[发明专利]基于深度神经网络的放疗剂量自动预测方法

说明书

本发明涉及放疗中的剂量预测领域，提出一种基于深度神经网络的放疗剂量自动预测方法，包括如下步骤：首先，获取患者的CT图像；其次，基于CT图像勾画患者的靶区以及危及器官；然后，计算患者的非调制剂量，其中，非调制剂量用于提供全局信息；然后，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；最后，利用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。本发明能够基于基于深度神经网络自动预测患者剂量分布，该过程不需要人工提取特征或设定参数，预测得到的剂量分布可加速患者的放疗计划制定，并且，模型在输入部分采用了非调制剂量，能够提供更多全局信息用于精准预测剂量分布情况。

技术领域

本发明涉及放疗中的剂量预测领域，具体涉及一种基于深度神经网络的放疗剂量自动预测方法。

背景技术

放射治疗简称放疗，是肿瘤治疗的主要手段之一，其工作原理是通过高能放射线照射肿瘤，破坏肿瘤的DNA结构，从而达到杀死肿瘤细胞并保护非肿瘤组织的目的。放疗具有适用范围广、副作用小、低创无痛等优点，可有效提高患者的治愈率，延长患者寿命。

在临床应用中，放疗实施之前需要专业人员制定放疗计划，即根据医生勾画的患者靶区以及危及器官，结合处方剂量，优化各放射线的角度、强度等信息，得到满足患者需求的治疗方案。放疗计划的质量往往取决于计划设计人员的经验，这导致不同人员制定的放疗计划往往差异较大，难以满足患者个体之间的差异。研究表明，通过建模学习患者靶区和危及器官等解剖结构对剂量的影响，可在计划设计之前预测患者的剂量信息，提高放疗计划的质量。根据患者的靶区和危及器官等信息预测该患者的待接收放疗剂量，则称为剂量预测。

放疗计划设计常使用逆向优化技术来满足放疗剂量要求，然而逆向优化涉及到众多治疗参数的调整，且需要计划制定者与医生多轮交流才能得到满足临床要求的治疗计划，这一过程最终耗时可能超过一个星期，影响患者及时接受治疗。面对这些局限，许多研究工作致力于预测患者的最优剂量分布，从而指导逆向优化过程，达到缩短计划制定时间、减少主观因素对计划质量影响的目的。

现有技术方案中：剂量体积直方图（DVH）是一种二维直方图，横轴为剂量值，纵轴为大于等于该剂量的像元占比（%），当前已有学者研究靶区和危及器官与DVH曲线之间的关系，但DVH曲线仅包含统计意义上的剂量信息，无法提供剂量的位置分布信息，这对于临床应用而言是不够的，如膀胱癌和鼻咽癌等病种要求提供剂量的空间分布信息来帮助医生判断放疗计划的质量。此外，也有学者通过深度神经网络模型建立靶区和危及器官与剂量之间的关系，即输入患者的CT图像、靶区、危及器官，输出则为该患者的剂量分布，这些研究表明深度神经网络可以学习到靶区/危及器官的剂量分布。

但是，注意到输入所包含的靶区与危及器官仅能提供患者解剖结构的“局部”结构信息，然而输出为患者的“全局”剂量分布，学习“局部”到“全局”的映射关系对深度神经网络模型提出了挑战。此外，输入数据中未包含与X射线穿透区域有关的信息，这加大了模型的学习难度。

因此，现有技术的客观缺点：现有工作研究靶区和危及器官与DVH曲线之间的关系，DVH曲线仅包含统计意义上的剂量信息，无法满足临床应用中对于剂量位置分布的要求。使用深度神经网络预测患者剂量的工作中，输入数据未能提供与剂量相关的“全局”信息，且输入数据中未包含与X射线穿透区域有关的信息。

发明内容

本发明的目的是提供一种基于深度神经网络的放疗剂量自动预测方法，能够通过提供包含于剂量相关的全局信息，使用深度神经网络自动预测患者的剂量。

本发明解决其技术问题，采用的技术方案是：

基于深度神经网络的放疗剂量自动预测方法，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；