张晖
- 作品数：33 被引量：18H指数：3
- 供职机构：中国科学院近代物理研究所更多>>
- 发文基金：国家自然科学基金甘肃省自然科学基金中国科学院重点部署项目更多>>
- 相关领域：医药卫生自动化与计算机技术核科学技术理学更多>>
- 一种基于纳剂量学量加权剂量优化的离子辐照方案设计方法
- 本发明公开了一种基于纳剂量学量加权剂量优化的离子辐照方案设计方法。本发明采用纳剂量学量加权剂量对离子辐照方案进行优化，从本质上充分利用了离子束的辐射品质，实现了更为精准的离子辐照方案和计划设计，进而提高了应用和预测离子束...
- 杨静芬李强刘新国戴中颖贺鹏博马圆圆申国盛陈卫强张晖
- 一种基于神经网络模型生成内大体靶区的方法和系统
- 本发明属于放射性治疗技术领域，涉及一种基于神经网络模型生成内大体靶区的方法和系统，包括以下步骤：S1根据获得的4D‑CT图像勾画所有呼吸时相上的肿瘤靶区轮廓；S2生成代表内大体靶区的二值图像；S3将4D‑CT图像和二值图...
- 马圆圆戴中颖刘新国张晖李强
- 文献传递
- 一种多相位4D CT图像分割方法及系统
- 本发明涉及一种多相位4D CT图像分割方法及系统，其包括：获取患者的4D CT图像数据，构建时序信息提取模块，搭建神经网络模型；将患者的4D CT图像数据划分为训练集和测试集，将获取的数据标注，并进行数据预处理及数据增强...
- 马圆圆戴中颖刘新国张晖李强
- 文献传递
- 扫描离子束照射下的辐射变色胶片剂量测量方法和系统
- 本发明涉及一种扫描离子束照射下的辐射变色胶片剂量测量方法和系统，包括：将辐射变色胶片分为刻度区和剂量测量区，在刻度区照射不同剂量面积乘积梯度的束斑，在剂量测量区照射待测照射野；将辐射变色胶片的刻度区和剂量测量区同时进行数...
- 刘新国李强马圆圆张晖戴中颖
- 一种智能型的粒子放疗治疗计划验证方法及系统
- 本发明涉及一种智能型的粒子放疗治疗计划验证方法及系统，其包括：根据患者的3D CT数据获取剂量分布数据以构成样本数据集，将样本数据集划分后的训练集输入构建的基于3D UNet架构的GhostUNet神经网络进行训练；Gh...
- 张新阳李强张晖贺鹏博王健马圆圆刘新国戴中颖何睿
- 一种智能型的离子束自适应放疗系统、存储介质及设备
- 本发明涉及一种智能型的离子束自适应放疗系统、存储介质及设备，其包括：采用通过DRR图像及与其对应的3D‑CT图像构成数据集，对人工智能网络模型进行训练和验证，得到人工智能网络模型的权重参数；将每个分次的DR图像输入基于深...
- 张新阳李强贺鹏博刘新国戴中颖马圆圆申国盛张晖
- 基于纳剂量学获得离子束辐照方案的方法
- 本发明涉及一种基于纳剂量学获得离子束辐照方案的方法，该方法包括以下步骤：在标定条件下，同时获取标定的纳米剂量学量并量化辐射效应；确定辐射效应参数；计算相应的纳剂量学量，应用辐射效应参数，优化辐照方案。本发明还包括验证已有...
- 戴天缘李强陈卫强刘新国戴中颖贺鹏博马圆圆申国胜张晖
- 文献传递
- 解析碳离子笔形束算法在头颈部肿瘤放疗计划设计中的剂量学分析
- 2024年
- 碳离子束治疗因其倒转的深度剂量分布和较高的相对生物学效应,具有对正常组织损伤小、副作用低等优势,有望成为头颈部肿瘤放疗的主力。剂量算法的精确性直接影响临床照射剂量的准确性,减小碳离子束治疗剂量计算误差有助于提高患者生存率和局部控制率。本工作采用解析笔形束算法对5例头颈部患者病例进行碳离子束治疗剂量计算,并利用蒙特卡罗模拟方法对治疗计划进行剂量验证,对解析计算和蒙特卡罗模拟结果进行不同评价标准组合下(2%/2 mm、3%/2 mm、3%/3 mm、3%/5 mm)的伽马通过率分析、DVH图及参考指标分析、中心轴剂量分布对比。结果显示:笔形束算法在3%/2 mm的评价标准下平均伽马通过率为90.441%,接近满足碳离子束治疗头颈部肿瘤的剂量计算要求。笔形束算法在束流横向上的计算结果较为精准,但在沿束流入射方向上的计算结果受路径上组织非均匀性及空腔的影响,存在射程偏差。为降低笔形束剂量计算误差带来的影响,碳离子束治疗头颈部肿瘤时需要采用更保守的射野角度选择。本工作的对比结果可用于指导基于解析笔形束剂量算法的头颈部肿瘤碳离子束治疗计划设计。
- 车宇航黄盛聪张晖李亚洲刘新国刘新国胡钦勇李强
- 关键词：蒙特卡罗模拟头颈部肿瘤
- 一种用于确定粒子弧形放射射野下能量层的方法及装置
- 本发明涉及一种用于确定粒子弧形放射射野下能量层的方法，所述方法包括：获取患者的CT数据，并根据所述CT数据获取样本数据，包括特征数据和标签数据；将所述样本数据输入预设的机器学习模型进行训练，得到训练好的机器学习模型；基于...
- 马圆圆刘新国戴中颖张晖李强许鹏辉
- 基于深度学习单投影的CT断层成像三维重建被引量：2
- 2021年
- 目的:提出一种基于深度学习的计算机断层扫描(CT)单视图断层成像三维(3D)重建方法,在减少数据采集量和降低成像剂量的情况下对不同患者进行CT图像的3D重建。方法:对不同患者的CT图像进行数据增强和模拟生成对应的数字重建放射影像(DRR),并进行数据归一化操作。利用预处理后的数据通过卷积神经网络训练出一个普适于不同患者的神经网络模型。将训练好的神经网络模型部署在测试数据集上,使用平均绝对误差(MAE)、均方根误差(RMSE)、结构相似性(SSIM)和峰值信噪比(PSNR)对重建结果进行评估。结果:定性和定量分析的结果表明,该方法可以使用不同患者的单张2D图像分别重建出质量较高的3D CT图像,MAE、RMSE、SSIM和PSNR分别为0.006、0.079、0.982、38.424 dB。此外,相比特定于单个患者的情况,该方法可以大幅度提高重建速度并节省70%的模型训练时间。结论:构建的神经网络模型可通过不同患者的2D单视图重建出相应患者的3D CT图像。因此,本研究对简化临床成像设备和放射治疗当中的图像引导具有重要作用。
- 张新阳贺鹏博刘新国刘新国马圆圆戴中颖张晖马圆圆李强
- 关键词：三维重建卷积神经网络
