[发明专利]一种照射剂量确定方法及系统

权利要求书

1.一种照射剂量确定系统，其特征在于，包括：

像素点确定模块，用于利用回顾性标记确定放疗模拟定位影像中感兴趣区域内具有生物特征的像素点；所述放疗模拟定位影像包括计算机断层影像、核磁共振影像以及正电子发射断层影像；所述生物特征包括肿瘤内部的葡萄糖代谢情况、乏氧区域、富氧区域、血管生成情况以及正常组织出现并发症风险的大小；回顾性标记进入训练集和验证集的患者的放疗模拟定位影像中感兴趣区域内具有生物特征阳性的像素点，即通过回顾性分析，将患者的病理切片影像、功能影像或其他反映感兴趣区生物特征的影像与放疗模拟定位影像配准，然后根据病理切片影像、功能影像或其他反映感兴趣区生物特征的影像中的像素点是否具有某感兴趣生物特征，对放疗模拟定位影像感兴趣区中相应的像素点进行标记，阳性像素点标记1，阴性像素点标记0；其中，定义某一感兴趣区ROI内所有像素点为集合P＝{plable 1,plabel 2,…,plabel n}，其中，n表示像素数量，lable表示像素的标记；

局部影像组学特征提取模块，用于根据所述具有生物特征的像素点提取局部影像组学特征；所述局部影像组学特征包括灰度直方图强度、肿瘤形状特征、高斯型拉普拉斯滤波特征、纹理特征以及小波特征；提取放疗模拟定位影像中每一感兴趣区ROI中阳性和阴性的像素点的局部影像组学特征；基于像素点的局部特征提取：遍历放疗模拟定位影像中每一ROI中所有的像素点，以每个像素点为中心，计算周围δ×δ×δ或δ×δ邻域窗口的局部影像组学特征值，其中δ为大于等于3的奇数，对于局部特征的计算，δ的值每一次分别取3、5、7、9，在后续的建模和验证步骤中选取使得识别精度最优的δ值；对于边界上的像素点，采用对称填充，填充像素的值是该边界像素的镜像反射；

经过基于像素点的局部特征提取，在特定的δ值下，对于每个像素，可得到一个1×N维的特征向量Flabel i＝{f₁(plabel i)，f₂(plabel i)，...，f_j(plabel i)}，j∈{1,...,N}，i∈{1,..,n}，label∈{1,0}，即，对于像素plabel i，提取N个特征值，分别为f₁(p_i)，f₂(p_i)，…，f_j(p_i)，记为向量Flabel i；因此，对于ROI中所有像素，特征集合为F＝{Flabeli，…，Flabel n}，label∈{1,0}；每个像素(label＝1/0)即作为一个样本，该样本有N维局部影像组学特征；

待测局部影像组学特征获取模块，用于获取待测局部影像组学特征；

阳性区域识别模块，用于根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域；所述阳性区域识别模块具体包括：筛选单元，用于对所述局部影像组学特征进行筛选，确定最优特征子集；模型建立模块，用于根据所述最优特征子集建立有监督的机器学习模型；阳性区域识别单元，用于根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域；

所述根据所述局部影像组学特征识别所述待测局部影像组学特征的阳性区域具体包括：

对所述局部影像组学特征进行筛选，确定最优特征子集；基于训练集，通过特征选择算法筛选出与分类标签具有最大相关性、特征之间具有最小冗余度的特征参数，用于下一步预测模型的建立，经过该步骤，得到最优特征子集，每个有标签的像素及其局部影像组学特征作为一个样本参与特征选择，阳性和阴性像素均参与该过程，所选最优特征子集是同一个集合；

根据所述最优特征子集建立有监督的机器学习识别模型；①建模:基于训练集将有标签的像素的最优特征集合G所述的影像组学特征输入有监督的机器学习算法，用于建立有监督的机器学习识别模型；每个有标签的像素作为一个样本参与模型的建立；②验证：基于验证集数据验证模型的识别精度，并且选择出使得识别精度最优的特征提取窗口；

根据所述有监督的机器学习模型识别所述待测局部影像组学特征的阳性区域；对于待制定局部影像组学特征引导放疗计划的新的定位影像，以邻域窗口逐像素提取集合G所述的局部影像组学特征；将每个像素的特征参数输入所述机器学习识别模型，该模型将输出当前像素的生物功能表达标签，阳性：1，阴性0；将同一生物功能阳性的像素标为统一颜色，即在每一张断层图像上显示生物功能阳性区域；

三维重建模块，用于对所述阳性区域的外围边界进行三维重建，确定三维图像；所述三维图像为显示所述生物特征的三维图像；

照射剂量确定模块，用于根据所述三维图像确定不同区域不同位置的照射剂量；根据肿瘤区域内部的生物特征差异对于不同的肿瘤给予不同的照射剂量；

所述照射剂量确定模块具体包括：

照射剂量参数确定单元，用于根据所述三维图像确定照射剂量参数；所述照射剂量参数包括入射角度、强度以及形状；

照射剂量确定单元，用于根据所述照射剂量参数确定不同区域不同位置的照射剂量。