CN119400348A 一种盆腔肿瘤多中心多瘤种多处方的剂量预测方法及相关设备 （北京大学第三医院（北京大学第三临床医学院））

一种盆腔肿瘤多中心多瘤种多处方的剂量本发明提供了一种盆腔肿瘤多中心多瘤种处理技术领域。本申请对训练样本集进行预处带有目标特征数据的训练样本集对基于SwinTransformer网络架构的预设剂量分布处理2基于带有目标特征数据的训练样本集对基于SwinTransformer网络架构的预设剂量分基于目标剂量分布处理模型对目标特征向量、目标用户的剂量对预测结果和验证集类预测结果进行处理，生成目标特征数据，对肿瘤纹理信息、肿瘤形态信息和肿瘤灰度特征信息进行特征对目标用户的生理状态信息进行处理，生成目标用户的癌症类型特性信息、对目标用户的癌症类型特征信息进行处理，生成各靶区信息所对应的剂量预设区间3基于目标用户的生理指标信息对各各靶区信息所对目标用户的生理参数信息进行处理，生成目标用户的生理运动参数信息和目对目标用户的生理运动参数信息进行处理，生成动态呼吸波形对动态呼吸波形特征、动态心电信号特征和动态血氧饱和度特征进行对不同呼吸周期的特征参数信息和动态生理结构信息进行处理，生标用户的剂量限制因子和目标用户的动态剂量影响因子进行处理，生成目标剂量分布信基于目标剂量分布处理模型对目标用户的剂量限制因子和肿瘤特征向量编码信息进基于目标剂量分布处理模型对目标用户的动态剂量影响因子和肿瘤特征向量编码信基于目标剂量分布处理模型对肿瘤剂量预警值和动态剂量值进标用户的剂量限制因子和目标用户的动态剂量影响因子进行处理，生成目标剂量分布信;f(Iyh(oas,onane)代表第一器官关联函数，oasr代表肿瘤与目标器性函数，Tstage代表肿瘤临床分期信息，Tsize代表肿瘤大小，TIioaton代表解剖位置，4代表第二用户生理函数，pensas,代表用户合pnesow代表用户的既往病史因素，hz(ootume,osstwy)代表第二器官关联函数，;其中，n代表因素类别数，yi代表权重系数，M,(R,R,C,C,)代表运动特性函数群，resav代表器官组织异质性特征，Bi代表因子。理参数信息、训练样本集和基于SwinTransformer网络架构的预设剂量分布处理模型，其带有目标特征数据的训练样本集对基于SwinTransformer网络架构的预设剂量分布处理模其中，第一处理器配置为经由执行可执行指令来执行权利要二处理器执行时实现权利要求1～7中任意一项的盆腔肿瘤多中心多瘤种多处方的剂量预5[0003]现有技术往往都是单一中心基于单一肿瘤类型和单一处方进行训练得到的模[0005]本申请的目的在于提供一种盆腔肿瘤多中心多瘤种多处方的剂量预测方法及相[0007]根据本申请的一个方面，提供一种盆腔肿瘤多中心多瘤种多处方的剂量预测方6基于带有目标特征数据的训练样本集对基于SwinTransformer网络架构的预设剂量分布处用户的生理参数信息、训练样本集和基于SwinTransformer网络架构的预设剂量分布处理SwinTransformer网络架构的预设剂量分布处理模型进行处理，生成目标剂量分布处理模目标剂量分布信息用于表征不同癌症信息对应的剂量分[0010]本申请所提供的一种盆腔肿瘤多中心多瘤种多处方的剂[0012]图1示出本申请一实施例所提供的一种盆腔肿瘤多中心多瘤种多处方的剂量预测图2示出了本申请一实施例所提供的一种盆腔肿瘤多中心多瘤种多处方的剂量预图3示出了本申请一实施例所提供的一种对基于SwinTransformer网络架构的预7[0014]下面结合图1来描述根据本申请示例性实施方式的盆腔肿瘤多中心多瘤种多处方法及相关设备。图1示意性地示出了根据本申请实施方式的一种盆腔肿瘤多中心多瘤种多吸参数为呼吸门控技术或剂量补偿算法提供数据，确保呼吸运动不同相肿瘤受量均匀精8[0019]SwinTransformer网络架构在盆腔肿瘤剂量预测模型中发挥核心作用，其独特设[0021]训练样本集含多中心大量盆腔肿瘤用户CT图像及对应放疗计划数据，涵盖宫颈样本集训练SwinTransformer网络架构模型，其多头多尾模式为不同肿瘤类型设独立输入9[0027]S103，基于带有目标特征数据的训练样本集对基于SwinTransformer网络架构的其中，分别是[0032]多瘤种并发时各瘤种放疗相互影响，多处方处理统筹规划剂量避免冲突实现协划系统精准规划剂量分布提供关键输入，如直肠癌放疗中依融合特征精准设计照射野形[0040]生理指标评估：用户患高血压（血压控制于130/80mmHg左右）、轻度糖尿病分宫旁组织危及器官剂量预设：直肠剂量限量V40Gy<30%、V50Gy<20%；膀胱剂量限量[0060]基于目标剂量分布处理模型对目标用户的剂量限制因子和肿瘤特征向量编码信[0061]基于目标剂量分布处理模型对目标用户的动态剂量影响因子和肿瘤特征向量编pomi代表用户体重指数，h1(oasr,oran)代表第一器官关联函数，oasr代表肿瘤与目标器官的间距，oanc代表肿瘤与器官功能的储备要素，代表第二肿瘤代表第二用户生理函数，peomorbiaity代表用户合并症信息，paessow代表用户的既往病史因素，h2(o.otume,osansty)代表第二器官关联函数，假设基础剂量常数Dise=70GY,ka=0.5,ka=0.3,调节指数a=1.2。[0065]第一肿瘤特性函数中，肿瘤病理类型Type：宫颈癌为鳞状细胞癌，分化程度。。户有高血压和轻度糖尿病，根据这些特性，假设g,(pg。[0069]第一器官关联函数hu中，肿瘤与目标器官的间距oasr：假设肿瘤与膀胱距离较。[0070]第一器官关联函数hz中，临近器官体积ovotume：膀胱体积正常，放疗敏感度数调节因子。呼吸、心脏和组织氧合因素。权重系数yi：设呼吸因素权重Y1=0.4,设心脏因素权重YZ=0.3,设组织氧合因素权重YS=0.3.运动特性函数群M,(R,R,C,C,)，呼吸运动特变化率。则M,(R,R0)=M2(14.5,0.375)，假设根据这些值计算出。[0075]心脏运动特性（i=2心率（心脏运动节律特征）为70_80次/分钟，取平均值M2(C,C,)=M2(14.5,0.375)。假设根据这膀胱功能正常但受肿瘤影响oanc，假设ohunc=0.9。[0079]则N1(oane,onouy,oieeogenewy)=N,(0.9,0.8,0.9)，假设根据这些值计算。。。。[0086]则Dananic=0.3+0.2+0.3=0.8(这里为简化计算)。筛选关键特征成目标特征数据，以此训练基于创新架构（如融合注意力机制优化的