用于治疗响应预测的风险器官和总肿瘤体积的表示结果学习制造技术

本公开涉及用于治疗响应预测的风险器官和总肿瘤体积的表示结果学习。为了预测放射治疗的响应，放射组学用于编码器

【技术实现步骤摘要】
用于治疗响应预测的风险器官和总肿瘤体积的表示结果学习

技术介绍

[0001]本实施例涉及治疗结果预测。治疗程序通常开始于定义待根除的靶标或肿瘤，同时需要不伤害相邻器官。基于深度学习的解决方案用于自动地描画肿瘤和风险器官的轮廓。虽然器官和肿瘤的边界对于规划治疗是重要的，但是边界可能不容易用于治疗功效评估和预测治疗结果和毒性。
[0002]图像中的肿瘤和器官纹理特性捕获潜在地可能用于治疗相关响应(response)的信息。放射组学(radiomics)使用基于图像的生物标志物来提供对癌症生物学的更深入理解，以更好地辅助临床决策。放射组学的实践通常涉及以下离散的步骤：a)采集图像，b)识别感兴趣区域(ROI)和分割体积，c)从体积中提取和鉴定描述性特征，和d)开发模型以预测结果。放射组学的关键部分是提取高维、量化特征数据以描述ROI的属性。在经典的放射组学分析中，描述各种肿瘤物理和几何特性的图像特征是预定的，并且可以使用数学公式来计算。这些特征通常量化关于肿瘤强度、形状和纹理的特性以及量化集中在频域上的小波变换。然而，存在现有技术放射组学的几个限制：1)为了最大化在放射组学中获得的信息，通常从图像中提取包含大量冗余信息的非常大量的特征；2)所有手工制作的放射组学特征在预定的群中，因此可能的是，一些预测信息没有被预定的特征完全捕获；以及3)手工制作的放射组学是特定ROI的固定表示结果，因此不适于不同的患者群组或临床问题。

技术实现思路

[0003]提供用于预测治疗响应的系统、方法和非暂时性计算机可读介质。放射组学用于编码器r/>‑
解码器网络的无监督机器训练，以基于诸如计算机断层摄影图像数据的图像数据和分割数据的输入进行预测。然后，使用训练的编码器来生成潜在表示结果以用作到用于预测治疗响应的不同分类器或回归器(诸如用于预测针对风险器官的响应的一个分类器以及用于预测针对风险器官的另一类型的响应或预测针对肿瘤的响应的另一个分类器)的输入。
[0004]在第一方面中，提供一种用于利用机器进行治疗响应预测的方法。采集表示患者的医疗图像数据。从医疗图像数据分割风险器官和总肿瘤体积。从医疗图像数据、分割的风险器官和总肿瘤体积生成潜在表示结果。由编码器生成潜在表示结果，该编码器与解码器一起以无监督的方式进行机器训练以从手工制作的放射组学来预测具有基准真相的放射组学特征。响应于潜在表示结果从编码器到第一训练分类器和第二机器训练分类器的输入，由第一训练分类器和第二机器训练分类器预测针对总肿瘤体积和风险器官的治疗响应。输出风险器官和总肿瘤体积的预测的治疗响应。该方法可以被提供用于多个风险器官。
[0005]在一个实施例中，采集计算机断层摄影数据作为医疗图像数据。用于训练编码器中的至少一个和解码器中的至少一个的手工制作的放射组学包括肿瘤强度、肿瘤形状、肿瘤纹理和小波变换的预定量化。
[0006]作为另一实施例，机器学习网络分割。该预测是响应于输入来自编码器的潜在表示结果以及来自分割的机器学习网络的隐藏特征的值。在另一方法中，特征金字塔网络从
所述值和潜在表示结果进行预测，其中，多尺度、分层特征作为隐藏特征。
[0007]在另一实施例中，编码器是卷积神经网络。
[0008]在又一实施例中，编码器与解码器一起机器训练以预测放射组学特征和分割。作为另一方法，编码器与解码器一起机器训练以预测放射组学特征、分割和感兴趣区域的信息。
[0009]可以预测各种治疗响应。例如，针对一个或多个风险器官预测负面影响和毒性，并且针对总肿瘤体积预测结果、进展、复发和/或控制。可以使用不同的机器训练分类器，利用来自相同编码器的潜在表示结果的输入，预测负面影响、毒性和/或结果中的多个和/或进展、复发和/或控制中的多个。
[0010]根据一个实施例，利用潜在表示结果搜索类似病例。输出可以包括患者和类似病例的潜在表示结果的可视化。
[0011]在第二方面中，提供一种用于治疗预测的医疗系统。存储器被配置成存储计算机断层摄影数据。图像处理器被配置成：分割肿瘤或与肿瘤相邻的器官，响应于输入计算机断层摄影数据和肿瘤或器官的分割而由机器学习编码器生成潜在空间的值，响应于潜在空间的值的输入而由第一机器学习分类器或回归器预测第一治疗结果，以及响应于潜在空间的值的输入而由第二机器学习分类器预测第二治疗结果。显示器被配置成显示第一治疗结果和第二治疗结果。
[0012]在一个实施例中，编码器以无监督的方式与解码器一起训练以预测预定的放射组学。潜在空间的值是编码器和解码器的瓶颈特征。
[0013]根据另一实施例，第一治疗结果和第二治疗结果是负面影响、毒性、结果、进展、复发和控制中的不同治疗结果。第一机器学习分类器或回归器和第二机器学习分类器或回归器利用相同编码器来单独训练。
[0014]作为另一实施例，图像处理器还被配置成生成潜在空间的值的可视化。
[0015]在第三方面中，提供一种用于机器训练用于治疗预测的模型的方法。包括编码器和解码器的网络被机器训练以响应于医疗成像数据的输入来预测放射组学的值。第一分类器或回归器被机器训练以响应于由编码器输出的特征值的输入而输出第一治疗响应。第二分类器或回归器被机器训练以响应于由编码器输出的特征值的输入而输出第二治疗响应。存储编码器、第一分类器或回归器以及第二分类器或回归器。
[0016]在一个实施例中，网络的机器训练包括无监督训练，其中，放射组学包括从手工制作的函数量化的值。
[0017]在另一实施例中，第一分类器或回归器和第二分类器或回归器的机器训练包括针对风险器官的负面影响或毒性中的一个来机器训练第一分类器或回归器并且针对肿瘤的结果、进展、复发或控制来机器训练第二分类器或回归器，第一分类器或回归器和第二分类器或回归器两者使用相同编码器。第一分类器或回归器和第二分类器或回归器两者使用相同编码器。
[0018]根据另一实施例，网络的机器训练包括机器训练解码器以预测放射组学的值并且根据治疗输出肿瘤和/或风险器官的分割。第一分类器或回归器和第二分类器或回归器的机器训练包括利用所述分割和医疗成像数据到编码器的输入进行机器训练。
[0019]作为又一实施例，第二分类器或回归器的机器训练包括根据输出的特征值和分割
进行训练，以由与执行网络的训练的一方不同的一方来训练。
[0020]上面描述的方面中的任何一个或多个可以单独地或组合地使用。方法、系统或计算机可读介质中的一个的任何方面可以用于方法、系统或计算机可读介质中的其它。从要结合附图阅读的优选实施例的以下详细描述中，这些和其它方面、特征和优点将变得显而易见。本专利技术由所附权利要求限定，并且本节中的任何内容不应被认为是对那些权利要求的限制。本专利技术的另外方面和优点将在下面结合优选实施例进行讨论，并且可以稍后独立地或组合地要求保护。
附图说明
[0021]组件和附图不一定按比例绘制，而是将重点放在说明实施例的原理上。此外，在附图中，相同的附图标记贯穿不同的视图指定对应的部件。
...

【技术保护点】

【技术特征摘要】
1.一种用于利用机器进行治疗响应预测的方法，所述方法包括：获取表示患者的医疗图像数据；从所述医疗图像数据分割风险器官和肿瘤的总肿瘤体积；从所述医疗图像数据、分割的风险器官和所述总肿瘤体积生成潜在表示结果，所述潜在表示结果由编码器生成，所述编码器以无监督的方式与解码器一起机器训练以从手工制作的放射组学预测具有基准真相的放射组学特征；响应于所述潜在表示结果从所述编码器到第一机器训练分类器和第二机器训练分类器的输入，由所述第一机器训练分类器和第二机器训练分类器预测针对所述总肿瘤体积和所述风险器官的治疗响应；以及输出所述风险器官和所述总肿瘤体积的预测的治疗响应。2.根据权利要求1所述的方法，其中，采集包括采集计算机断层摄影数据作为所述医疗图像数据，并且其中，用于训练所述编码器和解码器的所述手工制作的放射组学包括肿瘤强度、肿瘤形状、肿瘤纹理和小波变换的预定量化。3.根据权利要求1所述的方法，其中，分割包括利用机器学习网络进行分割，并且其中，预测包括响应于输入来自所述编码器的所述潜在表示结果以及来自所述分割的所述机器学习网络的隐藏特征的值进行预测。4.根据权利要求3所述的方法，其中，预测包括从所述值和所述潜在表示结果来预测为特征金字塔网络，其中，多尺度、分层特征作为所述隐藏特征。5.根据权利要求1所述的方法，其中，生成包括由包括卷积神经网络的所述编码器来生成。6.根据权利要求1所述的方法，其中，生成包括在所述编码器与所述解码器一起机器训练以预测所述放射组学特征和分割的情况下生成。7.根据权利要求6所述的方法，其中，生成包括在所述编码器与所述解码器一起机器训练以预测所述放射组学特征、所述分割和感兴趣区域的信息的情况下生成。8.根据权利要求1所述的方法，其中，预测所述治疗响应包括预测对所述风险器官的负面影响或毒性以及预测所述肿瘤的进展、复发或控制。9.根据权利要求8所述的方法，其中，预测包括使用不同的机器训练分类器，利用来自相同编码器的潜在表示结果的输入，预测对所述风险器官的负面影响或毒性中的多个以及所述肿瘤的进展、复发或控制中的多个。10.根据权利要求1所述的方法，还包括利用所述潜在表示结果搜索类似病例。11.根据权利要求10所述的方法，其中，输出还包括输出所述患者和所述类似病例的所述潜在表现结果的可视化。12.一种用于治疗预测的医疗系统，所述医疗系统包括：存储器，被配置成存储计算机断层摄影数据；图像处理器，被配置成：分割肿瘤或与所述肿瘤相邻...

【专利技术属性】
技术研发人员：娄彬，徐宙冰，A，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：