资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本发明涉及神经网络技术领域，具体为基于深度学习的放射剂量调整系统，系统包括：影像分析模块基于医疗影像数据输入，扫描分辨肿瘤和正常组织的界限，通过边缘检测细化图像中肿瘤的大小和形态，通过对比度增强提取图像中关键特征，生成肿瘤特征数据。本发明中，通过分辨肿瘤与正常组织的边界并细化图像中肿瘤的特征，使得放射剂量的分配更为精确和个性化，这种细致的图像分析优化了治疗计划，确保剂量集中在病变区域，减少了对健康组织的影响，此外，集成临床参数的分析增强了对患者放射敏感性的理解，提供了更符合个体需求的治疗方案，这种基于深入分析的剂量调整方法，通过实时监控放射治疗的执行效果，有效调整治疗中的剂量偏差。
主权项：
1.基于深度学习的放射剂量调整系统，其特征在于，所述系统包括： 影像分析模块基于医疗影像数据输入，扫描分辨肿瘤和正常组织的界限，通过边缘检测细化图像中肿瘤的大小和形态，通过对比度增强提取图像中关键特征，生成肿瘤特征数据； 所述肿瘤特征数据的获取步骤具体为： 针对输入的医疗影像数据，进行高斯平滑处理，采用公式： ； 生成平滑后的影像； 其中，代表经过高斯平滑处理后的影像，代表高斯核，用于平滑处理以减少图像噪声和细节，代表输入的医疗影像，是高斯平滑处理的原始数据； 在所述平滑后的影像基础上，使用Canny算法进行边缘检测，采用公式： ； 生成边缘强化图； 其中，代表边缘强化图，代表在x方向上的Sobel算子，代表在y方向上的Sobel算子； 使用对比度增强算法对所述边缘强化图进行增强处理，采用公式： ； 生成对比度增强图； 其中，代表对比度增强图，代表对比度调节系数，它用于调整图像的对比度以更清晰地显示边缘和细节，公式中的和分别代表边缘强化图中的最大值和最小值，用于标准化和增强对比度； 从所述对比度增强图中提取并汇总关键特征，结合肿瘤的大小和形态信息，采用公式： ； 生成肿瘤特征数据； 其中，代表肿瘤特征数据，代表第个特征的权重，它反映了该特征在肿瘤诊断中的重要性，代表对比度增强图中的第个特征的加权值，代表该特征的加权强化指数，用于进一步调整特征的影响力； 临床参数分析模块基于所述肿瘤特征数据，集合患者的体位信息、肿瘤类型和前期放射反应记录，分析计算肿瘤的放射敏感性指标，得到临床参数协同结果； 所述临床参数协同结果的获取步骤具体为： 整合所述肿瘤特征数据与患者的体位信息，采用公式： ； 计算生成初始综合数据集； 其中，代表初始综合数据集，和均代表调节系数，用以调整肿瘤特征数据、体位信息的余弦变换和体位信息的平方对于初始综合数据集的贡献，以反映不同因素对综合结果的影响权重； 将所述初始综合数据与肿瘤类型结合，采用公式： ； 生成中间数据集； 其中，代表中间数据集，和代表权重系数，用于调整的平方和肿瘤类型的平方根处理在中间数据集中的影响，这些系数体现了不同数据变换对结果的重要性； 参照所述中间数据集与前期放射反应记录，采用公式： ； 计算得到放射敏感性指标； 其中，代表放射敏感性指标，代表调整放射反应敏感度的系数，影响在计算中的衰减效果和敏感度阈值越过前的反应强度变化，体现了放射反应的指数衰减，用于调整放射敏感性指标的标准化； 剂量决策模块基于所述临床参数协同结果，与现有放射剂量数据库对照，通过分析病理特征与临床数据的相关性，调节个体化剂量分配，细化剂量的匹配度和适应性，得到剂量调整方案； 所述病理特征与临床数据的相关性的获取步骤具体为： 基于所述临床参数协同结果和现有放射剂量数据库，采用公式： ； 计算生成初始相关性评分； 其中，代表初始相关性评分，用于初步评估病理特征与放射剂量件的关系，代表放射敏感性指标，其中的平方用于放大影响力，以强调其在评分中的重要性，代表每个样本的权重因子，用于根据样本特点调整其在计算中的影响力，代表样本数量，确保平均化处理； 对所述初始相关性评分进行迭代分析，采用公式： ； 进行标准化处理以适配差异化的数据范围，生成标准化评分； 其中，代表标准化评分，用于将转换成一个统一的比较标准，和分别代表的最小值和最大值，这些值用于归一化，确保其分布在一个固定范围内，代表一个小常数，加入以避免分母为零的情况； 利用所述标准化评分和临床数据集的方差，采用公式： ； 计算皮尔逊相关系数，确定病理特征与临床数据的相关性； 其中，代表病理特征与临床数据之间的皮尔逊相关系数，用于度量两者之间的线性相关性，代表具体的临床数据，用于与进行相关性分析，和分别代表和的均值，计算过程中用于中心化数据； 所述剂量调整方案的获取步骤具体为： 基于所述病理特征与临床数据的相关性，进行初始剂量调整，采用公式： ； 计算生成初步剂量调整值； 其中，其中，代表初步剂量调整值，代表基础剂量，是剂量调整前的原始量，代表调节系数，用于根据病理特征与临床数据之间的相关性调整剂量，其中用于强调相关性与基线(0.5)的偏离程度，以非线性方式调节剂量； 参照患者个体差异，细化所述初步剂量调整值，采用公式： ； 调节剂以匹配个体反应，获取剂量调整方案； 其中，代表最终调整后的剂量，用以匹配个体反应，代表个体差异调节系数，根据患者副作用强度的根号处理，进行调整，这个系数反映了个体敏感度和反应强度对剂量需求的影响，使得剂量调整更为精准地适应个体差异； 剂量实施监控模块基于所述剂量调整方案，实时监测放射治疗过程中的剂量实施效果，记录治疗的动态数据，调整治疗中的剂量偏差，生成实施效果报告； 所述实施效果报告的获取步骤具体为： 基于所述剂量调整方案，实时监测放射治疗过程中的剂量实施效果，采用公式： ； 计算生成实际施放剂量记录； 其中，代表实际施放剂量记录，是在最终调整剂量的基础上，根据偏差比例以及新增的权重参数和进行调整得到的实际施放剂量，其中反映基础的偏差率，和表示影响剂量的附加权重因素； 基于所述实际施放剂量记录，连续记录治疗过程中的动态数据，采用公式： ； 累计实施剂量数据，生成动态剂量数据； 其中，代表累计实时剂量数据，是通过连续记录治疗过程中的动态数据并加权累计而成，其中和分别代表每个时间点的时长和时间加权因子，用于计算在每个治疗时间段的累积剂量； 对比所述动态剂量数据与计划剂量，采用公式： ； 计算与计划剂量之间的偏差比率，生成实施效果报告； 其中，代表实施效果报告，通过计算动态剂量数据与计划剂量之间的偏差比率得到。
