【技术实现步骤摘要】
一种基于深度学习的肿瘤调强放疗剂量预测方法
[0001]本专利技术属于智能放射治疗
，具体涉及一种基于深度学习的肿瘤调强放疗剂量预测方法。
技术介绍
[0002]调强放射治疗(IMRT)是治疗肿瘤主要手段之一。治疗计划的设计是整个放疗过程的基础和核心，其目的是保证靶区接受的照射剂量达到要求覆盖率与强度的同时，使周围正常组织尽量不受到照射。在计划设计过程中，物理师必须反复调整靶区和危及器官的参数，直到治疗计划系统产生的剂量分布符合临床标准，但是由于物理师在经验水平、耗费精力等方面存在诸多差异，导致治疗计划的质量也会存在偏差。因此，研究肿瘤调强放疗剂量预测算法，开发自动计划，有助于准确快速地实现剂量制定与计算，为肿瘤精准放疗提供理论依据和技术支持，提高治愈率并改善患者的生活质量。
[0003]传统的剂量分布预测方法主要集中在对剂量体积曲线的预测上，这些方法需要手动提取特征，耗时耗力且准确率低，已经逐渐被深度学习的方法所取代。现有的基于深度学习的剂量预测模型大多直接使用已有的语义分割模型，这些模型没有考虑到不同病人的...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的肿瘤调强放疗剂量预测方法，其特征在于包括以下步骤：(1)收集肿瘤调强放疗计划数据，形成数据库；(2)数据预处理，具体包括以下步骤：(2
‑
a)从步骤(1)所述数据库中获取病人的CT图像、靶区轮廓图像、危及器官轮廓图像、射束信息图像和剂量图像；(2
‑
b)根据步骤(2
‑
a)获取的靶区轮廓图像和危及器官轮廓图像计算距离图像f(x,y,z)，计算公式为：其中(x,y,z)表示危及器官体素点，Ω
s
表示靶区表面体素点的集合，s表示Ω
s
内的任意一点，‖(x,y,z),s‖表示体素点(x,y,z)到体素点s的距离，min表示求取最小值；(2
‑
c)将步骤(2
‑
a)获取的所有图像和(2
‑
b)得到的距离图像采样到h
×
w的大小，并进行归一化处理，其中h、w都为[100,1000]之间的正整数；(3)构建剂量预测模型，具体包括以下步骤：(3
‑
a)构建卷积编码器，该编码器一共包括五个模块，第一个模块包括两个卷积块，第二到第五个模块分别包括一个池化层和两个卷积块；输入图像依次经过这五个模块，分别得到中间特征图F1、F2、F3、F4和F5；(3
‑
b)构建Transformer编码器，该编码器包括线性投影、位置编码、n个Transformer层和特征映射；首先将步骤(3
‑
a)得到的中间特征图F5通过线性投影映射到D维空间，然后将映射结果分成N个图像块，组成图像块序列每个图像块的尺寸为P
×
P；将图像块序列进行位置编码后依次输入到n个Transformer层，再通过特征映射得到中间特征图S4；(3
‑
c)构建解码器，该解码器一共包含四个模块，第一至第三个模块都由一个语义场对齐模块组成，语义场对齐模块简称SFA模块，第四个模块由一个SFA模块和一个卷积块组成；将步骤(3
‑
b)得到的中间特征图S4与步骤(3
‑
a)得到的中间特征图F4输入到第一个模块，得到S3；将S3与步骤(3
‑
a)得到的中间特征图F3输入到第二个模块，得到S2；将S2与步骤(3
‑
a)得到的中间特征图F2输入到第三个模块，得到S1；将S1与步骤(3
‑
a)得到的中间特征图F1输入到第四个模块，得到最终预测结果S0，完成剂量预测模型的构建；(4)构建损失函数：损失函数构建如下：其中M为剂量分布区域体素点的总数目，y
p
表示体素点的预测剂量，y
c
表示体素点的临床剂量；(5)训练预测模型：利用步骤(2)得到的图像数据与步骤(3)构建的预测模型，根据步骤(4)构建的损失函数得到预测剂量与临床剂量的损失值，使用Adam优化器更新模型的参数，直到损失不再下降，得到训练好的预测模型；
(6)剂量预测：获取测试数据集，按照步骤(2)对测试数据进行预处理，处理后的数据输入到步骤(5)得到的训练好的预测模型中，输出预测结果。2.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法，其特征在于，所述步骤(3
‑
a)、(3
‑
c)中的卷积块包括一个卷积层、一个批归一化层和一个激活层。3.如权利要求1所述的一...
【专利技术属性】
技术研发人员：赵于前，杨金娜，张帆，杨晓喻，邸拴虎，
申请(专利权)人：中南大学，
类型：发明
国别省市：
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。