(19)國家知識產(chǎn)權(quán)局地址100020北京市朝陽區(qū)工體南路8號所(普通合伙)11716專利代理師邢偉G16H30/40(20G16H50/70(2018.0G16H20/40(2018.01)GO6VGO6VGO6VGO6VGO6TGO6NGO6N基于圖像分析的放療定位模型構(gòu)建方法及本申請公開了基于圖像分析的放療定位模預(yù)測模型構(gòu)建得到基于圖像分析的放療定位模型21.基于圖像分析的放療定位模型構(gòu)建方法，其特征基礎(chǔ)臨床數(shù)據(jù)收集：獲取若干患者治療療程前期和后期人體參數(shù)數(shù)據(jù)，獲取若干患者治療療程前期和后期醫(yī)學(xué)影像數(shù)據(jù)進行預(yù)處理，得到人體參數(shù)數(shù)據(jù)集和第一醫(yī)學(xué)影像數(shù)據(jù)初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建：對所述人體參數(shù)數(shù)據(jù)進行分類，得到不同的人體參數(shù)數(shù)據(jù)集，對人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集進行處理學(xué)習和訓(xùn)練，得到基于第一醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小、位置預(yù)測模型；胸廓信息數(shù)據(jù)收集：獲取上述數(shù)據(jù)集中的患者放療過程中的胸廓信息數(shù)據(jù)以及與胸廓信息數(shù)據(jù)相對應(yīng)的醫(yī)學(xué)影像數(shù)據(jù)，即第二醫(yī)學(xué)影像數(shù)據(jù)，并對數(shù)據(jù)進行處理，得到胸廓信息數(shù)據(jù)集和第二醫(yī)學(xué)影像數(shù)據(jù)集；中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建：對胸廓信息數(shù)據(jù)集以及相對應(yīng)的第二醫(yī)學(xué)影像數(shù)據(jù)集進行學(xué)習和訓(xùn)練，得到基于胸廓信息數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)集、第二醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小位置預(yù)測模型，以對初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行矯正；基于圖像分析的放療定位模型：將患者的放療周期按照上述預(yù)測模型分為若干個階段，并采用第n階段的醫(yī)學(xué)影像數(shù)據(jù)對n-1階段的預(yù)測結(jié)果進行驗證并對中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型的模型參數(shù)動態(tài)矯正，得到基于圖像分析的放療定位模型。2.根據(jù)權(quán)利要求1所述的基于圖像分析的放療定位模型構(gòu)建方法，其特征在于，人體參一醫(yī)學(xué)影像數(shù)據(jù)包括CT影像、核磁影像、PET影像或超聲波影像；所述胸廓信息數(shù)據(jù)包括體膜氣囊氣體體積和壓力數(shù)據(jù)；第二醫(yī)學(xué)影像數(shù)據(jù)包括CT影像、核磁影像、PET影像或超聲波影像。3.根據(jù)權(quán)利要求1所述的基于圖像分析的放療定位模型構(gòu)建方法，其特征在于，所述預(yù)處理包括灰度不均與矯正、噪聲去除、對比度增強、統(tǒng)一圖像的格式和尺度以及分割，以獲得腫瘤特征信息。4.根據(jù)權(quán)利要求1所述的基于圖像分析的放療定位模型構(gòu)建方法，其特征在于，初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建中對人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集進行處理學(xué)習和訓(xùn)練、中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建中對胸廓信息數(shù)據(jù)集以及相對應(yīng)的第二醫(yī)學(xué)影像數(shù)據(jù)集進行學(xué)習和訓(xùn)練包括：將預(yù)處理好的人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集或胸廓信息數(shù)據(jù)集、第二醫(yī)學(xué)影像數(shù)據(jù)集進行數(shù)據(jù)集的劃分，具體劃分為訓(xùn)練集、驗證集和測試集；將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練；將訓(xùn)練好且最優(yōu)的模型權(quán)重進行保存；加載模型權(quán)重并在測試集上進行實際測試，得到最終的結(jié)果。5.根據(jù)權(quán)利要求4所述的基于圖像分析的放療定位模型構(gòu)建方法，其特征在于，將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練，具體包括：將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，并初始化神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)；采用隨機梯度下降算法將神經(jīng)網(wǎng)絡(luò)預(yù)測模型學(xué)習到的特征向量進行前向和反向傳播，不斷更新神經(jīng)網(wǎng)絡(luò)預(yù)測模型的學(xué)習參數(shù)；3將每次迭代訓(xùn)練后的預(yù)測結(jié)果與真實數(shù)據(jù)進行交叉熵損失函數(shù)的計算，直至損失值達到全局最優(yōu)解；記錄每次迭代訓(xùn)練的訓(xùn)練和驗證損失；當訓(xùn)練和驗證損失同步在下降，則神經(jīng)網(wǎng)絡(luò)預(yù)測模型繼續(xù)訓(xùn)練；當訓(xùn)練損失下降，而驗證損失上升，則神經(jīng)網(wǎng)絡(luò)預(yù)測模型停止訓(xùn)練；訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測模型至指定的迭代次數(shù)，然后停止訓(xùn)練。6.基于圖像分析的放療定位模型的預(yù)測方法，將當前病例的人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)、胸廓信息數(shù)據(jù)、第二醫(yī)學(xué)影像數(shù)據(jù)輸入訓(xùn)練好的基于圖像分析的放療定位模型第一數(shù)據(jù)獲取模塊，用于獲取人體參數(shù)數(shù)據(jù)；第二數(shù)據(jù)獲取模塊，用于獲取第一醫(yī)學(xué)影像數(shù)據(jù)和第二醫(yī)學(xué)影像數(shù)據(jù)；第三數(shù)據(jù)獲取模塊，用于獲取胸廓信息數(shù)據(jù)；圖像處理模塊，用于對第一醫(yī)學(xué)影像數(shù)據(jù)和第二醫(yī)學(xué)影像數(shù)據(jù)進行預(yù)處理，得到第一醫(yī)學(xué)影像數(shù)據(jù)集和第二醫(yī)學(xué)影像數(shù)據(jù)集；計算模塊，所述計算模塊中配置有訓(xùn)練好的基于圖像分析的放療定位模型，將當前病例人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)以及放療過程中的胸廓信息數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行計算，得到預(yù)測的放療區(qū)域定位。8.根據(jù)權(quán)利要求7所述的基于圖像分析的放療定位裝置，其特征在于，所述第三數(shù)據(jù)獲取模塊包括：體膜氣囊，設(shè)于患者胸腹部與體膜之間，體膜氣囊兩側(cè)分別與體膜和患者胸腹部相互進氣裝置，設(shè)于體膜氣囊上，以排出體膜氣囊內(nèi)的氣體并計量排氣量；氣體壓力傳感器，以檢測體膜氣囊內(nèi)的壓力；9.根據(jù)權(quán)利要求8所述的基于圖像分析的放療定位裝置，其特征在于，所述進氣裝置包體膜為可拆卸連接。4基于圖像分析的放療定位模型構(gòu)建方法及預(yù)測方法、裝置技術(shù)領(lǐng)域[0001]本申請涉及基于圖像分析的放療定位模型構(gòu)建方法及預(yù)測方法、裝置，屬于放療技術(shù)領(lǐng)域。背景技術(shù)[0002]放射治療是一個不可缺少的重要治療手段，放療通過將具有放射性的元素照射到患者的靶區(qū)，來將癌細胞殺死，具有可以提高癌癥的局部控制率，達到減少局部復(fù)發(fā)，提高遠期生存的作用?，F(xiàn)有的放療系統(tǒng)一般都是患者通過PET或者CT確定了患者腫瘤的靶區(qū)之[0003]放療的一個療程通常需要幾個月或更長的時間，在放療開始前通常是先根據(jù)患者的初始定位影像生成放療計劃。但是，在整個放療過程中，隨著放療計劃的實施，患者的腫瘤的位置和形狀通常會發(fā)生變化，以及放化療過程中患者容易出現(xiàn)食欲減退、惡心等問題造成體重的驟降，導(dǎo)致放射區(qū)域和放射劑量產(chǎn)生變化，因此就導(dǎo)致放療過程中容易出現(xiàn)放射劑量的偏差的問題，從而不僅會影響到放療效果，更有可能影響病人的正常器官組織，導(dǎo)致并發(fā)癥的出現(xiàn)。[0004]為了解決這一問題，現(xiàn)有技術(shù)通常在放射治療開始一段時間后對患者進行重新定位，然后獲取患者最新的定位影像，并由醫(yī)生根據(jù)最新的定位影像重新進行影像勾畫和制定放療計劃，但是這一過程需要消耗大量的人力物力，對醫(yī)生的耐心以及技術(shù)水平要求較發(fā)明內(nèi)容[0005]本說明書一個或多個實施例提供了基于圖像分析的放療定位模型構(gòu)建方法及預(yù)[0006]本說明書一個或多個實施例采用下述技術(shù)方案：[0007]本說明書一個或多個實施例提供的基于圖像分析的放療定位模型構(gòu)建方法，其特[0008]基礎(chǔ)臨床數(shù)據(jù)收集：獲取若干患者治療療程前期和后期人體參數(shù)數(shù)據(jù)，獲取若干患者治療療程前期和后期醫(yī)學(xué)影像數(shù)據(jù)進行預(yù)處理，得到人體參數(shù)數(shù)據(jù)集和第一醫(yī)學(xué)影像數(shù)據(jù)集；[0009]初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建：對所述人體參數(shù)數(shù)據(jù)進行分類，得到不同的人體參數(shù)數(shù)據(jù)集，對人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集進行處理學(xué)習和訓(xùn)練，得到基于第一醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小、位置預(yù)測模型；[0010]胸廓信息數(shù)據(jù)收集：獲取上述數(shù)據(jù)集中的患者放療過程中的胸廓信息數(shù)據(jù)以及與胸廓信息數(shù)據(jù)相對應(yīng)的醫(yī)學(xué)影像數(shù)據(jù)，即第二醫(yī)學(xué)影像數(shù)據(jù)，并對數(shù)據(jù)進行處理，得到胸廓信息數(shù)據(jù)集和第二醫(yī)學(xué)影像數(shù)據(jù)集；[0011]中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建：對胸廓信息數(shù)據(jù)集以及相對應(yīng)的第二醫(yī)學(xué)影5像數(shù)據(jù)集進行學(xué)習和訓(xùn)練，得到基于胸廓信息數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)集、第二醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小位置預(yù)測模型，以對初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行矯正；[0012]基于圖像分析的放療定位模型：將患者的放療周期按照上述預(yù)測模型分為若干個階段，并采用第n階段的醫(yī)學(xué)影像數(shù)據(jù)對n-1階段的預(yù)測結(jié)果進行驗證并對中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型的模型參數(shù)動態(tài)矯正，得到基于圖像分析的放療定位模型。[0013]具體地，對初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行矯正、對中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型的模型參數(shù)動態(tài)矯正包括修改網(wǎng)絡(luò)層權(quán)重和偏置參數(shù)。[0015]提高效率：通過基于圖像分析的放療定位模型能夠預(yù)測隨著放療計劃實施，患者的腫瘤位置、形狀以及大小的變化，不必多次對患者進行重新定位，極大的節(jié)省了人力物[0016]提高準確性和一致性：通過基于圖像分析的放療定位模型進行預(yù)測，減少了對醫(yī)生的技術(shù)水平、經(jīng)驗、耐心程度等方面的依賴，降低了由于醫(yī)生的差異產(chǎn)生的定位的差異，提高定位的準確性和一致性。[0017]個性化治療計劃：該基于圖像分析的放療定位模型允許根據(jù)每位患者的具體情況，如體重下降情況等，以及腫瘤特征進行制定個性化的放療計劃，有助于最大程度提高治療的有效性。療時間和放療劑量；所述第一醫(yī)學(xué)影像數(shù)據(jù)包括CT影像、核磁影像、PET影像或超聲波影像；所述胸廓信息數(shù)據(jù)包括體膜氣囊氣體體積和壓力數(shù)據(jù)；第二醫(yī)學(xué)影像數(shù)據(jù)包括CT影像、核[0019]進一步的，所述預(yù)處理包括灰度不均與矯正、噪聲去除、對比度增強、統(tǒng)一圖像的格式和尺度以及分割，以獲得腫瘤特征信息。[0020]進一步的，初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建中對人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集進行處理學(xué)習和訓(xùn)練、中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建中對胸廓信息數(shù)據(jù)集以及相對應(yīng)的第二醫(yī)學(xué)影像數(shù)據(jù)集進行學(xué)習和訓(xùn)練包括：[0021]將預(yù)處理好的人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集或胸廓信息數(shù)據(jù)集、第二醫(yī)學(xué)影像數(shù)據(jù)集進行數(shù)據(jù)集的劃分，具體劃分為訓(xùn)練集、驗證集和測試集；[0022]將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練；[0023]將訓(xùn)練好且最優(yōu)的模型權(quán)重進行保存；[0024]加載模型權(quán)重并在測試集上進行實際測試，得到最終的結(jié)果。[0025]進一步的，將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練，具體包括：[0026]將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，并初始化神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)；[0027]采用隨機梯度下降算法將神經(jīng)網(wǎng)絡(luò)預(yù)測模型學(xué)習到的特征向量進行前向和反向傳播，[0028]不斷更新神經(jīng)網(wǎng)絡(luò)預(yù)測模型的學(xué)習參數(shù)；[0029]將每次迭代訓(xùn)練后的預(yù)測結(jié)果與真實數(shù)據(jù)進行交叉熵損失函數(shù)的計算，直至損失值達到全局最優(yōu)解；6[0030]記錄每次迭代訓(xùn)練的訓(xùn)練和驗證損失；[0031]當訓(xùn)練和驗證損失同步在下降，則神經(jīng)網(wǎng)絡(luò)預(yù)測模型繼續(xù)訓(xùn)練；[0033]訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測模型至指定的迭代次數(shù)，然后停止訓(xùn)練。[0034]本說明書一個或多個實施例提供的基于圖像分析的放療定位模型的預(yù)測方法；將當前病例的人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)、胸廓信息數(shù)據(jù)、第二醫(yī)學(xué)影像數(shù)據(jù)輸入訓(xùn)練好的基于圖像分析的放療定位模型中，得到該病例患者的預(yù)測結(jié)果。[0035]具體地，首先根據(jù)其人體參數(shù)數(shù)據(jù)將其分類至合適的數(shù)據(jù)集，基于當前病例的人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)、胸廓信息數(shù)據(jù)、第二醫(yī)學(xué)影像數(shù)據(jù)，基于圖像分析的放療定位模型給出預(yù)測結(jié)果。[0036]本說明書一個或多個實施例提供的基于圖像分析的放療定位裝置，包括：[0038]第二數(shù)據(jù)獲取模塊，用于獲取第一醫(yī)學(xué)影像數(shù)據(jù)和第二醫(yī)學(xué)影像數(shù)據(jù)；[0040]圖像處理模塊，用于對第一醫(yī)學(xué)影像數(shù)據(jù)和第二醫(yī)學(xué)影像數(shù)據(jù)進行預(yù)處理，得到第一醫(yī)學(xué)影像數(shù)據(jù)集和第二醫(yī)學(xué)影像數(shù)據(jù)集；[0041]計算模塊，所述計算模塊中配置有訓(xùn)練好的基于圖像分析的放療定位模型，將當前病例人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)以及放療過程中的胸廓信息數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行計算，得到預(yù)測的放療區(qū)域定位。[0042]具體地，計算模塊內(nèi)設(shè)有模型訓(xùn)練單元，用于根據(jù)若干患者的人體參數(shù)信息和醫(yī)學(xué)影像數(shù)據(jù)、胸廓信息數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行訓(xùn)練。[0045]體膜氣囊，設(shè)于患者胸腹部與體膜之間，體膜氣囊兩側(cè)分別與體膜和患者胸腹部相互接觸；[0050]具體地，隨著放療計劃的實施，由于患者體重驟降等原因，使得患者的胸腔與體膜之間產(chǎn)生空間，患者的胸腔與體膜并不能完全接觸，進而影響定位的準確性，本申請設(shè)置體膜氣囊，設(shè)于患者胸腔與體膜之間的空間，進氣裝置向體膜氣囊內(nèi)輸入氣體，使得體膜氣囊一側(cè)與患者胸腔接觸，另一側(cè)與體膜接觸；氣體壓力傳感器檢測體膜氣囊內(nèi)壓力，體膜氣囊內(nèi)的壓力平衡穩(wěn)定。[0051]進一步地，進氣裝置包括：供氣件、進氣流量計和減壓閥；所述出氣裝置包括出氣[0052]本申請的有益效果包括但不限于：[0053]提高效率：通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠預(yù)測隨著放療計劃實施，患者的腫瘤位置、形狀以及大小的變化，從而避免了需要重新獲取患者的定位影像、重新進行影像7勾畫以及重新制定放療計劃的問題，極大的節(jié)省了人力物力，提高了效率；另一方面，節(jié)省了醫(yī)生的時間和精力，以便于專注于其他重要的臨床工作。[0054]提高準確性和一致性：通過神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，減少了對醫(yī)生的技術(shù)水平、經(jīng)驗、耐心程度等方面的依賴，降低了由于醫(yī)生的差異產(chǎn)生的定位的差異，提高定位的準確性和一致性。[0055]個性化治療計劃：該方法允許根據(jù)每位患者的具體情況，如體重下降情況等，以及腫瘤特征進行制定個性化的放療計劃，有助于最大程度提高治療的有效性。附圖說明[0056]此處所說明的附圖用來提供對本申請的進一步理解，構(gòu)成本申請的一部分，本申請的示意性實施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當限定。在附圖中：[0057]圖1為本說明書一個或多個實施例提供的基于圖像分析的放療定位模型構(gòu)建方法的流程示意圖；[0058]圖2為本說明書一個或多個實施例提供的基于圖像分析的放療定位模型裝置的結(jié)構(gòu)示意圖。具體實施方式[0059]本說明書實施例提供基于圖像分析的放療定位模型構(gòu)建方法及預(yù)測方法、裝置。[0060]為了使本技術(shù)領(lǐng)域的人員更好地理解本說明書中的技術(shù)方案，下面將結(jié)合本說明書實施例中的附圖，對本說明書實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本說明書一部分實施例，而不是全部的實施例。基于本說明書實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應(yīng)當屬于本說明書保護的范圍。[0061]圖1為本說明書一個或多個實施例提供的基于圖像分析的放療定位模型構(gòu)建方法的流程示意圖，該流程可以由基于圖像分析的放療定位模型裝置執(zhí)行。流程中的某些輸入?yún)?shù)或者中間結(jié)果允許人工干預(yù)調(diào)節(jié)，以幫助提高準確性。[0062]本說明書實施例的方法流程步驟如下：[0063]S101,基礎(chǔ)臨床數(shù)據(jù)收集：獲取若干患者治療療程前期和后期人體參數(shù)數(shù)據(jù)，獲取若干患者治療療程前期和后期醫(yī)學(xué)影像數(shù)據(jù)進行預(yù)處理，得到人體參數(shù)數(shù)據(jù)集和第一醫(yī)學(xué)影像數(shù)據(jù)集；[0064]在本說明書實施例中，可以根據(jù)人體參數(shù)數(shù)據(jù)進行數(shù)據(jù)分類；形成不同的訓(xùn)練集，以提高預(yù)測模型的準確性。聲波影像。[0066]具體地，在本說明書實施例中，還包括對人體參數(shù)數(shù)據(jù)進行預(yù)處理，包括但不限[0067]將年齡1-120歲劃分為不同的年齡段，以5年為一個年齡段進行劃分，例如：1～5,6~10,11～15,16～20,21～25,26～30,31～35,36～40,41～45,46～50,51～55,56～60,618~65,66～70,71～75,76～80,81～85,86～90,91～95,96～100,101～105,106～110,111~115,115～120。[0068]將性別男設(shè)置為A,性別女設(shè)置為B。[0069]在本說明書實施例中，預(yù)處理包括灰度不均與矯正、噪聲去除、對比度增強、統(tǒng)一圖像的格式和尺度以及分割，以獲得腫瘤特征信息。[0070]本申請說明書實施例中圖像的灰度分布拉伸到整個灰度范圍內(nèi)，從而增加圖像的對比度，其次，檢測圖像中的背景區(qū)域和前景區(qū)域，對背景和前景分別進行灰度均值計算，接著，計算兩個灰度均值的差值，并將其作為修正因子，將圖像的背景和前景區(qū)域的灰度值進行線性調(diào)整，以實現(xiàn)灰度不均與矯正。[0071]噪聲去除包括：利用醫(yī)學(xué)影像的局部信息進行濾波處理，包括但不限于均值濾波和中值濾波，通過濾波器消除醫(yī)學(xué)影像中的高頻噪聲，從而使圖像更加清晰。另外，可以使用小波變換進行去噪，通過去除醫(yī)學(xué)影像中的高頻成分，降低噪聲的影響。[0072]本申請說明書實施例中，分見的分割算法包括閾值分割、區(qū)域生長、邊緣檢測、基于模型的分割等?？梢钥紤]使用多種分割算法進行比較和驗證，選擇效果最佳的算法。定量指標如準確率、召回率、Dice系數(shù)等評估分割的準確性?？梢酝ㄟ^與手動分割結(jié)果進行比較來驗證分割算法的性能。[0074]具體地，通過上述預(yù)處理操作，使得醫(yī)學(xué)影像具備更好的圖像質(zhì)量和更準確的信息，為后續(xù)預(yù)測提供更加精確的數(shù)據(jù)支持。[0075]本發(fā)明實施例結(jié)合了醫(yī)學(xué)影像數(shù)據(jù)和人體參數(shù)數(shù)據(jù)、胸廓信息數(shù)據(jù)對模型進行訓(xùn)練，獲得了定位預(yù)測模型，獲得的定位預(yù)測模型經(jīng)過訓(xùn)練，可充分利用不同數(shù)據(jù)模態(tài)之間的互補性，并且基于胸廓信息數(shù)據(jù)預(yù)測結(jié)果，個體化關(guān)聯(lián)預(yù)測模型具備更強的樣本適應(yīng)能力，可以更好地提取復(fù)雜非線性特征并進行更準確的預(yù)測，能夠為臨床放療提供較為準確的指導(dǎo)方向，有益于臨床放療的進一步應(yīng)用。[0076]S102,初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建：對所述人體參數(shù)數(shù)據(jù)進行分類，得到不同的人體參數(shù)數(shù)據(jù)集，對人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集進行處理學(xué)習和訓(xùn)練，得到基于第一醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小、位置預(yù)測模型；[0077]本發(fā)明實施例中，對人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集進行處理學(xué)習和訓(xùn)練，[0078]將預(yù)處理好的第一醫(yī)學(xué)影像數(shù)據(jù)和人體參數(shù)數(shù)據(jù)，進行數(shù)據(jù)集的劃分，具體劃分[0079]將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練；[0080]將訓(xùn)練好且最優(yōu)的模型權(quán)重進行保存；[0081]加載模型權(quán)重并在測試集上進行實際測試，得到最終的結(jié)果。[0082]本實施例將獲取并進行處理后的第一醫(yī)學(xué)影像數(shù)據(jù)集和人體參數(shù)數(shù)據(jù)集、進行數(shù)據(jù)集劃分，其中訓(xùn)練集用于模型的訓(xùn)練，驗證集用于模型的調(diào)參和驗證，測試集用于最終評估模型的性能，通過合理拆分數(shù)據(jù)集，可以使數(shù)據(jù)得到更合理的使用，有效避免模型對于特9定數(shù)據(jù)的過擬合現(xiàn)象，提高模型在未知數(shù)據(jù)上的表現(xiàn)，進一步確保模型的泛化能力和魯棒性。[0083]在本實施例中，可以但不限于通過數(shù)據(jù)清洗、數(shù)據(jù)挑選和特征降維等數(shù)據(jù)處理方式對數(shù)據(jù)進行處理。[0084]本發(fā)明實施例中，將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練，具體包括：[0085]將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，并初始化神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)；[0086]采用隨機梯度下降算法將神經(jīng)網(wǎng)絡(luò)預(yù)測模型學(xué)習到的特征向量進行前向和反向傳播，[0087]不斷更新神經(jīng)網(wǎng)絡(luò)預(yù)測模型的學(xué)習參數(shù)；[0088]將每次迭代訓(xùn)練后的預(yù)測結(jié)果與真實數(shù)據(jù)進行交叉熵損失函數(shù)的計算，直至損失值達到全局最優(yōu)解；[0089]記錄每次迭代訓(xùn)練的訓(xùn)練和驗證損失；[0090]當訓(xùn)練和驗證損失同步在下降，則神經(jīng)網(wǎng)絡(luò)預(yù)測模型繼續(xù)訓(xùn)練；[0091]當訓(xùn)練損失下降，而驗證損失上升[0092]訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測模型至指定的迭代次數(shù)，然后停止訓(xùn)練。[0093]具體地，神經(jīng)網(wǎng)絡(luò)模型卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。[0094]S103,胸廓信息數(shù)據(jù)收集：獲取上述數(shù)據(jù)集中的患者放療過程中的胸廓信息數(shù)據(jù)以及與胸廓信息數(shù)據(jù)相對應(yīng)的醫(yī)學(xué)影像數(shù)據(jù)，即第二醫(yī)學(xué)影像數(shù)據(jù)，并對數(shù)據(jù)進行處理，得到胸廓信息數(shù)據(jù)集和第二醫(yī)學(xué)影像數(shù)據(jù)集；[0095]具體地，胸廓信息數(shù)據(jù)包括體膜氣囊氣體體積和壓力數(shù)據(jù)；第二醫(yī)學(xué)影像數(shù)據(jù)包[0096]S104,中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建：對胸廓信息數(shù)據(jù)集以及相對應(yīng)的第二醫(yī)學(xué)影像數(shù)據(jù)集進行學(xué)習和訓(xùn)練，得到基于胸廓信息數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)集、第二醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小位置預(yù)測模型，以對初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行矯正；[0097]本發(fā)明實施例中，對胸廓信息數(shù)據(jù)集以及相對應(yīng)的第二醫(yī)學(xué)影像數(shù)據(jù)集進行學(xué)習[0098]將預(yù)處理好的第二醫(yī)學(xué)影像數(shù)據(jù)和胸廓信息數(shù)據(jù)，進行數(shù)據(jù)集的劃分，具體劃分[0099]將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練；[0100]將訓(xùn)練好且最優(yōu)的模型權(quán)重進行保存；[0101]加載模型權(quán)重并在測試集上進行實際測試，得到最終的結(jié)果。[0102]本實施例將獲取并進行處理后的第二醫(yī)學(xué)影像數(shù)據(jù)集和胸廓信息數(shù)據(jù)集、進行數(shù)據(jù)集劃分，其中訓(xùn)練集用于模型的訓(xùn)練，驗證集用于模型的調(diào)參和驗證，測試集用于最終評估模型的性能，通過合理拆分數(shù)據(jù)集，可以使數(shù)據(jù)得到更合理的使用，有效避免模型對于特定數(shù)據(jù)的過擬合現(xiàn)象，提高模型在未知數(shù)據(jù)上的表現(xiàn)，進一步確保模型的泛化能力和魯棒性。[0103]在本實施例中，可以但不限于通過數(shù)據(jù)清洗、數(shù)據(jù)挑選和特征降維等數(shù)據(jù)處理方式對數(shù)據(jù)進行處理。[0104]本發(fā)明實施例中，將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行訓(xùn)練，具體包括：[0105]將訓(xùn)練集加載到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，并初始化神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)；[0106]采用隨機梯度下降算法將神經(jīng)網(wǎng)絡(luò)預(yù)測模型學(xué)習到的特征向量進行前向和反向[0107]不斷更新神經(jīng)網(wǎng)絡(luò)預(yù)測模型的學(xué)習參數(shù)；[0108]將每次迭代訓(xùn)練后的預(yù)測結(jié)果與真實數(shù)據(jù)進行交叉熵損失函數(shù)的計算，直至損失值達到全局最優(yōu)解；[0109]記錄每次迭代訓(xùn)練的訓(xùn)練和驗證損失；[0110]當訓(xùn)練和驗證損失同步在下降，則神經(jīng)網(wǎng)絡(luò)預(yù)測模型繼續(xù)訓(xùn)練；[0112]訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測模型至指定的迭代次數(shù)，然后停止訓(xùn)練。[0113]具體地，神經(jīng)網(wǎng)絡(luò)模型卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。[0114]本申請說明書實施例中，可以根據(jù)人體參數(shù)數(shù)據(jù)進行數(shù)據(jù)分類；形成不同的訓(xùn)練[0115]具體地，將預(yù)處理后的人體參數(shù)數(shù)據(jù)集、第一醫(yī)學(xué)影像數(shù)據(jù)集加載神經(jīng)網(wǎng)絡(luò)模型中，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到基于所獲取的腫瘤大小位置建立時間序列的腫瘤大小、位置預(yù)測模型；也就是初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建；結(jié)合胸廓信息數(shù)據(jù)集與第二醫(yī)學(xué)影像數(shù)據(jù)集，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到得到基于胸廓信息數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)集、第二醫(yī)學(xué)影像數(shù)據(jù)集、人體參數(shù)數(shù)據(jù)集建立時間序列的腫瘤大小位置預(yù)測模型，以對初級泛群體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行矯正。[0116]S105,基于圖像分析的放療定位模型：將患者的放療周期按照上述預(yù)測模型分為若干個階段，并采用第n階段的醫(yī)學(xué)影像數(shù)據(jù)對n-1階段的預(yù)測結(jié)果進行驗證并對中級個體化神經(jīng)網(wǎng)絡(luò)預(yù)測模型的模型參數(shù)動態(tài)矯正，得到基于圖像分析的放療定位模型。[0117]具體地，在不同的治療階段，根據(jù)患者個人病情的進展情況，實行動態(tài)矯正和調(diào)整，使得該定位模型更能夠適應(yīng)具有個性化，具備更高的準確性和適應(yīng)性。[0118]本申請的一個或多個實施例還提供了基于圖像分析的放療定位模型的預(yù)測方法，將當前病例的人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)、胸廓信息數(shù)據(jù)、第二醫(yī)學(xué)影像數(shù)據(jù)輸入訓(xùn)練好的基于圖像分析的放療定位模型中，得到該患者的預(yù)測結(jié)果。[0119]具體地，對于當前病例，可以根據(jù)當前病例的最新醫(yī)學(xué)影像數(shù)據(jù)對模型進行驗證和矯正，使得模型能夠適應(yīng)個性化病例的特點，以使得結(jié)果更加準確穩(wěn)定。[0120]圖2為本說明書一個或多個實施例提供的基于圖像分析的放療定位裝置，其特征[0121]第一數(shù)據(jù)獲取模塊201,用于獲取人體參數(shù)數(shù)據(jù)；[0122]第二數(shù)據(jù)獲取模塊202,用于獲取第一醫(yī)學(xué)影像數(shù)據(jù)和第二醫(yī)學(xué)影像數(shù)據(jù)；[0123]第三數(shù)據(jù)獲取模塊203,用于獲取胸廓信息數(shù)據(jù)；[0124]圖像處理模塊204,用于對第一醫(yī)學(xué)影像數(shù)據(jù)和第二醫(yī)學(xué)影像數(shù)據(jù)進行預(yù)處理，得到第一醫(yī)學(xué)影像數(shù)據(jù)集和第二醫(yī)學(xué)影像數(shù)據(jù)集；[0125]計算模塊205,計算模塊中配置有訓(xùn)練好的基于圖像分析的放療定位模型，將當前病例人體參數(shù)數(shù)據(jù)、第一醫(yī)學(xué)影像數(shù)據(jù)以及放療過程中的胸廓信息數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)11網(wǎng)絡(luò)預(yù)測模型中進行計算，得到