CN112023279A - 质子治疗的参数监测装置及系统 - Google Patents

Abstract

本发明提供一种基于机器学习模型的，通过质子诱导声信号来重建质子剂量分布的质子治疗的参数监测装置及系统。装置包括：递归神经网络模块，提供经训练的递归神经网络模型，经训练的递归神经网络模型提供质子束诱导声信号与质子束的剂量分布的非线性关系；声信号获取模块，从声信号探测系统中获取质子束与生物组织发生反应产生的质子束诱导声信号；预测模块，将质子束诱导声信号输入经训练的递归神经网络模型，预测质子束的剂量分布与布拉格峰位置；判断模块，判断预测的质子束的剂量分布与布拉格峰位置和目标区域的位置关系；调整模块，依据判断模块判断的位置关系确定质子束的出束参数是否需要调整。

Description

质子治疗的参数监测装置及系统

技术领域

本发明涉及质子治疗设备和声学定位领域，特别涉及一种质子治疗的参数监测装置及系统。

背景技术

目前治疗肿瘤(癌症)的手段主要包括手术、化学治疗和放射治疗，并且超过70％的肿瘤患者需要接受单独放疗或者与放疗结合的综合治疗。理想的放射治疗是给予肿瘤细胞致死剂量，同时最大限度地减小周围正常器官组织的照射剂量，质子治疗便是这样一种精确治疗癌症的尖端放疗技术。质子束在生物内的照射剂量曲线先缓慢上升，随后逐渐变快，直到布拉格峰处产生最大的剂量沉积，之后快速下降并趋于零。质子束的独特的剂量-深度特性能使肿瘤组织接收到最大的照射剂量，同时能避免肿瘤组织后方的正常器官受到辐射伤害，降低治疗的副作用。

质子治疗的优势在于：1)质子布拉格峰终点处的剂量比入口处的剂量高出三到四倍，在布拉格峰之后的剂量几乎为0，这种特点不仅能使肿瘤处剂量最大，还能有效保护肿瘤前后的正常组织；2)可以通过调整质子束的能量来照射不同深度的肿瘤，从而使质子治疗适应不同的深度位置处，不同大小和形状的肿瘤；3)质子传输时，具有较小的散射和本底，使得照射视野边缘清晰，因此可以治疗距离敏感器官近的肿瘤。

质子束的布拉格峰特性是质子治疗的最大优势，但也正是由于布拉格峰的存在，使得治疗效果对射程十分敏感。一旦实际治疗过程中射程与治疗计划出现偏差，就很容易导致肿瘤组织的剂量不足或者正常组织过度照射，从而很大程度上增加了肿瘤复发和正常器官的并发症风险。所以，在质子治疗过程中，对质子束在生物中剂量和布拉格峰位置的监测，对质子治疗效果至关重要。

目前，对质子治疗剂量监测的方法有瞬发伽马测量法(例如专利文献CN106291656A)，声波监测法等。但这些方法都有其不足。例如，瞬发伽玛法缺少适用于该伽马射线能谱区域的高性能探测器，探测器探测效率低下；正电子核素探测法造价高昂，无法实时监测。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种质子治疗的参数监测装置及系统，进而实现质子治疗的参数监测和调整。

根据本发明的一个方面，提供一种质子治疗的参数监测装置，包括：

递归神经网络模块，配置成提供经训练的递归神经网络模型，所述经训练的递归神经网络模型提供质子束诱导声信号与质子束的剂量分布的非线性关系；

声信号获取模块，配置成从声信号探测系统中获取质子束与生物组织发生反应产生的质子束诱导声信号；

预测模块，配置成将所述质子束诱导声信号输入所述经训练的递归神经网络模型，通过所述经训练的递归神经网络模型提供的质子束诱导声信号与剂量分布的非线性关系，预测质子束的剂量分布与布拉格峰位置；

判断模块，配置成判断所述预测的质子束的剂量分布与布拉格峰位置和目标区域的位置关系；

调整模块，配置成依据所述判断模块判断的位置关系确定质子束的出束参数是否需要调整。

在本发明的一些实施例中，所述调整模块还配置成：

若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域内，则不对所述质子束的出束参数进行调整；

若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域外，则重新调整所述质子束的出束参数。

在本发明的一些实施例中，所述递归神经网络模型的在训练过程中的训练样本至少包括：质子束的剂量分布、质子束诱导声信号，其中，所述剂量分布由质子阻止本领值或者经由治疗对象的三维体模在蒙特卡洛系统中构建的生物模拟获得，所述质子束诱导声信号通过声信号模拟系统在治疗对象的三维体模中根据模拟的质子束的剂量分布获取质子束与生物组织发生反应产生的质子束诱导声信号，所述治疗对象的三维体模根据所述治疗对象的CT图像构建。

在本发明的一些实施例中，所述剂量分布经由治疗对象的三维体模在蒙特卡洛系统中构建的生物中模拟不同入射能量和/或不同入射位置的质子治疗过程获得；所述质子束诱导声信号经由得到的剂量分布和声信号模拟系统获得。

在本发明的一些实施例中，所述质子阻止本领值根据如下步骤转化：

根据所述治疗对象的CT图像构成的三维CT图像中提取质子束经过路径上每个像素点的CT值；

根据所述质子束的出束参数以及所述每个像素点的CT值计算所述每个像素点对应的质子阻止本领值。

在本发明的一些实施例中，所述递归神经网络模型的预测结果经由定量评价。

在本发明的一些实施例中，所述递归神经网络模型的预测结果通过如下步骤进行抗噪声性能评价：

在模拟出的质子束诱导声信号中加入高斯随机噪声信号；

利用递归神经网络模型对加入噪声的质子束诱导声信号进行预测，对预测结果进行定量评价。

在本发明的一些实施例中，还包括：

CT获取模块，配置成获取所述治疗对象的CT图像，

其中，所述预测模块还配置成将所述CT获取模块获取的所述治疗对象的CT图像以及基于所述治疗对象的CT图像转换获得的质子阻止本领值输入所述经训练的递归神经网络模型。

根据本发明的又一方面，还提供一种质子治疗的参数监测系统，包括：

CT系统，配置成提供治疗对象的CT图像；

蒙特卡洛系统，配置成基于治疗对象的三维体模构建治疗对象，并模拟获得质子束的剂量分布，所述三维体模根据所述治疗对象的CT图像构建；

声信号模拟系统，配置成基于治疗对象模拟得到的质子束剂量分布，获得治疗前质子在生物体中的质子束诱导声信号；

声信号探测系统，配置成提供治疗过程中质子束与生物组织发生反应产生的质子束诱导声信号；

以及如上所述的质子治疗的参数监测装置。、

相比现有技术，本发明的优势在于：

本发明采用经训练的递归神经网络模型，将实际临床中采集得到的质子诱导声信号通过用递归神经网络模型预测对应的剂量分布，实现了质子治疗中运用声信号数据监测剂量分布与布拉格峰位置。本发明通过数据采集、数据处理及机器学习大大地提高了剂量分布与布拉格峰位置的预测精度，缩短了预测的时间。由此，通过本发明提供的装置和系统，保证质子治疗过程中对肿瘤组织进行质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的质子治疗的参数监测装置的模块图。

图2示出了根据本发明实施例的计算质子阻止本领值的示意图。

图3示出了根据本发明实施例的递归神经网络模型的示意图。

图4示出了根据本发明实施例的质子治疗的参数监测系统的模块图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

在质子治疗中，质子束在生物体会诱发热声信号，通过装在病患皮肤表面的声探测器，我们可以接收到治疗过程中的声信号。由此，我们可以通过计算机设备，采集质子诱发声信号的数据，并通过对所采集的质子诱发声信号的数据的处理，实现质子治疗的参数监测和调整。

下面参见图1，图1示出了根据本发明实施例的质子治疗的参数监测装置的模块图。

质子治疗的参数监测装置100包括递归神经网络模块110、声信号获取模块120、预测模块130、判断模块140以及调整模块150。

递归神经网络模块110配置成提供经训练的递归神经网络模型，所述经训练的递归神经网络模型提供质子诱导声信号与剂量分布的非线性关系。具体而言，所述递归神经网络模型可以是多输入(多个声探测器接收的声序列)递归神经网络模型。具体而言，质子诱导声信号可以以声信号波形的形式提供。

在本发明的一些实施例中，所述递归神经网络模型的在训练过程中的训练样本至少包括：质子束的剂量分布和质子诱导声信号。

所述质子剂量分布可以是质子阻止本领值，这可通过治疗对象的CT图像的CT值转化获得。

具体而言，质子治疗的参数监测装置100还可以包括CT获取模块。CT获取模块配置成从医用CT系统获取所述治疗对象的CT图像。CT图像可以从医用CT系统中获取。可以根据治疗对象的CT图像构建三维体模，从而确定肿瘤病灶区域和感兴趣区。具体而言，可以采用医用CT系统扫描治疗对象全身获得CT图像，将获得的多帧CT图像结合起来，构建成一个三维体模，勾画出肿瘤病灶区域位置，适当扩大病灶区域，得到一个感兴趣区(Regionofinterest,ROI)。

所述质子阻止本领值可以根据如下步骤转化：根据所述治疗对象的CT图像构成的三维CT图像中提取质子束经过路径上每个像素点的CT值；根据所述质子束的出束参数以及质子束经过路径上的CT值计算所述质子束经过路径上每个像素点对应的质子阻止本领值。

图2示出了根据本发明实施例的计算质子阻止本领值的示意图。质子阻止本领值可以按如下方式计算：

根据质子束的入射位置，从三维CT图像中提取质子束经过路径上的每个像素点CT值，结合质子束入射能量，计算出质子束经过路径上每个像素点对应的质子阻止本领值，具体计算公式如下：

其中，SP_i是第i个像素点的阻止本领，常数k＝51Mev fm²，β_i是光速与粒子速度的比值，m_e是电子质量，ρ_e是物质每体积的电子密度，I是化合物的平均激发能，

是壳修正项，

是极化效应项，c是光速，E是粒子穿过物质后剩余的能量。

其中，物质每体积的电子密度ρ_e，化合物的平均激发能I可以按公式如下公式计算：

其中，N_A是阿伏伽德罗常数，ρ是物质密度，Z_i是元素i的原子序数，A_i元素i的质量数，w_i是元素i的权重因子，I_i元素i的平均激发能，其中，ρ，Z_i，w_i可以通过CT值查表得到的。

由于随着质子不断地穿过组织，粒子的能量在逐渐递减，质子在所穿过的路径上不断的沉积少部分能量，直到在质子束末端将能量全部释放，形成布拉格峰，见图2标号20。由于随着质子不断地穿过组织，粒子的能量在逐渐递减，质子在所穿过的路径上不断的沉积少部分能量，直到在质子束末端将能量全部释放，形成布拉格峰，见图2标号20。图2中bethe theory即文中的SP计算公式(Bethe—Block公式)。

通过本实施例能够准确计算质子在所经过的像素位置所沉积的能量，这种算法能快速简便地得到大量的质子剂量分布数据集，是质子剂量分布样本的其中一个得到方案。

所述剂量分布也可经由治疗对象的三维体模在蒙特卡洛系统中构建的生物模拟获得。具体而言，本发明各实施例所描述的生物可以包括人体和/或动物。具体而言，所述剂量分布经由治疗对象的三维体模在蒙特卡洛系统中构建的生物中模拟不同入射能量和/或不同入射位置的质子治疗过程获得。例如，可以在蒙特卡洛系统中设定笔形束源的参数，通过程序模拟正电子发射过程，保证充足的束流量，设定相应的射束周期。通过蒙特卡洛工具保存剂量分布信息。

所述质子诱导声信号质子束诱导声信号通过声信号模拟系统在治疗对象的三维体模中根据模拟的质子束的剂量分布获取质子束与生物组织发生反应产生的质子束诱导声信号。具体而言，当特定剂量分布经由所治疗对象的三维体模在蒙特卡洛系统中模拟得到，以及所治疗对象的三维体模CT图信息经由CT系统得到后，声信号模拟系统可以结合剂量分布和治疗对象的CT信息，模拟质子束诱发的热声信号在生物体组织中的传播，获得在特定声传感器上接收到的声信号波形。这个波形将用于所述递归神经网络模型的输入。

所述训练样本中，所述声信号(可包含多个探测器声信号)作为所述递归神经网络模型的输入，所述剂量分布作为所述递归神经网络模型的输出，以对所述递归神经网络模型进行训练，以声信号波形与剂量分布的非线性关系。

在本发明的一些实施例中，所述递归神经网络模型的预测结果经由定量评价。例如，可以采用均方误差(MSE)和/或平均绝对误差(MAE)进行定量评价。

在本发明的一些实施例中，所述递归神经网络模型的预测结果可以通过如下步骤进行抗噪声性能评价：

在模拟出的声信号中加入高斯随机噪声信号。其中，信噪比可以设为噪声强度与声信号中最大值的比值。然后，可以利用递归神经网络模型对加入噪声的声信号进行预测，将预测结果进行定量评价。

声信号获取模块120配置成从声信号探测系统中获取不同探测器的质子诱导声信号的波形。

具体而言，临床中，在质子治疗时，质子在进入生物后，与生物组织发生反应，产生热声效应，用声信号探测系统，通过病患皮肤表面的声传感器，可探测到声音信号。

在训练递归神经网络模型时，可以利用声信号模拟系统模拟临床上治疗对象在接受质子治疗后的声信号波形。具体而言，可以通过模拟软件，设定一个相应的声传感器，设定相应的质子束参数和介质参数，模拟声信号的传播和接收。

预测模块130配置成将所述声信号输入所述经训练的递归神经网络模型，预测质子束的剂量分布与布拉格峰位置。

判断模块140配置成判断所预测的质子束的剂量分布与布拉格峰位置与目标区域的位置关系。

调整模块150配置成依据所述判断模块140的判断结果确定质子束的出束参数是否需要调整。

具体而言，如果质子束剂量分布没有落在肿瘤病灶区域内，而是偏离肿瘤病灶区域，那么可能是在进行质子束照射时，照射的位置发生了偏离，需要调整质子束治疗头的照射位置；如果质子束剂量分布没有落在肿瘤病灶区域内，而是蔓延出了肿瘤病灶区域，那么说明在进行质子束照射时，质子束能量偏大，需要调整质子束的剂量。由此，所述调整模块150还配置成：

若所述判断模块140判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域内，则判断质子束放射治疗准确，继续按照现有的质子束出束参数进行放射治疗，不对所述质子束的出束参数进行调整，直到治疗结束。本发明并非以此为限制。

若所述判断模块140判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域外，则判断质子束放射治疗不准确，重新调整所述质子束的出束参数，直到调整后的质子束剂量分布与布拉格峰位置与放射治疗计划一致。

在本发明的示例性实施方式的质子治疗的参数监测装置100中，采用经训练的递归神经网络模型，将实际临床中采集得到的声信号数据通过用递归神经网络模型预测对应的剂量分布，实现了质子治疗中运用PET数据监测剂量分布与布拉格峰位置。本发明通过数据采集、数据处理及机器学习大大地提高了剂量分布与布拉格峰位置的预测精度，缩短了预测的时间。由此，通过本发明提供的装置和系统，保证质子治疗过程中对肿瘤组织进行质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。

在本发明的示例性实施方式的质子治疗的参数监测装置100中，如实地验证了本发明的基于机器学习模型的质子治疗中的剂量与范围验证的监控方法的在质子治疗过程中对剂量分布、布拉格峰位置监测的广泛适用性。保证了质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。

图1仅仅是示意性的示出本发明提供的质子治疗的参数监测装置100，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的质子治疗的参数监测装置100可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

图3示出了根据本发明实施例的递归神经网络模型的示意图。

递归神经网络(RNN)是专门处理时间序列数据的，它将一个时序的输入通过隐层状态转化为一个时序的输出，通过反向传播和梯度下降法不断训练学习输入与输出之间的映射关系.递归神经网络模型由输入层(x₀～x_n)、隐含层(h₀～h_n)、输出层组成(D₀～D_n)。其中，网络的输入层为多数据输入，由所述质子诱发热声信号(多个传感器接收的信号)并列组成。递归神经网络模型的输出为剂量分布，剂量分布的最大值位置即为布拉格峰。进一步地，递归神经网络模型中输入数据之间具有级联关系。

通过本实施例构建网络模型，预测质子束剂量分布和布拉格峰位置，经过测试，该模型具有良好的预测精度，抗噪性能及泛化能力，并且在基于PET图像的预测上表现良好。

图4示出了根据本发明实施例的质子治疗的参数监测系统的模块图。质子治疗的参数监测系统包括CT系统210、蒙特卡洛系统220、声信号模拟系统230、声信号探测系统240以及如图1所示的质子治疗的参数监测装置100。

CT系统210配置成提供治疗对象的CT图像。进而可构建三维体模，勾画感兴趣区，用于最终质子治疗监测终端。蒙特卡洛系统220配置成基于治疗对象的三维体模构建治疗对象，并模拟获得质子束的剂量分布，以生成模型所需要的训练集，所述三维体模根据所述治疗对象的CT图像构建。声信号模拟系统，配置成提供治疗前质子在生物体中诱导的模拟热声信号波形，以生成模型所需要的训练集。声信号探测新系统，配置成提供在治疗过程中病患表面声传感器接收的质子在生物体诱导的热声信号波形。参数监测装置100所包括的模块以在上文描述，在此不予赘述。参数监测装置100还可以对预测的结果进行定量定性的评价，对于质子束的调整进行跟进追踪。具体而言，所述声信号模拟系统230还配置成基于所述治疗对象的CT图像转换获得的各种参数值，如每个像素的声速、定容热容；进而通过输入的模拟剂量分布获得对应的热声信号波形。

图4仅仅是示意性的示出本发明提供的质子治疗的参数监测系统，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的质子治疗的参数监测系统可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

以上仅仅是本发明的多个具体实现方式，各具体实现可以单独或组合来实现，本发明并非以此为限制。

相比现有技术，本发明的优势在于：

本发明采用经训练的递归神经网络模型，将实际临床中采集得到的声信号数据通过用递归神经网络模型预测对应的剂量分布，实现了质子治疗中运用声信号数据监测剂量分布与布拉格峰位置。本发明通过数据采集、数据处理及机器学习大大地提高了剂量分布与布拉格峰位置的预测精度，缩短了预测的时间。由此，通过本发明提供的装置和系统，保证质子治疗过程中对肿瘤组织进行质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (9)

1.一种质子治疗的参数监测装置，其特征在于，包括：

递归神经网络模块，配置成提供经训练的递归神经网络模型，所述经训练的递归神经网络模型提供质子束诱导声信号与质子束的剂量分布的非线性关系；

声信号获取模块，配置成从声信号探测系统中获取质子束与生物组织发生反应产生的质子束诱导声信号；

预测模块，配置成将所述质子束诱导声信号输入所述经训练的递归神经网络模型，通过所述经训练的递归神经网络模型提供的质子束诱导声信号与剂量分布的非线性关系，预测质子束的剂量分布与布拉格峰位置；

判断模块，配置成判断所述预测的质子束的剂量分布与布拉格峰位置和目标区域的位置关系；

调整模块，配置成依据所述判断模块判断的位置关系确定质子束的出束参数是否需要调整。

2.如权利要求1所述的质子治疗的参数监测装置，其特征在于，所述调整模块还配置成：

若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域内，则不对所述质子束的出束参数进行调整；

若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域外，则重新调整所述质子束的出束参数。

3.如权利要求1所述的质子治疗的参数监测装置，其特征在于，所述递归神经网络模型的在训练过程中的训练样本至少包括：质子束的剂量分布、质子束诱导声信号，其中，所述剂量分布由质子阻止本领值或者经由治疗对象的三维体模在蒙特卡洛系统中构建的生物模拟获得，所述质子束诱导声信号通过声信号模拟系统在治疗对象的三维体模中根据模拟的质子束的剂量分布获取质子束与生物组织发生反应产生的质子束诱导声信号，所述治疗对象的三维体模根据所述治疗对象的CT图像构建。

4.根据权利要求3所述的质子治疗的参数监测装置，其特征在于，所述剂量分布经由治疗对象的三维体模在蒙特卡洛系统中构建的生物中模拟不同入射能量和/或不同入射位置的质子治疗过程获得；所述质子束诱导声信号经由得到的剂量分布和声信号模拟系统获得。

5.根据权利要求3所述的质子治疗的参数监测装置，其特征在于，所述质子阻止本领值根据如下步骤转化：

根据所述治疗对象的CT图像构成的三维CT图像中提取质子束经过路径上每个像素点的CT值；

根据所述质子束的出束参数以及所述每个像素点的CT值计算所述每个像素点对应的质子阻止本领值。

6.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述递归神经网络模型的预测结果经由定量评价。

7.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述递归神经网络模型的预测结果通过如下步骤进行抗噪声性能评价：

在模拟出的质子束诱导声信号中加入高斯随机噪声信号；

利用递归神经网络模型对加入噪声的质子束诱导声信号进行预测，对预测结果进行定量评价。

8.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，还包括：

CT获取模块，配置成获取所述治疗对象的CT图像，

其中，所述预测模块还配置成将所述CT获取模块获取的所述治疗对象的CT图像以及基于所述治疗对象的CT图像转换获得的质子阻止本领值输入所述经训练的递归神经网络模型。

9.一种质子治疗的参数监测系统，其特征在于，包括：

CT系统，配置成提供治疗对象的CT图像；

蒙特卡洛系统，配置成基于治疗对象的三维体模构建治疗对象，并模拟获得质子束的剂量分布，所述三维体模根据所述治疗对象的CT图像构建；

声信号模拟系统，配置成基于治疗对象模拟得到的质子束剂量分布，获得治疗前质子在生物体中的质子束诱导声信号；

声信号探测系统，配置成提供治疗过程中质子束与生物组织发生反应产生的质子束诱导声信号；

以及如权利要求1至8任一项所述的质子治疗的参数监测装置。

Images