一种基于人工智能的放射治疗剂量预测系统和方法技术方案

本发明专利技术涉及一种基于人工智能的放射治疗剂量预测系统和方法，该系统包括3D

【技术实现步骤摘要】
一种基于人工智能的放射治疗剂量预测系统和方法


[0001]本专利技术涉及放疗剂量预测
，具体涉及一种基于人工智能的放射治疗剂量预测系统和方法。

技术介绍

[0002]放疗是一种常见的癌症治疗方法，利用高能量的辐射来杀死癌细胞。放疗剂量是放疗治疗中非常重要的参数，它决定了辐射的强度和持续时间，对治疗效果和副作用都有很大的影响。
[0003]传统的放疗剂量预测方法主要基于临床经验和统计学模型，但这些方法存在着许多限制，如精度不高、依赖于人工经验和数据质量等问题。随着深度学习技术的发展，基于深度学习的放疗剂量预测方法逐渐成为研究热点。
[0004]深度学习技术可以通过学习大量的放疗数据，自动提取特征并建立模型，从而实现放疗剂量的预测。这种方法不仅能够提高预测精度，还可以降低人工干预的成本和时间。目前，许多研究已经证明了基于深度学习的放疗剂量预测方法的有效性和可行性，并且在临床实践中得到了广泛应用。
[0005]现有技术中，基于人工智能的自动剂量预测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剂量。
>[0006]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。

技术实现思路

[0007]本专利技术旨在提供一种基于人工智能的放射治疗剂量预测系统和方法，所要解决的技术问题至少包括如何提高模型的预测精度，以及如何防止训练过拟合。
[0008]为了实现上述目的，本专利技术提供一种基于人工智能的放射治疗剂量预测系统，包括3D
‑
Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块，所述的3D
‑
Unet深度学习模型构建模块用于构建3D
‑
Unet深度学习模型；所述的第一模型训练模块用于训练得到第一模型，并提取中间剂量；所述的第二模型训练模块用于训练得到第二模型，输出最终剂量分布。
[0009]优选地，所述的3D
‑
Unet深度学习模型是一个深度神经网络结构，链接的是输入端和输出端；向所述的输入端输入危及器官、靶区以及从靶区向外的距离；所述的输出端输出的是真实的三维剂量分布图。
[0010]优选地，所述的第一模型训练模块训练得到第一模型，并提取中间剂量的具体步骤为：通过学习率梯度下降，逐步迭代找到所述的输入端与输出端的最佳匹配关系，该最佳匹配关系即为第一模型；所述的第一模型训练完毕后，向所述的第一模型输入新的病人的危及器官，靶区，以及从靶区向外的距离图，所述的第一模型输出预测的剂量分布图，该预测的剂量分布图即为中间剂量。
[0011]优选地，所述的第二模型训练模块训练得到第二模型，输出最终剂量分布的具体步骤为：向所述的3D
‑
Unet深度学习模型的输入端输入预测的剂量分布图，训练得到第二模型，该第二模型用于输出最终剂量分布。
[0012]优选地， 所述的从靶区向外的距离指的是计算二值图像的欧几里德距离变换，所述的二值图像是指将靶区内的像素值设为1、将靶区外的像素值设为0而形成的二值图像；对于二值图像中的每个像素，计算二值图像的欧几里德距离的公式为：在二维空间中，(x1,y1) 和 (x2,y2) 之间的欧几里德距离d为：；其中，(x1,y1)表示所述的二值图像中靶区内的任意一个像素的二维坐标；(x2,y2) 表示所述的二值图像中靶区外的任意一个像素的二维坐标。
[0013]优选地，步骤S1中向所述的输入端输入危及器官、靶区以及从靶区向外的距离的图之前，还包括预处理图像和进行几何数据加强的步骤。
[0014]优选地，所述的预处理图像是对输入所述输入端的图像的大小进行调整，使其满足所述的3D
‑
Unet深度学习模型的神经网络结构的要求，以及对图像进行均一化处理。
[0015]优选地，所述的几何数据加强包括水平和垂直翻转、随机旋转以及随机水平平移和随机垂直平移，通过所述的几何数据加强在图像增强中增加训练数据集的多样性，并提高机器学习模型的性能。
[0016]优选地，所述的水平和垂直翻转用于创建原始图像的镜像版本；所述的随机旋转是将图像按指定范围内的随机角度旋转，所述的随机角度是正数或负数，并且所述的指定范围能够根据所需的旋转程度进行定义；所述的随机旋转有助于模型学习识别不同方向的物体；所述的随机水平平移是将图像水平移动随机数量的像素；所述的随机垂直平移是将图像垂直移动随机数量的像素；所述的随机水平平移和随机垂直平移用于创建原始图像的平移版本，有助于模型学习在图像中心不对称时仍能识别物体。
[0017]优选地，所述的3D
‑
Unet深度学习模型是深度为5的3D
‑
Unet网络。
[0018]本专利技术还提供一种基于人工智能的放疗剂量预测方法，包括以下步骤：S1、构建3D
‑
Unet深度学习模型：所述的3D
‑
Unet深度学习模型是一个深度神经网络结构，链接的是输入端和输出端；向所述的输入端输入危及器官、靶区以及从靶区向外的距离；所述的输出端输出的是真实的三维剂量分布图；S2、训练得到第一模型，并提取中间剂量：通过学习率梯度下降，逐步迭代找到所述的输入端与输出端的最佳匹配关系，该最佳匹配关系即为第一模型；所述的第一模型训
练完毕后，向所述的第一模型输入新的病人的危及器官，靶区，以及从靶区向外的距离图，所述的第一模型输出预测的剂量分布图，该预测的剂量分布图即为中间剂量；S3、训练得到第二模型，输出最终剂量分布：向所述的3D
‑
Unet深度学习模型的输入端输入预测的剂量分布图，训练得到第二模型，该第二模型用于输出最终剂量分布。
[0019]优选地，步骤S2中，所述的第一模型输出预测的剂量分布图以后，重新生成训练集、验证集和测试集。
[0020]优选地，步骤S3中，向所述的3D
‑
Unet深度学习模型的输入端输入预测的剂量分布图之前，还包括对预测的剂量分布图进行几何数据加强的步骤。
有益效果
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的放射治疗剂量预测系统，其特征在于，所述的基于人工智能的放射治疗剂量预测系统包括3D
‑
Unet深度学习模型构建模块、第一模型训练模块和第二模型训练模块，所述的3D
‑
Unet深度学习模型构建模块用于构建3D
‑
Unet深度学习模型；所述的第一模型训练模块用于训练得到第一模型，并提取中间剂量；所述的第二模型训练模块用于训练得到第二模型，输出最终剂量分布。2.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统，其特征在于，所述的3D
‑
Unet深度学习模型是一个深度神经网络结构，链接的是输入端和输出端；向所述的输入端输入危及器官、靶区以及从靶区向外的距离；所述的输出端输出的是真实的三维剂量分布图。3.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统，其特征在于，所述的第一模型训练模块训练得到第一模型，并提取中间剂量的具体步骤为：通过学习率梯度下降，逐步迭代找到所述的输入端与输出端的最佳匹配关系，该最佳匹配关系即为第一模型；所述的第一模型训练完毕后，向所述的第一模型输入新的病人的危及器官，靶区，以及从靶区向外的距离图，所述的第一模型输出预测的剂量分布图，该预测的剂量分布图即为中间剂量。4.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统，其特征在于，所述的第二模型训练模块训练得到第二模型，输出最终剂量分布的具体步骤为：向所述的3D
‑
Unet深度学习模型的输入端输入预测的剂量分布图，训练得到第二模型，该第二模型用于输出最终剂量分布。5.根据权利要求1所述的基于人工智能的放射治疗剂量预测系统的预测方法，其特征在于，所述的从靶区向外的距离指的是计算二值图像的欧几里德距离变换，所述的二值图像是指将靶区内的像素值设为1、将靶区外的像素值设为0而形成的二值图像；对于二值图像中...

【专利技术属性】
技术研发人员：杨瑞杰，王明清，
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：