基于卷积神经网络的调强放疗计划三维剂量分布预测方法技术

本发明专利技术提供一种基于卷积神经网络的调强放疗计划三维剂量分布预测方法。该方法包括：收集有效的调强放疗计划数据形成病例数据库；从病例数据库提取每个患者的感兴趣区域的CT图像、解剖轮廓、体素与靶区距离特征和对应剂量分布等四种数据特征，将它们划分为若干的二维切片,并将多个二维切片划分为训练集、验证集和测试集；搭建深度卷积神经网络，输入患者的四种数据特征二维切片，通过模型训练获得它们四者之间的关联模型；使用所训练的关联模型预测新患者的三维剂量分布；利用本发明专利技术的方法，能够有效的获得CT图像、解剖轮廓、体素与靶区距离特征与剂量分布之间的关联关系，提高剂量预测的精确性，有效指导对做计划的质量保障。障。障。

【技术实现步骤摘要】
基于卷积神经网络的调强放疗计划三维剂量分布预测方法


[0001]本专利专利技术涉及智能放射治疗
，具体涉及基于卷积神经网络的调强放疗计划三维剂量分布预测方法。

技术介绍

[0002]放射治疗是治疗肿瘤的主要方式之一，目的是给肿瘤体积准确和均匀的剂量，提高肿瘤的局部控制率，减少正常组织剂量和放射损伤。放射治疗计划,是放疗医生和医学物理师一起合作,为患者精心设计的个性化放射治疗方案。每一个需要接受放射治疗的患者都会有自己专属的放疗计划，所以其质量决定了整个治疗的效果，调强放射治疗是目前放疗计划主要手段，但手动计划需要大量参数，设计费时费力，不同物理师之间做出计划差别很大，要得到好的计划剂量分布才能保障患者疗效和安全，减少肿瘤复发和正常组织损伤，所以做计划之前有必要对患者治疗计划进行好的剂量预测和评估，对做计划进行指导。
[0003] 过去十几年，传统方法多采用机器学习预测靶区（Planning Target Volume,PTV）和危及器官(Organ At Risk,OAR)的剂量体积直方图(Dose Volume Histogra本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的调强放疗计划三维剂量分布预测方法，其特征在于，包括以下步骤：步骤S1：收集有效的调强放疗计划数据形成病例数据库；步骤S2：从所述病例数据库提取每个患者的感兴趣区域的解剖轮廓，包括躯干轮廓、靶区轮廓和危及器官轮廓；步骤S3：根据需要的图像大小，将患者的感兴趣区域的三维解剖轮廓划分为若干的二维轮廓切片图；步骤S4：从所述病例数据库提取每个患者的CT图像，并划分为若干的二维CT图像切片；步骤S5：从所述病例数据库提取每个患者体素与靶区距离特征，并划分为若干的二维体素与靶区距离特征切片图；步骤S6：从所述病例数据库提取每个患者的剂量分布，并划分为若干的二维剂量分布切片图；步骤S7：搭建卷积神经网络，输入患者的CT图像、解剖轮廓、体素与靶区距离特征和剂量分布二维切片，通过模型训练学习它们四者之间的映射关系，最终获得关联模型；步骤S8：使用所训练的关联模型预测新患者的三维剂量分布。2.在一个实施例中，所述步骤S2包括：提取的感兴趣区域的解剖轮廓为三维的二值矩阵，矩阵值为1代表此处有该感兴趣区域的体素存在。3.在一个实施例中，所述步骤S3、S4、S5和S6中，将患者的CT图像、解剖轮廓、体素与靶区距离特征和剂量分布划分为二维切片；并使用旋转来增强切片数量。4.在一个实施例中，所述步骤S7包括：步骤S71：在Python中导入开源的深度学习框架Pytorch；步骤S72：使用Pytorch深度学习库中的语句搭建网络，在本实施例中，在原有U
‑
net(2015年)网络基础上，在卷积层后加入批量归一化层；网络结构包含了左侧编码器、右侧解码器和跳跃连接组成；编码器由卷积块，批量归一化层，激活函数层和池化层构成；解码器主要由卷积块，批量归一化层，激活函数层和上采样层构成；其中,每个卷积块由２个卷积层组成,每个...

【专利技术属性】
技术研发人员：李红伟，孟歌，姚晖，廖志军，史以龙，韩鸣，
申请(专利权)人：上海国际医学中心有限公司，
类型：发明
国别省市：