CN109621228B - 放射剂量的计算设备、装置和存储介质 - Google Patents
放射剂量的计算设备、装置和存储介质 Download PDFInfo
- Publication number
- CN109621228B CN109621228B CN201811517635.3A CN201811517635A CN109621228B CN 109621228 B CN109621228 B CN 109621228B CN 201811517635 A CN201811517635 A CN 201811517635A CN 109621228 B CN109621228 B CN 109621228B
- Authority
- CN
- China
- Prior art keywords
- target object
- dose distribution
- network model
- neural network
- determining
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 77
- 230000005855 radiation Effects 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 250
- 238000003062 neural network model Methods 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 239000002245 particle Substances 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 68
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 37
- 238000001959 radiotherapy Methods 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 230000035515 penetration Effects 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 67
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 5
- 239000011163 secondary particle Substances 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013610 patient sample Substances 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000000920 organ at risk Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000005461 Bremsstrahlung Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0626—Monitoring, verifying, controlling systems and methods
- A61N2005/0627—Dose monitoring systems and methods
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明实施例公开了一种放射剂量的计算设备、装置和存储介质。该设备包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如下操作:获取目标对象对应的信息;根据蒙特卡罗算法和目标对象对应的信息,确定目标对象对应的第一剂量分布;将第一剂量分布和目标对象对应的信息作为预设神经网络模型的输入,根据预设神经网络模型的输出结果,确定目标对象对应的第二剂量分布;其中,第二剂量分布的精度高于第一剂量分布的精度。通过本发明实施例的技术方案,可以保证较快的计算速度以及较高的计算精度,满足于临床需求。
Description
技术领域
本发明实施例涉及放射医学领域,尤其涉及一种放射剂量的计算设备、装置和存储介质。
背景技术
放射治疗是一种常见的肿瘤治疗手段。在进行放射治疗之前,往往需要计算射线在人体内部的剂量分布情况,以保证肿瘤区域的放射剂量达到治疗剂量,以及正常组织的放射剂量在安全范围内。
现有技术中,放射剂量的计算方式有笔形束(Pencil Beam)算法、卷积(ConeConverlution)算法和蒙特卡罗(Monte Carlo)算法。其中,笔形束算法和卷积算法均是基于解析方式或经验方式来计算剂量分布,计算速度较快,但是由于人体内部存在射线散射过程以及次级辐射过程,或者受到射线传输中电子失衡等物理过程的影响,使得利用笔形束算法和卷积算法计算放射剂量的精度较差,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%。蒙特卡罗算法是基于统计模拟方式来计算剂量分布,计算精度较高,但由于需要模拟大量的随机或伪随机抽样粒子,从而导致计算速度较慢,无法充分满足临床的需求。
目前,为了提高蒙特卡罗算法的计算速度,可以将蒙特卡罗算法与平滑算法相结合,即先计算较少粒子数情况下的剂量分布,然后利用三维平滑降噪的方式对该计算结果进行平滑。对于均匀模体(即剂量分布较均匀),该方式可以在保证精度的情况下提高计算速度。但是对于非均匀模体(子野开口比较零碎)时,由于三维平滑降噪方式无法有效识别毛刺是因统计误差较大引起的,还是因实际存在的剂量梯度引起的,从而在平滑过程中会导致错误的剂量分布,降低了计算精度。由于临床过程中的患者本身就是不均匀模体,并且对剂量梯度变化的要求也越来越精细,从而利用蒙特卡罗算法与平滑算法相结合的计算方式也无法满足实际临床需求。
发明内容
本发明实施例提供了一种放射剂量的计算设备、装置和存储介质,以保证较快的计算速度以及较高的计算精度,满足于临床需求。
第一方面,本发明实施例提供了一种放射剂量的计算设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如下操作:
获取目标对象对应的信息,其中所述信息是指用于计算剂量分布的信息;
根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布;
将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布;
其中,所述第二剂量分布的精度高于所述第一剂量分布的精度。
第二方面,本发明实施例还提供了一种放射剂量的计算装置,包括:
信息获取模块,用于获取目标对象对应的信息,其中所述信息是指用于计算剂量分布的信息;
第一剂量分布确定模块,用于根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布;
第二剂量分布确定模块,用于将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布;
其中,所述第二剂量分布的精度高于所述第一剂量分布的精度。
第三方面,本发明实施例还提供了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如下操作:
获取目标对象对应的信息,其中所述信息是指用于计算剂量分布的信息;
根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布;
将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布;
其中,所述第二剂量分布的精度高于所述第一剂量分布的精度。
本发明实施例通过利用蒙特卡罗算法,计算在较少粒子数下目标对象对应的第一剂量分布,从而可以快速地获得精度较低的第一剂量分布,提高了计算速度。基于目标对象对应的信息,利用预先训练好的预设神经网络模型对第一剂量分布进行修正调整,以提高第一剂量分布的精度,并且根据预设神经网络模型的输出,可以快速地确定目标对象对应的精度较高的第二剂量分布,从而在提高计算速度的同时也可以保证较高的计算精度,可以满足于实际临床的需求。
附图说明
图1是本发明实施例一提供的一种放射剂量的计算设备的结构示意图;
图2是图1中处理器执行的放射剂量计算过程的流程图;
图3是本发明实施例二提供的一种放射剂量的计算设备中处理器执行的放射剂量计算过程的流程图;
图4是本发明实施例三提供的一种放射剂量的计算装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种放射剂量的计算设备的结构示意图;图2是图1中处理器执行的放射剂量计算过程的流程图。如图1和图2所示,本实施例中放射剂量的计算设备包括:
一个或多个处理器110;
存储器120,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器110执行,使得一个或多个处理器110可以实现如下操作S210-S230,以计算放射剂量分布。
图1中以一个处理器110为例;设备中的处理器110和存储器120可以通过总线或其他方式连接,图1中以通过总线连接为例。存储器120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中步骤S210-S230对应的程序指令/模块。处理器110通过运行存储在存储器120中的软件程序、指令以及模块,从而执行设备中的各种功能应用以及数据处理,即执行步骤S210-S230的操作。
存储器120主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器120可进一步包括相对于处理器110远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
参见图2,处理器110执行的放射剂量计算过程具体包括以下步骤:
S210、获取目标对象对应的信息。
其中,目标对象可以是指需要进行放射治疗的患者。目标对象对应的信息可以是指用于计算剂量分布的信息。示例性地,目标对象对应的信息可以包括但不限于目标对象对应的放疗计划数据和目标对象的密度分布。其中目标对象的密度分布可以根据目标对象的影像数据获得。目标对象的密度分布可以用于表征组织密度分布的情况。放疗计划数据可以是指在放疗设备(如电子直线加速器)中对目标对象进行放射治疗所依据的数据。放疗计划数据可以包括但不限于粒子源能量值、物理穿透深度信息、放疗设备的机架角度信息、限束装置形状信息以及设备剂量输出值。
具体地,目标对象可以在模拟机上进行扫描采集获得影像数据。模拟机可以是指放射治疗前进行虚拟模拟定位和计划设计过程中所使用的扫描系统,比如CT(ComputedTomography,电子计算机断层扫描设备)模拟机、MR(Magnetic Resonance Imaging,磁共振扫描设备)模拟机等。影像数据可以是但不限于CT图像、MR图像、红外图像或可见光图像。其中CT图像和MR图像是直接获得的目标对象的解剖结构图像,红外图像和可见光图像是根据目标对象的轮廓利用模体或人体模型通过形变而生成的解剖结构图像。本实施例可以根据目标对象的影像数据,将影像数据转换为密度分布图像,从而获得目标对象的密度分布。本实施例可以在放疗计划系统(treatment planning system,TPS)中由医疗人员在影像数据的图像上进行靶区、危及器官的勾画,从而生成目标对象对应的放疗计划数据。其中靶区可以是指需要进行放射治疗的肿瘤区域,危及器官可以是指在放射治疗过程中不能接受过高放射剂量的区域,比如眼球,心脏、肺等。
S220、根据蒙特卡罗算法和目标对象对应的信息,确定目标对象对应的第一剂量分布。
其中,蒙特卡罗算法又可称为统计模拟法、随机抽样技术,是一种以概率和统计理论为基础的随机模拟方式。在利用蒙特卡罗算法计算剂量分布时,剂量计算是指在粒子输运过程中,大量的随机或伪随机抽样粒子在不同栅元能量沉积的期望值。本实施例中模拟的随机或伪随机抽样粒子数越多,剂量分布的计算精度越高,但花费时间越长,即计算速度越慢。
具体地,本实施例为了提高计算速度,可以利用蒙特卡罗算法和目标对象对应的信息计算较少粒子数下目标对象对应的第一剂量分布。本实施例可以通过计算较少粒子数下的第一剂量分布,提高计算速度,但由于第一剂量分布的计算精度较低,不能满足临床应用中要求的计算精度,从而在提高计算速度的前提下需要执行后续操作来进一步提高计算精度。
示例性地,S220可以包括:根据粒子输运过程中的物理过程建立输运模型;根据预设源分布和目标对象对应的放疗计划数据,抽样产生第一粒子数对应的第一粒子,第一粒子的信息包括空间位置分布、能量分布和运动方向分布;根据目标对象对应的密度分布在输运模型中对第一粒子进行模拟输运,在模拟输运的过程中,根据反应截面库对每个所述第一粒子的输运过程进行模拟,例如根据反应截面库确定第一粒子与输运模型作用的次级粒子,并对次级粒子进行输运;根据输运结果确定目标对象对应的第一剂量分布。
其中,物理过程可以包括但不限于系统的形状,材料,粒子源(例如光子、电子、正电子)分布,下一个碰撞点的分布,发生碰撞的概率、类型,发生反应后的能量、角分布,粒子结束运动的条件,最后所计算的物理量。第一粒子在输运过程中,根据反应截面库进行抽样确定粒子与输运模型的作用机制,例如光子与原子作用的机制包括但不限于光电效应、康普顿散射、电子对产生、瑞利散射;电子与物质的相互作用包括但不限于多次散射、轫致辐射、正电子静止湮灭和正电子飞行湮灭。第一粒子数可以是根据粒子数与计算速度之间的对应关系预先设置的用于模拟的粒子数,以满足临床应用中计算速度的需求。本实施例中第一粒子数可以为2×107。预设源分布可以是指源粒子的位置分布、源粒子的能量分布和源粒子的运动方向分布。其中,源粒子的位置分布可以是但不限于圆内均匀分布、圆环内均匀分布、球内均匀分布、球壳内均匀分布、圆柱内均匀分布、点源分布和球外平行束源分布。源粒子的能量分布可以包括但不限于单能源分布、裂变中子谱分布和麦克斯韦谱分布。源粒子的运动方向分布可以包括但不限于各向同性分布、半面各向同性分布、球外平行束源分布和球外各向同性点源分布。
具体地,可以根据粒子输运过程中所有的物理过程,建立一个整体的输运模型。根据预设源分布对应的抽样方法,基于目标对象对应的放疗计划数据,随机或伪随机抽样产生数量为第一粒子数的第一粒子,从而可以获得第一粒子的空间位置分布、能量分布和运动方向分布。通过利用目标对象对应的密度分布,可以在输运模型中对第一粒子进行模拟输运,并且在模拟输运的过程中,第一粒子与输运模型可以发生作用,通过反应截面库可以确定第一粒子在该物理过程中发生的反应,例如可以通过随机或伪随机的抽样方法产生新的次级粒子,根据次级粒子的空间位置分布、能量分布和运动方向分布,再对次级粒子进行输运。根据每个粒子的输运结果可以快速地确定在第一粒子数下目标对象对应的第一剂量分布。
S230、将第一剂量分布和目标对象对应的信息作为预设神经网络模型的输入,根据预设神经网络模型的输出结果,确定目标对象对应的第二剂量分布。
其中,第二剂量分布的精度高于第一剂量分布的精度。预设神经网络模型可以是预设的一种有监督学习的神经网络,可以用于计算精度较高的第二剂量分布,以提高剂量分布的计算精度。本实施例中的预设神经网络模型是通过大量的患者样本预先训练得到的。本实施例中的预设神经网络模型可以是通过同一种剂量计算方式确定的患者样本预先训练得到的,例如,可以通过蒙特卡罗算法计算不同粒子数对应的患者样本数据,并用于训练预设神经神经网络。预设神经网络模型可以由输入层、至少一层隐含层和输出层三部分组成,其中隐含层的层数和各层的节点数可以根据实际情况和计算需求确定。
具体地,本实施例可以通过将精度较低的第一剂量分布和目标对象对应的信息输入至预设神经网络模型的输入层中,预设神经网络模型利用自身网络参数,基于目标对象对应的信息对第一剂量分布进行修正,从而可以快速地获得精度较高的第二剂量分布,以在提高计算速度的前提下,可以满足临床应用中要求的计算精度。
示例性地,在预设神经网络模型为第一预设网络模型时,S230可以包括:将第一剂量分布和目标对象对应的信息作为第一预设网络模型的输入,并将第一预设网络模型的输出结果确定为目标对象对应的第二剂量分布。
其中,在创建预设神经网络模型时,可以直接将预设神经网络模型输出层的输出结果直接设置为精度较高的第二剂量分布,此时的预设神经网络模型即为第一预设网络模型,从而可以将第一预设网络模型的输出结果直接确定为目标对象对应的第二剂量分布,进而进一步提高了放射剂量的计算速度。
示例性地,在预设神经网络模型为第二预设网络模型时,S230可以包括:将第一剂量分布和目标对象对应的信息作为第二预设网络模型的输入,并根据第二预设网络模型的输出结果确定目标对象对应的第一剂量分布的剂量分布误差;根据第一剂量分布和剂量分布误差,确定目标患者对应的第二剂量分布。
其中,在创建预设神经网络模型时,可以将预设神经网络模型设置为一个剂量分布误差模型,即第二预设网络模型,用于计算输入的第一剂量分布的剂量分布误差,以便可以实时监测利用蒙特卡罗算法计算的第一剂量分布的计算误差情况。具体地,本实施例可以将第二预设网络模型输出的第一剂量分布的剂量分布误差和第一剂量分布进行叠加,将叠加结果确定为目标患者对应的第二剂量分布,从而提高了第一剂量分布的计算精度,获得了精度较高的第二剂量分布,以便可以达到最好的放射治疗效果。
本实施例的技术方案,通过利用蒙特卡罗算法,计算在较少粒子数下目标对象对应的第一剂量分布,从而可以快速地获得精度较低的第一剂量分布,提高了计算速度。基于目标对象对应的信息,利用预先训练好的预设神经网络模型对第一剂量分布进行修正调整,以提高第一剂量分布的精度,并且根据预设神经网络模型的输出,可以快速地确定目标对象对应的精度较高的第二剂量分布,从而在提高计算速度的同时也可以保证较高的计算精度,可以满足于实际临床的需求。
实施例二
图3为本发明实施例二提供的一种放射剂量的计算设备中处理器执行的放射剂量计算过程的流程图,本实施例在上述实施例的基础上进行了优化:“在使用预设神经网络模型之前,还包括预设神经网络模型的训练过程”。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例提供的一种放射剂量的计算设备中处理器执行的放射剂量计算过程具体包括以下步骤:
S310、获取多个训练样本。
其中,训练样本可以是指训练预设神经网络模型的数据。训练样本可以为精度低的第一样本剂量分布、精度高的第二样本剂量分布以及样本对象的信息。
示例性地,S310可以包括:获取多个对象样本对应的样本信息;根据蒙特卡罗算法和样本信息,确定在第一粒子数下每个对象样本对应的第一样本剂量分布,以及在第二粒子数下每个对象样本对应的第二样本剂量分布,其中,第二粒子数大于第一粒子数;将每个对象样本对应的样本信息、第一样本剂量分布和第二样本剂量分布确定为一个训练样本。
其中,每个对象样本对应的样本信息可以包括但不限于对象样本对应的放疗计划数据和对象样本的密度分布。对象样本对应的放疗计划数据可以包括但不限于粒子源能量值、物理穿透深度信息、放疗设备的机架角度信息、限束装置形状信息以及设备剂量输出值。第一样本剂量分布是在第一粒子数下对象样本对应的剂量分布,第二样本剂量分布是在第二粒子数下对象样本对应的剂量分布。由于第二粒子数大于第一粒子数,从而利用蒙特卡罗算法和样本信息计算的第二样本剂量分布的精度大于第一样本剂量分布的精度。
具体地,在利用蒙特卡罗算法确定在第一粒子数下每个对象样本对应的第一样本剂量分布时,可以根据子输运过程中的物理过程建立输运模型;根据预设源分布和对象样本对应的放疗计划数据,抽样产生第一粒子数对应的第一粒子;根据对象样本对应的密度分布在输运模型中对第一粒子进行模拟输运;根据每个粒子的输运结果确定对象样本对应的第一剂量分布。
在利用蒙特卡罗算法确定在第二粒子数下每个对象样本对应的第一样本剂量分布时,可以根据子输运过程中的物理过程建立输运模型;根据预设源分布和对象样本对应的放疗计划数据,抽样产生第二粒子数对应的第二粒子;根据对象样本对应的密度分布在输运模型中对第二粒子进行模拟输运;根据每个粒子的输运结果确定对象样本对应的第二剂量分布。
示例性地,第二粒子数可以比第一粒子数大至少两倍,以便可以缩短第一样本剂量分布的计算时间。例如,第一粒子数可以为2×107;第二粒子数可以为8×108。
S320、将训练样本迭代地添加到预设神经网络模型,确定训练样本对应的训练误差。
具体地,创建预设神经网络模型,并将每个训练样本迭代地添加到预设神经网络模型中。将训练样本中的第一样本剂量分布和样本对象的信息作为输入,将对应的标准结果也添加至预设神经网络模型,根据预设神经网络模型的输出层获得训练样本的训练结果,根据训练结果和标准结果可以确定每个训练样本对应的训练误差。
示例性地,若创建的预设神经网络模型为第一预设网络模型,则第一预设网络模型的训练结果为第二训练剂量分布,第一预设网络模型的标准结果为第二样本剂量分布,此时训练误差为第二训练剂量分布与第二样本剂量分布之间的差值。若创建的预设神经网络模型为第二预设网络模型,则第二预设网络模型的训练结果为第一样本剂量分布的样本剂量分布误差,第一预设网络模型的标准结果为第二样本剂量分布与第一样本剂量分布之间的分布差值,此时训练误差为样本剂量分布误差与分布差值之间的差值。
S330、检测训练误差是否大于或等于预设误差,若是,则进入步骤S340;若否,则进入步骤S350。
其中,预设误差是根据临床精度要求预先设置的一个最大误差值。
S340、将训练误差反向传播至预设神经网络模型,调整预设神经网络模型的网络参数。
其中,网络参数可以包括但不限于激活函数、权重值和偏置量。
具体地,本实施例可以利用反向传播机制对预设神经网络模型进行训练。在训练样本的训练误差大于或等于预设误差时,表明预设神经网络模型还未训练完毕,此时可以将训练误差在预设神经网络模型中反向传播,根据训练误差调整预设神经网络模型的网络参数,将另一个训练样本再次添加至调节后的预设神经网络模型,再次获得训练误差,这个过程称为迭代。步骤S340之后返回步骤S320继续对预设神经网络模型进行训练。
S350、停止迭代添加,确定预设神经网络模型训练结束。
具体地,在经过多次迭代后,当训练样本的训练误差小于预设误差时,可以停止迭代添加,确定预设神经网络模型训练结束,此时可以利用训练后的预设神经网络模型准确地计算目标对象对应的第二剂量分布。
S360、获取目标对象对应的信息。
S370、根据蒙特卡罗算法和目标对象对应的信息,确定目标对象对应的第一剂量分布。
其中,目标对象对应的第一剂量分布可以是指在第一粒子数下目标对象对应的剂量分布。
需要注意的是,本实施例中的步骤S360和S370可以在也可以在S350之后执行,也可以在S310之前执行,本实施例对S360和S370的执行位置不做限定。
S380、将第一剂量分布和目标对象对应的信息作为预设神经网络模型的输入,根据预设神经网络模型的输出结果,确定目标对象对应的第二剂量分布。
示例性地,对于本实施例的计算方案而言,先利用蒙特卡罗算法计算第一粒子数2×107的第一剂量分布,再利用预设神经网络模型对第一剂量分布进行修正,获得第二剂量分布。相比于直接利用蒙特卡罗算法计算第二粒子数8×108下的剂量分布相比,两种方式计算的剂量分布的精度相同,但本实施例的计算时间是直接利用蒙特卡罗算法计算的1/40。可见,本实施例的计算方式可以在保证较高的计算精度的同时提高计算速度,从而可以满足于实际临床的需求。
本实施例的技术方案,通过利用反向传播机制对预设神经网络模型进行快速训练,并利用训练好的预设神经网络模型可以确定精度较高的剂量分布,同时也缩短了剂量分布的计算时间,便于应用于临床过程中。
实施例三
图4为本发明实施例三提供的一种放射剂量的计算装置的结构示意图,本实施例可适用于计算患者的放射剂量分布的情况,该装置具体包括:信息获取模块410、第一剂量分布确定模块420和第二剂量分布确定模块430。
其中,信息获取模块410,用于获取目标对象对应的信息,其中信息是指用于计算剂量分布的信息;第一剂量分布确定模块420,用于根据蒙特卡罗算法和目标对象对应的信息,确定目标对象对应的第一剂量分布;第二剂量分布确定模块430,用于将第一剂量分布和目标对象对应的信息作为预设神经网络模型的输入,根据预设神经网络模型的输出结果,确定目标对象对应的第二剂量分布;其中,第二剂量分布的精度高于第一剂量分布的精度。
可选地,目标对象对应的信息包括:目标对象对应的放疗计划数据和目标对象的密度分布,其中,目标对象的密度分布根据目标对象的影像数据获得。
可选地,该装置还包括:预设神经网络模型训练模块,用于在使用预设神经网络模型之前,对预设神经网络模型进行训练;预设神经网络模型训练模块具体包括:
训练样本获取单元,用于获取多个训练样本;
训练误差确定单元,用于将训练样本迭代地添加到预设神经网络模型,确定训练样本对应的训练误差;
网络参数调整单元,用于在训练误差大于或等于预设误差时,将训练误差反向传播至预设神经网络模型,调整预设神经网络模型的网络参数;
模型训练结束单元,用于在训练误差小于预设误差时,停止迭代添加,确定预设神经网络模型训练结束。
可选地,训练样本获取单元,具体用于:
获取多个对象样本对应的样本信息;根据蒙特卡罗算法和样本信息,确定在第一粒子数下每个对象样本对应的第一样本剂量分布,以及在第二粒子数下每个对象样本对应的第二样本剂量分布,其中,第二粒子数大于第一粒子数;将每个对象样本对应的样本信息、第一样本剂量分布和第二样本剂量分布确定为一个训练样本。
可选地,第二粒子数比第一粒子数大至少两倍。
可选地,第一剂量分布确定模块420,具体用于:
根据粒子输运过程中的物理过程建立输运模型;根据预设源分布和目标对象对应的放疗计划数据,抽样产生第一粒子数对应的第一粒子,第一粒子的信息包括空间位置分布、能量分布和运动方向分布;根据目标对象对应的密度分布在输运模型中对第一粒子进行模拟输运;根据输运结果确定目标对象对应的第一剂量分布。
可选地,预设神经网络模型为第一预设网络模型;相应地,第二剂量分布确定模块430,具体用于:
将第一剂量分布和目标对象对应的信息作为第一预设网络模型的输入,并将第一预设网络模型的输出结果确定为目标对象对应的第二剂量分布。
可选地,预设神经网络模型为第二预设网络模型;相应地,第二剂量分布确定模块430,具体用于:
将第一剂量分布和目标对象对应的信息作为第二预设网络模型的输入,并根据第二预设网络模型的输出结果确定目标对象对应的第一剂量分布的剂量分布误差;根据第一剂量分布和剂量分布误差,确定目标患者对应的第二剂量分布。
可选地,放疗计划数据包括:粒子源能量值、物理穿透深度信息、放疗设备的机架角度信息、限束装置形状信息以及设备剂量输出值。
本发明实施例所提供的放射剂量的计算装置可执行本发明任意实施例所提供的放射剂量计算过程,具备执行放射剂量计算过程相应的功能模块和有益效果。
实施例四
本实施例提供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如本发明任意实施例所提供的放射剂量计算过程,该过程可以包括如下操作:
获取目标对象对应的信息,其中信息是指用于计算剂量分布的信息;
根据蒙特卡罗算法和目标对象对应的信息,确定目标对象对应的第一剂量分布;
将第一剂量分布和目标对象对应的信息作为预设神经网络模型的输入,根据预设神经网络模型的输出结果,确定目标对象对应的第二剂量分布;
其中,第二剂量分布的精度高于第一剂量分布的精度。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种放射剂量的计算设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如下操作:
获取目标对象对应的信息,其中所述信息是指用于计算剂量分布的信息,所述目标对象对应的信息包括:所述目标对象对应的放疗计划数据和所述目标对象的密度分布;
根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布;
将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布,其中,所述预设神经网络模型通过蒙特卡罗算法计算不同粒子数对应的对象样本训练得到;
其中,所述第二剂量分布的精度高于所述第一剂量分布的精度。
2.根据权利要求1所述的设备,其特征在于,所述目标对象的密度分布根据所述目标对象的影像数据获得。
3.根据权利要求1所述的设备,其特征在于,在使用所述预设神经网络模型之前,还包括所述预设神经网络模型的训练过程,具体包括:
获取多个训练样本;
将所述训练样本迭代地添加到预设神经网络模型,确定所述训练样本对应的训练误差;
在所述训练误差大于或等于预设误差时,将所述训练误差反向传播至所述预设神经网络模型,调整所述预设神经网络模型的网络参数;
在所述训练误差小于预设误差时,停止迭代添加,确定所述预设神经网络模型训练结束。
4.根据权利要求3所述的设备,其特征在于,所述获取多个训练样本,包括:
获取多个对象样本对应的样本信息;
根据所述蒙特卡罗算法和所述样本信息,确定在第一粒子数下每个对象样本对应的第一样本剂量分布,以及在第二粒子数下每个对象样本对应的第二样本剂量分布,其中,所述第二粒子数大于所述第一粒子数;
将每个对象样本对应的所述样本信息、所述第一样本剂量分布和所述第二样本剂量分布确定为一个训练样本。
5.根据权利要求4所述的设备,其特征在于,所述第二粒子数大于所述第一粒子数,包括:
所述第二粒子数比所述第一粒子数大至少两倍。
6.根据权利要求2所述的设备,其特征在于,根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布,包括:
根据粒子输运过程中的物理过程建立输运模型;
根据预设源分布和所述目标对象对应的放疗计划数据,抽样产生第一粒子数对应的第一粒子,所述第一粒子的信息包括空间位置分布、能量分布和运动方向分布;
根据所述目标对象对应的密度分布在所述输运模型中对所述第一粒子进行模拟输运;
根据输运结果确定所述目标对象对应的第一剂量分布。
7.根据权利要求1-6任一所述的设备,其特征在于,所述预设神经网络模型为第一预设网络模型;
相应地,将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布,包括:
将所述第一剂量分布和所述目标对象对应的信息作为所述第一预设网络模型的输入,并将所述第一预设网络模型的输出结果确定为所述目标对象对应的第二剂量分布。
8.根据权利要求1-6任一所述的设备,其特征在于,所述预设神经网络模型为第二预设网络模型;
相应地,将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布,包括:
将所述第一剂量分布和所述目标对象对应的信息作为所述第二预设网络模型的输入,并根据所述第二预设网络模型的输出结果确定所述目标对象对应的第一剂量分布的剂量分布误差;
根据所述第一剂量分布和所述剂量分布误差,确定所述目标对象 对应的第二剂量分布。
9.根据权利要求2所述的设备,其特征在于,所述放疗计划数据包括:粒子源能量值、物理穿透深度信息、放疗设备的机架角度信息、限束装置形状信息以及设备剂量输出值。
10.一种放射剂量的计算装置,其特征在于,包括:
信息获取模块,用于获取目标对象对应的信息,其中所述信息是指用于计算剂量分布的信息,所述目标对象对应的信息包括:所述目标对象对应的放疗计划数据和所述目标对象的密度分布;
第一剂量分布确定模块,用于根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布;
第二剂量分布确定模块,用于将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布,其中,所述预设神经网络模型通过蒙特卡罗算法计算不同粒子数对应的对象样本训练得到;
其中,所述第二剂量分布的精度高于所述第一剂量分布的精度。
11.一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如下操作:
获取目标对象对应的信息,其中所述信息是指用于计算剂量分布的信息,所述目标对象对应的信息包括:所述目标对象对应的放疗计划数据和所述目标对象的密度分布;
根据蒙特卡罗算法和所述目标对象对应的信息,确定所述目标对象对应的第一剂量分布;
将所述第一剂量分布和所述目标对象对应的信息作为预设神经网络模型的输入,根据所述预设神经网络模型的输出结果,确定所述目标对象对应的第二剂量分布,其中,所述预设神经网络模型通过蒙特卡罗算法计算不同粒子数对应的对象样本训练得到;
其中,所述第二剂量分布的精度高于所述第一剂量分布的精度。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517635.3A CN109621228B (zh) | 2018-12-12 | 2018-12-12 | 放射剂量的计算设备、装置和存储介质 |
US16/711,612 US11167152B2 (en) | 2018-12-12 | 2019-12-12 | Systems and methods for generating a dose distribution |
US17/453,888 US11813480B2 (en) | 2018-12-12 | 2021-11-08 | Systems and methods for generating a dose distribution |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517635.3A CN109621228B (zh) | 2018-12-12 | 2018-12-12 | 放射剂量的计算设备、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109621228A CN109621228A (zh) | 2019-04-16 |
CN109621228B true CN109621228B (zh) | 2022-06-28 |
Family
ID=66073130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811517635.3A Active CN109621228B (zh) | 2018-12-12 | 2018-12-12 | 放射剂量的计算设备、装置和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11167152B2 (zh) |
CN (1) | CN109621228B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11020615B2 (en) * | 2019-02-13 | 2021-06-01 | Elekta Ab (Publ) | Computing radiotherapy dose distribution |
US11358003B2 (en) * | 2019-03-13 | 2022-06-14 | Elekta Ab | Generation of realizable radiotherapy plans |
CN110215623B (zh) * | 2019-06-11 | 2020-11-10 | 苏州雷泰智能科技有限公司 | 基于子野优化的正交双层光栅旋转调强的实现方法及装置 |
CN115968497A (zh) * | 2020-08-20 | 2023-04-14 | 上海联影医疗科技股份有限公司 | 放射治疗的系统和方法 |
CN112133440A (zh) * | 2020-09-27 | 2020-12-25 | 上海联影医疗科技股份有限公司 | 一种剂量计算系统、剂量质量保证系统及存储介质 |
CN112233200A (zh) * | 2020-11-05 | 2021-01-15 | 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 |
CN113057667B (zh) * | 2021-03-26 | 2023-08-15 | 上海联影医疗科技股份有限公司 | Pet探测器信号采样方法、装置、电子装置和存储介质 |
CN113426030B (zh) * | 2021-05-25 | 2023-12-05 | 海创时代(深圳)医疗科技有限公司 | 一种质子剂量的计算方法及装置 |
CN114010963B (zh) * | 2021-11-08 | 2023-10-20 | 上海联影医疗科技股份有限公司 | 剂量确定的系统、方法及计算机可读存储介质 |
WO2023142033A1 (zh) * | 2022-01-29 | 2023-08-03 | 刘畅源 | 粒子输运反应截面与路径积分计算方法 |
EP4257181A1 (en) * | 2022-04-05 | 2023-10-11 | RaySearch Laboratories AB | Methods and system related to radiotherapy treatment planning |
CN116052840B (zh) * | 2023-03-31 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于放疗的剂量分布数据处理装置、电子设备及存储介质 |
CN116844734B (zh) * | 2023-09-01 | 2024-01-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 剂量预测模型的生成方法、装置、电子设备及存储介质 |
CN117116421B (zh) * | 2023-10-24 | 2024-01-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的确定方法和装置 |
CN117456315B (zh) * | 2023-12-26 | 2024-04-19 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 剂量预测模型的训练方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005052721A3 (en) * | 2003-09-24 | 2006-09-21 | Radion Technologies | Deterministic computation of radiation doses delivered to tissues and organs of a living organism |
CN104407374A (zh) * | 2014-12-10 | 2015-03-11 | 上海联影医疗科技有限公司 | 剂量分布的确定方法及装置 |
CN107073286A (zh) * | 2014-09-24 | 2017-08-18 | 株式会社日立制作所 | 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 |
CN107875525A (zh) * | 2017-11-10 | 2018-04-06 | 上海联影医疗科技有限公司 | 计算放射剂量的方法、装置、计算机设备及可读存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2525777A1 (en) * | 2003-06-02 | 2004-12-16 | Fox Chase Cancer Center | High energy polyenergetic ion selection systems, ion beam therapy systems, and ion beam treatment centers |
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 |
CN106233357B (zh) * | 2013-10-07 | 2020-09-04 | 曼帝斯有限公司 | 基于医疗程序模拟的辐射估算和防护 |
US9999788B2 (en) * | 2014-06-05 | 2018-06-19 | International Business Machines Corporation | Fast and accurate proton therapy dose calculations |
US10417390B2 (en) * | 2015-06-30 | 2019-09-17 | Varian Medical Systems, Inc. | Methods and systems for radiotherapy treatment planning |
CN205233527U (zh) | 2015-12-08 | 2016-05-18 | 毕仁喜 | 一种碳纤维加热服装 |
US11056243B2 (en) * | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
US10645259B2 (en) * | 2016-08-31 | 2020-05-05 | Siemens Healthcare Gmbh | Machine learning based real-time radiation dose assessment |
JP6688536B2 (ja) * | 2016-09-07 | 2020-04-28 | エレクタ、インク.Elekta, Inc. | 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法 |
CN107715314B (zh) * | 2017-11-20 | 2020-04-14 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
WO2019157435A1 (en) * | 2018-02-12 | 2019-08-15 | Rensselaer Polytechnic Institute | Ct big data from simulation, emulation and transfer learning |
US10672153B2 (en) * | 2018-04-23 | 2020-06-02 | Elekta Ab (Publ) | Posterior image sampling using statistical learning model |
-
2018
- 2018-12-12 CN CN201811517635.3A patent/CN109621228B/zh active Active
-
2019
- 2019-12-12 US US16/711,612 patent/US11167152B2/en active Active
-
2021
- 2021-11-08 US US17/453,888 patent/US11813480B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005052721A3 (en) * | 2003-09-24 | 2006-09-21 | Radion Technologies | Deterministic computation of radiation doses delivered to tissues and organs of a living organism |
CN107073286A (zh) * | 2014-09-24 | 2017-08-18 | 株式会社日立制作所 | 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 |
CN104407374A (zh) * | 2014-12-10 | 2015-03-11 | 上海联影医疗科技有限公司 | 剂量分布的确定方法及装置 |
CN107875525A (zh) * | 2017-11-10 | 2018-04-06 | 上海联影医疗科技有限公司 | 计算放射剂量的方法、装置、计算机设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
《基于三维Savitzky-Golay滤波的蒙特卡罗剂量分布去噪》;林桂粉 等;《数据采集与处理》;20061231;第21卷(第4期);摘要、第3章第1-2段 * |
Also Published As
Publication number | Publication date |
---|---|
US11813480B2 (en) | 2023-11-14 |
US20220054859A1 (en) | 2022-02-24 |
CN109621228A (zh) | 2019-04-16 |
US20200188692A1 (en) | 2020-06-18 |
US11167152B2 (en) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109621228B (zh) | 放射剂量的计算设备、装置和存储介质 | |
AU2018380124B2 (en) | Determining beam model parameters using deep convolutional neural networks | |
US10668304B2 (en) | Phantom for adaptive radiotherapy | |
Wang et al. | A GPU‐accelerated Monte Carlo dose calculation platform and its application toward validating an MRI‐guided radiation therapy beam model | |
WO2017054316A1 (zh) | 放射治疗中在线剂量监测和验证的方法 | |
US10668300B2 (en) | Radiation treatment planning or administration electron modeling | |
Liu et al. | Range and dose verification in proton therapy using proton-induced positron emitters and recurrent neural networks (RNNs) | |
US20190275352A1 (en) | Treatment planning based on multiple modalities | |
CN111001097B (zh) | 一种放疗剂量评估系统、装置及存储介质 | |
CN106408543A (zh) | 一种用于锥束ct图像散射修正的阻挡光栅优化方法及装置 | |
EP4341905A1 (en) | Iterative image reconstruction | |
US20230302297A1 (en) | Patient imaging for dynamic online adaptive radiotherapy | |
CN111986778B (zh) | 一种调强计划优化系统、装置及存储介质 | |
WO2022047637A1 (en) | Automatic beam modeling based on deep learning | |
US20230372739A1 (en) | Techniques for detecting movement during radiotherapy treatment | |
US20240173571A1 (en) | Systems and methods for dose verification | |
WO2023231255A1 (zh) | 质量保证的方法和系统 | |
KR20220055688A (ko) | 병렬적 선량 연산 방법 및 장치 | |
Al-Basheer | 3D deterministic radiation transport for dose computations in clinical procedures |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |