一种基于无监督学习的放射治疗计划评估方法及装置制造方法及图纸

本发明专利技术公开一种基于无监督学习的放射治疗计划评估方法及装置，放射治疗计划评估方法包括以下步骤：S1：针对任一病种，根据n个病人的数据得到相应解剖结构向量；S2：利用降维算法对高维的解剖结构向量进行降维；S3：利用聚类算法对数据按解剖结构进行聚类，得到k个类别；S4：根据k个类别，对每个类别所对应的数据中已临床实施的优质放疗计划结果进行分析和处理，得到每个类别对应的计划评分模板；S5：对任一病人的新数据进行计算并判断其所属类别；S6：采用对应类别的计划评分模板指导设计对应新数据的放射治疗计划并对其剂量分布结果进行评分。本发明专利技术实现对几何结构复杂度不同的病例的个性化评估，提高放疗计划的质量和效率。提高放疗计划的质量和效率。提高放疗计划的质量和效率。

【技术实现步骤摘要】
一种基于无监督学习的放射治疗计划评估方法及装置


[0001]本专利技术属于放射治疗
，具体涉及一种基于无监督学习的放射治疗计划评估方法及装置。

技术介绍

[0002]肿瘤放射治疗以其独特的优势成为肿瘤治疗的主要手段之一，其主要目标在于保证靶区达到特定剂量的同时，尽可能保护周围正常组织。在临床应用中，放射治疗实施之前需要专业的医生和物理师设计放疗计划。放射治疗计划的设计制作可分为靶区(Planning Target Volume,PTV)和危及器官(Organs at Risk,OARs)勾画、计划设计和计划评估三个步骤。
[0003]如何对计划进行有效和客观的评价是一个值得探讨的问题。
[0004]剂量体积直方图(Dose Volume Histogram,DVH)因其能够反映三维放疗计划中的剂量
‑
体积关系，成为设计、制定和评估放疗计划的重要工具。临床工作中，放疗物理师采用手工方式评估DVH，花费时间长，效率低。为了简化操作，有研究者基于市场上现有的放疗计划系统(Treatment Planning S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的放射治疗计划评估方法，其特征在于，包括以下步骤：S1：针对任一病种，根据n个病人的数据得到各感兴趣区域间的OVH曲线、感兴趣区域位置信息和体积信息，并分别组成相应解剖结构向量；S2：利用无监督学习的降维算法对S1得到的高维的解剖结构向量进行降维；S3：利用无监督学习的聚类算法对数据集依据S1得到的低维的解剖结构向量和经S2处理后得到的低维属性向量进行聚类，得到k个类别；S4：根据S3得到的k个类别，对每个类别所对应的数据中已临床实施的优质放疗计划结果进行分析和处理，得到每个类别对应的计划评分模板；S5：对任一病人的新数据进行计算并判断其所属类别；S6：采用对应类别的计划评分模板指导设计对应新数据的放射治疗计划并对其剂量分布结果进行评分。2.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S1具体包括以下步骤：S1.1：获取n个病人的感兴趣区域勾画信息，并在层厚方向进行插值；S1.2：计算各感兴趣区域间相互的OVH曲线；S1.3：根据CT图像、人体各器官与靶区勾画轮廓信息计算感兴趣区域位置信息和体积信息；S1.4：根据S1.2得到的各感兴趣区域间的OVH曲线以及S1.3得到的感兴趣区域位置信息和体积信息，分别组成相应解剖结构向量。3.根据权利要求2所述的放射治疗计划评估方法，其特征在于，S1.2中，采用形态学膨胀腐蚀法或直接计算距离法计算各感兴趣区域间相互的OVH曲线。4.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S2具体包括以下步骤，其中高维的解剖结构向量为OVH向量：S2.1：对于n个病人的OVH属性向量，提取各属性的m维特征后，排成m行n列矩阵，即为m维OVH向量；S2.2：利用无监督学习的降维算法将m维OVH向量降至t维。5.根据权利要求4所述的放射治疗计划评估方法，其特征在于，无监督学习的降维算法为主成分分析算法、奇异值分解算法、t
‑
分布领域嵌入算法中的一种或多种。6.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S3具体包括以下内容：利...

【专利技术属性】
技术研发人员：鞠垚，汪倩倩，姚毅，
申请(专利权)人：苏州雷泰医疗科技有限公司，
类型：发明
国别省市：