋转人体模型的方法获得的大量数据，收集的某人的一组多样本数据经过隐含层可得到对应的肿瘤位置，该病人的肿瘤位置作为神经网络的输出，此为一组输入及一个输出。而采样得到多人多组数据的输入对应相应的肿瘤位置作为神经网络的多个输入与输出，同时通过设置神经网络训练的误差处于极低的范围ε来保证训练的精确度。其详细为：采用卷积神经网络首先对于采集到的图像进行位移识别、缩放识别及其他形式扭曲不变性的二维图形的识别，进行特征的提取。随后进行数据库样本的训练，保证训练精度极其微小；其中包括对卷积核Wl,1,Wl,2,…,Wl,D分别对输入的特征映射X1,X2,…,XD进行卷积，通过偏置gp的改变，得到卷积的净输入Up，经过映射得到输出的特征映射Tp，也就是对图像中某一类特定的特征进行提取后的结果。
Figure BDA0002438672380000041
Tp＝f(Up)
其中f(x)为非线性激活函数。
获取当前某一人体在某种姿势时通过核磁共振姿势拍摄的肿瘤位置，并记录下此时的肿瘤位置；
在训练完成的基础上，通过主要姿势的图像的提取来利用卷积神经网络得到此时人体肿瘤的位置。
将得到的当前两张肿瘤位置图相比较，判断当前根据三维模型预测的肿瘤位置与核磁共振所拍摄的肿瘤实际位置所在的误差e。
基于误差对模型追踪的精度进行调整，以达到可以在人体的姿态和摆位的变化时能够根据图像精确地追踪肿瘤的位置变化；
通过上述技术方案，本发明的有益效果是：
(1)本发明实现了一种在放疗过程中由于人体的姿态和摆位的变化而造成肿瘤位置变化的追踪效果；
(2)本发明能够迅速准确实时判断人体姿态和摆位变化后肿瘤的最新位置，用以指引放射治疗。
(3)本发明所实现的肿瘤位置追踪技术，提高放疗过程的治疗效率，提高对肿瘤放射治疗的准确率，减少了病人治疗过程中的痛苦体验。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本申请，并不构成对本发明的不当限定。
图1是技术方案中本方法的实施流程图；
图2是技术方案中通过平面图获取当前肿瘤位置在人体内的三维立***置的原始模型1。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：一种放疗过程中肿瘤位置变化的追踪方法，具体步骤如下：
步骤1：在人体保持仰面躺姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像A；
步骤2：在人体保持俯卧姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像B；
步骤3：在人体保持侧面卧倒姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像C；
步骤4：在人体保持另一侧面卧倒姿势时通过核磁共振姿势拍摄，确定肿瘤位置，并进行记录图像D；
步骤5：获取人体各个主要姿态时的肿瘤位置，使用图像处理的方法，对ABCD图片进行肿瘤位置与人体轮廓外形的标注；
步骤6：通过上述的平面图采集人体各个主要姿态时肿瘤位置的样本数据，以此为依据建立人体肿瘤位置的数据库，以患者肿瘤区域的几何中心O为原点，建立人体三维坐标系，其中，我们设定X轴为沿人体正面的左侧方向为正，Y轴沿人体正面前进方向为正，Z轴沿人体直立向上为正，该模型为三维立***置的原始模型1，将该模型储存在数据库中；并使用cnn卷积神经网络进行识别和计算。该神经网络的输入是通过分角度旋转人体模型的方法获得的大量数据，收集的某人的一组多样本数据经过隐含层可得到对应的肿瘤位置，该病人的肿瘤位置作为神经网络的输出，此为一组输入及一个输出。而采样得到多人多组数据的输入对应相应的肿瘤位置作为神经网络的多个输入与输出，同时通过设置神经网络训练的误差处于极低的范围ε来保证训练的精确度。
其详细为：采用卷积神经网络首先对于采集到的图像进行位移识别、缩放识别及其他形式扭曲不变性的二维图形的识别，进行特征的提取。其中包括对卷积核Wl,1,Wl,2,…,Wl,D分别对输入的特征映射X1,X2,…,XD进行卷积，通过偏置gp的改变，得到卷积的净输入Up，经过映射得到输出的特征映射Tp，也就是对图像中某一类特定的特征进行提取后的结果，即
Figure BDA0002438672380000061
Tp＝f(Up)。随后进行数据库样本的训练，保证训练精度极其微小。在训练完成的基础上，通过主要姿势的图像的提取来利用卷积神经网络得到此时人体肿瘤的位置；
步骤7：获取人体各个主要姿态时的肿瘤位置，使用图像处理的方法，对图片进行肿瘤位置与人体轮廓外形的标注；
步骤8：通过上述的平面图获取当前肿瘤位置在人体内的三维立***置，将此模型储存作为原始模型，此模型还原了肿瘤在人体内的三维真实位置；
步骤9：采集人体各个主要姿态时肿瘤位置的样本数据，以此为依据建立人体肿瘤位置的数据库，并利用分角度旋转人体模型的方法获取大量数据，使用cnn卷积神经网络算法对进行训练，切片所得图像外形为输入E，所得肿瘤位置为图像F；
步骤10：获取当前人体在某种姿势时通过核磁共振姿势拍摄的肿瘤位置，并记录下此时的肿瘤位置；
步骤11：我们通过卷积神经网络得到此时人体肿瘤的位置；
步骤12：将得到的当前两张肿瘤位置图相比较，判断当前根据三维模型预测的肿瘤位置与核磁共振所拍摄的肿瘤实际位置所在的误差e。
步骤13：基于误差对模型追踪的精度进行调整。
具体地，所述利用根据三维模型中切片所得图像外形为输入E，所得肿瘤位置为图像F对卷积神经网络算法对进行训练的具体实现过程为：
1：利用采集的三维模型中切片所得图像外形和所得肿瘤位置图像构建数据库，从样本集中随机抽取样本(Ei,Fi),将图像外形样本Ei输入卷积神经网络，计算得到输入样本Ei的输出值Fi，即此时肿瘤的位置F。
样本Ei从输入层经过逐级的变换，传输至输出层，在此过程中，网络的计算如式(1)所示：
Fi＝Fn(，，(F2(F1(XpW1)W2)，，)Wn) (1)
计算实际输出Fi与理想输出的F实际差，根据得到的实际差，按照极小化误差方法，调整权重矩阵。
步骤(1)和(2)精度要求，由
Figure BDA0002438672380000071
计算。
在训练过程中，输入层、中间层和输出层的单元数分别是N、L和M。E＝(e0,e1,…,eN)是加到网络的输入矢量，H＝(h0,h1,…,hL)是中间层输出矢量，F＝(f0,y1,…,fM)是网络的实际输出矢量，并且用D＝(d0,d1,…,dM)-来表示训练组中各模式的目标输出矢量输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk。另外用θk和
Figure BDA0002438672380000072
来分别表示输出单元和隐含单元的阈值。
其中，中间层各单元的输出分别为hj；输出层各单元的输出分别为yk；
其中，f(*)是激励函数，采用S型函数式
Figure BDA0002438672380000081
在上述条件下，卷积神经网络算法的训练过程如下：
(1)选定训练组。从样本集中分别随机地选取300个样本作为训练组；
(2)将各权值Vij，Wjk和阈值
Figure BDA0002438672380000085
θk置成小的接近于0的随机值，并初始化精度控制参数ε和学习率α；
(3)从训练组中取一个输入模式E加到网络，并给定它的目标输出矢量F；
(4)利用公式(3)计算出一个中间层输出矢量H，再用式(4)计算出网络的实际输出矢量F；
(5)将输出矢量中的元素fk与目标矢量中的元素dk进行比较，计算出M个输出误差项δk，对中间层的隐单元也计算出L个误差δj。
(6)依次计算出各权值的调整量Wjk(n)、Vij(n)，阈值的调整量，将ΔWjk替换为Δθk即可得到θk(n)，同理可得
Figure BDA0002438672380000083
(7)调整权值Wjk(n+1)、Vij(n+1)，调整阈值θk(n+1)、
Figure BDA0002438672380000084
(8)当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且
Figure BDA0002438672380000082
如果不满足，，继续迭代。如果满足，则训练结束。
(9)训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达稳定，分类器形成；再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。
发明提供了一种在放疗过程中由于人体的姿态和摆位的变化而造成肿瘤位置变化的追踪技术，该技术可以在人体的姿态和摆位发生变化时，能追踪到肿瘤的实时位置，提高放疗过程的治疗效率，提高对肿瘤放射治疗的准确率，减少了病人治疗过程中的痛苦体验。

Claims (2)

1.一种放疗过程中肿瘤位置变化的追踪方法，其特征是，包括以下步骤：
（1）获取人体各个主要姿态时的肿瘤位置样本数据，使用图像处理的方法，对图片进行肿瘤位置与人体轮廓外形的标注，主要姿态包括仰面躺姿、俯卧姿、侧面卧倒姿、另一侧面卧倒姿；
（2）通过主要姿态时肿瘤位置的样本数据，以此为依据建立人体肿瘤位置的数据库，以患者肿瘤区域的几何中心O为原点，建立人体三维坐标系，其中， X轴为沿人体正面的左侧方向为正， Y轴沿人体正面前进方向为正，Z轴沿人体直立向上为正，通过平面图获取当前肿瘤位置在人体内的三维立***置的原始模型1，将该模型储存在数据库中；并利用多角度旋转人体模型的方法获取大量数据，并使用cnn卷积神经网络进行识别和计算，得到此时人体肿瘤的位置；
（3）获取当前人体在某种姿势时通过核磁共振姿势拍摄的肿瘤位置，并记录下此时的肿瘤位置，通过步骤（2）的卷积神经网络得到此时人体肿瘤的位置，将核磁共振姿势拍摄的肿瘤位置与卷积神经网络得到的两张肿瘤位置图相比较，判断当前根据卷积神经网络预测的肿瘤位置与核磁共振所拍摄的肿瘤实际位置所在的误差e，基于误差对模型追踪的精度进行调整，以达到可以在人体的姿态和摆位的变化时能够根据图像精确地追踪肿瘤的位置变化，经过标定消除位置追踪所存在的误差，所述神经网络的输入是通过多角度旋转人体模型的方法获得的大量数据，收集的某人的一组多样本数据经过隐含层可得到对应的肿瘤位置，病人的肿瘤位置作为神经网络的输出，此为一组输入及一个输出；而采样得到多人多组数据的输入对应相应的肿瘤位置作为神经网络的多个输入与输出，同时通过设置神经网络训练的误差处于极低的范围
Figure 562291DEST_PATH_IMAGE001
来保证训练的精确度，其详细为：采用卷积神经网络首先对于采集到的图像进行位移识别、缩放识别及其他形式扭曲不变性的二维图形的识别，进行特征的提取；随后进行数据库样本的训练；其中包括卷积核
Figure 391707DEST_PATH_IMAGE002
分别对输入的特征映射
Figure 746202DEST_PATH_IMAGE003
进行卷积，通过偏置
Figure 319266DEST_PATH_IMAGE004
的改变，得到卷积的净输入
Figure 616386DEST_PATH_IMAGE005
，经过映射得到输出的特征映射
Figure 616703DEST_PATH_IMAGE006
，也就是对图像中某一类特定的特征进行提取后的结果，
Figure 694381DEST_PATH_IMAGE007
Figure 572600DEST_PATH_IMAGE008
其中f（x）为非线性激活函数，所述卷积神经网络算法的训练过程为：
（1）选定训练组，从样本集中分别随机地选取300个样本作为训练组；
将各权值Vij，Wjk和阈值φj，θk置成小的接近于0的随机值，并初始化精度控制参数ε和学习率α；
（2）从训练组中取一个输入模式E加到网络，并给定它的目标输出矢量F；
（3）首先计算出一个中间层输出矢量H，其次计算出网络的实际输出矢量F；将输出矢量中的元素fk与目标矢量中的元素dk进行比较，计算出M个输出误差项
Figure 786544DEST_PATH_IMAGE009
，对中间层的隐单元也计算出L个误差
Figure 223342DEST_PATH_IMAGE010
；
依次计算出各权值的调整量
Figure 788315DEST_PATH_IMAGE011
，阈值的调整量，将
Figure 437602DEST_PATH_IMAGE012
替换为
Figure 771632DEST_PATH_IMAGE013
即可得到
Figure 877866DEST_PATH_IMAGE014
，同理可得
Figure 664556DEST_PATH_IMAGE015
；
调整权值
Figure 383113DEST_PATH_IMAGE016
，调整阈值
Figure 571649DEST_PATH_IMAGE017
；
当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且
Figure 350249DEST_PATH_IMAGE018
，如果不满足，继续迭代，如果满足，则训练结束；
（4）训练结束，将权值和阈值保存在文件中，这时可以认为各个权值已经达稳定，分类器形成；再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络算法使用的大数据是根据所建立的人体模型分角度切面得来，具体步骤为：以正面核磁共振的图像建立的XZ平面图像，以Z轴为旋转轴，转动人体模型的位置，以每0.5°为单位，依次记录此视角下人体的外轮廓模型和肿瘤位置，在该平面旋转一周时可以得到360张图像；
以俯视面核磁共振的图像建立的XY平面图像，以X轴为旋转轴，转动人体模型的位置，以每0.5°为单位，依次记录此视角下人体的外轮廓模型和肿瘤位置，在该平面旋转一周时可以得到360张图像；
以侧视面核磁共振的图像建立的ZY平面图像，以Z轴为旋转轴，转动人体模型的位置，以每0.5°为单位，依次记录此视角下人体的外轮廓模型和肿瘤位置，在该平面旋转一周时可以得到360张图像；
以这些图像为大样本数据，对cnn卷积神经网络进行训练，直到该神经网络可以精确使用。
CN202010259287.5A 2020-04-03 2020-04-03 一种放疗过程中肿瘤位置变化的追踪方法 Active CN111477298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010259287.5A CN111477298B (zh) 2020-04-03 2020-04-03 一种放疗过程中肿瘤位置变化的追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010259287.5A CN111477298B (zh) 2020-04-03 2020-04-03 一种放疗过程中肿瘤位置变化的追踪方法

Publications (2)

Publication Number Publication Date
CN111477298A CN111477298A (zh) 2020-07-31
CN111477298B true CN111477298B (zh) 2021-06-15

Family

ID=71749689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010259287.5A Active CN111477298B (zh) 2020-04-03 2020-04-03 一种放疗过程中肿瘤位置变化的追踪方法

Country Status (1)

Country Link
CN (1) CN111477298B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740768B (zh) * 2023-08-11 2023-10-20 南京诺源医疗器械有限公司 基于鼻颅镜的导航可视化方法、***、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN109961436A (zh) * 2019-04-04 2019-07-02 北京大学口腔医学院 一种基于人工神经网络模型的正中矢状平面构建方法
CN110097580A (zh) * 2019-03-18 2019-08-06 山东师范大学 一种超声图像标志物运动追踪方法
CN110176306A (zh) * 2019-05-17 2019-08-27 上海交通大学 一种基于动态多元lstm网络的软组织漂移靶点自动定位方法
CN110378881A (zh) * 2019-07-05 2019-10-25 北京航空航天大学 一种基于深度学习的肿瘤定位***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307427A1 (en) * 2005-04-19 2011-12-15 Steven Linke Molecular markers predicting response to adjuvant therapy, or disease progression, in breast cancer
US10182771B2 (en) * 2017-02-10 2019-01-22 Siemens Healthcare Gmbh Method and system for dose-optimized computed tomography scanning of a target organ
CN107464250B (zh) * 2017-07-03 2020-12-04 深圳市第二人民医院 基于三维mri图像的乳腺肿瘤自动分割方法
CN108492297B (zh) * 2017-12-25 2021-11-19 重庆师范大学 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN110097580A (zh) * 2019-03-18 2019-08-06 山东师范大学 一种超声图像标志物运动追踪方法
CN109961436A (zh) * 2019-04-04 2019-07-02 北京大学口腔医学院 一种基于人工神经网络模型的正中矢状平面构建方法
CN110176306A (zh) * 2019-05-17 2019-08-27 上海交通大学 一种基于动态多元lstm网络的软组织漂移靶点自动定位方法
CN110378881A (zh) * 2019-07-05 2019-10-25 北京航空航天大学 一种基于深度学习的肿瘤定位***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度卷积网络的MRI图像脑肿瘤自动分割研究;毛雷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115;第I138-952页 *

Also Published As

Publication number Publication date
CN111477298A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN112156378B (zh) 用于自适应放射治疗的三维定位和追踪
US10300305B2 (en) Image guidance for radiation therapy
CN107708808B (zh) 用于在放射治疗期间使用质量指标进行靶追踪的***和方法
CN108778416B (zh) 使用组织参数估计根据mr数据的伪ct生成的***、方法和介质
CN107530552B (zh) 用于自适应放射治疗的运动靶的三维定位
CN104587609B (zh) 放射治疗摆位定位装置及静态、动态靶区摆位方法
CN108815721B (zh) 一种照射剂量确定方法及***
CN107358607A (zh) 肿瘤放射治疗视觉监测与视觉伺服智能控制方法
CN111785349B (zh) 一种在放疗过程中追踪肿瘤位置变化的方法
CN110378881B (zh) 一种基于深度学习的肿瘤定位***
CN111028914A (zh) 人工智能引导的剂量预测方法与***
CN108364678A (zh) 一种基于机器学习的鼻咽癌放疗计划自动化设计方法
CN111477298B (zh) 一种放疗过程中肿瘤位置变化的追踪方法
CN110706779B (zh) 一种放射治疗计划精确目标函数的自动生成方法
Liu et al. Optimal marker placement in photogrammetry patient positioning system
WO2022198553A1 (zh) 三维图像引导摆位的方法、***及存储介质
CN108320328B (zh) 一种2d图像与3d图像交互的粒子计数装置
CN115006737A (zh) 基于深度相机的放射治疗***监测***
CN112454903B (zh) 基于3d打印的放疗定位头枕制造方法、3d打印装置及介质
CN205658974U (zh) 一种基于3d打印的放射性粒子植入进针定位辅助***
CN111437520B (zh) 一种在放射治疗中同步实时演算放疗射束角度的方法
CN114596934A (zh) 一种***近距离治疗剂量预测***
CN113041515A (zh) 三维图像引导运动器官定位方法、***及存储介质
Sun et al. Stepwise local synthetic pseudo-CT imaging based on anatomical semantic guidance
Wodzinski et al. Application of B-splines FFD image registration in breast cancer radiotherapy planning

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
TA01 Transfer of patent application right

Effective date of registration: 20210519

Address after: No. 440, Yankuang Road, Ji'nan, Shandong Province

Applicant after: SHANDONG CANCER HOSPITAL & INSTITUTE (SHANDONG CANCER Hospital)

Applicant after: SHANDONG University

Applicant after: Jinan Bishan Network Technology Co.,Ltd.

Address before: 100025 906, West District, 9th floor, No. 100, Sili, Balizhuang, Chaoyang District, Beijing

Applicant before: Beijing Yikang Medical Technology Co.,Ltd.

Applicant before: SHANDONG CANCER HOSPITAL & INSTITUTE (SHANDONG CANCER Hospital)

Applicant before: SHANDONG University

Applicant before: Jinan Bishan Network Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant