-
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。
-
公开(公告)号：CN115994919A
公开(公告)日：2023-04-21
申请号：CN202310286877.0
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膀胱壁自动分割工具和方法，该工具包括输入端、预训练Resnet50深度神经网络、输出端、训练验证和测试单元以及整合勾画单元；所述的输入端用于输入三幅一致的核磁共振图像，作为预训练Resnet50深度神经网络的输入端，所述的输出端为膀胱壁勾画图像，所述的训练验证和测试单元采用三个不同的损失函数进行训练验证和测试，得到三个不同的神经网络模型；所述的整合勾画单元用于基于三个神经网络模型的置信度分布图，结合阈值去整合勾画结果，得出最终膀胱壁的分割图。
-
Patent Agency Ranking
公开(公告)号：CN113192053A
公开(公告)日：2021-07-30
申请号：CN202110550959.2
申请日：2021-05-18
Applicant: 北京大学第三医院(北京大学第三临床医学院)
Abstract: 本发明公开了一种基于深度学习的宫颈肿瘤靶区智能勾画方法、设备和介质，该方法包括：将患者的待勾画宫颈肿瘤多模态影像数据进行预处理；将待勾画宫颈肿瘤多模态影像数据输入卷积神经网络模型中，得到预测靶区；基于专家知识库确定预测靶区的准确度；若准确度小于预设准确度阈值，对患者的待勾画宫颈肿瘤多模态影像数据进行人工勾画，以得到人工勾画靶区；基于专家知识库确定人工勾画靶区的准确度，若大于等于预设准确度阈值，则人工勾画结束。本发明的基于深度学习的宫颈肿瘤靶区智能勾画方法，利用卷积神经网络自动得到预测靶区，并结合专家知识库对预测靶区进行准确性核验，可提高卷积神经网络模型的鲁棒性，并显著提高智能勾画的准确性。
-
公开(公告)号：CN112837782A
公开(公告)日：2021-05-25
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)
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：CN116758089A
公开(公告)日：2023-09-15
申请号：CN202310290066.8
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)
IPC: G06T7/10 , G06V10/774
Abstract: 本发明涉及一种宫颈癌临床靶区和正常器官智能勾画系统和方法，该系统包括训练单元和预测单元；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，预测单元包括输入端、置信图叠加输出模块和输出端；所述的输入端用于向三个不同的训练好的3D‑Unet深度学习模型分别输入新的相同的多模态影像，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；所述的置信图叠加输出模块用于将三个不同的训练好的3D‑Unet深度学习模型各自的置信图的最大处叠加，并取最优阈值，预测得到宫颈癌CTV和正常器官分割结果，并将预测结果通过所述的输出端输出。
-
公开(公告)号：CN113256500B
公开(公告)日：2021-10-01
申请号：CN202110746839.X
申请日：2021-07-02
Applicant: 北京大学第三医院(北京大学第三临床医学院)
Abstract: 本发明涉及一种多模态图像合成的深度学习神经网络模型系统，包括由残差深度神经网络(RDNN)与多分辨率优化策略相结合形成的多分辨率残差深度神经网络；RDNN包括A个卷积层，B个脱落层,C个批归一化(Batch Normalization)层和D个长期残差连接；其中，卷积层用于图像特征的提取；脱落层用于避免网络过拟合；批归一化层用于对对应卷积核的输入进行标准化；长期残差连接用于保留输入图像中的结构信息；每个脱落层的两侧均设置有卷积层，每个脱落层与两侧相邻的卷积层均连接；每个脱落层和批归一化层之间均设置有一个卷积层；脱落层、卷积层和批归一化层之间依次连接；每个长期残差连接的一端连接在卷积层与批归一化层之间；另一端连接在另一组卷积层与批归一化层之间。
-
公开(公告)号：CN116779173B
公开(公告)日：2023-11-24
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。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.054 seconds)
