[发明专利]一种基于生成式对抗网络的肿瘤放疗计划自动设计方法

说明书

本发明涉及肿瘤学放射治疗技术领域，尤其涉及一种基于生成式对抗网络的肿瘤放疗计划自动设计方法。一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，包括以下步骤：S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。本发明提供了一种无需勾画的基于生成式对抗网络的肿瘤放疗计划自动设计方法，实现了肿瘤放射治疗过程中放疗计划的全自动设计。

技术领域

本发明涉及肿瘤学放射治疗技术领域，尤其涉及一种基于生成式对抗网络的肿瘤放疗计划自动设计方法。

背景技术

在过去的几十年中，调强放疗(IMRT)和容积调强放疗(VMAT)几乎可以适用于所有的肿瘤治疗部位。由于IMRT和VMAT中的剂量分布复杂，即使OAR与靶区相邻，也可以显着降低对正常组织的辐射剂量，特别是临床关注的危及器官(OAR)，从而降低了放疗后发生不良事件的风险。但是，这些独特的剂量分布导致IMRT和VMAT的治疗计划过程越来越复杂。为了获得理想的剂量分布，需要勾画许多结构(包括感兴趣的特定优化区域)来辅助放疗计划的优化，优化过程需要调整各种剂量限制参数，不断重复的优化过程非常耗时。

在最近的一段时间里，研究人员开始使用深度神经网络(DNN) 来预测剂量分布，从而产生了一个新的研究领域。这种剂量预测可以减少IMRT的迭代优化过程，Nguyen等人的报告指出，基于U-net 的体系结构能够预测前列腺癌患者的剂量分布，并且发现原始剂量与预测剂量之间的绝对差值的平均值小于处方剂量的5％。Mahmood等人通过使用生成对抗网络(GAN)框架预测了口咽癌患者的同时整和加量(simultaneous integrated boost,SIB)治疗的剂量分布，并将基于GAN的方法的预测性能与几种最新技术进行了比较。他们发现，在满足临床标准方面，GAN优于基于U-net的预测模型，并且GAN在所研究的方法中也具有最佳的整体性能。

虽然基于DNN的预测模型在预测剂量分布和原始剂量分布之间取得了良好的一致性，但在所有模型框架中，患者CT中的勾画信息是预测的必要条件。肿瘤靶区和正常器官结构的勾画非常耗时，例如，一个使用Eclipse(Varian Medical Systems,Palo Alto,CA)来进行治疗计划的前列腺患者，勾画过程平均需要大约4小时，而头颈癌患者的勾画则需要更长的时间。医生勾画靶区在整个治疗计划所需时间中占比了很大一部分，如肺部调强放疗的患者，医生平均花费的时间约7个小时，前列腺调强放疗的患者，医生平均花费的时间约为 8个小时，头颈部调强放疗的患者，医生平均花费的时间约为18个小时。如果可以在没有患者勾画信息的情况下预测剂量分布，则将节省大量的时间，使医生和物理师可以将他们的专长集中在更具挑战性的病例或要求更高的任务上。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种无需勾画的基于生成式对抗网络的肿瘤放疗计划自动设计方法。

为了实现以上目的，本发明采用以下技术方案：

一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，包括以下步骤：

S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；

S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；

S3、根据步骤S2的结果设计放疗计划；

其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。