本技术提出了一种创新的机器视觉辅助乳腺癌放疗系统,旨在提升乳腺癌放疗的精确度和效率。系统涵盖历史病例模型训练、病患病例模型调整和优化反馈学习三大模块,通过智能化技术辅助医生进行更精准的放疗决策。
背景技术
乳腺癌是女性最常见的恶性肿瘤之一,给女性健康带来严重危害,外科手术是乳腺癌的一种重要治疗手段,乳腺癌外科手术大致分为原始局部切除、乳腺癌根治术、扩大根治术、改良根治术和保乳手术5个阶段。其中改良根治术和保乳手术是目前治疗乳腺癌常用术式,尤其保乳手术既考虑到治疗效果,又兼顾到美观,是早期乳腺癌临床I、II期的最佳手术方式。在保乳手术切除原发恶性肿瘤后为了防止肿瘤复发,往往采用放疗用作辅助治疗,放疗是使用辐射作为治疗疾病的方式,其原理是大量的辐射所产生的能量可破坏细胞的染色体,使细胞停止生长,从而消灭可快速分裂和生长的癌细胞。
然而保乳手术完成后,病患非常容易在手术部位发生水肿的情况,水肿根据病患的不同情况持续几个星期甚至长达几个月,然而发生水肿是放疗过程中不希望发生的情况,因为放疗的关键在于放疗目标器官的三维结构要准确,才能基于目标器官的三维结构通过计算准确给目标器官进行合适剂量的辐射处理,而不能影响周围正常组织或器官。
而水肿情况的发生导致之前针对目标器官的三维结构的勾画结果不可用,就需要针对目标器官进行重新拍摄医学影像并且进行勾画,此外还需要基于勾画结果重新结合治疗方案,进行大量复杂的计算验证从而才能制定出放疗辐射剂量分布治疗方案,制定出放疗辐射剂量分布治疗方案是一个计算量巨大、影响因素众多且需要进行复杂验证的过程,因此耗时久,尤其是当放疗任务比较繁重的时候,非常难以满足及时地针对病患的需要给出放疗辐射剂量分布治疗方案。
鉴于现有技术存在的上述问题,还考虑到乳腺癌相比于其他癌症在放疗过程中的特点,即乳腺癌的目标器官在进行放疗计划时其目标器官的勾画预设精度可以相对较低,因此可以采用深度学习网络进行辅助预测分析,针对行保乳手术后乳腺癌患者在放疗辅助治疗过程中,出现水肿情况进行预测分析,根据历史医学影像预测未来目标器官的勾画结果,只要预测勾画结果与实际勾画结果相差不大,就能在保证勾画预设精度要求的情况下,提前进行放疗辐射剂量分布治疗方案的制定,从而既能满足乳腺癌放疗的需求,又能及时给出可用的方案,能够解决目前现有技术中存在的不及时以及放疗案例较多时算力需求集中导致的拥堵问题。
实现思路