System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种剂量学与深度学习特征预测症状性放射性肺炎的方法及系统,属于疾病治疗的副反应预测。
技术介绍
1、放化疗(crt)是无法切除的局部晚期非小细胞肺癌(nsclc)的标准治疗方法。放疗过程中,放射性肺炎(radiation peumonitis,rp)这种放疗副反应的发生严重制约了放疗效果,并影响后续治疗,降低患者生存质量,严重的rp甚至危及生命。肺癌患者接受放疗时,rp的发生率甚至可高达30%,放疗中预防rp的发生非常重要。
2、以往的研究基本明确了rp的发生与肺剂量体积正相关,临床中为了防止rp的发生,通常要求计划设计时,严格限制肺组织的剂量体积值。即便如此,rp还是由于个体差异而发生。rp如能提前预测,将能给医生提供有用的干预治疗策略。与rp发生的潜在临床因素包括有肿瘤部位、肺部合并症、性别、吸烟状态和年龄等, 但由于研究样本的不同,结论不一,至今rp仍然无准确预测方法。
3、近年来,有不少研究者通过提取放疗前影像资料中的大量特征,尝试研究这些特征与rp的发生关系,挖掘潜在的rp预测因子。krafft从大量正常肺体积的ct影像组学特征中筛选出rp≥3级的预测因子(krafft sp, rao a, stingo f, et al. the utility ofquantitative ct radiomics features for improved prediction of radiationpneumonitis. med phys. 2018;45:5317-5324)。随着深
4、另外,不同的肺组织区域其提取的特征存在不同,从而影响最终模型的效能。jiang结合了剂量学特征与影像组学特征预测rp的研究表明,不同的正常肺组织区域rp的预测效能不同(jiang w, song y, sun z, et al. dosimetric factors and radiomicsfeatures within different regions of interest in planning ct images forimproving the prediction of radiation pneumonitis. int j radiat oncol biolphys. 2021;110:1161-1170)。临床勾画正常肺组织时,通常会将肿瘤区域(gross tumorvolume,gtv)排除。但是在影像的深层特征提取时,感兴趣区域(roi)的选择会影响预测效果,且不同的roi区域可能会导致预测结果不同,是否应该排除由于考虑呼吸运动等误差而引入的瘤周区域,目前并没有明确定论,这些不确定因素严重影响了症状性放射性肺炎的预测准确率。
技术实现思路
1、为了进一步提升放疗患者放射性肺炎预测的准确率,本专利技术提供了一种剂量学与深度学习特征预测症状性放射性肺炎的方法及系统,所述技术方案如下:
2、本专利技术的第一个目的在于提供一种放疗患者放射性肺炎的预测方法,包括:
3、步骤1:收集患者的临床数据、剂量学数据、放疗前定位ct图像和放疗后半年内ct随访,按照rtog急性rp分级标准确定rp分级,rp分级≥2级确定为症状性rp,构建训练集和验证集;
4、步骤2:对所述放疗前定位ct图像进行正常肺组织勾画,分为lung-ptv和ptv-gtv两种感兴趣区域roi;
5、步骤3:利用深度学习网络对所述两种感兴趣区域roi分别进行特征提取,并进行特征筛选;
6、步骤4:基于所述步骤3筛选出的特征,利用mlp进行五折交叉验证建模,得到两种roi的深度学习(deep learning,dl)特征影像组学模型,并且比较这两种roi的模型内部验证性能,选择性能更佳的模型作为最终特征影像组学模型dlr;
7、步骤5:利用dlr模型得到的dl特征,结合单因素分析筛选出临床数据、剂量学数据的特征,使用mlp进行建模,得到联合预测模型;
8、步骤6:采集待预测患者的临床数据、剂量学数据、放疗前定位ct图像,利用所述dlr模型和所述联合预测模型对未来放疗后是否发生rp进行预测。
9、可选的,所述步骤3采用3d resnet34网络对roi进行特征提取。
10、可选的,所述步骤3中特征提取与筛选的过程包括:从所述深度学习网络中分别提取512个深度学习特征,所有特征值使用z-score归一,均值为0,方差为1,在所述训练集中,首先采用spearman相关分析,当两个特征的相关系数大于0.9时保留其中一个特征,然后,使用lasso方法进行特征筛选。
11、可选的,所述临床数据包括:年龄、性别、吸烟、病理、t分期、n分期和化疗情况。
12、可选的,所述剂量学数据包括:放疗总剂量、lung-ptv的v5、v10、v20、v30和平均剂量mld。
13、本专利技术的第二个目的在于提供一种放疗患者放射性肺炎的预测系统,包括:
14、数据集构建模块,用于收集患者的临床数据、剂量学数据、放疗前定位ct图像和放疗后半年内ct随访,按照rtog急性rp分级标准确定rp分级,rp分级≥2级确定为症状性rp,构建训练集和验证集;
15、正常肺组织勾画模块,用于对所述放疗前定位ct图像进行正常肺组织勾画,分为lung-ptv和ptv-gtv两种感兴趣区域roi;
16、特征提取与筛选模块,利用深度学习网络对所述两种感兴趣区域roi分别进行特征提取,并进行特征筛选;
17、特征影像组学模型构建模块,基于所述步骤3筛选出的特征,利用mlp进行五折交叉验证建模,得到两种roi的dl特征影像组学模型,并且比较这两种roi的模型内部验证性能本文档来自技高网...
【技术保护点】
1.一种放疗患者放射性肺炎的预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的放疗患者放射性肺炎的预测方法,其特征在于,所述步骤3采用3D Resnet34网络对ROI进行特征提取。
3.根据权利要求1所述的放疗患者放射性肺炎的预测方法,其特征在于,所述临床数据包括:年龄、性别、吸烟、病理、T分期、N分期和化疗情况。
4.根据权利要求1所述的放疗患者放射性肺炎的预测方法,其特征在于,所述剂量学数据包括:放疗总剂量、Lung-PTV的V5、V10、V20、V30和平均剂量MLD。
5.一种放疗患者放射性肺炎的预测系统,其特征在于,所述系统包括:
6.根据权利要求5所述的放疗患者放射性肺炎的预测系统,其特征在于,所述特征提取与筛选模块采用3D Resnet34网络对ROI进行特征提取。
7.一种电子设备,其特征在于,包括存储器和处理器;
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至4任一项所述的放疗患者放射性肺炎
...【技术特征摘要】
1.一种放疗患者放射性肺炎的预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的放疗患者放射性肺炎的预测方法,其特征在于,所述步骤3采用3d resnet34网络对roi进行特征提取。
3.根据权利要求1所述的放疗患者放射性肺炎的预测方法,其特征在于,所述临床数据包括:年龄、性别、吸烟、病理、t分期、n分期和化疗情况。
4.根据权利要求1所述的放疗患者放射性肺炎的预测方法,其特征在于,所述剂量学数据包括:放疗总剂量、lung-ptv的v5、v10、v20...
【专利技术属性】
技术研发人员:孔燕,黄建锋,李轩,苏明明,张金梦,
申请(专利权)人:江南大学附属医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。