本发明涉及医疗,具体为基于深度学习的放射治疗性颞叶损伤剂量组学预测方法。
背景技术:
1、癌症严重威胁着人类的健康,放射治疗使用的高能射线能够有效地抑制和杀灭癌细胞,但是在这个过程中,照射区域的正常组织也不可避免地受到损害。因此,放射治疗的结果包括肿瘤的疗效和周围正常组织不可避免的损伤。肿瘤疗效的评价指标包括肿瘤控制率、患者生存率、复发率和生存时间等,而正常组织损伤的评价指标包括口干、水肿、放射性肺炎、皮肤溃烂和放射性肠炎等。
2、放射治疗的结果与剂量分布有着密切的联系,但是单纯依靠简单的剂量统计指标(例如,处方剂量对靶区的覆盖度、靶区内剂量分布的均匀度、适形度等)无法对治疗结果做出可靠的预测。
3、放疗(rt)是治疗鼻咽癌(npc)的主要方法。然而,放射治疗引起的颞叶损伤(tli)是一种严重的晚期后遗症,通常发生在治疗后的6-47个月,可导致头晕、记忆丧失、人格改变、认知障碍、颞叶癫病或坏死。这些症状极大地影响生活质量,降低生存率。
4、在tli急性期,多数早期症状可通过保守治疗逆转,而在晚期,损伤呈进行性且不可逆。因此,早期预测及干预非常重要。目前tli的诊断主要依赖于核磁影像(mri)判定,但mri成像对于早期病变并不是很敏感,一般会在损伤的晚期mri呈现出白质水肿,脱髓鞘等。放射性颞叶损伤除了与一定遗传易感性有关之外,更主要的直接原因是来自于外部接受的放疗剂量。目前无法在影像学显现损伤出现前预测,给患者带来了痛苦,因此设计了基于深度学习的放射治疗性颞叶损伤剂量组学预测方法。
技术实现思路
1、为了克服现有技术方案的不足,本发明提供基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,能有效的解决背景技术提出的问题。
2、本发明解决其技术问题所采用的技术方案是:
3、基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于,包括:
4、s1、收集患者治疗计划及其剂量分布图像信息;
5、s2、利用特征提取器进行剂量分布空间特征的提取;
6、s3、对提取到的剂量分布空间特征排序,筛选出最相关特征;
7、s4、对最相关特征使用机器学习分类器建立预测模型;
8、s5、根据预测模型进行评价和比较,对放射治疗计划的结果预测。
9、进一步地,所述s2中采用三维卷积c3d网络的卷积层作为特征提取器。
10、进一步地,所述s3中采用最小冗余-最大相关性mrmr方法对s2中提取的剂量分布空间特征进行排序。
11、进一步地,所述s4中采用逻辑回归lr、支持向量机svm、随机森林rf与k-最相邻knn四种机器学习ml算法作为分类器,并通过rmlr包对模型进行训练,且模型的验证时对所选特征数量进行超参调节,其中超参调节数值的上限阈值设置为5或6,且所有特征都经过z分数归一化进行缩放,经过对模型的训练与验证之后建立相应的预测模型。
12、进一步地,所述s5中预测模型评价和比较的方法采用受试者工作特征roc曲线和受试者工作特征roc曲线下面积auc进行判定。
13、进一步地,所述s4中采用嵌套交叉验证ncv对分类器进行验证,避免欠拟合与过拟合并获得稳定性能。
14、进一步地,所述s3中的最小冗余-最大相关性mrmr方法进行深度特征子集选择,以匹配样本量,避免过拟合。
15、进一步地,所述三维卷积c3d网络的卷积层包括五个级联层、一个或两个卷积块和一个最大化池,且每个内核都是3×3×3。
16、进一步地,所述三维卷积c3d网络在预训练的时候,采用基于大规模和多样化ucf101视频数据集进行预训练,使得该三维卷积c3d网络的卷积层从三维剂量分布体积视频中提取特征与其他传统视频中提取特征相同。
17、进一步地,所述嵌套交叉验证ncv采用内部4次交叉验证cv嵌套在外部5次交叉验证cv上,在内部交叉验证cv上进行超调,并选择性能最佳的模型在外部测试数据集上进行测试。
18、与现有技术相比,本发明的有益效果是:
19、本发明采用三维卷积c3d网络提取颞叶区剂量分布空间特征,后采用最小冗余-最大相关性mrmr方法对提取特征进行排序,可筛选出最相关特征,并通过四种机器学习分类器分别建立预测模型,对预测模型进行训练与验证后进行评估,从剂量分布中提取了高阶特征,具有更好的预测性能,在患者放疗计划设计完成后即可进行预测,早于影像学显现损伤出现时间,减少患者痛苦,值得推广。
1.基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述s2中采用三维卷积c3d网络的卷积层作为特征提取器。
3.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述s3中采用最小冗余-最大相关性mrmr方法对s2中提取的剂量分布空间特征进行排序。
4.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述s4中采用逻辑回归lr、支持向量机svm、随机森林rf与k-最相邻knn四种机器学习ml算法作为分类器,并通过rmlr包对模型进行训练,且模型的验证时对所选特征数量进行超参调节,其中超参调节数值的上限阈值设置为5或6,且所有特征都经过z分数归一化进行缩放,经过对模型的训练与验证之后建立相应的预测模型。
5.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述s5中预测模型评价和比较的方法采用受试者工作特征roc曲线和受试者工作特征roc曲线下面积auc进行判定。
6.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述s4中采用嵌套交叉验证ncv对分类器进行验证,避免欠拟合与过拟合并获得稳定性能。
7.根据权利要求3所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述s3中的最小冗余-最大相关性mrmr方法进行深度特征子集选择,以匹配样本量,避免过拟合。
8.根据权利要求2所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述三维卷积c3d网络的卷积层包括五个级联层、一个或两个卷积块和一个最大化池,且每个内核都是3×3×3。
9.根据权利要求2所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述三维卷积c3d网络在预训练的时候,采用基于大规模和多样化ucf101视频数据集进行预训练,使得该三维卷积c3d网络的卷积层从三维剂量分布体积视频中提取特征与其他传统视频中提取特征相同。
10.根据权利要求5所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法,其特征在于:所述嵌套交叉验证ncv采用内部4次交叉验证cv嵌套在外部5次交叉验证cv上,在内部交叉验证cv上进行超调,并选择性能最佳的模型在外部测试数据集上进行测试。