基于深度学习的多叶准直器照射误差分类方法及相关装置制造方法及图纸

本申请公开了一种基于深度学习的多叶准直器照射误差分类方法及相关装置，涉及放疗设备质量控制领域，将第一分辨率辐射测量剂量分布图应用超分辨重建模型提升分辨率，根据提升分辨率的第二分辨率辐射测量剂量分布图和对应的辐射计算剂量分布图得出剂量差图和伽马分布图；根据放疗计划文件得出多叶准直器叶片位置与子野权重图；将剂量差图、伽马分布图和多叶准直器叶片位置与子野权重图输入到包含CNN路径和Transformer路径的误差分类网络模型中，得出多叶准直器照射误差的类型。本发明专利技术中，多叶准直器叶片位置与子野权重图的引入、超分辨重建模型和误差分类网络模型的引入，提高了误差分类的准确性。

【技术实现步骤摘要】

本申请涉及放疗设备质量控制，特别是涉及一种基于深度学习的医用电子直线加速器多叶准直器照射误差分类方法及相关装置。

技术介绍

1、调强放射治疗（intensity modulated radiation therapy，imrt）是肿瘤放疗中一种重要的治疗方式，其可以在大剂量照射肿瘤的基础上最大化减少周围危及器官的剂量。由于在imrt中使用了许多控制点用于剂量调制，为了患者的安全和治疗效率需要保证电子直线准确的执行复杂的放疗计划。目前常采用的方法是基于测量的伽马分析方法，但该方法检测精度不足且无法分类这些误差产生的来源与类型。这些误差包括了多叶准直器的叶片位置误差、输出剂量误差、多叶准直器参数误差等。若通过使用伽马方法检测到治疗计划误差，需要物理师手工检测误差产生的类型与来源，检测效率低，进一步的影响了治疗效率和治疗的及时性。

2、近些年来，有研究团队致力于解决imrt中多叶准直器的叶片位置误差的自动检测与分类。具体的，现有发表文章“deep learning for patient-specific qualityassurance: iden本文档来自技高网...

【技术保护点】

1.一种基于深度学习的多叶准直器照射误差分类方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的多叶准直器照射误差分类方法，其特征在于，所述生成器包括依次串联连接的第二Stem模块、第二残差通道注意力模块组、PatchEmbedding模块、第三SwinT Block模块组、特征图通道调整模块、第一加法层和多个第一上采样模块；所述第二残差通道注意力模块组包括多个依次串联连接的第二残差通道注意力模块；所述第三SwinT Block模块组包括多个依次串联连接的第三SwinT Block模块；所述第一加法层的输入端还连接所述第二Stem模块的输出端；

3.根...

【技术特征摘要】

1.一种基于深度学习的多叶准直器照射误差分类方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的多叶准直器照射误差分类方法，其特征在于，所述生成器包括依次串联连接的第二stem模块、第二残差通道注意力模块组、patchembedding模块、第三swint block模块组、特征图通道调整模块、第一加法层和多个第一上采样模块；所述第二残差通道注意力模块组包括多个依次串联连接的第二残差通道注意力模块；所述第三swint block模块组包括多个依次串联连接的第三swint block模块；所述第一加法层的输入端还连接所述第二stem模块的输出端；

3.根据权利要求1所述的基于深度学习的多叶准直器照射误差分类方法，其特征在于，所述第一残差通道注意力模块包括依次串联连接的第二cbr模块、第三cbr模块、第四cbr模块、avepool层、linear层、第二激活层、sigmod层、乘法层、第二加法层和第三激活层；

4.根据权利要求1所述的基于深度学习的多叶准直器照射误差分类方法，其特征在于，所述第一swint block模块包括依次串联连接的两个swint block子模块；每一所述swintblock子模块均包括依次串联连接的第一layernorm层、窗口多头自注意力层、第三加法层、第二layernorm层、多层感知机和第四加法层；

5.根据权利要求1所述的基于深度学习的多叶准直器照射误差分类方法，其特征...

【专利技术属性】
技术研发人员：闫冰，彭虎，张嘉欣，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：