-
公开(公告)号：CN111540437B
公开(公告)日：2023-05-12
申请号：CN202010328992.6
申请日：2020-04-23
Applicant: 北京大学第三医院(北京大学第三临床医学院)
IPC: G16H20/40 , G06F18/2431 , G06F18/214 , G06N20/00
Abstract: 本发明提供一种基于人工智能的剂量验证方法及系统，该方法包括：获取调强放疗计划的射野面积、射野调制复杂度、叶片运动和剂量特征参数；建立基于机器学习模型的回归模型，将所述特征参数作为所述机器学习模型的输入样本，设定标准γ通过率作为所述机器学习模型的输出；建立基于机器学习模型的分类模型，将所述特征参数作为所述机器学习模型的输入样本，所述标准γ通过率作为机器学习模型的输出；进行样本训练得到最佳预测的回归模型和分类模型，并根据所述最佳预测模型对待验证的所述特征参数进行预测γ通过率，进而对临床调强放疗计划进行预测和分类。本发明能解决现有放疗剂量验证工作存在花费时间长、人力成本高的问题，能提高效率和质量。
-
公开(公告)号：CN117474784B
公开(公告)日：2025-04-01
申请号：CN202311544597.1
申请日：2023-11-20
Applicant: 北京航空航天大学 , 北京大学第三医院(北京大学第三临床医学院)
IPC: G06T5/50 , G06T3/14 , G06T3/4038 , G06T3/4023 , G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于深度学习的多模态图像合成方法，该方法包括：S1、数据收集：收集宫颈癌患者的CBCT图像和对应的计划CT图像；S2、图像预处理：将计划CT图像配准到CBCT图像，并将非解剖结构去除；邻域插值并裁剪图像至同一尺寸；调整窗宽，并将CT值转化为线性衰减系数；S3、构建深度学习模型框架；S4、分层训练：采用分层训练策略训练所述的深度学习模型，首先训练粗分辨率的残差U‑Net；然后以前一阶段为起点，继续用更高分辨率的图像训练所述的深度学习模型，以帮助深度学习模型学习更复杂的图像特征并捕获更精细的图像细节；S5、模型测试验证：使用分层训练好的深度学习模型直接从原始CBCT图像生成伪CT图像。
-
公开(公告)号：CN112837782B
公开(公告)日：2024-07-02
申请号：CN202110157408.X
申请日：2021-02-04
Applicant: 北京大学第三医院(北京大学第三临床医学院)
IPC: G16H20/40 , G06N3/0464 , G06N3/08 , G06N7/01
Abstract: 本发明提供一种基于深度学习的放疗三维剂量预测方法，该方法包括：获取过往患者的CT数据和对应的剂量分布图，以形成数据集；对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；建立U‑Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U‑Net神经网络模型进行交叉验证，以自适应调整所述U‑Net神经网络模型的结构；然后将待预测患者的CT数据输入所述U‑Net神经网络模型得到预测的三维剂量分布图。进而引入贝叶斯神经网络结构进行模型的鲁棒性测试，以增加其临床的使用安全性和鲁棒性。本发明能提升肿瘤放疗计划设计的质量和效率，提高临床治疗安全性。
-
公开(公告)号：CN117474784A
公开(公告)日：2024-01-30
申请号：CN202311544597.1
申请日：2023-11-20
Applicant: 北京航空航天大学 , 北京大学第三医院(北京大学第三临床医学院)
IPC: G06T5/50 , G06T3/14 , G06T3/4038 , G06T3/4023 , G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于深度学习的多模态图像合成方法，该方法包括：S1、数据收集：收集宫颈癌患者的CBCT图像和对应的计划CT图像；S2、图像预处理：将计划CT图像配准到CBCT图像，并将非解剖结构去除；邻域插值并裁剪图像至同一尺寸；调整窗宽，并将CT值转化为线性衰减系数；S3、构建深度学习模型框架；S4、分层训练：采用分层训练策略训练所述的深度学习模型，首先训练粗分辨率的残差U‑Net；然后以前一阶段为起点，继续用更高分辨率的图像训练所述的深度学习模型，以帮助深度学习模型学习更复杂的图像特征并捕获更精细的图像细节；S5、模型测试验证：使用分层训练好的深度学习模型直接从原始CBCT图像生成伪CT图像。
-
公开(公告)号：CN116779173A
公开(公告)日：2023-09-19
申请号：CN202311069534.5
申请日：2023-08-24
Applicant: 北京大学第三医院(北京大学第三临床医学院)
Abstract: 本发明涉及一种基于人工智能的放射治疗剂量预测系统和方法，该系统包括3D‑Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块，3D‑Unet深度学习模型构建模块用于构建3D‑Unet深度学习模型；第一模型训练模块用于训练得到第一模型，并提取中间剂量；第二模型训练模块用于训练得到第二模型，输出最终剂量分布。该系统采用级联神经网络设计，进行多通道输入，引入了几何数据增强，增加了模型的普适性，防止了模型训练过拟合问题，充分利用了危及器官，靶区，以及各体素到靶区的距离分布图用于剂量预测，提高了模型的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN112972912B
公开(公告)日：2021-08-17
申请号：CN202110433107.5
申请日：2021-04-22
Applicant: 北京大学第三医院(北京大学第三临床医学院)
IPC: A61N5/10
Abstract: 本发明涉及一种非共面放疗射束入射路径优化方法，包括以下步骤：第一、获取病人的医疗图像；第二、根据病人的医疗图像得到患者的结构信息；第三、根据得到的患者的结构信息建立靶区与危及器官的三维分布模型；第四、通过光线追踪制作出各入射角度代价的代价图；第五、利用最短路径算法在代价图中找到总代价最小的路径作为非共面优化轨道。该方法是一种基于代价图的自动化路径选取方法，不需要人工选择，能够对三维空间中各种可能的入射角度进行评估，能针对不同病人以及不同治疗部位得到最优的非共面入射路径，该方法最终得到的非共面放疗射束路径是连续的，不需要在治疗过程中进入治疗机房移动治疗床，能够节省治疗时间。
-
公开(公告)号：CN111540437A
公开(公告)日：2020-08-14
申请号：CN202010328992.6
申请日：2020-04-23
Applicant: 北京大学第三医院(北京大学第三临床医学院)
Abstract: 本发明提供一种基于人工智能的剂量验证方法及系统，该方法包括：获取调强放疗计划的射野面积、射野调制复杂度、叶片运动和剂量特征参数；建立基于机器学习模型的回归模型，将所述特征参数作为所述机器学习模型的输入样本，设定标准γ通过率作为所述机器学习模型的输出；建立基于机器学习模型的分类模型，将所述特征参数作为所述机器学习模型的输入样本，所述标准γ通过率作为机器学习模型的输出；进行样本训练得到最佳预测的回归模型和分类模型，并根据所述最佳预测模型对待验证的所述特征参数进行预测γ通过率，进而对临床调强放疗计划进行预测和分类。本发明能解决现有放疗剂量验证工作存在花费时间长、人力成本高的问题，能提高效率和质量。
-
公开(公告)号：CN117797419B
公开(公告)日：2025-02-25
申请号：CN202410125896.X
申请日：2024-01-30
Applicant: 北京大学第三医院(北京大学第三临床医学院)
IPC: A61N5/10 , G16H20/40 , G06N3/0475 , G06N3/094 , G06F18/213 , G06F18/214 , G06F18/24 , G06F18/25 , G06F18/21
Abstract: 本发明提供了一种容积调强放射治疗的检测方法及相关设备，应用于数据处理技术领域。本申请获取训练数据集和目标数据集；对训练数据集和目标数据集进行预处理，生成带有标识信息的训练数据集和带有标识信息的目标数据集；基于生成对抗网络和深度学习模型构建初始深度混合学习模型；基于带有标识信息的训练数据集对初始深度混合学习模型进行训练，生成目标深度混合学习模型；基于目标深度混合学习模型对目标数据集进行处理，生成剂量验证结果。通过基于生成对抗网络和深度学习模型构建深度混合学习模型作为多机构VMAT患者剂量验证的通用框架，进而消除来自多个机构变量之间的异质性，达到了为临床PSQA提供了更准确、计算成本更低的目的。
-
公开(公告)号：CN117797419A
公开(公告)日：2024-04-02
申请号：CN202410125896.X
申请日：2024-01-30
Applicant: 北京大学第三医院(北京大学第三临床医学院)
IPC: A61N5/10 , G16H20/40 , G06N3/0475 , G06N3/094 , G06F18/213 , G06F18/214 , G06F18/24 , G06F18/25 , G06F18/21
Abstract: 本发明提供了一种容积调强放射治疗的检测方法及相关设备，应用于数据处理技术领域。本申请获取训练数据集和目标数据集；对训练数据集和目标数据集进行预处理，生成带有标识信息的训练数据集和带有标识信息的目标数据集；基于生成对抗网络和深度学习模型构建初始深度混合学习模型；基于带有标识信息的训练数据集对初始深度混合学习模型进行训练，生成目标深度混合学习模型；基于目标深度混合学习模型对目标数据集进行处理，生成剂量验证结果。通过基于生成对抗网络和深度学习模型构建深度混合学习模型作为多机构VMAT患者剂量验证的通用框架，进而消除来自多个机构变量之间的异质性，达到了为临床PSQA提供了更准确、计算成本更低的目的。
-
公开(公告)号：CN116580814A
公开(公告)日：2023-08-11
申请号：CN202310290064.9
申请日：2023-03-23
Applicant: 北京大学第三医院(北京大学第三临床医学院)
Abstract: 本发明涉及一种基于深度学习的放疗计划自动生成系统和方法，该系统包括训练单元和后处理单元；训练单元包括输入模块、图像预处理模块、3D‑Unet深度学习模型构建模块、训练网络和输出模块；后处理单元包括输入端、置信图叠加输出模块、输出端、逆优化模块和转化模块；输入端用于输入新病人的CT影像、危及器官和靶区的勾画结构，得到三个不同的训练好的3D‑Unet深度学习模型各自的置信图；置信图叠加输出模块用于将三个置信图的最大处叠加，并取最优阈值，预测得到新患者剂量分布；逆优化模块用于将预测结果输入计划系统进行逆优化；转化模块用于将逆优化后的结果转化为加速器的机器参数，并形成新计划。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.086 seconds)
