[發(fā)明專(zhuān)利]一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210458979.1
• 申請(qǐng)日: 2022-04-27
• 公開(kāi)（公告）號(hào): CN114999662A
• 公開(kāi)（公告）日: 2022-09-02
• 發(fā)明（設(shè)計(jì)）人: 王艷;曹重陽(yáng);彭星辰;肖江洪;吳錫;周激流
• 申請(qǐng)（專(zhuān)利權(quán)）人: 四川大學(xué)
• 主分類(lèi)號(hào): G16H50/70
• 分類(lèi)號(hào): G16H50/70;G16H20/40;G06N3/04;G06N3/08;A61N5/10
• 代理公司: 成都帝鵬知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51265
• 代理人: 羅旭

1.一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，包括步驟：

步驟1：預(yù)訓(xùn)練階段，利用聚合域數(shù)據(jù)訓(xùn)練的聚合網(wǎng)絡(luò)來(lái)存儲(chǔ)來(lái)自源域的放療計(jì)劃劑量知識(shí)；

步驟2：遷移階段，構(gòu)建一個(gè)與聚合網(wǎng)絡(luò)具有相同結(jié)構(gòu)的目標(biāo)網(wǎng)絡(luò)，同時(shí)固定聚合網(wǎng)絡(luò)的參數(shù)；分別從特征級(jí)別和圖像級(jí)別約束目標(biāo)網(wǎng)絡(luò)的參數(shù)，即通過(guò)注意確定的過(guò)濾器和確定的樣本來(lái)更新參數(shù)；

步驟3：利用目標(biāo)網(wǎng)絡(luò)對(duì)輸入的采集圖像進(jìn)行學(xué)習(xí)獲取放療計(jì)劃劑量分布預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，利用聚合域數(shù)據(jù)訓(xùn)練的聚合網(wǎng)絡(luò)來(lái)存儲(chǔ)來(lái)自源域的知識(shí)，包括步驟：

將源域D_s和目標(biāo)域D_t的輸入分別表示為x_s和x_t，對(duì)應(yīng)的標(biāo)簽表示為y_s和y_t，給定從D_s和D_t中隨機(jī)采樣的樣本對(duì)(x_s,y_s)和(x_t,y_t)，獲得聚合樣本對(duì)(x_a,y_a)；

使用聚合域數(shù)據(jù)，通過(guò)損失函數(shù)預(yù)訓(xùn)練聚合網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1或2所述的一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，步驟2：遷移階段中：

在特征層面，將特征級(jí)加權(quán)知識(shí)遷移模塊應(yīng)用到聚合網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)的每個(gè)編碼層的輸出，通過(guò)一個(gè)特征級(jí)損失試圖保留兩個(gè)域之間共享知識(shí)的濾波器；

在圖像層面，在兩個(gè)網(wǎng)絡(luò)的輸出端采用了一個(gè)圖像級(jí)加權(quán)知識(shí)遷移模塊，為不同的目標(biāo)域樣本指定不同的權(quán)值，從而使得難遷移的樣本對(duì)圖像級(jí)損失的貢獻(xiàn)更大。

4.根據(jù)權(quán)利要求3所述的一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，在遷移階段所述特征級(jí)加權(quán)知識(shí)遷移模塊中，包括步驟：

提供一個(gè)特征級(jí)損失函數(shù)，為：

式中：ω和ω^*分別表示目標(biāo)網(wǎng)絡(luò)和聚合網(wǎng)絡(luò)的參數(shù)；ω/ω^*是目標(biāo)網(wǎng)絡(luò)的解碼器參數(shù)；β是一個(gè)平衡系數(shù)；

第一項(xiàng)是特征級(jí)損失的主體部分它負(fù)責(zé)約束兩個(gè)網(wǎng)絡(luò)的特征一致性，實(shí)現(xiàn)特征級(jí)別知識(shí)遷移；

第二項(xiàng)是正則化項(xiàng)Ω(ω/ω^*)來(lái)約束目標(biāo)網(wǎng)絡(luò)的參數(shù)。

5.根據(jù)權(quán)利要求4所述的一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，所述正則化項(xiàng)中采用損失來(lái)最小化參數(shù)：

6.根據(jù)權(quán)利要求4所述的一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，所述特征級(jí)損失的主體部分為：

式中：和分別是聚合網(wǎng)絡(luò)A和目標(biāo)網(wǎng)絡(luò)T的三個(gè)編碼層中的n個(gè)濾波器中的第j個(gè)濾波器產(chǎn)生的向量化特征圖；w_j為濾波器的權(quán)重，屏蔽掉該濾波器帶來(lái)的性能變化作為該濾波器的權(quán)重。

7.根據(jù)權(quán)利要求6所述的一種基于域自適應(yīng)遷移學(xué)習(xí)的放療計(jì)劃劑量分布預(yù)測(cè)方法，其特征在于，設(shè)置濾波器的權(quán)重w_j，包括步驟：

先設(shè)置聚合網(wǎng)絡(luò)中第j個(gè)濾波器的參數(shù)為零，輸入目標(biāo)域數(shù)據(jù)x_t后，當(dāng)前預(yù)測(cè)損失和原始預(yù)測(cè)損失之間的差距即為權(quán)重w_j，權(quán)重越大意味著濾波器j包含的對(duì)目標(biāo)任務(wù)更多有幫助的知識(shí)或者兩域共有的知識(shí)；

使用softmax函數(shù)對(duì)w_j進(jìn)行標(biāo)準(zhǔn)化，以確保所有權(quán)重w_j的非負(fù)性：

式中：ω^*\j表示移除聚合網(wǎng)絡(luò)的第j個(gè)濾波器后網(wǎng)絡(luò)的權(quán)重，L表示損失。