[发明专利]一种引入伽玛通过率优化目标的放射治疗计划优化系统

权利要求书

1.一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，包括：图像处理模块、射野布置模块、剂量计算模块、伽玛通过率预测模块、处方剂量设置模块、伽玛通过率设置模块、计划优化模块和计划输出模块；

所述图像处理模块用于获取患者影像资料和分割影像的感兴趣区域ROI；

所述射野布置模块用于设置放射治疗计划的射野参数；

所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布；

所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率；

所述处方剂量设置模块用于设置处方剂量目标；

所述伽玛通过率设置模块用于设置不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率目标R_jk，R_jk表示第j个感兴趣区域ROI的第k个伽玛通过率目标的参数值；

所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，得到最优计划；

所述计划输出模块用于输出最优计划；

所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布，包括：采用如下公式进行计算：

其中d_i为计算体积内第i个感兴趣点POI的剂量计算值，f_j(j＝1,…,N_b)表示射野强度分布，f_j为第j个单元束的强度，N_b为单元束的总数；k_ji为剂量沉积核密度表示单位强度的第j个单元束给予第i个感兴趣点POI的照射剂量；

所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，具体包括如下步骤：

步骤1：获取历史计划的射野强度分布、测量点位置信息和测量点伽玛值；

步骤2：将步骤1得到的数据预处理为样本，并将样本划分为训练集和测试集；

步骤3：建立深度学习模型，所述训练集用于训练深度学习模型，所述测试集用于测试所述深度学习模型预测的准确性；

步骤4：将待预测放射治疗计划的射野强度分布和不同感兴趣区域ROI内感兴趣点POI的位置信息输入训练好的深度学习模型，预测感兴趣点POI的伽玛值，实现个体化的计算不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，公式如下：

其中r_jk表示第j个感兴趣区域ROI的第k个伽玛通过率计算值，T_jk表示计算对应伽玛通过率采用的伽玛限值；δ(·)表示当括号中条件满足时取值为1，否则取值为0；g_ji表示第j个感兴趣区域ROI内第i个感兴趣点POI的预测伽玛值；NP_j表示第j个感兴趣区域ROI内的感兴趣点POI的总数，NT_j表示第j个感兴趣区域ROI的伽玛通过率目标的总数；

步骤2包括：将射野强度分布和测量点位置信息，以测量点为中心，插值、裁剪和集成为多通道特征块作为样本的输入值，将测量点伽玛值作为样本的目标值；

步骤3中，所述深度学习模型使用U-Net神经网络，包括：输入层、编码层、解码层、跳跃连接和输出层；

所述处方剂量设置模块用于设置处方剂量目标，具体包括：肿瘤靶区处方剂量D_P、肿瘤靶区照射剂量大于D_L的体积的最小值约束肿瘤靶区照射剂量大于D_U的体积的最大值约束危及器官OAR照射剂量大于D的体积的最大值约束

所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，具体公式如下：

其中F_D为肿瘤靶区PTV接受均匀处方剂量D_P照射的子目标函数，w_i为对应感兴趣点的目标权重，N_D为肿瘤靶区内感兴趣点总数；F_R为不同感兴趣区域ROI的伽玛通过率子目标函数，r_jk表示对应伽玛通过率目标的计算值，w_jk为对应的目标权重，NR表示感兴趣区域ROI的总数，NT_j为第j个感兴趣区域ROI的伽玛通过率目标的总数；由F_D和F_R加权构成待优化的总体目标函数F；w_D和w_R为子目标函数权重；

在优化过程中，使用非线性优化算法调用剂量计算模块计算d_i和伽玛通过率预测模块计算r_jk，按迭代公式更新射野强度分布f_j(j＝1,…,N_b)，得到最优计划。