基于深度学习的放射治疗性颞叶损伤剂量组学预测方法

1.本发明涉及医疗技术领域，具体为基于深度学习的放射治疗性颞叶损伤剂量组学预测方法。


背景技术：

2.癌症严重威胁着人类的健康，放射治疗使用的高能射线能够有效地抑制和杀灭癌细胞，但是在这个过程中，照射区域的正常组织也不可避免地受到损害。因此，放射治疗的结果包括肿瘤的疗效和周围正常组织不可避免的损伤。肿瘤疗效的评价指标包括肿瘤控制率、患者生存率、复发率和生存时间等，而正常组织损伤的评价指标包括口干、水肿、放射性肺炎、皮肤溃烂和放射性肠炎等。
3.放射治疗的结果与剂量分布有着密切的联系，但是单纯依靠简单的剂量统计指标(例如，处方剂量对靶区的覆盖度、靶区内剂量分布的均匀度、适形度等)无法对治疗结果做出可靠的预测。
4.放疗(rt)是治疗鼻咽癌(npc)的主要方法。然而，放射治疗引起的颞叶损伤(tli)是一种严重的晚期后遗症，通常发生在治疗后的6-47个月，可导致头晕、记忆丧失、人格改变、认知障碍、颞叶癫病或坏死。这些症状极大地影响生活质量，降低生存率。
5.在tli急性期，多数早期症状可通过保守治疗逆转，而在晚期，损伤呈进行性且不可逆。因此，早期预测及干预非常重要。目前tli的诊断主要依赖于核磁影像(mri)判定，但mri成像对于早期病变并不是很敏感，一般会在损伤的晚期mri呈现出白质水肿，脱髓鞘等。放射性颞叶损伤除了与一定遗传易感性有关之外，更主要的直接原因是来自于外部接受的放疗剂量。目前无法在影像学显现损伤出现前预测，给患者带来了痛苦，因此设计了基于深度学习的放射治疗性颞叶损伤剂量组学预测方法。


技术实现要素：

6.为了克服现有技术方案的不足，本发明提供基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，能有效的解决背景技术提出的问题。
7.本发明解决其技术问题所采用的技术方案是：
8.基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于，包括：
9.s1、收集患者治疗计划及其剂量分布图像信息；
10.s2、利用特征提取器进行剂量分布空间特征的提取；
11.s3、对提取到的剂量分布空间特征排序，筛选出最相关特征；
12.s4、对最相关特征使用机器学习分类器建立预测模型；
13.s5、根据预测模型进行评价和比较，对放射治疗计划的结果预测。
14.进一步地，所述s2中采用三维卷积c3d网络的卷积层作为特征提取器。
15.进一步地，所述s3中采用最小冗余-最大相关性mrmr方法对s2中提取的剂量分布空间特征进行排序。
16.进一步地，所述s4中采用逻辑回归lr、支持向量机svm、随机森林rf与k-最相邻knn四种机器学习ml算法作为分类器，并通过rmlr包对模型进行训练，且模型的验证时对所选特征数量进行超参调节，其中超参调节数值的上限阈值设置为5或6，且所有特征都经过z分数归一化进行缩放，经过对模型的训练与验证之后建立相应的预测模型。
17.进一步地，所述s5中预测模型评价和比较的方法采用受试者工作特征roc曲线和受试者工作特征roc曲线下面积auc进行判定。
18.进一步地，所述s4中采用嵌套交叉验证ncv对分类器进行验证，避免欠拟合与过拟合并获得稳定性能。
19.进一步地，所述s3中的最小冗余-最大相关性mrmr方法进行深度特征子集选择，以匹配样本量，避免过拟合。
20.进一步地，所述三维卷积c3d网络的卷积层包括五个级联层、一个或两个卷积块和一个最大化池，且每个内核都是3
×3×
3。
21.进一步地，所述三维卷积c3d网络在预训练的时候，采用基于大规模和多样化ucf101视频数据集进行预训练，使得该三维卷积c3d网络的卷积层从三维剂量分布体积视频中提取特征与其他传统视频中提取特征相同。
22.进一步地，所述嵌套交叉验证ncv采用内部4次交叉验证cv嵌套在外部5次交叉验证cv上，在内部交叉验证cv上进行超调，并选择性能最佳的模型在外部测试数据集上进行测试。
23.与现有技术相比，本发明的有益效果是：
24.本发明采用三维卷积c3d网络提取颞叶区剂量分布空间特征，后采用最小冗余-最大相关性mrmr方法对提取特征进行排序，可筛选出最相关特征，并通过四种机器学习分类器分别建立预测模型，对预测模型进行训练与验证后进行评估，从剂量分布中提取了高阶特征，具有更好的预测性能，在患者放疗计划设计完成后即可进行预测，早于影像学显现损伤出现时间，减少患者痛苦，值得推广。
附图说明
25.图1为本发明的预测方法流程图；
26.图2为本发明的实施例1的预测模型结果；
27.图3为本发明的实施例1的c3d深度学习特征auc图；
28.图4为本发明的实施例1的常见剂量组学特征auc图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.如图1所示，本发明提供了基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，包括：
31.s1、收集患者治疗计划及其剂量分布图像信息；
32.s2、利用特征提取器进行剂量分布空间特征的提取；
33.s3、对提取到的剂量分布空间特征排序，筛选出最相关特征；
34.s4、对最相关特征使用机器学习分类器建立预测模型；
35.s5、根据预测模型进行评价和比较，对放射治疗计划的结果预测。
36.作为优选的实施方式，所述s2中采用三维卷积c3d网络的卷积层作为特征提取器。
37.作为优选的实施方式，所述s3中采用最小冗余-最大相关性mrmr方法对s2中提取的剂量分布空间特征进行排序。
38.作为优选的实施方式，所述s4中采用逻辑回归lr、支持向量机svm、随机森林rf与k-最相邻knn四种机器学习ml算法作为分类器，并通过rmlr包对模型进行训练，且模型的验证时对所选特征数量进行超参调节，其中超参调节数值的上限阈值设置为5或6，且所有特征都经过z分数归一化进行缩放，经过对模型的训练与验证之后建立相应的预测模型。
39.作为优选的实施方式，所述s5中预测模型评价和比较的方法采用受试者工作特征roc曲线和受试者工作特征roc曲线下面积auc进行判定。
40.作为优选的实施方式，所述s4中采用嵌套交叉验证ncv对分类器进行验证，避免欠拟合与过拟合并获得稳定性能。
41.作为优选的实施方式，所述s3中的最小冗余-最大相关性mrmr方法进行深度特征子集选择，以匹配样本量，避免过拟合。
42.作为优选的实施方式，所述三维卷积c3d网络的卷积层包括五个级联层、一个或两个卷积块和一个最大化池，且每个内核都是3
×3×
3。
43.作为优选的实施方式，所述三维卷积c3d网络在预训练的时候，采用基于大规模和多样化ucf101视频数据集进行预训练，使得该三维卷积c3d网络的卷积层从三维剂量分布体积视频中提取特征与其他传统视频中提取特征相同。
44.作为优选的实施方式，所述嵌套交叉验证ncv采用内部4次交叉验证cv嵌套在外部5次交叉验证cv上，在内部交叉验证cv上进行超调，并选择性能最佳的模型在外部测试数据集上进行测试。
45.在对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
46.三维卷积c3d：二维卷积是在单通道的一帧图像上进行滑窗操作，输入是高度h*宽度w的二维矩阵。三维卷积输入多了深度c这个维度，输入是高度h*宽度w*深度c的三维矩阵。在卷积神经网络中，网络每层的宽度是由每一层特征图图的通道数绝决定的。
47.最小冗余-最大相关性mrmr方法：特征子集与类别的相关性通过各个特征与类别的信息增益的均值来计算，而特征与特征的冗余使用的是特征和特征之间的互信息加和再除以子集中特征个数的平方。
48.受试者工作特征roc曲线：指在特定刺激条件下，以被试在不同判断标准下所得的虚报概率p(y/n)为横坐标，以击中概率p(y/sn)为纵坐标，画得的各点的连线。
49.auc：roc曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于roc曲线一般都处于y＝x这条直线的上方，所以auc的取值范围在0.5和1之间。auc越接近1.0，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。
50.实施例1：
51.结合图1至4所示，回顾性纳入244例诊断为鼻咽癌(npc)的非转移性鼻咽癌患者。所有患者均经病理证实为npc，在头两年，每三到六个月对患者进行一次随访，从第三年开始每年进行一次随访。其中实施例终点事件是根据mri结果出现tli。
52.其中放射治疗和剂量-体积特征：采用varian-600cd直线加速器或hiart tomotherapy系统上的调强放射治疗技术治疗鼻咽癌患者，处方剂量为70-74gy，分为33个分次。光束能量为6mv。逆向imrt计划是在pinnacle3(v9.0)治疗计划系统(tps)或tomotherapy计划系统上设计的，使用的ct数据集厚度为3毫米。两种规划系统的网格尺寸(剂量分布的空间分辨率)分别为0.273
×
0.273
×
0.3cm3和0.4
×
0.4
×
0.4cm3。pgtv、ptv和所有危险器官(oars)由具有3年以上经验的放射治疗医师划定。计划的最终目标是向pgtv和ptv提供足够和均匀的剂量，同时使oars的剂量尽可能低。颞叶受限dmax《54gy。在以往剂量-体积参数预测因子研究的基础上，常规模型采用剂量-体积直方图(dose-volumehistogram，dvh)得到的d0.5cc进行tli预测。
53.深度特征提取：采用预训练c3d网络的卷积层作为特征提取器，包括5个级联层、1个或者2个卷积块和一个最大池化层。每个内核都是3
×3×
3。卷积的步长为1体素，而最大池化的步长为2体素。
54.c3d网络通常用于视频识别。一般情况下，三维剂量分布信息也可以以三维剂量分布体积视频的形式呈现。因此，从三维剂量分布体积视频中提取特征与从其他传统视频中提取特征相同。由于c3d训练时患者数量不足会限制其性能，因此引入了基于ucf101视频数据集的预训练c3d网络。基于大规模和多样化ucf101视频数据集的预训练c3d网络，保证了提取的特征足以满足其它3d视频形式的分类。
55.常规剂量组学特征提取使用pythonpyradiomics包(v2.1.0)从颞叶内剂量分布中提取常用剂量组学特征。提取的特征描述了来自强度、三维大小和形状、二阶联合概率函数、灰阶区域的信息。产生了形状特征、一级特征、灰度共生(glcm)特征、灰度及带矩阵(glszm)特征和灰度行程矩阵(glrlm)特征的剂量信息特征。
56.特征选择：采用最小冗余最大相关(mrmr)方法进行深度特征子集选择和普通剂量组学特征子集选择，以匹配样本量，避免过拟合。
57.模型培训与评价：本发明采用lr、svm、rf、knn四种ml算法作为分类器。嵌套交叉验证(ncv)是避免欠拟合/过拟合并获得稳定性能的常用方法。内部4次交叉验证(cv)嵌套在外部5次交叉验证上。在内部cv上进行超调，并选择性能最佳的模型在外部测试数据集上进行测试。模型训练采用rmlr包进行，所选特征的数量也进行超参调节。由于数值越大，预测结果越差，越容易过拟合，因此将该数值的上限阈值设置为5或者6。所有特征都通过z分数归一化进行缩放。模型评价和比较采用受试者工作特征(roc)曲线和roc曲线下面积(auc)。
58.实施例1的结果：
59.病人的特点：应用纳入和排除标准后，127例鼻咽癌患者最终纳入本实施例结果。中位随访时间为60个月(范围10-84个月)。
60.特征过滤：从颞叶剂量分布中分别提取4096个c3d特征和107个常见剂量组学特征。如图2所示，应用mrmr方法后，根据重要性和相似度对特征进行排序。从预测模型的结果来看，c3d模型在使用5个特征时预测效果最好，而普通剂量组学模型在使用1个特征时预测效果最好。
61.模型性能：为了比较使用不同特征的预测性能，将c3d深度学习特征、常见剂量组学特征和dv因子输入到四个机器学习分类器中。如图3和图4所示，在使用不同数量的特征时，将auc值作为这些模型的评价指标。在c3d深度学习模型中，随着所选特征数量的增加，auc值呈现出先上升后稳定的趋势。当采用5个特征时，auc值最高。在常见的剂量组学和dv模型中，选用一个特征时效果最好。同时lr机器学习算法优于其他三种分类算法。
62.综上所述，本发明的主要特点在于：
63.本发明采用三维卷积c3d网络提取颞叶区剂量分布空间特征，后采用最小冗余-最大相关性mrmr方法对提取特征进行排序，可筛选出最相关特征，并通过四种机器学习分类器分别建立预测模型，对预测模型进行训练与验证后进行评估，从剂量分布中提取了高阶特征，具有更好的预测性能，在患者放疗计划设计完成后即可进行预测，早于影像学显现损伤出现时间，减少患者痛苦，值得推广。
64.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于，包括：s1、收集患者治疗计划及其剂量分布图像信息；s2、利用特征提取器进行剂量分布空间特征的提取；s3、对提取到的剂量分布空间特征排序，筛选出最相关特征；s4、对最相关特征使用机器学习分类器建立预测模型；s5、根据预测模型进行评价和比较，对放射治疗计划的结果预测。2.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述s2中采用三维卷积c3d网络的卷积层作为特征提取器。3.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述s3中采用最小冗余-最大相关性mrmr方法对s2中提取的剂量分布空间特征进行排序。4.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述s4中采用逻辑回归lr、支持向量机svm、随机森林rf与k-最相邻knn四种机器学习ml算法作为分类器，并通过rmlr包对模型进行训练，且模型的验证时对所选特征数量进行超参调节，其中超参调节数值的上限阈值设置为5或6，且所有特征都经过z分数归一化进行缩放，经过对模型的训练与验证之后建立相应的预测模型。5.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述s5中预测模型评价和比较的方法采用受试者工作特征roc曲线和受试者工作特征roc曲线下面积auc进行判定。6.根据权利要求1所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述s4中采用嵌套交叉验证ncv对分类器进行验证，避免欠拟合与过拟合并获得稳定性能。7.根据权利要求3所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述s3中的最小冗余-最大相关性mrmr方法进行深度特征子集选择，以匹配样本量，避免过拟合。8.根据权利要求2所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述三维卷积c3d网络的卷积层包括五个级联层、一个或两个卷积块和一个最大化池，且每个内核都是3
×3×
3。9.根据权利要求2所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述三维卷积c3d网络在预训练的时候，采用基于大规模和多样化ucf101视频数据集进行预训练，使得该三维卷积c3d网络的卷积层从三维剂量分布体积视频中提取特征与其他传统视频中提取特征相同。10.根据权利要求5所述的基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，其特征在于：所述嵌套交叉验证ncv采用内部4次交叉验证cv嵌套在外部5次交叉验证cv上，在内部交叉验证cv上进行超调，并选择性能最佳的模型在外部测试数据集上进行测试。

技术总结
本发明公开了基于深度学习的放射治疗性颞叶损伤剂量组学预测方法，包括：收集患者治疗计划及其剂量分布图像信息；利用特征提取器进行剂量分布空间特征的提取；对提取到的剂量分布空间特征排序，筛选出最相关特征；对最相关特征使用机器学习分类器建立预测模型；根据预测模型进行评价和比较，对放射治疗计划的结果预测。采用三维卷积C3D网络提取颞叶区剂量分布空间特征，后采用最小冗余-最大相关性mRMR方法对提取特征进行排序，可筛选出最相关特征，并通过四种机器学习分类器分别建立预测模型，从剂量分布中提取了高阶特征，具有更好的预测性能，在患者放疗计划设计完成后即可进行预测，早于影像学显现损伤出现时间，减少患者痛苦，值得推广。值得推广。值得推广。


技术研发人员：任雯廷 戴建荣 梁斌 侯露 陈欢 冯鑫 孙超
受保护的技术使用者：中国医学科学院肿瘤医院
技术研发日：2023.03.24
技术公布日：2023/7/25