一种基于深度学习的宫颈癌放疗剂量预测方法技术

本发明专利技术公开一种基于深度学习的宫颈癌放疗剂量预测方法，包括步骤一、获取数据集并划分训练集和测试集，步骤二、对训练集数据进行预处理，步骤三、构建深度学习的AC3DUnet剂量预测模型，步骤四、预处理后的训练集对模型进行训练，步骤五、利用训练后的模型预测新病例的放疗剂量；本发明专利技术通过对数据进行与处理的方法可以有效处理大范围剂量变化和剂量不均匀分布，提出的CSA通道空间注意力提取卷积模块可以使预测更加有偏向性，使预测模型预测结果更加准确，构建的级联网络模块可以增强模型的多尺度特征提取能力，配合加权loss使有监督的网络模型的优化难度降低，增加了模型面对不同器官形状和剂量分布的输入的时的适用性。器官形状和剂量分布的输入的时的适用性。器官形状和剂量分布的输入的时的适用性。

【技术实现步骤摘要】
一种基于深度学习的宫颈癌放疗剂量预测方法


[0001]本专利技术涉及智能放射治疗
，尤其涉及一种基于深度学习的宫颈癌放疗剂量预测方法。

技术介绍

[0002]宫颈癌是最常见的妇科恶性肿瘤，2018年全球估计有57万例病例和311000例死亡。这种疾病是第四大最常被诊断出的癌症，也是女性癌症死亡的第四大原因。宫颈癌的治疗包括手术切除、化疗和放疗，其中放疗是最重要的方法。为了在治疗期间和治疗后尽量减少潜在的副作用，如放射性膀胱炎和放射性肠炎，辐射剂量的准确性变得尤为重要。
[0003]与传统的三维外照射放射治疗(EBRT)相比，引入容积调制弧形疗法(VMAT)和调强放射治疗(IMRT)已经能够产生与目标体积相适应的形状剂量分布，然而，医师必须反复手动调整计划以达到临床可接受程度。此步骤通常需要几个小时，非常耗时且容易出错；
[0004]目前提出的基于目标的规划(OBP)和基于知识的规划(KBP)可以在一定程度上减少规划时间，但它仍然需要一定的手动调整过程，因此引进快速发展的深度学习技术，然而在大多数深度学习模型中，用于训练的器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的宫颈癌放疗剂量预测方法，其特征在于，包括以下步骤：步骤一、获取医院原始宫颈癌放疗DICOM数据，从中提取CT图像、靶区轮廓图像、剂量信息和危及器官轮廓图像构成深度学习数据集，并分成训练集和测试集；步骤二、数据预处理，从训练集中提取CT图像、靶区轮廓图像、剂量信息和危及器官轮廓图像将其转换为深度学习训练的三维矩阵，并将提取的三个图像进行数据增强后合并获得四维通道矩阵；步骤三、构建包含CSA通道空间注意力提取卷积模块、级联3DUnet和加权损失函数的AC3DUnet剂量预测模型；步骤四、训练AC3DUnet剂量预测模型，利用步骤二中的到的四维通道矩阵作为输入矩阵并将剂量信息矩阵作为输出矩阵对模型进行训练，得到预测剂量与临床剂量的误差损失值，带入预测模型的到训练好的AC3DUnet剂量预测模型；步骤五、剂量预测，按照步骤二的数据预处理方法对新病例的数据进行数据预处理，将处理后的数据作为训练好的AC3DUnet剂量预测模型的输入，由训练好的AC3DUnet剂量预测模型输出新病例最终预测结果。2.根据权利要求1所述的一种基于深度学习的宫颈癌放疗剂量预测方法，其特征在于：所述步骤一中获取医院原始宫颈癌放疗DICOM数据中包括CT图像、放疗剂量、放疗计划、勾画靶区和器官结构，再从中提取CT图像、靶区轮廓图像、剂量信息和危及器官轮廓图像。3.根据权利要求1所述的一种基于深度学习的宫颈癌放疗剂量预测方法，其特征在于：所述步骤二中数据增强包括对CT图像、靶区轮廓图像和危及器官轮廓图像进行随机翻转、旋转和裁剪处理；同时对剂量信息进行转换，获得剂量信息矩阵。4.根据权利要求1所述的一种基于深度学习的宫颈癌放疗剂量预测方法，其特征在于：所述步骤二中将数据中没有勾画危及器官轮廓图像新建一个全为0的矩阵。5.根据权利要求1所述的一种基于深度学习的宫颈癌放疗剂量预测方法，其特征在于：所述步骤三中构建AC3DUnet剂量预测模型具体包括S1、构建包含空间和通...

【专利技术属性】
技术研发人员：张晶晶，陈启明，李腾，
申请(专利权)人：安徽大学，
类型：发明
国别省市：