[发明专利]一种基于无监督学习的放射治疗计划评估方法及装置

权利要求书

1.一种基于无监督学习的放射治疗计划评估方法，其特征在于，包括以下步骤：

S1：针对任一病种，根据n个病人的数据得到各感兴趣区域间的OVH曲线、感兴趣区域位置信息和体积信息，并分别组成相应解剖结构向量；

S2：利用无监督学习的降维算法对S1得到的高维的解剖结构向量进行降维；

S3：利用无监督学习的聚类算法对数据集依据S1得到的低维的解剖结构向量和经S2处理后得到的低维属性向量进行聚类，得到k个类别；

S4：根据S3得到的k个类别，对每个类别所对应的数据中已临床实施的优质放疗计划结果进行分析和处理，得到每个类别对应的计划评分模板；

S5：对任一病人的新数据进行计算并判断其所属类别；

S6：采用对应类别的计划评分模板指导设计对应新数据的放射治疗计划并对其剂量分布结果进行评分。

2.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S1具体包括以下步骤：

S1.1：获取n个病人的感兴趣区域勾画信息，并在层厚方向进行插值；

S1.2：计算各感兴趣区域间相互的OVH曲线；

S1.3：根据CT图像、人体各器官与靶区勾画轮廓信息计算感兴趣区域位置信息和体积信息；

S1.4：根据S1.2得到的各感兴趣区域间的OVH曲线以及S1.3得到的感兴趣区域位置信息和体积信息，分别组成相应解剖结构向量。

3.根据权利要求2所述的放射治疗计划评估方法，其特征在于，S1.2中，采用形态学膨胀腐蚀法或直接计算距离法计算各感兴趣区域间相互的OVH曲线。

4.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S2具体包括以下步骤，其中高维的解剖结构向量为OVH向量：

S2.1：对于n个病人的OVH属性向量，提取各属性的m维特征后，排成m行n列矩阵，即为m维OVH向量；

S2.2：利用无监督学习的降维算法将m维OVH向量降至t维。

5.根据权利要求4所述的放射治疗计划评估方法，其特征在于，无监督学习的降维算法为主成分分析算法、奇异值分解算法、t-分布领域嵌入算法中的一种或多种。

6.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S3具体包括以下内容：利用无监督学习的聚类算法将数据集依据提取并处理后的F个特征属性向量，包括降维后的各OVH向量、器官绝对体积向量、器官相对位置向量聚类到k个类别。

7.根据权利要求6所述的放射治疗计划评估方法，其特征在于，无监督学习的聚类算法为K-均值聚类算法、层次聚类算法、均值漂移算法、基于密度聚类算法中的一种或多种。

8.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S4具体包括以下内容：以临床评价指标为基础，统计分析每一个类别所对应的数据中已临床实施的优质放疗计划剂量结果及获得相应结果所使用的硬件信息和软件信息，并按不同等级计划效果，计算放疗计划评分表中不同指标项得分范围所对应的剂量结果，生成适合该类别数据的计划评分模板。

9.根据权利要求1所述的放射治疗计划评估方法，其特征在于，S5具体包括以下步骤：

S5.1：获取新数据的解剖结构向量；

S5.2：对高维的解剖结构向量进行降维；

S5.3：计算S5.2得到的降维后的向量及S5.1获取的低维解剖结构向量与各聚类中心点的相似度，判断新数据所属类别。

10.一种基于无监督学习的放射治疗计划评估装置，其特征在于，包括：

解剖结构向量获得模块，用于针对任一病种，根据n个病人的数据得到各感兴趣区域间的OVH曲线、感兴趣区域位置信息和体积信息，并分别组成相应解剖结构向量；

降维处理模块，用于利用无监督学习的降维算法对解剖结构向量获得模块得到的高维的解剖结构向量进行降维；

聚类处理模块，用于利用无监督学习的聚类算法对数据集依据解剖结构向量获得模块得到的低维的解剖结构向量和经降维处理模块处理后得到的低维属性向量进行聚类，得到k个类别；

计划评分模板生成模块，用于根据聚类处理模块得到的k个类别，对每个类别所对应的数据中已临床实施的优质放疗计划结果进行分析和处理，得到每个类别对应的计划评分模板；

类别判断模块，用于对任一病人的新数据进行计算并判断其所属类别；

放射治疗计划评估模块，用于采用对应类别的计划评分模板指导设计对应新数据的放射治疗计划并对其剂量分布结果进行评分。