一种基于深度学习的放疗三维剂量预测方法技术

本发明专利技术提供一种基于深度学习的放疗三维剂量预测方法，该方法包括：获取过往患者的CT数据和对应的剂量分布图，以形成数据集；对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；建立U‑Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U‑Net神经网络模型进行交叉验证，以自适应调整所述U‑Net神经网络模型的结构；然后将待预测患者的CT数据输入所述U‑Net神经网络模型得到预测的三维剂量分布图。进而引入贝叶斯神经网络结构进行模型的鲁棒性测试，以增加其临床的使用安全性和鲁棒性。本发明专利技术能提升肿瘤放疗计划设计的质量和效率，提高临床治疗安全性。

【技术实现步骤摘要】
一种基于深度学习的放疗三维剂量预测方法
本专利技术涉及智能医疗
，尤其涉及一种基于深度学习的放疗三维剂量预测方法。
技术介绍
恶性肿瘤的放疗计划设计是放疗过程中的最关键步骤之一，其质量决定了整个治疗的效果，但传统的手动计划设计费时费力，且计划质量对物理师临床经验要求比较高，不同物理师之间容易出现计划设计质量参差不齐的问题。为保障患者疗效和安全，减少肿瘤复发和正常组织损伤，需对患者治疗计划进行剂量预测和评佑。因此如何实现放疗自动计划的剂量预测与质量评估，在提升肿瘤放疗计划设计的质量和效率的同时，保证自动计划的临床治疗安全。
技术实现思路
本专利技术提供一种基于深度学习的放疗三维剂量预测方法，解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题，能提升肿瘤放疗计划设计的质量和效率，增加临床治疗安全。为实现以上目的，本专利技术提供以下技术方案：一种基于深度学习的放疗三维剂量预测方法，包括：获取过往患者的CT数据和对应的剂量分布图，以形成数据集；对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；建立U-Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U-Net神经网络模型进行交叉验证，以自适应调整所述U-Net神经网络模型的结构；将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。优选的，还包括：建立贝叶斯神经网络模型，并对所述数据集展开预测，以得到参考剂量分布图；将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估；如果所述置信度处于设定范围内，则所述U-Net神经网络模型的预测结果的质量评估达到要求。优选的，还包括：根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和剂量分布γ通过率计算，以对两组数据的预测精度进行估算。优选的，所述戴斯相似度系数DSC，根据以下公式进行计算：DSC(A,B)＝2|A∩B|/(|A|+|B|)，其中A,B分别为预测剂量分布和参考剂量分布。优选的，剂量分布γ通过率取值范围为：2％/2毫米～3％/2毫米。优选的，还包括：取两组数据中的最大预测精度作为评估模型鲁棒性的依据，如果所述戴斯相似度系数DSC和所述平面剂量γ通过率均处于标准区间，则判定模型的置信度好，模型的预测结果的质量评估达到要求。优选的，所述对所述数据集进行预处理，包括：将CT图像进行分辨率统一和图像尺寸统一，以使CT数据集与剂量分布图形成不同层面的准确对应。优选的，所述对所述数据集进行预处理，还包括：CT数据的HU值显示和剂量分布图的cGy显示，以及将所述数据集处理为U-Net可输入的数据结构。优选的，所述U-Net神经网络模型包括：输入层、编码层、压缩表层、解码层和输出层。优选的，将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估，包括：对所述数据集的各个CT图像序列CT(J1，J2，......，Jk)展开预测，得到的剂量分布图分别为F(J1)，F(J2)，……，F(Jk)，并作为剂量分布图的参考剂量分布，所述参考剂量分布分别为GT(J1)，GT(J2)，……，GT(Jk)；将所述参考剂量分布与所述U-Net神经网络模型预测得到的所述三维剂量分布图进行比较。本专利技术提供一种基于深度学习的放疗三维剂量预测方法，通过建立U-Net神经网络模型，并利用过往患者的CT数据和对应的剂量分布图进行训练和交叉验证，以自适应调整模型结构，进而预测得到三维剂量分布图。解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题，能提升肿瘤放疗计划设计的质量和效率，增加临床治疗安全。附图说明为了更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。图1是本专利技术提供的一种基于深度学习的放疗三维剂量预测方法示意图。图2是本专利技术实施例提供的置信度评估原理流程图。具体实施方式为了使本
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。针对当前恶性肿瘤的放疗计划设计中不同物理师对剂量使用不同，易造成质量参差不齐的问题。本专利技术提供一种基于深度学习的放疗三维剂量预测方法，解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题，能提升肿瘤放疗计划设计的质量和效率，增加临床治疗安全。如图1所示，一种基于深度学习的放疗三维剂量预测方法，包括：S1：获取过往患者的CT数据和对应的剂量分布图，以形成数据集。S2：对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本。S3：建立U-Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U-Net神经网络模型进行交叉验证，以自适应调整所述U-Net神经网络模型的结构。S4：将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。具体地，首先根据研究内容确定研究所需要数据，并进行数据集的准备与预处理，深度学习所需要的数据集不同于普通算法的数据集，它需要大量前期标注和预处理才能完成理想的效果。建立U-Net神经网络模型，可按照8：1：1的比例将数据集分为训练集、验证集和测试集和等待训练。将训练集输入U-Net神经网络模型进行数据学习，通过验证集和测试集交叉验证建立的模型，输入新数据，利用模型预测得到对应的剂量分布图。根据放疗CT图像和剂量分布图等数据集的专有性特点和结合预测准确率，自适应地修改U-Net结构，从而完成对模型的修改和完善。该方法能提升肿瘤放疗计划设计的质量和效率，增加临床治疗安全。该方法还包括：S5：建立贝叶斯神经网络模型，并对所述数据集展开预测，以得到参考剂量分布图。S6：将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估。S7：如果所述置信度处于设定范围内，则所述U-Net神经网络模型的预测结果的质量评估达到要求。具体地，在开展模型的质量评估研究时，为了检验模型的鲁棒性，可设计贝叶斯神经网络算法对模型置信度分析研究，同时引入戴斯相似度系数DSC和剂量分布γ通过率作为预测指标，用于置信度评估研究。通过贝叶斯神经网络结构进行模型的鲁棒性测试，可以增加其临床的使用安全性和鲁棒性，能应对不同病人的需求。该方法还包括：根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和平面剂量γ通过率计算，以对两组数据的预测精度进行估算。进一步，所述戴斯相似度系数DSC，根据以下公式进行计算：DSC(本文档来自技高网...

【技术保护点】
1.一种基于深度学习的放疗三维剂量预测方法，其特征在于，包括：/n获取过往患者的CT数据和对应的剂量分布图，以形成数据集；/n对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；/n建立U-Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U-Net神经网络模型进行交叉验证，以自适应调整所述U-Net神经网络模型的结构；/n将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。/n

【技术特征摘要】
1.一种基于深度学习的放疗三维剂量预测方法，其特征在于，包括：
获取过往患者的CT数据和对应的剂量分布图，以形成数据集；
对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；
建立U-Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U-Net神经网络模型进行交叉验证，以自适应调整所述U-Net神经网络模型的结构；
将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。


2.根据权利要求1所述的基于深度学习的放疗三维剂量预测方法，其特征在于，还包括：
建立贝叶斯神经网络模型，并对所述数据集展开预测，以得到参考剂量分布图；
将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估；
如果所述置信度处于设定范围内，则所述U-Net神经网络模型的预测结果的质量评估达到要求。


3.根据权利要求2所述的基于深度学习的放疗三维剂量预测方法，其特征在于，还包括：
根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和剂量分布γ通过率计算，以对两组数据的预测精度进行估算。


4.根据权利要求3所述的基于深度学习的放疗三维剂量预测方法，其特征在于，所述戴斯相似度系数DSC，根据以下公式进行计算：其中A,B分别为预测剂量分布和参考剂量分布。


5.根据权利要求4所述的基于深度学习的放疗三维剂量预测方法，其特征在于，剂量分布γ通过率取值范围为：2％/2毫米～3％/2毫米。<...

【专利技术属性】
技术研发人员：王明清，杨瑞杰，张麒麟，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：北京;11