CN110232964A - 基于预测剂量引导和高斯过程优化的计划实现方法及装置 - Google Patents
基于预测剂量引导和高斯过程优化的计划实现方法及装置 Download PDFInfo
- Publication number
- CN110232964A CN110232964A CN201910478839.9A CN201910478839A CN110232964A CN 110232964 A CN110232964 A CN 110232964A CN 201910478839 A CN201910478839 A CN 201910478839A CN 110232964 A CN110232964 A CN 110232964A
- Authority
- CN
- China
- Prior art keywords
- data
- plan
- gaussian
- dose
- case
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 210000000056 organ Anatomy 0.000 claims abstract description 62
- 238000013480 data collection Methods 0.000 claims abstract description 25
- 238000001959 radiotherapy Methods 0.000 claims abstract description 8
- 238000002591 computed tomography Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 201000010099 disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 239000012141 concentrate Substances 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 11
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 10
- 238000002721 intensity-modulated radiation therapy Methods 0.000 claims description 7
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供一种基于预测剂量引导和高斯过程优化的计划实现方法及装置，涉及放射治疗技术领域。该方法包括：利用剂量预测模型计算病例的预测剂量；根据评分规则计算预测剂量的计划得分作为最佳计划得分；根据器官解剖信息，基于先验数据库，确定多组计划参数；计算多组计划参数对应的计划得分，并构成高斯数据集；基于高斯数据集，利用高斯过程计算新的计划参数，并计算对应的计划得分，添加到高斯数据集中，迭代执行该步骤，最后计算高斯数据集中最高得分对应的计划参数下的调强优化结果。通过采用预测模型来预测病例的剂量分布以优化引导，保证了计划质量，利用高斯过程基于先验数据计算后验分布，减少了试错次数，从而加快了优化速度。
Description
技术领域
本发明涉及放射治疗技术领域，具体涉及一种基于预测剂量引导和高斯过程优化的计划实现方法及装置。
背景技术
目前，调强放疗技术已经广泛应用于临床，但作为其核心的治疗计划设计方式仍存在着许多问题，当前所采用的手工试错方式，严重限制了医院的工作效率和计划的完成成本，增加了医院和病人的负担。更重要的是，以这样一种计划制定方式所得的治疗计划，其计划质量存在着很大的不确定性，很大程度上依赖于计划设计者的经验以及设计治疗计划所花费的时间。同时根据不同治疗中心的研究报告可以发现，无论是治疗中心内部还是治疗中心之间，所做的计划质量和计划设计时间都有很大的差别，这种差别也给计划质量的评价比较、不同中心的合作、经验交流、数据共享等造成了困难。因此，自动计划的引进和发展有着迫切的现实意义，也可能将是放射治疗史上的又一次变革。
目前实现自动计划的方式主要有如下三种：
1)、基于先验知识的自动计划(Knowledge-based planning，KBP)，使用先验知识和经验去预测新病人的最优剂量分布或用于后期人工计划的初值，主要有基于图谱库和基于模型两种实现方式。这种实现方法的主要缺点是仅预测感兴趣区域的剂量分布，对于未勾画的组织和器官不能很好的计算出最优剂量分布，且新病人的计划质量严重受限于以往病例的计划质量。
2)、基于协议的自动迭代优化(Protocal-based Automatic IterativeOptimisaztion，PB-AIO)，对靶区和危及器官设置约束，使用初始模板开始优化，并在迭代过程中不断调整约束和权重，达到靶区和危及器官剂量的最优分布。这种方法受限于物理师对模板的初始设置。
3)、多目标优化(Multi-Criteria Optimisation，MCO)，旨在寻找多个器官约束间的平衡，直到任一器官的优化将破坏其他约束为止，有先验和后验两种实现方式。该方法的主要缺点是产生的最优计划为基于强度图的计划，并没有考虑机器参数的可实现，在生成最终的子野走位时会有计划质量的损失。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种基于预测剂量引导和高斯过程优化的计划实现方法及装置，以解决放射治疗计划的优化问题。
为实现上述目的，本发明采用的技术方案如下：
第一方面，本发明提供了一种基于预测剂量引导和高斯过程优化的计划实现方法，用于调强放射治疗计划的优化设计，所述方法包括：
a)基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得病例的预测剂量；
b)根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；
c)根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；
d)计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；
e)在高斯数据集中存在得分高于最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行步骤f)；
f)基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；
g)迭代执行步骤f)直到满足预设迭代终止条件为止，并计算高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。
可选地，步骤a)具体包括：
建立深度学习卷积神经网络模型；
提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，电子计算机断层扫描和勾画数据包括预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；
将器官的勾画数据作为模型的输入，将剂量数据作为模型的输出，对模型进行训练，以获得训练好的剂量预测模型；
针对待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得待治疗病例的预测剂量。
可选地，步骤b)具体包括：
基于预定评分规则，计算病例的每个危及器官的剂量体积直方图指标得分；
对指标得分求和，得到总得分作为最佳计划得分。
可选地，步骤c)具体包括：
基于勾画数据，提取病例的危及器官的重叠体积直方图；
计算危及器官的重叠体积直方图与先验数据库中的历史数据中的重叠体积直方图的相似度；
从先验数据库中的历史数据中选取与危及器官的重叠体积直方图相似度最高的预定数目的优化参数作为病例的计划参数，优化参数包括放射治疗的射野角度和约束条件。
可选地，步骤f)中利用高斯过程计算新的计划参数具体包括：
计算高斯数据集中任一计划参数下计划得分的高斯分布的概率密度函数；
基于概率密度函数，针对预设的预测参数空间中的多个离散的参数分别计算对应的采集函数的值，并且选取采集函数的值中最大的值对应的参数作为新的计划参数，采集函数为预设函数。
可选地，迭代执行步骤f)的预设迭代终止条件为：如果高斯数据集中存在得分高于最佳计划得分的计划得分或者迭代次数超过预设次数时终止迭代。
可选地，在步骤g)之后，还包括：输出所获得的调强优化结果。
可选地，所述提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，包括：
针对预设病例数据库中的预设病种的一张电子计算机断层扫描图像，选择256*256个采样点；
提取采样点上的电子计算机断层扫描值，以形成电子计算机断层扫描值矩阵；
通过如下来提取采样点上的关键器官的勾画数据：针对任一器官，若采样点中的一个采样点属于该器官，则勾画数据值为1，否则勾画数据值为0；
通过如下来提取采样点上的皮肤的勾画数据：若采样点中的一个采样点属于皮肤，则勾画数据值为1，否则勾画数据值为0，从而形成皮肤勾画的矩阵，然后将皮肤勾画的矩阵与电子计算机断层扫描值矩阵对应位置的数值相乘，作为皮肤的勾画数据；
提取采样点的剂量，形成剂量矩阵，以获得剂量数据。
第二方面，本发明提供了一种基于预测剂量引导和高斯过程优化的计划实现装置，用于调强放射治疗计划的优化设计，所述装置包括：
预测剂量计算模块，用于基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；
最佳计划得分计算模块，用于根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；
计划参数确定模块，用于根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；
高斯数据集形成模块，用于计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；
高斯数据集迭代更新模块，用于基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；
最佳计划结果输出模块，用于在高斯数据集中存在得分高于最佳计划得分的计划时，或迭代次数达到预设条件时选择高斯数据集中得分最高的计划，计算该计划得分对应的计划参数下的调强优化结果。
可选地，预测剂量计算模块具体用于：
建立深度学习卷积神经网络模型；
提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，电子计算机断层扫描和勾画数据包括预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；
将器官的勾画数据作为所述模型的输入，将剂量数据作为模型的输出，对模型进行训练，以获得训练好的剂量预测模型；
针对待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得待治疗病例的预测剂量。
可选地，最佳计划得分计算模块具体用于：
基于预定评分规则，计算病例的每个危及器官的剂量体积直方图指标得分；
对指标得分求和，得到总得分作为最佳计划得分。
可选地，计划参数确定模块具体用于：
基于勾画数据，提取病例的危及器官的重叠体积直方图；
计算危及器官的重叠体积直方图与先验数据库中的历史数据中的重叠体积直方图的相似度；
从先验数据库中的历史数据中选取与危及器官的重叠体积直方图相似度最高的预定数目的优化参数作为病例的计划参数，优化参数包括放射治疗的射野角度和约束条件。
可选地，高斯数据集迭代更新模块具体还用于：
计算高斯数据集中任一计划参数下计划得分的高斯分布的概率密度函数；
基于概率密度函数，针对预设的预测参数空间中的多个离散的参数分别计算对应的采集函数的值，并且选取采集函数的值中最大的值对应的参数作为新的计划参数，采集函数为预设函数。
可选地，该装置还包括调强优化结果输出模块，用于输出所获得的调强优化结果。
可选地，预测剂量计算模块具体还用于：
针对预设病例数据库中的预设病种的一张电子计算机断层扫描图像，选择256*256个采样点；
提取采样点上的电子计算机断层扫描值，以形成电子计算机断层扫描值矩阵；
通过如下来提取采样点上的关键器官的勾画数据：针对任一器官，若采样点中的一个采样点属于该器官，则勾画数据值为1，否则勾画数据值为0；
通过如下来提取采样点上的皮肤的勾画数据：若采样点中的一个采样点属于皮肤，则勾画数据值为1，否则勾画数据值为0，从而形成皮肤勾画的矩阵，然后将皮肤勾画的矩阵与电子计算机断层扫描值矩阵对应位置的数值相乘，作为皮肤的勾画数据；
提取采样点的剂量，形成剂量矩阵，以获得剂量数据。
本发明的有益效果包括：
本发明提供的计划实现方法包括：基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得病例的预测剂量；根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；在高斯数据集中存在得分高于最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行如下步骤；基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；迭代执行上一步骤直到满足预设迭代终止条件为止，并计算高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。通过采用剂量预测模型来预测新病例的剂量分布，可用于优化引导，一定程度上保证了计划的质量，然后利用高斯过程，基于先验数据和观察值计算出后验分布，预测最佳参数计算点，减少试错次数，从而加快了优化速度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的基于预测剂量引导和高斯过程优化的计划实现方法的流程示意图；
图2示出了本发明实施例提供的U-net 2D勾画-剂量模型的结构示意图；
图3示出了本发明实施例提供的深度卷积神经网络模型训练过程示意图；
图4示出了本发明实施例提供的深度卷积神经网络模型剂量预测过程示意图；
图5示出了本发明实施例提供的k近邻优化参数获取流程示意图；
图6示出了本发明实施例提供的高斯过程获取新的预测点的方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
调强放疗技术已经广泛应用于临床，但作为其核心的治疗计划设计方式仍存在着许多问题，当前所采用的迭代式手工试错方式，耗时费力，严重限制了医院的工作效率和计划的完成成本，增加了医院和病人的负担。更重要的是，以这样一种计划制定方式所得的治疗计划，其计划质量存在着很大的不确定性，很大程度上依赖于计划设计者的经验以及设计治疗计划所花费的时间。
本文提出一种基于预测剂量引导和高斯过程优化的计划实现方法，用于调强放射治疗计划的优化设计，所述方法包括：a)基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得病例的预测剂量；b)根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；c)根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；d)计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；e)在高斯数据集中存在得分高于最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行步骤f)；f)基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；g)迭代执行步骤f)直到满足预设迭代终止条件为止，并计算高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。
本发明通过采用剂量预测模型来预测新病例的剂量分布，可用于优化引导，一定程度上保证了计划的质量，然后利用高斯过程，基于先验数据和观察值计算出后验分布，预测最佳参数计算点，减少试错次数，从而加快了优化速度。
下面将参照图1详细描述本发明所提出的计划实现方法。
首先基于先验数据库，通过剂量预测模型预测当前病例的最优剂量分布。具体地，可以利用先验数据库训练模型，然后，基于待治疗病例的电子计算机断层扫描(CT)和勾画数据，采用训练好的剂量预测模型计算获得病例的预测剂量。
训练剂量预测模型的具体步骤如下：建立深度学习卷积神经网络模型，例如，本发明实施例可以采用U-net 2D网络来建立深度学习卷积神经网络模型(应当理解，也可以采用本领域已知的其他网络来建立深度学习卷积神经网络模型)，模型结构如图2所示；提取先验数据库中任一病种的{CT勾画，剂量}数据，勾画主要包含皮肤和关键器官的勾画。针对一张CT，选择256*256个采样点，1)提取采样点上的CT值，保存为CT矩阵；2)提取采样点上的器官勾画数据，针对任一器官，若某一点属于该器官，值为1，否则为0；3)将皮肤勾画的矩阵与CT值矩阵对应位置的数值相乘，作为皮肤的勾画矩阵；4)提取采样点的剂量，保存为剂量矩阵。将器官勾画矩阵作为模型输入，剂量矩阵作为模型输出，训练网络模型，参见图3。其中，用皮肤勾画来减小数据范围，皮肤的勾画和CT矩阵结合，既保留了有效数据范围，又考虑到了不同部位的CT值。
模型训练完成后，可以获取新病例的CT勾画数据，并作为模型的输入，经过训练好的网络，可以预测剂量并输出，参见图4。
本发明实施例中通过收集大量历史病例形成先验数据库，采用卷积神经网络结构，预测新病例的最优剂量分布，可用于优化引导，一定程度上保证了计划的质量。
然后，可以根据预测剂量，计算该预测剂量的计划得分作为最佳计划得分Scorebest，计划评分规则如表1所示，打分的计算方式如下：依据表1中的打分标准计算各危及器官的各剂量体积直方图(DVH)指标的得分，然后求和，得到当前所有危及器官DVH的总得分score。
表1计划评分规则表
以前列腺癌计划中直肠(Rectum)的DVH指标V75为例，计算打分的方法如下：1)若V75≤10％，得分为5；2)若V75＞15％，得分为0；3)若V75在区间[10％，15％]上，使用线性插值的方法获取其得分。
根据新病例器官的解剖信息，关联到先验数据库中解剖信息最相近的数个病例，预测确定新病例的初始优化参数集(包括多组计划参数)，参见图5，实现方法如下：根据勾画信息，提取器官重叠体积直方图(OVH，Overlap Volume Histogram)，计算方式如下：
其中，T为靶区；O为危及器官；|O|为危及器官的体积；p为O中的一个子集；d(p，T)为p到肿瘤边界的距离；{p∈O|d(p，T)≤t}表示危及器官O中到靶区T距离小于距离t的体素合集。靶区T和危及器官O的重叠体积直方图函数为危及器官O到靶区T距离小于t的体积分数。
计算新病例的各器官OVH与数据库中病例OVH的相似度，本文中采用的相似度度量公式为夹角余弦距离，也称余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似。计算公式如下：
其中，a·b表示两向量的点积，|a|、|b|表示向量的长度。
然后，选取相似度最高的k组病例的优化参数，组成k个近邻病例的优化参数集。这里的优化参数包含射野角度和约束条件。
分别计算当前k组优化参数下，计划的得分，将{优化参数Para，得分Score}添加到数据集T中，设置迭代次数iter＝0。
如果数据集T中存在得分高于Score_best的优化参数，将该参数用于新病例，并计算调强优化结果；否则，继续进行下述步骤。
可以通过高斯过程计算新的预测点的优化参数，并将加入数据集T中，参见图6。实现方法如下：假设计划得分与优化参数满足多维高斯分布，已知数据集T＝{x＝Para，y＝Score}，可计算任一x*＝Para下y*＝Score的高斯分布的概率密度函数：
p(y*|x*，x，y)＝N(y*|μ*，∑*)
K＝k(x，x)
K*＝k(x，x*)
K**＝k(x*，x*)
x＝[x1，x2，...xn]T，y＝[y1，y2，...yn]T，yi＝f(xi)
其中，m(x)表示x序列的均值，且m(xi)＝0；N(y*|μ*，∑*)表示y*满足高斯分布，均值为μ*，方差矩阵为∑*；k表示计算均值和方差用的核函数，可用于曲线平滑，当x＝x′时，核函数k(x，x′)等于1，x和x′相差越大，k越趋向于0。定义采集函数(Acquisition function)如下：fa(x)＝μ+∑。选择预测参数空间中若干离散参数点x*，分别计算采集函数值，选取fa最大的值对应的参数作为新的预测点xt。计算参数xt下的计划得分Score_t。将{参数xt，得分Score_t}加入高斯数据集T。
如果Score_t高于Score_best，或者迭代次数iter>预定次数(例如，100)，将数据集T中计划得分最高的参数用于新病例，并计算调强优化结果；否则，iter加1，并且继续执行上述的高斯过程计算新的预测点的优化参数的步骤。
本发明实施例采用了基于高斯过程的优化，高斯过程可基于先验数据和观察值计算出后验分布，然后预测最佳计算点，减少试错次数，加快优化速度。
最后可以输出调强优化结果。
综上所述，本发明上述实施例通过将预测剂量与高斯过程应用于调强优化中，可自动确定待探索的计划参数，有望在有限时间内寻找到最优计划参数，显著提升计划质量，加快计划制作效率。
另外，本发明实施例还提供了一种基于预测剂量引导和高斯过程优化的计划实现装置，用于调强放射治疗计划的优化设计，具体地，该装置用于执行本发明上述实施例所提供的方法。所述装置包括：预测剂量计算模块，用于基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；最佳计划得分计算模块，用于根据预定评分规则计算预测剂量的计划得分作为最佳计划得分；计划参数确定模块，用于根据病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定病例的多组计划参数；高斯数据集形成模块，用于计算所述多组计划参数对应的计划得分，并且由计划参数和对应的计划得分构成高斯数据集；高斯数据集迭代更新模块，用于基于高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将新的计划参数和对应的新的计划得分添加到高斯数据集中；最佳计划结果输出模块，用于在高斯数据集中存在得分高于最佳计划得分的计划时，或迭代次数达到预设条件时选择高斯数据集中得分最高的计划，计算该计划得分对应的计划参数下的调强优化结果。
可选地，预测剂量计算模块具体用于：建立深度学习卷积神经网络模型，例如，本发明实施例可以采用U-net 2D网络来建立深度学习卷积神经网络模型(应当理解，也可以采用本领域已知的其他网络来建立深度学习卷积神经网络模型)；提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，电子计算机断层扫描和勾画数据包括预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；将器官的勾画数据作为所述模型的输入，将剂量数据作为模型的输出，对模型进行训练，以获得训练好的剂量预测模型；针对待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得待治疗病例的预测剂量。
可选地，最佳计划得分计算模块具体用于：基于预定评分规则，计算病例的每个危及器官的剂量体积直方图指标得分；对指标得分求和，得到总得分作为最佳计划得分。
可选地，计划参数确定模块具体用于：基于勾画数据，提取病例的危及器官的重叠体积直方图；计算危及器官的重叠体积直方图与先验数据库中的历史数据中的重叠体积直方图的相似度；从先验数据库中的历史数据中选取与危及器官的重叠体积直方图相似度最高的预定数目的优化参数作为病例的计划参数，优化参数包括放射治疗的射野角度和约束条件。
可选地，高斯数据集迭代更新模块具体还用于：计算高斯数据集中任一计划参数下计划得分的高斯分布的概率密度函数；基于概率密度函数，针对预设的预测参数空间中的多个离散的参数分别计算对应的采集函数的值，并且选取采集函数的值中最大的值对应的参数作为新的计划参数，采集函数为预设函数。
可选地，该装置还包括调强优化结果输出模块，用于输出所获得的调强优化结果。
上述实施例只为说明本发明的技术构思及特点，其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于预测剂量引导和高斯过程优化的计划实现方法，用于调强放射治疗计划的优化设计，其特征在于，所述方法包括：
a)基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；
b)根据预定评分规则计算所述预测剂量的计划得分作为最佳计划得分；
c)根据所述病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定所述病例的多组计划参数；
d)计算所述多组计划参数对应的计划得分，并且由所述计划参数和对应的计划得分构成高斯数据集；
e)在所述高斯数据集中存在得分高于所述最佳计划得分的计划得分时，计算该计划得分对应的计划参数下的调强优化结果，否则，继续进行步骤f)；
f)基于所述高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将所述新的计划参数和对应的新的计划得分添加到所述高斯数据集中；
g)迭代执行步骤f)直到满足预设迭代终止条件为止，并计算所述高斯数据集中最高的计划得分对应的计划参数下的调强优化结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤a)具体包括：
建立深度学习卷积神经网络模型；
提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，所述电子计算机断层扫描和勾画数据包括所述预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；
将所述器官的勾画数据作为所述模型的输入，将所述剂量数据作为所述模型的输出，对所述模型进行训练，以获得训练好的剂量预测模型；
针对待治疗病例的电子计算机断层扫描和勾画数据，采用所述训练好的剂量预测模型计算获得所述待治疗病例的预测剂量。
3.根据权利要求1所述的方法，其特征在于，所述步骤b)具体包括：
基于预定评分规则，计算所述病例的每个危及器官的剂量体积直方图指标得分；
对所述指标得分求和，得到总得分作为最佳计划得分。
4.根据权利要求1所述的方法，其特征在于，所述步骤c)具体包括：
基于所述勾画数据，提取所述病例的危及器官的重叠体积直方图；
计算所述危及器官的重叠体积直方图与所述先验数据库中的历史数据中的重叠体积直方图的相似度；
从所述先验数据库中的历史数据中选取与所述危及器官的重叠体积直方图相似度最高的预定数目的优化参数作为所述病例的计划参数，所述优化参数包括放射治疗的射野角度和约束条件。
5.根据权利要求1所述的方法，其特征在于，所述步骤f)中利用高斯过程计算新的计划参数具体包括：
计算所述高斯数据集中任一计划参数下计划得分的高斯分布的概率密度函数；
基于所述概率密度函数，针对预设的预测参数空间中的多个离散的参数分别计算对应的采集函数的值，并且选取所述采集函数的值中最大的值对应的参数作为新的计划参数，所述采集函数为预设函数。
6.根据权利要求1所述的方法，其特征在于，迭代执行步骤f)的预设迭代终止条件为：如果所述高斯数据集中存在得分高于所述最佳计划得分的计划得分或者迭代次数超过预设次数时终止迭代。
7.根据权利要求1所述的方法，其特征在于，在所述步骤g)之后，还包括：输出所获得的调强优化结果。
8.根据权利要求2所述的方法，其特征在于，所述提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，包括：
针对预设病例数据库中的预设病种的一张电子计算机断层扫描图像，选择256*256个采样点；
提取所述采样点上的电子计算机断层扫描值，以形成电子计算机断层扫描值矩阵；
通过如下来提取所述采样点上的关键器官的勾画数据：针对任一器官，若所述采样点中的一个采样点属于该器官，则勾画数据值为1，否则勾画数据值为0；
通过如下来提取所述采样点上的皮肤的勾画数据：若所述采样点中的一个采样点属于皮肤，则勾画数据值为1，否则勾画数据值为0，从而形成皮肤勾画的矩阵，然后将皮肤勾画的矩阵与电子计算机断层扫描值矩阵对应位置的数值相乘，作为皮肤的勾画数据；
提取所述采样点的剂量，形成剂量矩阵，以获得剂量数据。
9.一种基于预测剂量引导和高斯过程优化的计划实现装置，用于调强放射治疗计划的优化设计，其特征在于，所述装置包括：
预测剂量计算模块，用于基于待治疗病例的电子计算机断层扫描和勾画数据，采用训练好的剂量预测模型计算获得所述病例的预测剂量；
最佳计划得分计算模块，用于根据预定评分规则计算所述预测剂量的计划得分作为最佳计划得分；
计划参数确定模块，用于根据所述病例的器官解剖信息，基于相关联的先验数据库中的历史数据，确定所述病例的多组计划参数；
高斯数据集形成模块，用于计算所述多组计划参数对应的计划得分，并且由所述计划参数和对应的计划得分构成高斯数据集；
高斯数据集迭代更新模块，用于基于所述高斯数据集，利用高斯过程计算新的计划参数，并且计算该计划参数对应的新的计划得分，并将所述新的计划参数和对应的新的计划得分添加到所述高斯数据集中；
最佳计划结果输出模块，用于在所述高斯数据集中存在得分高于所述最佳计划得分的计划时，或迭代次数达到预设条件时选择所述高斯数据集中得分最高的计划，计算该计划得分对应的计划参数下的调强优化结果。
10.根据权利要求9所述的装置，其特征在于，所述预测剂量计算模块具体用于：
建立深度学习卷积神经网络模型；
提取预设病例数据库中的预设病种的电子计算机断层扫描和勾画数据和剂量数据，所述电子计算机断层扫描和勾画数据包括所述预设病种的电子计算机断层扫描图像中皮肤和关键器官的勾画数据；
将所述器官的勾画数据作为所述模型的输入，将所述剂量数据作为所述模型的输出，对所述模型进行训练，以获得训练好的剂量预测模型；
针对待治疗病例的电子计算机断层扫描和勾画数据，采用所述训练好的剂量预测模型计算获得所述待治疗病例的预测剂量。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910478839.9A CN110232964B (zh) | 2019-06-04 | 2019-06-04 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
| PCT/CN2019/121146 WO2020244172A1 (zh) | 2019-06-04 | 2019-11-27 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910478839.9A CN110232964B (zh) | 2019-06-04 | 2019-06-04 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110232964A true CN110232964A (zh) | 2019-09-13 |
| CN110232964B CN110232964B (zh) | 2023-11-14 |
Family
ID=67859102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910478839.9A Active CN110232964B (zh) | 2019-06-04 | 2019-06-04 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110232964B (zh) |
| WO (1) | WO2020244172A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110739043A (zh) * | 2019-09-17 | 2020-01-31 | 平安科技（深圳）有限公司 | 放疗计划推荐方法、装置、设备及存储介质 |
| CN111177970A (zh) * | 2019-12-10 | 2020-05-19 | 浙江大学 | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 |
| CN111540437A (zh) * | 2020-04-23 | 2020-08-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的剂量验证方法和系统 |
| WO2020244172A1 (zh) * | 2019-06-04 | 2020-12-10 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
| CN116052840A (zh) * | 2023-03-31 | 2023-05-02 | 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 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837782A (zh) * | 2021-02-04 | 2021-05-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于深度学习的放疗三维剂量预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184334A (zh) * | 2011-05-19 | 2011-09-14 | 南京航空航天大学 | 一种基于检索的放射治疗计划系统及检索方法 |
| CN102306239A (zh) * | 2011-07-22 | 2012-01-04 | 李宝生 | 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法 |
| CN105447330A (zh) * | 2015-12-30 | 2016-03-30 | 上海联影医疗科技有限公司 | 调强放射治疗的权重调整方法和装置 |
| CN107072624A (zh) * | 2014-06-18 | 2017-08-18 | Elekta股份有限公司 | 用于自动治疗计划的系统和方法 |
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
| CN109069858A (zh) * | 2015-12-21 | 2018-12-21 | 医科达股份有限公司 | 用于优化治疗计划的系统和方法 |
| CN109166613A (zh) * | 2018-08-20 | 2019-01-08 | 北京东方瑞云科技有限公司 | 基于机器学习的放射治疗计划评估系统及方法 |
| CN109754860A (zh) * | 2018-12-21 | 2019-05-14 | 苏州雷泰医疗科技有限公司 | 一种基于dvh预测模型的自动预测计划难易程度的方法 |
| CN109771843A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 云放射治疗计划评估方法、设备与存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120292534A1 (en) * | 2011-05-20 | 2012-11-22 | Sarah Geneser | Multi-phase Gating for Radiation Treatment Delivery and Imaging |
| CN105930637A (zh) * | 2016-04-02 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化方法 |
| CN110232964B (zh) * | 2019-06-04 | 2023-11-14 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
-
2019
- 2019-06-04 CN CN201910478839.9A patent/CN110232964B/zh active Active
- 2019-11-27 WO PCT/CN2019/121146 patent/WO2020244172A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184334A (zh) * | 2011-05-19 | 2011-09-14 | 南京航空航天大学 | 一种基于检索的放射治疗计划系统及检索方法 |
| CN102306239A (zh) * | 2011-07-22 | 2012-01-04 | 李宝生 | 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法 |
| CN107072624A (zh) * | 2014-06-18 | 2017-08-18 | Elekta股份有限公司 | 用于自动治疗计划的系统和方法 |
| CN109069858A (zh) * | 2015-12-21 | 2018-12-21 | 医科达股份有限公司 | 用于优化治疗计划的系统和方法 |
| CN105447330A (zh) * | 2015-12-30 | 2016-03-30 | 上海联影医疗科技有限公司 | 调强放射治疗的权重调整方法和装置 |
| CN109771843A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 云放射治疗计划评估方法、设备与存储介质 |
| CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
| CN109166613A (zh) * | 2018-08-20 | 2019-01-08 | 北京东方瑞云科技有限公司 | 基于机器学习的放射治疗计划评估系统及方法 |
| CN109754860A (zh) * | 2018-12-21 | 2019-05-14 | 苏州雷泰医疗科技有限公司 | 一种基于dvh预测模型的自动预测计划难易程度的方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIAWEI FAN ，ET AL.: ""Automatic treatment planning based on three-dimensional dose distributionpredicted from deep learning technique"", 《MEDICAL PHYSICS》 * |
| 任婷玉: ""基于贝叶斯优化的三维水动力-水质模型参数估值方法"", 《环境科学学报》 * |
| 贺晓东: ""一种基于射野孔径的调强优化技术"", 《中华放射肿瘤学杂志》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020244172A1 (zh) * | 2019-06-04 | 2020-12-10 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
| CN110739043A (zh) * | 2019-09-17 | 2020-01-31 | 平安科技（深圳）有限公司 | 放疗计划推荐方法、装置、设备及存储介质 |
| CN111177970A (zh) * | 2019-12-10 | 2020-05-19 | 浙江大学 | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 |
| CN111540437A (zh) * | 2020-04-23 | 2020-08-14 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的剂量验证方法和系统 |
| CN111540437B (zh) * | 2020-04-23 | 2023-05-12 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于人工智能的剂量验证方法和系统 |
| CN116052840A (zh) * | 2023-03-31 | 2023-05-02 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020244172A1 (zh) | 2020-12-10 |
| CN110232964B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232964A (zh) | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 | |
| McIntosh et al. | Contextual atlas regression forests: multiple-atlas-based automated dose prediction in radiation therapy | |
| US11964170B2 (en) | Standardized artificial intelligence automatic radiation therapy planning method and system | |
| CN111028914B (zh) | 人工智能引导的剂量预测方法与系统 | |
| CN110211664B (zh) | 一种基于机器学习自动设计放射治疗方案的系统 | |
| CN107545137A (zh) | 肿瘤放射治疗计划智能优化方法 | |
| Mahdavi et al. | Semi-automatic segmentation for prostate interventions | |
| CN110124214A (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
| CN110354406A (zh) | 一种放射治疗的三维剂量预测方法和系统 | |
| US10346593B2 (en) | Methods and systems for radiotherapy treatment planning | |
| CN108364006A (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
| CN109074500A (zh) | 用于分割同一患者的医学图像的系统和方法 | |
| CN110327554B (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
| CN110085298A (zh) | 基于深度网络学习的调强放疗计划三维剂量分布预测方法 | |
| US10342994B2 (en) | Methods and systems for generating dose estimation models for radiotherapy treatment planning | |
| CN107823806B (zh) | 一种用于调强放射治疗直接子野优化的方法及系统 | |
| CN109859817A (zh) | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 | |
| CN109801696A (zh) | 一种人工智能的云放疗计划方法、设备、存储介质和系统 | |
| Shao et al. | Prediction of three-dimensional radiotherapy optimal dose distributions for lung cancer patients with asymmetric network | |
| CN111862021A (zh) | 基于深度学习的头颈部淋巴结及引流区自动勾画方法 | |
| US11724126B2 (en) | Methods and systems for quality-aware continuous learning for radiotherapy treatment planning | |
| CN109785962B (zh) | 一种基于学习模型智能预测放疗中射野参数的方法和系统 | |
| CN110021399A (zh) | 一种放射治疗计划的自动设计方法 | |
| CN105561485B (zh) | 放射治疗计划的优化装置 | |
| CN109754860B (zh) | 一种基于dvh预测模型的自动预测计划难易程度的方法 |
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 |