【技术实现步骤摘要】
本专利技术涉及神经网络，尤其涉及基于深度学习的放射剂量调整系统。
技术介绍
1、神经网络是一种受生物大脑启发的计算模型，用于模拟人类大脑的处理方式，以执行各种机器学习任务。这些网络由大量的节点（或称为神经元）组成，它们通过层次结构连接，能够通过训练学习识别模式和特征。神经网络技术在许多领域中都有广泛应用，包括语音识别、图像处理、医学诊断等。随着硬件性能的提高和算法的发展，神经网络模型，尤其是深度学习模型，已成为推动人工智能前沿的关键技术之一。
2、其中，放射剂量调整系统是指使用神经网络等人工智能技术来优化放射治疗中的剂量分配。这类系统的目的是确保患者在接受放射治疗时能够在疾病受影响区域接受适当而精确的放射剂量，同时最小化对周围健康组织的辐射暴露。这种技术可以提高治疗效果，降低副作用，是现代医疗放射领域中的一个重要发展方向。
3、现有技术在放射治疗剂量分配上往往缺乏足够的精确度，主要依赖于经验和标准化的剂量方案，这可能导致对肿瘤的照射不够精准，同时可能对周围健康组织造成不必要的辐射暴露。例如，未能精确区分肿瘤与正常组织的边界可能导致剂量覆盖不足或过度，影响治疗效果并增加副作用。此外，现有技术缺乏对个体差异的深入理解和反馈机制，无法实时调整治疗过程中的剂量偏差，这可能导致治疗方案在执行过程中难以适应患者的实际情况。这些限制在一定程度上降低了治疗的效率和安全性，增加了患者的治疗负担。
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的基于深度学
2、为了实现上述目的，本专利技术采用了如下技术方案：基于深度学习的放射剂量调整系统包括：
3、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；
4、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；
5、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；
6、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。
7、作为本专利技术的进一步方案，所述肿瘤特征数据的获取步骤具体为：
8、针对输入的医疗影像数据，进行高斯平滑处理，采用公式：
9、；
10、生成平滑后的影像；
11、其中，代表平滑后的影像，它是通过对输入的医疗影像使用高斯核进行卷积处理得到的，代表高斯核，用于对影像数据进行平滑处理以降低噪声，代表输入的医疗影像；
12、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：
13、；
14、生成边缘强化图；
15、其中，代表边缘强化图，通过对使用算子和分别计算和方向的梯度，并合成为边缘图，代表在方向上的算子，用于检测方向边缘代表在方向上的算子，用于检测方向边缘；
16、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：
17、；
18、生成对比度增强图；
19、其中，代表对比度增强图，通过对进行标准化和对比度调整来增强图像对比度和分别代表的最大值和最小值，代表对比度调节系数，用于调整对比度的增强程度；
20、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：
21、；
22、生成肿瘤特征数据；
23、其中，代表肿瘤特征数据，通过对中的特征进行加权求和以得到最终的特征值，代表第个特征的权重，表示该特征在肿瘤检测和分析中的重要性，代表加权强化指数，用于调节特征的贡献程度，代表对比度增强图中的第个特征。
24、作为本专利技术的进一步方案，所述临床参数协同结果的获取步骤具体为：
25、整合所述肿瘤特征数据与患者的体位信息，采用公式：
26、；
27、计算生成初始综合数据集；
28、其中，代表初始综合数据集，它通过结合肿瘤特征数据和患者的体位信息来形成，代表调节系数，用于调整在中的贡献，代表调节系数，用于调整体位信息的余弦值的贡献，将体位信息转换为弧度后计算的余弦值，影响数据集的敏感度，代表调节系数，用于调整的平方值对结果的贡献；
29、将所述初始综合数据与肿瘤类型结合，采用公式：
30、；
31、生成中间数据集；
32、其中，代表中间数据集，它通过对进行加工和与肿瘤类型的关联处理来生成，其中代表权重系数，用于调整平方的贡献，代表权重系数，用于调整的平方根对结果的影响；
33、参照所述中间数据集与前期放射反应记录，采用公式：
34、；
35、计算得到放射敏感性指标；
36、其中，代表放射敏感性指标，通过综合和前期放射反应记录来评估，代表调整放射反应敏感度的系数，影响的衰减速率，从而调整放射反应记录的影响，代表钽感度阈值，用于调整敏感度函数中的偏移量。
37、作为本专利技术的进一步方案，所述病理特征与临床数据的相关性的获取步骤具体为：
38、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：
39、；
40、计算生成初始相关性评分；
41、其中，代表初始相关性评分，它是通过计算放射敏感性指标的平方与放射剂量的乘积，再乘以每个样本的权重因子，然后求和并除以样本数量得到的，代表放射剂量值，用于量化放射治疗的剂量水平，代表每个样本的权重因子，用于调整各样本在计算中的影响力，代表样本数量，用于计算均值；
42、对所述初始相关性评分进行迭代分析，采用公式：
43、；
44、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；
45、其中，代表标准化评分，通过对初始相关性评分进行线性变换得到，这一变换通过的最小值和最大值进行标准化，加上一个小常数以避免除以零的情况，和分别代表的最小值和最大值，用于确定的范围，代表用于规避分母为零的小常数；
46、利用所述标准化评分和临床数据集的方差，采用公式：
47、；
48、计算皮尔逊相关系数，确定病理特征与临床数据的相关性；
49、其中，代表皮尔逊相关系数，它是通过计算标准化评分和临床数据的偏差乘积的和，然后除以和偏差的平方和的平方根得到的，其中，代表临床数据，用于衡量与病理特征的相关性，和分别代表和的均值，用于计算偏差。
50、作为本专利技术的进一步方案，所述剂量调整方案的获取步骤具体为：...
【技术保护点】
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：
2.根据权利要求1所述的基于深度学习的放射剂量调整系统，其特征在于，所述肿瘤特征数据的获取步骤具体为：
3.根据权利要求2所述的基于深度学习的放射剂量调整系统，其特征在于，所述临床参数协同结果的获取步骤具体为：
4.根据权利要求3所述的基于深度学习的放射剂量调整系统，其特征在于，所述病理特征与临床数据的相关性的获取步骤具体为：
5.根据权利要求4所述的基于深度学习的放射剂量调整系统，其特征在于，所述剂量调整方案的获取步骤具体为：
6.根据权利要求5所述的基于深度学习的放射剂量调整系统，其特征在于，所述实施效果报告的获取步骤具体为：
【技术特征摘要】
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：
2.根据权利要求1所述的基于深度学习的放射剂量调整系统，其特征在于，所述肿瘤特征数据的获取步骤具体为：
3.根据权利要求2所述的基于深度学习的放射剂量调整系统，其特征在于，所述临床参数协同结果的获取步骤具体为：
4.根据权利要求3...
【专利技术属性】
技术研发人员：廖雄飞，谭庭强，袁珂，王先良，刘敏，李勇，
申请(专利权)人：四川省肿瘤医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。