本申请公开了一种放疗计划的确定方法和装置、存储介质及处理器。该方法包括：对目标患者拍摄用于做参考计划的医学影像一，并对医学影像一进行感兴趣区域勾画，得到勾画结果一；依据勾画结果一生成放疗计划，得到参考计划；对参考计划进行审核，在参考计划通过审核的情况下，对目标患者拍摄医学影像二，将医学影像二与医学影像一进行配准，得到配准结果；在勾画平台中，勾画结果一基于配准结果对医学影像二进行感兴趣区域勾画，得到勾画结果二；依据勾画结果二和参考计划确定目标放疗计划。通过本申请，解决了相关技术中设计自适应放疗计划太过耗时的问题。太过耗时的问题。太过耗时的问题。
【技术实现步骤摘要】
放疗计划的确定方法和装置、存储介质及处理器
[0001]本申请涉及医疗
，具体而言，涉及一种放疗计划的确定方法和装置、存储介质及处理器。
技术介绍
[0002]放射治疗是目前临床上三大肿瘤治疗手段之一。现代放疗有着一套完整的治疗流程，主要包括危机器官以及靶区的勾画，根据剂量学原理制定放疗计划，计划实施等。其中，靶区和危机器官勾画对放射治疗的精确度和疗效有着至关重要的影响，直接决定了放疗计划的精确程度。目前的靶区和危机器官勾画工作通常由医生、物理师手工完成，极大的浪费了医生、物理师的时间和精力。更重要的是，目前的放疗流程里，勾画工作通常只在第一次治疗前完成，之后的每次治疗都是以第一次的治疗计划为模板，结合患者的当日影像进行刚性配准后评估并实施。由于患者体内的器官每天都在发生少量的位移和体积变化，这种方式在剂量的实施上并不能做到自适应。
[0003]针对这一问题，现有技术中推出了Unity MR
‑
linac，以磁共振成像(MR)作为引导，在每次治疗之前会将第一次的治疗计划的ROI与当日影像的ROI进行柔性配准，而这需要先对当日影像进行完整的靶区和危机器官的ROI进行病灶勾画，来达到精准的自适应放疗。目前MR
‑
linac的流程如图1所示，在设计自适应计划中勾画、配准以及评估过程太过耗时，所以无法在临床上大规模应用。
[0004]针对相关技术中设计自适应放疗计划太过耗时的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本申请的主要目的在于提供一种放疗计划的确定方法和装置、存储介质及处理器，以解决相关技术中设计自适应放疗计划太过耗时的问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种放疗计划的确定方法。该方法包括：对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；依据所述勾画结果一生成放疗计划，得到参考计划；对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果；在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；依据所述勾画结果二和所述参考计划确定目标放疗计划。
[0007]进一步地，在依据所述勾画结果二和所述参考计划确定目标放疗计划之后，所述方法还包括：对所述目标放疗计划进行审核；在所述目标放疗计划通过审核之后，通过所述勾画平台获取所述勾画结果二，并将所述勾画结果二发送至模型训练平台，在所述模型训练平台中依据所述勾画结果二进行学习训练，生成目标模型；将所述目标模型发送至所述勾画平台。
[0008]进一步地，在将所述目标模型发送至所述勾画平台之后，所述方法还包括：在所述目标患者进行第N次放疗前，获取所述目标患者的当日医学影像，其中，N为大于1的自然数；在所述勾画平台中，采用所述目标模型对所述当日医学影像进行感兴趣区域勾画，得到目标勾画结果；基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划。
[0009]进一步地，在基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划之后，所述方法还包括：将所述勾画结果二和所述目标勾画结果发送至所述模型训练平台，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型；将更新后的目标模型发送至所述勾画平台。
[0010]进一步地，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型包括：获得训练数据集，其中，所述训练数据集由所述勾画结果二和所述目标勾画结果组成；构建学生模型和教师模型，并使用预训练权重来初始化所述学生模型和所述教师模型，进入以下训练循环：I，使用所述学生模型和所述教师模型分别对所述训练数据集中的图像进行特征提取，得到特征一和特征二；II，将所述特征一和所述训练数据集中的勾画结果进行计算，得到约束条件一；III，分别对所述特征一和所述特征二进行描述算子计算，得到描述一和描述二，其中，所述描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长度，对所述描述一和所述描述二进行计算，得到约束条件二；IV，使用所述约束条件一和所述约束条件二对所述学生模型的权重进行更新；V，使用更新后的学生模型的权重对所述教师模型进行更新，其中，更新方式为指数滑动平均法；重复I至V个步骤，直到训练完成，由所述教师模型来生成所述目标模型。
[0011]进一步地，获取预训练权重的方法为以下至少之一：监督学习、半监督学习、无监督学习。
[0012]进一步地，若获取预训练权重的方法为无监督学习，获取学生模型的权重包括：获取多种不同模态的医学影像的数据作为训练集；在迭代开始前，随机抽取所述训练集中的一个样本，并对所述样本做两次随机增强，得到两个增强后的样本A和B；将样本A和B输入编码模型，得到特征编码X和Y；将特征编码X和Y输入投影模型，得到投影后的特征编码XX和YY，对XX和YY计算欧式距离或余弦相似度，作为损失函数；采用所述损失函数对学生模型进行更新，得到所述学生模型的权重。
[0013]进一步地，依据所述勾画结果二和所述参考计划确定目标放疗计划之前，所述方法还包括：若检测到对所述勾画结果的修改指令；响应所述修改指令，对所述勾画结果二进行修改，得到修改后的勾画结果二；依据所述勾画结果二和所述参考计划确定目标放疗计划包括：依据所述修改后的勾画结果二和所述参考计划确定目标放疗计划。
[0014]为了实现上述目的，根据本申请的另一方面，提供了一种放疗计划的确定装置。该装置包括：第一勾画单元，用于对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；第一构建单元，用于依据所述勾画结果一生成放疗计划，得到参考计划；配准单元，用于对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果；第二勾画单元，用于在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；确定单元，用于依据所述勾画结果二和所述参考计划确定目标放疗计划。
[0015]进一步地，所述装置还包括：审核单元，用于在依据所述勾画结果二和所述参考计划确定目标放疗计划之后，对所述目标放疗计划进行审核；第一获取单元，用于在所述目标放疗计划通过审核之后，通过所述勾画平台获取所述勾画结果二，并将所述勾画结果二发送至模型训练平台，在所述模型训练平台中依据所述勾画结果二进行学习训练，生成目标模型；第一发送单元，用于将所述目标模型发送至所述勾画平台。
[0016]进一步地，所述装置还包括：第二获取单元，用于在将所述目标模型发送至所述勾画平台之后，在所述目标患者进行第N次放疗前，获取所述目标患者的当日医学影像，其中，N为大于1的自然数；第三勾画单元，用于在所述勾画平台中，采用所述目标模型对所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种放疗计划的确定方法，其特征在于，包括：对目标患者拍摄用于做参考计划的医学影像一，并对所述医学影像一进行感兴趣区域勾画，得到勾画结果一；依据所述勾画结果一生成放疗计划，得到参考计划；对所述参考计划进行审核，在所述参考计划通过审核的情况下，对所述目标患者拍摄医学影像二，将所述医学影像二与所述医学影像一进行配准，得到配准结果；在勾画平台中，所述勾画结果一基于所述配准结果对所述医学影像二进行感兴趣区域勾画，得到勾画结果二；依据所述勾画结果二和所述参考计划确定目标放疗计划。2.根据权利要求1所述的方法，其特征在于，在依据所述勾画结果二和所述参考计划确定目标放疗计划之后，所述方法还包括：对所述目标放疗计划进行审核；在所述目标放疗计划通过审核之后，通过所述勾画平台获取所述勾画结果二，并将所述勾画结果二发送至模型训练平台，在所述模型训练平台中依据所述勾画结果二进行学习训练，生成目标模型；将所述目标模型发送至所述勾画平台。3.根据权利要求2所述的方法，其特征在于，在将所述目标模型发送至所述勾画平台之后，所述方法还包括：在所述目标患者进行第N次放疗前，获取所述目标患者的当日医学影像，其中，N为大于1的自然数；在所述勾画平台中，采用所述目标模型对所述当日医学影像进行感兴趣区域勾画，得到目标勾画结果；基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划。4.根据权利要求3所述的方法，其特征在于，在基于所述目标勾画结果，生成所述目标患者当日的目标放疗计划之后，所述方法还包括：将所述勾画结果二和所述目标勾画结果发送至所述模型训练平台，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型；将更新后的目标模型发送至所述勾画平台。5.根据权利要求4所述的方法，其特征在于，在所述模型训练平台中依据所述勾画结果二和所述目标勾画结果进行学习训练，以更新所述目标模型包括：获得训练数据集，其中，所述训练数据集由所述勾画结果二和所述目标勾画结果组成；构建学生模型和教师模型，并使用预训练权重来初始化所述学生模型和所述教师模型，进入以下训练循环：I，使用所述学生模型和所述教师模型分别对所述训练数据集中的图像进行特征提取，得到特征一和特征二；II，将所述特征一和所述训练数据集中的勾画结果进行计算，得到约束条件一；III，分别对所述特征一和所述特征二进行描述算子计算，得到描述一和描述二，其中，所述描述算子为以下至少之一：体积、质心、各像素点到质心的距离、轮廓长...
【专利技术属性】
技术研发人员：周琦超，张炜，詹晨辉，
申请(专利权)人：福建自贸试验区厦门片区Manteia数据科技有限公司，
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。