基于机器学习构建宫颈癌VMAT计划剂量预测模型及其自动计划的研究

发布时间：2020-09-07 10:59

　　 背景宫颈癌是女性肿瘤疾病中一种常见的恶性肿瘤疾病。在对宫颈癌患者进行治疗计划设计时,物理师首先根据自身计划设计经验对危及器官DVH(Dose volume histogram)参数做出估计,然后不断去调整靶区和OARs(Organs at risk)的限制参数,TPS(Treatment planning system)根据目标参数对治疗计划进行不断的迭代优化。由于危及器官较多,各个危及器官剂量限值较为严格,经常会出现膀胱、直肠、小肠及股骨头剂量限值过低,导致靶区剂量均匀性和适形度较差,或靶区剂量均匀性和适形度较好,膀胱、直肠、小肠及股骨头剂量指数超出临床要求。物理师在治疗计划中需要不断的进行“试错”,直到设计的治疗计划符合临床要求,但治疗计划通常达不到最优化,计划质量不统一。机器学习中人工神经网络算法可以对已有“先验性知识”进行学习后生成模型,使用该模型即可完成相关任务。将机器学习和宫颈癌VMAT治疗计划相结合生成自动计划,即可解决上述问题,宫颈癌VMAT治疗计划设计复杂度将会降低,计划设计效率和质量将会得到提升。机器学习在宫颈癌VMAT治疗计划设计中的应用具有较大的潜力。目的研究构建基于机器学习的剂量预测模型实现对OARs剂量学指数的预测,并将预测值作为优化目标实现自动计划。方法选取60例宫颈癌病例,在临床计划基础之上继续优化生成优化计划。选择其中45例优化计划作为训练集,剩余15例优化计划作为验证集。选择训练集中的8例病例,分析膀胱、直肠、小肠及股骨头层面上剂量跌落规律,建立OARs空间信息模型。分析空间距离指数与膀胱、直肠、小肠剂量学指数(V_(30)、V_(40)、V_(50))、股骨头剂量学指数(V_(30)、V_(35)、V_(40))及自身体积的相关性。基于TensorFlow搭建人工神经网络,使用K折交叉验证法对训练集中OARs空间距离指数、靶区体积及其相应的剂量学指数对人工神经网络进行训练。根据泛化误差确定隐藏层节点数量,根据均方根误差选择合适的人工神经网络作为OARs剂量学指数预测模型,并对验证集中的治疗计划OARs进行剂量学指数预测,将预测值与优化计划中剂量学指数进行对比,评估预测模型的准确性。将预测值输入至设定的自动计划模板生成自动计划。将自动计划分别与临床计划及优化计划对比分析,评估自动计划、临床计划、优化计划的优劣。结果剂量在各个OARs周围跌落速度不同。膀胱、直肠、小肠的剂量学指数(V_(30)、V_(40)、V_(50))、股骨头的剂量学指数(V_(30)、V_(35)、V_(40))与其自身的空间距离指数多数呈中度相关至强相关,与其体积大小多数呈中度相关。膀胱、直肠、小肠及股骨头剂量学指数预测模型的均方根误差分别为18.74、15.86、1.53、1.71,隐藏层节点分别为12、20、10、10。OARs剂量学指数预测模型可较好的预测出膀胱、直肠、小肠剂量学指数(V_(30)、V_(40)、V_(50))及股骨头剂量学指数(V_(30)、V_(35)、V_(40)),预测值和优化计划中剂量学指数相比差异无统计学意义。自动计划中剂量均匀性与临床计划、优化计划之间差异无统计学意义,但剂量适形度相对于临床计划和优化计划分别提高了5.0%、4.9%(Z=-2.05,-2.16,P0.05)。自动计划中多数OARs剂量学指数的平均值低于临床计划,其中自动计划中膀胱V_(50)指数比临床计划低2.95(%)(t=-2.912,P0.05)。自动计划中OARs多数剂量学指数和优化计划相接近,但其中小肠的V_(50)剂量学指数、股骨头V_(35)和V_(40)剂量指数要比优化计划分别低0.84(%)、2.67(%)、1.96(%)(Z=-1.761,t=-3.93,Z=-3.51,P0.05)。结论基于机器学习中人工神经网络构建的剂量指数预测模型可以准确的预测出OARs的剂量学指数。自动计划中OARs剂量学指数、靶区剂量均匀性和适形度优于临床计划和优化计划,满足临床计划设计要求。将基于机器学习的OARs剂量指数预测模型和计划模板相结合,生成宫颈癌VMAT自动计划是可行的。
【学位单位】：安徽医科大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R730.55;R737.33
【部分图文】：

胱、直肠及股骨头周围剂量衰减统计示意图(50Gy 至 45Gy 等tic diagram of dose attenuation around bladder, rectum and femor45Gy isodose line)

图 2.2 小肠周围剂量衰减统计示意图(50Gy 至 45Gy 等剂量线atic diagram of dose attenuation around the small intestin距离选择区外剂量衰减规律分析，对靶区轮廓进行外扩，外扩

图 2.3 TensorBoard 可视化向量相加计算图.3 TensorBoard visualization vector addition calculation d络原理工智能的一个分支。人工智能的研究历史发展阶段[38]。显然，机器学习作为实现人工智能的

【相似文献】

相关期刊论文 前10条

1 孟雨;;机器学习让计算机更智能[J];计算机与网络;2019年14期

2 高华川;;机器学习在经济学中的应用[J];纳税;2019年24期

3 李兵;林文钊;罗峥尹;;基于机器学习的智慧农业决策系统设计与实现[J];信息与电脑(理论版);2018年24期

4 舒娜;刘波;林伟伟;李鹏飞;;分布式机器学习平台与算法综述[J];计算机科学;2019年03期

5 刘传会;汪小亚;郭增辉;;机器学习在反洗钱领域的应用与发展[J];清华金融评论;2019年04期

6 朱辉;;机器学习在企业级场景中的实践与探讨[J];中国建设信息化;2018年03期

7 彭传意;;机器学习——我们该如何与机器竞争[J];数字通信世界;2018年01期

8 陈轶翔;埃里克·布伦乔尔森;汤姆·米切尔;;机器学习的能力范围及其对劳动力的影响[J];世界科学;2018年04期

9 赵长林;;机器学习即服务[J];网络安全和信息化;2017年10期

10 ;机器学习作用于信息安全的五大顶级案例[J];网络安全和信息化;2018年01期

相关会议论文 前10条

1 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集（上册）[C];2001年

2 王衍鲁;张利会;张淑洁;石洁茹;王鹏;;大学新生学校适应的个体与环境因素探究:基于机器学习的考察[A];第二十届全国心理学学术会议--心理学与国民心理健康摘要集[C];2017年

3 张长水;;大数据机器学习[A];2015年中国自动化大会摘要集[C];2015年

4 何琳;侯汉清;;基于标引经验和机器学习相结合的多层自动分类[A];2005年中国索引学会年会暨学术研讨会论文集[C];2005年

5 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

6 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年

7 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

8 蔡健平;林世平;;基于机器学习的词语和句子极性分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 吴娜;刁联旺;;基于机器学习的博弈对抗模型优化框架软件系统设计[A];第六届中国指挥控制大会论文集（上册）[C];2018年

10 蒋雍建;程楠;刘泽佳;周立成;汤立群;刘逸平;蒋震宇;;基于响应统计特征和机器学习的桥梁损伤识别方法研究[A];2018年全国固体力学学术会议摘要集（下）[C];2018年

相关重要报纸文章 前10条

1 本报记者 马爱平;联邦学习或可破解机器学习数据获取难题[N];科技日报;2019年

2 CIO.com资深作家 Clint Boulton 编译 Charles;领先一步:机器学习的10个成功案例[N];计算机世界;2018年

3 Bob Violino 编译 Charles;盲目冒进:机器学习的5个失败案例[N];计算机世界;2018年

4 本报驻波士顿记者 侯丽;深入挖掘机器学习潜力[N];中国社会科学报;2019年

5 王方 编译;菌自何方 机器学习早知道[N];中国科学报;2019年

6 Matt Asay 编译 Monkey King;为什么机器学习没有捷径可循？[N];计算机世界;2019年

7 本报记者 操秀英;当量子计算遇到机器学习会碰撞出什么火花？[N];科技日报;2019年

8 彭博企业数据业务全球负责人 Gerard Francis;金融数据质量决定机器学习时代的投资回报[N];计算机世界;2019年

9 Isaac Sacolick 编译 Charles;关于机器学习的5个要点[N];计算机世界;2019年

10 记者 张梦然;全新算法助机器学习抵抗干扰[N];科技日报;2019年

相关博士学位论文 前10条

1 王磊;基于机器学习的药物—靶标相互作用预测研究[D];中国矿业大学;2018年

2 张庆;钙钛矿型功能材料的基因组工程研究[D];上海大学;2018年

3 管月;医学肿瘤影像分类算法研究及其在肝癌上的应用[D];南京大学;2018年

4 郝小可;基于机器学习的影像遗传学分析及其应用研究[D];南京航空航天大学;2017年

5 施建明;基于机器学习的产品剩余寿命预测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

6 陈再毅;机器学习中的一阶优化算法收敛性研究[D];中国科学技术大学;2018年

7 陆海进;Zr合金热动力学研究及机器学习[D];上海大学;2018年

8 戴望州;一阶逻辑领域知识与机器学习的结合研究[D];南京大学;2019年

9 符丹卉;基于MRI结构成像与静息态功能成像影像特征的机器学习法在AIDS患者中的应用研究[D];广西医科大学;2019年

10 Kashif Sultan（克希夫）;5G移动通信网络中的呼叫记录分析[D];北京科技大学;2019年

相关硕士学位论文 前10条

1 王健宇;基于机器学习的政务决策网络支持度应用研究[D];中北大学;2019年

2 沈嘉怡;基于机器学习的图划分算法的可预测性研究[D];华东师范大学;2019年

3 郭佳琦;基于机器学习的Gstore消费额预测[D];天津商业大学;2019年

4 李江涛;基于机器学习组合算法的Webshell检测方法与实现[D];山东大学;2019年

5 唐婧璇;基于机器学习的电力系统暂态稳定性评估[D];山东大学;2019年

6 刘巧利;基于机器学习的疾病自动诊断研究[D];烟台大学;2019年

7 楼丽琪;基于机器学习的光网络告警智能分析技术研究[D];北京邮电大学;2019年

8 邵佳俊;基于机器学习的网络违规信息的分类系统[D];上海师范大学;2019年

9 杜宇梅;政策不确定性与公司长期投资[D];厦门大学;2017年

10 尚书夏;基于机器学习的二维五边形材料性质预测[D];兰州大学;2019年

本文编号：2813253