宋婷
- 作品数：19 被引量：47H指数：4
- 供职机构：南方医科大学生物技术学院更多>>
- 发文基金：国家自然科学基金广东省自然科学基金广州市科技计划项目更多>>
- 相关领域：医药卫生自动化与计算机技术更多>>
- 三种智慧放疗计划预测模型的性能评价被引量：1
- 2020年
- 目的比较三种智慧放疗计划预测模型的精度与泛化鲁棒性,为模型选择提供依据。方法收集45例前列腺癌和25例鼻咽癌临床放疗计划,运用Z、L、S模型预测前列腺癌中膀胱和直肠、鼻咽癌中左右腮腺的剂量体积直方图(DVH)。应用预测DVH与临床DVH曲线下面积的差别(|DVH预测-DVH临床|)评价预测误差,误差越小则预测精度越高。在单个危及器官(OAR)上比较3种预测模型的精度,并在不同OAR中计算各模型预测精度的标准差以评价和比较模型的泛化鲁棒性。结果对于膀胱和直肠,L模型的预测误差(0.114和0.163)显著大于Z和S模型(≤0.071,P<0.05);对于左腮腺,S模型的预测误差(0.033)与Z和L模型相近(≤0.025,P>0.05);对于右腮腺,S模型的预测误差(0.033)显著大于Z和L模型(≤0.028,P<0.05)。在不同OAR上,S模型的预测精度标准差比Z、L模型小(分别为0.016、0.018和0.060)。结论在前列腺癌膀胱和直肠的DVH预测中Z和S模型的精度较高,而在鼻咽癌左右腮腺中Z和L模型较高,在不同OAR上S模型的泛化鲁棒性相对较好。
- 吴艾茜李永宝亓孟科贾启源郭芙彤陆星宇刘裕良周凌宏宋婷陈超敏
- 关键词：放疗计划曲线下面积危及器官鼻咽癌腮腺
- 基于多任务学习方法的单模多器官三维剂量分布预测研究被引量：2
- 2019年
- 目的构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则化多任务学习方法,建立器官间的任务关系矩阵,构建器官间几何结构与剂量分布的关联。实验以15例鼻咽癌病例的IMRT计划所涉及的危及器官脊髓、脑干和左右腮腺为研究对象建立单模多器官关联,计算其体素预测剂量与临床计划剂量的相对百分误差,研究方法的可行性。结果10例鼻咽癌IMRT计划用于训练,5例用于测试。测试结果显示单模多器官方法预测精度较高、数据量需求少,其中脊髓、脑干、左右腮腺的平均体素相对处方剂量百分误差分别为(2.01±0.02)%、(2.65±0.02)%、(2.45±0.02)%和(2.55±0.02)%。结论提出一种可在同一模型中预测多个器官剂量的单模多器官模型,该模型在提高预测精度的同时避免多次的单器官建模,为实现智能计划设计奠定良好基础。
- 郭芙彤李永宝贾启源亓孟科吴艾茜孔繁图麦燕华宋婷周凌宏
- 关键词：多任务学习调强放射治疗
- 基于不同感受野的鼻咽癌靶区和危及器官自动分割网络研究被引量：1
- 2021年
- 目的研究基于不同感受野的鼻咽癌靶区和危及器官自动分割网络。方法收集100例鼻咽癌患者放疗数据,包含患者CT图像和医生勾画的靶区(GTV)和危及器官。随机选取90例数据作为训练集,另10例作为验证集。首先对图像进行中心裁剪、随机垂直翻转和旋转(-30°~30°)数据增强方式,输入至本文提出的MAnet网络进行训练,通过网络参数、浮点运算数、运行内存和Dice系数评估该网络性能;最后将其与当前主流的分割网络DeeplabV3+、PSPnet、UNet++、UNet比较。结果当输入图像为240×240时,MAnet网络参数分别为4个网络的23.20%、20.10%、25.55%和27.11%;其浮点运算数分别为4个网络的50.02%、19.86%、6.37%和13.44%;其运行内存分别为4个网络的40.63%、23.60%、11.58%和14.99%;GTV的分割结果显示MAnet的Dice系数比4个网络分别高出1.16%、2.28%、1.27%和3.59%;GTV与危及器官的分割结果显示MAnet的平均Dice系数比4个网络分别高出0.16%、1.37%、0.30%和0.97%。结论相比于上述4个网络,MAnet参数少、运算浮点数低、运行内存小且Dice系数有所提升。
- 刘裕良李永宝亓孟科吴艾茜陆星宇宋婷周凌宏
- 基于神经网络学习方法的放疗计划三维剂量分布预测被引量：7
- 2018年
- 目的研究利用神经网络建立患者几何解剖结构特性与对应放疗计划三维剂量分布的关联模型,用以新患者的计划剂量学特性预测。方法收集并应用25例固定13野临床前列腺癌IMRT/SBRT计划,处方剂量为50 Gy,以体素为研究对象,提取器官体积、射线角度、器官位置关系等信息,采用神经网络构建剂量预测模型。随机选取20例用于训练,5例用于验证,以验证预测方法的可行性与有效性。结果实验表明,模型训练误差较小,验证样本剂量差异小,预测结果准确。模型训练误差较小,点对点平均剂量差异不高于0.0919±3.6726 Gy,DVH差异不超过1.7%。5例验证样本,剂量差异为0.1634±10.5246 Gy,百分剂量差异在2.5%以内,DVH差异在3%以内。三维剂量分布显示剂量差异较小,预测剂量分布合理。模型对膀胱和直肠预测性能表现较好,股骨头次之。结论本文使用神经网络学习方法成功建立了同肿瘤类型患者几何解剖结构特性和对应计划三维剂量分布之间的关联,不仅可以为计划提供质量标准,还为实现自动计划控制和计划设计奠定基础。
- 孔繁图麦燕华亓孟科吴艾茜郭芙彤贾启源李永宝宋婷周凌宏
- 关键词：调强放射治疗神经网络学习
- 基于约束优先级列表的调强放疗自动多目标优化方法被引量：2
- 2018年
- 本研究提出一种可将临床偏好量化为优先级列表,并在此基础上建立自动调整约束并生成该条件下优化解的IMRT多目标优化方法。本优化方法由计划剂量学约束自动调整机制和约束下的基于体素权重因子的自动FMO模型嵌套组成。剂量约束的自动调整需首先根据临床对各感兴趣区域剂量约束的重视程度提炼为约束优先级列表,后以列表为依据,分步对剂量约束进行调整,使各约束随迭代进行时逐步达到最佳设置状态。剂量约束每调整1次,紧随调用基于体素权重因子的FMO模型,解得满足当前约束的全局最优计划。为验证本优化方法的可行性与有效性,临床收集6例已治宫颈癌IMRT计划,使用本文方法对其重新自动生成优化的计划,并比较原始(临床)计划和优化计划的质量,含计划DVH曲线和临床关注的剂量约束指征项的具体数值,查看其计划质量提高成效。6例临床IMRT计划表明,使用本文方法生成的优化计划较原始计划可得到相当PTV覆盖率、均匀性的同时,有效减少OAR受量,提高计划质量。其中,优化计划直肠的平均V45从原始计划的(41.99±13.31)%降到(32.55±22.27)%;膀胱的平均V45从(44.37±4.08)%降到(28.99±15.25)%。计划优化过程可实现基本自动化。
- 麦燕华孔繁图杨一威李永宝宋婷周凌宏
- 关键词：调强放疗多目标优化
- 预后导向的肺癌调强放疗计划优化新方法
- 2025年
- 目的以肺癌行调强放疗为研究对象,提出一种将预后预测模型纳入放疗计划逆向优化框架中,直接引导放疗计划向预后风险最小方向逼近的调强放疗计划新优化方法。方法构建以最小预后风险为主目标函数、临床剂量限值为约束条件的混合通量分布优化模型,预后风险事件包括肿瘤局部控制失败、放射性心脏毒性发生和放射性肺炎二级以上事件发生。以3种预后预测概率加权形式构建总风险概率模型,并以最小化总风险概率为主目标项、靶区剂量均匀性为次目标项、常见指南约定的计划感兴趣区域特定剂量统计指征项为约束条件。为验证优化方法的有效性,实验选取15例非小细胞肺癌调强放射治疗计划,分别采用所提出计划逆向优化方法(本研究计划)和现行的基于剂量-体积限值的计划优化方法(临床参考计划)生成计划,比较不同计划在临床关注的剂量学指征项与预后预测项上的计划质量差异。结果本研究计划较临床参考计划整体可达相近的物理剂量统计水平,同时理论模型计算的预期预后结果有所改善。本研究计划靶区的D95%基本与临床计划保持一致(100.33%vs 102.57%,P=0.056),心脏和肺的平均剂量从9.83、9.50 Gy降低至7.02、8.40 Gy,差异具有统计学意义(t=4.537、4.104,P<0.05)。与临床计划相比,所提方法优化得到计划通过理论模型预测的局部控制失败概率相近(60.05%vs 59.66%),同时放射性心脏毒性概率降低1.41%。结论本研究所提出的纳入预后预测模型引导的肺癌调强放疗计划自动优化新方法,可以兼容现有放疗计划设计需满足循证医学体系下的物理剂量统计分布要求,同时进一步优化患者的预期预后,为实现肿瘤患者更高预后、更优生存质量的个性化放疗奠定技术基础。
- 李华莉宋婷刘嘉雯李永宝姜兆静窦文周凌宏
- 关键词：调强放疗计划
- 基于分段B样条形变配准方法的头颈部伪CT生成研究被引量：1
- 2022年
- 目的:探讨分段B样条形变配准方法在头颈部伪CT(sCT)生成中的应用,以及对sCT生成精度的影响。方法:收集已经进行调强放射治疗的鼻咽癌患者45例,每例计划均包括头颈部T1加权核磁共振成像(MRI)和CT图像。使用3D Slicer软件对MRI和CT图像分别进行分段B样条形变配准、整体B样条形变配准、分段刚性配准和整体刚性配准4种方法配准,比较配准后的MRI图像和真实CT图像的Dice相似性系数(DSC)值。随机选取其中的30例患者作为训练集,15例患者为测试集,将配准后的MRI和CT图像通过pix2pix网络进行模型训练生成sCT,对生成的sCT和真实CT进行平均绝对误差(MAE)、结构相似性系数(SSIM)和峰值信噪比(PSNR)值的比较,分析通过阈值法分割为不同组织(骨头、软组织、空气和脂肪)的MAE值。结果:配准后的MRI和真实CT图像比较,分段B样条形变配准方法的DSC值最优;使用4种配准方法生成的sCT和真实CT图像进行MAE、SSIM和PSNR值比较,分段配准方法比整体配准方法好,B样条形变配准方法比刚性配准方法好。分段B样条形变配准方法的MAE值为(74.783±9.869)HU,SSIM值为0.839±0.032,PSNR值为(28.859±0.957)dB,均比其余几种配准方法好。分段B样条形变配准方法在骨头、软组织和脂肪区域的MAE值较好,但是在空气区域的MAE值较刚性配准方法稍差。结论:分段B样条形变配准方法在头颈部sCT生成精度优于整体和刚性配准方法,该方法可以改善头颈部图像的配准精度,从而改善sCT的生成精度。
- 陈丽霞亓孟科宋婷卢广文
- 关键词：头颈部
- 基于梯度增强群体智能算法的预后引导肺癌调强放疗计划自动优化方法
- 2025年
- 目的针对预后引导调强放疗(IMRT)计划优化中的大规模非线性规划问题,提出了一种基于梯度增强的群体智能算法GradRCIPSO,以实现临床高效场景下的预后计划全局优化寻解。方法GradRCIPSO优化算法的核心思想是通过让粒子同时学习群体交互信息和梯度信息实现在全局范围的快速收敛。其中,交互信息从群体中的优秀个体处获得,用于让粒子高效搜索整个解空间;而梯度信息表征最速下降方向,用以帮助粒子快速探索当前所在邻域。为评估方法的有效性,本研究选取10例非小细胞肺癌(NSCLC)IMRT计划,对其用GradRCIPSO生成预后引导的放疗计划后,将该预后计划和原临床计划的质量进行对比。此外,还分别用内点法、序列二次规划、积极集、梯度下降法和随机对比交互粒子群算法(RCIPSO)作为预后计划的优化引擎,并比较其和GradRCIPSO在优化效率、精度方面的优劣。结果GradRCIPSO可以成功地为患者生成预后引导的放疗计划,所得计划相较原临床计划剂量统计水平相当,且预期放疗总风险从1.22(0.84,1.51)降至0.93(0.80,1.29)(z=2.81,P<0.01)。GradRCIPSO的求解质量稳定,求解精度优于4种梯度算法(z=2.80~2.81,P<0.01)。和未使用梯度增强的群体智能算法RCIPSO相比,GradRCIPSO可在求解质量相似(P>0.05)的同时,提升约3倍的优化速度。结论建立了一种新的优化算法GradRCIPSO,并验证了该方法在预后引导IMRT计划优化中的可行性及性能,为预后引导肺癌调强计划设计的广泛临床应用奠定技术基础。
- 刘嘉雯李永宝李华莉周凌宏宋婷
- 关键词：调强放疗群体智能算法
- 基于深度学习三维剂量分布的头颈部肿瘤远处转移预测研究被引量：1
- 2023年
- 目的探讨基于三维剂量分布的深度学习模型在预测头颈部肿瘤远处转移中的作用。方法收集来自4个中心共237例接受调强放疗(IMRT)的头颈部肿瘤患者的放疗数据和临床随访数据,其中来自犹太综合医院(HGJ)和Sherbrooke大学医疗中心(CHUS)治疗机构的131个病例作为训练集,来自Montréal大学医疗中心(CHUM)机构的65个病例作为验证集,来自Maisonneuve-Rosemont医院(HMR)机构的41个病例作为测试集。将训练集131例患者的三维剂量分布和GTV轮廓输入DM-DOSE模型进行训练并用验证集数据进行验证,然后用独立的测试集数据进行评估。评价内容包括受试者操作特征曲线下面积(AUC)、平衡准确率、敏感度、特异度、一致性指数和Kaplan-Meier生存曲线分析。结果在头颈部肿瘤远处转移的预后预测方面,联合三维剂量分布和GTV轮廓的DM-DOSE模型实现了最优预后预测性能,AUC为0.924,并且能显著区分远处转移的高、低风险患者(log-rank检验,P<0.001)。结论三维剂量分布对IMRT的头颈部肿瘤患者远处转移具有良好的预测价值,且构建的预测模型能有效预测远处转移。
- 蔡嘉俊李永宝肖帆亓孟科陆星宇周凌宏宋婷
- 关键词：头颈部肿瘤远处转移
- 前列腺癌大分割放疗中BMI及体脂分布对危及器官剂量和毒性的影响及预测模型构建
- 2025年
- 目的:旨在深入分析前列腺癌放射治疗中身体质量指数(body mass index,BMI)和体脂成分对危及器官剂量分布及毒性反应的具体影响,构建前列腺癌放疗毒性预测模型。方法:回顾性收集前列腺癌患者256例的CT影像及临床数据,全部病例随访资料齐全。勾画每个患者皮下脂肪(subcutaneous fat,SCF)、内脏脂肪(visceral adipose tissue,VAT)作为体脂成分的代表性区域,并获取其体积参数。采用斯皮尔曼相关系数分析,确认体脂成分与前列腺周围危及器官(包括直肠、膀胱、小肠、结肠、肛管等)放疗剂量参数的相关性。提取体脂成分影像组学特征,联合BMI、放疗参数等,构建基于逻辑回归的毒副反应预测模型,初步探索放疗不良反应的影响因素。利用测试集来检验训练后模型的效果,并通过测试集对模型进行优化,提高预测放疗后危及器官毒性的准确率。结果:正常BMI组患者和高BMI组患者的二级以上毒副反应比例分别为:早期泌尿生殖系统(genitourinary,GU)毒副反应19.0%vs 4.8%,早期胃肠道系统(gastrointestinal,GI)毒副反应9.5%vs 8.4%,晚期GU 17.5%vs 10.8%,晚期GI 12.7%vs 6.0%。体脂分析显示,危及器官的受照剂量与内脏脂肪相关性更高。使用临床特征、影像组学和剂量学参数构建逻辑回归模型,结果显示模型预测性良好,早期和晚期GU、GI毒副反应的AUC-ROC分别为0.91、0.94、0.89、0.88。结论:正常BMI范围的患者放疗后发生2级及以上毒副反应比例显著高于高BMI患者,且毒副反应的发生率与腹围及BMI呈负相关。基于临床特征、影像组学和剂量学参数构建的毒性预测模型表现出良好的性能(AUC-ROC:0.88~0.94),能够有效识别毒副反应高风险患者,为个体化放疗方案的优化提供了重要依据。未来研究可通过多中心大样本数据进一步验证模型的泛化性能,推动其在临床实践中的应用。
- 郭旋李云飞刘洋何立儒熊燕黄思娟刘睿奇宋婷
- 关键词：前列腺癌BMI毒性预测
