(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210765929.8 (22)申请日 2022.07.01 (71)申请人 广州医科 大学附属肿瘤医院 地址 510095 广东省广州市横枝岗路78号 (72)发明人 周露　张书旭　吴书裕　廖煜良　 张国前　王琳靖　李慧君　 (74)专利代理 机构 北京清控智云知识产权代理 事务所 (特殊普通合伙) 11919 专利代理师 管士涛 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/13(2017.01) G06T 17/00(2006.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61N 5/10(2006.01) (54)发明名称 放射性肺炎预测模型的建立方法与系统 (57)摘要 本申请属于医学智能技术领域， 涉及一种放 射性肺炎预测模型的建立方法， 方法包括： 识别 CT图像中肺组织LUNG和临床靶区CTV， 并分割出 LUNG和CTV， 获得除去临床靶区CTV的肺组织 LUNG‑CTV； 获取肺癌患者放射治疗计划中肺组织 LUNG‑CTV区域的三维物理剂量， 并将三维物理剂 量转化为2Gy分次放射等效生物剂量； 提取肺组 织LUNG‑CTV区域的影像组学特征以及 2Gy分次放 射等效生物剂量的剂量组学特征； 利用随机森 林 算法对影像组学特征与剂量组学特征进行特征 筛选。 本申请 还提供一种放射性肺炎预测模型的 建立系统、 设备及其存储介质。 此外， 本申请还涉 及区块链 技术， 放射性肺炎诊断结果可存储于区 块链中。 权利要求书2页 说明书11页 附图5页 CN 115100155 A 2022.09.23 CN 115100155 A 1.一种放 射性肺炎预测模型的建立方法， 其特 征在于， 所述方法包括下述 步骤： 识别CT图像中肺组织LUNG和临床靶区CTV， 并利用图像分割算法分割出LUNG和CTV， 获 得除去临床靶区CTV后的肺组织 LUNG‑CTV； 获取肺癌患者放射治疗计划中肺组织LUNG ‑CTV区域的三维物理剂量， 并通过EQD2公式 将三维物理剂量 转化为2Gy分次放 射等效生物剂量； 提取肺组织LUNG ‑CTV区域的影像组学特征以及2Gy分次放射等效剂量的剂量组学特 征； 利用随机森林算法对影像组学特征与剂量组学特征进行特征筛选， 将表征冗余信 息的 特征进行过滤； 将过滤后的影 像组学特征与剂量组学 特征组成多模态组学 特征并输入不同的分类 器； 提取每一类中性 能最优的多模态组学特征， 并由性 能最优的多模态组学特征建立放射 性肺炎预测模型。 2.根据权利要求1所述的放射性肺炎预测模型的建立方法， 其特征在于， 所述识别CT图 像中肺组织LUNG和临床靶区CTV， 并分割出LUNG和CTV， 获得除去CTV后的肺组织LU NG‑CTV的 步骤包括： 识别CT图像中肺组织 LUNG和临床靶区CTV； 计算肺组织 LUNG的边 缘最佳阈值以及临床靶区CTV的边 缘最佳阈值； 基于肺组织LUNG的边缘最佳阈值以及临床靶区CTV的边缘最佳阈值确定CT图像中肺组 织LUNG的轮廓边 缘和临床靶区CTV的轮廓边 缘； 分割肺组织 LUNG和临床靶区CTV， 并获得除去临床靶区CTV后的肺组织 LUNG‑CTV。 3.根据权利要求2所述的放射性肺炎预测模型的建立方法， 其特征在于， 所述识别CT图 像中肺组织LUNG和 临床靶区CTV， 并分割出LUNG和CTV， 获得除去临床靶区CTV后的肺组织 LUNG‑CTV的步骤之后， 所述方法包括： 识别肺组织 LUNG‑CTV中的临床靶区CTV； 当识别后肺组织LUNG ‑CTV中并无临床靶区CTV， 则通过数学形态学优化肺组织LUNG ‑ CTV的边缘； 当识别后肺组织LUNG ‑CTV中具有临床靶区CTV， 则执行计算肺组织LUNG的边缘最佳阈 值以及临床靶区CTV的边 缘最佳阈值的步骤。 4.根据权利要求1所述的放射性肺炎预测模型的建立方法， 其特征在于， 所述获取肺癌 患者放射治疗计划中肺组织LUNG ‑CTV区域的三维物理剂量， 并通过EQD2公式将三维物理剂 量转化为2Gy分次放 射等效生物剂量的步骤 包括： 从计划系统中获取肺癌 患者的放 射治疗剂量文件； 基于Pytho n编程提取肺癌 患者放射治疗计划中肺组织 LUNG‑CTV区域的三维物理剂量； 利用EQD2公式将三维物理剂量 转化为2Gy分次放 射等效生物剂量。 5.根据权利要求1所述的放射性肺炎预测模型的建立方法， 其特征在于， 所述提取肺 组 织LUNG‑CTV区域的影像组学特征 以及2Gy分次放射等效剂量后的剂量组学特征的步骤包 括： 基于Python编程提取肺组织LUNG ‑CTV区域的影像组学特征， 其中， 影像组学特征包括 肿瘤形状、 灰度分布、 纹 理特性、 经 过小波以及傅里叶中至少一种特 征；权　利　要　求　书 1/2 页 2 CN 115100155 A 2基于Python编程提取2Gy分次放射等效剂量 中的剂量组学特征， 其中， 剂量组学特征包 括一阶统计量、 基于2D和 3D的形状特征、 灰度共生矩阵、 灰度级运行长度矩阵、 灰度区域大 小矩阵、 灰度依赖性矩阵和邻域灰度差分矩阵等至少一种特 征。 6.根据权利要求1所述的放射性肺炎预测模型的建立方法， 其特征在于， 所述利用随机 森林算法对影像组学特征与剂量组学特征进 行特征筛选， 并将表征冗余信息的特征进 行过 滤的步骤 包括： 利用随机森林算法对影 像组学特征与剂量组学 特征进行特征筛选； 获取表征冗余信息的特 征以及表征向量信息的特 征； 过滤表征冗余信息的特 征， 并对多个表征向量信息的特 征进行顺序排列； 获取高于预设表征向量的表征向量信息的特 征， 并设置为多模态组学 特征。 7.根据权利要求6所述的放射性肺炎预测模型的建立方法， 其特征在于， 所述将过滤后 的影像组学特征与剂量组学 特征组成多模态组学 特征并输入不同的分类 器的步骤 包括： 基于特征选择算法， 分类多模态组学 特征； 使用分类器对多模态 组学特征进行迭代学习， 提取每一类中性 能最优的多模态组学特 征。 8.一种放 射性肺炎预测模型的建立系统， 其特 征在于， 所述系统包括： 识别模块， 用于识别CT图像中肺组织LUNG和临床靶区CTV， 并分割LUNG和CTV， 获得除去 临床靶区CTV后的肺组织 LUNG‑CTV； 转化模块， 用于获取肺癌患者放射治疗计划中肺组织LUNG ‑CTV区域的三维物理剂量， 并通过EQD2公式将三维物理剂量 转化为2Gy分次放 射等效生物剂量； 分次模块， 用于提取肺组织LUNG ‑CTV区域的影像组学特征以及2Gy分次放射等效剂量 的剂量组学 特征； 过滤模块， 用于利用随机森林算法对影像组学特征与剂量组学特征进行特征筛选， 并 将表征冗余信息的特 征进行过滤； 分类模块， 用于将过滤后的影像组学特征与剂量组学特征组成多模态 组学特征并输入 不同的分类 器； 建立模块， 用于提取每一类中性能最优的多模态组学特征， 并由性能最优的多模态组 学特征建立放射性肺炎预测模型。 9.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器中存储有计算机可 读指令， 所述处理器执行所述计算机可读指 令时实现如权利要求 1至7中任一项 所述的放射 性肺炎预测模型的建立方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 可读指令， 所述计算机可读指 令被处理器执行时实现如权利要求 1至7中任一项 所述的放射 性肺炎预测模型的建立方法的步骤。权　利　要　求　书 2/2 页 3 CN 115100155 A 3