【技术实现步骤摘要】
本专利技术涉及放疗剂量计算，特别是涉及一种放疗剂量预测方法。
技术介绍
1、恶性肿瘤严重危害人类健康，七成的肿瘤患者需要接受放射治疗，在放射治疗前，医师会制定放射治疗计划。在放射治疗计划的制定过程中，剂量计算是其中的重要环节，剂量计算的效能决定了放射治疗计划制定的质量。在现有技术中，剂量计算方法分为三大类：基于因子的算法、基于模型的算法和蒙特卡罗模拟。基于因子的算法使用半经验方法，根据有效的空间剂量测量来解决组织异质性和表面曲率的问题，具有计算速度快的优点，不需要区分患者体内光子和电子随后的能量转移。基于因子的算法对于能量大于6mv的异质体的准确性较低，其中散射贡献较小，光子引起的电子运动的影响可局部导致高剂量变化。基于模型的算法通过主要粒子连续性和剂量内核计算患者剂量分布，也具备较高的计算效率，该方法比基于因子的算法更准确，尤其是在非均匀介质中。然而，基于模型的算法仍依赖于近似值，并且仅部分处理微观领域中涉及辐射场传递的能量的微观吸收的物理过程。蒙特卡洛模拟根据计算机模拟物质中粒子的物理过程来计算剂量分布，在剂量计算领域内具有较高的精度，常用来验证其他剂量计算算法的准确性，但是蒙特卡洛剂量计算耗时较大，难以满足实际应用中的时效性要求。总之，目前的剂量计算方法难以同时做到高精度和高效率。
技术实现思路
1、鉴于此，本专利技术提出一种放疗剂量预测方法，引入深度学习神经网络，在保证剂量计算的精度的同时，大幅提高计算效率，以缓解现有技术的不足。
2、第一方面，本专利技术提供了
3、进一步地，放疗剂量第一计算方法为蒙特卡罗仿真方法。
4、进一步地，放疗剂量第二计算方法为射线追踪方法。
5、进一步地，深度学习神经网络为tf u-net，该网络以“u”形编码器-解码器结构提取剂量分布的多尺度信息，通过transformer模块聚合长距离信息，并在跳过连接中采用门控机制对信息进行筛选与融合。
6、进一步地，在送入深度学习神经网络训练得到放疗剂量预测网络之前，还包括：对l和h进行标定。
7、进一步地，模型训练的次数至少为1次。
8、第二方面，本专利技术提供了一种放疗剂量预测装置，包括：模型训练模块，其用于根据患者的医学影像，建立患者模体；根据加速器治疗头参数，利用放疗剂量第一计算方法计算患者模体多射野的剂量分布h；根据加速器治疗头参数，利用放疗剂量第二计算方法计算患者模体多射野的剂量分布l；以l和患者的医学影像为输入，以h为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测模块，其用于根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体多射野的剂量分布l*；获取放疗剂量预测网络输出端预测得到的任一患者模体多射野的剂量分布h*。
9、第三方面，本专利技术提供了一种计算设备，包括：处理器，及存储有程序的存储器，处理器执行程序时，实现第一方面的方法。
10、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有程序，程序被执行时实现第一方面的方法。
11、本专利技术的有益效果如下：
12、本专利技术提供的技术方案可以包括以下有益效果：提出了一种放疗剂量预测方法，利用患者的医学影像和两种剂量计算方法输出的剂量分布训练深度学习神经网络，使得神经网络可以在输入患者医学影像和一种剂量计算方法计算的剂量分布时，预测另一种剂量计算方法得到的剂量分布。因此，实现了利用低精度算法预测高精度算法输出计算结果的技术效果，缓解了现有技术难以同时做到高精度和高效率的技术问题。
13、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
本文档来自技高网...【技术保护点】
1.一种放疗剂量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述放疗剂量第一计算方法为蒙特卡罗仿真方法。
3.根据权利要求1所述的方法，其特征在于，所述放疗剂量第二计算方法为射线追踪方法。
4.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络为TF U-Net，网络由三层下采样、三层上采样以及三个上下采样层之间带有门控机制的跳过连接组成，具有“U”形编码器-解码器路径。编码器以剂量分布L和患者的医学影像为输入，维度为RH×W×2。在编码阶段，网络先通过3×3的卷积层提取输入图像的低级特征，维度为RH×W×C。之后通过三次降采样分别将图像尺寸压缩到原尺寸的1/2、1/4和1/8，每次降采样后特征图像通道数翻倍，用以提取图像不同尺度上的高级特征。解码器以维度为的低分辨率潜在特征为输入，并逐渐恢复到原始尺寸RH×W×C。在解码阶段，网络通过添加了门控机制的跳过连接将编码与解码部分的特征融合。将编解码部分特征连接后，使用1×1卷积实现门控，对信息冗余部分进行抑制，同时将特征通道减少一半，提高了特征信息的有效性，也减
5.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络使用基于通道自注意力的Transformer模块在不同尺度上提取图像特征。通过所述Transformer模块对远程像素进行依赖性建模，增强网络学习捕获粒子传输和沉积过程的能力，解决了传统卷积层因感受野有限而难以对粒子传输路径建模的问题。所述模块并通过深度可分离卷积和特征矩阵维度变换解决了因剂量分布图尺寸较大导致计算量过大的问题，通过引入GELU作为激活函数缓解了梯度消失的问题。所述Transformer模块包括通道多头注意力和卷积前馈网络：
6.根据权利要求1所述的方法，其特征在于，在所述的送入深度学习神经网络训练得到放疗剂量预测网络之前，还包括：对所述L和H进行标定。
7.根据权利要求1所述的方法，其特征在于，所述模型训练的次数至少为1次。
8.一种放疗剂量预测装置，其特征在于，包括：
9.一种计算设备，包括：处理器，及存储有程序的存储器，其特征在于，所述处理器执行所述程序时，实现权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被执行时实现权利要求1～7中任一项所述的方法。
...【技术特征摘要】
1.一种放疗剂量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述放疗剂量第一计算方法为蒙特卡罗仿真方法。
3.根据权利要求1所述的方法，其特征在于，所述放疗剂量第二计算方法为射线追踪方法。
4.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络为tf u-net，网络由三层下采样、三层上采样以及三个上下采样层之间带有门控机制的跳过连接组成，具有“u”形编码器-解码器路径。编码器以剂量分布l和患者的医学影像为输入，维度为rh×w×2。在编码阶段，网络先通过3×3的卷积层提取输入图像的低级特征，维度为rh×w×c。之后通过三次降采样分别将图像尺寸压缩到原尺寸的1/2、1/4和1/8，每次降采样后特征图像通道数翻倍，用以提取图像不同尺度上的高级特征。解码器以维度为的低分辨率潜在特征为输入，并逐渐恢复到原始尺寸rh×w×c。在解码阶段，网络通过添加了门控机制的跳过连接将编码与解码部分的特征融合。将编解码部分特征连接后，使用1×1卷积实现门控，对信息冗余部分进行抑制，同时将特征通道减少一半，提高了特征信息的有效性，也减少了网络的计算量。最后，网络通过3×3的卷积层生成维度为rf×w×1的残差图像，在残差图像上叠加输入的剂量分布...
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。