一种基于无监督学习的放射治疗计划评估方法及装置与流程

1.本发明属于放射治疗技术领域，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。


背景技术：

2.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。
3.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。
4.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 system,tps)所提供的脚本功能设计软件，直接读取或者自定义公式读取感兴趣区域的相关剂量学统计指标，将其与医生所下处方要求进行比较，判断计划是否满足临床要求。放疗医生给出的临床目标参考现有的学术共识和指南，更资深权威的机构在此基础上自定义一套经过修改的评价标准。
5.临床研究表明，患者的可达剂量与其几何解剖结构特性息息相关。通过统计整理临床病例，构建器官间几何解剖结构与对应放疗计划剂量学信息的关联模型，可以在计划设计前对每一位患者的放疗计划制定个性化评价标准。
6.现有的放疗计划评估存在以下问题：
7.第一，现有的放疗计划评估方式，多参考已有的学术共识和指南，更资深权威的机构或在此基础上自定义一套经过修改的评价标准。该方法具有一定的主观性，会导致计划质量的不稳定。
8.第二，若临床计划都服从于统一的规范标准，会导致，对于几何结构较为复杂的病例，临床设定的目标往往难以达到，而针对几何结构简单的病例，临床目标极易达到，如果此时停止进一步优化，可能得到质量次优的放疗计划。
9.第三，现有的用于放疗计划评估的专业软件，根据危及器官与靶区之间的几何关系，模拟计算剂量衰减，从而定量计算出受照剂量的方法，在预测靶区和危及器官受量时只考虑射线在人体组织中辐射的物理性质，没有考虑直线加速器和光栅性能以及其它正常危及器官的相互制约性质等，所以预测的靶区和危及器官剂量在总体上是最理想化的结果，不能很好地符合实际情况。


技术实现要素：

10.为了解决上述技术问题，本发明提出了一种基于无监督学习的放射治疗计划评估
方法及装置。
11.为了达到上述目的，本发明的技术方案如下：
12.一方面，本发明公开了一种基于无监督学习的放射治疗计划评估方法，包括以下步骤：
13.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；
14.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；
15.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；
16.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；
17.s5：对任一病人的新数据进行计算并判断其所属类别；
18.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。
19.在上述技术方案的基础上，还可做如下改进：
20.作为优选的方案，s1具体包括以下步骤：
21.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；
22.s1.2：计算各感兴趣区域间相互的ovh曲线；
23.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；
24.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。
25.作为优选的方案，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。
26.作为优选的方案，s2具体包括以下步骤，其中高维的解剖结构向量为ovh向量：
27.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；
28.s2.2：利用无监督学习的降维算法将m维ovh向量降至t维。
29.作为优选的方案，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。
30.作为优选的方案，s3具体包括以下内容：
31.利用无监督学习的聚类算法将数据集依据提取并处理后的f个特征属性向量，包括降维后的各ovh向量、器官绝对体积向量、器官相对位置向量聚类到k个类别。
32.作为优选的方案，无监督学习的聚类算法为k-均值聚类算法、层次聚类算法、均值漂移算法、基于密度聚类算法中的一种或多种。
33.作为优选的方案，s4具体包括以下内容：以临床评价指标为基础，统计分析每一个类别所对应的数据中已临床实施的优质放疗计划剂量结果及获得相应结果所使用的硬件信息和软件信息，并按不同等级计划效果，计算放疗计划评分表中不同指标项得分范围所对应的剂量结果，生成适合该类别数据的计划评分模板。
34.作为优选的方案，s5具体包括以下步骤：
35.s5.1：获取新数据的解剖结构向量；
36.s5.2：对高维解剖结构向量进行降维；
37.s5.3：计算s5.2得到的降维后的向量及s5.1获取的低维解剖结构向量与各聚类中心点的相似度，判断新数据所属类别。
38.另一方面，本发明公开了一种基于无监督学习的放射治疗计划评估装置，包括：
39.解剖结构向量获得模块，用于针对任一病种，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；
40.降维处理模块，用于利用无监督学习的降维算法对解剖结构向量获得模块得到的高维解剖结构向量进行降维；
41.聚类处理模块，用于利用无监督学习的聚类算法对数据集依据解剖结构向量获得模块得到的低维的解剖结构向量和经降维处理模块处理后得到的低维属性向量进行聚类，得到k个类别；
42.计划评分模板生成模块，用于根据聚类处理模块得到的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；
43.类别判断模块，用于对任一病人的新数据进行计算并判断其所属类别；
44.放射治疗计划评估模块，用于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。
45.本发明一种基于无监督学习的放射治疗计划评估方法及装置，依据临床指南和技术性报告，结合已临床实施的优质放疗计划结果，基于无监督学习方法得到的聚类后的每个类别数据均得到对应计划评分模板，实现对几何结构复杂度不同的病例的个性化评估，解决计划评估在满足临床规范的情况下，难以满足患者个体之间差异的问题；同时，结合已在临床实施的优质计划剂量结果的评分表，已经考虑了加速器和光栅性能等因素对放疗计划效果的制约；同时，将该放疗计划评分表所对应的理想剂量参数应用到逆向调强计划设计当中，改善由于物理师临床经验丰富程度及可消耗时间差异所造成的计划质量差异，提高放疗计划的质量和效率。
附图说明
46.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
47.图1为本发明实施例提供的基于无监督学习的放射治疗计划评估方法流程图；
48.图2为本发明实施例提供的计算重叠体积直方图ovh的算法流程图；
49.图3为本发明实施例提供的对解剖结构向量进行pca降维的算法流程图；
50.图4为本发明实施例提供的对宫颈癌数据库聚类时选取的解剖结构特征；
51.图5为本发明实施例提供的无监督学习中k-均值聚类的算法流程图。
具体实施方式
52.下面结合附图详细说明本发明的优选实施方式。
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]“包括”元件的表述是“开放式”表述，该“开放式”表述仅仅是指存在对应的部件或步骤，不应当解释为排除附加的部件或步骤。
[0055]
为了达到本发明的目的，一种基于无监督学习的放射治疗计划评估方法及装置的其中一些实施例中，以宫颈癌为例子，如图1所示，放射治疗计划评估方法包括以下步骤：
[0056]
s1：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，数据包括：ct图像、人体各器官与靶区勾画轮廓信息；
[0057]
s2：利用无监督学习的降维算法对s1得到的高维解剖结构向量进行降维；
[0058]
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；
[0059]
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；
[0060]
s5：对任一病人的新数据进行计算并判断其所属类别；
[0061]
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。
[0062]
本发明一种基于无监督学习的放射治疗计划评估方法，首先获取数据集的解剖结构特征属性组成向量，对高维解剖结构向量进行降维，然后使用聚类算法按降维后的向量及原低维的解剖结构向量对数据进行聚类，根据聚类结果生成不同类簇计划评分模板。
[0063]
本发明采用解剖结构向量查找数据库中最相似数据的方法，解剖结构向量包括但不限于感兴趣区域重叠体积直方图信息(重叠体积直方图，overlap volume histogram，ovh)、相对位置信息、体积信息。
[0064]
进一步，在上述实施例的基础上，s1具体包括以下步骤：
[0065]
s1.1：从宫颈癌数据库中获取n个病人的感兴趣区域勾画信息，包括靶区、直肠、膀胱、小肠、脊髓、左右股骨头，并在层厚方向进行插值，在本实施例中使用灰度线性插值；
[0066]
s1.2：计算各感兴趣区域间相互的ovh曲线；
[0067]
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；
[0068]
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。
[0069]
进一步，在上述实施例的基础上，如图2所示，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。
[0070]
进一步，在上述实施例的基础上，s2具体包括以下步骤，其中高维解剖结构向量为ovh向量：
[0071]
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；
[0072]
s2.2：利用无监督学习的降维算法将m维ovh向量降至t维。
[0073]
进一步，在上述实施例的基础上，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。
[0074]
如图3所示，下面以主成分分析算法，pca方法为例进行降维的具体描述。
[0075]
a1：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；
[0076]
a2：对各矩阵的协方差矩阵的特征向量按特征值从大到小排序，取前t个特征向量单位化后转置组成投影空间；
[0077]
a3：根据投影空间和原矩阵计算降维后的数据；
[0078]
a4：降维后的数据进行pca逆变换后与原数据比较判断t值的选择。
[0079]
值得注意的是，本发明的保护范围并不仅仅限于pca降维算法。
[0080]
进一步，在上述实施例的基础上，s3具体包括以下内容：
[0081]
利用无监督学习的聚类算法将数据集依据提取并处理后的f个特征属性向量，包括降维后的各ovh向量、器官绝对体积向量、器官相对位置向量聚类到k个类别。
[0082]
进一步，在上述实施例的基础上，无监督学习的聚类算法为k-均值聚类算法、层次聚类算法、均值漂移算法、基于密度聚类算法中的一种或多种。
[0083]
图4为本实施例所选取的8个特征属性，基于这些特征属性对数据集中的数据进行聚类。
[0084]
如图5所示，下面以k-均值聚类算法为例进行聚类的具体描述。
[0085]
b1：计算各数据间各特征属性的相似度，本实施例使用解剖结构向量间夹角余弦值表示，得到相似度矩阵；
[0086]
b2：根据相似度密度参数找出孤立数据点，单独作为一类；
[0087]
b3：根据数据点的相似度密度对其进行排序组成候选中心矩阵；
[0088]
b4：对于含有n例数据的数据集，聚类数目k从1至循环，循环过程计算出各k值时的聚类中心及此时的类内误差平方和；
[0089]
b5：分析不同k值下的类内误差平方和值，确定聚类数目。
[0090]
b4中，首先获取各k值时的初始聚类中心，计算各数据与初始聚类中心的相似度并聚类，重新计算各类簇的中心点，再计算各数据到新聚类中心的相似度，再聚类，重复该步骤直至聚类中心不变。
[0091]
值得注意的是，本发明的保护范围并不仅仅限于k-均值聚类算法。
[0092]
进一步，在上述实施例的基础上，s4具体包括以下内容：以临床评价指标为基础，统计分析每一个类别所对应的数据中已临床实施的优质放疗计划剂量结果及获得相应结果所使用的硬件信息和软件信息，并按不同等级计划效果，计算放疗计划评分表中不同指标项得分范围所对应的剂量结果，生成适合该类别数据的宫颈癌计划评分模板。
[0093]
根据聚类结果生成不同类簇计划评分模板时，除考虑临床剂量要求外，还分析提取了已执行的优质放疗计划信息，按不同档次(不同加速器、tps等)划分出可能的剂量结果并计算相应档次得分。
[0094]
进一步，在上述实施例的基础上，s5具体包括以下步骤：
[0095]
s5.1：获取新数据的解剖结构向量；
[0096]
s5.2：对高维的解剖结构向量进行降维；
[0097]
s5.3：计算s5.2得到的降维后的向量及s5.1获取的低维的解剖结构向量与各聚类中心点的相似度，判断新数据所属类别。
[0098]
本发明实施例还公开了一种基于无监督学习的放射治疗计划评估装置，包括：
[0099]
解剖结构向量获得模块，用于针对宫颈癌，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；
[0100]
降维处理模块，用于利用无监督学习的降维算法对解剖结构向量获得模块得到的高维解剖结构向量进行降维；
[0101]
聚类处理模块，用于利用无监督学习的聚类算法对数据集依据解剖结构向量获得模块得到的低维的解剖结构向量和经降维处理模块处理后得到的低维属性向量进行聚类，得到k个类别；
[0102]
计划评分模板生成模块，用于根据聚类处理模块得到的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；
[0103]
类别判断模块，用于对任一病人的新数据进行计算并判断其所属类别；
[0104]
放射治疗计划评估模块，用于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。
[0105]
本发明一种基于无监督学习的放射治疗计划评估方法及装置，具有以下有益效果：
[0106]
第一，本发明提取各数据解剖结构向量进行聚类分析，并将新数据的解剖结构向量与聚类结果比较找到最相似数据点，从而获得相应计划评分模板，可以有效实现对几何结构复杂度不同的数据的个性化评估，有效解决了对于几何结构较为复杂的数据，临床目标难以达到，而对于几何结构简单的数据点，临床目标极易达到的问题
[0107]
第二，本发明解决了计划评估在满足临床规范的情况下，难以满足患者个体之间差异的问题。本发明针对聚类结果，结合临床指标和已执行的优质临床计划，得到适合于各类数据的计划评分模板，不再使用单一的临床指标。同时，放疗计划评分表所包含剂量参数考虑了实际物理约束，结合已在临床实施的优质计划剂量结果所设计的评分表，已经考虑了加速器和光栅性能等因素对放疗计划效果的制约，将放疗计划评分表所对应的理想剂量参数应用到逆向调强计划设计当中，可改善由于物理师临床经验丰富程度及可消耗时间差异所造成的计划质量差异，提高放射治疗计划设计效率和质量。
[0108]
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd-rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
[0109]
上述实施例只为说明本发明的技术构思及特点，其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明
精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。