[发明专利]一种基于深度学习的放疗三维剂量预测方法

说明书

本发明提供一种基于深度学习的放疗三维剂量预测方法，该方法包括：获取过往患者的CT数据和对应的剂量分布图，以形成数据集；对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；建立U‑Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U‑Net神经网络模型进行交叉验证，以自适应调整所述U‑Net神经网络模型的结构；然后将待预测患者的CT数据输入所述U‑Net神经网络模型得到预测的三维剂量分布图。进而引入贝叶斯神经网络结构进行模型的鲁棒性测试，以增加其临床的使用安全性和鲁棒性。本发明能提升肿瘤放疗计划设计的质量和效率，提高临床治疗安全性。

技术领域

本发明涉及智能医疗技术领域，尤其涉及一种基于深度学习的放疗三维剂量预测方法。

背景技术

恶性肿瘤的放疗计划设计是放疗过程中的最关键步骤之一，其质量决定了整个治疗的效果，但传统的手动计划设计费时费力，且计划质量对物理师临床经验要求比较高，不同物理师之间容易出现计划设计质量参差不齐的问题。为保障患者疗效和安全，减少肿瘤复发和正常组织损伤，需对患者治疗计划进行剂量预测和评佑。因此如何实现放疗自动计划的剂量预测与质量评估，在提升肿瘤放疗计划设计的质量和效率的同时，保证自动计划的临床治疗安全。

发明内容

本发明提供一种基于深度学习的放疗三维剂量预测方法，解决现有放射治疗对患者治疗进行剂量在不同物理师之间易出现参差不齐的问题，能提升肿瘤放疗计划设计的质量和效率，增加临床治疗安全。

为实现以上目的，本发明提供以下技术方案：

一种基于深度学习的放疗三维剂量预测方法，包括：

获取过往患者的CT数据和对应的剂量分布图，以形成数据集；

对所述数据集进行预处理，并按设定比例分成训练集、验证集和测试集，以作为训练样本、验证样本和测试样本；

建立U-Net神经网络模型，利用所述训练样本进行训练学习，并根据所述验证样本对所述U-Net神经网络模型进行交叉验证，以自适应调整所述U-Net神经网络模型的结构；

将待预测患者的CT数据输入所述U-Net神经网络模型得到预测的三维剂量分布图。

优选的，还包括：

建立贝叶斯神经网络模型，并对所述数据集展开预测，以得到参考剂量分布图；

将所述参考剂量分布图与所述数据集在所述U-Net神经网络模型得到的三维剂量分布图进行置信度评估；

如果所述置信度处于设定范围内，则所述U-Net神经网络模型的预测结果的质量评估达到要求。

优选的，还包括：

根据所述参考剂量分布图和所述三维剂量分布图的两组数据分别进行戴斯相似度系数DSC和剂量分布γ通过率计算，以对两组数据的预测精度进行估算。

优选的，所述戴斯相似度系数DSC，根据以下公式进行计算：DSC(A,B)＝2|A∩B|/(|A|+|B|)，其中A,B分别为预测剂量分布和参考剂量分布。

优选的，剂量分布γ通过率取值范围为：2％/2毫米～3％/2毫米。

优选的，还包括：

取两组数据中的最大预测精度作为评估模型鲁棒性的依据，如果所述戴斯相似度系数DSC和所述平面剂量γ通过率均处于标准区间，则判定模型的置信度好，模型的预测结果的质量评估达到要求。

优选的，所述对所述数据集进行预处理，包括：

将CT图像进行分辨率统一和图像尺寸统一，以使CT数据集与剂量分布图形成不同层面的准确对应。