申请/专利权人：清华大学

申请日：2023-04-27

公开（公告）日：2024-06-25

公开（公告）号：CN116825283B

主分类号：G16H20/40

分类号：G16H20/40;G16H50/70;G06N3/0464;G06N3/096;G01T1/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.10.24#实质审查的生效;2023.09.29#公开

摘要：本申请涉及一种基于迁移学习的核医学治疗个体化剂量评估方法及装置，其中，方法包括：选择与已有病例体格参数差异满足预设条件的病例样本；基于病例样本生成不同体格患者的训练集；利用训练集训练3D‑Unet网络，并在构建基于网络DeepDose_T的核医学治疗个体化剂量评估模型之后，在进行迁移学习时，对网络的未固定参数进行补充训练，得到适用于学习分布样本的特异性网络参数，以生成迁移学习后的核医学治疗个体化剂量评估模型。由此，解决了相关技术中，神经网络应用对训练集的依赖性高，泛化能力有限，同时患者体型的差异会造成源靶体素的距离不同，进一步影响核素的能量沉积分布，用普通体格参数的病例训练得到的网络进行预测结果不准确等问题。

主权项：1.一种基于迁移学习的核医学治疗个体化剂量评估方法，其特征在于，包括以下步骤：选择与已有病例体格参数差异满足预设条件的病例样本；基于所述病例样本生成不同体格患者的训练集；以及利用所述训练集训练3D-Unet网络，并在构建基于网络DeepDose_T的核医学治疗个体化剂量评估模型之后，在进行迁移学习时，对网络的未固定参数进行补充训练，得到适用于学习分布样本的特异性网络参数，以生成迁移学习后的核医学治疗个体化剂量评估模型；所述基于所述病例样本生成不同体格患者的训练集，包括：在保持体素的分辨率不变的同时，对样本的活度矩阵和材料矩阵进行缩小，并在缩小预设倍数后进行差值采样，得到达到目标小尺寸的小尺寸样本的活度矩阵和材料矩阵；所述未固定参数为编码过程的深层网络参数；所述构建基于网络DeepDose_T的核医学治疗个体化剂量评估模型包括编码过程和解码过程；所述编码过程包括：将所述活度矩阵和所述材料矩阵合并为所述基于网络DeepDose_T的核医学治疗个体化剂量评估模型的网络输入；每一个卷积块都包含一个卷积层、一个归一化BN层、一个用于激活的ReLU层，以及每两个所述卷积块后使用一个最大池化层；将所述卷积块和所述池化层合作得到特征层；所述解码过程包括：使用反卷积层进行向上采样；接续所述卷积块；得到所述体素的原始分辨率。

全文数据：

权利要求：

百度查询： 清华大学 基于迁移学习的核医学治疗个体化剂量评估方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD