基于剂量预测和辅助轮廓的肺癌放疗计划生成方法及系统技术方案

本发明专利技术提供一种基于剂量预测和辅助轮廓的肺癌放疗计划生成方法及系统，属于医疗设备技术领域，获取肺癌放疗计划病例数据；利用训练好的剂量预测模型对放疗计划病例数据进行处理，获得靶区和危及器官的剂量分布结果；根据预测的剂量分布并结合逆向优化所需的剂量约束生成各向异性的辅助轮廓；根据辅助轮廓和剂量分布，得到靶区、危及器官和辅助轮廓的剂量限值；根据辅助轮廓和剂量约束限值，进行逆向优化，生成肺癌放疗计划。本发明专利技术将病人体素到靶区的最小距离分布纳入模型训练，提升了剂量预测准确度；使用剂量分布生成辅助轮廓，优化条件/目标更合理，缩短了设计时间；有利于危及器官肺的保护，有利于快速提升放疗经验欠缺单位的计划设计水平。单位的计划设计水平。单位的计划设计水平。

【技术实现步骤摘要】
基于剂量预测和辅助轮廓的肺癌放疗计划生成方法及系统


[0001]本专利技术涉及医疗设备
，具体涉及一种基于剂量预测和辅助轮廓的肺癌放疗计划生成方法及系统。

技术介绍

[0002]放疗计划设计是实施放射治疗的先决条件，目前的调强放疗(IMRT)计划设计都是基于复杂的逆向优化算法。先根据病人的靶区位置、处方剂量要求等手工制定辅助轮廓、优化条件/约束目标等，计划系统根据这些条件约束经过复杂的优化算法，生成通量图，再结合加速器的限制约束生成可实际执行的射野信息(例如，铅门位置、多叶准直器(MLC)形状、控制点的MU等)。
[0003]目前，放射治疗计划系统还存在以下不足：一是IMRT计划设计通常采用的是个人经验和试错方式，计划设计人员需要在十几甚至几十次的试错中才能找到较为满意的设计方案，计划质量在很大程度上取决于计划设计人员的主观经验和所花费的时间，逆向优化算法的复杂性会导致优化时间长、硬件资源消耗高等问题。二是不同放疗中心之间，甚至同一放疗中心内不同人员之间，所设计的IMRT计划的质量和计划设计时间存在相当大的差别。如何提高放疗计划设计效率和质量是目前放射治疗的迫切需求。
[0004]在逆向调强计划优化时，需要大量的辅助轮廓用于剂量约束，以尽可能减少靶区外危及器官的照射剂量。目前临床上常用的辅助轮廓(如Ring、Nt、Fan等)都是凭计划设计者的主观经验给出，通常是在靶区周围做均匀的外扩。肺癌计划设计时，由于对肺部区域要做更强的剂量限值，使得剂量在病人的前后方向跌落缓慢，在病人的左右方向跌落较快。剂量呈现出明显的沿着各向非均匀跌落，此时使用各向同性Ring、Nt、Fan做剂量限值时会导致有的区域剂量限制过严，有的区域过松，进而影响优化结果。如何科学合理的做辅助轮廓是影响放疗计划设计质量和效率的重要因素。

技术实现思路

[0005]本专利技术的目的在于提供一种基于剂量预测和辅助轮廓的肺癌放疗计划生成方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0006]为了实现上述目的，本专利技术采取了如下技术方案：
[0007]一方面，本专利技术提供一种基于剂量预测和辅助轮廓的肺癌放疗计划生成方法，包括：
[0008]获取肺癌放疗计划病例数据；
[0009]利用训练好的剂量预测模型对放疗计划病例数据进行处理，获得靶区和危及器官的剂量分布结果；
[0010]根据预测的剂量分布并结合逆向优化所需的剂量约束生成各向异性的辅助轮廓；
[0011]根据辅助轮廓和剂量分布，得到靶区、危及器官和辅助轮廓的剂量限值；
[0012]根据辅助轮廓和剂量约束限值，进行逆向优化，生成肺癌放疗计划。
[0013]可选的，剂量预测模型由训练集训练得到，所述训练集包括多个肺癌放疗计划病例，所述肺癌放疗计划病例至少包括病例CT图像、剂量分布、靶区和危及器官轮廓、病人体素到靶区的最小距离分布；基于CT图像、靶区和危及器官轮廓、病人体素到靶区的最小距离分布作为模型的输入数据，剂量分布作为模型的输出，对模型进行训练。
[0014]可选的，所述病人第i点的距离靶区最近距离定义如下：
[0015][0016]其中，D
i
表示第i点体素到靶区target的最近距离，(x
i
、y
i
、z
i
)为第i点的坐标，(x
k
、y
k
、z
k
)为靶区上k点的坐标；当体素i位于靶区内或病人身体外时，D
i
定义为0。
[0017]可选的，训练所述剂量预测模型使用深度神经网络框架，包括Vgg
‑
Unet、Res
‑
Unet、Trans
‑
Unet、UNeXt。
[0018]可选的，根据肺癌放疗计划的剂量分布特性，基于模型预测的剂量生成各向异性的辅助轮廓。
[0019]可选的，辅助轮廓在靶区周围随着预测剂量跌落速度快慢的不同，各个方向宽度是不同的，为特定的等剂量线或病人轮廓所围成的区域。
[0020]可选的，生成剂量约束限值模块为根据剂量分布生成辅助轮廓、危及器官及靶区的剂量限制条件，并通过接口程序将其导入到计划系统中进行放疗计划的自动优化。
[0021]第二方面，本专利技术提供一种基于剂量预测和辅助轮廓的肺癌放疗计划生成系统，包括：
[0022]获取模块，用于获取肺癌放疗计划病例数据；
[0023]预测模块，用于利用训练好的剂量预测模型对放疗计划病例数据进行处理，获得靶区和危及器官的剂量分布结果；
[0024]第一确定模块，用于根据预测的剂量分布并结合逆向优化所需的剂量约束生成各向异性的辅助轮廓；
[0025]第二确定模块，用于根据辅助轮廓和剂量分布，得到靶区、危及器官和辅助轮廓的剂量限值；
[0026]逆向优化模块，用于根据辅助轮廓和剂量约束限值，进行逆向优化，生成肺癌放疗计划。
[0027]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于剂量预测和辅助轮廓的肺癌放疗计划生成方法。
[0028]第四方面，本专利技术提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于剂量预测和辅助轮廓的肺癌放疗计划生成方法。
[0029]第五方面，本专利技术提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于剂量预测和辅助轮廓的肺癌放疗计划生成方法的指令。
[0030]本专利技术有益效果：将病人体素到靶区的最小距离分布纳入模型训练，提升了剂量
预测的准确度；使用剂量分布生成辅助轮廓，优化条件/目标更为合理，所以计划设计时间大大缩短；在正常组织保护上，本自动计划方法有利于危及器官肺的保护；自动的完成肺癌放疗计划设计，有利于快速提升放疗经验欠缺单位的计划设计水平。
[0031]本专利技术附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本专利技术的实践了解到。
附图说明
[0032]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例所述的基于剂量预测和辅助轮廓生成的肺癌自动计划方法的结构流程图。
[0034]图2为本专利技术实施例所述的基于预测的剂量生成辅助轮廓的示意图。
具体实施方式
[0035]下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于剂量预测和辅助轮廓的肺癌放疗计划生成方法，其特征在于，包括：获取肺癌放疗计划病例数据；利用训练好的剂量预测模型对放疗计划病例数据进行处理，获得靶区和危及器官的剂量分布结果；根据预测的剂量分布并结合逆向优化所需的剂量约束生成各向异性的辅助轮廓；根据辅助轮廓和剂量分布，得到靶区、危及器官和辅助轮廓的剂量限值；根据辅助轮廓和剂量约束限值，进行逆向优化，生成肺癌放疗计划。2.根据权利要求1所述的基于剂量预测和辅助轮廓的肺癌放疗计划生成方法，其特征在于，剂量预测模型由训练集训练得到，所述训练集包括多个肺癌放疗计划病例，所述肺癌放疗计划病例至少包括病例CT图像、剂量分布、靶区和危及器官轮廓、病人体素到靶区的最小距离分布；基于CT图像、靶区和危及器官轮廓、病人体素到靶区的最小距离分布作为模型的输入数据，剂量分布作为模型的输出，对模型进行训练。3.根据权利要求2所述的基于剂量预测和辅助轮廓的肺癌放疗计划生成方法，其特征在于，所述病人第i点的距离靶区最近距离定义如下：D
i
＝Min((x
i
‑
x
k
)2+(y
i
‑
y
k
)2+(z
i
‑
z
k
)2)其中，D
i
表示第i点体素到靶区target的最近距离，(x
i
、y
i
、z
i
)为第i点的坐标，(x
k
、y
k
、z
k
)为靶区上k点的坐标；当体素i位于靶区内或病人身体外时，D
i
定义为0。4.根据权利要求2所述的基于剂量预测和辅助轮廓的肺癌放疗计划生成方法，其特征在于，训练所述剂量预测模型使用深度神经网络框架，包括Vgg
...

【专利技术属性】
技术研发人员：苗俊杰，刘志强，戴建荣，
申请(专利权)人：中国医学科学院肿瘤医院，
类型：发明
国别省市：