CN107875525A - 计算放射剂量的方法、装置、计算机设备及可读存储介质 - Google Patents
计算放射剂量的方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN107875525A CN107875525A CN201711108018.3A CN201711108018A CN107875525A CN 107875525 A CN107875525 A CN 107875525A CN 201711108018 A CN201711108018 A CN 201711108018A CN 107875525 A CN107875525 A CN 107875525A
- Authority
- CN
- China
- Prior art keywords
- value
- algorithm
- calculated value
- neutral net
- calculated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
- A61N2005/1034—Monte Carlo type methods; particle tracking
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本申请涉及一种计算放射剂量的方法、装置、计算机设备及可读存储介质。上述方法包括:针对同一个训练放射例,采用第一算法计算出放射剂量的快速计算值,采用第二算法计算出放射剂量的参考计算值;利用多个训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;采用第一算法计算出当前放射例的放射剂量的待修正计算值后,利用误差修正神经网络模型对待修正计算值进行修正。上述方法分别采用两种算法对多个放射例进行剂量计算,得到训练数据以训练出误差修正神经网络模型,在之后的放射治疗中,通过此神经网络模型对第一算法的计算结果进行修正,从而使放射剂量的计算即能实现第一算法的速度,又能接近第二算法的精度。
Description
技术领域
本申请涉及放射医学领域,特别是涉及一种计算放射剂量的方法、装置、计算机设备及可读存储介质。
背景技术
放射治疗是一种常用的肿瘤治疗手段,放射剂量的计算在放射医学中占有非常重要的地位,放射剂量不足易导致肿瘤复发,放射剂量过多又常引起放射损伤,为保证放射治疗的疗效,通常计算放射剂量的精确度需要控制在5%以内,快速准确的计算放射剂量是放射医学重要的发展方向。
传统的计算放射剂量的方法包括笔形束(Pencil Beam)、卷积(ConeConverlution)和蒙特卡罗(Monte Carlo),其中笔形束算法和卷积算法是基于解析方法或经验方法,计算速度快,但由于人体内部射线散射及次级辐射过程的复杂性等原因,或者受到射线传输中电子失衡等物理过程的影响,导致利用卷积和笔形束算法计算放射剂量精度较差,特别是在密度不均匀的组织中和靠近不同组织分界面附近,计算精度误差甚至可达11%~32%。而蒙特卡罗算法是基于统计模拟方法,通过随机模拟大量粒子与物质相互作用的物理全过程,可以准确计算射束与介质作用后的能量沉积,反映了最真实的剂量分布,计算精度误差可以小于1%,计算结果相对精确,但计算过程复杂且速度较慢,所以通常被用于模拟验证,极少在临床中使用。
发明内容
基于此,有必要针对上述技术问题,提供一种计算放射剂量的方法、装置、计算机设备及可读存储介质,不仅能够保证较高的计算精度。同时又可以达到较快的计算速度。
一种计算放射剂量的方法,包括:
针对同一个训练放射例,采用第一算法计算出所述训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;
利用多个所述训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;
采用所述第一算法计算出当前放射例的放射剂量的待修正计算值后,利用所述误差修正神经网络模型对所述待修正计算值进行修正。
上述计算放射剂量的方法,分别采用第一算法例如笔形束算法和第二算法例如蒙特卡罗算法对多个放射例进行放射剂量计算,得到大量训练数据以训练出放射剂量计算误差修正的神经网络模型,之后在实际的放射治疗中,通过此神经网络模型对第一算法计算的放射剂量结果进行误差修正,从而使放射剂量的计算即能实现第一算法的速度,又能达到接近第二算法的精度。
在其中一个实施例中,所述利用多个所述训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型,包括:
创建所述神经网络;
以所述快速计算值作为所述神经网络的输入,获取所述神经网络的输出误差值;
判断所述神经网络的输出误差值是否均小于预设值;
在所述神经网络的输出误差值中存在输出误差值大于或等于所述预设值的情况下,调整所述神经网络,并以所述快速计算值作为调整后的神经网络的输入,获取所述调整后的神经网络的输出误差值并重新判断调整后的神经网络的输出误差值是否均小于所述预设值;
在所述神经网络的输出误差值均小于所述预设值情况下,将所述神经网络保存为所述误差修正神经网络模型。
在其中一个实施例中,所述采用所述第一算法计算出当前放射例的放射剂量的待修正计算值后,利用所述误差修正神经网络模型对所述待修正计算值进行修正,包括:
将所述待修正计算值输入到所述误差修正神经网络模型,以获取放射剂量计算的修正值;
将所述修正值与所述待修正计算值相加,以得到最终的放射剂量值。
在其中一个实施例中,在基于同一放射例的情况下,采用所述第一算法计算出所述快速计算值所消耗的时间小于采用所述第二算法计算出所述参考计算值所消耗的时间;以及
相对于所述放射例的实际放射剂量,所述快速计算值的误差大于所述参考计算值的误差。
在其中一个实施例中,所述第一算法是笔形束算法,所述第二算法是蒙特卡罗算法。
一种计算放射剂量的装置,包括:
训练计算模块,用于在针对同一个训练放射例时,采用第一算法计算出所述训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;
模型训练模块,用于利用多个所述训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;
结果修正模块,用于采用所述第一算法计算出当前放射例的放射剂量的待修正计算值后,利用所述误差修正神经网络模型对所述待修正计算值进行修正。
上述计算放射剂量的装置,分别采用第一算法例如笔形束算法和第二算法例如蒙特卡罗算法对多个放射例进行放射剂量计算,得到大量训练数据以训练出放射剂量计算误差修正的神经网络模型,之后在实际的放射治疗中,通过此神经网络模型对第一算法计算的放射剂量结果进行误差修正,从而使放射剂量的计算即能实现第一算法的速度,又能达到接近第二算法的精度。
在其中一个实施例中,所述模型训练模块包括:
网络创建单元,用于创建所述神经网络;
误差计算单元,用于以所述快速计算值作为所述神经网络的输入,获取所述神经网络的输出误差值;
误差判断单元,用于判断所述神经网络的输出误差值是否均小于预设值;
网络调整单元,用于在所述神经网络的输出误差值中存在输出误差值大于或等于所述预设值的情况下,调整所述神经网络;
模型保存单元,用于在所述神经网络的输出误差值均小于所述预设值情况下,将所述神经网络保存为所述误差修正神经网络模型;
其中,所述误差计算单元还用于在网络调整单元调整所述神经网络后,以所述快速计算值作为调整后的神经网络的输入,重新获取所述调整后的神经网络的输出误差值。
在其中一个实施例中,所述结果修正模块包括:
修正获取单元,用于将所述待修正计算值输入到所述误差修正神经网络模型,以获取放射剂量计算的修正值;
修正叠加单元,用于将所述修正值与所述待修正计算值相加,以得到最终的放射剂量值。
在其中一个实施例中,在基于同一放射例的情况下,所述训练计算模块采用所述第一算法计算出所述快速计算值所消耗的时间小于采用所述第二算法计算出所述参考计算值所消耗的时间;
其中,相对于所述放射例的实际放射剂量,所述快速计算值的误差大于所述参考计算值的误差。
在其中一个实施例中,所述第一算法是笔形束算法,所述第二算法是蒙特卡罗算法。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任意一项方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一一项所述方法的步骤。
附图说明
图1为一个实施例中计算放射剂量的方法的流程示意图;
图2为一个实施例中计算放射剂量的方法的步骤S14的流程示意图;
图3为一个实施例中计算放射剂量的方法的步骤S16的流程示意图;
图4为一个实施例中计算放射剂量的装置的结构示意图;
图5为一个实施例中计算放射剂量的装置中的模型训练模块的结构示意图;
图6为一个实施例中计算放射剂量的装置中的结果修正模块的结构示意图;
图7为一个实施例中计算放射剂量的方法的具体流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中的示意图,如图1所示,一种计算放射剂量的方法,包括以下步骤:
步骤S12:针对同一个训练放射例,采用第一算法计算出训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值。
具体地,由于训练神经网络模型需要获取训练数据,故而在本实施例中可通过先获取一定数量的训练放射例,并分别采用第一算法和第二算法对训练放射例进行剂量计算,进而获取每个训练放射例放射剂量的快速计算值和参考计算值,即在同一个训练放射例的基础上,可采用第一算法对放射剂量计算得到快速计算值,可采用第二算法对放射剂量进行计算得到参考计算值。其中,第一算法相较于第二算法的计算速度较快但精度较差,例如第一算法可以是诸如笔形束算法或者卷积算法等速度较快但精度较差的放射剂量计算方法,第二算法可以是蒙特卡罗算法等精度较高但速度较慢的放射剂量计算方法。
进一步地,上述训练放射例可以是实际的放射治疗临床病例或者相关实验病例等,且每个训练放射例包括采用第一算法和第二算法进行剂量计算所需要的全部参数和信息等数据。由于在所获取训练放射例放射剂量的快速计算值和参考计算值中,快速计算值与参考计算值是一一对应的关系,故基于同一个训练放射例所计算得出的快速计算值与参考计算值可作为一组数据,并将所有训练放射例的快速计算值和参考计算值作为训练数据保存。
步骤S14:利用多个训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型。
具体地,基于步骤S12所获取的训练放射例的快速计算值和参考计算值,以快速计算值作为输入训练神经网络获得神经网络模型,该神经网络模型可以对第一算法的计算误差进行修正。由于训练神经网络模型需要足够数量的训练数据,所以用于训练的训练放射例的数量应该足够多,一般可以达到上千例,例如1000例、2000例,甚至更多。在一个可选的实施例中,可使用反向传播(back propagation,简称BP)神经网络来进行误差修正,BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。例如,可将训练数据中的快速计算值作为BP神经网络的输入,通过计算输出误差,并在输出误差不满足放射剂量的计算精度需求时调整神经网络,并对调整后的神经网络继续进行训练,即在经过大量的训练数据训练后,使得输出误差满足放射剂量的计算精度需求时,将此时神经网络保存为误差修正神经网络模型。可以理解的是,除了BP神经网络,本申请技术方案中的神经网络也可以是满足通过训练数据使输出误差减小到满足要求的其他类型神经网络。
步骤S16:采用第一算法计算出当前放射例的放射剂量的待修正计算值后,利用误差修正神经网络模型对待修正计算值进行修正。
具体地,在步骤S14训练得到满足要求的误差修正神经网络模型后,可将此神经网络模型应用于实际的放射治疗中,以对采用第一算法进行剂量计算的结果进行误差修正。在新的放疗计划中,采用第一算法对实际放射例进行放射剂量计算,将得到的结果保存为放射剂量的待修正计算值,此计算过程速度较快,但得到的待修正计算值的误差较大。然后将得到的待修正计算值输入到步骤S15训练的误差修正神经网络模型中,经过误差修正神经网络模型的计算,可对采用第一算法得到的待修正计算值进行修正,从而得到符合放射剂量计算精度需求的放射剂量计算结果,因此本实施例中的放射剂量计算方法既保持了第一算法的计算速度,又能达到接近第二算法的计算精度。
上述计算放射剂量的方法,分别采用第一算法例如笔形束算法和第二算法例如蒙特卡罗算法对多个放射例进行放射剂量计算,得到大量训练数据以训练出放射剂量计算误差修正的神经网络模型,之后在实际的放射治疗中,通过此神经网络模型对第一算法计算的放射剂量结果进行误差修正,从而使放射剂量的计算即能实现第一算法的速度,又能达到接近第二算法的精度。
图2为一个实施例中计算放射剂量方法的步骤S14的流程示意图,如图2所示,在一个实施例中,步骤S14具体包括以下步骤:
步骤S141:创建神经网络。
具体地,创建用于误差修正的神经网络,此神经网络通常为BP神经网络,神经网络由输入层、输出层以及之间的若干隐含层组成,神经网络的计算过程由正向计算过程和反向计算过程组成,正向传播从输入层经隐含层逐层处理,并转向输出层,如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小,创建误差修正神经网络后初始化各层的权值和阈值。
步骤S142:以快速计算值作为神经网络的输入,获取该神经网络的输出误差值。
具体地,将步骤S12中得到的训练数据输入到步骤S141创建的神经网络中,因为此神经网络用于对第一算法的放射剂量计算结果进行误差修正,所以输入的数据为所有放射例的快速计算值,输出的为与每个快速计算值相对应的修正值,将快速计算值输入到神经网络中后计算神经网络的输出误差,输出误差是神经网络输出的修正值相对于实际计算误差的差值,实际计算误差即输入的快速计算值与同一放射例的参考计算值之间的的差值。
步骤S143:判断神经网络的输出误差值是否均小于预设值。
具体地,将步骤S142中计算得到的输出误差与预设值进行比较,预设值是基于所述参考计算值和预设的计算精度确定的,既预设值为在计算放射剂量允许的精度范围内,计算结果的误差可以达到的最大值,一般放射剂量计算精度需要控制在5%以内,比如放射剂量计算精度为3%或1%等,此时预设值即为参考计算值与计算精度的乘积,如果所有训练放射例的神经网络的输出误差中存在大于或等于预设值的情况,即表示修正后的放射剂量计算结果不满足精度需求,则进入步骤S144对神经网络进行调整,如果所有训练放射例的神经网络的输出误差均小于预设值,即表示修正后的放射剂量计算结果满足精度需求,则进入步骤S145。
步骤S144:在神经网络的输出误差值中存在输出误差值大于或等于预设值的情况下,调整神经网络,并以快速计算值作为调整后的神经网络的输入,获取调整后的神经网络的输出误差值并重新判断调整后的神经网络的输出误差值是否均小于预设值。
具体地,如果神经网络的输出误差中存在大于或等于预设值的情况,修正后的放射剂量计算结果不能满足精度需求,此时的神经网络不能够对第一算法的计算结果起到合适的修正作用,则根据神经网络的特点,调整隐含层和输出层的权值和阈值,重新输入训练数据的快速计算值,计算输出误差并判断其与预设值的大小。如果调整后的神经网络的输出误差均小于预设值,则进入步骤S145;如果调整后的神经网络的输出误差中仍然存在大于或等于预设值的情况,则继续调整神经网络,直至使输出误差均小于预设值时,进入步骤S145。
步骤S145:在神经网络的输出误差值均小于预设值情况下,将神经网络保存为误差修正神经网络模型。
具体地,当神经网络的输出误差均小于预设值时,即修正后的放射剂量计算结果满足精度需求,故可将此时的神经网络保存为误差修正神经网络模型,该误差修正神经网络模型在后续放疗计划中可用于对第一算法的放射剂量计算结果进行修正,以使得到的计算结果符合对放射剂量计算的精度需求。
图3为一个实施例中放射剂量计算方法的步骤S16的流程示意图,如图3所示,在一个实施例中,步骤S16具体包括以下步骤:
步骤S161:将待修正计算值输入到误差修正神经网络模型,以获取放射剂量计算的修正值。
具体地,训练得到满足要求的误差修正神经网络模型后,在新的放疗计划中,采用第一算法对当前的实际放射例进行放射剂量计算,将得到的结果保存为待修正计算值,此计算过程速度较快,但得到的计算值误差较大。然后将此待修正计算值输入到步骤S14保存的误差修正神经网络模型中,经过神经网络模型的计算,输出针对输入的待修正计算值的修正值,此修正值在放射剂量计算实际误差的精度需求范围内。
步骤S162:将修正值与待修正计算值相加,以得到最终的放射剂量值。
具体地,将步骤S161中获取的修正值与采用第一算法计算出的待修正计算值相加,得到最终的放射剂量值,由于误差修正神经网络模型的输出误差小于预设值,所以此修正后的最终放射剂量值接近采用第二算法对放射剂量进行计算的结果,即能够满足对放射剂量计算精度的需求。
在一个实施例中,在基于同一放射例的情况下,采用第一算法计算出快速计算值所消耗的时间小于采用第二算法计算出参考计算值所消耗的时间;以及相对于放射例的实际放射剂量,快速计算值的误差大于参考计算值的误差。
在一个实施例中,上述第一算法是笔形束算法,上述第二算法是蒙特卡罗算法。
具体地,本申请的技术方案中,主要采用第一算法计算速度快但精度较差,第二算法计算精度高但速度较慢的特点,因此通过训练得到的误差修正神经网络模型可以对第一算法计算的放射剂量结果进行修正,所以第一算法可以是笔形束算法,第二算法可以是蒙特卡罗算法。可以理解的是,其他放射剂量计算的方法如果符合第一算法和第二算法的特点,也可以应用在本申请的技术方案中,例如第一算法是卷积算法,第二算法是蒙特卡罗算法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,该计算机设备包括处理器和存储器,所述存储器存储有可在处理器上运行的计算机程序,所述计算机程序被处理器执行时,可使得处理器执行如下步骤:针对同一个训练放射例,采用第一算法计算出训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;利用多个训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;采用第一算法计算出当前放射例的放射剂量的待修正计算值后,利用误差修正神经网络模型对待修正计算值进行修正。
在一个实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时可使得处理器执行如下步骤:针对同一个训练放射例,采用第一算法计算出训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;利用多个训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;采用第一算法计算出当前放射例的放射剂量的待修正计算值后,利用误差修正神经网络模型对待修正计算值进行修正。
图4为一个实施例中计算放射剂量的装置的结构示意图,在一个实施例中,如图4所示,一种计算放射剂量的装置50可以包括训练计算模块52、模型训练模块54以及结果修正模块56等。上述训练计算模块52可用于在针对同一个训练放射例时,采用第一算法计算出训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;模型训练模块54可用于利用多个训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;结果修正模块56可用于采用第一算法计算出当前放射例的放射剂量的待修正计算值后,利用误差修正神经网络模型对待修正计算值进行修正。
具体地,训练计算模块52分别采用第一算法和第二算法对大量训练放射例进行放射剂量计算,其中采用第一算法计算得到快速计算值,采用第二算法计算得到参考计算值,将所有的训练放射例的快速计算值和参考计算值作为训练数据保存并输入到模型训练模块54,模型训练模块54创建神经网络并将训练数据中的快速计算值输入其中,计算输出误差,并据此调整神经网络,直至所有训练放射例的输出误差均满足剂量计算的精度需求时,保存此时的误差修正神经网络模型,在新的放疗计划中,采用第一算法对当前实际放射例进行剂量计算,并将得到的待修正计算值输入到结果修正模块56,结果修正模块56利用误差修正神经网络模型对待修正计算值进行误差修正,最终输出准确的放射剂量值。
上述计算放射剂量的装置,分别采用第一算法例如笔形束算法和第二算法例如蒙特卡罗算法对多个放射例进行放射剂量计算,得到大量训练数据以训练出放射剂量计算误差修正的神经网络模型,之后在实际的放射治疗中,通过此神经网络模型对第一算法计算的放射剂量结果进行误差修正,从而使放射剂量的计算即能实现第一算法的速度,又能达到接近第二算法的精度。
图5为一个实施例中计算放射剂量的装置中的模型训练模块的结构示意图,在一个实施例中,如图5所示,一种计算放射剂量的装置中的模型训练模块54可以包括网络创建单元541、误差计算单元542、误差判断单元543、网络调整单元544以及模型保存单元545等。上述网络创建单元541可用于创建神经网络;误差计算单元542可用于以快速计算值作为神经网络的输入,获取该神经网络的输出误差值;误差判断单元543可用于判断神经网络的输出误差值是否均小于预设值;网络调整单元544可用于在神经网络的输出误差值中存在输出误差值大于或等于预设值的情况下,调整神经网络;模型保存单元545可用于在神经网络的输出误差值均小于预设值情况下,将神经网络保存为误差修正神经网络模型。
其中,上述误差计算单元542还用于在网络调整单元544调整神经网络后,以快速计算值作为调整后的神经网络的输入,重新获取调整后的神经网络的输出误差值。
具体地,网络创建单元541创建用于误差修正的神经网络,初始化神经网络各层的权值和阈值,误差计算单元542将训练计算模块52获取的训练数据的快速计算值输入到此神经网络中,从而计算出神经网络的输出误差,并将输出误差输入到误差判断单元543,误差判断单元543将输出误差与预设值进行比较,预设值是基于参考计算值和预设的计算精度确定的值,如果神经网络的输出误差中存在大于或等于与设置的情况,则网络调整单元544对神经网络的隐含层和输出层的权值和阈值进行调整,使误差计算单元542重新将训练数据输入到神经网络中计算输出误差,误差判断单元543将调整后神经网络的输出误差与预设值进行比较,当所有训练放射例所对应的输出误差均小于预设值时,模型保存单元545将此时的神经网络保存为误差修正神经网络模型。
图6为一个实施例中计算放射剂量的装置中的结果修正模块的结构示意图,在一个实施例中,如图6所示,一种计算放射剂量的装置中的结果修正模块56可以包括放修正获取单元561以及修正叠加单元562等。其中修正获取单元561可用于用于将待修正计算值输入到误差修正神经网络模型,以获取放射剂量计算的修正值;修正叠加单元562可用于将修正值与待修正计算值相加,以得到最终的放射剂量值。
具体地,在开始新的放疗计划后,采用第一算法对实际放射例进行放射剂量计算,将得到的结果保存为待修正计算值输入到修正获取单元561,修正获取单元561将待修正计算值输入到模型训练模块54保存的误差修正神经网络模型中,神经网络模型经过计算后输出针对待修正计算值的修正值,并将此修正值输入到修正叠加单元562,修正叠加单元562将修正值与待修正计算值相加,得到最终的放射剂量值,此最终的放射剂量值接近采用第二算法对放射剂量进行计算的结果,满足对放射剂量计算精度的需求。
图7为一个实施例中计算放射剂量的方法的具体流程示意图,如图7所示,在一个具体的实施例中,采用笔形束算法和蒙特卡罗算法对训练放射例进行放射剂量计算,得到训练数据以训练用于误差修正的BP神经网络模型,之后在实际的放射治疗中,利用此BP神经网络模型对采用笔形束算法计算的放射剂量结果进行误差修正,上述放射剂量计算的方法具体包括以下步骤:
步骤S202:获取多个训练放射例。
具体地,为满足训练BP神经网络模型的需要,要获取足够数量的放射治疗中的放射例数据。获取的训练放射例的数量为n(n为正整数),为保证结果的准确,n可取2000或更多。训练放射例可来自于实际的放射治疗临床病例,也可以来自相关实验病例等,获取的放射例数据包括采用笔形束算法和蒙特卡罗算法进行剂量计算所需要的全部参数和信息等。
步骤S204:采用笔形束算法和蒙特卡罗算法分别对训练放射例进行放射剂量计算,并将计算结果保存为训练数据。
具体地,针对每个训练放射例,分别使用笔形束算法和蒙特卡罗算法对其进行放射剂量计算,得到计算结果,其中采用笔形束算法计算得到的结果为快速计算值A,采用蒙特卡罗算法计算得到的结果为参考计算值B,由于笔形束算法和蒙特卡罗算法的特点,可知计算结果中A误差较大,B则可近似视为实际放射剂量,对于第n个放射例,得到的计算结果即位An和Bn,将所有放射例的计算结果保存为训练数据。
步骤S206:创建BP神经网络,初始化神经网络的权值和阈值。
具体地,创建用于误差修正的BP神经网络,BP神经网络由输入层、输出层以及之间的若干隐含层组成,初始化各层的权值和阈值,基本的BP算法包括信号的正向传播和误差的反向传播两个过程,即计算输出误差时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。
步骤S208:将训练数据输入到BP神经网络中以计算输出误差。
具体地,正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,输入信号为步骤S204中保存的训练数据,将所有训练放射例的快速计算值A输入到BP神经网络中,输出结果为与快速计算值A相对应的修正值△A,计算出BP神经网络的输出误差E,输出误差E是修正值△A相对于实际计算误差的差值,实际计算误差即输入的快速计算值A与同一放射例的参考计算值B之间的的差值。
步骤S210:调整BP神经网络隐含层和输出层的权值和阈值,直至输出误差均小于预设值时,保存BP神经网络模型。
具体地,判断BP神经网络的输出误差E是否均小于预设值,预设值为基于所述参考计算值B和预设的计算精度确定,即预设值为在计算放射剂量允许的精度范围内,计算结果的误差可以达到的最大值,例如对放射剂量计算精度要求控制在3%以内,则预设值为3%B。若BP神经网络的输出误差E中存在大于或等于预设值的情况,则转入误差的反向传播过程,将输出误差E通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以调整各层的权值和阈值,使误差下降,经过大量训练数据的训练后,当输出误差E均小于预设值时,则表示BP神经网络输出的修正值△A能够满足放射剂量计算的精度需求,则训练结束,保存此时的BP神经网络参数模型。
步骤S212:创建新的放疗计划,采用笔形束算法进行放射剂量计算,得到待修正计算值。
具体地,在训练完误差修正的BP神经网络模型后,即可应用此神经网络模型对采用笔形束算法计算的放射剂量结果进行修正,在创建新的放疗计划后,采用笔形束算法对当前的实际放射例的放射剂量进行计算,得到放射剂量的待修正计算值X。
步骤S214:将待修正计算值输入到BP神经网络模型,以获取修正值。
具体地,将放射剂量的待修正计算值X输入到训练完成的BP神经网络模型,经过BP神经网络模型的计算输出针对待修正计算值X的修正值△X,此修正值△X可对笔形束算法进行放射剂量计算的误差进行修正。
步骤S216:将修正值与待修正计算值相加,以得到最终的放射剂量值。
具体地,将修正值△X与待修正计算值X相加后得到最终的放射剂量值Y,由于BP神经网络模型的输出误差小于预设值,所以此修正后的放射剂量值接近采用蒙特卡罗算法对放射剂量进行计算的结果,所以Y是较为准确的放射剂量值,满足对放射剂量计算精度的需求。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,该计算机设备包括处理器和存储器,所述存储器存储有可在处理器上运行的计算机程序,所述计算机程序被处理器执行时,可使得处理器执行如下步骤:获取多个训练放例;采用笔形束算法和蒙特卡罗算法分别对训练放射例进行放射剂量计算,并将计算结果保存为训练数据;创建BP神经网络,初始化神经网络的权值和阈值;将训练数据输入到BP神经网络中以计算输出误差;调整BP神经网络隐含层和输出层的权值和阈值,直至输出误差均小于预设值时,保存BP神经网络模型;创建新的放疗计划,采用笔形束算法进行放射剂量计算,得到待修正计算值;将待修正计算值输入到BP神经网络模型,以获取修正值;将修正值与待修正计算值相加,以得到准确的放射剂量值。
在一个实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时可使得处理器执行如下步骤:获取多个训练放例;采用笔形束算法和蒙特卡罗算法分别对训练放射例进行放射剂量计算,并将计算结果保存为训练数据;创建BP神经网络,初始化神经网络的权值和阈值;将训练数据输入到BP神经网络中以计算输出误差;调整BP神经网络隐含层和输出层的权值和阈值,直至输出误差均小于预设值时,保存BP神经网络模型;创建新的放疗计划,采用笔形束算法进行放射剂量计算,得到待修正计算值;将待修正计算值输入到BP神经网络模型,以获取修正值;将修正值与待修正计算值相加,以得到准确的放射剂量值。
上述对于计算机可读存存储介质及计算机设备的限定可以参见上文中对于方法的具体限定,在此不再赘述。
需要说明的是,本领域普通技术人员可以理解实现上述方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该程序可存储于一计算机可读取存储介质中;上述的程序在执行时,可包括如上述各方法的实施例的流程。其中,上述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,简称ROM)或随机存储记忆体(Random Access Memory,简称RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种计算放射剂量的方法,其特征在于,包括:
针对同一个训练放射例,采用第一算法计算出所述训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;
利用多个所述训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;
采用所述第一算法计算出当前放射例的放射剂量的待修正计算值后,利用所述误差修正神经网络模型对所述待修正计算值进行修正。
2.根据权利要求1所述的方法,其特征在于,所述利用多个所述训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型,包括:
创建所述神经网络;
以所述快速计算值作为所述神经网络的输入,获取所述神经网络的输出误差值;
判断所述神经网络的输出误差值是否均小于预设值;
在所述神经网络的输出误差值中存在输出误差值大于或等于所述预设值的情况下,调整所述神经网络,并以所述快速计算值作为调整后的神经网络的输入,获取所述调整后的神经网络的输出误差值并重新判断调整后的神经网络的输出误差值是否均小于所述预设值;
在所述神经网络的输出误差值均小于所述预设值情况下,将所述神经网络保存为所述误差修正神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述采用所述第一算法计算出当前放射例的放射剂量的待修正计算值后,利用所述误差修正神经网络模型对所述待修正计算值进行修正,包括:
将所述待修正计算值输入到所述误差修正神经网络模型,以获取放射剂量计算的修正值;
将所述修正值与所述待修正计算值相加,以得到最终的放射剂量值。
4.根据权利要求1~3中任意一项所述的方法,其特征在于,在基于同一放射例的情况下,采用所述第一算法计算出所述快速计算值所消耗的时间小于采用所述第二算法计算出所述参考计算值所消耗的时间;以及
相对于所述放射例的实际放射剂量,所述快速计算值的误差大于所述参考计算值的误差。
5.根据权利要求4所述的方法,其特征在于,所述第一算法为笔形束算法,所述第二算法为蒙特卡罗算法。
6.一种计算放射剂量的装置,其特征在于,包括:
训练计算模块,用于在针对同一个训练放射例时,采用第一算法计算出所述训练放射例的放射剂量的快速计算值,采用第二算法计算出该训练放射例的放射剂量的参考计算值;
模型训练模块,用于利用多个所述训练放射例的快速计算值和参考计算值训练神经网络,以得到误差修正神经网络模型;
结果修正模块,用于采用所述第一算法计算出当前放射例的放射剂量的待修正计算值后,利用所述误差修正神经网络模型对所述待修正计算值进行修正。
7.根据权利要求6所述的装置,其特征在于,所述模型训练模块包括:
网络创建单元,用于创建所述神经网络;
误差计算单元,用于以所述快速计算值作为所述神经网络的输入,获取所述神经网络的输出误差值;
误差判断单元,用于判断所述神经网络的输出误差值是否均小于预设值;
网络调整单元,用于在所述神经网络的输出误差值中存在输出误差值大于或等于所述预设值的情况下,调整所述神经网络;
模型保存单元,用于在所述神经网络的输出误差值均小于所述预设值情况下,将所述神经网络保存为所述误差修正神经网络模型;
其中,所述误差计算单元还用于在网络调整单元调整所述神经网络后,以所述快速计算值作为调整后的神经网络的输入,重新获取所述调整后的神经网络的输出误差值。
8.根据权利要求6所述的装置,其特征在于,所述结果修正模块包括:
修正获取单元,用于将所述待修正计算值输入到所述误差修正神经网络模型,以获取放射剂量计算的修正值;
修正叠加单元,用于将所述修正值与所述待修正计算值相加,以得到最终的放射剂量值。
9.根据权利要求6至8中任意一项所述的装置,其特征在于,在基于同一放射例的情况下,所述训练计算模块采用所述第一算法计算出所述快速计算值所消耗的时间小于采用所述第二算法计算出所述参考计算值所消耗的时间;
其中,相对于所述放射例的实际放射剂量,所述快速计算值的误差大于所述参考计算值的误差。
10.根据权利要求9所述的装置,其特征在于,所述第一算法为笔形束算法,所述第二算法为蒙特卡罗算法。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5中任意一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108018.3A CN107875525B (zh) | 2017-11-10 | 2017-11-10 | 计算放射剂量的方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108018.3A CN107875525B (zh) | 2017-11-10 | 2017-11-10 | 计算放射剂量的方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107875525A true CN107875525A (zh) | 2018-04-06 |
CN107875525B CN107875525B (zh) | 2020-03-20 |
Family
ID=61780234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711108018.3A Active CN107875525B (zh) | 2017-11-10 | 2017-11-10 | 计算放射剂量的方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107875525B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109621228A (zh) * | 2018-12-12 | 2019-04-16 | 上海联影医疗科技有限公司 | 放射剂量的计算设备、装置和存储介质 |
CN113769282A (zh) * | 2021-10-11 | 2021-12-10 | 北京航空航天大学 | 机器人放射治疗设备剂量预测方法及装置 |
WO2022095167A1 (zh) * | 2020-11-05 | 2022-05-12 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 剂量确定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481458A (zh) * | 2009-07-15 | 2012-05-30 | 原子能和辅助替代能源委员会 | 用于计算电离辐射沉积的剂量的方法 |
CN103083820A (zh) * | 2013-01-13 | 2013-05-08 | 中国科学院合肥物质科学研究院 | 一种剂量引导精确放射治疗系统 |
WO2014205128A1 (en) * | 2013-06-18 | 2014-12-24 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
WO2017109680A1 (en) * | 2015-12-21 | 2017-06-29 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN107224678A (zh) * | 2017-07-17 | 2017-10-03 | 上海联影医疗科技有限公司 | 一种治疗评估系统及存储介质 |
CN104707267B (zh) * | 2010-03-31 | 2018-04-27 | 三菱电机株式会社 | 粒子射线照射装置及粒子射线治疗装置 |
-
2017
- 2017-11-10 CN CN201711108018.3A patent/CN107875525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481458A (zh) * | 2009-07-15 | 2012-05-30 | 原子能和辅助替代能源委员会 | 用于计算电离辐射沉积的剂量的方法 |
CN104707267B (zh) * | 2010-03-31 | 2018-04-27 | 三菱电机株式会社 | 粒子射线照射装置及粒子射线治疗装置 |
CN103083820A (zh) * | 2013-01-13 | 2013-05-08 | 中国科学院合肥物质科学研究院 | 一种剂量引导精确放射治疗系统 |
WO2014205128A1 (en) * | 2013-06-18 | 2014-12-24 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
WO2017109680A1 (en) * | 2015-12-21 | 2017-06-29 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN107224678A (zh) * | 2017-07-17 | 2017-10-03 | 上海联影医疗科技有限公司 | 一种治疗评估系统及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109621228A (zh) * | 2018-12-12 | 2019-04-16 | 上海联影医疗科技有限公司 | 放射剂量的计算设备、装置和存储介质 |
US11167152B2 (en) | 2018-12-12 | 2021-11-09 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a dose distribution |
CN109621228B (zh) * | 2018-12-12 | 2022-06-28 | 上海联影医疗科技股份有限公司 | 放射剂量的计算设备、装置和存储介质 |
US11813480B2 (en) | 2018-12-12 | 2023-11-14 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a dose distribution |
WO2022095167A1 (zh) * | 2020-11-05 | 2022-05-12 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 剂量确定方法及装置 |
CN113769282A (zh) * | 2021-10-11 | 2021-12-10 | 北京航空航天大学 | 机器人放射治疗设备剂量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107875525B (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barragán‐Montero et al. | Three‐dimensional dose prediction for lung IMRT patients with deep neural networks: robust learning from heterogeneous beam configurations | |
Bernatowicz et al. | Feasibility of online IMPT adaptation using fast, automatic and robust dose restoration | |
Xing et al. | A feasibility study on deep learning‐based radiotherapy dose calculation | |
Chen et al. | Impact of dose calculation algorithm on radiation therapy | |
CN107875525A (zh) | 计算放射剂量的方法、装置、计算机设备及可读存储介质 | |
CN104407374B (zh) | 剂量分布的确定方法及装置 | |
Hrinivich et al. | Artificial intelligence‐based radiotherapy machine parameter optimization using reinforcement learning | |
Gao et al. | Simultaneous dose and dose rate optimization (SDDRO) of the FLASH effect for pencil‐beam‐scanning proton therapy | |
US9495513B2 (en) | GPU-based fast dose calculator for cancer therapy | |
CN107551411B (zh) | 针对射程不确定性的质子重离子调强放疗鲁棒优化方法 | |
Kubo et al. | Inter-planner variation in treatment-plan quality of plans created with a knowledge-based treatment planning system | |
CN107073286A (zh) | 放射线治疗计划装置、放射线治疗计划方法以及放射线治疗系统 | |
Dhanesar et al. | Cobalt‐60 tomotherapy: clinical treatment planning and phantom dose delivery studies | |
US9486644B2 (en) | Method and system for dose determination of radiation therapy | |
Guan et al. | A mechanistic relative biological effectiveness model-based biological dose optimization for charged particle radiobiology studies | |
Mohammadi et al. | A computational study on different penalty approaches for constrained optimization in radiation therapy treatment planning with a simulated annealing algorithm | |
Lee et al. | Deep learning driven predictive treatment planning for adaptive radiotherapy of lung cancer | |
Morgan et al. | Clinical implications of the implementation of advanced treatment planning algorithms for thoracic treatments | |
Kalantzis et al. | Toward IMRT 2D dose modeling using artificial neural networks: a feasibility study | |
Inaniwa et al. | Influence of nuclear interactions in body tissues on tumor dose in carbon‐ion radiotherapy | |
CN107998519A (zh) | 一种用于imrt的分子动力学再优化算法 | |
Carlsson et al. | Iterative regularization in intensity‐modulated radiation therapy optimization | |
CN110246562B (zh) | 确定放疗系统中的子射束强度的方法、装置及计算机系统 | |
Goldman et al. | Feasibility of a fast inverse dose optimization algorithm for IMRT via matrix inversion without negative beamlet intensities | |
Kusters et al. | Evaluation of two independent dose prediction methods to personalize the automated radiotherapy planning process for prostate cancer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |