[发明专利]基于深度神经网络的放疗剂量自动预测方法

权利要求书

1.基于深度神经网络的放疗剂量自动预测方法，其特征在于，包括如下步骤：

获取患者的CT图像；

基于CT图像勾画患者的靶区以及危及器官；

计算患者的非调制剂量，所述非调制剂量用于提供全局信息，根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成非调制剂量的计算；

基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型，所述剂量预测模型，包括输入/输出部分和模型部分；

所述输入/输出部分中：设x代表剂量预测任务的输入，y代表剂量标签，x包含4个部分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即，其中表示输入的CT图像，表示输入的靶区，表示输入的危及器官，表示输入的非调制剂量，基于深度神经网络的剂量预测模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y；

所述模型部分包括编码器、解码器以及二者中间的跨层连接，编码器用于从输入数据中提取具有平移不变性的抽象特征，解码器用于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值；

所述基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：

其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输入数据的宽度，φ表示一个新的特征提取网络，φ（a）表示用φ网络提取模型预测的剂量a的特征，φ（y）表示用φ网络提取标签剂量y的特征，以上公式由两项构成，第一项为均方误差项，用于缩小预测剂量与标签剂量的欧式距离，第二项为感知损失项，该项引入了一个新的网络φ，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中ρ为标量，用于平衡均方误差项与感知损失函数项的权重，φ取常规的深度神经网络模型，ρ取0至1之间的数值；

基于所述代价函数L（a，y），则求取其对于基于深度神经网络的剂量预测模型的权值θ的梯度，并利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：

其中，为0-1之间的标量，代表神经网络训练过程的学习率；

利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。

2.根据权利要求1所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述非调制剂量计为，是放疗计划逆向优化中的初始剂量分布，该剂量分布已对靶区、危及器官进行适形，放疗计划设计过程中使用作为初始值，通过逆向优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。

3.根据权利要求2所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息。