一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法技术

一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法，首先利用以往的病人数据训练神经网络模型，通过交叉验证确定神经网络的准确性，其次利用病人数据和本发明专利技术的打分规则构建剂量确定的经验方程。对于新入院的的病人可根据这两个模型进行预测放疗剂量，最后根据筛选规则确定预测结果是否可用，若不可用由医生确定最后放疗剂量。

【技术实现步骤摘要】
一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法
本专利技术涉及医学放射领域，特别是涉及一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法。
技术介绍
前癌症的发病率高居不下，癌症的治疗越来越受到人们的重视，在癌症的治疗过程中，手术、放疗和化疗是三种最常用且有效的方法，放疗可以单独使用作为癌症治疗的手段，也可配合其他的方法进行辅助治疗，因此应用于大部分的癌症治疗。放疗的基本原则是保证靶肿瘤区域能接受到足够的放射剂量,同时尽可能使侵袭组织减少或避免辐射损伤。放疗最大的难点在于如何确保肿瘤靶区接受到精确的放射剂量。近几年,随着放射治疗新技术的发展,对于肿瘤的精确定位、计划的制订以及放疗的精度也在逐渐提高,然而在整个放疗过程中,由于摆位误差、患者呼吸运动及治疗区域形状和位置的变化等因素的影响,常导致靶区偏离于照射野,最终可能造成靶区剂量不足或损伤正常器官。因此,放疗前进行周密计划而采取的一系列必要的措施,保证放疗整个过程中的各个环节按国际标准准确安全执行的放疗质量控制和质量保证显得尤为重要。实现放疗过程中对肿瘤靶区位置和剂量的实时监测,可降低副反应,保证靶区接受到足够的放射剂量,从而提高提高肿瘤的局部控制率,提升患者生存率。目前在对病人做放疗计划的时候，放疗剂量的选择还是按照医生所给的经验值，由于病人的体质和疾病的进展不同，很可能出现医生所给出的放疗剂量不适合病人，就导致放射治疗计划不能特别适合病人，放疗剂量不足，会造成肿瘤未控，放疗剂量过高，会导致正常组织损伤。因此需要找到一种能够准确且量化的放射治疗剂量的方法，使得不同体质或者不同疾病进程的病人能够有最适合自己的放疗剂量，从而得到最优的放疗计划，最大程度上达到疾病的治疗效果。
技术实现思路
为了解决上述问题，本专利技术提出了基于肿瘤分子图特征参数的放射治疗剂量确定方法，首先对病人的肿瘤分子图像进行特征提取，之后利用提取的相关特征训练神经网路，得到一个放射剂量的预测模型。本专利技术中还根据肿瘤分子图像的特征给肿瘤进行打分，之后通过经验公式得出总分，之后根据成绩分布得到量化的放射剂量，最后，对比两种方法得到的放射剂量值，若两种方法的放射剂量值相差不大就认为两者的平均值为最优放射剂量，若两者相差较大，就要把结果提交给临床医生，由临床医生确定最后的放射剂量值。在一些实施方式中，采用如下技术方案：一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法，包括：用于刷选神经网络算法训练样本和测试样本的方法；用于获取肿瘤分子图像特征参数的方法；用于判定剂量大小的经验公式的确定方法；用于最终放疗剂量确定的方法在对训练样本和测试样本进行筛选的时候，选择的是经过放射治疗后预后较好的患者，认为预后较好患者的放射剂量的选择是较为合适的，是经过临床验证的，所以本专利技术在对两个神经网络的样本进行选择时，选择此部分为训练样本和测试样本。在得到训练样本和测试样本之后，对样本数据的肿瘤分子图像进行处理，获得肿瘤乏氧区域的时空分布与变化、肿瘤的pH分布、肿瘤Ⅰ型胶原纤维图像、肿瘤血管VEGF浓度、淋巴管数量、成纤维细胞含量等。在对样本的肿瘤的分子图像进行处理之后，选择患者年龄、患者性别、肿瘤类型、肿瘤发生位置、肿瘤分子图像中高亮区域的面积、肿瘤分子图像中高亮区域的位置、肿瘤分子图像中高亮区域的周长、肿瘤乏氧区域的时空分布与变化、肿瘤的pH分布、肿瘤Ⅰ型胶原纤维图像、肿瘤血管VEGF浓度、淋巴管数量、成纤维细胞含量等作为特征，对神经网络模型进行训练，得到肿瘤放疗剂量的预测模型。在得到肿瘤放疗剂量的预测模型后，对该模型进行五折交叉验证，从而确定该模型是否满足放疗剂量预测的要求。本专利技术进一步的是对肿瘤分子图像特征进行打分，肿瘤分子图像中的面积大小就为面积得分X1，肿瘤乏氧区域的面积除以肿瘤面积大小就为肿瘤乏氧区域得分X2，肿瘤的PH值分布的最大PH值减去最小PH值为PH值分布得分X3，肿瘤Ⅰ型胶原纤维的二次谐波信号幅值为肿瘤Ⅰ型胶原纤维得分X4，肿瘤血管VEGF浓度值乘以100为肿瘤血管VEGF浓度得分为X5，淋巴管数量为淋巴管得分X6，成纤维细胞含量与免疫细胞的比值为成纤维细胞含量得分X7。本专利技术进一步的设置剂量确定的分数方程，设病人的最终得分为F(x)，F(x)＝K·(X1·eX2+X4+X3)/(X5+X6+X7),其中K为比例系数，可以任意设置，用来放大或缩小剂量设置的分数区间。根据以往入院患者数据，对F(x)进行求解，求出F(x)max和F(x)min，然后令H＝F(x)max-F(x)min。临床上在对患者进行放疗的时候，剂量一般在45Gy到70Gy之间，令N＝70-45＝25Gy。本专利技术进一步的，当病人新入院的时候，按照肿瘤分子图像的相关特征，对其进行打分，得出分数为F(m)，则其放疗剂量的确定方法为：放疗剂量G＝((F(m)-F(x)min)÷H)·N，同时把病人的相关特征输入到神经网络模型中，得到的剂量预测值为Y。比较G和Y的差值M，M＝|G-Y|，设定阈值N，当两个预测模型的放疗剂量预测值的差值M<N时，认为此时的剂量可信，且为放疗剂量的最优值。进一步的，当预测值的差值M>N时，两种方法的结果值差距较大，此时说明有某一个的模型的预测值存在问题，得出的剂量结果不是最优的。进一步的，由于神经网络的预测结果不可用，就需要临床医生对两个放疗的预测值进行选择，从而得到患者最适合的放疗剂量。与现有技术相比，本专利技术的有益效果是：1.使用神经网络模型和放疗公式对放疗剂量进行量化，使得不同体质或者不同疾病进程的病人能够有最适合自己的放疗剂量，从而得到最优的放疗计划，最大程度上达到疾病的治疗效果。2.使用神经网络模型和放疗公式的方法，提高了放疗剂量预测值的准确性，只有两个模型的输出值差距不大的情况下，才可以使用该放疗剂量，使得两种模型的输出结果更加具有可信度，并且神经网络模型和放疗公式交叉验证，在结果差距较大的时候，临床医生加入判断，保证剂量了准确性。3.使用神经网络模型和放疗公式对放疗剂量进行预测时，改变了以往由医生凭借经验来判断放疗剂量的方式，使得放疗剂量的选择更加客观，减少了由医生的主观判断所引起的错误，并且在一些医疗条件比较落后的地方或者医生的临床经验不足的时候，该模型的存在可以为放疗剂量的选择提供较优的参考值。附图说明图1为本公开实施例的病人放疗最终剂量确定的流程图；图2为本公开实施例的使用神经网络模型确定病人放疗剂量的方法；图3为本公开实施例的新入院病人根据剂量经验公式确定剂量的流程。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例,基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本实例中，如图2本文档来自技高网...

【技术保护点】
1.一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法，其特征在于，包括以下步骤：/n1)对病人的肿瘤分子图像进行特征提取，之后利用提取的相关特征训练神经网路，得到一个放射剂量的预测模型Y；/n2)根据肿瘤分子图像的特征给肿瘤进行打分，通过公式得出总分，之后根据成绩分布得到量化的放射剂量G；/n3)对比两种方法得到的放射剂量值，若两种方法的放射剂量值相差不大就认为两者的平均值为最优放射剂量，若两者相差较大，就要把结果提交给临床医生，由临床医生确定最后的放射剂量值。/n

【技术特征摘要】
1.一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法，其特征在于，包括以下步骤：
1)对病人的肿瘤分子图像进行特征提取，之后利用提取的相关特征训练神经网路，得到一个放射剂量的预测模型Y；
2)根据肿瘤分子图像的特征给肿瘤进行打分，通过公式得出总分，之后根据成绩分布得到量化的放射剂量G；
3)对比两种方法得到的放射剂量值，若两种方法的放射剂量值相差不大就认为两者的平均值为最优放射剂量，若两者相差较大，就要把结果提交给临床医生，由临床医生确定最后的放射剂量值。


2.根据权利要求1所述的方法，其特征在于，对样本数据的肿瘤分子图像进行处理获得肿瘤乏氧区域的时空分布与变化、肿瘤的pH分布、肿瘤Ⅰ型胶原纤维图像、肿瘤血管VEGF浓度、淋巴管数量、成纤维细胞含量在内的特征，所述提取的相关特征包括患者年龄、患者性别、肿瘤类型、肿瘤发生位置、肿瘤分子图像中高亮区域的面积、肿瘤分子图像中高亮区域的位置、肿瘤分子图像中高亮区域的周长、肿瘤乏氧区域的时空分布与变化、肿瘤的pH分布、肿瘤Ⅰ型胶原纤维图像、肿瘤血管VEGF浓度、淋巴管数量、成纤维细胞含。

【专利技术属性】
技术研发人员：袁双虎，李玮，李莉，韩毅，刘宁，赵伟，孟祥伟，袁朔，吕慧颖，于金明，
申请(专利权)人：北京易康医疗科技有限公司，山东省肿瘤防治研究院山东省肿瘤医院，山东大学，济南比山网络科技有限公司，
类型：发明
国别省市：北京;11