一种基于深度学习的放疗计划自动生成方法技术

本发明专利技术公开了一种基于深度学习的放疗计划自动生成方法，包括步骤A:对病例数据库预处理，得到病例特征图像和病例通量图；步骤B:利用病例特征图像和病例通量图训练通量图预测神经网络，并通过交叉验证得到最优的通量图预测神经网络；步骤C:读取并对待放疗患者的医学数字图像存储与通讯标准文件预处理，得到待放疗者特征图像；步骤D:将待放疗者的特征图像传给预测神经网络，获得待放疗者预测通量图，将待放疗者预测通量图发送至计划系统，从而生成待放疗者预测放疗计划。本发明专利技术通过引入卷积神经网络的深度学习生成可直接使用的放疗计划，降低对物理师个人经验的依赖，减少人工预测误差，缩短制定放疗计划的时间，提供了个性化的治疗计划。治疗计划。治疗计划。

【技术实现步骤摘要】
一种基于深度学习的放疗计划自动生成方法


[0001]本专利技术涉及医学放疗治疗
，特别涉及一种基于深度学习的放疗计划自动生成方法。

技术介绍

[0002]调强放疗治疗(IMRT)，容积弧形动态旋转调强放疗(VMAT)等新兴技术已经成为常见的放疗治疗方式，这些技术在提供高适性剂量分布以实现更好的计划靶区体积(Planning Target Volume,PTV)覆盖率以及危及器官余留方面展现出巨大的优势，使放疗计划质量得到大幅度提升。但是，制定一个合格的计划需要物理师多次和主治医师交流反馈，涉及大量的手动干预，这需要花费大量的时间。同时，放疗计划的质量限于物理师的经验积累，不同机构之间计划质量一致性难以保证。
[0003]近些年来，有研究团队致力于自动放疗计划研究。具体的，2019年，Dan等人在Medical Physics上发表文章“3D radiotherapy dose prediction on head and neck cancer patients with a hierarchically densely connected U
‑
net deep learning architecture”，文章提出了基于Hierarchically Densely Connected U
‑
net的神经网络实现头颈部癌症病患剂量分布的准确预测。2020年，Chen等人在Medical Physics上发表文章“A feasibility study on an automated method to generate patient
‑
specific dose distributions for radiotherapy using deep learning”，文章提出了基于深度学习进行精准剂量预测的方法。
[0004]以上方法首先需要将预测的剂量分布通过计算得到剂量目标函数，再将目标函数输入治疗系统经过计算才能获得可使用的放疗计划。这些方法无法直接生成可使用的放疗计划，复杂性较高且需要重复计算。针对现有方法的局限性，本领域研究人员一直在寻求解决办法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习的放疗计划自动生成方法，用以解决使用现有技术无法直接获得可用于放疗计划的通量图问题。
[0006]为了达成本专利技术的目的，本专利技术提出一种基于深度学习的放疗计划自动生成方法，实现解决问题的技术方案包括如下步骤：
[0007]步骤A：对病例数据库进行预处理，得到病例特征图像和病例通量图；
[0008]步骤B：利用病例特征图像和病例通量图训练通量图预测神经网络，并通过交叉验证得到最优的通量图预测神经网络；
[0009]步骤C：读取并对放疗患者的医学数字图像存储与通讯标准文件进行预处理，得到待放疗者特征图像；
[0010]步骤D：将待放疗者的特征图像传给预测神经网络，获得待放疗者预测通量图，将待放疗者预测通量图发送至计划系统，从而生成待放疗者的预测放疗计划。
[0011]可选的，所述神经网络结构为依次连接的卷积模块、空洞空间卷积池化金字塔(ASPP)模块、全局推理网络(GloRe)模块、深度残差网络(ResNet)模块、转置卷积模块、输出模块。
[0012]可选的，所述卷积模块为级联卷积模块，包括四个卷积层，所述卷积层的卷积核大小为3*3，前三层步长为1，最后一层步长为2，中间两层卷积核扩张率依次为2、4；每个卷积操作后接有一个激活函数和批归一化操作，每层中激活函数为：
[0013]f(x)＝max(x,0)
[0014]其中x表示网络的输入，f(x)表示网络的输出。
[0015]可选的，所述ASPP模块为并联卷积模块，包括四个操作算子，分别是卷积核大小为1*1的卷积层、卷积核大小为3*3，扩张率为6的卷积层、卷积核大小为3*3，扩张率为12的卷积层、卷积核大小为3*3，扩张率为18的卷积层以及全局池化，卷积核的大小为1*1的卷积操作及线性插值上采样组成的操作。
[0016]可选的，所述GloRe模块主要分为三个步骤，分别是图投影、图卷积、图反投影。
[0017]可选的，所述ResNet模块为密集型卷积模块，包括六个卷积层，由卷积核大小为1*1和3*3的卷积组成，步长均为2。
[0018]可选的，所述转置模块包含一层卷积核大小为3*3，步长为2的转置卷积层和卷积核大小为3*3，步长为1的卷积层。
[0019]可选的，在所述的病例数据库是基于宫颈癌的临床调强放疗计划构建的，该病例数据库可推广到其他肿瘤。
[0020]可选的，在所述的病例医学数字图像存储与通讯标准(DICOM)文件包括CT图像、靶区和危及器官轮廓、处方剂量，预处理后的特征图像包括靶区投影图、危及器官投影图和实际通量图；所述的特征图像大小均为512*512，空间分辨率为5*5*5mm3；医学数字图像存储与通讯标准文件内容不限于CT图像，也可以是磁共振图像或其它形式的图像或数据。
[0021]可选的，对所述病例数据库进行预处理具体为将靶区和危及器官轮廓填充到CT或其它形式图像对应区域的像素点上，并利用不同的正整数对靶区和危及器官轮廓区进行标注，非靶区及非危及器官用0填充，进而在所有射野角度下投影病例靶区得到投影图；将实际通量图填充在对应射野内得到临床通量图。
[0022]可选的，所述病例靶区和危及器官包括：宫颈癌临床靶区、计划靶区、膀胱、直肠、小肠、躯干、左股骨头及右股骨头；当推广到其它肿瘤时，病例靶区和危及器官会有所不同。
[0023]可选的，所述的计划系统为飞利浦研发的(Pinnacle)计划系统；可以推广到其它计划系统。
[0024]在本专利技术所提供的基于深度学习的放疗计划自动化设计方法中，所述方法包括搭建通量图预测神经网络；收集过往病例的放疗计划数据，建立病例数据库，所述病例数据库为各种癌症的临床放疗计划数据，所述放疗计划数据至少包括病例通量图和病例DICOM文件；对病例数据库进行预处理得到能够被通量图预测神经网络训练的特征图像；利用特征图像进行深度学习，以训练通量图预测神经网络，通过交叉验证得到最优的通量图预测神经网络；读取待放疗患者DICOM文件中病例靶区和危及器官，处理得到投影图；将投影图文件传输给训练后的神经网络，以获得经训练后的神经网络输出的预测通量图；将预测通量图传输给计划系统得到预测的放疗计划。由此可见，本专利技术的基于深度学习的放疗计划自
动化设计方法实现通量图的自动预测，生成可直接使用的放疗计划，并结合计划系统实现了个体化放疗计划的全自动设计流程。
[0025]本专利技术的优点和积极效果：
[0026]本专利技术的基于深度学习的放疗计划自动方法，通过引入卷积神经网络的深度学习生成可直接使用的放疗计划，降低对物理师个人经验的依赖，减少人工预测误差，缩短制定放疗计划的时间，提供了个性化的治疗计划。
附图说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的放疗计划自动生成方法，其特征在于，包括步骤如下：步骤A：对病例数据库进行预处理，得到病例特征图像和病例通量图；步骤B：利用病例特征图像和病例通量图训练通量图预测神经网络，并通过交叉验证得到最优的通量图预测神经网络；步骤C：读取并对放疗患者的医学数字图像存储与通讯标准文件进行预处理，得到待放疗者特征图像；步骤D：将待放疗者的特征图像输入预测神经网络，获得待放疗者预测通量图，将待放疗者预测通量图发送至计划系统，从而生成待放疗者的预测放疗计划。2.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述神经网络结构为依次连接的卷积模块、空洞空间卷积池化金字塔模块、全局推理网络模块、深度残差网络模块、转置卷积模块、输出模块。3.根据权利要求2所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述卷积模块为级联卷积模块，包括四个卷积层，所述卷积层的卷积核大小为3*3，前三层步长为1，最后一层步长为2，中间两层卷积核扩张率依次为2、4；每个卷积操作后接有一个激活函数和批归一化操作，每层中激活函数为：f(x)＝max(x,0)；其中x表示网络的输入，f(x)表示网络的输出。4.根据权利要求2所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述空洞空间卷积池化金字塔模块为并联卷积模块，包括四个操作算子，分别是卷积核大小为1*1的卷积层、卷积核大小为3*3，扩张率为6的卷积层、卷积核大小为3*3，扩张率为12的卷积层、卷积核大小为3*3，扩张率为18的卷积层以及全局池化，卷积核的大小为1*1的卷积操作及线性插值上采样组成的操作...

【专利技术属性】
技术研发人员：杨益东，袁曾泰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：