-
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：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：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。
-
-
-
Search Results
4
records
(took 0.037 seconds)
