[发明专利]一种基于深度神经网络的VMAT放疗计划的预测装置有效

专利信息
申请号: 202111065646.4 申请日: 2021-09-13
公开(公告)号: CN113517072B 公开(公告)日: 2022-01-28
发明(设计)人: 张蕾;李光俊;章毅;胡婷;谢立章;刘文杰;柏森 申请(专利权)人: 四川大学
主分类号: G16H50/50 分类号: G16H50/50;G16H50/20;G16H20/30;G06N3/04;G06N3/08
代理公司: 成都弘毅天承知识产权代理有限公司 51230 代理人: 陈仕超
地址: 610065 四川*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 神经网络 vmat 放疗 计划 预测 装置
【权利要求书】:

1.一种基于深度神经网络的VMAT放疗计划的预测装置,其特征在于:包括

数据准备模块,用于收集所有训练数据并明确数据的格式以及数据的集合划分,同时对数据进行预处理以保证输入格式;

模型设计模块,用于在模型训练前,通过多个卷积层、池化层、全连接层、残差结构的结合设计出预测模型的完整网络结构;

模型训练模块,用于模型设计好后,使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练,训练出网络结构中的所有参数,以获取一个完整的模型用于预测;

放疗计划预测模块,用于将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率;

其中,模型设计模块包括以下步骤:

步骤2.1:卷积层设计,通过每个卷积层从对应卷积核大小的区域中提取特征并将数值输入到下一层卷积层用于计算;

步骤2.2:池化层设计,包括一个最大池化层和一个平均池化层,通过最大池化层从设定参数的空间大小中搜索最大的数值并输入到下一层卷积层中作为该层的输入,通过平均池化层从设定参数的空间大小中求取所有参数的平均值并输入到下一层卷积层中作为该层输入;

步骤2.3:全连接层设计,通过全连接层转化数据的维度,将前一层卷积层的输出维度转化为全连接层想要获取的维度;

步骤2.4:残差结构设计,包括直接残差连接和间接残差连接,通过直接残差连接将上一层卷积层训练获得的数值直接传递到对应层以提升模型的特征提取能力,通过间接残差连接在获取数值之后,将这些数值再次输入到一个单独的卷积层进行一层卷积操作,随后将得到的值再传递到对应层卷积层。

2.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测装置,其特征在于:数据准备模块包括以下步骤:

步骤1.1:获取数据及标签,每张通量图的标签由三种误差容忍度计算而来,最终每个放疗计划将得到三个标签,作为最终的预测目标;

步骤1.2:数据预处理,使用的放疗计划具有91个控制点,同时每次测量会正向旋转一圈,负向旋转一圈,所以每个放疗计划最终得到了182张通量图,一个放疗计划的182张通量图按顺序排列并调整成相同大小;

步骤1.3:数据集划分,数据预处理后,将整个训练过程的数据分为训练集和测试集,训练集用于模型训练,测试集用于模型测试。

3.根据权利要求2所述的一种基于深度神经网络的VMAT放疗计划的预测装置,其特征在于:所述训练集的数据与测试集的数据比例为4:1。

4.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测装置,其特征在于:模型训练模块包括以下步骤:

步骤3.1:数据编码,将数据转化为计算机模型能够识别的模式,对于每一张图片采用RGB三通道编码方式将其转化为对应的数值,同时压缩每张图片为同一大小以适应网络输入;

步骤3.2:特征提取,数据编码后,将编码后的数据输入到模型用于训练;

步骤3.3:回归模块,特征提取后,采用一个逻辑回归层将最终提取到的特征映射到0到1之间,以反应每个放疗计划的通过率,并输出最终的结果;

步骤3.4:误差反向传播:回归模块输出结果后,将预测值与真实标签相减得到预测误差。

5.根据权利要求4所述的一种基于深度神经网络的VMAT放疗计划的预测装置,其特征在于:步骤3.1中,每个放疗计划包含182张图片,每个放疗计划xi为4维向量,其维度的表示方法为:图片通道数×图片长度×图片宽度×图片张数,其对应标签yi介于0到1之间,且越靠近1,则表示该放疗计划的通过率越高,其中,xi表示输入的变量图片,i为计划的编号;yi表示对应放疗计划x的医学标签,i为计划编号。

6.根据权利要求4所述的一种基于深度神经网络的VMAT放疗计划的预测装置,其特征在于:步骤3.2中,整个模型包括17个3d卷积层,一个最大池化层,多个非线性激活函数ReLu函数,一个全局平均池化层和一个全连接层。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于四川大学,未经四川大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202111065646.4/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top