一种肿瘤放疗的造血功能副反应分析方法及装置制造方法及图纸

本发明专利技术涉及人工智能领域，揭露一种肿瘤放疗的造血功能副反应分析方法及装置，包括：获取肿瘤放疗前的临床基线数据、医学影像数据、放疗剂量数据及造血功能区；提取临床基线数据的临床特征，分别对医学影像数据和放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据；根据临床特征、标准化影像数据、标准化剂量数据，标记造血功能区的离散变量特征，及根据标准化影像数据和标准化剂量数据，标记造血功能区的高维变量特征和深层变量特征；根据离散变量特征、高维变量特征及深层变量特征，利用多分类器融合模型分析造血功能区的功能副反应，得到功能副反应分析结果。本发明专利技术可以提高肿瘤放疗的造血功能副反应的分析效率和评估准确率。效率和评估准确率。效率和评估准确率。

【技术实现步骤摘要】
一种肿瘤放疗的造血功能副反应分析方法及装置


[0001]本专利技术涉及人工智能领域，尤其涉及一种肿瘤放疗的造血功能副反应分析方法、装置、电子设备以及计算机可读存储介质。

技术介绍

[0002]放射治疗技术是肿瘤治疗三大技术之一，其利用高能放射线以非侵入式方式治疗肿瘤，由于高能放射线无法避免正常组织的照射，并可能引起相关的毒副反应，会造成造血功能障碍，导致患者出现应激性贫血的现象，因此，在优化肿瘤放疗的处方剂量和计划设计以提高肿瘤治疗效果同时，对可能出现的造血功能副反应进行预测分析，以降低放射治疗带来的风险，对患者的生存质量提高是十分必要的。
[0003]目前，造血功能副反应的预测分析通常是根据放疗前和放疗中的外周血成分，建立分次放疗治疗对造血功能的相关性来判断是否产生造血功能副反应以及相关进展情况，或者通过磁共振等影像学检查方式测定造血器官中脂肪成分等，间接获取不同类型骨髓含量以评估分析造血储备能力的强弱，但是上述方法仅根据有限的特征参数，利用统计学方法进行造血功能的评故分析，并不能全面的获取造血功能数据，从而会影响造血功能的评故分析准确率。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了一种肿瘤放疗的造血功能副反应分析方法、装置、电子设备以及计算机可读存储介质，可以基于肿瘤放疗的造血功能副反应的分析效率和评估准确率。
[0005]第一方面，本专利技术提供了一种肿瘤放疗的造血功能副反应分析方法，包括：
[0006]获取肿瘤放疗前的多模态数据及造血功能区，其中，所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据；
[0007]提取所述临床基线数据中的临床特征，并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据；
[0008]分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征，得到影像分布特征和剂量分布特征，并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征；
[0009]根据所述标准化影像数据和所述标准化剂量数据，计算所述造血功能区的连续变量特征，并利用多分支机器学习网络提取所述连续变量特征的高维变量特征；
[0010]根据所述标准化影像数据和所述标准化剂量数据，利用多分支深度学习网络提取所述造血功能区的深层变量特征；
[0011]根据所述离散变量特征、所述高维变量特征以及所述深层变量特征，利用多分类器融合模型分析所述造血功能区的功能副反应，得到所述造血功能区的功能副反应分析结果。
[0012]可以看出，本专利技术实施例通过获取肿瘤放疗前的多模态数据及造血功能区，可以保障造血功能区的数据全面性，提高后续造血功能区的功能副反应的分析效率和评估准确率，并对多模态数据进行预处理，可以通过提高多模态数据的处理速度；其次，本专利技术实施例根据所述多模态数据，利用统计方法、机器学习和深度学习网络标记肿瘤放疗造血对应造血功能区的离散变量特征、高维变量特征及深层变量特征，并结合多分类器融合模型实现造血功能区多个维度的造血功能副反应分析，进一步提高了造血功能区的造血功能副反应的分析效率和评估准确率。因此，本专利技术实施例提出的一种肿瘤放疗的造血功能副反应分析方法可以基于肿瘤放疗的造血功能副反应的分析效率和评估准确率。
[0013]在第一方面的一种可能实现方式中，所述提取所述临床基线数据中的临床分布特征，包括：
[0014]对所述临床基线数据进行编码，得到编码数据，并将所述编码数据进行数值映射，得到映射数据；
[0015]对所述映射数据进行数值筛选处理，得到所述临床基线数据中的临床分布特征。
[0016]在第一方面的一种可能实现方式中，所述分别对所述医学影像数据和所述放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据，包括：
[0017]分别对所述医学影像数据和所述放疗剂量数据进行数值影像处理；
[0018]分别对数值影像处理后的所述医学影像数据和所述放疗剂量数据进行数值规范化处理，得到标准化影像数据和标准化剂量数据。
[0019]在第一方面的一种可能实现方式中，分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征，得到影像分布特征和剂量分布特征，包括：
[0020]提取所述标准化影像数据在所述造血功能区中的表征特征和影像组学特征，分别对所述表征特征和所述影像组学特征进行数值标准化处理，从数值标准化处理后的所述表征特征和所述影像组学特征中筛选出具有造血功能副反应的特征，得到所述标准化影像数据的影像分布特征；
[0021]提取所述标准化剂量数据在所述造血功能区中的参数特征和剂量组学特征，分别对所述参数特征和所述剂量组学特征进行数值标准化处理，从数值标准化处理后的所述表征特征和所述剂量组学特征中筛选出具有造血功能副反应的特征，得到所述标准化剂量数据的剂量分布特征。
[0022]在第一方面的一种可能实现方式中，所述利用多分支机器学习网络提取所述连续变量特征的高维变量特征，包括：
[0023]利用所述多分支机器学习网络中的分支一维卷积神经网络对所述连续变量特征进行特征融合和高维特征提取操作，得到分支变量特征；
[0024]利用所述多分支机器学习网络中的全连接神经网络对所述分支变量特征进行特征拼接和融合；
[0025]利用所述多分支机器学习网络中的全连接层输出特征融合后的所述分支变量特征，得到所述连续变量特征的高维变量特征。
[0026]在第一方面的一种可能实现方式中，所述根据所述标准化影像数据和所述标准化剂量数据，利用多分支深度学习网络提取所述造血功能区的深层变量特征，包括：
[0027]获取所述造血功能区的掩模图像，将所述标准化影像数据、所述标准化剂量数据
以及所述掩模图像作为模型输入数据输入至所述多分支深度学习网络中的分支卷积神经网络，以通过所述分支卷积神经网络提取所述模型输入数据的深层数据特征；
[0028]利用所述多分支深度学习网络中的隐藏层对所述深层数据特征进行融合，得到深层融合特征；
[0029]利用所述多分支深度学习网络中的全连接层输出所述深层融合特征，以生成所述造血功能区的深层变量特征。
[0030]在第一方面的一种可能实现方式中，所述根据所述离散变量特征、所述高维变量特征以及所述深层变量特征，利用多分类器融合模型分析所述造血功能区的功能副反应，得到所述造血功能区的造血功能副反应分析结果，包括：
[0031]将所述离散变量特征、所述高维变量特征以及所述深层变量特征进行拼接，得到一个或多个多维变量特征；
[0032]将所述多维变量特征输入至所述多分类器融合模型中的分类器，以计算所述分类器的权重值；
[0033]利用所述多分类器融合模型中的融合模块计算所述权重值的融合结果，根据所述融合结果，生成所述造血功能区的功能副反应分析结果。
[0034]第二方面，本专利技术提供了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肿瘤放疗的造血功能副反应分析方法，其特征在于，所述方法包括：获取肿瘤放疗前的多模态数据及造血功能区，其中，所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据；提取所述临床基线数据中的临床特征，并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据；分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征，得到影像分布特征和剂量分布特征，并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征；根据所述标准化影像数据和所述标准化剂量数据，计算所述造血功能区的连续变量特征，并利用多分支机器学习网络提取所述连续变量特征的高维变量特征；根据所述标准化影像数据和所述标准化剂量数据，利用多分支深度学习网络提取所述造血功能区的深层变量特征；根据所述离散变量特征、所述高维变量特征以及所述深层变量特征，利用多分类器融合模型分析所述造血功能区的功能副反应，得到所述造血功能区的功能副反应分析结果。2.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述提取所述临床基线数据中的临床分布特征，包括：对所述临床基线数据进行编码，得到编码数据，并将所述编码数据进行数值映射，得到映射数据；对所述映射数据进行数值筛选处理，得到所述临床基线数据中的临床分布特征。3.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述分别对所述医学影像数据和所述放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据，包括：分别对所述医学影像数据和所述放疗剂量数据进行数值影像处理；分别对数值影像处理后的所述医学影像数据和所述放疗剂量数据进行数值规范化处理，得到标准化影像数据和标准化剂量数据。4.如权利要求3所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征，得到影像分布特征和剂量分布特征，包括：提取所述标准化影像数据在所述造血功能区中的表征特征和影像组学特征，分别对所述表征特征和所述影像组学特征进行数值标准化处理，从数值标准化处理后的所述表征特征和所述影像组学特征中筛选出具有造血功能副反应的特征，得到所述标准化影像数据的影像分布特征；提取所述标准化剂量数据在所述造血功能区中的参数特征和剂量组学特征，分别对所述参数特征和所述剂量组学特征进行数值标准化处理，从数值标准化处理后的所述表征特征和所述剂量组学特征中筛选出具有造血功能副反应的特征，得到所述标准化剂量数据的剂量分布特征。5.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述利用多分支机器学习网络提取所述连续变量特征的高维变量特征，包括：利用所述多分支机器学习网络中的分支一维卷积神经网络对所述连续变量特征进行
特征融合和高维特征提取操作，得到分支变量特征；利用所述多分支机器学习网络中的全连接神经网络对所述分支变量特征进行特征拼接和融合；利用所述多分支机器学习网络中的全连接层输出特征融合后的所述分支变量特征，得到所述连续变量特征的高维变量特征。6...

【专利技术属性】
技术研发人员：吴书裕，张书旭，梅颖洁，张国前，余辉，王琳婧，王锐濠，廖煜良，
申请(专利权)人：广州医科大学附属肿瘤医院，
类型：发明
国别省市：