【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 ...
【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:
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。