一种基于深度神经网络的VMAT放疗计划的预测方法技术

本发明专利技术涉及放疗计划的数据处理预测技术领域，具体是一种基于深度神经网络的VMAT放疗计划的预测方法，用于解决现有技术中不能快速准确的预测放疗计划是否合格，从而影响到对患者的治疗效果和生命安全的问题。本发明专利技术包括以下步骤：步骤1：数据准备；步骤2：模型设计，步骤3：模型训练，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练；步骤4：放疗计划预测，将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率。通过本发明专利技术中VMAT放疗计划的预测方法可以对放疗计划是否合格能更快速准确的得到预测，进而能够进一步提高对患者的治疗效果和保证患者的生命安全。生命安全。生命安全。

【技术实现步骤摘要】
一种基于深度神经网络的VMAT放疗计划的预测方法


[0001]本专利技术涉及放疗计划的预测
，尤其涉及肿瘤VMAT放疗计划是否合格的预测
，更具体的是涉及一种基于深度神经网络的VMAT放疗计划的预测方法。

技术介绍

[0002]在临床的肿瘤治疗中，手术、放疗、和化疗是三种最重要的治疗方法，由于放疗的适应症广，选择性大，所以70%以上的恶性肿瘤患者在治疗的某个阶段都需要进行放射治疗，现代放疗技术主要包括强度调制放射治疗（intensity modulated radiation therapy，IMRT）和容积调控电弧治疗（volumetric modulated arc therapy，VMAT），这些放疗技术不仅复杂，而且对放疗剂量精度测试具有不确定性，所以患者在接收手术之前必须进行全面、安全的放疗计划质量控制，从而让医生精心设计的放疗计划符合临床标准。
[0003]放疗计划的质量控制由于其成本较高，所以现有的很多医院在治疗患者前都不会进行质量控制，这对患者的健康有着极大的隐患，需要靠放疗技师一步到位设计出最合理的放疗计划，但是这种设计存在不确定性，而且辐射照射的剂量不太容易控制，于是出现了一些尝试进行质量控制的方法，主要包括两种方法：基于放疗计划参数的质量控制和基于通量图的质量控制。
[0004]基于参数的质量控制需要通过软件提取出每个放疗计划的多个特征值，之后通过这些特征值参数来预测每个计划的gamma通过率，如果通过率达到相应的标准则认为该放疗计划符合要求，否则就重新做放疗计划；基于通量图的质量控制需要模拟放疗计划加速器的执行，测量出每个放疗计划的通量图，之后使用神经网络模型提取通量图中的特征，最后将这些特征进行逻辑回归操作得到一个gamma通过率，从而判断该计划是否合格。
[0005]目前的大多技术都是针对于IMRT计划的，而VMAT计划和IMART计划差别较大，同样的技术不能一概而论，且无法在VMAT上训练类似模型，现有的使用VMAT计划来进行质量控制的技术只有使用参数的质量控制，但是每个医院的参数复杂度不同，而且这些参数是由特定软件提取的，不一定能够表示出放疗计划的全部信息，现有的使用神经网络来进行质量控制技术的只能在IMRT计划上进行，没有能够在VMAT计划上进行的，最重要的是神经网络的输入是通量图，VMAT通过旋转测试能产生多张通量图，且这些通量图之间存在顺序关系，目前没有任何文献以及系统考虑到了这个顺序关系。
[0006]综上，现有技术中不能快速准确的预测放疗计划是否合格，从而不能辅助医生判断放疗计划的好坏，进而影响到对患者的治疗效果和生命安全。因此，我们迫切的需要设计一种能够快速预测VMAT放疗计划是否合格的方法，从而可以辅助医生判断放疗计划的好坏，决定是否需要重新设计计划，进而能够进一步提高患者的治疗效果，保证患者的生命安全。

技术实现思路

[0007]基于以上问题，本专利技术提供了一种基于深度神经网络的VMAT放疗计划的预测方
法，用于解决现有技术中不能快速准确的预测放疗计划是否合格，从而不能辅助医生判断放疗计划的好坏，进而影响到对患者的治疗效果和生命安全问题。本专利技术中通过使用VMAT放疗计划的通量图以及每张通量图的剂量作为输入来构造模型，采用3D卷积核以及残差结构，在稳定训练的同时还提取了图片与图片之间的序列关系，并通过对每个放疗计划给出一个gamma通过率，从而可以对放疗计划是否合格能更快速准确的得到预测，进而可以更好的辅助医生判断放疗计划的好坏，能够进一步提高对患者的治疗效果和保证患者的生命安全。
[0008]本专利技术为了实现上述目的具体采用以下技术方案：一种基于深度神经网络的VMAT放疗计划的预测方法，包括以下步骤：步骤1：数据准备，收集所有训练数据并明确数据的格式以及数据的集合划分，同时对数据进行预处理以保证输入格式；步骤2：模型设计，在模型训练前，通过多个卷积层、池化层、全连接层、残差结构的结合设计出预测模型的完整网络结构；步骤3：模型训练，模型设计好后，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练，训练出网络结构中的所有参数，以获取一个完整的模型用于预测；步骤4：模型测试，模型训练好后，所有的测试集数据被放入训练好的模型以获取一个预测的gamma通过率，预测性能最好的一个模型将被保存用于最终的模型；其中，步骤2中模型设计包括以下步骤：步骤2.1：卷积层设计，通过每个卷积层从对应卷积核大小的区域中提取特征并将数值输入到下一层卷积层用于计算；步骤2.2：池化层设计，包括一个最大池化层和一个平均池化层，通过最大池化层从设定参数的空间大小中搜索最大的数值并输入到下一层卷积层中作为该层的输入，通过平均池化层从设定参数的空间大小中求取所有参数的平均值并输入到下一层卷积层中作为该层输入；步骤2.3：全连接层设计，通过全连接层转化数据的维度，将前一层卷积层的输出维度转化为全连接层想要获取的维度；步骤2.4：残差结构设计，包括直接残差连接和间接残差连接，通过直接残差连接将上一层卷积层训练获得的数值直接传递到对应层以提升模型的特征提取能力，通过间接残差连接在获取数值之后，将这些数值再次输入到一个单独的卷积层进行一层卷积操作，随后将得到的值再传递到对应层卷积层。
[0009]进一步的，步骤1中数据准备包括以下步骤：步骤1.1：获取数据及标签，每张通量图的标签由三种误差容忍度计算而来，最终每个放疗计划将得到三个标签，作为最终的预测目标；步骤1.2：数据预处理，使用的放疗计划具有91个控制点，同时每次测量会正向旋转一圈，负向旋转一圈，所以每个放疗计划最终得到了182张通量图，一个放疗计划的182张通量图按顺序排列并调整成相同大小；步骤1.3：数据集划分，数据预处理后，将整个训练过程的数据分为训练集和测试集，训练集用于模型训练，测试集用于模型测试。
[0010]所述训练集的数据与测试集的数据比例为4:1。
[0011]进一步的，步骤3中模型训练包括以下步骤：步骤3.1：数据编码，将数据转化为计算机模型能够识别的模式，对于每一张图片采用RGB三通道编码方式将其转化为对应的数值，同时压缩每张图片为同一大小以适应网络输入；步骤3.2：特征提取，数据编码后，将编码后的数据输入到模型用于训练；步骤3.3：回归模块，特征提取后，采用一个逻辑回归层将最终提取到的特征映射到0到1之间，以反应每个放疗计划的通过率，并输出最终的结果；步骤3.4：误差反向传播：回归模块输出结果后，将预测值与真实标签相减得到预测误差。
[0012]步骤3.1中，每个放疗计划包含182张图片，每个放疗计划为4维向量，其维度的表示方法为：图片通道数
×
图片长度
×
图片宽度
×
图片张数，其对应标签介于0到1之间，且越靠近1，则表示该放疗计划的通过率越高，其中，表示输入的变量图片，i为计划的编号；表示对应放疗计划的医学标签，i为计划编号。
[0013]步骤3.2中，整个模型包括17个3d卷积层，一个最大池化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的VMAT放疗计划的预测方法，其特征在于：包括以下步骤：步骤1：数据准备，收集所有训练数据并明确数据的格式以及数据的集合划分，同时对数据进行预处理以保证输入格式；步骤2：模型设计，在模型训练前，通过多个卷积层、池化层、全连接层、残差结构的结合设计出预测模型的完整网络结构；步骤3：模型训练，模型设计好后，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练，训练出网络结构中的所有参数，以获取一个完整的模型用于预测；步骤4：放疗计划预测，将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率；其中，步骤2中模型设计包括以下步骤：步骤2.1：卷积层设计，通过每个卷积层从对应卷积核大小的区域中提取特征并将数值输入到下一层卷积层用于计算；步骤2.2：池化层设计，包括一个最大池化层和一个平均池化层，通过最大池化层从设定参数的空间大小中搜索最大的数值并输入到下一层卷积层中作为该层的输入，通过平均池化层从设定参数的空间大小中求取所有参数的平均值并输入到下一层卷积层中作为该层输入；步骤2.3：全连接层设计，通过全连接层转化数据的维度，将前一层卷积层的输出维度转化为全连接层想要获取的维度；步骤2.4：残差结构设计，包括直接残差连接和间接残差连接，通过直接残差连接将上一层卷积层训练获得的数值直接传递到对应层以提升模型的特征提取能力，通过间接残差连接在获取数值之后，将这些数值再次输入到一个单独的卷积层进行一层卷积操作，随后将得到的值再传递到对应层卷积层。2.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测方法，其特征在于：步骤1中数据准备包括以下步骤：步骤1.1：获取数据及标签，每张通量图的标签由三种误差容忍度计算而来，最终每个放疗计划将得到三个标签，作为最终的预测目标；步骤1.2：数据预处理，使用的放疗计划具有91个控制点，同时每次测量会正向旋转一圈，负向旋转一圈，所以每个放疗计划最终得到了182张通量图，一个放疗计划的182张通量图按顺序排列并调整成相同大小；步骤1.3：数据集划分，数据预处理后，将整个训练过程的数据分为训练集和测试集，训练集用于模型训练，测试集用于模型测试。3.根据权利要求2所述的一种基于深度神经网络的VMAT放疗计划的预测方法，其特征在于：所述训练集的数据与测试集的数据比例为4:1。4.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测方法，其特征在于：步骤3中模型训练包括以下步骤：步骤3.1：数据编码，将数据转化为计算机模型能够识别的模式，对于每一张图片采用RGB三通道编码方式将其转化为对应的数值，同时压缩每张图片为同一大小以适应网络输入；步骤3.2：特征提取，数据编码后，将编码后的数据输入到模型用...

【专利技术属性】
技术研发人员：张蕾，李光俊，章毅，胡婷，谢立章，刘文杰，柏森，
申请(专利权)人：四川大学，
类型：发明
国别省市：