基于放疗计划系统的射野设置方法及装置
阅读：19发布：2020-05-16
专利汇可以提供基于放疗计划系统的射野设置方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于放疗计划系统的射野设置方法及装置，涉及医疗技术领域，主要目的在于能够实现自动进行射野设置，从而能够提升基于放疗计划系统的射野设置效率。所述方法包括：将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的 深度学习 模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；判断所述深度学习模型输出的射野分布信息是否符合临床要求；若符合，则根据所述射野分布信息进行放射靶区的射野设置。本发明适用于基于放疗计划系统的射野设置。，下面是基于放疗计划系统的射野设置方法及装置专利的具体信息内容。
1.一种基于放疗计划系统的射野设置方法，其特征在于，包括：
将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
判断所述深度学习模型输出的射野分布信息是否符合临床要求；
若符合，则根据所述射野分布信息进行放射靶区的射野设置。
2.根据权利要求1所述的方法，其特征在于，所述深度学习模型具体用于根据所述放射靶区数据集提取放射靶区特征信息，并根据放射靶区特征信息和射野分布信息之间的映射关系输出射野分布信息。
3.根据权利要求1所述的方法，其特征在于，所述判断所述深度学习模型输出的射野分布信息是否符合临床要求，具体包括：
将所述深度学习模型输出的射野分布信息生成到放疗计划文件中；
通过在治疗计划系统中对所述放疗计划文件进行临床考核的形式，判断所述深度学习模型输出的射野分布信息是否符合预设射野分布信息；
若符合，则确定所述深度学习模型输出的射野分布信息符合临床要求。
4.根据权利要求1所述的方法，其特征在于，所述将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练之前，所述方法还包括：
获取放射靶区训练集以及所述训练集携带的射野分布信息；
利用预设深度学习算法对所述训练集和所述携带的射野分布信息进行训练，得到所述深度学习模型。
5.根据权利要求1所述的方法，其特征在于，所述判断所述深度学习模型输出的射野分布信息是否符合临床要求之后，所述方法还包括：
若不符合，则将所述放射靶区数据集重新输入到所述深度学习模型中进行训练。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述深度学习模型为卷积神经网络模型。
7.一种基于放疗计划系统的射野设置装置，其特征在于，包括：
输入单元，用于将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
判断单元，用于判断所述深度学习模型输出的射野分布信息是否符合临床要求；
设置单元，用于若判断所述深度学习模型输出的射野分布信息符合临床要求，则根据所述射野分布信息进行放射靶区的射野设置。
8.根据权利要求7所述的装置，其特征在于，所述深度学习模型具体用于根据所述放射靶区数据集提取放射靶区特征信息，并根据放射靶区特征信息和射野分布信息之间的映射关系输出射野分布信息。
9.一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以下步骤：
将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
判断所述深度学习模型输出的射野分布信息是否符合临床要求；
若符合，则根据所述射野分布信息进行放射靶区的射野设置。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
判断所述深度学习模型输出的射野分布信息是否符合临床要求；
若符合，则根据所述射野分布信息进行放射靶区的射野设置。
基于放疗计划系统的射野设置方法及装置
技术领域
[0001] 本发明涉及医疗技术领域，特别是涉及一种基于放疗计划系统的射野设置方法及装置。
背景技术
[0002] 随着医疗和信息技术的不断发展，可以通过放射疗法治疗患者的病变或者癌变组织。为了保证治疗的安全性和可靠性，放疗计划系统随之出现，即在需要放疗计划系统中，给患者制定放射计划，当放射计划满足临床要求时，再进行临床治疗。
[0003] 目前，在放疗计划系统中，通常由物理师根据勾画的靶区、处方进行射野设置，即根据患者拍摄的定位图像，由医生进行外轮廓，重要器官勾画，由物理师手动在医生勾画的放射靶区上设置射野。然而，通过上述方式进行射野设置，需要物理师大量的手工操作，且对物理师的经验要求较高，需要物理师具有丰富的临床经验，对于经验不足的物理师，完成的射野计划达不到临床要求，还需要反复重新进行放野设置，从而造成射野设置过程所耗时间较长，消耗较多人力或者物质资源，导致射野设置的效率较低。
发明内容
[0004] 有鉴于此，本发明提供一种基于放疗计划系统的射野设置方法及装置，主要目的在于能够实现自动进行射野设置，从而能够提升基于放疗计划系统的射野设置效率。
[0005] 依据本发明一个方面，提供了一种基于放疗计划系统的射野设置方法，包括：
[0006] 将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0007] 判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0008] 若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0009] 依据本发明另一个方面，提供了一种基于放疗计划系统的射野设置装置，包括：
[0010] 输入单元，用于将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0011] 判断单元，用于判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0012] 设置单元，用于若判断所述深度学习模型输出的射野分布信息符合临床要求，则根据所述射野分布信息进行放射靶区的射野设置。
[0013] 依据本发明又一个方面，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以下步骤：
[0014] 将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0015] 判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0016] 若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0017] 依据本发明再一个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
[0018] 将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0019] 判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0020] 若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0021] 本发明提供的一种基于放疗计划系统的射野设置方法及装置，与目前由物理师根据勾画的靶区、处方进行射野设置相比，本发明能够将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息。与此同时，能够判断所述深度学习模型输出的射野分布信息是否符合临床要求，并在输出的射野分布信息符合临床要求时，根据所述射野分布信息进行放射靶区的射野设置，从而能够实现自动进行射野设置，节省人力和物质资源，进而能够提升基于放疗计划系统的射野设置效率。
[0022] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。附图说明
[0023] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0025] 图2示出了本发明实施例提供的一种基于放疗计划系统的射野设置装置的结构示意图；
[0026] 图3示出了本发明实施例提供的另一种基于放疗计划系统的射野设置装置的结构示意图；
[0027] 图4示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0028] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0029] 如背景技术所述，目前在放疗计划系统中，通常由物理师根据勾画的靶区、处方进行射野设置，即根据患者拍摄的定位图像，由医生进行外轮廓，重要器官勾画，由物理师手动在医生勾画的放射靶区上设置射野。然而，通过上述方式进行射野设置，需要物理师大量的手工操作，且对物理师的经验要求较高，需要物理师具有丰富的临床经验，对于经验不足的物理师，完成的射野计划达不到临床要求，还需要反复重新进行放野设置，从而造成射野设置过程所耗时间较长，消耗较多人力或者物质资源，导致射野设置的效率较低。
[0030] 为了解决上述问题，节省人力和物质资源，提升射野设置的效率，本发明实施例提供了一种基于放疗计划系统的射野设置方法，如图1所示，所述方法包括：
[0031] 101、将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练。
[0032] 其中，所述深度学习模型可以用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息。所述数据集可以包括患者图像信息、肿瘤部件标签信息、感兴趣区(Region of Interest，ROI)数据集、放射治疗结构信息(Radiation Treatment Structure，RTS)。所述患者图像信息可以为患者医学数字成像和通信(Digital imaging and communications in medicine，Dicom)图像信息，患者Dicom图像包括了以亨氏单位计量的组织密度值、图像在人体参考坐标系中的坐标值。所述患者Dicom图像具体可以为头部图像、胸部图像、腹部图像等。所述肿瘤部件标签信息可以为乳腺、胰腺、肺癌、膀胱等标签信息。所述ROI数据集可以包括ROI明细数据集和ROI属性集，所述ROI明细数据集可以包括左肺信息、右肺信息、心脏信息、肿瘤区(Gross Tumor Volume，GTV)信息、临床靶区(Clinical Tumor Volume，CTV)信息、计划靶区(Planning Target Volume，PTV)信息。ROI属性集可以包括ROI的中心点坐标信息、体积信息、中心距信息等。
[0033] 需要说明的是，所述深度学习模型可以为基于非线性函数实现的，具体，所述深度学习模型可以为利用放射靶区训练集和训练集携带的放射分布信息训练得到的，所述深度学习模型可以包括输入层、隐藏层和输出层，输入层对应于输入的放射靶区数据集，所述隐藏层用于根据放射靶区数据集和射野分布信息之间的映射关系进行射野分布信息计算；所述输出层用于将计算得到的射野分布信息进行输出，所述隐藏层即为利用非线性函数对输入的放射靶区数据集进行计算的层。
[0034] 102、判断所述深度学习模型输出的射野分布信息是否符合临床要求。若符合，则执行步骤103；若不符合，则执行步骤104。
[0035] 其中，所述射野分布信息可以包括射野数量信息和射野角度信息。上述步骤102具体可以为：判断所述深度学习模型输出的射野数量信息是否符合临床要求的射野数量信息或者判断所述深度学习模型输出的射野角度信息是否符合临床要求的射野角度信息。
[0036] 例如，临床要求的射野数量为5个，射野角度为[0：40]、[1：154]、[0：206]、[0：257]、[0：309]。
[0037] 103、根据所述射野分布信息进行放射靶区的射野设置。
[0038] 对于本发明实施例，上述步骤102具体可以为：根据所述射野分布信息在所述放射靶区上自动设置多个不同角度的射野。通过自动设置多个不同角度的射野，能够减少物理师大量的手工操作，且能够降低放疗计划过程中对物理师的经验对放射计划质量的影响，在放疗科有着较高的应用价值。
[0039] 104、将所述放射靶区数据集重新输入到所述深度学习模型中进行训练。
[0040] 对本发明实施例，通过将所述放射靶区数据集重新输入到所述深度学习模型中进行训练，能够实现所述深度学习模型对所述放射靶区数据集的自动循环训练，直到得到的射野分布信息符合临床要求，即实现了利用机器进行自我学习，自我修正，提升自动射野设置的精确度，从而能够提升医生或者物理师对自动射野设置的满意度。
[0041] 本发明实施例提供的一种基于放疗计划系统的射野设置方法，与目前由物理师根据勾画的靶区、处方进行射野设置相比，本发明实施例能够将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息。与此同时，能够判断所述深度学习模型输出的射野分布信息是否符合临床要求，并在输出的射野分布信息符合临床要求时，根据所述射野分布信息进行放射靶区的射野设置，从而能够实现自动进行射野设置，节省人力和物质资源，进而能够提升基于放疗计划系统的射野设置效率。此外，在输出的射野分布信息不符合临床要求时，通过将所述放射靶区数据集重新输入到所述深度学习模型中进行训练，能够实现射野分布信息的自我修正，提升自动射野设置的精确度，从而能够提升医生或者物理师对自动射野设置的满意度。
[0042] 进一步的，为了更好的说明上述设置方法的过程，作为对上述实施例的细化和扩展，本发明实施例提供了几种可选实施例，但不限于此，具体如下所示：
[0043] 在本发明的一个可选实施例中，为了实现输出射野分布信息，所述深度学习模型具体可以用于根据所述放射靶区数据集提取放射靶区特征信息，并根据放射靶区特征信息和射野分布信息之间的映射关系输出射野分布信息。
[0044] 例如，若所述放射靶区数据集为步骤101所描述的信息，则提取的放射靶区特征信息可以为患者部件图像特征信息、肿瘤部件标签信息、ROI明细特征信息和ROI属性特性信息。具体地，将提取的放射靶区特征信息转换成放射靶区特征向量，然后所述深度学习模型根据放射靶区特征向量和射野分布信息之间的映射关系，输出射野分布信息。
[0045] 在本发明的另一个可选实施例中，为了确定所述深度学习模型输出的射野分布信息是否符合临床要求，步骤102具体可以包括：将所述深度学习模型输出的射野分布信息生成到放疗计划文件中；通过在治疗计划系统中对所述放疗计划文件进行临床考核的形式，判断所述深度学习模型输出的射野分布信息是否符合预设射野分布信息；若符合，则确定所述深度学习模型输出的射野分布信息符合临床要求。
[0046] 需要说明的是，所述将所述深度学习模型输出的射野分布信息生成到放疗计划文件中的过程可以为：在所述放疗计划文件中建立射野序列(BeamSequence)，然后将射野分布信息写入到机架角度(Gantry Angle)中，如下所示：
[0047] @00000d56(300a,011e)00000004DS 1Gantry Angle
[0048] 例如，若有5个射野，则写入5个射野，写入的射野可以如下所示：
[0049]
[0050] 在本发明实施例中，所述预设射野分布信息可以为临床医生预先设置的，也可以为系统默认的，本发明实施例在此不做限定。例如，预设射野分布信息为射野数量为4个，射野角度为[0：50]、[1：150]、[0：203]、[0：207]。
[0051] 在本发明的又一个可选实施例中，可以预先训练所述深度学习模型，训练所述深度学习模型的过程可以为：获取放射靶区训练集以及所述训练集携带的射野分布信息；利用预设深度学习算法对所述训练集和所述携带的射野分布信息进行训练，得到所述深度学习模型。
[0052] 其中，所述训练集可以为物理师已完成射野设置的数据集，即为以往放疗计划中物理师手动设置射野的数据集，所述训练集可以包括患者训练图像信息、肿瘤部件训练标签信息、ROI训练集、RTS训练信息。所述患者训练图像信息具体可以为头部训练图像、胸部训练图像、腹部训练图像等。所述肿瘤部件训练标签信息可以为乳腺、胰腺、肺癌、膀胱等训练标签信息。所述ROI训练集可以包括ROI明细训练集和ROI属性训练集，所述ROI明细训练集可以包括左肺训练信息、右肺训练信息、心脏训练信息、GTV训练信息、CTV训练信息、PTV训练信息。ROI属性训练集可以包括ROI的中心点坐标训练信息、体积训练信息、中心距训练信息等。所述训练集携带的射野分布信息可以为根据物理师设置完的射野确定的。
[0053] 需要说明的是，所述预设深度学习算法可以通过组合底层特征形成更加抽象的高层表示属性类别或者特征，在本发明实施例中，预设深度学习算法可以提取所述训练集中的放射靶区特征，建立所述放射靶区特征信息和射野分布信息之间的映射关系，并根据所述映射关系构建所述深度学习模型，建立的上述映射关系可以为非线性关系。其中，训练得到的深度学习模型可以包括输入层、隐藏层和输出层，输入层对应于输入的放射靶区数据集，所述隐藏层可以包括特征提取层和计算层，所述特征提取层可以用于根据所述放射靶区数据集提取放射靶区特征信息，所述计算层可以用于根据放射靶区数据集和射野分布信息之间的映射关系进行射野分布信息计算；所述输出层用于将计算得到的射野分布信息进行输出。
[0054] 在本发明的一个具体应用场景中，所述深度学习模型可以为卷积神经网络模型。所述卷积神经网络模型可以为多层的神经网络，例如，可以为6个卷积层的神经网络，每一个特征提取层可以紧跟一个用于计算和二次提取的计算层。通过训练卷积神经网络模型，能够提升对放射靶区数据集的容忍度，进一步提升自动射野设置的精确度和效率。
[0055] 进一步地，作为图1的具体实现，本发明实施例提供了一种基于放疗计划系统的射野设置装置，如图2所示，所述装置包括：输入单元21、判断单元22和设置单元23。
[0056] 所述输入单元21，可以用于将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型可以用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息。所述输入单元21是本装置中将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练的主要功能模块。
[0057] 需要说明的是，所述深度学习模型具体可以用于根据所述放射靶区数据集提取放射靶区特征信息，并根据放射靶区特征信息和射野分布信息之间的映射关系输出射野分布信息。所述深度学习模型可以为卷积神经网络模型。通过训练卷积神经网络模型，能够提升对放射靶区数据集的容忍度，进一步提升自动射野设置的精确度和效率。
[0058] 所述判断单元22，可以用于判断所述深度学习模型输出的射野分布信息是否符合临床要求。所述判断单元22是本装置中判断所述深度学习模型输出的射野分布信息是否符合临床要求的主要功能模块，也是本装置的核心功能模块。
[0059] 所述设置单元23，可以用于若判断所述深度学习模型输出的射野分布信息符合临床要求，则根据所述射野分布信息进行放射靶区的射野设置。所述设置单元23是本装置中在判断所述深度学习模型输出的射野分布信息符合临床要求时，根据所述射野分布信息进行放射靶区的射野设置的主要功能模块。
[0060] 对于本发明实施例，为了确定所述深度学习模型输出的射野分布信息是否符合临床要求，所述判断单元22可以包括：生成模块221、判断模块222和确定模块223，如图3所示，[0061] 所述生成模块221，可以用于将所述深度学习模型输出的射野分布信息生成到放疗计划文件中。
[0062] 所述判断模块222，可以用于通过在治疗计划系统中对所述放疗计划文件进行临床考核的形式，判断所述深度学习模型输出的射野分布信息是否符合预设射野分布信息。在本发明实施例中，所述预设射野分布信息可以为临床医生预先设置的，也可以为系统默认的，本发明实施例在此不做限定。例如，预设射野分布信息为射野数量为6个，射野角度为[0：30]、[1：157]、[0：103]、[0：307]、[0：257]、[5：212]。
[0063] 所述确定模块223，用于若判断所述深度学习模型输出的射野分布信息符合预设射野分布信息，则确定所述深度学习模型输出的射野分布信息符合临床要求。
[0064] 对于本发明实施例，为了训练所述深度学习模型，所述装置还包括：获取单元24和训练单元25。
[0065] 所述获取单元24，可以用于获取放射靶区训练集以及所述训练集携带的射野分布信息。所述获取单元24是本装置中获取放射靶区训练集以及所述训练集携带的射野分布信息的主要功能模块。
[0066] 所述训练单元25，可以用于利用预设深度学习算法对所述训练集和所述携带的射野分布信息进行训练，得到所述深度学习模型，所述训练单元25是本装置中利用预设深度学习算法对所述训练集和所述携带的射野分布信息进行训练，得到所述深度学习模型的主要功能模块。所述预设深度学习算法可以提取放射靶区特征信息，建立放射靶区特征信息和射野分布信息之间的映射关系，并根据所述映射关系构建所述深度学习模型，建立的上述映射关系可以为非线性关系。
[0067] 需要说明的是，本发明实施例提供的一种基于放疗计划系统的射野设置装置所涉及各功能单元的其他相应描述，可以参考图1中的对应描述，在此不再赘述。
[0068] 基于上述如图1所示方法，相应的，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以下步骤：将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；判断所述深度学习模型输出的射野分布信息是否符合临床要求；若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0069] 基于上述如图1所示方法和如图2所示装置的实施例，本发明实施例还提供了一种计算机设备，如图4所示，处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43、以及通信总线44。其中：处理器41、通信接口42、以及存储器43通过通信总线44完成相互间的通信。通信接口44，用于与其它设备比如客户端或其它服务器等的网元通信。处理器41，用于执行程序，具体可以执行上述数据的转换方法实施例中的相关步骤。具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。处理器41可能是中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
[0070] 终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。存储器43，用于存放程序。存储器43可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。程序具体可以用于使得处理器41执行以下操作：将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；判断所述深度学习模型输出的射野分布信息是否符合临床要求；若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0071] 本发明实施例提供的一种基于放疗计划系统的射野设置装置，所述装置可以设置输入单元、判断单元和设置单元，与目前由物理师根据勾画的靶区、处方进行射野设置相比，本发明实施例能够将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息。与此同时，能够判断所述深度学习模型输出的射野分布信息是否符合临床要求，并在输出的射野分布信息符合临床要求时，根据所述射野分布信息进行放射靶区的射野设置，从而能够实现自动进行射野设置，节省人力和物质资源，进而能够提升基于放疗计划系统的射野设置效率。此外，在输出的射野分布信息不符合临床要求时，通过将所述放射靶区数据集重新输入到所述深度学习模型中进行训练，能够实现射野分布信息的自我修正，提升自动射野设置的精确度，从而能够提升医生或者物理师对自动射野设置的满意度。此外，通过训练卷积神经网络模型，能够提升对放射靶区数据集的容忍度，进一步提升自动射野设置的精确度和效率。
[0072] 本发明实施例提供如下技术方案：
[0073] A1、一种基于放疗计划系统的射野设置方法，包括：
[0074] 将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0075] 判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0076] 若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0077] A2、如A1所述的方法，所述深度学习模型具体用于根据所述放射靶区数据集提取放射靶区特征信息，并根据放射靶区特征信息和射野分布信息之间的映射关系输出射野分布信息。
[0078] A3、如A1所述的方法，所述判断所述深度学习模型输出的射野分布信息是否符合临床要求，具体包括：
[0079] 将所述深度学习模型输出的射野分布信息生成到放疗计划文件中；
[0080] 通过在治疗计划系统中对所述放疗计划文件进行临床考核的形式，判断所述深度学习模型输出的射野分布信息是否符合预设射野分布信息；
[0081] 若符合，则确定所述深度学习模型输出的射野分布信息符合临床要求。
[0082] A4、如A1所述的方法，所述将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练之前，所述方法还包括：
[0083] 获取放射靶区训练集以及所述训练集携带的射野分布信息；
[0084] 利用预设深度学习算法对所述训练集和所述携带的射野分布信息进行训练，得到所述深度学习模型。
[0085] A5、如A1所述的方法，所述判断所述深度学习模型输出的射野分布信息是否符合临床要求之后，所述方法还包括：
[0086] 若不符合，则将所述放射靶区数据集重新输入到所述深度学习模型中进行训练。
[0087] A6、如A1-A5任一项所述的方法，所述深度学习模型为卷积神经网络模型。
[0088] B7、一种基于放疗计划系统的射野设置装置，包括：
[0089] 输入单元，用于将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0090] 判断单元，用于判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0091] 设置单元，用于若判断所述深度学习模型输出的射野分布信息符合临床要求，则根据所述射野分布信息进行放射靶区的射野设置。
[0092] B8、如B7所述的装置，所述深度学习模型具体用于根据所述放射靶区数据集提取放射靶区特征信息，并根据放射靶区特征信息和射野分布信息之间的映射关系输出射野分布信息。
[0093] B9、如B7所述的装置，所述判断单元包括：
[0094] 生成模块，用于将所述深度学习模型输出的射野分布信息生成到放疗计划文件中；
[0095] 判断模块，用于通过在治疗计划系统中对所述放疗计划文件进行临床考核的形式，判断所述深度学习模型输出的射野分布信息是否符合预设射野分布信息；
[0096] 确定模块，用于若判断所述深度学习模型输出的射野分布信息符合预设射野分布信息，则确定所述深度学习模型输出的射野分布信息符合临床要求。
[0097] B10、如B7所述的装置，所述装置还包括：
[0098] 获取单元，用于获取放射靶区训练集以及所述训练集携带的射野分布信息；
[0099] 训练单元，用于利用预设深度学习算法对所述训练集和所述携带的射野分布信息进行训练，得到所述深度学习模型。
[0100] B11、如B7所述的装置，
[0101] 所述输入单元，还用于若判断所述深度学习模型输出的射野分布信息不符合临床要求，则将所述放射靶区数据集重新输入到所述深度学习模型中进行训练。
[0102] B12、如B7-B11任一项所述的装置，所述深度学习模型为卷积神经网络模型。
[0103] C13、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以下步骤：
[0104] 将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0105] 判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0106] 若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0107] D14、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
[0108] 将放疗计划系统中待进行射野设置的放射靶区数据集输入到预先训练的深度学习模型中进行训练，所述深度学习模型用于根据放射靶区数据集和射野分布信息之间的映射关系输出射野分布信息；
[0109] 判断所述深度学习模型输出的射野分布信息是否符合临床要求；
[0110] 若符合，则根据所述射野分布信息进行放射靶区的射野设置。
[0111] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0112] 可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
[0113] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0114] 在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0115] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0116] 类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0117] 本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0118] 此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0119] 本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于放疗计划系统的射野设置装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0120] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种结合MET的靶基因在调控肿瘤转移和代谢中的应用 | 2020-05-13 | 64 |
| 一种肿瘤靶向基因测序数据解析方法 | 2020-05-16 | 862 |
| VEGF-B和VEGF-B融合蛋白及其应用 | 2020-05-16 | 765 |
| 一种靶向光声造影剂、其制备方法及应用 | 2020-05-15 | 148 |
| 肿瘤冷冻消融用冷刀 | 2020-05-12 | 145 |
| 靶向MDM2锌指结构域的小分子药物及其抗肿瘤用途 | 2020-05-14 | 51 |
| miR-26a在非小细胞肺癌中的应用 | 2020-05-14 | 21 |
| 轻链桥连的双特异性抗体 | 2020-05-12 | 1002 |
| 基于塔形PCA的乳腺钼靶X线图像块特征提取方法 | 2020-05-16 | 527 |
| 用于计算机辅助诊断的乳腺钼靶图像特征自学习提取方法 | 2020-05-15 | 808 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈