一种基于深度学习的自动摆位方法、装置及放射治疗设备制造方法及图纸

本发明专利技术公开一种基于深度学习的自动摆位方法、装置及放射治疗设备，自动摆位方法包括以下步骤：S1：将待放疗病人固定在治疗床上，采集相应部位的DR影像；S2：将计划时采集的CT影像输入到训练好的U

【技术实现步骤摘要】
一种基于深度学习的自动摆位方法、装置及放射治疗设备


[0001]本专利技术属于放射治疗
，具体涉及一种基于深度学习的自动摆位方法、装置及放射治疗设备。

技术介绍

[0002]目前，肿瘤放射治疗一般分次进行，每次治疗都会根据定位CT扫描时的体位固定和模拟时的复位情况，用相应的热塑膜、负压袋等装置配合激光灯对患者进行重复性固定。但由于各种原因，患者的摆位仍然会有一定偏差，偏差多在几毫米到一厘米之间，甚至可达几厘米。
[0003]为实现图像引导放射治疗，现有技术主要包括：根据诊断CT和治疗计划，选择ROI(Region ofInterest)区域，结合治疗时扫描的CBCT或其他断层影像，实现3D/3D图像配准。或采集MV/KV图像，实现2D/2D或2D/3D图像配准问题。
[0004]尤其以MV图像配准问题最为困难，其图像对比度低，模态差异大，导致传统基于图像灰度值密度的配准算法失效。除此之外，基于灰度值密度的迭代配准算法通常非常耗时，用户体验差。基于特征的配准算法，特征选择与提取困难，需要技师手工进行，费时费力，且容易产生人为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自动摆位方法，其特征在于，包括以下步骤：S1：将待放疗病人固定在治疗床上，采集相应部位的DR影像；S2：将计划时采集的CT影像输入到训练好的U
‑
Net模型中，得到指定部位的分割结果并重建生成DRR影像；S3：将S1得到的DR影像和S2得到的DRR影像分别输入CycleGAN模型中，得到只含指定部位的DR影像；S4：将S3得到的只含指定部位的DR影像和待配准的DRR影像进行配准，得到摆位偏差；S5：根据S4得到的摆位偏差控制治疗床移动，实现自动摆位。2.根据权利要求1所述的自动摆位方法，其特征在于，U
‑
Net模型的训练步骤如下：T1：收集临床使用的配套各部位的CT影像；T2：将CT影像按指定比例划分为训练集、测试集和验证集；T3：选择U
‑
Net模型，输入为CT影像，输出为指定部位的分割结果，使用训练集中的数据训练深度学习模型；T4：使用验证集和测试集在不同阶段检验U
‑
Net模型的鲁棒性，直至训练出足够鲁棒的U
‑
Net模型。3.根据权利要求2所述的自动摆位方法，其特征在于，在T1与T2之间包括以下步骤：对收集到的CT影像进行预处理。4.根据权利要求3所述的自动摆位方法，其特征在于，预处理包括以下一种或多种操作：读取并保存CT影像切片成png格式，像素大小归一化、图像缩放。5.根据权利要求1
‑
4任一项所述的自动摆位方法，其特征在于，S2中，重建生成DRR影像具体包括以下内容：通过DRR重建算法，模拟X线光源穿透CT体元，经过衰减和吸收后投影到探测器平面成像，得到新的DRR影像。6.一种基于深度学习的自动摆位装置，其特征在于，包括：DR影像采集模块，用于将待放疗病人固定在治疗床上后，采集相应部位的DR影像；重建DRR影像生成模块，用于将计...

【专利技术属性】
技术研发人员：费旋珈，汪懋荣，姚毅，
申请(专利权)人：苏州雷泰医疗科技有限公司，
类型：发明
国别省市：