一种基于深度学习的放疗计划自动生成系统和方法技术方案

本发明专利技术涉及一种基于深度学习的放疗计划自动生成系统和方法，该系统包括训练单元和后处理单元；训练单元包括输入模块、图像预处理模块、3D

【技术实现步骤摘要】
一种基于深度学习的放疗计划自动生成系统和方法


[0001]本专利技术涉及医疗辅助
，具体涉及一种基于深度学习的放疗计划自动生成系统和方法。

技术介绍

[0002]在过去的几十年里，放射治疗的治疗计划设计取得了巨大的进步。这些进步以硬件和算法创新的形式出现，产生了诸如调强放射治疗和容积旋转调强治疗等新的治疗模式，这大大改善了患者的预后和生活质量。虽然这些发展提高了整体计划的质量，但它们也增加了治疗计划的复杂性。这导致治疗计划时间增加，最终批准的计划质量变化更大。在调强放射治疗和容积旋转调强治疗中进行非凸优化时，也不能保证最终计划质量在理论上最优计划的某个增量内。此外，随着在线自适应放射治疗的推动，将治疗计划时间缩短到几分钟的需求和压力，甚至更高。
[0003]在过去的十年中，自AlexNet在2012年ImageNet竞赛中获得第一名以来，深度学习和其他人工智能技术取得了爆炸性进展，特别是在计算机视觉和成像领域，以及决策领域。深度学习已成为许多不同领域许多方面的主要组成部分，例如从自动驾驶汽车到家居用品。深度学习开始革命性的主要领域之一是医疗保健。放射肿瘤学作为一个技术已经比较先进的领域，有很多研究和实施涉及人工智能的使用。该领域已经开始显示出在其许多子领域使用此类技术的有效性，例如诊断、成像、细分、治疗计划、质量保证、治疗提供和随访。一些人工智能技术已经被商业系统临床实施。
[0004]目前基于人工智能的自动计划设计大部分都是基于知识的计划设计(KBP)，就是基于获取历史计划数据，然后提取用于训练模型的有用特征。这些特征包括诸如危及器官的空间信息和靶区体积，到靶区的距离直方图，重叠体积直方图，结构形状，射束的数量等。KPB的早期版本利用机器学习(ML)方法，将患者数据中手工制作的特征输入ML模型，以学习这些特征与计划的端到端映射，例如剂量体积直方图(DVH)。当与优化引擎结合使用时，这些框架可以半自动化，并且能够根据新患者的解剖结构为新患者生成计划。
[0005]然而，KPB的早期版本受到可以输入模型的数据复杂性以及模型能够预测的数据类型的高度限制。输出通常仅限于1D或2D数据，例如单个约束值或DVH，其余的剂量分布应该完全取决于医生和计划者在生成最终可交付计划时的直觉。此外，尚不清楚究竟需要将哪些手工制作的特征输入模型，因此特征通常是通过反复试验来确定的。此外，手动手工制作特征可能会导致丢失细微但至关重要的信息，从而导致KBP模型的预测性能降低。因此，计划的质量仍然高度依赖于医生和计划人员的技能和经验。
[0006]深度学习的进步允许进行准确的3D剂量分布预测。其中一个模型是Ronneberger等人的U
‑
net。该模型最初是为生物医学图像的语义分割而引入的，并且能够结合局部和全局特征来学习2个数据之间的像素到像素映射。它的像素到像素或体素到体素映射的能力使其成为体积剂量预测的理想候选者，其中3D解剖数据被输入模型以预测3D剂量分布。此外，深度学习允许输入原始数据，而不是像经典ML那样依赖手工制作的功能。
[0007]现有技术中一般都是基于2D
‑
Unet，残差基神经网络和他们的改进型，以及3D
‑
Unet及其改进形式，很少考虑到通过少的训练次数实现高精度预测，而本设计能完美解决这个问题，通过多损失函数设计，得到多训练模型，通过整合，可以实现多模型之间的预测互补，而且考虑不同模型之间整合的可靠性，本申请引入了置信度图引导整合，提高了模型整合的可信性和可靠性，而且为了减少对动态内存的占据，本申请将三维图像转为64*64*64的patch输入网络，最大限度地提升了效率。

技术实现思路

[0008]本专利技术旨在提供一种基于深度学习的放疗计划自动生成系统和方法，所要解决的技术问题至少包括如何实现多模型之间的预测互补，以及如何减少对动态内存的占据，提升效率。
[0009]为了实现上述目的，本专利技术提供一种基于深度学习的放疗计划自动生成系统，包括训练单元和后处理单元；所述的训练单元包括输入模块、图像预处理模块、3D
‑
Unet深度学习模型构建模块、训练网络和输出模块，所述的输入模块用于输入CT影像、危及器官和靶区的勾画结构；所述的图像预处理模块用于对所述输入模块输入的CT影像、危及器官和靶区的勾画结构进行预处理，并将预处理后的图像输入所述的3D
‑
Unet深度学习模型构建模块；所述的3D
‑
Unet深度学习模型构建模块用于基于三个不同的损失函数构建三个不同的3D
‑
Unet深度学习模型；所述的训练网络用于根据所述的图像预处理模块预处理后的图像对所述的三个不同的3D
‑
Unet深度学习模型进行多个周期的训练，直到所述的输出模块输出的患者剂量分布与所述的输入模块输入的CT影像、危及器官和靶区的勾画结构的已知真实的患者剂量分布之间的偏移满足预定的阈值范围时，得到三个不同的训练好的3D
‑
Unet深度学习模型；所述的后处理单元包括输入端、置信图叠加输出模块、输出端、逆优化模块和转化模块；所述的输入端用于向三个不同的训练好的3D
‑
Unet深度学习模型分别输入新病人的CT影像、危及器官和靶区的勾画结构，得到三个不同的训练好的3D
‑
Unet深度学习模型各自的置信图；所述的置信图叠加输出模块用于将三个不同的训练好的3D
‑
Unet深度学习模型各自的置信图的最大处叠加，并取最优阈值，预测得到新患者剂量分布，并将预测结果通过所述的输出端输出到所述的逆优化模块，所述的逆优化模块用于将预测结果输入计划系统进行逆优化；所述的转化模块用于将逆优化后的结果转化为加速器的机器参数，并形成新计划。
[0010]优选地，所述的预处理是指将三维图像转为64*64*64的图像块。
[0011]优选地，所述的三个不同的损失函数包括交叉熵损失函数、广义戴斯相似性损失函数和特沃斯基损失函数。
[0012]优选地，所述的交叉熵损失函数用于计算单标签和多标签分类任务的网络预测和目标值之间的交叉熵损失，交叉熵损失函数的计算公式为：
[0013][0014]其中N是观测值，K是类数；T
ni
是真实患者剂量分布，Y
ni
是预测患者剂量分布；
[0015]优选地，所述的广义戴斯相似性损失函数的计算公式为：
[0016][0017]其中K是分类数，M是沿预测CTV结果Y
km
的前两个维度的元素数目，以及Wk是特定于每个分类的权重因子，控制每个分类对结果贡献度；T
km
是真实患者剂量分布；
[0018]所述的广义戴斯相似性损失基于索伦森
‑
戴斯相似性，用于测量两个分割图像之间的重叠。
[0019]优选地，所述的特沃斯基损失函数的计算公式为：
[0020][0021]其中，c对应于类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的放疗计划自动生成系统，其特征在于，所述的基于深度学习的放疗计划自动生成系统包括训练单元和后处理单元；所述的训练单元包括输入模块、图像预处理模块、3D
‑
Unet深度学习模型构建模块、训练网络和输出模块，所述的输入模块用于输入CT影像、危及器官和靶区的勾画结构；所述的图像预处理模块用于对所述输入模块输入的CT影像、危及器官和靶区的勾画结构进行预处理，并将预处理后的图像输入所述的3D
‑
Unet深度学习模型构建模块；所述的3D
‑
Unet深度学习模型构建模块用于基于三个不同的损失函数构建三个不同的3D
‑
Unet深度学习模型；所述的训练网络用于根据所述的图像预处理模块预处理后的图像对所述的三个不同的3D
‑
Unet深度学习模型进行多个周期的训练，直到所述的输出模块输出的患者剂量分布与所述的输入模块输入的CT影像、危及器官和靶区的勾画结构的已知真实的患者剂量分布之间的偏移满足预定的阈值范围时，得到三个不同的训练好的3D
‑
Unet深度学习模型；所述的后处理单元包括输入端、置信图叠加输出模块、输出端、逆优化模块和转化模块；所述的输入端用于向三个不同的训练好的3D
‑
Unet深度学习模型分别输入新病人的CT影像、危及器官和靶区的勾画结构，得到三个不同的训练好的3D
‑
Unet深度学习模型各自的置信图；所述的置信图叠加输出模块用于将三个不同的训练好的3D
‑
Unet深度学习模型各自的置信图的最大处叠加，并取最优阈值，预测得到新患者剂量分布，并将预测结果通过所述的输出端输出到所述的逆优化模块，所述的逆优化模块用于将预测结果输入计划系统进行逆优化；所述的转化模块用于将逆优化后的结果转化为加速器的机器参数，并形成新计划。2.根据权利要求1所述的基于深度学习的放疗计划自动生成系统，其特征在于，所述的预处理是指将三维图像转为64*64*64的图像块。3.根据权利要求1所述的基于深度学习的放疗计划自动生成系统，其特征在于，所述的三个不同的损失函数包括交叉熵损失函数、广义戴斯相似性损失函数和特沃斯基损失函数。4.根据权利要求3所述的基于深度学习的放疗计划自动生成系统，其特征在于，所述的交叉熵损失函数用于计算单标签和多标签分类任务的网络预测和目标值之间的交叉熵损失，交叉熵损失函数的计算公式为：其中N是观测值，K是类数；T
ni
是真实患者剂量分布，Y
ni
是预测患者剂量分布。5.根据权利要求3所述的基于深度学习的放疗计划自动生成系统，其特征在于，所述的广义戴斯相似性损失函数的计算公式为：其中K是分类数，M是沿预测患者剂量分布Y
km...

【专利技术属性】
技术研发人员：王明清，杨瑞杰，庄洪卿，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：