本发明专利技术提供一种肿瘤放疗计划设计方法、装置、电子设备及存储介质，方法包括：获取作为当前优化参数向量集的初始优化参数向量集，计算当前成本函数值；随机修正当前优化参数向量集，产生预设数量套备选优化参数向量集；对预设数量套备选优化参数向量集进行计划参数优化，计算总成本函数值；根据当前备选优化参数向量集的总成本函数值，抽样更新当前优化参数向量集和当前成本函数值，进行重复迭代，直至满足收敛条件；输出迭代后的最终最优的优化参数向量集，确定计划参数，计算并输出多叶准直器的计划叶片走位和剂量分布。本发明专利技术能够同步优化放疗计划剂量学质量和执行准确度，实现计划设计自动化，较少依赖人工经验，能够节省临床人力和时间成本。床人力和时间成本。床人力和时间成本。
【技术实现步骤摘要】
肿瘤放疗计划设计方法、装置、电子设备及存储介质
[0001]本专利技术属于放疗
，具体涉及到一种肿瘤放疗计划设计方法、装置、电子设备及存储介质。
技术介绍
[0002]调强放射治疗(放疗)是目前的主流放疗技术。计划设计是调强放疗的关键环节，包括计划优化和计划验证两个步骤。在计划优化阶段，临床工作人员需要根据自己的经验进行试错，不断调整计划优化参数，直至靶区和危及器官的剂量学指标满足临床要求、达到设计者认为的最优状态。在计划验证阶段，临床工作人员使用剂量测量设备验证计划的执行准确度，其中使用伽马通过率(Gamma passing rate，GPR)量化执行准确度。若执行准确度不达标，则需开始重新进行计划设计，直至剂量学指标和执行准确度均达标后，才能进行患者治疗。其中，优化参数的人工试错和验证不通过计划的再设计是造成临床工作负荷重的两个主要因素。实现高质量和高执行准确度的自动计划设计是提高临床效率、降低患者治疗等待时间的关键，有望改善患者疗效，具有重要的临床意义。
[0003]目前已有的自动计划设计方法有三种：基于知识的自动计划(Knowledge based planning，KBP)、基于模板的自动计划(Protocol based planning，PBP)和基于多目标优化的自动计划(Multicriteria optimization based planning，MCOP)。KBP方法收集以往的临床治疗计划建立特定肿瘤部位的数据库，训练人工智能模型学习先验知识，预测新病人临床可实现的剂量学指标，进而指导计划设计的优化参数设置；PBP方法首先根据临床经验建立特定肿瘤部位的剂量学优化参数模板，在满足硬性约束条件下，优化过程根据预设的脚本逐个收紧危及器官的优化参数，直至将要违背硬性约束条件、无法进一步降低危机器官剂量，停止更新，确定最终的优化参数；MCOP方法根据初始剂量学优化条件自动生成一个计划数据库，包含多个帕累托最优计划，之后计划设计者再根据临床经验从中挑选出符合临床要求的最优计划。
[0004]但是，现有的自动计划方法仅能面向计划剂量学质量(即靶区和危及器官的剂量学指标)进行优化，不涉及计划执行准确度的优化。计划的执行准确度需要使用辐射探测器测量后才能确定，优化阶段难以量化执行准确度，自然无法优化执行准确度。即使在计划优化阶段能够预知执行准确度，由于难以解析地描述执行准确度成本函数与计划参数的梯度关系，常规的通量优化算法无法实现计划质量和执行准确度同步优化。若执行准确度不达标，则需重新进行计划设计，浪费时间和人力，延误患者治疗。另外，现有的自动计划方法过于依赖人工计划设计经验，存在主观误差，方法扩展性差。例如，KBP和PBP方法需要根据临床经验建立对应的计划数据库或优化参数模板，这些数据库或优化参数模板的质量决定了最终自动计划设计的质量，而它们往往是通过回顾性收集临床计划获得，若收集的计划质量欠佳，自动计划质量亦会欠佳，不可避免地存在主观误差。同时，考虑到不同肿瘤部位的目标剂量学指标不同，不同医疗机构具有不同的治疗规范，不同计划设计者有不同的临床经验和计划设计习惯，为了保证自动计划的质量，需要针对不同肿瘤部位、医疗机构或计划
设计者建立不同的数据库或模板，过于繁琐，难以扩展。MCOP方法则需要计划设计者在帕累托最优计划集中权衡选择最终计划，计划质量仍依赖于选择者的主观经验。
技术实现思路
[0005]本专利技术提供一种肿瘤放疗计划设计方法、装置、电子设备及存储介质，以解决现有肿瘤放疗计划设计方法不能同步优化放疗计划剂量学质量和执行准确度，且过于依赖人工计划设计经验的问题。
[0006]基于上述目的，本专利技术实施例提供了一种肿瘤放疗计划设计方法，包括：获取作为当前优化参数向量集的初始优化参数向量集，并计算当前成本函数值；随机修正所述当前优化参数向量集，产生预设数量套备选优化参数向量集；并行对所述预设数量套所述备选优化参数向量集进行计划参数优化，并分别计算各套所述备选优化参数向量集的总成本函数值；根据所述总成本函数值确定当前最优及次优备选优化参数向量集，根据所述当前备选优化参数向量集的总成本函数值，抽样更新所述当前优化参数向量集和所述当前成本函数值，并进行重复迭代，直至满足收敛条件；输出迭代完成后的最终最优的优化参数向量集，确定计划，计算并输出多叶准直器的计划叶片走位和剂量分布。
[0007]可选的，所述获取作为当前优化参数向量集的初始优化参数向量集，并计算当前成本函数值之前，包括：收集多个部位肿瘤放疗的计划参数和对应的伽马通过率数据，建立训练数据集；基于所述训练数据集对伽马通过率预测模型进行训练，得到训练后的所述伽马通过率预测模型。
[0008]可选的，所述基于参数优化算法并行对所述预设数量套所述备选优化参数向量集进行计划参数优化，并分别计算各套所述备选优化参数向量集的总成本函数值，包括：对所述预设数量套所述备选优化参数向量集并行进行计划参数优化，获取各套所述备选优化参数向量集的当前计划参数和当前剂量学指标；根据所述当前计划参数、所述当前剂量学指标以及目标剂量学指标应用多功能优化总成本函数计算各套所述备选优化参数向量集的总成本函数值。
[0009]可选的，所述对所述预设数量套优化参数向量集进行计划参数优化，获取各套所述备选优化参数向量集的当前计划参数和当前剂量学指标，包括：针对任一套所述备选优化参数向量集，基于CT影像及结构确定射野角度或范围；根据所述射野角度应用基于梯度信息的优化算法优化计划参数，获取当前计划参数和当前剂量学指标，其中所述当前剂量学指标包括靶区均匀性数值、靶区适形性数值以及危及器官的体积剂量及平均剂量。
[0010]可选的，所述根据所述当前计划参数、所述当前剂量学指标以及目标剂量学指标应用多功能优化总成本函数计算各套所述备选优化参数向量集的总成本函数值，包括：针对任一套所述备选优化参数向量集，根据所述当前计划参数应用训练后的伽马通过率预测模型进行预测，获取预测伽马通过率，并根据所述预测伽马通过率应用计划执行准确度成本函数计算计划执行准确度成本函数值；根据所述当前剂量学指标和所述目标剂量学指标应用计划剂量学质量成本函数计算计划剂量学质量成本函数值；根据所述计划执行准确度成本函数值和所述计划剂量学质量成本函数值应用多功能优化总成本函数计算总成本函数值。
[0011]可选的，所述根据所述当前备选优化参数向量集的总成本函数值，抽样更新所述
当前优化参数向量集和所述当前成本函数值，并进行重复迭代，直至满足收敛条件，包括：抽样决策是否采纳所述当前最优或次优备选优化参数向量集；如果采纳所述当前最优或次优备选优化参数向量集，则将所述当前最优或次优备选优化参数向量集和对应的总成本函数值分别作为当前优化参数向量集和当前成本函数值；判断是否满足收敛条件，其中所述收敛条件为达到预设的最大迭代次数或最长迭代时间、或者成本函数值降幅收敛；如果不满足收敛条件，则返回所述随机修正当前优化参数向量集，产生预设数量套备选优化参数向量集的步骤。
[0012]可选的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种肿瘤放疗计划设计方法，其特征是，所述方法包括：获取作为当前优化参数向量集的初始优化参数向量集，并计算当前成本函数值；随机修正所述当前优化参数向量集，产生预设数量套备选优化参数向量集；并行对所述预设数量套所述备选优化参数向量集进行计划参数优化，并分别计算各套所述备选优化参数向量集的总成本函数值；根据所述总成本函数值确定当前最优及次优备选优化参数向量集，根据所述当前备选优化参数向量集的总成本函数值，抽样更新所述当前优化参数向量集和所述当前成本函数值，并进行重复迭代，直至满足收敛条件；输出迭代完成后的最终最优的优化参数向量集，确定计划参数，计算并输出多叶准直器的计划叶片走位和剂量分布。2.如权利要求1所述的方法，其特征是，所述获取作为当前优化参数向量集的初始优化参数向量集，并计算当前成本函数值之前，包括：收集多个部位肿瘤放疗的计划参数和对应的伽马通过率数据，建立训练数据集；基于所述训练数据集对伽马通过率预测模型进行训练，得到训练后的所述伽马通过率预测模型。3.如权利要求1所述的方法，其特征是，所述并行对所述预设数量套所述备选优化参数向量集进行计划参数优化，并分别计算各套所述备选优化参数向量集的总成本函数值，包括：对所述预设数量套所述备选优化参数向量集并行进行计划参数优化，获取各套所述备选优化参数向量集的当前计划参数和当前剂量学指标；根据所述当前计划参数、所述当前剂量学指标以及目标剂量学指标应用多功能优化总成本函数计算各套所述备选优化参数向量集的总成本函数值。4.如权利要求3所述的方法，其特征是，所述对所述预设数量套优化参数向量集进行计划参数优化，获取各套所述备选优化参数向量集的当前计划参数和当前剂量学指标，包括：针对任一套所述备选优化参数向量集，基于CT影像及结构确定射野角度或范围；根据所述射野角度应用基于梯度信息的优化算法优化计划参数，获取当前计划参数和当前剂量学指标，其中所述当前剂量学指标包括靶区均匀性数值、靶区适形性数值以及危及器官的体积剂量及平均剂量。5.如权利要求3所述的方法，其特征是，所述根据所述当前计划参数、所述当前剂量学指标以及目标剂量学指标应用多功能优化总成本函数计算各套所述备选优化参数向量集的总成本函数值，包括：针对任一套所述备选优化参数向量集，根据所述当前计划参数应用训练后的伽马通过率预测模型进行预测，获取预测伽马通过率，并根据所述预测伽马通过率应用计划执行准确度成本函数计算计划执行准确度成本函数值；根据所述当前剂量学指标和所述目标剂量学指标应用计划剂量学质量成本函数计算计划剂量学质量成本函数值；根...
【专利技术属性】
技术研发人员：杨晓喻，赵于前，杨振，魏瑞，曹瑛，李书舟，邵其刚，唐杜，彭昭，
申请(专利权)人：中南大学湘雅医院，
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。