【技術實現步驟摘要】
本專利技術涉及醫療用藥劑量分析，具體為基于深度學習的晚期鼻咽癌多目標劑量預測系統。
技術介紹
1、鼻咽癌是一種常見的頭頸部惡性腫瘤。放射治療是鼻咽癌的主要治療手段之一，對于控制腫瘤生長、提高患者生存率具有關鍵作用。然而，晚期鼻咽癌的治療面臨諸多挑戰，其中，準確的劑量預測以及腫瘤靶區和危及器官的精確勾畫是制定有效放射治療計劃的關鍵因素。
2、傳統劑量預測與勾畫方法存在如下局限性：
3、依賴人工經驗：傳統的劑量預測和腫瘤靶區及危及器官的勾畫主要依賴于醫生的人工經驗和手動操作；醫生需要根據患者的影像資料（如?ct、mr?等）以及自身的專業知識和臨床經驗來確定合適的放射治療劑量以及勾畫腫瘤和危及器官的范圍；這種方式不僅耗時費力，而且不同醫生之間可能存在較大的主觀性差異，導致治療效果的不確定性增加；
4、準確性有限：人工勾畫腫瘤靶區和危及器官時，由于影像資料的復雜性（如腫瘤邊界不清晰、正常組織與病變組織在影像上的相似性等），很難做到非常精確的界定，容易出現勾畫誤差；同樣，在劑量預測方面，基于經驗的方法難以充分考慮到患者個體差異（如腫瘤的異質性、患者的身體狀況等），使得預測的劑量可能無法達到最佳治療效果，或者可能對正常組織造成不必要的損傷，從而增加并發癥的發生風險。
5、因此，針對上述問題提出基于深度學習的晚期鼻咽癌多目標劑量預測系統。
技術實現思路
1、本專利技術的目的在于提供基于深度學習的晚期鼻咽癌多目標劑量預測系統，以解決上述
技術介紹
中提出
2、為實現上述目的，本專利技術提供如下技術方案：
3、基于深度學習的晚期鼻咽癌多目標劑量預測系統，包括：
4、數據采集模塊；數據采集模塊獲取患者的多模態影像數據及臨床信息；
5、自動勾畫模塊；自動勾畫模塊接收多模態影像數據，利用多模態信息融合技術綜合多模態影像數據的特殊性和互補性，基于知識蒸餾框架的多模態分割網絡框架，利用教師模型的軟目標引導學生模型訓練，對多模態影像數據自動勾畫結構，得到腫瘤靶區和危及器官的自動勾畫結果；
6、劑量預測模型構建模塊；劑量預測模型構建模塊接收自動勾畫結果，通過基于融合transformer模塊和unet優勢的unetr網絡模型的編碼器提取特征，解碼器融合特征并生成包含不確定性權重和預測劑量結果的多個劑量預測通道，且每個劑量預測通道有兩個分支，分別生成不確定性權重和預測劑量結果；
7、多樣化劑量生成模塊；多樣化劑量生成模塊包括基于共享主干特征的多分支預測方法和三元組損失函數約束機制，通過主干特征信息共享引導多個分支劑量預測結果的一致性，各分支通過卷積層學習多樣化結果，同時利用三元組損失函數約束多分支模型學習過程，生成多樣化劑量分布；
8、模型訓練與優化模塊；模型訓練與優化模塊利用訓練算法和優化策略對劑量預測模型進行訓練和優化，訓練過程中使用訓練集數據進行模型參數的更新，通過驗證集數據評估模型的性能并調整超參數；
9、結果輸出與可視化模塊；結果輸出與可視化模塊接收自動勾畫結果和多樣化劑量分布進行可視化處理，可視化方式包括劑量分布曲線、三維劑量云圖、腫瘤及危及器官的勾畫輪廓顯示。
10、作為一種優選方案，自動勾畫模塊中，知識蒸餾框架的蒸餾損失函數定義為，其中，表示教師模型和學生模型輸出的特征維度數量，表示樣本的索引，和分別為教師模型和學生模型的輸出，且在網絡框架的兩條處理分支中集成基于編碼器-解碼器架構的分割網絡，以交叉熵損失作為分割損失函數，交叉熵損失函數定義為，其中，是樣本數量，是真實標簽，是預測標簽。
11、作為一種優選方案，基于共享主干特征的多分支預測方法中，主干特征信息共享確保多個分支劑量預測結果在具有共性的基礎上，實現多樣化學習。
12、作為一種優選方案，劑量預測模型構建模塊進行劑量預測的步驟如下：
13、步驟s1、接收來自自動勾畫模塊輸出的自動勾畫結果，自動勾畫結果包含了腫瘤靶區和危及器官的勾畫信息，腫瘤靶區和危及器官的勾畫信息以圖像形式呈現，其中每個像素點對應著是否屬于腫瘤或特定危及器官的標注信息，將自動勾畫結果作為輸入數據，送入unetr網絡模型；
14、步驟s2、在unetr網絡模型的編碼器部分，利用transformer模塊對輸入數據進行特征提取，transformer模塊基于其自注意力機制來捕捉輸入數據中的長距離依賴關系和全局上下文信息，設輸入數據為x，transformer模塊中的自注意力計算過程如下：
15、通過線性變換將輸入x分別映射為查詢向量q、鍵向量k和值向量v，公式為：，，，其中，、、為可學習的權重矩陣；
16、步驟s3、計算注意力分數，公式為：
17、；其中，是鍵向量的維度，是鍵向量的轉置，函數用于將注意力分數歸一化到區間，使得每行的和為1；
18、步驟s4、通過注意力分數對值向量進行加權求和，得到經過自注意力機制處理后的輸出，公式為：，經過多層transformer模塊的處理，得到具有豐富全局特征信息的中間特征表示；
19、步驟s5、在transformer模塊提取特征的同時，unetr網絡模型的編碼器還遵循unet的架構風格進行下采樣操作，下采樣采用卷積層和池化層的組合來實現，在每次下采樣后，將不同層級提取到的特征進行融合，即設經過第次下采樣后得到的特征為，將其與之前層級通過transformer模塊提取到的特征進行融合，融合方式為拼接或元素級相加，得到融合后的特征；
20、步驟s6、在解碼器部分，利用跳躍連接將編碼器不同層級提取到的特征傳遞到解碼器相應的層級，設編碼器第層級的特征為通過跳躍連接將其傳遞到解碼器相應的層級，在解碼器中記為；
21、步驟s7、在解碼器中，采用卷積層操作進行上采樣，恢復數據的分辨率，在每次上采樣后，將上采樣得到的特征與通過跳躍連接傳遞過來的對應層級的特征進行融合，得到融合后的特征，通過多次上采樣和特征融合操作，將特征恢復到接近原始輸入數據的分辨率，同時融合了不同層級的特征信息；
22、步驟s8、在經過解碼器操作后，得到融合了不同層級特征的最終特征表示，基于最終特征表示，通過一系列全連接層或者卷積層生成多個劑量預測通道，設生成的劑量預測通道數量為，則對于每個劑量預測通道，，通過相應的網絡層操作得到該通道的輸出；
23、步驟s9、對于每個劑量預測通道,其輸出有兩個分支，分別用于生成不確定性權重和預測劑量結果：
24、步驟s9-1、生成不確定性權重的分支：通過一個包含若干全連接層或卷積層的小型網絡的子網絡結構對最終特征表示進行處理，得到不確定性權重；
25、步驟s9-2、生成預測劑量結果的分支：通過子網絡結構對最終特征表示進行處理，得到預測劑量結果，預測劑量結果為模型對每個體素點所預測的放射治療劑量值。
26、作為一種優選方案，三元組損失函數約束機制中本文檔來自技高網...
【技術保護點】
1.基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：包括：
2.根據權利要求1所述的基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：所述自動勾畫模塊中，知識蒸餾框架的蒸餾損失函數定義為，其中，表示教師模型和學生模型輸出的特征維度數量，表示樣本的索引，和分別為教師模型和學生模型的輸出，且在網絡框架的兩條處理分支中集成基于編碼器-解碼器架構的分割網絡，以交叉熵損失作為分割損失函數，交叉熵損失函數定義為，其中，是樣本數量，是真實標簽，是預測標簽。
3.根據權利要求2所述的基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：所述基于共享主干特征的多分支預測方法中，主干特征信息共享確保多個分支劑量預測結果在具有共性的基礎上，實現多樣化學習。
4.根據權利要求3所述的基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：所述劑量預測模型構建模塊進行劑量預測的步驟如下：
5.根據權利要求4所述的基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：所述三元組損失函數約束機制中，三元組損失函數為，其中，代表錨數據，代表和錨數
...【技術特征摘要】
1.基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：包括：
2.根據權利要求1所述的基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：所述自動勾畫模塊中，知識蒸餾框架的蒸餾損失函數定義為，其中，表示教師模型和學生模型輸出的特征維度數量，表示樣本的索引，和分別為教師模型和學生模型的輸出，且在網絡框架的兩條處理分支中集成基于編碼器-解碼器架構的分割網絡，以交叉熵損失作為分割損失函數，交叉熵損失函數定義為，其中，是樣本數量，是真實標簽，是預測標簽。
3.根據權利要求2所述的基于深度學習的晚期鼻咽癌多目標劑量預測系統，其特征在于：所述基于共享主干特征的多分支預測方法中，主干特征信息...
【專利技術屬性】
技術研發人員：郭飛寶，陳君，邵玲瓏，柳炫宇，郭翌，
申請(專利權)人：福建醫科大學附屬第一醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。