一种基于自动勾画的放疗临床辅助决策方法及系统与流程

1.本发明涉及放射治疗技术领域，具体涉及一种基于自动勾画的放疗临床辅助决策方法及系统。


背景技术：

2.肿瘤放射治疗是利用放射线治疗肿瘤的一种局部治疗方法，在放射治疗的过程中，首先需要对患者的肿瘤病灶进行影像学检查，然后结合影像学表现，对患者相应临床病灶及亚临床病灶进行较为精确勾画。
3.然而，放疗患者一个疗程往往要持续一个月左右，而治疗计划是按照治疗前的肿瘤位置和大小设计的，随着治疗过程的推进，肿瘤的大小和位置都有可能发生变化，这时候会出现之前的治疗计划和现在的肿瘤位置大小不匹配的问题，进行治疗有可能会导致健康组织受到不必要的照射。因此，目前的放疗过程存在着以下几个问题：
4.1、随着治疗过程的进行，肿瘤本身的大小和位置都会发生变化，如果还用原来的治疗计划，会导致不该照射的健康组织收到照射，而肿瘤则可能漏照射，使得治疗效果收到影响；
5.2、有些医院也会在治疗若干次，比如10次之后重新拍ct复核位置，但这种方式仍然依赖医生的经验和责任心；
6.3、医生需要实时的查看肿瘤大小和位置来评估治疗计划是否需要修改，但是现有的系统无法支持。


技术实现要素：

7.本发明提供的一种基于自动勾画的放疗临床辅助决策方法及系统，能够通过肿瘤勾画模型对ct图像进行勾画，并通过肿瘤tnm分期更新模型对肿瘤体积进行预测，并对肿瘤tnm分期进行更新，从而对放疗计划作出辅助决策，从而能够解决上述过程中的技术问题。
8.本发明解决上述技术问题的技术方案如下：
9.第一方面，本发明提供了一种基于自动勾画的放疗临床辅助决策方法，包括以下步骤：
10.s1：获取现有的患者ct图像，通过勾画工具对ct图像进行肿瘤靶区和危及器官的勾画；
11.s2：根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤tnm分期更新模型；
12.s3：将待测患者的初始ct图像以及对应治疗参数输入肿瘤tnm分期更新模型，输出tnm分期更新值；
13.s4：根据tnm分期更新值，对治疗方案进行优化。
14.在一些实施例中，所述s1包括：
15.s11：基于unet神经网络构建肿瘤勾画模型；
16.s12：获取已进行标注的患者ct图像数据，对肿瘤勾画模型进行预训练；
17.s13：通过反向传播算法对肿瘤勾画模型进行参数更新。
18.在一些实施例中，所述s2：
19.s21：通过监督神经网络构建肿瘤tnm分期更新模型；
20.s22：构建肿瘤tnm分期更新模型的训练集，将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数；
21.s23：利用训练集对肿瘤tnm分期更新模型进行训练，得到肿瘤tnm分期更新模型。
22.在一些实施例中，所述s3包括：
23.s31：将待测患者的初始ct图像输入肿瘤勾画模型，得到初始勾画结果；
24.s32：根据初始勾画结果，得到对应的初始治疗参数；
25.s33：将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据，并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值。
26.在一些实施例中，所述s4包括：
27.s41：根据tnm分期更新值，重新确定治疗参数；
28.s42：根据重新确定的治疗参数，更新治疗计划。
29.第二方面，本发明提供了一种基于自动勾画的放疗临床辅助决策系统，包括：
30.靶区勾画模块，用于获取现有的患者ct图像，通过勾画工具对ct图像进行肿瘤靶区和危及器官的勾画；
31.肿瘤tnm分期更新模型构建模块，用于根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤tnm分期更新模型；
32.tnm分期更新模块，用于将待测患者的初始ct图像以及对应治疗参数输入肿瘤tnm分期更新模型，输出tnm分期更新值；
33.治疗方案优化模块，用于根据tnm分期更新值，对治疗方案进行优化。
34.在一些实施例中，所述靶区勾画模块包括：
35.勾画模型构建子模块，用于基于unet神经网络构建肿瘤勾画模型；
36.勾画模型预训练子模块，用于获取已进行标注的患者ct图像数据，对肿瘤勾画模型进行预训练；
37.参数更新子模块，通过反向传播算法对肿瘤勾画模型进行参数更新。
38.在一些实施例中，所述肿瘤tnm分期更新模型构建模块包括：
39.模型构建子模块，用于通过监督神经网络构建肿瘤tnm分期更新模型；
40.训练集获取子模块，用于构建肿瘤tnm分期更新模型的训练集，将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数；
41.模型训练子模块，用于利用训练集对肿瘤tnm分期更新模型进行训练，得到肿瘤tnm分期更新模型。
42.在一些实施例中，所述tnm分期更新模块还包括：
43.初始勾画子模块，用于将待测患者的初始ct图像输入肿瘤勾画模型，得到初始勾画结果；
44.初始治疗参数获取子模块，用于根据初始勾画结果，得到对应的初始治疗参数；
45.tnm分期更新值获取子模块，用于将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据，并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值。
46.在一些实施例中，所述治疗方案优化模块包括：
47.治疗参数确定子模块，用于根据tnm分期更新值，重新确定治疗参数；
48.治疗计划更新子模块，用于根据重新确定的治疗参数，更新治疗计划。
49.本技术的有益效果是：
50.本技术提供的一种基于自动勾画的放疗临床辅助决策方法及系统，具备以下有益效果：1、自适应性：根据患者的ct图像适时更新治疗计划；2、自动化：利用人工智能和辅助决策算法自动提供建议；3、安全性：人工智辅助决策提供建议，医生复核保证治疗安全性；4、高效率：医生无需花费很多时间搜集相关信息，辅助决策系统自动给出建议及提醒，减轻医务人员的工作负担；5、高安全性：使放射治疗的方案、复查节点等更个性化，减少患者更多的体积接受不必要的剂量照射。
附图说明
51.图1为本技术的一种基于自动勾画的放疗临床辅助决策方法流程图；
52.图2为本技术步骤s1的子流程图；
53.图3为本技术步骤s2的子流程图；
54.图4为本技术步骤s3的子流程图。
具体实施方式
55.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
56.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。基于所描述的本技术的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本技术保护的范围。
57.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
58.图1为本技术的一种基于自动勾画的放疗临床辅助决策方法流程图。
59.一种基于自动勾画的放疗临床辅助决策方法，结合图1，包括以下步骤：
60.s1：获取现有的患者ct图像，通过勾画工具对ct图像进行肿瘤靶区和危及器官的勾画；
61.在一些实施例中，结合图2即本技术步骤s1的子流程图，所述s1包括：
62.s11：基于unet神经网络构建肿瘤勾画模型；
63.s12：获取已进行标注的患者ct图像数据，对肿瘤勾画模型进行预训练；
64.s13：通过反向传播算法对肿瘤勾画模型进行参数更新。
65.具体的，本方案通过肿瘤勾画模型对ct图像进行勾画，该模型是基于unet神经网络构建的，并基于预先标注好的ct文件进行预训练，在训练集上通过反向传播算法不断更新参数，稳定后的模型在测试集上进行测试，并根据结果进一步优化以确定模型参数。勾画好的结果通过接口反馈给信息化系统，信息化系统收到相关通知后更新状态，通知医生和物理师来执行后续诊疗步骤。
66.s2：根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤tnm分期更新模型；
67.具体的，本方案根据定位ct的自动勾画结果和医生的tnm分期、常见肿瘤在放射治疗阶段体积变化规律等信息建立算法模型，其中，tnm分期是肿瘤分期的一种方法，用于描述肿瘤的大小、深度和扩散情况。tnm分期包括三个部分：
68.t分期：描述原发肿瘤的大小和深度，分为t0-t4，t0表示没有原发肿瘤，t1-t4表示原发肿瘤的大小和深度逐渐增加。
69.n分期：描述淋巴结转移情况，分为n0-n3，n0表示没有淋巴结转移，n1-n3表示淋巴结转移的程度逐渐增加。
70.m分期：描述远处转移情况，分为m0和m1，m0表示没有远处转移，m1表示有远处转移。
71.根据t、n、m三个分期的结果，可以将肿瘤分为不同的阶段，一般分为0期、i期、ii期、iii期和iv期，阶段越高，肿瘤的扩散越广泛，治疗难度也越大。tnm分期是临床医生制定治疗方案和预测预后的重要依据。而治疗参数则包括放疗时间、放疗剂量等。
72.此外，常见肿瘤在放射治疗阶段体积变化规律是肿瘤体积随着放疗时间的增加而逐渐减小。这是因为放疗能够杀死肿瘤细胞，使肿瘤细胞死亡或失去增殖能力，从而导致肿瘤体积减小。但是，肿瘤体积减小的速度和程度因肿瘤类型、位置、大小、放疗剂量和放疗方式等因素而异。一般来说，肿瘤体积减小的速度较快的是淋巴瘤、鼻咽癌等，而肺癌、乳腺癌等则相对较慢。此外，放疗过程中还可能出现肿瘤体积增大的情况，这可能是由于肿瘤细胞的放射抗性或放疗剂量不足等原因导致。因此，在放疗过程中需要密切监测肿瘤体积的变化，及时调整治疗方案，以达到最佳治疗效果。常见肿瘤在放射治疗阶段体积变化规律的相关公式包括：
73.线性生长模型：，其中表示时间为t时的肿瘤体积，表示初始肿瘤体积，表示肿瘤生长速率，表示时间。
74.指数生长模型：，其中表示时间为t时的肿瘤体积，表示初始肿瘤体积，表示肿瘤生长速率常数。
75.双曲线生长模型：，其中表示时间为t时的肿瘤体积，表示初始肿瘤体积，表示肿瘤生长速率常数。
76.这些公式可以用来描述肿瘤在放射治疗阶段的体积变化规律，利用测试数据集中的自动勾画结果，结合tnm分期结果作为输入来更新模型，同时参考nccn指南中关于常见肿瘤在放射治疗不同阶段的体积变化规律，通过具体癌种的数据就可以不断优化参数已达到较好的准确率和召回率。
77.在一些实施例中，结合图3即本技术步骤s2的子流程图，所述s2：
78.s21：通过监督神经网络构建肿瘤tnm分期更新模型；
79.s22：构建肿瘤tnm分期更新模型的训练集，将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数；
80.s23：利用训练集对肿瘤tnm分期更新模型进行训练，得到肿瘤tnm分期更新模型。
81.具体的，本方案通过监督神经网络构建肿瘤tnm分期更新模型，以达到对肿瘤体积进行检测以及对tnm分期进行更新的目的。肿瘤tnm分期更新模型通过已勾画ct图像以及对应的治疗参数所组成的训练集进行训练，其中将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数，训练勾画ct图像以及对应的治疗参数与肿瘤体积后续变化的映射关系。
82.s3：将待测患者的初始ct图像以及对应治疗参数输入肿瘤tnm分期更新模型，输出tnm分期更新值；
83.在一些实施例中，结合图4即本技术步骤s3的子流程图，所述s3包括：
84.s31：将待测患者的初始ct图像输入肿瘤勾画模型，得到初始勾画结果；
85.s32：根据初始勾画结果，得到对应的初始治疗参数；
86.s33：将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据，并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值。
87.具体的，在肿瘤勾画模型以及肿瘤tnm分期更新模型训练完成后，可将待测患者的初始ct图像，先输入肿瘤勾画模型，从而得到对应的初始勾画结果，医生根据初始勾画结果设置初始治疗参数。进而，将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值，然后进一步，根据tnm分期更新值，医生可以重新设定治疗参数。
88.s4：根据tnm分期更新值，对治疗方案进行优化。
89.在一些实施例中，所述s4包括：
90.s41：根据tnm分期更新值，重新确定治疗参数；
91.s42：根据重新确定的治疗参数，更新治疗计划。
92.具体的，本方案根据患者ct图像和初次tnm分期的基线值，结合治疗过程中的肿瘤体积实际变化来推荐tnm分期的更新值以及治疗计划参数更新值。根据放射治疗过程中肿瘤体积变化规律来更新tnm分期和治疗计划参数是临床医生制定治疗方案和预测预后的重要依据。具体来说，根据放疗过程中肿瘤体积的变化情况，可以对肿瘤的tnm分期进行更新和修正。例如，如果肿瘤在放疗过程中体积减小较快，可能会导致tnm分期的下调，从而影响治疗方案的制定和预后的判断。此外，根据肿瘤体积变化规律，还可以调整放疗计划的剂量和时间，以达到最佳治疗效果。例如，如果肿瘤在放疗过程中体积减小较慢，可能需要增加放疗剂量或延长放疗时间，以提高治疗效果。因此，根据放射治疗过程中肿瘤体积变化规律来更新tnm分期和治疗计划参数是非常重要的临床实践。
93.假设患者被诊断为肺癌，经过检查发现肿瘤大小为3cm，淋巴结转移程度为n1，没有远处转移，根据tnm分期标准，该患者被分为iiia期。
94.随后，患者接受放射治疗，治疗过程中医生对肿瘤体积进行监测，发现肿瘤体积在放疗前后发生了变化。经过一段时间的放疗，肿瘤体积减小到2cm，淋巴结转移程度为n0，没
有远处转移。
95.根据肿瘤体积变化和tnm分期评定的过程，医生可以重新评估患者的tnm分期。根据新的情况，患者的t分期为t2，n分期为n0，m分期为m0，根据tnm分期标准，该患者被分为iib期。
96.此时，医生可以根据新的tnm分期和肿瘤体积变化情况，重新制定治疗方案和预测预后。例如，如果肿瘤体积减小较快，可能可以减少放疗剂量或缩短放疗时间，以减少副作用和提高生活质量。如果肿瘤体积减小较慢，可能需要增加放疗剂量或延长放疗时间，以提高治疗效果。
97.本发明第二方面还提供了一种基于自动勾画的放疗临床辅助决策系统，包括：
98.靶区勾画模块，用于获取现有的患者ct图像，通过勾画工具对ct图像进行肿瘤靶区和危及器官的勾画；
99.肿瘤tnm分期更新模型构建模块，用于根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤tnm分期更新模型；
100.tnm分期更新模块，用于将待测患者的初始ct图像以及对应治疗参数输入肿瘤tnm分期更新模型，输出tnm分期更新值；
101.治疗方案优化模块，用于根据tnm分期更新值，对治疗方案进行优化。
102.在一些实施例中，所述靶区勾画模块包括：
103.勾画模型构建子模块，用于基于unet神经网络构建肿瘤勾画模型；
104.勾画模型预训练子模块，用于获取已进行标注的患者ct图像数据，对肿瘤勾画模型进行预训练；
105.参数更新子模块，通过反向传播算法对肿瘤勾画模型进行参数更新。
106.在一些实施例中，所述肿瘤tnm分期更新模型构建模块包括：
107.模型构建子模块，用于通过监督神经网络构建肿瘤tnm分期更新模型；
108.训练集获取子模块，用于构建肿瘤tnm分期更新模型的训练集，将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数；
109.模型训练子模块，用于利用训练集对肿瘤tnm分期更新模型进行训练，得到肿瘤tnm分期更新模型。
110.在一些实施例中，所述tnm分期更新模块还包括：
111.初始勾画子模块，用于将待测患者的初始ct图像输入肿瘤勾画模型，得到初始勾画结果；
112.初始治疗参数获取子模块，用于根据初始勾画结果，得到对应的初始治疗参数；
113.tnm分期更新值获取子模块，用于将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据，并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值。
114.在一些实施例中，所述治疗方案优化模块包括：
115.治疗参数确定子模块，用于根据tnm分期更新值，重新确定治疗参数；
116.治疗计划更新子模块，用于根据重新确定的治疗参数，更新治疗计划。
117.本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包
括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。
118.本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
119.虽然结合附图描述了本技术的实施方式，但是本领域技术人员可以在不脱离本技术的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
120.以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于自动勾画的放疗临床辅助决策方法，其特征在于，包括以下步骤：s1：获取现有的患者ct图像，通过勾画工具对ct图像进行肿瘤靶区和危及器官的勾画；s2：根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤tnm分期更新模型；s3：将待测患者的初始ct图像以及对应治疗参数输入肿瘤tnm分期更新模型，输出tnm分期更新值；s4：根据tnm分期更新值，对治疗方案进行优化。2.根据权利要求1所述的一种基于自动勾画的放疗临床辅助决策方法，其特征在于，所述s1包括：s11：基于unet神经网络构建肿瘤勾画模型；s12：获取已进行标注的患者ct图像数据，对肿瘤勾画模型进行预训练；s13：通过反向传播算法对肿瘤勾画模型进行参数更新。3.根据权利要求1所述的一种基于自动勾画的放疗临床辅助决策方法，其特征在于，所述s2：s21：通过监督神经网络构建肿瘤tnm分期更新模型；s22：构建肿瘤tnm分期更新模型的训练集，将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数；s23：利用训练集对肿瘤tnm分期更新模型进行训练，得到肿瘤tnm分期更新模型。4.根据权利要求1所述的一种基于自动勾画的放疗临床辅助决策方法，其特征在于，所述s3包括：s31：将待测患者的初始ct图像输入肿瘤勾画模型，得到初始勾画结果；s32：根据初始勾画结果，得到对应的初始治疗参数；s33：将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据，并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值。5.根据权利要求1所述的一种基于自动勾画的放疗临床辅助决策方法，其特征在于，所述s4包括：s41：根据tnm分期更新值，重新确定治疗参数；s42：根据重新确定的治疗参数，更新治疗计划。6.一种基于自动勾画的放疗临床辅助决策系统，其特征在于，包括：靶区勾画模块，用于获取现有的患者ct图像，通过勾画工具对ct图像进行肿瘤靶区和危及器官的勾画；肿瘤tnm分期更新模型构建模块，用于根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤tnm分期更新模型；tnm分期更新模块，用于将待测患者的初始ct图像以及对应治疗参数输入肿瘤tnm分期更新模型，输出tnm分期更新值；治疗方案优化模块，用于根据tnm分期更新值，对治疗方案进行优化。7.根据权利要求6所述的一种基于自动勾画的放疗临床辅助决策系统，其特征在于，所述靶区勾画模块包括：勾画模型构建子模块，用于基于unet神经网络构建肿瘤勾画模型；
勾画模型预训练子模块，用于获取已进行标注的患者ct图像数据，对肿瘤勾画模型进行预训练；参数更新子模块，通过反向传播算法对肿瘤勾画模型进行参数更新。8.根据权利要求6所述的一种基于自动勾画的放疗临床辅助决策系统，其特征在于，所述肿瘤tnm分期更新模型构建模块包括：模型构建子模块，用于通过监督神经网络构建肿瘤tnm分期更新模型；训练集获取子模块，用于构建肿瘤tnm分期更新模型的训练集，将现有的已勾画ct图像以及对应的治疗参数作为训练集的输入参数，将肿瘤的体积变化作为训练集输出参数；模型训练子模块，用于利用训练集对肿瘤tnm分期更新模型进行训练，得到肿瘤tnm分期更新模型。9.根据权利要求6所述的一种基于自动勾画的放疗临床辅助决策系统，其特征在于，所述tnm分期更新模块还包括：初始勾画子模块，用于将待测患者的初始ct图像输入肿瘤勾画模型，得到初始勾画结果；初始治疗参数获取子模块，用于根据初始勾画结果，得到对应的初始治疗参数；tnm分期更新值获取子模块，用于将初始勾画结果以及初始治疗参数输入肿瘤tnm分期更新模型，输出肿瘤体积变化数据，并根据肿瘤体积的变化重新确定tnm分期值作为tnm分期更新值。10.根据权利要求6所述的一种基于自动勾画的放疗临床辅助决策系统，其特征在于，所述治疗方案优化模块包括：治疗参数确定子模块，用于根据tnm分期更新值，重新确定治疗参数；治疗计划更新子模块，用于根据重新确定的治疗参数，更新治疗计划。

技术总结
本发明提供了一种基于自动勾画的放疗临床辅助决策方法及系统，该方法包括以下步骤：S1：获取现有的患者CT图像，通过勾画工具对CT图像进行肿瘤靶区和危及器官的勾画；S2：根据勾画结果和对应治疗参数，以及常见肿瘤在放射治疗阶段体积变化规律数据，建立肿瘤TNM分期更新模型；S3：将待测患者的初始CT图像以及对应治疗参数输入肿瘤TNM分期更新模型，输出TNM分期更新值；S4：根据TNM分期更新值，对治疗方案进行优化。本发明通过肿瘤勾画模型对CT图像进行勾画，并通过肿瘤TNM分期更新模型对肿瘤TNM分期进行更新，从而对放疗计划作出辅助决策。策。策。


技术研发人员：刘贺锋 李腾翔 陶来元 杨权
受保护的技术使用者：神州医疗科技股份有限公司
技术研发日：2023.07.13
技术公布日：2023/8/14