技术领域
[0001] 本
发明涉及智能控制
算法领域，特别是肿瘤患者精准剂量验证方法、系统及设备。
背景技术
[0002] 精准
放射治疗是放疗领域不断追求的目标，即保证
放射治疗过程中肿瘤区域受到精确的、足够的放射剂量，同时避免周围危及器官受到过量照射。目前兴起的精准放疗技术如调强放射治疗(Intensity-modulated radiation therapy,IMRT)在剂量分布上已经很好地契合了这一点。然而，由于IMRT的高度适形及计划设计过程的复杂性，尤其是随着新兴的IMRT技术-容积旋转调强治疗技术(volumetric modulated arc therapy,VMAT)的出现，计划在设计和执行过程中具有更多动态变化的参数，增加了计划实施的不确定性]。因此，治疗前的剂量验证成为IMRT等精准放疗技术特定病人计划
质量保证流程(quality assurance,QA)的关键步骤。
[0003] 由于患者个体差异，不同患者的计划复杂度和计划质量有差异，计划在临床实施时也会产生不同特性的剂量偏差。因此，理想的特定患者IMRT计划QA目标应是确保每位患者治疗计划临床实施剂量与计划剂量的差异满足相关临床允许误差标准。然而，因客观所限，现有的剂量验证方法常常无法敏感地和/或有效地探测剂量误差，计划QA结果也优劣不一，致使精准放疗开展遇到
瓶颈。
[0004] 目前γ指标作为目前评价放射治疗计划和QA的常用方法，主要是对实测剂量和计划系统计算剂量进行比较，包括百分剂量差异(percent dose difference，PDD)、一致性距离(distance to agreement，DTA)以及γ通过率这三个参数。其中百分剂量差异方法在剂量梯度变化较大的区域极其敏感，微小的
位置偏移可能会引起较大的误差，它适合于剂量分布较为平缓的区域；而DTA方法在剂量梯度平缓的区域格外敏感，微小的剂量偏差可能会引起较大的误差，它适用于剂量分布较为陡峭的区域；而伽
马分析法则结合了前两种方法的优点，成为了在剂量陡峭和平缓的区域都能适用的日常常规剂量验证方法。常用的伽马通过率测量基准包括3％最大剂量偏差和3mm距离偏差(3％/3mm基准)、2％最大剂量偏差和2mm距离偏差(2％/2mm基准)以及1％最大剂量偏差和1mm距离偏差(俗称1％/1mm基准)，其中3％/3mm基准多适用于日常的病人剂量验证，而2％/2mm基准和1％/1mm基准由于较为严格则较多的适用于科学研究。
[0005]
剂量计算是在三维网络矩阵中进行的,二维和三维剂量分布的显示实际上是三维网络矩阵单元等剂量分布的二维和三维表示,因此,可以计算和表示出在某一感兴趣的区域的剂量,如靶区、重要器官的体积内有多少体积受到多高剂量
水平的照射。基于剂量体积直方图(dose-volume histogram,DVH)的计划评价作为日常病人QA的重要工具，它能够定量评价计划在执行之后所产生的剂量偏差，在剂量验证方面更具有临床相关性。
[0006] 但是，目前剂量验证的两个重要评估指标：γ指标和剂量体积直方图DVH，都存在明显不足。γ指标的计算是基于
像素点，并没有考虑肿瘤靶区、周围危及器官等区域性
图像分割，因此也就无法与肿瘤患者放疗后出现的肿瘤控制率和正常组织并发症概率进行关联，指导临床工作。基于患者解剖结构的三维剂量验证目前已成为放疗计划质量保证的重要发展趋势，它利用各质控
软件自带的独立的三维剂量算法或都对原有剂量分布加上扰动来重建三维剂量分布，通过DVH提供各个解剖结构相应的剂量-体积信息，能够帮助物理师更加清楚地发现和了解放疗过程中可能存在的易出错问题，但目前临床没有统一的判断标准，主要依赖医生和物理师对计算的和实际执行剂量的DVH矩阵误差进行评估，涉及的数据量大且繁琐，评估效率较低。
[0007] 目前精准放疗计划剂量验证常用的γ指标高通过率并不能保证患者计算剂量得到准确执行，并且γ指标不能反映
临床靶区和周围危及器官的剂量-体积关系及可能带来的临床效应。基于患者DVH的剂量验证可以提高验证结果与临床实际执行准确性的相关性，但目前缺乏统一标准，主要依赖于医生的主观判断。而医生的临床知识、经验、精
力、状态等诸多因素决定不同医生之间的、不同病人之间的质量评估均存在较大差异。
发明内容
[0008] 本发明的主要目的在于提供一种为肿瘤患者提供针对肿瘤病患的不同病情个性化制定放疗计划QA指标的肿瘤患者精准剂量验证方法。通过提取关联计划参数和算法实现对精准放疗剂量验证评估模型的优化,以提高计量验证的效率及结果一致性，通过递归算法优化，构建个体化QA自动
预测模型,实现自动化、精准的QA预测，评估效率高。
[0009] 为了实现上述目的，根据本发明的一个方面，提供了一种肿瘤患者精准剂量验证方法,包括
[0011] 对肿瘤患者信息数据库中患者样本数据进行分类,建立精准放疗剂量验证评估模型，得到归一化QA指标；
[0012] 通过参数分析算法分析肿瘤患者信息数据库的数据，得到肿瘤患者的关键计划参数；
[0013] 以所述肿瘤患者信息数据库样本的关键计划参数为输入参数,输入到所述的患者精准放疗剂量验证评估模型，并通过递归算法校正所述患者精准放疗剂量验证评估模型，得到精准放疗计划预测QA自动预测模型。
[0014] 通过参数分析算法分析肿瘤患者信息数据库的数据，得到肿瘤患者的关键计划参数包括：
[0015] 对肿瘤患者信息数据库中的数据提取特征参数，通过提取特征参数生成关联规则；
[0016] 通过提取特征参数和关联规则，构建所述提取特征参数的关联关系网络；
[0017] 选取所述的特征参数，通过计算所选取的特征参数的信息增益，判断对剂量验证结果的影响权重，得到所述的关键计划参数。
[0018] 信息增益计算公式为：
[0019]
[0020] Gain(A,B)＝Entropy(A)-Entropy(A/B)
[0021] A为特征参数，Gain(A,B)为信息增益在得知特征参数A一定的情况下，B(逾期概率)不确定性的减少程度,Entropy(A/B)为特征X被固定时的条件熵。
[0022] 对肿瘤患者信息数据库中患者样本数据进行分类,建立精准放疗剂量验证评估模型，包括：
[0023] 获取肿瘤患者信息数据库中患者样本数据，对患者样本数据中的三维剂量验证误差分布图提取肿瘤患者信息数据库中的特征信息，并对所提取的特征信息进行分类并保存；
[0024] 对所提取的特征信息进行数据预处理进行数据归一化处理；
[0025] 将提取的肿瘤患者信息数据库中的数据分为训练集和验证集，用训练集训练放疗剂量验证评估模型，得到所述的精准放疗剂量验证评估模型，并通过验证集验证。
[0026] 训练集占提取的肿瘤患者信息数据库中数据的80％，验证集占所述提取的肿瘤患者信息数据库中数据的20％。
[0027] 递归算法是
决策树或多层
感知神经网络。
[0028] 肿瘤患者的信息数据库包括治疗计划复杂度参数和计划质量参数。
[0029] 参数分析算法为关规则分析算法，包括：
[0030] 对肿瘤患者信息数据库中的所述治疗计划复杂度参数和计划质量参数进行特征选择和
降维处理；
[0031] 对筛选出的所述治疗计划复杂度参数和计划质量参数进行离散化处理，转化为事务型数据集；
[0032] 搜索事务型数据集中的频繁项集并计算支持度，生成关联规则，设置最小
支撑度、
置信度阈值；
[0033] 以所筛选出的治疗计划复杂度参数和计划质量参数为点，所生成的关联规则为有向边，构建所述的治疗计划复杂度参数和计划质量参数的关联关系网络。
[0034] 一种肿瘤患者精准剂量验证装置，
[0035] 信息数据库模
块，用于建立肿瘤患者的信息数据库；
[0036] 精准放疗剂量验证评估模型建立模块，对肿瘤患者信息数据库中患者样本数据进行分类,建立精准放疗剂量验证评估模型，得到归一化QA指标；
[0037] 关键计划参数分析模块，通过参数分析算法分析肿瘤患者信息数据库的数据，得到肿瘤患者的关键计划参数；
[0038] 精准放疗剂量验证评估模型优化模块，以所述肿瘤患者信息数据库样本的关键计划参数为输入参数,输入到所述的患者精准放疗剂量验证评估模型，并通过递归
优化算法校正所述患者精准放疗剂量验证评估模型，得到精准放疗计划QA自动预测模型。
[0039] 一种肿瘤患者精准剂量验证设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以上述方法项任一项所述的方法。
[0040] 本发明的肿瘤患者精准剂量验证方法，通过提取关联计划参数和算法实现对精准放疗剂量验证评估模型的优化，以提高计量验证的效率及结果一致性，为肿瘤患者提供精准的个性化放疗计划QA指标，实现自动化、精准的QA预测，评估效率高。
附图说明
[0041] 构成本
申请的一部分的
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发明，并不构成对本发明的不当限定。在附图中：
[0043] 图2为本发明的强化决策树分类算法示意图。
具体实施方式
[0044] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0045] 需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0046] 参考图1，本发明公开了一种肿瘤患者精准剂量验证方法，包括：
[0047] 101.建立肿瘤患者的信息数据库。
[0048] 基于现有临床数据，例如鼻咽癌和
前列腺癌等临床常见肿瘤患者IMRT/VMAT计划QA主客观分析肿瘤患者的信息数据，信息数据通常原始数据、测量数据和分析数据。
[0049] ①原始数据：患者基本资料(年龄、性别、肿瘤类型、
处方量)、治疗计划、三维剂量分布、三维剂量差异分布图像、模体计划、模体剂量、危及器官结构、感兴趣区域(regions of interest,ROIs)的轮廓线信息、DVH矩阵、计划参数矩阵、
加速器PDD和Profiles、治疗后临床随访资料等，其中ROIs包括肿瘤靶区和重要危及器官，如鼻咽癌的ROIs包括GTV,PTV,脑干，脊髓，左右腮腺等；前列腺癌的ROIs包括于肿瘤靶区体积(gross tumor volume,GTV),临床肿瘤靶区(planning target volume,PTV)，正常前列腺、膀胱、直肠和股骨头等。
[0050] ②测量数据：采用测量软件工具进行治疗前和在线二维和三维
数据采集。
[0051] ③分析数据：利用旋转调强验证模体ArcCHECK、3DVH分析重建软件、
电子射野影像系统、Edose分析重建软件，结合放疗计划系统(Pinnacle，Monaco等系统)中的DICOM-CT,放疗计划(RTplan),放疗剂量(RTdose),放疗结构(RTstructure)等信息,获得剂量验证重建剂量分布图，重建DVH矩阵，误差分布图等验证数据并进行预处理，分析靶区、危及器官2D/3Dγ通过率(2％/2mm、3％/3mm、10％阈值)。利用MATLAB获得计划系统的计划复杂度参数矩阵[包括强度调制指标(modulation index，MI),强度调制复杂度评分(modulation complexity score，MCS),每控制点机器跳数(MU)和面积，小MU(<3),小面积子野(<50mm2)的百分比等]和计划质量参数矩阵(包括PTV的靶区
覆盖率，最大、最小剂量点，适形度指标，均匀度指标，各危急器官剂量评估指标等)，设计标准化、集成化数据库用以后续
深度学习和
机器学习建模的训练输入。
[0052] 基于肿瘤患者上述三类数据建立患者的信息数据库。
[0053] 103.对肿瘤患者信息数据库中患者样本数据进行分类,建立精准放疗剂量验证评估模型，得到归一化QA指标。
[0054] 具体包括：
[0055] 1.数据纳入:从肿瘤患者的信息数据库中导入患者的原始数据和分析数据，具体可以包括现有病例的原始CT数据，轮廓数据，以及该病例的VMAT计划的计算三维剂量分布以及通过测量设备采集重建的三维剂量分布图像，根据标签分成两组：通过组(剂量误差在临床允许范围内)和不通过组(剂量误差已经超过临床允许范围)；
[0056] 2.数据预处理:检查数据一致性，处理无效值和缺失值等，并对纳入的信息数据进行归一化处理，对危及器官等结构提高
分辨率，方便下一步进行分割等处理，对于例如CT等影像数据，可采用原始的灰度图像，转换为相同size的mask影像；对于三维计划剂量分布和重建三维剂量分布，则可插值到CT像素大小；另外，对于同种类型的病例，PTV剂量则都归一到统一的处方剂量；
[0057] 3.精准放疗剂量验证评估模型训练和验证：将纳入的肿瘤患者信息数据分为训练集、验证集两个部分，可采用80％的训练集，20％的验证集，根据二八黄金分割法，该比例设置训练集数据和验证集数据，有利于通过足够的数据训练精准放疗剂量验证评估模型，并有足够的验证数据，使得验证评估模型更为准确。例如200例前列腺病例，选160例为训练集，40例为验证集，训练集中的数据用于训练，验证集中的数据用于验证权重，防止过拟合。训练时，可采用多种loss函数，例预测剂量与重建三维剂量的一范数，或均方误差。
[0058] 4.模型测试：对新的病人，采用上一步训练得到的模型进行预测，并与专家医生评估的剂量验证结果标签进行对比，测试该模型的准确性。
[0059] 105.通过参数分析算法分析肿瘤患者信息数据库的数据，得到肿瘤患者的关键计划参数。
[0060] 通过临床医师和物理师综合评估每个患者的治疗前放疗计划与剂量验证重建三维剂量分布之间的差异，进而梳理、分析与剂量验证通过相关的放疗计划复杂度参数和计划质量参数(DVH矩阵),运用深度学习技术的参数分析算法分析肿瘤患者的信息数据库数据，参数分析算法可以是主成分分析或关联规则分析等，分析放疗复杂度参数和计划质量参数对QA指标的影响规律，先通过专家人工筛选出目前常用的参数，然后通过
深度神经网络训练的归一化指标模型筛选出关键性的影响参数，挖掘参数背后的主导的关键计划参数，分析各关键计划参数之间的关联，突破以往样本量少及统计方法的局限，揭示多个关键计划参数间的复杂链式及其对QA指标的协同影响，并运用信息增益算法量化计划多参数对QA指标变化的影响权重和关键影响机制，寻求临床上有效提高精准放疗治疗计划临床可执行性的新突破。
[0061] 根据前人及研究结果，拟纳入肿瘤患者信息数据库中收集的IMRT/VMAT治疗计划复杂度参数和计划质量参数进行相关性研究，如MI,MCS,每控制点MU和面积，小MU(<3),小面积子野(<50mm2)的百分比等,及PTV的靶区覆盖率V95，最大、最小剂量点及各个不同OAR对应的各个DVH矩阵参数等。
[0062] 对肿瘤患者信息数据库中的数据提取特征参数，通过所述提取特征参数生成关联规则；
[0063] 通过所述提特征参数和关联规则，构建所述提取特征参数的关联关系网络；
[0064] 选取所述的特征参数，通过计算所选取的特征参数的信息增益，判断对剂量验证结果的影响权重，得到所述的关键计划参数；
[0065] 所述判断剂量验证结果的影响权重以精准放疗剂量验证评估模型得到的剂量验证结果划分。
[0066] 拟采用关联规则分析技术为例，挖掘上述多个关键计划参数间的关联关系，并基于此构建关联关系网络,具体步骤为：
[0067] ①对数据中的计划参数进行特征选择(LASSO线性模型等算法)和降维处理(PCA\LDA算法)，移除许多冗余或无关的特征(参数)；
[0068] ②对筛选出的计划参数进行离散化处理，将其转化为事务型数据集；
[0069] ③搜索该数据集中的频繁项集并计算其支持度，进而生成关联规则，并设置最小支持度、置信度阈值，筛选出具有临床指导意义的关联规则；
[0070] ④关键计划参数为点、关键计划参数间的关联规则为有向边，构建关键计划参数的关联关系网络。该网络可分析不同计划参数间的复杂数学关系，从而帮助物理师了解关键计划参数间的协同关系，并发现潜在规律。
[0071] 采用信息增益作为特征选择的指标。信息增益是特征选择的重要指标之一，代表一个特征能够为分类系统带来多少信息：带来的信息越多(即信息增益越大)则该特征越重要，其计算公式为：
[0072]
[0073] Gain(A,B)＝Entropy(A)-Entropy(A/B) (2)
[0074] 其中A为特征参数，Gain(A,B)为信息增益在得知特征参数A一定的情况下，B(逾期概率)不确定性的减少程度,Entropy(A/B)为特征X被固定时的条件熵。
[0075] 第一个公式Entropy(A)为计算数据集A的信息熵，pi表示第i个类的概率，n表示样本集合中类别个数。第二个公式计算该数据集使用特征进行划分后熵的变化(即信息增益)，将通过精准放疗剂量验证评估模型得到的剂量验证结果作为划分特征，若计划参数取值的变化导致剂量验证结果的剧烈变化，则该特征(参数)对应的信息增益就较大，反之则较小。
[0076] 107.以肿瘤患者信息数据库样本的关键计划参数为输入参数,输入到所述的患者精准放疗剂量验证评估模型，以提高计量验证的效率及结果一致性，并通过递归算法校正所述患者精准放疗剂量验证评估模型，得到精准放疗计划预测QA指标。
[0077] 通过机器学习递归算法(决策树、多层感知神经网络等)，参考图2，采用决策树的递归算法，逐属性计算信息增益率，将大量剂量质控的
治疗方案作为训练样本，纳入患者基本资料、所确定的QA指标(模型输出)、确定的关键性计划参数(模型输入)，构建例如鼻咽癌和前列腺癌等肿瘤患者精准放疗计划QA预测模型，用以分析新病例的放射治疗计划的通过率。在此
基础上，不断将临床新病例作为测试样本加入到模型中，实现强化分类器模型，不断
迭代更新优化模型，将预测模型得到的QA结果输入到调强放疗剂量验证软件并分析各个器官和靶区DVH指标，将各个DVH指标和预测结果与专家决策进行统计分析比对，以优化模型提高预测准确性，最终构建精准放疗计划个性化QA预测模型。
[0078] 本发明的优势在于克服了当前γ指标和剂量体积直方图就肿瘤患者放疗后出现的肿瘤控制率和正常组织并发症概率之间的关联问题，目前精准放疗计划剂量验证常用的γ指标高通过率并不能保证患者计算剂量得到准确执行，并且γ指标不能反映临床靶区和周围危及器官的剂量-体积关系及可能带来的临床效应。同时克服了目前QA依赖医生和物理师对计算的和实际执行剂量的DVH矩阵误差进行人工评估，数据量大且繁琐，评估效率较低等问题，医生的临床知识、经验、精力、状态等诸多因素决定不同医生之间的、不同病人之间的质量评估均存在较大差异。利用深度学习、
支持向量机、关联规则分析、信息增益、决策树等
人工智能技术，结合鼻咽癌和前列腺癌IMRT/VMAT计划QA的临床
大数据，在以往基于患者DVH剂量验证的基础上开发全新的客观的精准剂量验证评估模型。
[0079] 本发明还包括一个应用上述方法装置，包括：
[0080] 信息数据库模块，用于建立肿瘤患者的信息数据库；
[0081] 精准放疗剂量验证评估模型建立模块，对肿瘤患者信息数据库中患者样本数据进行分类,建立精准放疗剂量验证评估模型，得到归一化QA指标；
[0082] 关键计划参数分析模块，通过参数分析算法分析肿瘤患者信息数据库的数据，得到肿瘤患者的关键计划参数；
[0083] 精准放疗剂量验证评估模型优化模块，以所述肿瘤患者信息数据库样本的关键计划参数为输入参数,输入到所述的患者精准放疗剂量验证评估模型，并通过递归优化算法校正所述患者精准放疗剂量验证评估模型，得到精准放疗计划QA自动预测模型。
[0084] 还包括一种肿瘤患者精准剂量验证设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以上述方法项任一项所述的方法。本发明未公开的技术内容采用本领域的公知技术。
[0085] 显然，上述所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
[0086] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
[0087] 需要说明的是，本申请的说明书和
权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何
变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0088] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
