CN110215619A - 质子智能在线监测系统及方法 - Google Patents

Abstract

本发明提供一种质子智能在线监测系统及方法，包括沿束流路径布置的多个伽马射线探测器单元；在伽马射线探测器单元之前设有光栅。所述的伽马射线探测器单元包括阵列的闪烁晶体和一一对应的阵列的光电倍增管。通过在束流传输路径上放置稀疏分布的伽马射线探测器来探测质子治疗中由于核反应产生的两类γ光子：一类由正电子核素β+衰变湮灭产生，一类由处于激发态的原子核退激产生。然后将所探测到的γ光子的相空间信息输入到经过大样本数据库训练的前馈神经网络进行机器学习，从而重建出质子的射程。利用空间剂量卷积过滤方法，得到实际的剂量分布，最终实现质子束流射程和剂量的精确监测。

Description

质子智能在线监测系统及方法

技术领域

本发明涉及一种质子射程和剂量在线监测领域，特别是一种质子智能在线监测系统及方法。

背景技术

理想的肿瘤放射治疗的目的是给予肿瘤体积最大致死剂量的同时最大限度地减小周围正常器官的照射剂量。与传统的X射线治疗相比，质子束流具有的独特剂量学特性，即布拉格峰。这使得质子束在到达肿瘤组织之前的能量沉积大大减小，并且在布拉格峰之后的能量沉积迅速跌落，从而使得肿瘤组织周围的正常组织的照射剂量大大降低。因此，质子束可以给予肿瘤组织更高的照射剂量的同时更好的保护正常器官。

布拉格峰是质子束治疗的物理学优势，但同时也为质子治疗的临床应用带来了巨大挑战——质子治疗的射程不确定性。质子射程不确定性受束流品质、定位CT图像伪影、阻止本领转换、人体组织元素组成、治疗摆位、器官运动，以及治疗过程中肿瘤的变化等诸多因素的影响。其导致的剂量误差最大可达20-30%，尤其在肿瘤的边界区域剂量误差可达到50%以上。射程不确定性的问题如果不能很好的解决，极有可能会导致靶区“剂量不足”或正常器官“过度照射”。这将很大程度上增加肿瘤复发和正常组织并发症的风险，限制质子治疗的适应症范围，阻碍质子治疗技术的推广。因此，运用新的技术手段对质子射程进行在线监测，实现实时剂量引导的放射治疗，从而达到肿瘤的自适应治疗，这是精确医学的必要条件，也是近年来质子治疗领域的研究热点。

中国专利文献CN 103338819 A记载了粒子射线治疗装置及粒子射线治疗装置的照射剂量设定方法，记载了通过指尖型传感器作为监视器，来调整照射剂量。并未给出质子射程不确定性的解决方案。

中国专利文献CN 102119586 B，记载了多场带电粒子癌症治疗方法和装置。将辐射经进入点输送到肿瘤中，并且将布拉格峰能量 (Bragg peak energy) 从入口点靶向到肿瘤的远端或远侧。从多个旋转方向重复从入口点向所述肿瘤的所述远端侧输送布拉格峰能量。系统允许肿瘤的多场和多轴带电粒子辐照，从而在于肿瘤周围分配有害辐照能量的情况下对所述肿瘤产生精确且准确的辐照剂量。其中记载了质子束冲击引出箔片，其中质子束中的质子损失能量，从而导致源于引出箔片中的次级电子的次级发射，次级电子产生用作反馈控制的电流。

发明内容

本发明所要解决的技术问题是提供一种质子智能在线监测系统及方法，能够实现对质子束流射程和剂量精确监测。

为解决上述技术问题，本发明所采用的技术方案是：一种质子智能在线监测系统，包括沿束流路径布置的多个伽马射线探测器单元；

在伽马射线探测器单元之前设有光栅。

优选的方案中，所述的伽马射线探测器单元包括阵列的闪烁晶体和一一对应的阵列的光电倍增管。

优选的方案中，所述的闪烁晶体为BGO或LSO闪烁晶体。

优选的方案中，所述的闪烁晶体为4×4阵列布置，尺寸为3ⅹ2ⅹ20毫米。

优选的方案中，所述的多个伽马射线探测器单元的排列路径与束流路径大致平行，在束流布拉格峰附近多个伽马射线探测器单元的排列较为紧密，在束流平台区域排置较为稀疏。

优选的方案中，多个伽马射线探测器单元与获取装置电连接。

优选的方案中，位于治疗头之前的束流监测装置与获取装置电连接。

优选的方案中，各个伽马射线探测器单元并联与逻辑或运算单元电连接，逻辑或运算单元的输出与符合单元电连接；

束流监测装置与符合单元电连接，符合单元与获取装置电连接。

优选的方案中，束流监测装置分出两路探测信号，一路用于事件计数，另一路用于每个入射事件的时间起点T1；

每个伽马射线探测器单元输出的信号分为两路：第1路引出时间信号，作为粒子飞行时间的终点T2,由此得到每个粒子的飞行时间t=T2-T1；第2路信号记录次级粒子的能量信号，同时用于做事件符合。

优选的方案中，还设有前馈神经网络模块，前馈神经网络模块的训练集包括一组输入属性，即检测到的剖面，还包括相应的输出，即布拉格峰值的偏移量；

优选的方案中，前馈神经网络模块中，完整的数据集分为训练、验证和试验来交叉验证；

并利用混淆矩阵和ROC曲线评价分类器的性能。

优选的方案中，训练、验证和试验的权重分别为80%、10%和10%。

优选的方案中，通过在获得的能谱上在0.511MeV开一个能量窗，将PEAG鉴别出来，得到PEAG产额沿着质子入射深度的变化曲线(PDD曲线)，和PEAG光子产额的时间活度曲线(TAC曲线)，将这两类曲线作为PEAG光子的输入特征；

利用PG光子产额的沿着质子入射深度的变化曲线(PDD曲线)作为输入特征；

将以上探测得到的特征曲线输入到事先训练好的神经网络中，便可以得出质子的射程是否在预设的误差范围之内，并给出偏移值。

优选的方案中，采用剂量卷积过滤模型(Spatial Dose Convolution Filter，SDCF)，将剂量空间分布因素引入到生物学预后评估，在保证总剂量不变的情况下，将空间某一剂量Di的点在三维方向上做展宽，变成一个宽度为σ的高斯波包，变为Di=Di(σ)；

空间某一点的剂量分布为周围若干个点的高斯波包的叠加。

本发明提供的一种质子智能在线监测系统及方法，通过在束流传输路径上放置稀疏分布的伽马射线探测器来探测质子治疗中由于核反应产生的两类γ光子：一类由正电子核素β+衰变湮灭产生(Positron-Electron Annihilation Γ, PEAG)，一类由处于激发态的原子核退激产生(Prompt Γ，PG)。然后将所探测到的γ光子的相空间信息(包括空间信息、能量信息和时间演化信息)输入到经过大样本数据库训练的前馈神经网络进行机器学习，从而重建出质子的射程。通过对质子射程数据的拟合，利用空间剂量卷积过滤(SpatialDose Convolution Filter，SDCF)方法对原始的计划中每个体素点的剂量做各向异性的高斯展宽，得到实际的剂量分布，实现质子束流射程和剂量精确监测，最终达到精确质子治疗的目的。

与现有技术相比，具有以下的有益效果：

1、采用独特的探测器系统设计：如图1所示，在质子束流的入射路径上放置了稀疏分布的伽马射线探测器单元(Γ Detector），获取次级伽马射线的能量和时间信号。在伽马射线探测器单元之前放置了一排光栅（Collimator）来限制伽马射线光子的入射方向。在优选的方案中，伽马射线探测器单元和光栅的间距通过蒙特卡洛模拟，综合考虑空间分辨率和探测效率等因素，得到最优化的几何布局。

2、探测单元设计：伽马射线探测器单元如图2中所示，该探测器使用BGO或LSO闪烁晶体，参见图2，每个晶体阵列为4ⅹ4，晶体尺寸：3ⅹ2ⅹ20毫米，一对一耦合到4ⅹ4的SiPM模块即硅光电倍增管，从而实现同时获取次级伽马射线的能量和时间信号。

3、本发明无需图像重建，具有更好的噪声免疫力：与传统的PET探测方法不同，本发明所提出的探测方法无需进行图像重建，所以不需要事件符合，此处的事件符合是指正电子湮灭产生的两个gamma光子的符合。这极大减小了探测器单元的数量和探测系统的复杂程度。由于同时利用了伽马射线光子的强度分布曲线(Intensity Profile)和时间活度曲线(Time Activity Curve, TAC)进行质子射程监测，因此本发明的方案有更好的噪声免疫力。同时降低了对于空间分辨率的要求，因此可以通过增加光栅之间的狭缝宽度来提高光子探测效率。

4、本发明同时兼容瞬发光子(PG)和正负电子湮灭光子(PEAG)的探测：本发明公开的探测系统可以同时测量质子治疗中产生的两类光子：瞬发光子（PG）和正负电子湮灭光子(PEAG)，其产生的物理机制如图3中所示。由此，即可以分别利用PEAG的强度分布和时间活度曲线特性进行射程监测，也可以利用PG的强度分布和能谱特性进行射程监测，还可以将两者结合起来，以提高测量的准确性。

5、神经网络结构和特征提取：本发明首次提出利用前馈神经网络的方法进行质子射程监测。本发明公开的神经网络模型包括2层和10个神经元，如图4所示。利用基于GPU的云计算平台生成一个大样本的训练数据集对神经网络进行训练，并利用验证数据集和试验数据集来交叉验证，利用混淆矩阵和ROC曲线评价分类器的性能。最后，将实验数据进行特征提取，输入到训练好的神经网络，分类器能够预测布拉格峰的移位，并同时说明移位是否在阈值内，程序流程图如图5所示。

6、利用空间卷积过滤技术(Spatial Dose Convolution Filter，SDCF)进行剂量重建：本发明首次提出利用重建的质子射程数据，通过空间卷积过滤技术进行剂量重建。通过图5的步骤得到的射程数据，可以对原始计划的每个体素点的点剂量分布，通过各向异性的高斯展宽(如图6所示)变成一个三维的高斯波包，重建的剂量分布等于所有高斯波包的叠加。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明的整体布局结构示意图。

图2为本发明的伽马射线探测器单元的结构示意图。

图3为质子治疗过程中通过核反应产生瞬发光子（PG）和正负电子湮灭光子（PEAG）示意图。

图4为本发明所采用的前馈神经网络结构示意图。

图5为本发明中利用前馈神经网络进行质子射程在线监测的程序流程图。

图6为本发明中利用空间卷积过滤技术的剂量高斯展宽示意图。

图7为本发明中数据获取系统的电子学流程框图。

图8为本发明与已有的PET和PG探测系统参数比较图。

图9为本发明中质子治疗中产生的主要正电子衰变核素及其反应道图。

图中：伽马射线探测器单元1，光栅2，闪烁晶体3，光电倍增管4，束标签设备5，治疗仓6，治疗头7，束流监测装置8。

具体实施方式

实施例1：

如图1中所示，治疗头7的前方设有束流监测装置（8），即BTD(Beam tagging device)，治疗头7向位于治疗仓6 (coach)的患者发射质子束流。本发明的质子智能在线监测系统，包括沿束流路径布置的多个伽马射线探测器单元（1）；

在伽马射线探测器单元1之前设有光栅2。由此结构，实现瞬发光子（PG）和正负电子湮灭光子（PEAG）的准确监测。

如图1所示，质子束流从治疗头7(Nozzle)出射后先经过束流监测装置（8）(Beamtagging device)，此装置除了可以监测质子束流的位置和通量之外还可以作为时间信号的起点T1。质子束流入射到人体之后会发生一系列的反应，本系统主要通过测量治疗中产生的两类次级γ光子，即瞬发光子PG和正负电子湮灭光子PEAG，进行射程重建，其产生的物理机制如图3所示。产生的γ光子会沿着各个方向发射，本系统主要探测垂直于束流入射方向发射的γ光子。光栅和γ探测器沿着平行于束流路径方向放置。伽马射线探测器单元1和光栅2的间隔根据模拟计算结果确定，在布拉格峰附近排置较为紧密，在PDD曲线的平台区域排置较为稀疏。伽马射线探测器单元1可以同时获取每个光子的能量、出射位置空间坐标和时间信号重点T2。

优选的方案如图2中所示，所述的伽马射线探测器单元1包括阵列的闪烁晶体（3）和一一对应的阵列的光电倍增管4。由此结构，实现电子信号的精确采集。

优选的方案中，所述的闪烁晶体3为BGO或LSO闪烁晶体。其中，BGO晶体是无机单晶体，分子式为Bi₄Ge₃O₁₂，是目前探测γ效率最高的一种闪烁体。荧光光谱范围为350-650nm，峰值在480nm。以日本滨松CR110为例，灵敏光谱响应范围300-650nm，最大响应波长420。极限工作条件：阳极与阴极间电压1500Vdc，环境温度范围-80℃-+50℃，平均阳极电流0.1mA。电流增益典型值为2.1×106，电压分布为各极之间均为1:1，选用均压电阻R=680KΩ。BGO晶体密度大，化学性能稳定，不易溶解，机械性能好，易加工。其压电性能、热学性能和光学性能都较好。LSO闪烁晶体光输出较高，约为NaI(Tl) 的75%，且衰减时间快、密度高。NaI(Tl)晶体的发光效率在所有与光电倍增管耦合的闪烁晶体中是最高的，光产额为38000 (光子数/MeVγ)。

优选的方案如图2中，所述的闪烁晶体3为4×4阵列布置，尺寸为3ⅹ2ⅹ20毫米。相应的光电倍增管4也为一一对应的4×4阵列布置，与闪烁晶体3一对一耦合。

优选的方案中，所述的多个伽马射线探测器单元1的排列路径与束流路径大致平行，在质子束流布拉格峰附近多个伽马射线探测器单元1的排列较为紧密，在束流平台区域排置较为稀疏。图中未示出，由此结构，便于精确确定质子束流布拉格峰的位置，以及精确重建质子束流的射程。

优选的方案如图7中所示，多个伽马射线探测器单元1与获取装置电连接。

优选的方案如图1、7中，位于治疗头7之前的束流监测装置8与获取装置电连接。

优选的方案如图7中，各个伽马射线探测器单元1并联与逻辑或运算单元电连接，逻辑或运算单元的输出与符合单元电连接；图中的TDC(Time-to-Digital Converter,)是时间数字转换器。ADC(Analog-to-Digital Converter)是指模/数转换器或者模数转换器。本例中的符合单元用于两个信号的关联，即伽马射线探测器单元和治疗头信号的关联，本例中的符合单元采用与运算。

束流监测装置8与符合单元电连接，符合单元与获取装置电连接。

优选的方案如图7中，束流监测装置8分出两路探测信号，一路用于事件计数，另一路用于每个入射事件的时间起点T1；

每个伽马射线探测器单元1输出的信号分为两路：第1路引出时间信号，作为粒子飞行时间的终点T2,由此得到每个粒子的飞行时间t=T2-T1；第2路信号记录次级粒子的能量信号，同时用于做事件符合。

本发明的数据获取系统的电子学框架如图7所示。其中束标签设备5 BTD(Beamtagging device)主要用于入射质子的探测，其探测信号分为两路，一路用于做事件计数，一路作为每个入射事件的时间起点T1。每个闪烁晶体3,(4ⅹ4，晶体尺寸：3ⅹ2ⅹ20毫米）是一对一的耦合到SiPM模块(4ⅹ4)，如图2所示。晶体阵列用于反应产生的次级粒子的探测，每个晶体阵列出来的信号分为两路：第1路引出时间信号，作为粒子飞行时间的终点T2，这样就可以得到每个粒子的飞行时间t=T2-T1。第2路信号主要记录次级粒子的能量信号，同时用于做事件符合。每个晶体阵列采用并联的方式连接，经过“或运算”之后再与BTD的信号进行符合，由获取装置对每一路输出信号进行读取并保存。

优选的方案如图5中，还设有前馈神经网络模块，前馈神经网络模块的训练集包括一组输入属性，即检测到的剖面，还包括相应的输出，即布拉格峰值的偏移量；

优选的方案中，前馈神经网络模块中，完整的数据集分为训练、验证和试验来交叉验证；

并利用混淆矩阵和ROC曲线评价分类器的性能。

优选的方案中，训练、验证和试验的权重分别为80%、10%和10%。

如图5中，从训练数据库和未知输入中，进行特征提取，提取出特征曲线，转化为特征向量，送入训练前馈神经网络和测试前馈神经网络进行运算，曲线特征匹配，输出结果。

模型包括2层和10个神经元，如图4所示。训练集包括一组输□属性,即检测到的剖面和相应的输出，即布拉格峰值的偏移量。例如，给定一个TAC数据，分类器能够预测布拉格峰的移位，并同时说明移位是否在阈值内。在本例中，两个阈值在模拟测试中使用：10mm和5mm。例如，水当量路径长度的峰值漂移是10mm(125 MeV和130 MeV)和5 mm(127.5 MeV和130 MeV)。每一个能量共产生50个数据集，完整的数据集分为训练(80%)，验证(10%)和试验(10%)来交叉验证，并利用混淆矩阵和ROC曲线评价分类器的性能。重新定义机器学习框架，研究不同数量的神经元和不同层数的性能，以优化分类精度，初步结果如图4所示。一个主要挑战是开发最小的训练数据集，并通过图形处理单元(GPU)和云平台来提高计算效率。本例中将着重训练两个主要的不确定因素：质子束能和肿瘤大小。如果成功，其他类型的偏差，如旋转，化学计量刻度误差，解剖学变化，器官运动等也将可以包括在上述的模型内。

优选的方案中，通过在获得的能谱上在0.511MeV开一个能量窗，将PEAG鉴别出来，得到PEAG产额沿着质子入射深度的变化曲线(PDD曲线)，和PEAG光子产额的时间活度曲线(TAC曲线)，将这两类曲线作为PEAG光子的输入特征；

利用PG光子产额的沿着质子入射深度的变化曲线(PDD曲线)作为输入特征；

将以上探测得到的特征曲线输入到事先训练好的神经网络中，便可以得出质子的射程是否在预设的误差范围之内，并给出偏移值。

优选的方案如图6中，采用剂量卷积过滤模型（Spatial Dose ConvolutionFilter，SDCF），将剂量空间分布因素引入到生物学预后评估，在保证总剂量不变的情况下，将空间某一剂量Di的点在三维方向上做展宽，变成一个宽度为σ的高斯波包，变为Di=Di(σ)；

空间某一点的剂量分布为周围若干个点的高斯波包的叠加。由此结构，剂量分布的空间位置更为精确。

实施例2：

一种采用实施例1中所述的质子智能在线监测系统的监测方法，包括以下步骤：

s1、沿束流传输路径上放置多个伽马射线探测器监测质子治疗中由于核反应产生的两类γ光子：包括PEAG和PG；

s2、将所探测到的γ光子的相空间信息，包括空间信息、能量信息和时间演化信息，输入到经过大样本数据库训练的前馈神经网络进行机器学习，从而重建出质子的射程。

优选的方案中，还包括以下步骤：

s3、利用空间剂量卷积过滤方法对原始的计划中每个体素点的剂量做各向异性的高斯展宽，得到实际的剂量分布。

如图6中所示，通过采用剂量卷积过滤模型(Spatial Dose Convolution Filter，SDCF),将剂量空间分布因素引入到生物学预后评估。在该模型中，在保证总剂量不变的情况下，将空间某一剂量Di的点在三维方向上做一个展宽，转换成一个宽度为σ的高斯波包，变为Di=Di(σ)。则空间某一点的剂量分布就转换成该点周围若干个点的高斯波包的叠加，如图6所示。参数σ包含了细胞扩散、器官运动、旁观者效应以及质子射程不确定性等空间因素。根据肿瘤的种类、所处位置，以及体积形状等因素，对原始计划的剂量进行各向异性的高斯波包展宽，即σ=(σx，σy，σz) ，得到空间每个体素点的剂量分布Di。

通过以上的方法，本发明的优点在于：

1、无需图像重建，极大提高了探测效率，减小了探测单元的数目和探测系统的复杂性。

2、本发明的探测系统可以同时兼容PEAG和PG两类光子的探测，并且可以利用两个光子的多种特征曲线进行射程监测，极大提高了数据的利用效率和探测精度。

3、采用神经网络的方法进行射程重建，无需考虑中间物理反应和剂量沉积过程，大大简化了模型算法。

4、数据存储和运算都在云平台完成，降低了每个质子中心的设备成本，提高了运算效率，同时为进行大数据分析提供了很好的数据库。

5、通过测量得到的射程数据，利用SDCF方法可以进行三维剂量重建。而且该算法可以拓展到其他治疗方式，如普通的X射线治疗的剂量重建。

本发明设计的探测器与已有的PET和PG探测系统参数比较见图8。质子治疗中产生的主要正电子衰变核素及其反应道见图9。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (16)

1.一种质子智能在线监测系统，其特征是：

包括沿束流路径布置的多个伽马射线探测器单元（1）；

在伽马射线探测器单元（1）之前设有光栅（2）。

2.根据权利要求1所述的一种质子智能在线监测系统，其特征是：所述的伽马射线探测器单元（1）包括阵列的闪烁晶体（3）和一一对应的阵列的光电倍增管（4）。

3.根据权利要求2所述的一种质子智能在线监测系统，其特征是：所述的闪烁晶体（3）为BGO或LSO闪烁晶体。

4.根据权利要求3所述的一种质子智能在线监测系统，其特征是：所述的闪烁晶体（3）为4×4阵列布置，尺寸为3ⅹ2ⅹ20毫米。

5.根据权利要求1所述的一种质子智能在线监测系统，其特征是：所述的多个伽马射线探测器单元（1）的排列路径与束流路径大致平行，在束流布拉格峰附近多个伽马射线探测器单元（1）的排列较为紧密，在束流平台区域排置较为稀疏。

6.根据权利要求1所述的一种质子智能在线监测系统，其特征是：多个伽马射线探测器单元（1）与获取装置电连接。

7.根据权利要求6所述的一种质子智能在线监测系统，其特征是：位于治疗头（7）之前的束流监测装置（8）与获取装置电连接。

8.根据权利要求6所述的一种质子智能在线监测系统，其特征是：各个伽马射线探测器单元（1）并联与逻辑或运算单元电连接，逻辑或运算单元的输出与符合单元电连接；

束流监测装置（8）与符合单元电连接，符合单元与获取装置电连接。

9.根据权利要求8所述的一种质子智能在线监测系统，其特征是：束流监测装置（8）分出两路探测信号，一路用于事件计数，另一路用于每个入射事件的时间起点T1；

每个伽马射线探测器单元（1）输出的信号分为两路：第1路引出时间信号，作为粒子飞行时间的终点T2,由此得到每个粒子的飞行时间t=T2-T1；第2路信号记录次级粒子的能量信号，同时用于做事件符合。

10.根据权利要求1~9任一项所述的一种质子智能在线监测系统，其特征是：还设有前馈神经网络模块，前馈神经网络模块的训练集包括一组输入属性，即检测到的剖面，还包括相应的输出，即布拉格峰值的偏移量。

11.根据权利要求10所述的一种质子智能在线监测系统，其特征是：前馈神经网络模块中，完整的数据集分为训练、验证和试验来交叉验证；

并利用混淆矩阵和ROC曲线评价分类器的性能。

12.根据权利要求11所述的一种质子智能在线监测系统，其特征是：训练、验证和试验的权重分别为80%、10%和10%。

13.根据权利要求10所述的一种质子智能在线监测系统，其特征是：通过在获得的能谱上在0.511MeV开一个能量窗，将PEAG鉴别出来，得到PEAG产额沿着质子入射深度的变化曲线（PDD曲线），和PEAG光子产额的时间活度曲线（TAC曲线），将这两类曲线作为PEAG光子的输入特征；

利用PG光子产额的沿着质子入射深度的变化曲线（PDD曲线）作为输入特征；

将以上探测得到的特征曲线输入到事先训练好的神经网络中，便可以得出质子的射程是否在预设的误差范围之内，并给出偏移值。

14.根据权利要求6所述的一种质子智能在线监测系统，其特征是：采用剂量卷积过滤模型（Spatial Dose Convolution Filter，SDCF），将剂量空间分布因素引入到生物学预后评估，在保证总剂量不变的情况下，将空间某一剂量Di的点在三维方向上做展宽，变成一个宽度为σ的高斯波包，变为Di=Di(σ)；

空间某一点的剂量分布为周围若干个点的高斯波包的叠加。

15.一种采用权利要求1~14中任一项所述的质子智能在线监测系统的监测方法，其特征是包括以下步骤：

s1、沿束流传输路径上放置多个伽马射线探测器监测质子治疗中由于核反应产生的两类γ光子：包括PEAG和PG；

s2、将所探测到的γ光子的相空间信息，包括空间信息、能量信息和时间演化信息，输入到经过大样本数据库训练的前馈神经网络进行机器学习，从而重建出质子的射程。

16.根据权利要求15所述的一种质子智能在线监方法，其特征是还包括以下步骤：

s3、利用空间剂量卷积过滤方法对原始的计划中每个体素点的剂量做各向异性的高斯展宽，得到实际的剂量分布。