System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及肿瘤放射治疗,具体为一种基于组学的放疗计划特征提取方法。
技术介绍
1、调强放疗能够产生陡峭的剂量梯度,在杀死肿瘤细胞的同时更好的保护周围正常组织器官。然而,强度调制也增加了剂量投照在实际执行过程中的不确定性,增加了放疗计划的复杂度。有研究[14]表明,计划复杂度和放疗部位有关,其中头颈部肿瘤的计划复杂度最高;机械到位精度随加速器平台不同有所变化,新型设备较老旧设备到位精度有明显改善。
2、随着人工智能技术的发展,机器学习(machine learning,ml)在医学物理研究中的应用越来越广泛。很多学者[15-17]尝试采用ml技术来预测放疗计划剂量验证的结果,以提高患者个体化质量保证(patient specific quality assurance,psqa)效率。研究证实放疗计划复杂度和psqa结果密切相关,然而,现有的单一指标并不能代表计划复杂度的所有方面,且组合不同评价指标的结论也有所不同,因此,如何更好的度量放疗计划复杂度成为了当前业内研究的热点问题。
3、2021年,li等[18]首次提出了计划组学(planomics)的概念,并利用计划文件基于180个控制点计算得到了2476个计划组学特征。但该研究提取到计划组学特征是基于单个控制点的,并没有考虑所有控制点在执行过程中的先后顺序,且没有开源的程序包可供借鉴,这制约了其在psqa中的推广应用。
技术实现思路
1、本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些
2、因此,本专利技术的目的是提供一种基于组学的放疗计划特征提取方法,利用组学方法提取到的计划特征来评价放疗计划的复杂性,可以准确预测调强放疗计划的复杂度,有望在提高psqa效率、筛选更高质量的放疗计划方面发挥更大价值。
3、为解决上述技术问题,根据本专利技术的一个方面,本专利技术提供了如下技术方案:
4、一种基于组学的放疗计划特征提取方法,其包括:
5、s1、读取dicom-rtplan放疗计划文件,获取每个照射野、每个控制点的mu信息、y方向准直器的坐标信息和x方向mlc每个叶片的坐标信息;
6、s2、以最大射野为参考,根据放疗计划控制点数目定义若干个二维零矩阵,将每个控制点中y准直器和mlc坐标值包绕区域内的零值赋值为该控制点mu的绝对值;
7、s3、按照射野的先后顺序遍历所有控制点,把放疗计划转换为一个包含计划控制点信息、子照射野大小形状信息、mu信息的三维矩阵,并转存为nii.gz格式的三维图像plan.nii.gz;
8、s4、以上述包含放疗计划信息的三维矩阵为模版,复制一个相同维度大小的三维矩阵,并将三维矩阵中非零区域的值赋值为1,生成用于放疗计划组学特征提取的蒙片,同样转存为nii.gz格式的三维图像mask.nii.gz;
9、s5、利用影像组学特征提取工具,提取plan.nii.gz文件中高通量的计划组学特征信息。
10、作为本专利技术所述的一种基于组学的放疗计划特征提取方法的一种优选方案,其中,所述步骤s1中,利用python软件读取dicom-rtplan放疗计划文件。
11、作为本专利技术所述的一种基于组学的放疗计划特征提取方法的一种优选方案,其中,所述步骤s2中,将每个控制点中y准直器和mlc坐标值包绕区域内的零值赋值为该控制点mu的绝对值具体为:即每个二维矩阵对应存放一个计划控制点的子照射野形状大小和mu信息。
12、作为本专利技术所述的一种基于组学的放疗计划特征提取方法的一种优选方案,其中,所述步骤s5中,影像组学特征提取工具具体为pyradiomics。
13、作为本专利技术所述的一种基于组学的放疗计划特征提取方法的一种优选方案,其中,所述步骤s5中,高通量的计划组学特征信息包括一阶特征、形态特征、灰度共生矩阵特征、灰度依赖矩阵特征、灰度游离矩阵特征、灰度大小区域矩阵特征、领域灰度差矩阵特征。
14、与现有技术相比,本专利技术具有的有益效果是:
15、本研究利用格式转换,将dicom-rt计划文件所有控制点包含的mlc、jaw和mu等信息按执行顺序保存为nii.gz格式的三维图像,并利用开源的python软件pyradiomics实现能表征计划复杂度特征提取。这极大程度地提高了计划组学特征提取的一致性,降低了计划组学特征提取的难度,且该方法提取到的计划组学特征包含了控制点在三维空间的分布信息。
16、本专利技术通过格式转换基于pyradiomics工具提取到的计划组学特征可以准确预测调强放疗计划的复杂度,有望在提高psqa效率、筛选更高质量的放疗计划方面发挥更大价值。
本文档来自技高网...【技术保护点】
1.一种基于组学的放疗计划特征提取方法,其特征在于,包括:
2.根据权利要求1所述的一种基于组学的放疗计划特征提取方法,其特征在于,所述步骤S1中,利用Python软件读取Dicom-RTplan放疗计划文件。
3.根据权利要求1所述的一种基于组学的放疗计划特征提取方法,其特征在于,所述步骤S2中,将每个控制点中Y准直器和MLC坐标值包绕区域内的零值赋值为该控制点MU的绝对值具体为:即每个二维矩阵对应存放一个计划控制点的子照射野形状大小和MU信息。
4.根据权利要求1所述的一种基于组学的放疗计划特征提取方法,其特征在于,所述步骤S5中,影像组学特征提取工具具体为Pyradiomics。
5.根据权利要求1所述的一种基于组学的放疗计划特征提取方法,其特征在于,所述步骤S5中,高通量的计划组学特征信息包括一阶特征、形态特征、灰度共生矩阵特征、灰度依赖矩阵特征、灰度游离矩阵特征、灰度大小区域矩阵特征、领域灰度差矩阵特征。
【技术特征摘要】
1.一种基于组学的放疗计划特征提取方法,其特征在于,包括:
2.根据权利要求1所述的一种基于组学的放疗计划特征提取方法,其特征在于,所述步骤s1中,利用python软件读取dicom-rtplan放疗计划文件。
3.根据权利要求1所述的一种基于组学的放疗计划特征提取方法,其特征在于,所述步骤s2中,将每个控制点中y准直器和mlc坐标值包绕区域内的零值赋值为该控制点mu的绝对值具体为:即每个二维矩阵对应存放一个计...
【专利技术属性】
技术研发人员:李金凯,许晓燕,汤福南,李彩虹,尚雷明,
申请(专利权)人:江苏省人民医院南京医科大学第一附属医院,
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。