基于神经网络的放化疗规范化质量控制的量化方法

摘要

本发明公开了一种基于神经网络的放化疗规范化质量控制的量化方法。该方法的步骤如下：质量控制指标量化以获得质控向量，包括质量控制指标量化及质控向量的降维和归一化；构造神经网络，包括确定网络拓扑结构、神经元数量和传递函数；训练神经网络，包括选择训练样本、统计误差、调整网络参数；以及将训练后的神经网络应用于放化疗规范化质量控制的量化。由于质控向量和质量控制评分之间并没有明确的关系，往往需要专家根据经验全面判断得出，本发明利用神经网络通过学能够较好地模拟这种非线性的隐含关系，从而便于系统、标准地评判后续治疗过程中的放化疗规范化质量控制程度。

主权项

一种基于神经网络的放化疗规范化质量控制的量化方法，其特征在于，该方法的步骤如下：1)质量控制指标量化以获得质控向量，包含以下步骤：1.1使用质量控制指标构造原始质控向量，质量控制指标分为已量化和未量化两类，量化方法如下：1.1.1已经量化的质量控制指标分别进行标准单位转换后去除单位，使用数值作为原始质控向量的分量；1.1.2未量化的离散值质量控制指标使用从0开始的自然数表示各个选项，使用自然数作为原始质控向量的分量；1.2对原始质控向量进行降维和归一化，获得质控向量；采用主成分分析的方法进行降维，降维后得到的每一维线性归一化到[0.1,0.9]以适应神经网络所采用的Sigmoid传递函数：对于每一维，若其最大值和最小值分别为x_max和x_min，对于一个实例x，其标准化后的值x’为$x^{\prime }=\frac{x-x_{\min }}{x_{\max }-x_{\min }}\times (0.9-0.1)+0.1;$2)构造神经网络，确定网络的拓扑结构、神经元数量和传递函数参数，包括以下步骤：2.1拓扑采用三层前馈网络，第一层为输入层，第二层为中间的隐藏层，第三层为输出层，相邻两层之间的神经元两两单向连接；2.2输入所述质控向量，输入层神经元数量与所述质控向量的分量数量相同；2.3隐藏层神经元数量根据训练结果选择；2.4输出为质量控制评分，输出层只有一个神经元；该神经元的所有输入和相应的连接权重分别表示为向量X＝(1，x₁，x₂，…，x_n)W＝(w₀，w₁，w₂，…，w_n)^T其中xi和wi分别表示神经元的第i个输入分量和第i个连接权重分量，且两者分别共有n个分量，其中x₀＝1，则加权的结果net表示为$net=XW=\underset{i=0}{\overset{n}{\Sigma }}{x}_i·w_i$于是神经元的输出为，其中f是Sigmoid传递函数，$o=f\left(net\right)=f\left(\underset{i=0}{\overset{n}{\Sigma }}{x}_i·w_i\right);$2.5各神经元的传递函数均采用Sigmoid；3)训练神经网络，包括以下步骤：3.1选择神经网络的训练样本，每份训练样本包括所述质控向量和所述质量控制评分，其中质控向量从历史病例中获取，质量控制评分由专家根据质量控制指标确定；3.2所述的训练样本被分为多份训练样本集和测试样本集；3.3随机选择一个训练样本集，对其中的每个样本，使用反向传播算法更新各个神经元的连接权重，方法是：对于隐藏层和输出层的每个神经元j，其连接前一层神经元i的权重wji更新的方法是w_ji＝w_ji+Δw_ji其中Δwji是更新的增量；对于每一个训练样本<X，y>，网络输入为向量X，输出为标量y：Δw_ji(n)＝ηδ_jt_ji+αΔw_ji(n‑1)其中η为学习率，过快的学习率可能错过最优点，而过低的学习率会降低收敛速度，这里取0.3；t_ji是神经元i的输入，神经元j传递给神经元i的值；α为冲量因子，能够避免陷入某些局部最优点，这里取0.9；Δw_ji(n‑1)为上一次计算获得的Δw_ji；δ_j为误差项，由于隐藏层没有期望的输出结果作对比，其对于输出层的隐藏层有着不同的计算方法；3.4随机选择一个测试样本集，对其中的每个样本，输入训练后的神经网络，累计输出的误差，方法是：对每个输出层神经元k，误差项δk为δ_k＝o_k(1‑o_k)(y_k‑o_k)其中o_i为本神经元的输出值；对每个隐藏层神经元h，误差项δh为3.5若测试样本集的累积误差达到要求，神经网络训练完成；3.6若测试样本集的累积误差没有达到要求，且训练的次数没有达到阈值，随机选择另一个样本集继续训练；3.7若训练的次数达到阈值，则调整网络结构，包括隐藏层中神经元数量后重新训练；3.8若调整次数达到阈值则需要从头开始重新选择训练样本；4)将训练后的神经网络应用于放化疗规范化质量控制的量化，包括以下步骤：4.1按照神经网络的构造方式获取未来放化疗的质量控制指标以构造质控向量；4.2将质控向量输入神经网络，输出即为神经网络预测的质量控制评分；4.3若在应用过程中质量控制指标发生变化，则需要重新进行神经网络训练。