基于预测剂量引导和高斯过程优化的计划实现方法及装置制造方法及图纸

本发明专利技术提供一种基于预测剂量引导和高斯过程优化的计划实现方法及装置，涉及放射治疗技术领域。该方法包括：利用剂量预测模型计算病例的预测剂量；根据评分规则计算预测剂量的计划得分作为最佳计划得分；根据器官解剖信息，基于先验数据库，确定多组计划参数；计算多组计划参数对应的计划得分，并构成高斯数据集；基于高斯数据集，利用高斯过程计算新的计划参数，并计算对应的计划得分，添加到高斯数据集中，迭代执行该步骤，最后计算高斯数据集中最高得分对应的计划参数下的调强优化结果。通过采用预测模型来预测病例的剂量分布以优化引导，保证了计划质量，利用高斯过程基于先验数据计算后验分布，减少了试错次数，从而加快了优化速度。

Method and Device for Plan Implementation Based on Predictive Dose Guidance and Gauss Process Optimization

【技术实现步骤摘要】
基于预测剂量引导和高斯过程优化的计划实现方法及装置
本专利技术涉及放射治疗
，具体涉及一种基于预测剂量引导和高斯过程优化的计划实现方法及装置。
技术介绍
目前，调强放疗技术已经广泛应用于临床，但作为其核心的治疗计划设计方式仍存在着许多问题，当前所采用的手工试错方式，严重限制了医院的工作效率和计划的完成成本，增加了医院和病人的负担。更重要的是，以这样一种计划制定方式所得的治疗计划，其计划质量存在着很大的不确定性，很大程度上依赖于计划设计者的经验以及设计治疗计划所花费的时间。同时根据不同治疗中心的研究报告可以发现，无论是治疗中心内部还是治疗中心之间，所做的计划质量和计划设计时间都有很大的差别，这种差别也给计划质量的评价比较、不同中心的合作、经验交流、数据共享等造成了困难。因此，自动计划的引进和发展有着迫切的现实意义，也可能将是放射治疗史上的又一次变革。目前实现自动计划的方式主要有如下三种：1)、基于先验知识的自动计划(Knowledge-basedplanning，KBP)，使用先验知识和经验去预测新病人的最优剂量分布或用于后期人工计划的初值，主要有基于图谱库和基于模型两种实现方式。这种实现方法的主要缺点是仅预测感兴趣区域的剂量分布，对于未勾画的组织和器官不能很好的计算出最优剂量分布，且新病人的计划质量严重受限于以往病例的计划质量。2)、基于协议的自动迭代优化(Protocal-basedAutomaticIterativeOptimisaztion，PB-AIO)，对靶区和危及器官设置约束，使用初始模板开始优化，并在迭代过程中不断调整约束和权重，达到靶区和危及器官剂量的最优分布。这种方法受限于物理师对模板的初始设置。3)、多目标优化(Multi-CriteriaOptimisation，MCO)，旨在寻找多个器官约束间的平衡，直到任一器官的优化将破坏其他约束为止，有先验和后验两种实现方式。该方法的主要缺点是产生的最优计划为基于强度图的计划，并没有考虑机器参数的可实现，在生成最终的子野走位时会有计划质量的损失。
技术实现思路
本专利技术的目的在于，针对上述现有技术中的不足，提供一种基于预测剂量引导和高斯过程优化的计划实现方法及装置，以解决放射治疗计划的优化问题。为实现上述目的，本专利技术采用的技术方案如下：第一方面，本专利技术提供了一种基于预测剂量引导和高斯过程优化的计划实现方法，用于调强放射治疗计划的优化设计，所述方法包括：a)基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得病例的预测剂量；b)根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；c)根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；d)计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；e)在高斯数据集中存在得分高于最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行步骤f)；f)基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；g)迭代执行步骤f)直到满足预设迭代终止条件为止，并计算高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。可选地，步骤a)具体包括：建立深度学习卷积神经网络模型；提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，电子计算机断层扫描和勾画数据包括预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；将器官的勾画数据作为模型的输入，将剂量数据作为模型的输出，对模型进行训练，以获得训练好的剂量预测模型；针对待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得待治疗病例的预测剂量。可选地，步骤b)具体包括：基于预定评分规则，计算病例的每个危及器官的剂量体积直方图指标得分；对指标得分求和，得到总得分作为最佳计划得分。可选地，步骤c)具体包括：基于勾画数据，提取病例的危及器官的重叠体积直方图；计算危及器官的重叠体积直方图与先验数据库中的历史数据中的重叠体积直方图的相似度；从先验数据库中的历史数据中选取与危及器官的重叠体积直方图相似度最高的预定数目的优化参数作为病例的计划参数，优化参数包括放射治疗的射野角度和约束条件。可选地，步骤f)中利用高斯过程计算新的计划参数具体包括：计算高斯数据集中任一计划参数下计划得分的高斯分布的概率密度函数；基于概率密度函数，针对预设的预测参数空间中的多个离散的参数分别计算对应的采集函数的值，并且选取采集函数的值中最大的值对应的参数作为新的计划参数，采集函数为预设函数。可选地，迭代执行步骤f)的预设迭代终止条件为：如果高斯数据集中存在得分高于最佳计划得分的计划得分或者迭代次数超过预设次数时终止迭代。可选地，在步骤g)之后，还包括：输出所获得的调强优化结果。可选地，所述提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，包括：针对预设病例数据库中的预设病种的一张电子计算机断层扫描图像，选择256*256个采样点；提取采样点上的电子计算机断层扫描值，以形成电子计算机断层扫描值矩阵；通过如下来提取采样点上的关键器官的勾画数据：针对任一器官，若采样点中的一个采样点属于该器官，则勾画数据值为1，否则勾画数据值为0；通过如下来提取采样点上的皮肤的勾画数据：若采样点中的一个采样点属于皮肤，则勾画数据值为1，否则勾画数据值为0，从而形成皮肤勾画的矩阵，然后将皮肤勾画的矩阵与电子计算机断层扫描值矩阵对应位置的数值相乘，作为皮肤的勾画数据；提取采样点的剂量，形成剂量矩阵，以获得剂量数据。第二方面，本专利技术提供了一种基于预测剂量引导和高斯过程优化的计划实现装置，用于调强放射治疗计划的优化设计，所述装置包括：预测剂量计算模块，用于基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；最佳计划得分计算模块，用于根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；计划参数确定模块，用于根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；高斯数据集形成模块，用于计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；高斯数据集迭代更新模块，用于基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；最佳计划结果输出模块，用于在高斯数据集中存在得分高于最佳计划得分的计划时，或迭代次数达到预设条件时选择高斯数据集中得分最高的计划，计算该计划得分对应的计划参数下的调强优化结果。可选地，预测剂量计算模块具体用于：建立深度学习卷积神经网络模型；提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，电子计算机断层扫描和勾画数据包括预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；将器官的勾画数据作为所述模型的输入，将剂量数据作为模型的输出，对模型进行训练，以获得训练好的剂量预测模型；针对待治疗病例的电子计算机断层扫描和勾画数据，采用本文档来自技高网...

【技术保护点】
1.一种基于预测剂量引导和高斯过程优化的计划实现方法，用于调强放射治疗计划的优化设计，其特征在于，所述方法包括：a)基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；b)根据预定评分规则计算所述预测剂量的计划得分作为最佳计划得分；c)根据所述病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定所述病例的多组计划参数；d)计算所述多组计划参数对应的计划得分，并且由所述计划参数和对应的计划得分构成高斯数据集；e)在所述高斯数据集中存在得分高于所述最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行步骤f)；f)基于所述高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将所述新的计划参数和对应的新的计划得分添加到所述高斯数据集中；g)迭代执行步骤f)直到满足预设迭代终止条件为止，并计算所述高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。

【技术特征摘要】
1.一种基于预测剂量引导和高斯过程优化的计划实现方法，用于调强放射治疗计划的优化设计，其特征在于，所述方法包括：a)基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；b)根据预定评分规则计算所述预测剂量的计划得分作为最佳计划得分；c)根据所述病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定所述病例的多组计划参数；d)计算所述多组计划参数对应的计划得分，并且由所述计划参数和对应的计划得分构成高斯数据集；e)在所述高斯数据集中存在得分高于所述最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行步骤f)；f)基于所述高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将所述新的计划参数和对应的新的计划得分添加到所述高斯数据集中；g)迭代执行步骤f)直到满足预设迭代终止条件为止，并计算所述高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。2.根据权利要求1所述的方法，其特征在于，所述步骤a)具体包括：建立深度学习卷积神经网络模型；提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，所述电子计算机断层扫描和勾画数据包括所述预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；将所述器官的勾画数据作为所述模型的输入，将所述剂量数据作为所述模型的输出，对所述模型进行训练，以获得训练好的剂量预测模型；针对待治疗病例的电子计算机断层扫描和勾画数据，采用所述训练好的剂量预测模型计算获得所述待治疗病例的预测剂量。3.根据权利要求1所述的方法，其特征在于，所述步骤b)具体包括：基于预定评分规则，计算所述病例的每个危及器官的剂量体积直方图指标得分；对所述指标得分求和，得到总得分作为最佳计划得分。4.根据权利要求1所述的方法，其特征在于，所述步骤c)具体包括：基于所述勾画数据，提取所述病例的危及器官的重叠体积直方图；计算所述危及器官的重叠体积直方图与所述先验数据库中的历史数据中的重叠体积直方图的相似度；从所述先验数据库中的历史数据中选取与所述危及器官的重叠体积直方图相似度最高的预定数目的优化参数作为所述病例的计划参数，所述优化参数包括放射治疗的射野角度和约束条件。5.根据权利要求1所述的方法，其特征在于，所述步骤f)中利用高斯过程计算新的计划参数具体包括：计算所述高斯数据集中任一计划参数下计划得分的高斯分布的概率密度函数；基于所述概率密度函数，针对预设的预测参数空间中的多个离散的参数分别计算对应的采集函数的值，并且选取所述采集函数的值中最大的值对应的参数作为新的计划参数，所述采集函数为预设函数。6.根据权利要求1所述的方法，其特征在于，迭代执行步骤f)的预...

【专利技术属性】
技术研发人员：文虎儿，鞠垚，姚毅，
申请(专利权)人：苏州雷泰智能科技有限公司，
类型：发明
国别省市：江苏,32