CN112037885B - 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 - Google Patents
放疗计划中的剂量预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112037885B CN112037885B CN202010929461.2A CN202010929461A CN112037885B CN 112037885 B CN112037885 B CN 112037885B CN 202010929461 A CN202010929461 A CN 202010929461A CN 112037885 B CN112037885 B CN 112037885B
- Authority
- CN
- China
- Prior art keywords
- layer
- dose
- sending
- contour
- deconvolution
- 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
Images
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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Radiation-Therapy Devices (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了放疗计划中的剂量预测方法、装置、计算机设备及存储介质，方法包括：将划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；利用自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；采用损失函数对所述自编码模型进行优化；利用优化后的自编码模型对剂量进行预测。本发明在损失函数中加入一个有关处方剂量的约束项，提高了放疗计划中剂量预测的准确度。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及放疗计划中的剂量预测方法、装置、计算机设备及存储介质。
背景技术
放疗计划的实施步骤是，首先对病人进行CT扫描，得到CT定位影像。然后，医生和物理师在CT定位影像上绘制Planning Target Volume(PTV，计划靶区)的3D轮廓，以及Organs at risks(OARs，危及器官)的3D轮廓。接着，物理师设计放疗计划，在制定放疗计划的过程中，可以生成剂量图(Dose images/dose distribution)。
在深度学习逐渐进入放疗领域之后，目前也会结合使用深度学习模型，基于医生和物理师绘制的PTV和OARs轮廓，自动生成一个虚拟剂量图。然后，使用这个虚拟剂量图引导物理师的放疗计划设计。
现有技术中，利用深度学习模型进行学习时，一般采用的损失函数是均方差函数(mean squared error)，均方差对比的一方是作为金标准的临床上实施的放疗计划的剂量图，另一方是预测得到的虚拟剂量图。也就是说，现有技术中的学习模型仅考虑全局的剂量图，导致最终的预测结果准确性不高。
发明内容
本发明的目的是提供放疗计划中的剂量预测方法、装置、计算机设备及存储介质，旨在解决现有放疗计划中的剂量预测方式准确性不高的问题。
第一方面，本发明实施例提供一种放疗计划中的剂量预测方法，其中，包括：
获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；
将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；
利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；
采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；
将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。
第二方面，本发明实施例提供一种放疗计划中的剂量预测装置，其中，包括：
获取单元，用于获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；
模型构建单元，用于将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新
深度学习单元，用于利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；
优化单元，用于采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；
预测单元，用于将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如第一方面所述的放疗计划中的剂量预测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如第一方面所述的放疗计划中的剂量预测方法。
本发明实施例提供了放疗计划中的剂量预测方法、装置、计算机设备及存储介质，方法包括：获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。本发明实施例在损失函数中加入一个有关处方剂量的约束项，提高了放疗计划中剂量预测的准确度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种放疗计划中的剂量预测方法的流程示意图；
图2为本发明实施例提供的一种放疗计划中的剂量预测装置的示意性框图；
图3为本发明实施例提供的计算机设备的示意性框图。
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的一种放疗计划中的剂量预测方法的流程示意图，其包括步骤S101～S105：
S101、获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；
S102、将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；
S103、利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；
S104、采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；
S105、将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。
本发明实施例中，在损失函数中增加了有关处方剂量的约束项，可以明显的提升剂量预测的准确性。这一新增的有关处方剂量的约束项，可以最小化在计划靶区上施加的处方剂量和计划靶区上预测的剂量之间的差异。
具体的，在所述步骤S101中，首先可以获取目标用户(如患者)的CT定位影像，也可以称为CT影像。医生和物理师可在CT定位影像上绘制Planning Target Volume(PTV，计划靶区)的3D轮廓，以及Organs at risks(OARs，危及器官)的3D轮廓，本步骤可以获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本，以便后续步骤中进行学习。
在所述步骤S102中，将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新。
本发明实施例通过对恢复信号对所述自编码模型不断进行更新和参数调整，使得自编码模型输出的中间信号符合后续的学习要求。
具体的，所述步骤S102包括：
将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至第一卷积层进行卷积处理；
将所述第一卷积层的输出送入至第一relu层进行激活处理；
将所述第一relu层的输出送入至第二卷积层进行卷积处理；
将所述第二卷积层的输出送入至第二relu层进行激活处理；
将所述第二relu层的输出送入至第一池化层进行池化处理；
将所述第一池化层的输出送入至第三卷积层进行卷积处理；
将所述第三卷积层的输出送入至第三relu层进行激活处理；
将所述第三relu层的输出送入至第四卷积层进行卷积处理；
将所述第四卷积层的输出送入至第四relu层进行激活处理；
将所述第四relu层的输出送入至第二池化层进行池化处理；
将所述第二池化层的输出送入至全连接层进行降维处理，得到中间信号。
其中，所述第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核均为3×3、填充(pad)均为1、步长均为1。所述的第一池化层和第二池化层中的卷积核均为2×2、填充(pad)均为1、步长均为1。所述第一relu层、第二relu层、第三relu层和第四relu层均为激活函数层。
具体的，所述步骤S102还包括：
将所述中间信号送入至第一反卷积层进行反卷积处理；
将所述第一反卷积层的输出送入至第五relu层进行激活处理；
将所述第五relu层的输出送入至第二反卷积层进行反卷积处理；
将所述第二反卷积层的输出送入至第六relu层进行激活处理；
将所述第六relu层的输出送入至第三池化层进行池化处理；
将所述第三池化层的输出送入至第三反卷积层进行反卷积处理；
将所述第三反卷积层的输出送入第七relu层进行激活处理；
将所述第七relu层的输出送入第四反卷积层进行反卷积处理；
将所述第四反卷积层的输出送入至第八relu层进行激活处理；
将所述第八relu层的输出送入至第四池化层进行池化处理，得到恢复信号。
其中，所述第一反卷积层、第二反卷积层、第三反卷积层和第四反卷积层的卷积核均为3×3、填充(pad)均为1、步长均为1。所述的第三池化层和第四池化层中的卷积核均为2×2、填充(pad)均为1、步长均为1。所述第五relu层、第六relu层、第七relu层和第八relu层均为激活函数层。
本发明实施例采用上述方式构建的自编码模型其能较好适应放疗计划中的剂量图预测，且参数和维度更易调整，模型预测准确率高。
在所述步骤S103中，采用所述自编码模型，对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习。
对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习后，可得到全局虚拟剂量图，同时还可以得到计划靶区掩膜的局部虚拟剂量图。
其中，全局虚拟剂量图是作为全局剂量图，而计划靶区掩膜的局部虚拟剂量图则是局部剂量图，所述计划靶区掩膜的局部虚拟剂量图中包含各体素点t的处方剂量值。
在所述步骤S104中，采用损失函数对所述自编码模型进行优化，以使所述自编码模型收敛。
本发明最核心的改进之处是对损失函数做了调整。所述损失函数包含了剂量图约束项和处方剂量约束项。
其中，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对计划靶区掩膜的局部虚拟剂量图的约束项，即对处方剂量的约束项。
现有技术中，损失函数通常只包含全局剂量图约束项，而本发明实施例则增加了处方剂量约束项，即在损失函数中引入了处方剂量约束项，达到即关注全局的剂量图，又同时关注处方剂量的目的。因为在放疗计划中最重要的是计划靶区所接收的放射剂量，这一放射剂量和放疗医师给出的处方剂量直接相关。计划靶区所受到的放射剂量需要极其接近处方剂量。本发明实施例通过引入该处方剂量约束项，这样可以提高最终的剂量预测准确性。
在一实施例中，所述剂量图约束项和处方剂量约束项为均方差(mean squarederror)约束项。
在一实施例中，所述剂量图约束项如下所示：
其中，N为全局体素点的个数，
为全局实际剂量图中体素点t的实际剂量值，
为全局虚拟剂量图中体素点t的预测剂量值。
本实施例中，
代表了临床上使用的全局实际剂量图中体素点t的实际剂量值(金标准)，而
代表了利用模型预测得到的预测剂量值，上述剂量图约束项可以对全局剂量进行约束。
在一实施例中，所述处方剂量约束项如下所示：
其中，K为计划靶区掩膜中体素点的个数，
为计划靶区掩膜中体素点t的实际处方剂量值，
为计划靶区掩膜中体素点t的预测处方剂量值。
本实施例中，
代表了临床上使用的计划靶区掩膜中体素点t的实际处方剂量值，
代表了计划靶区掩膜的局部虚拟剂量图中体素点t的预测处方剂量值，即利用模型预测得到的计划靶区掩膜中体素点t的预测处方剂量值。上述处方剂量约束项使得计划靶区所接收的放射剂量和放疗医师给出的处方剂量接近，从而明显的提升剂量预测的准确性。
在一实施例中，所述损失函数如下所示：L＝α*L1+β*L2，α和β为常量。通过上述α和β，可以根据需要调节L1和L2的权重，例如某些放疗计划中，全局剂量较为重要，那么可将α调大，β调小，而在某些放疗计划中，处方剂量较为重要，那么可将α调小，β调大。在一个具体实施例中，所述α和β均可设置为1。
在一实施例中，所述剂量图约束项和处方剂量约束项为交叉熵约束项或二值化交叉熵约束项。
本实施例中，所述剂量图约束项和处方剂量约束项除了采用上述均方差约束项之外，还可以采用交叉熵约束项或二值化交叉熵约束项，也就是，损失函数可以是交叉熵损失函数或二值化交叉熵损失函数。
其中，采用所述交叉熵作为损失函数，p表示真实标记的分布，q则为训练后的模型的预测标记分布，衡量p与q的相似性。交叉熵作为损失函数可以使用sigmoid函数(激活函数)在梯度下降时能避免均方误差损失函数学习速率降低的问题，因为学习速率可以被输出的误差所控制。
二值化交叉熵也可以成为二分类交叉熵，顾名思义，其具有二分类的特点，可以适用于某些模型。
针对上述交叉熵或者二值化交叉熵，同样可以将处方剂量加入损失函数中，作为独立的一项。
本发明实施例中，在损失函数中，新增加的有关处方剂量的均方差项可以最小化在计划靶区上施加的实际处方剂量和计划靶区的预测处方剂量之间的差异，从而可提升剂量预测的准确性。
在放射治疗的临床实践中，处方剂量往往不仅限于60Gy(Gray，剂量)的根治剂量，而还包括小于60Gy的剂量。例如：50Gy和40Gy。为了在一个深度学习模型中，同时预测不同的处方剂量，在损失函数中加入一个有关处方剂量约束项非常有必要。本发明实施例在损失函数中加入一个有关处方剂量的约束项不仅仅可以增加一个神经网络模型单个处方剂量的预测准确度，而且可以使一个神经网络模型同时预测多个处方剂量的放疗剂量图。
请参阅图2，其为本发明实施例提供的一种放疗计划中的剂量预测装置的示意性框图，该放疗计划中的剂量预测装置200包括：
获取单元201，用于获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；
模型构建单元202，用于将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；
深度学习单元203，用于利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；
优化单元204，用于采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；
预测单元205，用于将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。
本发明实施例的装置，在损失函数中加入一个有关处方剂量的约束项，提高了放疗计划中剂量预测的准确度。
上述放疗计划中的剂量预测装置200可以实现为计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3，图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备300是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图3，该计算机设备300包括通过系统总线301连接的处理器302、存储器和网络接口305，其中，存储器可以包括非易失性存储介质303和内存储器304。
该非易失性存储介质303可存储操作系统3031和计算机程序3032。该计算机程序3032被执行时，可使得处理器302执行放疗计划中的剂量预测方法。
该处理器302用于提供计算和控制能力，支撑整个计算机设备300的运行。
该内存储器304为非易失性存储介质303中的计算机程序3032的运行提供环境，该计算机程序3032被处理器302执行时，可使得处理器302执行放疗计划中的剂量预测方法。
该网络接口305用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备300的限定，具体的计算机设备300可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器302用于运行存储在存储器中的计算机程序3032，以实现如下功能：获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。
在一实施例中，所述剂量图约束项和处方剂量约束项为均方差约束项。
在一实施例中，所述剂量图约束项如下所示：
其中，N为全局体素点的个数，
为全局实际剂量图中体素点t的实际剂量值，
为全局虚拟剂量图中体素点t的预测剂量值。
在一实施例中，所述处方剂量约束项如下所示：
其中，K为计划靶区掩膜中体素点的个数，
为计划靶区掩膜中体素点t的实际处方剂量值，
为计划靶区掩膜中体素点t的预测处方剂量值。
在一实施例中，所述损失函数如下所示：L＝α*L1+β*L2，α和β为常量。
在一实施例中，处理器302在执行所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新的步骤时，执行如下操作：将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至第一卷积层进行卷积处理；将所述第一卷积层的输出送入至第一relu层进行激活处理；将所述第一relu层的输出送入至第二卷积层进行卷积处理；将所述第二卷积层的输出送入至第二relu层进行激活处理；将所述第二relu层的输出送入至第一池化层进行池化处理；将所述第一池化层的输出送入至第三卷积层进行卷积处理；将所述第三卷积层的输出送入至第三relu层进行激活处理；将所述第三relu层的输出送入至第四卷积层进行卷积处理；将所述第四卷积层的输出送入至第四relu层进行激活处理；将所述第四relu层的输出送入至第二池化层进行池化处理；将所述第二池化层的输出送入至全连接层进行降维处理，得到中间信号。
在一实施例中，所述处理器302在执行所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新的步骤时，还执行如下操作：将所述中间信号送入至第一反卷积层进行反卷积处理；将所述第一反卷积层的输出送入至第五relu层进行激活处理；将所述第五relu层的输出送入至第二反卷积层进行反卷积处理；将所述第二反卷积层的输出送入至第六relu层进行激活处理；将所述第六relu层的输出送入至第三池化层进行池化处理；将所述第三池化层的输出送入至第三反卷积层进行反卷积处理；将所述第三反卷积层的输出送入第七relu层进行激活处理；将所述第七relu层的输出送入第四反卷积层进行反卷积处理；将所述第四反卷积层的输出送入至第八relu层进行激活处理；将所述第八relu层的输出送入至第四池化层进行池化处理，得到恢复信号。
本领域技术人员可以理解，图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图3所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器302可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器302还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测。
在一实施例中，所述剂量图约束项和处方剂量约束项为均方差约束项。
在一实施例中，所述剂量图约束项如下所示：
其中，N为全局体素点的个数，
为全局实际剂量图中体素点t的实际剂量值，
为全局虚拟剂量图中体素点t的预测剂量值。
在一实施例中，所述处方剂量约束项如下所示：
其中，K为计划靶区掩膜中体素点的个数，
为计划靶区掩膜中体素点t的实际处方剂量值，
为计划靶区掩膜中体素点t的预测处方剂量值。
在一实施例中，所述损失函数如下所示：L＝α*L1+β*L2，α和β为常量。
在一实施例中，所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新，包括：将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至第一卷积层进行卷积处理；将所述第一卷积层的输出送入至第一relu层进行激活处理；将所述第一relu层的输出送入至第二卷积层进行卷积处理；将所述第二卷积层的输出送入至第二relu层进行激活处理；将所述第二relu层的输出送入至第一池化层进行池化处理；将所述第一池化层的输出送入至第三卷积层进行卷积处理；将所述第三卷积层的输出送入至第三relu层进行激活处理；将所述第三relu层的输出送入至第四卷积层进行卷积处理；将所述第四卷积层的输出送入至第四relu层进行激活处理；将所述第四relu层的输出送入至第二池化层进行池化处理；将所述第二池化层的输出送入至全连接层进行降维处理，得到中间信号。
在一实施例中，所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新，还包括：将所述中间信号送入至第一反卷积层进行反卷积处理；将所述第一反卷积层的输出送入至第五relu层进行激活处理；将所述第五relu层的输出送入至第二反卷积层进行反卷积处理；将所述第二反卷积层的输出送入至第六relu层进行激活处理；将所述第六relu层的输出送入至第三池化层进行池化处理；将所述第三池化层的输出送入至第三反卷积层进行反卷积处理；将所述第三反卷积层的输出送入第七relu层进行激活处理；将所述第七relu层的输出送入第四反卷积层进行反卷积处理；将所述第四反卷积层的输出送入至第八relu层进行激活处理；将所述第八relu层的输出送入至第四池化层进行池化处理，得到恢复信号。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种放疗计划中的剂量预测方法，其特征在于，包括：
获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；
将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；
利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；
采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；
将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测；
所述剂量图约束项和处方剂量约束项为均方差约束项；
所述剂量图约束项如下所示：
其中，N为全局体素点的个数，
为全局实际剂量图中体素点t的实际剂量值，
为全局虚拟剂量图中体素点t的预测剂量值；
所述处方剂量约束项如下所示：
其中，K为计划靶区掩膜中体素点的个数，
为计划靶区掩膜中体素点t的实际处方剂量值，
为计划靶区掩膜中体素点t的预测处方剂量值；
所述损失函数如下所示：L＝α*L1+β*L2，α和β为常量。
2.根据权利要求1所述的放疗计划中的剂量预测方法，其特征在于，所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新，包括：
将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至第一卷积层进行卷积处理；
将所述第一卷积层的输出送入至第一relu层进行激活处理；
将所述第一relu层的输出送入至第二卷积层进行卷积处理；
将所述第二卷积层的输出送入至第二relu层进行激活处理；
将所述第二relu层的输出送入至第一池化层进行池化处理；
将所述第一池化层的输出送入至第三卷积层进行卷积处理；
将所述第三卷积层的输出送入至第三relu层进行激活处理；
将所述第三relu层的输出送入至第四卷积层进行卷积处理；
将所述第四卷积层的输出送入至第四relu层进行激活处理；
将所述第四relu层的输出送入至第二池化层进行池化处理；
将所述第二池化层的输出送入至全连接层进行降维处理，得到中间信号。
3.根据权利要求1所述的放疗计划中的剂量预测方法，其特征在于，所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新，还包括：
将所述中间信号送入至第一反卷积层进行反卷积处理；
将所述第一反卷积层的输出送入至第五relu层进行激活处理；
将所述第五relu层的输出送入至第二反卷积层进行反卷积处理；
将所述第二反卷积层的输出送入至第六relu层进行激活处理；
将所述第六relu层的输出送入至第三池化层进行池化处理；
将所述第三池化层的输出送入至第三反卷积层进行反卷积处理；
将所述第三反卷积层的输出送入第七relu层进行激活处理；
将所述第七relu层的输出送入第四反卷积层进行反卷积处理；
将所述第四反卷积层的输出送入至第八relu层进行激活处理；
将所述第八relu层的输出送入至第四池化层进行池化处理，得到恢复信号。
4.一种放疗计划中的剂量预测装置，其特征在于，包括：
获取单元，用于获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；
模型构建单元，用于将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；
深度学习单元，用于利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；
优化单元，用于采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；
预测单元，用于将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测；
所述剂量图约束项和处方剂量约束项为均方差约束项；
所述剂量图约束项如下所示：
其中，N为全局体素点的个数，
为全局实际剂量图中体素点t的实际剂量值，
为全局虚拟剂量图中体素点t的预测剂量值；
所述处方剂量约束项如下所示：
其中，K为计划靶区掩膜中体素点的个数，
为计划靶区掩膜中体素点t的实际处方剂量值，
为计划靶区掩膜中体素点t的预测处方剂量值；
所述损失函数如下所示：L＝α*L1+β*L2，α和β为常量。
5.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至3中任一项所述的放疗计划中的剂量预测方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的放疗计划中的剂量预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010929461.2A CN112037885B (zh) | 2020-09-07 | 2020-09-07 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
| PCT/CN2020/131605 WO2021151342A1 (zh) | 2020-09-07 | 2020-11-26 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010929461.2A CN112037885B (zh) | 2020-09-07 | 2020-09-07 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037885A CN112037885A (zh) | 2020-12-04 |
| CN112037885B true CN112037885B (zh) | 2022-05-17 |
Family
ID=73584962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010929461.2A Active CN112037885B (zh) | 2020-09-07 | 2020-09-07 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112037885B (zh) |
| WO (1) | WO2021151342A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114745516A (zh) * | 2022-04-11 | 2022-07-12 | Oppo广东移动通信有限公司 | 全景视频的生成方法、装置、存储介质及电子设备 |
| CN116525064B (zh) * | 2023-07-03 | 2023-11-10 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的检测装置、电子设备及计算机可读存储介质 |
| CN117690551B (zh) * | 2024-02-04 | 2024-06-11 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于等剂量线的并发症发生概率确定装置及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104548372A (zh) * | 2015-01-07 | 2015-04-29 | 上海联影医疗科技有限公司 | 放射治疗计划、剂量确定、质量保证的方法及装置 |
| CN106169028A (zh) * | 2016-07-05 | 2016-11-30 | 西南医科大学附属医院 | 调强放疗中危及器官吸收剂量预测数学模型的构建方法 |
| CN107715314A (zh) * | 2017-11-20 | 2018-02-23 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
| WO2020047536A1 (en) * | 2018-08-31 | 2020-03-05 | Board Of Regents, University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
| CN110931107A (zh) * | 2019-11-22 | 2020-03-27 | 上海联影医疗科技有限公司 | 放疗计划生成系统、装置及存储介质 |
| CN110944717A (zh) * | 2017-07-25 | 2020-03-31 | 医科达有限公司 | 使用深度卷积网络的放射疗法计划 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10467741B2 (en) * | 2015-02-26 | 2019-11-05 | Washington University | CT simulation optimization for radiation therapy contouring tasks |
| US11850445B2 (en) * | 2016-09-07 | 2023-12-26 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
| US10342994B2 (en) * | 2016-12-13 | 2019-07-09 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
| US11013936B2 (en) * | 2018-12-21 | 2021-05-25 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
| CN110085298B (zh) * | 2019-04-26 | 2022-02-01 | 南方医科大学 | 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 |
| CN110124214B (zh) * | 2019-05-24 | 2020-09-04 | 南方医科大学 | 预测剂量分布引导的调强放疗计划优化系统、介质及设备 |
| CN110197709B (zh) * | 2019-05-29 | 2023-06-20 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
| CN110354406A (zh) * | 2019-07-30 | 2019-10-22 | 安徽大学 | 一种放射治疗的三维剂量预测方法和系统 |
-
2020
- 2020-09-07 CN CN202010929461.2A patent/CN112037885B/zh active Active
- 2020-11-26 WO PCT/CN2020/131605 patent/WO2021151342A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104548372A (zh) * | 2015-01-07 | 2015-04-29 | 上海联影医疗科技有限公司 | 放射治疗计划、剂量确定、质量保证的方法及装置 |
| CN106169028A (zh) * | 2016-07-05 | 2016-11-30 | 西南医科大学附属医院 | 调强放疗中危及器官吸收剂量预测数学模型的构建方法 |
| CN110944717A (zh) * | 2017-07-25 | 2020-03-31 | 医科达有限公司 | 使用深度卷积网络的放射疗法计划 |
| CN107715314A (zh) * | 2017-11-20 | 2018-02-23 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
| WO2020047536A1 (en) * | 2018-08-31 | 2020-03-05 | Board Of Regents, University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
| CN110931107A (zh) * | 2019-11-22 | 2020-03-27 | 上海联影医疗科技有限公司 | 放疗计划生成系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021151342A1 (zh) | 2021-08-05 |
| CN112037885A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
| CN112037885B (zh) | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 | |
| US10765888B2 (en) | System and method for automatic treatment planning | |
| US11954761B2 (en) | Neural network for generating synthetic medical images | |
| CN111727458B (zh) | 使用深度学习的基于图谱集的分割 | |
| CN109069858B (zh) | 一种放射治疗系统及计算机可读存储装置 | |
| JP6884853B2 (ja) | ニューラルネットワーク法を用いた画像セグメンテーション | |
| JP2021035502A (ja) | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 | |
| US20210158929A1 (en) | Parameter search in radiotherapy treatment plan optimization | |
| US20230173303A1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
| CN116569190B (zh) | 用于放疗治疗计划的剂量图预测的方法和计算机程序产品 | |
| WO2021226500A1 (en) | Machine learning image reconstruction | |
| US20220387822A1 (en) | Systems and methods for radiotherapy planning | |
| US12014813B2 (en) | Contouring system | |
| EP4364040A2 (en) | Artificial intelligence enabled preference learning | |
| Buatti et al. | Standardizing and improving dose predictions for head and neck cancers using complete sets of OAR contours | |
| WO2023196533A1 (en) | Automated generation of radiotherapy plans | |
| CN117672462A (zh) | 一种基于人工智能的交互式放射治疗计划生成系统 |
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 |