基于不确定度筛选的人机结合放疗计划验证方法及装置制造方法及图纸

本发明专利技术一个或多个实施例提供一种基于不确定度筛选的人机结合放疗计划验证方法及装置，包括：根据预设数据集进行模型训练获取最终的集成深度学习模型以及不确定度阈值；将待验证计划的射野通量输入所述最终的集成深度学习模型，并经所述最终的集成深度学习模型处理后输出预测的第一伽马通过率和不确定度；比较所述不确定度和所述不确定度阈值，并根据比较结果应用所述第一伽马通过率或人工测量方法得到的第二伽马通过率作为所述待验证计划的伽马通过率。本发明专利技术能够结合人工测量和人工智能预测两种方法各自的优点，满足不同的临床人力成本和准确度要求。人力成本和准确度要求。人力成本和准确度要求。

【技术实现步骤摘要】
基于不确定度筛选的人机结合放疗计划验证方法及装置


[0001]本专利技术属于放疗
，具体涉及到一种基于不确定度筛选的人机结合放疗计划验证方法及装置。

技术介绍

[0002]固定射野的调强放射治疗(Intensity Modulated Radiation Therapy，IMRT)是当今主流的放疗技术之一。为了保证放疗的准确度和疗效，在对患者实施治疗之前，需要使用射线探测器阵列对患者的放疗计划进行实验测量，并分析测量结果的伽马通过率(Gama Passing Rate，GPR)。GPR由放疗计划计算剂量和实测剂量的差异决定，数值在0％
‑
100％之间，越接近100％表示计划通过率越高、准确度越好。美国医学物理学家协会(American Association of Physicists in Medicine，AAPM)出版的TG 218号报告推荐使用95％GPR(计算参数3％，2mm)作为计划通过与否的预警标准，GPR≥95％表示计划通过预警，GPR＜95％表示不通过。虽然人工测量准确度最高，可作为金标准，但测量过程耗时、耗力，极大地增大了临床放疗的人力成本、延长了患者的治疗等待时间。因此，有必要研发更加高效便捷的放疗计划验证方法。
[0003]近年来，有学者开始研究使用不同的人工智能(Artificial Intelligence，AI)方法进行放疗计划验证，以降低验证的人力和时间成本。主要分为两类：第一类设计与计划验证高度相关的人工特征，输入机器学习模型进行训练。例如，北京大学第三医院的杨瑞杰等人选取放疗计划的射野调制复杂度、射野面积、叶片运动等参数，训练泊松拉索模型预测GPR；美国华盛顿大学医学院的Lam等人选取31项人工特征，分别训练AdaBoost和随机森林模型，能够实现98％样本的预测误差在3.0％以内。第二类使用深度学习算法从输入信息中自动提取人工难以识别的高质量特征，模型参数更多，学习能力更强。例如，四川大学华西医院的李光俊等人基于深度学习预测放疗计划的GPR，使用机器出束信息和多页准直器孔径信息作为输入训练模型，最终的平均绝对误差为2.38％。总体而言，深度学习预测的结果会优于经典的机器学习算法。
[0004]尽管利用AI方法行放疗计划验证已取得了一定研究进展，但是，用于建模的数据集往往不能覆盖各种情况的放疗计划，同时数据集中测量的GPR标签也可能存在误差，这些都会造成模型对某些计划验证的预测结果存在较大的不确定度，不确定度大的GPR预测结果非但不能辅助放疗医生进行计划验证，相反很可能误导临床决策，影响医疗安全，这些都阻碍了AI放疗计划验证方法的临床应用。因此，研发出安全性更高、符合实际情况的放疗计划验证方法具有较强的临床意义。

技术实现思路

[0005]本专利技术提供一种基于不确定度筛选的人机结合放疗计划验证方法及装置，以解决人工测量方法耗时耗力，AI预测方法不确定度大的结果会误导临床决策的问题。
[0006]基于上述目的，本专利技术一个或多个实施例提供了一种基于不确定度筛选的人机结
合放疗计划验证方法，包括：根据预设数据集进行模型训练获取最终的集成深度学习模型以及不确定度阈值；将待验证计划的射野通量输入所述最终的集成深度学习模型，并经所述最终的集成深度学习模型处理后输出预测的第一伽马通过率和不确定度；比较所述不确定度和所述不确定度阈值，并根据比较结果应用所述第一伽马通过率或人工测量方法得到的第二伽马通过率作为所述待验证计划的伽马通过率。
[0007]可选的，所述根据比较结果应用所述第一伽马通过率或人工测量方法得到的第二伽马通过率作为所述待验证计划的伽马通过率，包括：如果所述不确定度大于等于所述不确定度阈值，则使用人工测量方法得到的所述第二伽马通过率作为所述待验证计划的伽马通过率；如果所述不确定度小于所述不确定度阈值，则使用所述第一伽马通过率作为所述待验证计划的伽马通过率。
[0008]可选的，所述根据预设数据集进行模型训练获取最终的集成深度学习模型以及不确定度阈值，包括：根据历史调强放射治疗计划的射野通量和测量的标签伽马通过率建立所述预设数据集；按预设比例将所述预设数据集分为训练集、验证集、阈值确定集和临床测试集；应用所述训练集、所述验证集和所述阈值确定集对集成深度学习模型进行训练，获取训练后的最优集成深度学习模型和个性化的不确定度阈值；基于所述最优集成深度学习模型以及所述个性化的不确定度阈值，应用所述临床测试集进行测试，确定满足临床实际人力成本和准确度要求的所述最终的集成深度学习模型以及所述不确定度阈值。
[0009]可选的，所述应用所述训练集、所述验证集和所述阈值确定集对集成深度学习模型进行训练，获取训练后的最优集成深度学习模型和个性化的不确定度阈值，包括：构建集成深度学习模型的训练损失函数；应用所述训练集基于所述训练损失函数对所述集成深度学习模型进行训练；应用所述验证集对训练的所述集成深度学习模型进行验证，获取所述训练损失函数最小的所述集成深度学习模型，作为所述最优集成深度学习模型；基于所述阈值确定集和所述最优集成深度学习模型，应用集成深度学习方法获取所述个性化的不确定度阈值。
[0010]可选的，所述基于所述阈值确定集和所述最优集成深度学习模型，应用集成深度学习方法获取所述个性化的不确定度阈值，包括：基于所述阈值确定集和所述最优集成深度学习模型，应用集成深度学习方法抽样所述最优集成深度学习模型中的多套深度学习模型，获取多套所述深度学习模型分别对应输出的预测伽马通过率；对多套所述深度学习模型分别对应输出的预测伽马通过率进行统计分析，获取所述个性化的不确定度阈值。
[0011]可选的，所述对多套所述深度学习模型分别对应输出的预测伽马通过率进行统计分析，获取所述个性化的不确定度阈值，包括：对多个所述预测伽马通过率统计平均值和标准差，分别作为所述集成深度学习模型的输出伽马通过率和不确定度；根据所述不确定度进行不确定度筛选，并统计分析临床分类准确度、平均绝对误差以及人工测量比例；绘制不确定度阈值与临床分类准确度关系图、不确定度阈值与平均绝对误差关系图以及不确定度阈值与人工测量比例关系图；根据绘图结果、临床实际的人力成本和准确度要求确定所述个性化的不确定度阈值。
[0012]可选的，所述根据所述不确定度进行不确定度筛选，并统计分析临床分类准确度、平均绝对误差以及人工测量比例，包括：根据所述不确定度对第一总样本数TN进行不确定度筛选，获取不确定度均小于阈值的第二总样本数RTN以及所述第二总样本数RTN中分类正
确的样本数RCN；应用以下关系式计算所述临床分类准确度CA、平均绝对误差MAE以及人工测量比例MMF：CA＝RCN/RTN；MMF＝1
‑
RTN/TN；
[0013]其中，y
i
和分别为样本i的标签伽马通过率和预测伽马通过率。
[0014]可选的，所述基于所述最优集成深度学习模型以及所述个性化的不确定度阈值，应用所述临床测试集进行测试，确定满足临床实际人力成本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定度筛选的人机结合放疗计划验证方法，其特征是，所述方法包括：根据预设数据集进行模型训练获取最终的集成深度学习模型以及不确定度阈值；将待验证计划的射野通量输入所述最终的集成深度学习模型，并经所述最终的集成深度学习模型处理后输出预测的第一伽马通过率和不确定度；比较所述不确定度和所述不确定度阈值，并根据比较结果应用所述第一伽马通过率或人工测量方法得到的第二伽马通过率作为所述待验证计划的伽马通过率。2.如权利要求1所述的方法，其特征是，所述根据比较结果应用所述第一伽马通过率或人工测量方法得到的第二伽马通过率作为所述待验证计划的伽马通过率，包括：如果所述不确定度大于等于所述不确定度阈值，则使用人工测量方法得到的所述第二伽马通过率作为所述待验证计划的伽马通过率；如果所述不确定度小于所述不确定度阈值，则使用所述第一伽马通过率作为所述待验证计划的伽马通过率。3.如权利要求1所述的方法，其特征是，所述根据预设数据集进行模型训练获取最终的集成深度学习模型以及不确定度阈值，包括：根据历史调强放射治疗计划的射野通量和测量的标签伽马通过率建立所述预设数据集；按预设比例将所述预设数据集分为训练集、验证集、阈值确定集和临床测试集；应用所述训练集、所述验证集和所述阈值确定集对集成深度学习模型进行训练，获取训练后的最优集成深度学习模型和个性化的不确定度阈值；基于所述最优集成深度学习模型以及所述个性化的不确定度阈值，应用所述临床测试集进行测试，确定满足临床实际人力成本和准确度要求的所述最终的集成深度学习模型以及所述不确定度阈值。4.如权利要求3所述的方法，其特征是，所述应用所述训练集、所述验证集和所述阈值确定集对集成深度学习模型进行训练，获取训练后的最优集成深度学习模型和个性化的不确定度阈值，包括：构建集成深度学习模型的训练损失函数；应用所述训练集基于所述训练损失函数对所述集成深度学习模型进行训练；应用所述验证集对训练的所述集成深度学习模型进行验证，获取所述训练损失函数最小的所述集成深度学习模型，作为所述最优集成深度学习模型；基于所述阈值确定集和所述最优集成深度学习模型，应用集成深度学习方法获取所述个性化的不确定度阈值。5.如权利要求4所述的方法，其特征是，所述基于所述阈值确定集和所述最优集成深度学习模型，应用集成深度学习方法获取所述个性化的不确定度阈值，包括：基于所述阈值确定集和所述最优集成深度学习模型，应用集成深度学习方法抽样所述最优集成深度学习模型中的多套深度学习模型，获取多套所述深度学习模型分别对应输出的预测伽马通过率；对多套所述深度学习模型分别对应输出的预测伽马通过率进行统计分析，获取所述个性化的不确定度阈值。6...

【专利技术属性】
技术研发人员：杨晓喻，赵于前，杨振，曹瑛，李书舟，邵其刚，
申请(专利权)人：中南大学，
类型：发明
国别省市：