一种基于机器学习和蒙特卡罗算法的放射治疗剂量计算与验证方法技术

本发明专利技术属于放疗辐射剂量计算技术领域，涉及一种基于GPU并行的蒙特卡罗剂量计算、机器学习的放疗剂量验证方法。本发明专利技术的包括如下步骤：(1)数据输入：输入病人靶区的器官和危及器官勾画CT图像和DVH图像、物质密度、材料信息、源参数、模体的几何信息等；(2)粒子输入模拟：使用采用NVIDIA公司的CUDA框架，利用显卡的GPU进行并行计算，使用蒙特卡罗粒子的运输原理进行粒子的运输，得到剂量的模拟分布；(3)输出步骤(2)通过并行GPU的蒙特卡罗得到的模拟结果；(4)利用参数建立机器学习模型，对步骤(3)的输出结果进行验证；本发明专利技术具有以下有益效果：通过并行GPU硬件极大提高了蒙特卡罗的计算速度，通过机器学习对蒙特卡罗计算结果进行验证，解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题，能提高剂量验证的效率，减少验证成本。减少验证成本。减少验证成本。

【技术实现步骤摘要】
一种基于机器学习和蒙特卡罗算法的放射治疗剂量计算与验证方法
[0001]

[0002]本专利技术属于辐射剂量计算
，涉及一种机器学习和蒙特卡罗剂量计算与验证方法。

技术介绍

[0003]近年来调强放射治疗技术在临床应用中越来越多。为保障患者疗效，减少肿瘤复发和正常器官的损伤，需对患者治疗计划进行剂量计算与验证工作。剂量计算是放疗治疗计划系统的核心内容之一，快速准确地提供感兴趣区内所受照射剂量的数据,对放疗计划的制定至关重要，如何在保证剂量计算精度的前提下减少剂量计算时间是制定放射治疗计划的主要瓶颈。
[0004]提高剂量计算速度的方法主要有两种，一是采用不同的剂量计算方法，二是借助于计算能力更强的硬件。目前放射治疗中研究和使用的剂量计算算法基本分为三种，按照计算精度从高到低计算时间从多到少依次是蒙特卡罗算法，微分卷积积分算法和笔形束算法。蒙特卡罗算法通常作为剂量计算的标准，模拟了粒子与物质相互作用的全过程，能计算各种复杂条件下的剂量分布，因此蒙特卡罗称为行业的金标准，是所有剂量计算精度最高的方法。因为蒙特卡洛模拟的精度和模拟粒子事例数的平方成正比,所以当需要达到一定精度的时候,蒙特卡洛程序需要模拟大量粒子,会耗费大量时间。
[0005]传统剂量验证是由物理师在患者治疗前人工逐例进行验证，大多使用均匀模体和各类探测器进行剂量测量，需要物理师摆放模体，然后逐例验证，验证花费时间与患者正常治疗一次无异，需要较长时间。大量研究表明基于均匀模体的平面剂量验证不能检测出具有临床意义的实施误差，同时对每例治疗计划进行无差别的剂量验证会耗费大量的人力物力。因此，如何提高患者剂量验证的临床相关性，预先筛选可能出现较大实施误差的计划从而有针对性地进行剂量验证是临床中有待解决的问题。
[0006]
技术实现思路

[0007]本专利技术的目的在于为克服上述现有技术的缺陷而提供一种机器学习和蒙特卡罗剂量计算和验证方法。
[0008]为实现上述目的，本专利技术提供以下技术方案：一种蒙特卡罗剂量计算方法，适于在计算设备中执行，包括如下步骤： (1)数据输入：输入病人CT影像、靶区的器官和危及器官勾画图像和DVH图像、物质密度、材料信息、源参数、模体的几何信息等； (2)粒子输入模拟：使用采用NVIDIA公司的CUDA框架，利用显卡的GPU进行并行计算，
使用蒙特卡罗粒子的运输原理进行粒子的运输，得到剂量的模拟分布； (3)输出步骤(2)通过基于并行GPU的蒙特卡罗得到的模拟结果。
[0009] (4)利用参数建立机器学习模型。对步骤(3)的输出结果进行验证步骤(1)中，所述的源参数包括照射野的大小与方向、放射源的能量大小方向、粒子的类型；步骤(2)中，所述的蒙特卡罗数据库包括截面库；所述的粒子包括光子、质子、重离子或中子中的一种或多种。
[0010]步骤(2)中，所述的GPU并行计算方法还包括内存申请等步骤，具体包括步骤：在模拟开始前。需要先为每个运算单元 ,即每个线程申请足够的存储空间以记录输运过程中的数据和最终的沉积结果 。
[0011]出于并行计算的需要，所有参与运输的原始光子分成数量相同的若干个组。把每一组的光子交给一个或若干个运算单元(通常是32个或l6个)组成的运算矩阵，同一组光子运输过程中的剂量沉积累加入一个共享、代表体元分布的储存矩阵，然后把数据返回CPU，将每一组的结果加在一起输出、记录。每组光子中的每一个粒子剂量沉积过程将交给一个GPU线程来负责，即每一个线程上每次运行一个光子的全部剂量沉积过程 。
[0012]在模拟过程中，线程间的分化主要发生在：光子在输运过程中发生物理反应类 型的不确定性以及光子和电子运输过程的不同。对于后者，由于所选取的模型将电子能量作为剂量直接本地沉积，线程上计算的全部是光子输运过程，因而部分的解决了线程差异问题 ，提高了并行效率。
[0013]步骤(4)中，所述多个参数包括重叠体积立方图(OVH)数量、步长、简单统计特征、剂量体积直方图(DVH)特征、以及空间分布特征，三维剂量分布数据和轮廓线数据。建立预测模型包括应用支持向量机(SVM)来建立预测模型，且对所述多个特征进行筛选包括应用最小冗余最大相关法或最小绝对值收缩选择从所述感兴趣区域的剂量分布提取多个特征；对所述多个特征进行处理并去除冗余；建立预测模型；以及使用筛选之后的数据和病人治疗结果数据对所述预测模型进行训练，建立特征向量与治疗结果之间的预测模型。
[0014]步骤(4)中使用OVH作为机器学习的输入特征，表征危及器官与靶区之间的空间位置信息特征，描述危及器官距离肿瘤靶区的体积分数,进行样本训练以产生SVM分类器，并根据对待验证的所述特征参数进行投票得到分类结果，根据所述分类结果在临床调强放射治疗计划上进行验证。
[0015]本专利技术还提供一种基于机器学习的剂量验证系统，包括：参数获取单元，用于获取放疗计划的OVH、剂量等特征参数；预测模型建立单元，用于建立机器学习模型，将所述特征参数作为所述机器学习模型的输入样本进行样本训练以产生SVM分类器，并根据对待验证的所述特征参数进行投票得到分类结果，根据所述分类结果在临床调强放射治疗计划上进行验证；训练验证单元，进行样本训练以得到最佳回归模型，并根据所述最佳回归模型对蒙特卡罗计算的放疗剂量进行验证。
[0016]本专利技术具有以下有益效果：1、本专利技术提供的基于GPU并行计算的蒙特卡罗剂量计算方法能加速放疗剂量的计算速度，极大提高临床应用性，计算速度快，方便评价总体精度；
2、本专利技术提供一种基于机器学习的放疗剂量验证方法，通过采用基于机器学习模型，对调强放射治疗计划数据进行训练，进而实现剂量预测。解决现有放射治疗对患者治疗进行剂量验证工作存在花费时间长、人力物力成本高的问题，能提高剂量验证的效率，减少验证成本。
[0017]附图说明
[0018]为了清楚地说明本专利技术的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
[0019]图1为本专利技术一个实施例中基于GPU并行的蒙特卡罗计算方法的流程图。
[0020]图2是本专利技术提供的一种基于机器学习的放疗剂量验证方法示意图。
[0021]图3是本专利技术提供的一种基于机器学习的剂量验证系统示意图。
[0022]具体实施方式
[0023] 为了使本
的人员更好地理解本专利技术实施例的方案，下面结合附图和实施方式对本专利技术实施例作进一步的详细说明。
[0024]实施例1一种基于GPU并行蒙特卡罗剂量计算方法，如图1所示，适于在计算设备中执行，包括如下步骤： (1)数据输入：输入病人CT影像、靶区的器官和危及器官勾画图像和DVH图像、物质密度、材料信息、源参数、模体的几何信息等； (2)粒子输入模拟：使用采用NVIDIA公司的CUDA框架，利用显卡的GPU进行并行计算，使用蒙特卡罗粒子的运输原理进行粒子的运输，得到剂量的模拟分布； (3)输出步骤(2)通过基于并行GPU的蒙特卡罗得到的模拟结果。
[0025] (本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习和蒙特卡罗算法的放疗剂量计算和验证方法，其特征在于：包括如下步骤：(1)数据输入：输入病人靶区的器官和危及器官勾画CT图像和DVH图像、物质密度、材料信息、源参数、模体的几何信息等；(2)粒子输入模拟：使用采用NVIDIA公司的CUDA框架，利用显卡的GPU进行并行计算，使用蒙特卡罗粒子的运输原理进行粒子的运输，得到剂量的模拟分布；(3)输出步骤(2)通过基于并行GPU的蒙特卡罗得到的模拟结果；(4)利用参数建立机器学习模型。2.根据权利要求1所述的蒙特卡罗剂量计算方法，其特征在于：步骤(1)中，所述的源参数包括照射野的大小与方向、放射源的能量大小方向、粒子的类型。3.根据权利要求1所述的蒙特卡罗剂量计算方法，其特征在于：步骤(2)中，所述的蒙特卡罗数据库包括截面库；所述的粒子包括光子、质子、重离子或中子中的一种或多种。4.根据权利要求1所述的蒙特卡罗剂量计算方法，其特征在于：步骤(2)中，所述的GPU并行计算方法还包括内存申请等步骤，具体包括步骤：(41)在模拟粒子运输开始前，需要为每个运算单元 ,就是每个线程申请足够的存储空间以记录输运过程中的数据和最终的沉积结果 ；(42)出于并行计算的需要，所有参与运输的光子分成数量相同的若干组，把每组的光子交给一个或若干个运算单元组成的运算矩阵，同一组光子运输过程中的剂量沉积累加入一个共享、代表体元分布的储存矩阵，然后把数据返回CPU，将每一组的结果加在一起输出、记录；每组光子中的每一个粒子剂量沉积过程将交给一个GPU线程来负责，即每一个线程上每次运行一个光子的全部剂量沉积过程 ；(43)在模拟过程中，线程间的分化主要发生在：光子在输运过程中发生反应类型的不确定性以...

【专利技术属性】
技术研发人员：林小惟，
申请(专利权)人：林小惟，
类型：发明
国别省市：