CN112086172A - 一种三维剂量计算方法、计算机设备以及可读介质 - Google Patents
一种三维剂量计算方法、计算机设备以及可读介质 Download PDFInfo
- Publication number
- CN112086172A CN112086172A CN202010959868.XA CN202010959868A CN112086172A CN 112086172 A CN112086172 A CN 112086172A CN 202010959868 A CN202010959868 A CN 202010959868A CN 112086172 A CN112086172 A CN 112086172A
- Authority
- CN
- China
- Prior art keywords
- distribution map
- terma
- electron density
- calculation method
- distribution
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 122
- 239000003989 dielectric material Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000005855 radiation Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 6
- 238000001959 radiotherapy Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radiology & Medical Imaging (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种三维剂量计算方法、计算机设备以及可读介质,所述三维剂量计算方法包括步骤:获取病人的影像图像;对所述影像图像进行处理,得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图;其中,若干所述射束单元由射野进行网格化拆分得到;将所述介质材料分布图、电子密度分布图、单个所述TERMA分布图各作为一个通道进行融合,输入至经训练的神经网络模型中,得到单个三维剂量分布,通过若干个所述单个三维剂量分布叠加计算所述射野的三维计量分布,本发明在不降低计算精确度的同时,提高其计算效率。
Description
技术领域
本发明属于放射治疗剂量计算技术领域,具体涉及一种三维剂量计算方法、计算机设备及可读介质。
背景技术
现代放射治疗技术的实施离不放射治疗剂量计算,剂量计算在放疗各方面,包括用于计划的剂量优化、剂量分布的计算,甚至是计划的独立验算和三维剂量验证等。不同的算法都存在考虑计算效率和计算和准确度平衡的问题。例如,笔形束算法的计算速度较快,但准确度稍差,蒙特卡罗剂量算法的准确度最高,但计算速度较慢。筒串卷积算法的计算准确度和速度则位于两者之间。因此,一直以来,提高计算准确度的同时努力提高计算效率是剂量算法研究所追求的目标。
深度学习有初步的研究开始在剂量计算中进行应用,申请人检索到两篇相关的文献:Xing,Y.等人通过Hierarchically Densely Connected U-net(HD U-net)模型把Fluence-convolution broad-beam(FCBB)算法的计算结果转换成筒串卷积计算结果。Dong,P.等人则通过搭建deep learning-based dose calculation network把AAA算法的低分辨率结果转换成AXB算法的高分辨率结果。这些研究的目的都是想利用深度学习的技术,对两种剂量计算方法结果的转换,即把计算速度快的剂量计算结果转换成计算精度较高的剂量,在提高剂量计算准确性的同时努力获得较高的计算效率。但是以上所训练模型都与医用直线加速器所对应的能量以及型号相关联,缺乏通用性。此外因为射野形状的不规则,需要大量包含各种射野条件的数据,增加训练难度。因此,现有技术的剂量算法还存在计算速度慢和精度不高的缺点。
发明内容
为了克服上述技术缺陷,本发明提供了一种三维剂量计算方法、计算机设备及可读介质,其能提高三维剂量的计算效率。
为了解决上述问题,本发明按以下技术方案予以实现的:
第一方面,本发明提供的一种三维剂量计算方法,所述计算方法包括:
获取病人的影像图像;
对所述影像图像进行处理,得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图;其中,若干所述射束单元由射野进行网格化拆分得到;
将所述介质材料分布图、电子密度分布图、单个所述TERMA分布图各作为一个通道进行融合,输入至经训练的神经网络模型中,得到单个三维剂量分布,其中,神经网络模型是通过已有剂量算法,在基于不同射束单元和不同影像图像生成剂量数据作为训练样本,经过训练确定参数构建而成;
通过若干个所述单个三维剂量分布叠加计算所述射野的三维计量分布。
进一步的,所述对所述影像图像进行处理,得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图的步骤,包括:
根据影像图像获取介质材料分布图和电子密度分布图;
根据射束单元、介质材料分布图和电子密度分布图,计算若干初入射的单个射束单元与介质发生相互作用的量TERMA;
由TERMA构建TERMA分布图;
对介质材料分布图、电子密度分布图和单个TERMA分布图进行插值处理;
对经插值处理后的介质材料分布图、电子密度分布图和TERMA分布图按照各自对应的最大值进行归一化处理。
进一步的,所述神经网络模型为编码器-解码器结构,编码器逐渐减少空间维度,识别图像特征,解码器逐步修复物体的细节和空间维度,对像素进行预测,最后以relu激活函数输出。
进一步的,还包括神经网络模型训练步骤:
获取基础影像数据;
对所述基础影像图像进行处理,得到若干组相互对应的介质材料分布图和电子密度分布图;
随机设置射束单元;
根据所述射束单元、介质材料分布图和电子密度分布图,计算单个所述射束单元所对应的TERMA分布图和已有剂量算法计算的剂量分布;
采用Adam优化器对若干组介质材料分布图和电子密度分布图、单个所述射束单元所对应的TERMA分布图进行训练和优化,其中采用MSE作为损失函数。
进一步的,在所述神经网络构训练步骤后,还包括调整修正步骤:
对于单能能量,基于加速器出束能谱进行加权叠加;
对于使用混合能谱下代表所述混合能谱的特征能量,采用射线硬化修正以及建成区域的污染电子修正。
进一步的,所述已有剂量算法包括:笔形束算法、筒串卷积算法、蒙特卡罗模拟。
进一步的,所述对介质材料分布图、电子密度分布图和单个TERMA分布图进行插值处理的步骤,包括:
将介质材料分布图、电子密度分布图和若干个TERMA分布图的物理坐标对齐,并重新插值成分辨率相同、网格大小相同的矩阵;
将所述矩阵进行连接。
第二方面,本发明提供的一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器上存储有在所述处理器上运行的计算方法程序,所述计算方法程序被所述处理器执行时实现如第一方面所述的三维剂量计算方法的步骤。
第三方面,本发明提供的一种计算机可读存储介质,所述存储介质是计算机可读存储介质,所述存储介质上存储有计算方法程序,所述计算方法程序被处理器运行时执行如第一方面所述的三维剂量计算方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明基于已有剂量算法计算结果,结合使用影像及原始入射线在介质中单位质量释放的总能量进行三维剂量计算的神经网络模型,计算精度与所学习剂量算法有关,计算时间只与学习网络以及计算矩阵有关,避免了传统剂量计算方法为了提高计算精度牺牲计算效率的困境,在完成训练后,在不降低计算精确度的同时,提高其计算效率。同时,采用基于射束单元的计算,模型训练与射束的形状大小无关,训练所需样本数量以及成本大幅度下降,所训练模型具有更高的通用性,可以适用于各种射野形状的场合。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1为实施例一所述三维剂量计算方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例一
本实施例提供了一种三维剂量计算方法,如图1所示,包括步骤:
S1、获取病人的影像图像;
S2、对所述影像图像进行处理,得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图;其中,若干所述射束单元由射野进行网格化拆分得到。
具体的,本实施射束单元设定大小为0.5cm×0.5cm,每个射束单元的编号为i,第i个射束单元表示为Bi,总网格数为N。
S3、将所述介质材料分布图、电子密度分布图、单个所述TERMA分布图各作为一个通道进行融合,输入至经训练的神经网络模型中,得到单个三维剂量分布,其中,神经网络模型是通过已有剂量算法,在基于不同射束单元和不同影像图像生成剂量数据作为训练样本,经过训练确定参数构建而成,已有剂量算法包括:笔形束算法、筒串卷积算法、蒙特卡罗模拟。
S4、通过若干个所述单个三维剂量分布叠加计算所述射野的三维计量分布。
具体的,步骤S2包括步骤:
S21、根据影像图像获取介质材料分布图和电子密度分布图,本实施例中的影像图像为CT图像,根据采集CT图像的机器的HU-电子密度转换曲线把CT图像的HU值转换成电子密度分布图像。
S22、根据射束单元、介质材料分布图和电子密度分布图,计算初入射光子与介质发生相互作用的量TERMA,其中,射束条件包括:能量、种类、射野形状、等中心位置以及入射角度,介质为根据影像信息所还原的不同介质,本实施针对单能进行计算,对于单能能量为E的光子线,从源到计算点的TERMA计算公式为:
式中以及分别为在网格与的光子的衰减系数(attenuationcoefficient),与光子能量和介质有关,质量衰减系数从National Institute ofStandards and Technology(NIST)查询获得,为处的介质密度,为射束通量分布。
S23、由TERMA构建TERMA分布图。
S24、对介质材料分布图、电子密度分布图和单个TERMA分布图进行插值处理。
S25、对经插值处理后的介质材料分布图、电子密度分布图和TERMA分布图按照各自对应的最大值进行归一化处理,此步骤是为了使得训练过程有更快的收敛速度,为了使输入和输出范围在0~1.0之间,对数据按照各自对应最大值进行归一化,电子密度分布最大值为3,TERMA以及剂量按照最大射野的最大值进行归一化处理。
在上述实施例中,神经网络模型为基于Unet的编码器-解码器结构,Unet结构最初用于生物影像中,常用于图像分割的编码器-解码器的结构,编码器逐渐减少空间维度,识别图像特征,解码器逐步修复物体的细节和空间维度,对像素进行预测,在放射治疗中也应用到了剂量计算,考虑到剂量计算是三维计算过程,采用三维卷积处理,编码器-解码器之间通过加法运算进行连接;最后一层输出层通过卷积层把特征层减少到1,为了保证最后输出范围>0,最后输出层采用relu激活函数。
进一步的,本实施例还包括神经网络模型训练步骤:
S01、获取基础影像数据,本实施例中,搜集包含人体各个部位,例如头颈、胸部、腹部、盆腔的CT影像数据,分别针对0.5MeV、1MeV、2MeV、3MeV、4MeV、5MeV、6MeV 7个单能能量的入射光子。
S02、对基础影像图像进行处理,得到七组相互对应的介质材料分布图和电子密度分布图。
S03、随机设置射束单元大小,即0.5cm×0.5cm,等中心点在模体内随机位置。
S04、根据射束单元、介质材料分布图和电子密度分布图,计算单个所述射束单元所对应的单个TERMA分布图和已有剂量算法计算的剂量分布。
S05、采用Adam优化器对七组介质材料分布图、电子密度分布图和TERMA分布图进行训练和优化,优化参数如下:learning rate=0.001,beta_1=0.9,beta_2=0.999,andepsilon=1e-8,并采用mean squared error(MSE)作为损失函数。
为了使三维剂量的结果更符合实际,所以,在神经网络模型训练完毕后,还包括调整修正步骤:
S06、对于单能能量,基于加速器出束能谱进行加权叠加。
S07、对于使用混合能谱下代表所述混合能谱的特征能量,采用射线硬化修正以及建成区域的污染电子修正。
更具体的,步骤S24包括步骤:
S241、将介质材料分布图、电子密度分布图和单个TERMA分布图的物理坐标对齐,并重新插值成分辨率相同、网格大小相同的矩阵,如根据物理坐标对齐并重新插值成0.5cm×0.5cm×0.5cm分辨率,网格大小为80×80×80矩阵。
S242、将矩阵进行连接,最终神经网络模型的输入矩阵为80×80×80×2(slices×columns×rows×channels)。
实施例二
本发明实施例提供的一种计算机设备,包括处理器与存储器,所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现本发明实施例提供的三维剂量计算方法。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
实施例三
本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,使所述处理器实现本发明实施例提供的三维剂量计算方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读存储介质上,计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的,术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
示例性的,所述计算机可读存储介质可以是前述实施例所述的网管设备的内部存储单元,例如所述网管设备的硬盘或内存。所述计算机可读存储介质也可以是所述网管设备的外部存储设备,例如所述网管设备上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
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 (9)
1.一种三维剂量计算方法,其特征在于,所述计算方法包括:
获取病人的影像图像;
对所述影像图像进行处理,得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图;其中,若干所述射束单元由射野进行网格化拆分得到;
将所述介质材料分布图、电子密度分布图、单个所述TERMA分布图各作为一个通道进行融合,输入至经训练的神经网络模型中,得到单个三维剂量分布,其中,神经网络模型是通过已有剂量算法,在基于不同射束单元和不同影像图像生成剂量数据作为训练样本,经过训练确定参数构建而成;
通过若干个所述单个三维剂量分布叠加计算所述射野的三维计量分布。
2.根据权利要求1所述的三维剂量计算方法,其特征在于,所述对所述影像图像进行处理,得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图的步骤,包括:
根据影像图像获取介质材料分布图和电子密度分布图;
根据射束单元、介质材料分布图和电子密度分布图,计算若干初入射的单个射束单元与介质发生相互作用的量TERMA;
由TERMA构建TERMA分布图;
对介质材料分布图、电子密度分布图和单个TERMA分布图进行插值处理;
对经插值处理后的介质材料分布图、电子密度分布图和TERMA分布图按照各自对应的最大值进行归一化处理。
3.根据权利要求1所述的三维剂量计算方法,其特征在于,所述神经网络模型为编码器-解码器结构,编码器逐渐减少空间维度,识别图像特征,解码器逐步修复物体的细节和空间维度,对像素进行预测,最后以relu激活函数输出。
4.根据权利要求2所述的三维剂量计算方法,其特征在于,还包括神经网络模型训练步骤:
获取基础影像数据;
对所述基础影像图像进行处理,得到若干组相互对应的介质材料分布图和电子密度分布图;
随机设置射束单元;
根据射束单元、介质材料分布图和电子密度分布图,计算单个所述射束单元所对应的TERMA分布图和已有剂量算法计算的剂量分布;
采用Adam优化器对若干组介质材料分布图和电子密度分布图、单个所述射束单元所对应的TERMA分布图进行训练和优化,其中采用MSE作为损失函数。
5.根据权利要求2所述的三维剂量计算方法,其特征在于,在所述神经网络构训练步骤后,还包括调整修正步骤:
对于单能能量,基于加速器出束能谱进行加权叠加;
对于使用混合能谱下代表所述混合能谱的特征能量,采用射线硬化修正以及建成区域的污染电子修正。
6.根据权利要求1所述的三维剂量计算方法,其特征在于,所述已有剂量算法包括:笔形束算法、筒串卷积算法、蒙特卡罗模拟。
7.根据权利要求2所述的三维剂量计算方法,其特征在于,所述对介质材料分布图、电子密度分布图和单个TERMA分布图进行插值处理的步骤,包括:
将介质材料分布图、电子密度分布图和若干个TERMA分布图的物理坐标对齐,并重新插值成分辨率相同、网格大小相同的矩阵;
将所述矩阵进行连接。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器上存储有在所述处理器上运行的计算方法程序,所述计算方法程序被所述处理器执行时实现如权利要求1-7任一项所述的三维剂量计算方法的步骤。
9.一种存储介质,其特征在于,所述存储介质是计算机可读存储介质,所述存储介质上存储有计算方法程序,所述计算方法程序被处理器运行时执行如权利要求1-7任一项所述的三维剂量计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959868.XA CN112086172A (zh) | 2020-09-14 | 2020-09-14 | 一种三维剂量计算方法、计算机设备以及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959868.XA CN112086172A (zh) | 2020-09-14 | 2020-09-14 | 一种三维剂量计算方法、计算机设备以及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112086172A true CN112086172A (zh) | 2020-12-15 |
Family
ID=73736769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959868.XA Pending CN112086172A (zh) | 2020-09-14 | 2020-09-14 | 一种三维剂量计算方法、计算机设备以及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112086172A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112086173A (zh) * | 2020-09-14 | 2020-12-15 | 广州瑞多思医疗科技有限公司 | 三维剂量计算方法、装置、计算机设备及可读介质 |
CN113426030A (zh) * | 2021-05-25 | 2021-09-24 | 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 |
CN115270588A (zh) * | 2022-08-03 | 2022-11-01 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种注量谱分布计算建模、注量谱分布计算方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6345114B1 (en) * | 1995-06-14 | 2002-02-05 | Wisconsin Alumni Research Foundation | Method and apparatus for calibration of radiation therapy equipment and verification of radiation treatment |
WO2017054316A1 (zh) * | 2015-09-29 | 2017-04-06 | 广州瑞多思医疗科技有限公司 | 放射治疗中在线剂量监测和验证的方法 |
CN111494815A (zh) * | 2020-05-14 | 2020-08-07 | 安徽慧软科技有限公司 | 基于混合变尺度模型的三维剂量计算方法、装置及介质 |
US20200254277A1 (en) * | 2019-02-13 | 2020-08-13 | Elekta Ab (Publ) | Computing radiotherapy dose distribution |
-
2020
- 2020-09-14 CN CN202010959868.XA patent/CN112086172A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6345114B1 (en) * | 1995-06-14 | 2002-02-05 | Wisconsin Alumni Research Foundation | Method and apparatus for calibration of radiation therapy equipment and verification of radiation treatment |
WO2017054316A1 (zh) * | 2015-09-29 | 2017-04-06 | 广州瑞多思医疗科技有限公司 | 放射治疗中在线剂量监测和验证的方法 |
US20200254277A1 (en) * | 2019-02-13 | 2020-08-13 | Elekta Ab (Publ) | Computing radiotherapy dose distribution |
CN111494815A (zh) * | 2020-05-14 | 2020-08-07 | 安徽慧软科技有限公司 | 基于混合变尺度模型的三维剂量计算方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
李玉,徐慧军: "《现代肿瘤放射物理学》", 原子能出版社, pages: 635 - 636 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112086173A (zh) * | 2020-09-14 | 2020-12-15 | 广州瑞多思医疗科技有限公司 | 三维剂量计算方法、装置、计算机设备及可读介质 |
CN112086173B (zh) * | 2020-09-14 | 2024-02-23 | 广州瑞多思医疗科技有限公司 | 三维剂量计算方法、装置、计算机设备及可读介质 |
CN113426030A (zh) * | 2021-05-25 | 2021-09-24 | 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 |
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 |
CN115270588A (zh) * | 2022-08-03 | 2022-11-01 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种注量谱分布计算建模、注量谱分布计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112086172A (zh) | 一种三维剂量计算方法、计算机设备以及可读介质 | |
CN103083821B (zh) | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 | |
CN113096766B (zh) | 一种个性化精准放疗计划中的三维剂量预测方法及系统 | |
Lee et al. | Estimation of NAND flash memory threshold voltage distribution for optimum soft-decision error correction | |
WO2018185063A1 (en) | System and method for modelling of dose calculation in radiotherapy treatment planning | |
WO2020199836A1 (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 | |
CN110556176B (zh) | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 | |
CN115829972B (zh) | 一种放疗计划三维剂量分布与通量的同步预测方法及装置 | |
CN104383638A (zh) | 一种针对肺部放疗中笔形束剂量计算的三维修正方法 | |
CN112086173B (zh) | 三维剂量计算方法、装置、计算机设备及可读介质 | |
Yang et al. | Deep learning architecture with transformer and semantic field alignment for voxel‐level dose prediction on brain tumors | |
CN111494815B (zh) | 基于混合变尺度模型的三维剂量计算方法、装置及介质 | |
Kalantzis et al. | Toward IMRT 2D dose modeling using artificial neural networks: a feasibility study | |
CN113599728A (zh) | 放疗剂量预测方法及装置 | |
Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
CN116052840B (zh) | 基于放疗的剂量分布数据处理装置、电子设备及存储介质 | |
Zhang et al. | The minimum knowledge base for predicting organ-at-risk dose–volume levels and plan-related complications in IMRT planning | |
CN102136041A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
Pan et al. | Improved Census Transform Method for Semi-Global Matching Algorithm | |
Fu et al. | Fast Monte Carlo dose calculation based on deep learning | |
CN109118555A (zh) | 计算机断层成像的金属伪影校正方法和系统 | |
Liu et al. | NeuralDAO: Incorporating neural network generated dose into direct aperture optimization for end‐to‐end IMRT planning | |
CN114298177A (zh) | 一种适用于深度学习训练数据的扩充增强方法、系统及可读存储介质 | |
CN113769282A (zh) | 机器人放射治疗设备剂量预测方法及装置 | |
CN111921098B (zh) | 一种基于放射治疗生物效应的鲁棒性优化系统 |
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 |