本申请涉及医疗相关,具体涉及一种放射性肺炎预测方法、装置、设备及介质。
背景技术:
1、肺癌是我国发病率最高的恶性肿瘤之一,放射治疗是一种重要的治疗方法。在肺癌的放射治疗之后,会出现各种不同程度的放射性肺炎。
2、现有的治疗过程中,需要在用户肺癌治疗完成之后,出现放射性肺炎时对放射性肺炎进行治疗,但是这种方式下,无法对放射性肺炎进行提前的干预导致治疗效果不佳。
技术实现思路
1、有鉴于此,本申请的实施例致力于提供一种放射性肺炎预测方法、装置、设备及介质,以提前预测放射性肺炎,以便于提前进行治疗。
2、本申请第一方面提供了一种放射性肺炎预测方法,包括:
3、获取剂量体积直方图和剂量学信息;
4、将所述剂量体积直方图和剂量学信息输入预设的肺炎预测模型,得到预测结果;
5、其中,所述肺炎预测模型是多模态的具有分级网络的深度学习模型。
6、在一些实施例中,所述肺炎预测模型包括:特征提取模块、特征聚合模块、特征重度量模块和预测模块;
7、所述特征提取模块,用于提取所述剂量体积直方图的特征,得到对应的剂量体积直方图特征,提取剂量学信息的特征,得到剂量学特征;
8、所述特征聚合模块,用于聚合所述剂量学特征和所述剂量体积直方图特征,得到多模态特征;
9、所述特征重度量模块,用于对所述多模态特征中聚合的所述剂量学特征和所述剂量体积直方图特征进行融合,得到融合后的多模态特征;
10、所述预测模块,用于基于融合后的多模态特征进行预测,得到预测结果;
11、在一些实施例中,所述特征提取模块包括:3d卷积神经网络和全连接神经网络;
12、所述3d卷积神经网络,用于提取所述剂量体积直方图的特征,得到对应的剂量体积直方图特征;
13、所述全连接神经网络,用于提取剂量学信息的特征,得到剂量学特征。
14、在一些实施例中,所述预测结果包括:放射性肺炎级别;
15、所述预测模块,用于基于融合后的多模态特征进行预测,得到放射性肺炎级别。
16、在一些实施例中,预训练肺炎预测模型的方法包括:
17、获取预设数量的放射性肺炎病例的信息作为样本信息
18、通过所述样本信息装预先搭建的深度学习模型进行训练,得到肺炎预测模型。
19、在一些实施例中,还包括:
20、获取cbct图像、mvct图像和剂量信息;
21、将所述cbct图像、mvct图像和剂量信息输入预设的肿瘤反应预测模型,得到肿瘤反应预测结果。
22、在一些实施例中,所述肿瘤反应预测模型为transformer模型。
23、本申请第二方面提供一种放射性肺炎预测装置,包括:
24、获取模块,用于获取剂量体积直方图和剂量学信息;
25、预测模块,用于将所述剂量体积直方图和剂量学信息输入预设的肺炎预测模型,得到预测结果;
26、其中,所述肺炎预测模型是多模态的具有分级网络的深度学习模型。
27、本申请第三方面提供一种电子设备,包括:
28、处理器,以及用于存储所述处理器可执行程序的存储器;
29、所述处理器,用于通过运行所述存储器中的程序,实现放射性肺炎预测方法。
30、本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器运行时使得所述处理器执行上述放射性肺炎预测方法。
31、本申请所提供的一种放射性肺炎预测方法,获取剂量体积直方图和剂量学信息;将所述剂量体积直方图和剂量学信息输入预设的肺炎预测模型,得到预测结果;其中,所述肺炎预测模型是多模态的具有分级网络的深度学习模型。如此设置,可以提前得到预测结果,之后基于预测结果进行放射性肺炎的前期处理或早期的治疗。
1.一种放射性肺炎预测方法,其特征在于,包括:
2.根据权利要求1所述的放射性肺炎预测方法,其特征在于,所述肺炎预测模型包括:特征提取模块、特征聚合模块、特征重度量模块和预测模块;
3.根据权利要求2所述的放射性肺炎预测方法,其特征在于,所述特征提取模块包括:3d卷积神经网络和全连接神经网络;
4.根据权利要求1所述的放射性肺炎预测方法,其特征在于,所述预测结果包括:放射性肺炎级别;
5.根据权利要求1所述的放射性肺炎预测方法,其特征在于,预训练肺炎预测模型的方法包括:
6.根据权利要求1所述的放射性肺炎预测方法,其特征在于,还包括:
7.根据权利要求6所述的放射性肺炎预测方法,其特征在于,所述肿瘤反应预测模型为transformer模型。
8.一种放射性肺炎预测装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至7中任一项所述的放射性肺炎预测方法。