[发明专利]基于深度网络学习的调强放疗计划三维剂量分布预测方法

说明书

本发明提供一种基于深度学习的调强放疗计划三维剂量分布的预测方法。该方法包括：收集有效的调强放疗计划数据形成病例数据库；从病例数据库提取每个患者的感兴趣区域的三维解剖结构轮廓特征；将患者的感兴趣区域的三维解剖结构轮廓划分为若干的二维轮廓切片图；从病例数据库提取每个患者的剂量特征，并划分为若干的二维剂量切片分布图；搭建深度卷积网络，输入患者的二维轮廓切片图和对应的二维剂量切片分布图，通过模型训练获得解剖结构轮廓特征和剂量特征之间的关联模型；使用所训练的关联模型预测新患者的三维剂量分布。利用本发明的方法，能够有效的获得解剖结构特征与剂量特征之间的关联关系，提高剂量预测的精确性。

技术领域

本发明涉及智能放射治疗技术领域，具体涉及基于深度网络学习的调强放疗计划中三维剂量分布的预测方法。

背景技术

肿瘤放射治疗，以其独特的优点成为了世界卫生组织提出肿瘤治疗中的主要手段之一，其主要目标就是在保证靶区能够达到特定剂量的同时，尽可能的降低周围正常组织的剂量沉积，提高肿瘤的局部控制率。调强放疗即调强适形放射治疗，是三维适形放疗的一种，要求辐射野内剂量强度按一定要求进行调节。它使得放疗剂量的分布与靶区的形状相一致，靶区内接受分布均匀的高的剂量，保证对肿瘤细胞的杀伤，提高放疗的治疗效果。

在现有技术中，放疗计划的质量往往取决于计划设计人员的知识水平和经验积累，难以保证所有计划的高质量性。同时临床计划多服从于统一的规范标准，这导致了计划设计在虽然满足临床规范的情况下，却难以满足患者个体之间的差异达到最优计划。质量控制和质量保证也是精准放疗中极为重要的一个过程，其中IMRT(调强适形放射治疗)的剂量验证作为当前临床放疗技术质量控制与质量审核的主要方式是保证患者所受剂量达到标准的关键步骤。

研究表明，患者的可达剂量与其几何解剖结构特息息相关，通过挖掘潜在病例，构建器官间几何解剖结构与对应放疗计划剂量学信息的关联模型，可以实现剂量预测从而为剂量学验证和质量控制提供标准，满足患者的个体化特异性需求，同时为放疗自动化提供基础。

2011年，zhu等人在Med Phys刊物上发表的“A planning quality evaluationtool for prostate adaptive IMRT based on machine learning”，介绍了一种使用支持向量机模型从危及器官(OAR)的解剖数据中学习其剂量体积直方图DVH的方法，该方法从距离和体积上描述危及器官(OAR)和靶区(PTV)的空间关系。但该方法选用的剂量特征是经过提取的二维信息，不能充分反映剂量分布的三维空间上的表现情况。2017年，宋婷等人在专利CN107441637A(“一种调强放疗计划中三维剂量分布的预测方法及其应用”)中，提出了一种通过提取体素点解剖特征和剂量特征，并使用神经网络预测三维剂量分布的方法。但该方法中的解剖特征是人工通过临床经验手动提取的，并不能完全表达解剖结构与剂量沉积的关系，而且需要对不同的危及器官多次重复建模，在临床应用上比较繁琐。

因此，需要对现有技术进行改进，以提供有效的调强放疗计划三维剂量分布预测方法。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种适用于调强放疗计划的三维剂量分布预测方法，以解决现有技术中解剖信息描述不全面，不能同时预测多个感兴趣区域等问题。

根据本发明的第一方面，提供了一种基于深度学习的调强放疗计划中三维剂量分布的预测方法。该方法包括以下步骤：

步骤S1：收集有效的调强放疗计划数据形成病例数据库；

步骤S2：从所述病例数据库提取每个患者的感兴趣区域的三维解剖结构轮廓特征，包括靶区轮廓、躯干轮廓、危及器官的轮廓；

步骤S3：根据需要的图像大小，将患者的感兴趣区域的三维解剖结构轮廓划分为若干的二维轮廓切片图；