【技术实现步骤摘要】
一种基于耦合式生成对抗网络的自动计划优化系统
本专利技术涉及调强放射治疗计划优化
，特别涉及一种基于耦合式生成对抗网络的自动计划优化系统。
技术介绍
调强放射治疗(Intensitymodulatedradiationtherapy，IMRT)是当前临床治疗癌症的主流技术之一，其计划设计采用逆向计划设计的方式，首先由医生在患者的CT图像上确定靶区PTV以及相关危及器官OARs信息，然后由物理师利用这些信息设定PTV及OARs的优化目标约束条件及权重因子，最后通过计划优化算法调整各光子束流的强度实现PTV内剂量的三维适形。最大限度地将放射线的剂量集中在PTV内，避免周围的OARs和正常组织受到不必要的照射，是计划设计的主要目的。计划设计的本质是一个大规模多目标组合优化问题，涉及多个优化子目标函数。为了提高放射治疗的增益比，传统做法是物理师根据临床要求统筹考虑并在多个子目标之间进行权衡妥协处理，采用手工“试误”的方式根据计划优化结果反复调整子目标函数的权重因子及其对应的约束条件，将计划优化过程重复多次，直到得到医生...
【技术保护点】
1.一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于，包括：/n信息输入模块，用于输入所需数据信息，所述数据信息包括病人的初始三维矩阵信息、器官勾画信息、治疗头信息、目标函数信息、初始剂量分布矩阵信息，所述器官勾画信息包括PTV和OARs信息，所述目标函数由一组相互冲突的子目标函数构成；/n权重自动设定模块，用以设定子目标函数的权重因子，将信息输入模块输入的信息通过权重自动设定模块中内嵌的基于卷积神经网络的目标函数权重因子预测模型自动设定子目标函数的权重；/n约束条件设置模块，用以设置子目标函数约束条件，将信息输入模块输入的信息通过约束条件设置模块中内嵌的基于BP神...
【技术特征摘要】 【专利技术属性】
1.一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于，包括：
信息输入模块，用于输入所需数据信息，所述数据信息包括病人的初始三维矩阵信息、器官勾画信息、治疗头信息、目标函数信息、初始剂量分布矩阵信息，所述器官勾画信息包括PTV和OARs信息，所述目标函数由一组相互冲突的子目标函数构成；
权重自动设定模块，用以设定子目标函数的权重因子，将信息输入模块输入的信息通过权重自动设定模块中内嵌的基于卷积神经网络的目标函数权重因子预测模型自动设定子目标函数的权重；
约束条件设置模块，用以设置子目标函数约束条件，将信息输入模块输入的信息通过约束条件设置模块中内嵌的基于BP神经网络的剂量学指征项预测模型自动设定子目标函数的约束条件；
计划优化模块，利用生成对抗网络反复训练得到子野形状预测模型，将信息输入模块输入的信息输入子野形状预测模型、得到子野形状预测值作为子野优化的初始值，结合权重自动设定模块与约束条件设置模块生成的目标函数的权重以及约束条件，采用局部梯度算法优化目标函数获得最优剂量分布矩阵数据，生成最优计划；
方案输出模块，根据计划优化模块生成的最优计划，输出计划方案，所述计划方案包括照射计划、最优剂量分布矩阵数据和剂量-体积直方图曲线信息。
2.如权利要求1所述，一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述权重自动设定模块首先通过已有的治疗信息找出PTV和OARs对应的CT层面，并用二进制标记出各结构对应的结构位置，获得各结构的三维矩阵，而后搭建卷积神经网络提取图像特征，通过多层的卷积操作获得权重因子作为整个网络的输出，并将其与已有计划中对应的目标函数权重因子进行比对训练卷积神经网络，最终获得目标函数权重因子预测模型；
而后利用粒子群算法产生种群，所述种群中的每个个体为一组权重因子，将所述信息输入模块中的信息输入所述目标函数权重因子预测模型得到权重因子预测值，将所述权重因子预测值并入所述种群，对于每组启发算法选定的权重因子都利用注量图优化算法求解总目标函数最小化优化问题，并在计算个体适应度、评选最优值后更新个体，若当前剂量分布不满足临床需求且未达到最大迭代次数侧返回再次计算个体适应度，若当前剂量分布满足临床需求或已达到最大迭代次数则迭代终止，获得最优权重因子。
技术研发人员：杨婕，桂志国，张鹏程，张丽媛，上官宏，
申请(专利权)人：山西中医药大学，中北大学，
类型：发明
国别省市：山西;14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。