一种验证放射治疗剂量的方法及系统技术方案

本发明专利技术涉及一种验证放射治疗剂量的方法及系统，该方法包括以下步骤：S1，接收放射治疗前的CT图像，并在CT图像中勾画出靶区；S2，提取出靶区的多个影像组学特征；S3，从提取出的多个影像组学特征中，筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征；S4，给定剂量值，并利用预先训练好的放射组学模型对经过步骤S3处理后的CT图像进行识别，输出得到该给定剂量值下的肿瘤消退比例TRR。本发明专利技术提出了一种新的思路，基于机器学习方法训练得到放射组学模型，利用该放射组学模型输出的TRR验证给定的计量值，预测结果不受单次剂量影响，验证结果更可靠。

【技术实现步骤摘要】
一种验证放射治疗剂量的方法及系统
本专利技术涉及医疗
，特别涉及一种验证放射治疗剂量的方法及系统。
技术介绍
目前放疗剂量根据个体生物效应剂量(Bd)调整，公式为Bd＝E/α＝nd(1+d/[α/β])-loge2(T-TK)/αTp，其中，Bd即BED，为生物有效剂量，E为总的细胞指数杀伤，α为不可修复杀伤系数，即每Gy照射所致的指数杀伤，β为可修复杀伤系数，即每Gy照射所致指数杀伤的平方，n为分割照射次数，d为单次分割剂量，T为总的照射时间，Tk为细胞再增殖开始时间，Tp为连续照射中细胞数量倍增的平均时间。可参考“Thelinearquadraticformulaandprogressinfractionatedradiotherapy”，作者：Fowler，J.F.《BrJRadiology》1989；62:1261–1269.在放射治疗中，为了确保一个放疗计划准确地照射到病人身上，使用治疗计划系统(TreatmentPlanSystem,TPS)计算出来的剂量分布必须得到实验数据的确认。传统“L-Q模型”及其推导出的生物效应剂量(BED)模型在高剂量区的拟合度下降，可能会高估肿瘤控制而对正常组织的反应估计不足。L-Q模型仅通过离体实验拟合数据，脱离临床实际，未反映血管和间质损伤，且忽略了辐射抗拒细胞亚群对整体损伤带来的影响，不适用于单次大剂量放疗等效生物剂量评估。细胞损伤机制表现出线性-二次关系，L-Q模型适用于单次剂量不超过15～20Gy情况的等效生物剂量转换。
技术实现思路
本专利技术的目的是提供一种验证放射治疗剂量的方法及系统，不仅是一种新的验证方法，而且还可以根据输出的TRR调整剂量。为此，本专利技术实施例提供了一种验证放射治疗剂量的方法，包括以下步骤：S1，接收放射治疗前的CT图像，并在CT图像中勾画出靶区；S2，提取出靶区的多个影像组学特征；S3，从提取出的多个影像组学特征中，筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征；S4，给定剂量值，并利用预先训练好的放射组学模型对经过步骤S3处理后的CT图像进行识别，输出得到该给定剂量值下的肿瘤消退比例TRR。作为一种实施方式，所述筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征的步骤，包括：S31，将提取出的多个影像组学特征中的离群值，改写为多个影像组学特征中除所述离群值以外的最大值或最小值；S32，将经过S31处理后的所有的影像组学特征值进行Z-score归一化处理；S33，对经过Z-score归一化处理后的数据值，根据斯皮尔曼相关系数，选择出与肿瘤消退比例具有显著相关性的特征。作为一种实施方式，所述放射组学模型通过以下步骤训练得到：根据放射治疗前和不同剂量下放射治疗后的CT图像，计算肿瘤消退比例TRR，并根据TRR对放射治疗前的CT图像做标记；其中，Vi是靶区内体素i的体积，V1是放疗前靶区体积，V2是放疗后靶区体积；针对于放射治疗前的CT图像，按照前述步骤S2-S3，提取出与TRR具有显著相关性的影像组学特征；利用袋装算法，对经过标记且提取出与TRR具有显著相关性的特征的CT图像进行学习预测，并对预测结果进行评估，若预测结果的准确度大于设定阈值，和/或曲线下面积AUC大于设定值，则停止训练，否则更新参数，并循环执行本步骤。本实施例中，同时提供了一种验证放射治疗剂量的系统，包括：靶区勾画模块，用于接收放射治疗前的CT图像，并在CT图像中勾画出靶区；特征提取模块，用于提取出靶区的多个影像组学特征；特征筛选模块，用于从提取出的多个影像组学特征中，筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征；TRR预测模块，用于给定剂量值，并利用预先训练好的放射组学模型对筛选出与TRR具有显著相关性的影像组学特征的CT图像进行识别，输出得到该给定剂量值下的肿瘤消退比例TRR。另一方面，本专利技术同时提供了一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时使处理器执行本专利技术任一实施方式所述方法中的操作。另一方面，本专利技术同时提供了一种电子设备，所述的电子设备包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现本专利技术任一实施方式所述方法中的步骤。与现有技术相比，本专利技术方法或系统提供了一种新的思路，基于机器学习方法训练得到放射组学模型，利用该放射组学模型输出的TRR验证给定的计量值，预测结果不受单次剂量影响，而且模型是基于实际CT图像训练所得，反映了血管和间质损伤，及辐射抗拒细胞亚群对整体损伤带来的影响，验证结果更可靠。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本实施例中所述的验证放射治疗剂量的方法的流程图。图2为本实施例中所述选择出与肿瘤消退比例(TRR)具有显著相关性的影像组学特征的流程图。图3为本实施例中所述训练放射组学模型的流程图。图4为本实施例中所述的验证放射治疗剂量的系统的功能框图。图5为实施例中所述电子设备的功能框图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，本实施例提供了一种验证放射治疗剂量的方法，包括以下步骤:S1，接收输入的放射治疗前的CT(ComputedTomography，电子计算机断层扫描)图像，并在CT图像中勾画出靶区(GrossTumorVolume)。勾画靶区时可以选择采用手动勾画。S2，提取出靶区的影像组学特征。本实施例中，通过LIFEx软件自动提取出57个影像组学特征，包括：一阶特征，例如灰度和形状；纹理特征，例如Grey-LevelZoneLengthMatrix(灰色水平区域长度矩阵),Grey-LevelRunLengthMatrix(灰色水平运行长度矩阵),NeighborhoodGrey-LevelDifferentMatrix(领域灰度差分矩阵),andGreyLevelCo-occurrenceMatrix(灰度共生矩阵)。57个影像组学特征此处不做细述，在实际操作时利用LIFEx软件可以自动提取出，也可以参见相关的技术文献，例如可以参见“LIFEx:afreewareforradiomicfeaturecalculationinmultimodalityimagingtoaccelerateadvancesinthecharacterizationoftumorheterogeneity《CancerResearch》，2018；78(16):4786-4789，CNioche,FO本文档来自技高网...

【技术保护点】
1.一种验证放射治疗剂量的方法，其特征在于，包括以下步骤：S1，接收放射治疗前的CT图像，并在CT图像中勾画出靶区；S2，提取出靶区的多个影像组学特征；S3，从提取出的多个影像组学特征中，筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征；S4，给定剂量值，并利用预先训练好的放射组学模型对经过步骤S3处理后的CT图像进行识别，输出得到该给定剂量值下的肿瘤消退比例TRR。

【技术特征摘要】
1.一种验证放射治疗剂量的方法，其特征在于，包括以下步骤：S1，接收放射治疗前的CT图像，并在CT图像中勾画出靶区；S2，提取出靶区的多个影像组学特征；S3，从提取出的多个影像组学特征中，筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征；S4，给定剂量值，并利用预先训练好的放射组学模型对经过步骤S3处理后的CT图像进行识别，输出得到该给定剂量值下的肿瘤消退比例TRR。2.根据权利要求1所述的方法，其特征在于，所述筛选出与肿瘤消退比例TRR具有显著相关性的影像组学特征的步骤，包括：S31，将提取出的多个影像组学特征中的离群值，改写为多个影像组学特征中除所述离群值以外的最大值或最小值；S32，将经过步骤S31处理后的所有的影像组学特征值进行Z-score归一化处理；S33，对经过Z-score归一化处理后的数据值，根据斯皮尔曼相关系数，选择出与肿瘤消退比例具有显著相关性的特征。3.根据权利要求1所述的方法，其特征在于，所述放射组学模型通过以下步骤训练得到：根据放射治疗前和不同剂量下放射治疗后的CT图像，计算肿瘤消退比例TRR，并根据TRR对放射治疗前的CT图像做标记；其中，Vi是靶区内体素i的体积，V1是放疗前靶区体积，V2是放疗后靶区体积；针对于放射治疗前的CT图像，按照前述步骤S2-S3，提取出与TRR具有显著相关性的影像组学特征；利用袋装算法，对经过标记且提取出与TRR具有显著相关性的特征的CT图像进行学习预测，并对预测结果进行评估，若预测结果的准确度大于设定阈值，和/或曲线下面积AUC大于设定值，则停止训练，否则更新参数，并循环执行本步骤。4.一种验证放射治疗剂量的系统，其特征在于，包括：靶区勾画模块，用于接收放射治疗前的CT图像，并在CT图像中勾画出靶区；特征提取模块，用于提取出靶区的多个影...

【专利技术属性】
技术研发人员：王卫东，闫梦梦，
申请(专利权)人：四川省肿瘤医院，
类型：发明
国别省市：四川,51