本發(fā)明涉及機(jī)器學(xué)習(xí)，尤其涉及一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法。

背景技術(shù)：

1、深度學(xué)習(xí)自動化計(jì)劃質(zhì)量保證(psqa)旨在減少臨床資源需求。預(yù)測劑量差異指標(biāo)（伽馬通過率）及其分布對于確保放射治療的安全性和有效性至關(guān)重要。然而，當(dāng)前的研究忽視了模型預(yù)測中的不確定性限定，限制了它們在真實(shí)臨床環(huán)境中的可信度。

技術(shù)實(shí)現(xiàn)思路

1、針對上述技術(shù)特征，本發(fā)明提供了一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，包括如下步驟：

2、s1：數(shù)據(jù)采集，并進(jìn)行預(yù)處理；

3、s2：基于多粒度回歸先驗(yàn)網(wǎng)絡(luò)模型對數(shù)據(jù)進(jìn)行處理，得到gamma通過率gpr預(yù)測和劑量差異預(yù)測ddp。

4、進(jìn)一步的，步驟s1包括如下子步驟：

5、s11：獲取2d劑量圖像數(shù)據(jù)；

6、s12：對2d劑量圖像數(shù)據(jù)進(jìn)行重新采樣，得到空間分辨率一致的圖像；

7、s13：剪切，去除多余的背景；

8、s14：進(jìn)行歸一化處理，確保輸入多粒度回歸先驗(yàn)網(wǎng)絡(luò)模型數(shù)據(jù)的一致性。

9、進(jìn)一步的，步驟s2包括建立基礎(chǔ)貝葉斯模型，所述基礎(chǔ)貝葉斯模型包括如下計(jì)算方法：

10、；

11、其中，表示在給定輸入和訓(xùn)練數(shù)據(jù)?d?的情況下回歸變量?y?的概率，表示在給定模型參數(shù)?μ?的情況下?y?的可能性；表示在給定輸入和超參數(shù)???的情況下模型參數(shù)?μ?的后驗(yàn)分布；在給定訓(xùn)練數(shù)據(jù)?d?的情況下超參數(shù)??的后驗(yàn)分布。

12、進(jìn)一步的，所述基礎(chǔ)貝葉斯模型采用?normal-wishart分布作為先驗(yàn)，計(jì)算方法為：

13、；

14、；

15、其中，是給定輸入?x?和參數(shù)?θ?的目標(biāo)變量?y?分布；μ為平均值，λ為精度矩陣；{μ,λ}是從函數(shù)?f(x;?θ)?獲得的。

16、進(jìn)一步的，步驟s2還包括生成預(yù)設(shè)分布，并帶入貝葉斯模型，得到輸出分布的參數(shù)化形式：

17、；

18、；

19、；

20、其中，表示normal-wishart?分布，是一種復(fù)合分布，由均值μ?上的條件正態(tài)分布和精度矩陣?λ?上的?wishart?分布組成；表示均值?μ和精度矩陣?λ?上的正態(tài)-威沙特分布的參數(shù)化；分布參數(shù)?{m,?l,?κ,?ν}?是從函數(shù)?f(x;θ)?獲得的。

21、進(jìn)一步的，步驟s2還包括計(jì)算不確定性的參數(shù)化表達(dá)式：

22、；

23、；

24、；

25、其中，表示模型不確定性，基于精度矩陣?λ?的行列式計(jì)算得出；表示預(yù)測概率分布?p(y|μ,λ)?在?μ?和?λ?上的熵，表示總不確定性；表示數(shù)據(jù)不確定性。

26、進(jìn)一步的，步驟s2還包括根據(jù)輸出分布的參數(shù)化形式，輸出概率分布參數(shù)，計(jì)算訓(xùn)練loss函數(shù)形式：

27、。

28、進(jìn)一步的，步驟s2還包括通過深度學(xué)習(xí)網(wǎng)絡(luò)輸出相關(guān)參數(shù)，從而完成gpr預(yù)測和ddp以及它們的預(yù)測置信度度量，并達(dá)成兩個任務(wù)預(yù)測的一致性：

29、；

30、；

31、；

32、；

33、其中，是gpr分布的最大似然。

34、本發(fā)明的有益效果在于：本發(fā)明能夠推斷劑量差異和gamma通過率的分布，并在特定的統(tǒng)計(jì)假設(shè)下進(jìn)行建模，通過使用這種框架和網(wǎng)絡(luò)架構(gòu)，可以提高深度學(xué)習(xí)應(yīng)用在計(jì)劃質(zhì)量保證中的可信度。

技術(shù)特征：

1.一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，步驟s1包括如下子步驟：

3.如權(quán)利要求2所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，步驟s2包括建立基礎(chǔ)貝葉斯模型，所述基礎(chǔ)貝葉斯模型包括如下計(jì)算方法：

4.?如權(quán)利要求3所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，所述基礎(chǔ)貝葉斯模型采用?normal-wishart分布作為先驗(yàn)，計(jì)算方法為：

5.如權(quán)利要求4所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，步驟s2還包括生成預(yù)設(shè)分布，并帶入貝葉斯模型，得到輸出分布的參數(shù)化形式：

6.如權(quán)利要求5所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，步驟s2還包括計(jì)算不確定性的參數(shù)化表達(dá)式：

7.如權(quán)利要求6所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，步驟s2還包括根據(jù)輸出分布的參數(shù)化形式，輸出概率分布參數(shù)，計(jì)算訓(xùn)練loss函數(shù)形式：

8.如權(quán)利要求7所述的一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，其特征在于，步驟s2還包括通過深度學(xué)習(xí)網(wǎng)絡(luò)輸出相關(guān)參數(shù)，從而完成gpr預(yù)測和ddp以及它們的預(yù)測置信度度量，并達(dá)成兩個任務(wù)預(yù)測的一致性：

技術(shù)總結(jié)
本發(fā)明公開了一種基于多粒度不確定性的計(jì)劃質(zhì)量保證預(yù)測方法，該方法包括如下步驟：S1：數(shù)據(jù)采集，并進(jìn)行預(yù)處理；S2：基于多粒度回歸先驗(yàn)網(wǎng)絡(luò)模型對數(shù)據(jù)進(jìn)行處理，得到Gamma通過率GPR預(yù)測和劑量差異預(yù)測DDP。本發(fā)明能夠推斷劑量差異和Gamma通過率的分布，并在特定的統(tǒng)計(jì)假設(shè)下進(jìn)行建模，通過使用這種框架和網(wǎng)絡(luò)架構(gòu)，可以提高深度學(xué)習(xí)應(yīng)用在計(jì)劃質(zhì)量保證中的可信度。

技術(shù)研發(fā)人員：祝起禛,曾驍陽,冷凌萱,楊波,汪之群,邱杰,席瑞,侯孟書,阿瓦伊斯·艾哈邁德
受保護(hù)的技術(shù)使用者：中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28