一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备技术方案

本发明专利技术公开了一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备包括：获取数据，对获取的数据进行数据集划分并进行初步处理；构建去噪卷积神经网络模型；对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行模型训练；对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行降噪处理；对得到的降噪结果提取数据后，进行多层次对比，最终输出两个卷积神经网络模型的性能与计算效率。本发明专利技术提高了后续网络训练的质量和收敛速度提高了去噪系统的泛用性，大大减少整个训练时间；可以在不降低去噪性能的情况下，将计算复杂性降低，减少计算负担。负担。负担。

【技术实现步骤摘要】
一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备


[0001]本专利技术涉及光子放疗的剂量计算领域，尤其涉及一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备。

技术介绍

[0002]准确的剂量计算对现代放疗技术的成功至关重要，蒙特卡罗模拟被认为是剂量计算的“金标准”。然而，由于蒙特卡罗模拟是一个随机过程，产生的剂量图像包含固有的噪声，其方差与模拟的事件量成反比，因此也与模拟时间成反比。尽管目前，基于图形处理单元(GPU)的并行计算框架可以将典型的蒙特卡罗模拟过程加速到几分钟，满足了实际工作流程中对最终计算效率的要求。但是，实际工作流程中的一些领域需要实时计算，如在线自适应治疗，在这种情况下，必须在几分钟内对给定的治疗分量完全重新规划，以考虑到过程中不断变化的解剖结构。由于剂量计算只是计划重建过程的一小部分，因此必须通过加速基于GPU的蒙特卡罗剂量计算将其持续时间从几分钟缩短到几秒钟。
[0003]尽管已经有研究采用基于卷积神经网络(CNN)的深度学习(DL)技术来抑制，使用少量模拟事件情况下产生的噪声，但这部分工作还远没有达到临床使用中，在不影响去噪效果的前提下的实时水平(亚秒级)。并且，相关工作都没有很好的解决去噪系统应用于不同医院、治疗机和治疗束所产生的，有关终端用户学习使用时间成本的问题。

技术实现思路

[0004]专利技术目的：本专利技术的目的在于提供一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备，解决蒙特卡罗剂量计算图像噪声处理中存在的时间久、效率低和移植成本高等问题。
[0005]技术方案：本专利技术在于提供一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法，包括以下步骤：
[0006](1)获取数据，对获取的数据进行数据集划分并进行初步处理；
[0007](2)构建去噪卷积神经网络模型；
[0008](3)对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行模型训练，具体为：将步骤(1)得到的训练数据集与验证数据集分别输入两个初始化的卷积神经网络模型，两个模型同样使用Adam学习率算法根据弱监督学习框架进行训练，分别得到两个训练好的卷积神经网络模型；
[0009](4)对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行降噪处理，具体为：使用训练好的UNet卷积神经网络模型与去噪卷积神经网络模型，对低采样数下蒙特卡罗渲染得到的噪点图的训练数据集与验证数据集进行降噪，并对降噪结果相加得到最终的降噪图；
[0010](5)对得到的降噪结果提取数据后，进行多层次对比，最终输出两个卷积神经网络
模型的性能与计算效率。
[0011]进一步的，所述步骤(1)包括以下步骤：
[0012](1.1)将数据集划分为训练数据集与验证数据集；
[0013](1.2)对预处理后的数据集进行数据扩充；
[0014](1.3)对预处理后的数据集进行数据归一化。
[0015]进一步的,所述步骤(1.1)对数据集进行预处理进一步包括：
[0016](1.1.1)将数据集划分为训练数据集与验证数据集；
[0017](1.1.2)对于训练数据集中的病人数据，进行两次独立的低采样数(1
×
106)蒙特卡罗模拟；对于验证数据集中的病人数据，进行十五次独立的低采样数(1
×
106)蒙特卡罗模拟。
[0018]进一步的，所述步骤(1.2)对预处理后的数据集进行数据扩充进一步包括：扩充数据集对蒙特卡罗计算输出图像的有效区域进行边缘扩充的同时(每个维度外额外填充16个0)，将输入与目标的噪声图像进行随机互换。
[0019]进一步的，所述步骤(1.3)对预处理后的数据集进行数据归一化进一步包括：所有的剂量数据都被归一化，统一除以训练数据集中病人的平均处方剂量。
[0020]进一步的，所述步骤(2)包括以下步骤：
[0021](2.1)对于所构建的去噪卷积神经网络模型采用多通道输入的架构进行模型构建；
[0022](2.2)对于所构建的去噪卷积神经网络模型采用卷积算子解耦进行模型构建及采用体素洗牌/解牌(voxel shuffle/unshuffle)运算进行模型构建；
[0023](2.3)对传统UNet架构卷积神经网络以及步骤(2.1)
‑
(2.2)构建的去噪卷积神经网络进行参数初始化。
[0024]进一步的，所述的步骤(2.1)去噪卷积神经网络模型架构中的多通道输入架构，进一步包括：
[0025](2.1.1)假设原始输入的尺寸为B
×
C
×
H
×
W
×
D，其中B和C分别代表批次大小和通道数量，H、W、D分别代表行、列、片三个维度；
[0026](2.1.2)对于蒙特卡罗剂量去噪任务，设定C＝1；
[0027](2.1.3)在体素拆分层之后，输入被重新排列成一个尺寸为的8通道输入；
[0028](2.1.4)在每个通道中，子卷是原始输入的下采样版本，步长为2，起点不同，即X
i,j,k
＝X[i∷2,j∷2,k∷2]，i,j,k∈[0,1]，X
i,j,k
表示第(4k+2j+i)个通道。
[0029]进一步的，所述的步骤(2.2)去噪卷积神经网络模型架构中卷积算子解耦，进一步包括：
[0030](2.2.1)将常规的三维体积卷积算子解耦为一个二维轴向卷积算子和一个一维切片卷积算子，把每个维度上具有相同内核大小K的常规卷积算子表示为其中C
in
和C
out
分别表示输入和输出通道，K代表内核大小；
[0031](2.2.2)将解耦卷积算子被设计为模拟常规三维卷积；将解耦卷积算子被设计为模拟常规三维卷积；首先，使用二维卷积算子来描述轴向空间相关性；其
次，使用一维卷积算子来描述切片相关性；每个模块由六个算子组成，前三个算子是轴向的卷积归一化激活函数(CONV
‑
normalization
‑
ReLU)，后三个算子是切片的卷积归一化激活函数。
[0032]进一步的，所述的步骤(2.2)去噪卷积神经网络模型中采用的体素洗牌/解牌(voxelshuffle/unshuffle)运算，进一步包括：
[0033](2.2.3)提出体素洗牌/解牌运算；
[0034](2.2.4)在输入层和输出层分别附加一个体素解除洗牌层和一个体素洗牌层，使用这些运算符对输入进行预处理和对输出进行后处理的另一个效果是，它们使用较少的下采样和上采样模块来达到相同的感受野尺寸，因为结果尺寸只是每个维度上原始尺寸的一半。
[0035]进一步的，所述的步骤(5)对两个卷积神经网络的对比进一步包括：所述的步骤(5)对两个卷积神经网络的对比进一步包括：将步骤(4)中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法，其特征在于，包括以下步骤：(1)获取数据，对获取的数据进行数据集划分并进行初步处理；(2)构建去噪卷积神经网络模型；(3)对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行模型训练，具体为：将步骤(1)得到的训练数据集与验证数据集分别输入两个初始化的卷积神经网络模型，两个模型同样使用Adam学习率算法根据弱监督学习框架进行训练，分别得到两个训练好的卷积神经网络模型；(4)对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行降噪处理，具体为：使用训练好的UNet卷积神经网络模型与去噪卷积神经网络模型，对低采样数下蒙特卡罗渲染得到的噪点图的训练数据集与验证数据集进行降噪，并对降噪结果相加得到最终的降噪图；(5)对得到的降噪结果提取数据后，进行多层次对比，最终输出两个卷积神经网络模型的性能与计算效率。2.根据权利要求1所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法，其特征在于，所述步骤(1)包括以下步骤：(1.1)对数据集进行预处理；(1.2)对预处理后的数据集进行数据扩充，包括：扩充数据集对蒙特卡罗计算输出图像的有效区域进行边缘扩充的同时，将输入与目标的噪声图像进行随机互换；(1.3)对预处理后的数据集进行数据归一化，包括：所有的剂量数据都被归一化，统一除以训练数据集中病人的平均处方剂量。3.根据权利要求2所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法，其特征在于，所述步骤(1.1)对数据集进行预处理进一步包括：(1.1.1)将数据集划分为训练数据集与验证数据集；(1.1.2)对于训练数据集中的病人数据，进行两次独立的低采样数(1
×
106)蒙特卡罗模拟；对于验证数据集中的病人数据，进行十五次独立的低采样数(1
×
106)蒙特卡罗模拟。4.根据权利要求1所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法，其特征在于，所述步骤(2)包括以下步骤：(2.1)对于所构建的去噪卷积神经网络模型采用多通道输入的架构进行模型构建；(2.2)对于所构建的去噪卷积神经网络模型采用卷积算子解耦进行模型构建及采用体素洗牌/解牌(voxel shuffle/unshuffle)运算进行模型构建；(2.3)对传统UNet架构卷积神经网络以及步骤(2.1)
‑
(2.2)构建的去噪卷积神经网络进行参数初始化。5.根据权利要求4所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法，其特征在于，所述的步骤(2.1)去噪卷积神经网络模型架构中的多通道输入架构，进一步包括：(2.1.1)假设原始输入的尺寸为B
×
C
×
H
×
W
×
D，其中B和C分别代表批次大小和通道数量，H、W、D分别代表行、列、片三个维度；(2.1.2)对于蒙特卡罗剂量去噪任务，设定C＝1；
(2.1.3)在体素拆分层之后，输入被重新排列成一个尺寸为的8通道输入；(2.1.4)在每个通道中，子卷是原始输入的下采样版本，步长为2，起点不...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：中科超精南京科技有限公司，
类型：发明
国别省市：