CN112133440A - 一种剂量计算系统、剂量质量保证系统及存储介质 - Google Patents
一种剂量计算系统、剂量质量保证系统及存储介质 Download PDFInfo
- Publication number
- CN112133440A CN112133440A CN202011036267.8A CN202011036267A CN112133440A CN 112133440 A CN112133440 A CN 112133440A CN 202011036267 A CN202011036267 A CN 202011036267A CN 112133440 A CN112133440 A CN 112133440A
- Authority
- CN
- China
- Prior art keywords
- dose
- parameters
- calculation model
- dose calculation
- information
- 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 244
- 238000000275 quality assurance Methods 0.000 title claims abstract description 24
- 238000001959 radiotherapy Methods 0.000 claims abstract description 42
- 230000005855 radiation Effects 0.000 claims abstract description 41
- 238000013136 deep learning model Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 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
- 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
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明实施例公开了一种剂量计算系统、剂量质量保证系统及存储介质，所述剂量计算系统包括处理器，处理器被配置为处理如下步骤：获取放射治疗设备相关的剂量相关参数；将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；根据输出信息确定剂量分布信息。本发明实施例通过基于深度学习模型构建剂量计算模型并训练，实现了自动建模，不需要用户手动调节参数，计算速度快而且提高了剂量分布预测的计算效率，加快了放射治疗系统中快速蒙特卡罗剂量计算的建模过程；而且本发明的剂量计算模型可以用于放射剂量的质量保证，提高了计算效率且准确度高。
Description
技术领域
本发明实施例涉及医疗设备技术领域，尤其涉及一种剂量计算系统、剂量质量保证系统及存储介质。
背景技术
治疗计划系统(Treatment Plan System，TPS)是一种医疗软件产品，通过对放射源和患者建模，通过优化算法确定一组放射治疗相关的参数，以使得执行该参数时可以达到医生给定的处方剂量。随着对精准剂量计算的追求，治疗计划系统中快速蒙特卡罗(Monte Carlo)剂量计算变得尤为重要。快速蒙特卡罗算法计算速度可以达到秒级，可以满足临床的速度需求。但是出于对高精度的要求，快速蒙特卡罗算法建模过程比较复杂，需要调节的参数众多，导致蒙特卡罗算法中蒙特卡罗参数的确定速度较慢，使得蒙特卡罗剂量算法的建模速度较慢。
发明内容
本发明实施例提供了一种计算系统、剂量质量保证系统及存储介质，以加快蒙特卡罗算法中蒙特卡罗参数的确定速度，提高剂量分布预测的计算效率。
第一方面，本发明实施例提供了一种剂量计算系统，包括处理器，处理器被配置为处理如下步骤：
获取放射治疗设备相关的剂量相关参数；
将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；
根据输出信息确定剂量分布信息。
第二方面，本发明实施例还提供了一种剂量质量保证系统，包括处理器，处理器被配置为处理如下步骤：
获取放射治疗设备相关的计划参数，所述计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
将放射治疗设备相关的机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得剂量计算模型输出的剂量计算分布信息，其中，剂量计算模型基于深度学习模型构建；
比较剂量计算模型输出的剂量计算分布信息与所述目标剂量分布信息；
根据比较结果判断当前剂量相关参数是否满足要求。
第三方面，本发明实施例还提供了一种剂量计算装置，包括：
相关参数获取模块，用于获取放射治疗设备相关的剂量相关参数；
模型输出获取模块，用于将所述剂量相关参数输入至训练后的剂量计算模型中，获得所述剂量计算模型的输出信息，其中，所述剂量计算模型基于深度学习模型构建；
剂量分布确定模块，用于根据所述输出信息确定剂量分布信息。
第四方面，本发明实施例还提供了一种剂量质量保证装置，包括：
计划参数获取模块，用于获取放射治疗设备相关的计划参数，所述计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
剂量分布计算模块，用于将所述机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得所述剂量计算模型输出的剂量计算分布信息，其中，所述剂量计算模型基于深度学习模型构建；
剂量分布比较模块，用于比较所述剂量计算模型输出的剂量计算分布信息与所述目标剂量分布信息；
计划参数判断模块，用于根据所述比较结果判断当前所述计划参数是否满足要求。
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
获取放射治疗设备相关的剂量相关参数；
将所述剂量相关参数输入至训练后的剂量计算模型中，获得所述剂量计算模型的输出信息，其中，所述剂量计算模型基于深度学习模型构建；
根据所述输出信息确定剂量分布信息。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
获取放射治疗设备相关的计划参数，所述计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
将所述机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得所述剂量计算模型输出的剂量计算分布信息，其中，所述剂量计算模型基于深度学习模型构建；
比较所述剂量计算模型输出的剂量计算分布信息与所述目标剂量分布信息；
根据所述比较结果判断当前所述计划参数是否满足要求。
本发明实施例提供的剂量计算系统通过获取放射治疗设备相关的剂量相关参数；将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；根据输出信息确定剂量分布信息，通过基于深度学习模型构建剂量计算模型并训练，实现了自动建模，不需要用户手动调节参数，计算速度快而且提高了剂量分布预测的计算效率，在利用蒙特卡罗剂量算法的情况下，加快了放射治疗系统中快速蒙特卡罗剂量计算的建模过程；而且本发明的剂量计算模型可以用于放射剂量的质量保证，提高了计算效率且准确度高。
附图说明
图1是本发明实施例一所提供的一种剂量计算系统中处理器所执行步骤的流程示意图；
图2是本发明实施例二所提供的一种剂量计算系统中处理器所执行步骤的流程示意图；
图3a是本发明实施例三所提供的一种剂量计算系统中处理器所执行步骤的流程示意图；
图3b是本发明实施例三所提供的一种剂量计算模型的结构示意图；
图4是本发明实施例四所提供的一种剂量质量保证系统中处理器所执行步骤的流程示意图；
图5是本发明实施例五所提供的一种剂量计算装置的结构示意图；
图6是本发明实施例六所提供的一种剂量质量保证装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的一种剂量计算系统中处理器所执行步骤的流程示意图。本实施例可适用于计算剂量分布信息时的情形。如图1所示，该处理器所执行的步骤具体包括：
S110、获取放射治疗设备相关的剂量相关参数。
在本实施例中，剂量相关参数可以理解为对剂量值产生影响的参数。可选的，剂量相关参数包括机器参数、射野信息以及至少一个目标位置信息。其中，射野信息可以为放射线指向并穿过的目标区域，具体可以为目标区域的大小、位置等信息。在一个实施例中，可以将射野配置为射野中心在辐射束中心轴上的不同尺寸的方形射野，在该情况下，射野信息可以指射野大小。机器参数可以为放射治疗设备的机器参数，可以包括源参数、MLC(多叶光栅)参数、JAW(钨门)参数等。其中，源参数可以包括源位置、源尺寸等，MLC参数可以包括端面形状、叶片位置、叶片宽度、漏射系数等，JAW参数包括安装高度等。目标位置信息可以理解为水箱坐标系下，测量点的三维空间位置。其中机器参数可以由放射治疗设备的性能确定，射野信息及目标位置信息可以根据放射需求确定。
S120、将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建。
本实施例借鉴深度学习的框架加快蒙特卡罗剂量算法的建模过程，利用人工智能预测的方法调节剂量计算模型中神经元的参数来匹配测量的水箱曲线，实现蒙特卡罗算法的自动建模，通过自动构建的剂量计算模型进行剂量计算，提高了蒙特卡罗参数的确定效率，加快了模型构建过程。
示例性的，在获取剂量相关参数后，将剂量相关参数输入至训练后的剂量训练模型中，获得剂量训练模型的输出信息。其中，剂量训练模型的输出信息可以为能够表征射野内剂量分布的数据信息，如射野中每个坐标点的剂量值。
S130、根据输出信息确定剂量分布信息。
可选的，获取剂量计算模型的输出信息后，基于剂量计算模型的输出信息确定剂量分布信息，以实现对剂量分布信息的预测。假设输出信息为目标射野中每个坐标点的剂量值，可以直接基于输出信息中每个坐标点的剂量值构成剂量分布信息。一个实施例中，剂量分布信息为至少一个目标位置的剂量值构成的三维剂量分布。示例性的，目标位置可以为射野范围内任意坐标点的位置。
本发明实施例提供的剂量计算模型通过获取剂量相关参数；将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；根据输出信息确定剂量分布信息，通过基于深度学习模型构建剂量计算模型并训练，实现了自动建模，不需要用户手动调节参数，计算速度快而且提高了剂量分布预测的计算效率，在利用蒙特卡罗剂量算法的情况下，加快了放射治疗系统中快速蒙特卡罗剂量计算的建模过程；而且本发明的剂量计算模型可以用于放射剂量的质量保证，提高了计算效率且准确度高。
实施例二
图2是本发明实施例二所提供的一种剂量计算系统中处理器所执行步骤的流程示意图。本实施例在上述方案的基础上，进行了进一步优化。如图2所示，方法包括：
S210、获取训练样本数据，训练样本数据包括不同样本剂量参数以及样本剂量参数对应的样本剂量信息。
在本实施例中，可以基于不同射野大小在不同机器参数下的水箱剂量生成训练样本数据。可选的，可以采用蒙特卡罗算法确定多个样本剂量参数下的样本剂量信息，基于多个样本剂量参数下的样本剂量信息确定训练样本数据。在本实施例中，可以利用蒙特卡罗算法计算水箱中的剂量分布以替代实测的水箱数据，得到样本剂量点的样本剂量信息。也就是说，样本剂量信息为采用蒙特卡罗算法确定的在水中的剂量信息。示例性的，可以将不同射野大小、不同机器参数统一为不同的样本剂量参数。预先使用治疗计划系统的蒙特卡罗(Monte Carlo)算法计算不同大小射野在不同机器参数下水箱的剂量，将得到的剂量点作为样本剂量点，基于样本剂量点的剂量值得到训练样本数据。使用蒙特卡罗算法计算多个样本剂量参数下的样本剂量信息避免了使用真实的水箱数据受到数据量限制的技术问题，可以得到大量的样本剂量点，为剂量计算模型提供了充足的样本训练数据，使得训练出的剂量计算模型更加准确，而且使得训练后的剂量计算模型的输出等效水箱数据。可选的，可以将所有样本剂量点作为训练剂量点，得到训练样本数据；还可以选择部分样本剂量点作为训练剂量点，得到训练样本数据。具体的，可以将每个机器参数、训练剂量点的剂量点位置和射野大小的组合和计算的水箱剂量值作为一组训练样本数据。
一个实施例中，基于多个样本剂量参数下的样本剂量信息确定训练样本数据，包括：选取部分样本剂量参数对应的部分样本剂量点作为训练剂量点，基于训练剂量点确定训练样本数据。优选的，选择部分样本剂量点作为训练剂量点，基于训练剂量点的剂量值得到训练样本数据。选择部分样本剂量点作为训练剂量点可以避免将所有样本剂量点作为训练剂量点进行训练导致的过拟合。一个实施例中，选取部分样本剂量参数对应的部分样本剂量点作为训练剂量点，包括：选取设定比例的样本剂量点作为训练剂量点。可选的，设定比例可以为大于50％的任意比例，具体可以根据实际需求设置，如选择85％的样本剂量点作为训练剂量点。
S220、使用训练样本数据对预先构建的剂量计算模型进行训练，得到训练后的剂量训练模型。
获取训练样本数据后，使用训练样本数据对预先构建的剂量计算模型进行训练，自动学习出剂量计算模型中的神经元参数，得到训练后的剂量训练模型。可选的，将训练样本数据输入至预先构架的剂量计算模型中，使其经过多层神经元，最终输出样本剂量点的预测剂量值，然后通过损失函数根据预测剂量值与训练样本数据中的训练剂量值计算损失值，基于损失值采用优化算法优化各个神经元的参数，例如利用梯度下降算法优化各神经元的参数，最终得到一个能够准确计算不同机器参数和射野大小下水箱剂量的剂量计算模型。
在上述方案的基础上，处理器执行的步骤还包括：将样本剂量参数对应的样本剂量点中的训练剂量点之外的样本剂量点作为测试剂量点，基于测试剂量点确定测试样本数据；使用测试样本数据对训练后的剂量计算模型进行验证，基于验证结果得到训练后的剂量计算模型。可选的，为了保证剂量计算模型的准确度，使用测试样本数据对训练后的剂量计算模型进行验证，验证剂量计算模型的预测结果是否准确，并在验证通过时，使用训练后的剂量计算模型进行剂量预测，在验证不通过时，对剂量计算模型中的神经元参数进行调整，直到剂量计算模型通过验证。其中，对剂量计算模型中的神经元参数进行调整可以为：重新获取训练样本数据，使用重新获取的训练样本数据对剂量计算模型进行训练；还可以为调整剂量计算模型中损失函数等方式。
一个实施例中，使用测试样本数据对训练后的剂量计算模型进行验证，基于验证结果得到训练后的剂量计算模型，包括：将测试样本数据输入至剂量计算模型中，获得剂量模型输出的测试预测结果；计算测试预测结果与测试样本数据对应的测试样本结果之间的差值，当差值在设定的误差范围内时，得到训练后的剂量计算模型。具体的，使用测试样本数据对训练后的剂量计算模型进行验证，得到验证结果，可以为：将测试样本数据中的测试剂量参数(如机器参数、射野信息以及至少一个目标位置信息等)输入至训练后的剂量计算模型中，获取剂量计算模型输出的测试预测结果，将测试预测结果与测试剂量参数对应的测试样本结果(即测试剂量值)进行比对，若预测结果与测试剂量值之间的差值在设定阈值范围内，则判定剂量计算模型通过验证，得到训练后的剂量计算模型；否则，判定剂量计算模型未通过验证。在一个实施例中，大部分的测试样本数据的验证结果均满足要求，则训练后的模型作为剂量计算模型。例如，90％或92％或95％以上的测试样本数据的验证结果均满足要求，则建模结束，将训练后的模型作为蒙特卡罗剂量计算模型。
S230、获取放射治疗设备相关的剂量相关参数。
S240、将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息。
S250、根据输出信息确定剂量分布信息。
本发明实施例通过获取训练样本数据；使用训练样本数据对预先构建的剂量计算模型进行训练，得到训练后的剂量训练模型，通过人工智能预测的方法调节剂量计算模型中的神经元参数实现算法自动建模，提高了蒙特卡罗参数的确定效率及速度，加快了治疗计划系统中快速蒙特卡罗剂量算法的建模过程。
实施例三
图3a是本发明实施例三所提供的一种剂量预测方法的流程图。本实施例在上述方案的基础上，提供了一种优选实施例。如图3a所示，所述方法包括
S310、使用蒙特卡罗算法计算不同样本剂量参数下的样本剂量信息，将样本剂量信息关联的剂量点作为样本剂量点。
可选的，样本剂量参数包括机器参数、射野信息及至少一个目标位置信息。具体的机器参数、射野信息及目标位置信息可参见上述实施例，在此不再赘述。
S320、选择85％的样本剂量点作为训练剂量点，剩余15％的样本剂量点作为测试剂量点。
可选择样本剂量点总数量的85％作为训练剂量点，剩余的样本剂量点作为测试剂量点。
S330、基于训练剂量点生成训练样本数据，使用训练样本数据对剂量计算模型进行训练，得到训练后的剂量计算模型。
具体的，输入机器参数，获取训练剂量点的物理坐标(可根据构建的坐标系确定)和射野大小，使其经过多层神经元，最终输出该训练剂量点的剂量。将输出剂量与训练样本数据中对应训练剂量点的剂量以及损失函数计算损失值，基于损失值采用优化算法优化各个神经元的参数，最终得到一个能准确计算不同机器参数和射野大小下水箱剂量的剂量计算模型。
其中，剂量计算模型可以基于TensorFlow构建。图3b是本发明实施例三所提供的一种剂量计算模型的结构示意图。图3b中示意性的示出了记录预测模型的结构。如图3b所示，剂量计算模型包括输入层、隐藏层和输出层。其中，输入层数据为样本剂量参数，如机器参数、至少一个目标位置信息(即水箱数据的空间位置)以及射野信息(即水箱曲线的射野大小)，对于不同的训练样本，需要调节对应的输入层参数；隐藏层是多层不同个数的神经元；输出层输出的数据为水箱空间位置坐标系下训练剂量点的剂量值。
S340、基于测试剂量点生成测试样本数据，使用测试样本数据对训练后的剂量计算模型进行验证。
具体的，比较剂量计算模型的输出结果与测试样本数据中测试样本结果(即剂量值)的差异，当差异在允许误差范围之内时，认定该剂量计算模型可以用于水箱的剂量计算。可选的，大部分的测试样本数据的验证结果均满足要求，则可以将训练后的模型作为剂量计算模型。例如，90％或92％或95％以上的测试样本数据的验证结果均满足要求，则建模结束，将训练后的模型作为蒙特卡罗剂量计算模型。
S350、基于验证通过的剂量计算模型进行剂量分布的预测。
验证通过的剂量计算模型可以用于剂量分布的预测，以及剂量的质量保证，如将剂量计算模型应用到TPS系统病人的模体质量管理模块中。
本发明实施例利用人工智能预测的方法调节剂量计算模型中的神经元参数实现算法自动建模，计算效率高而且速度快，加快了治疗计划系统中快速蒙特卡罗剂量算法的建模过程。
实施例四
图4是本发明实施例四所提供的一种剂量质量保证系统中处理器所执行步骤的流程示意图。本实施例可适用于判断剂量相关参数是否准备时的情形。如图4所示，该处理器所执行的步骤具体包括：
S410、获取放射治疗设备相关的计划参数，计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息。
在本实施例中，计划参数是根据放疗需求指定的，对剂量值产生影响的参数。所述计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息。将剂量计算模型应用到治疗计划系统患者的模体质量保证(Quality Assurance，QA)模块当中，进行剂量分布的预测，以根据预测的剂量分布判断计划参数是否符合放疗需求。
S420、将机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得剂量计算模型输出的剂量计算分布信息，其中，剂量计算模型基于深度学习模型构建。
确定计划参数后，将剂量相关参数作为输入，输入至训练后的剂量计算模型中，得到剂量计算模型输出的剂量计算分布信息。其中，剂量相关参数包括机器参数、射野信息以及至少一个目标位置信息。剂量计算分布信息可以为至少一个目标计划位置的剂量值构成的三维剂量分布。具体的，剂量计算模型的构建及训练方法可参见上述实施例，在此不再赘述。
S430、比较剂量计算模型输出的剂量计算分布信息与所述目标剂量分布信息。
得到剂量计算模型预测出的剂量计算分布信息后，将剂量计算分布信息与放疗需求的目标剂量分布信息进行比较，计算剂量计算分布信息与目标剂量分布信息在各目标计划位置的剂量差值。
S440、根据比较结果判断当前剂量计划参数是否满足要求。
可以通过计算剂量计算分布信息与目标剂量分布信息之间的方差、标准差或根据剂量体积直方图(DVH)等判断是否满足要求。得到各目标计划位置的剂量值的剂量差值后，根据各目标计划位置的剂量值的剂量差值判断基于计划参数得到的剂量计算分布信息是否满足放疗需求，从而判断计划参数是否准确。可选的，当剂量差值小于设定的剂量阈值时，可以判定目标计划位置的剂量值符合放疗需求。当大部分的目标计划位置(如95％的目标计划位置)的剂量值符合放疗需求时，可以认为剂量计划参数合适，符合放疗需求，可以基于计划的剂量计划参数进行放疗；否则，调整计划参数重新进行剂量分布的预测，直到基于计划参数得到的剂量计算分布信息满足放疗需求。
本发明实施例提供的剂量质量保证系统通过获取放射治疗设备相关的计划参数；将计划参数输入至训练后的剂量计算模型，获得剂量计算模型输出的剂量计算分布信息，其中，剂量计算模型基于深度学习模型构建；比较剂量计算模型输出的剂量计算分布信息与目标剂量分布信息，目标剂量分布信息与剂量相关参数对应；根据比较结果判断当前计划参数是否合适，通过基于深度学习模型构建剂量计算模型并训练，实现了自动建模，加快了放射治疗系统中快速蒙特卡罗剂量计算的建模过程，并且将剂量计算模型用于放射剂量的质量保证，提高了计算效率且准确度高。
实施例五
图5是本发明实施例五所提供的一种剂量计算装置的结构示意图。该剂量计算装置可以采用软件和/或硬件的方式实现，例如该剂量计算装置可以配置于剂量计算系统中。如图5所示，该装置包括相关参数获取模块510、模型输出获取模块520和剂量分布确定模块530，其中：
相关参数获取模块510，用于获取放射治疗设备相关的剂量相关参数；
模型输出获取模块520，用于将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；
剂量分布确定模块530，用于根据输出信息确定剂量分布信息。
本发明实施例通过相关参数获取模块获取放射治疗设备相关的剂量相关参数；模型输出获取模块将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；剂量分布确定模块根据输出信息确定剂量分布信息，通过基于深度学习模型构建剂量计算模型并训练，实现了自动建模，不需要用户手动调节参数，计算速度快而且提高了剂量分布预测的计算效率，在利用蒙特卡罗剂量算法的情况下，加快了放射治疗系统中快速蒙特卡罗剂量计算的建模过程；而且本发明的剂量计算模型可以用于放射剂量的质量保证，提高了计算效率且准确度高。
可选的，在上述方案的基础上，装置还包括模型训练模块，包括：
训练数据获取单元，用于在将剂量相关参数输入至训练后的剂量计算模型之前，获取训练样本数据，训练样本数据包括不同样本剂量参数以及样本剂量参数对应的样本剂量信息；
模型训练单元，用于使用训练样本数据对预先构建的剂量计算模型进行训练，得到训练后的剂量计算模型。
可选的，在上述方案的基础上，训练数据获取单元具体用于：
采用蒙特卡罗算法确定多个样本剂量参数下的样本剂量信息，基于多个样本剂量参数及对应的样本剂量信息确定训练样本数据。
可选的，在上述方案的基础上，训练数据获取单元具体用于：
选取部分样本剂量参数对应的部分样本剂量点作为训练剂量点，基于训练剂量点确定训练样本数据。
可选的，在上述方案的基础上，装置还包括模型测试模块，包括：
测试数据获取单元，用于将样本剂量参数对应的样本剂量点中的训练剂量点之外的样本剂量点作为测试剂量点，基于测试剂量点确定测试样本数据；
模型验证单元，用于使用测试样本数据对训练后的剂量计算模型进行验证，，基于验证结果得到训练后的剂量计算模型。
可选的，在上述方案的基础上，模型验证单元具体用于：
将测试样本数据输入至剂量计算模型中，获得剂量模型输出的测试预测结果；
计算测试预测结果与测试样本数据对应的测试样本结果之间的差值，当差值在设定的误差范围内时，得到训练后的剂量计算模型。
可选的，在上述方案的基础上，剂量分布信息为至少一个目标位置的剂量值构成的三维剂量分布。
可选的，在上述方案的基础上，剂量相关参数包括放射治疗设备相关的机器参数、射野信息以及至少一个目标位置信息。
可选的，在上述方案的基础上，样本剂量信息为采用蒙特卡罗算法确定的在水中的剂量信息。
本发明实施例所提供的剂量计算装置可执行本发明任意实施例所提供的剂量计算系统中处理器所执行的步骤，具备执行步骤相应的功能模块和有益效果。
实施例六
图6是本发明实施例六所提供的一种剂量质量保证装置的结构示意图。该剂量质量保证装置可以采用软件和/或硬件的方式实现，例如该剂量质量保证装置可以配置于剂量质量保证系统中。如图6所示，该装置包括计划参数获取模块610、剂量分布计算模块620、剂量分布比较模块630和计划参数判断模块640，其中：
计划参数获取模块610，用于获取放射治疗设备相关的计划参数，计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
剂量分布计算模块620，用于将机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得剂量计算模型输出的剂量计算分布信息，其中，剂量计算模型基于深度学习模型构建；
剂量分布比较模块630，用于比较剂量计算模型输出的剂量计算分布信息与目标剂量分布信息；
计划参数判断模块640，用于根据比较结果判断当前计划参数是否满足要求。
本发明实施例通过计划参数获取模块获取放射治疗设备相关的计划参数；剂量分布计算模块将计划参数输入至训练后的剂量计算模型，获得剂量计算模型输出的剂量计算分布信息，其中，剂量计算模型基于深度学习模型构建；剂量分布比较模块比较剂量计算模型输出的剂量计算分布信息与目标剂量分布信息，目标剂量分布信息与剂量相关参数对应；计划参数判断模块根据比较结果判断当前计划参数是否满足要求，通过基于深度学习模型构建剂量计算模型并训练，实现了自动建模，加快了放射治疗系统中快速蒙特卡罗剂量计算的建模过程，并且将剂量计算模型用于放射剂量的质量保证，提高了计算效率且准确度高。
本发明实施例所提供的剂量质量保证装置可执行本发明任意实施例所提供的剂量质量保证系统中处理器所执行的步骤，具备执行步骤相应的功能模块和有益效果。
实施例七
本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所提供的剂量计算系统中处理器所执行的步骤，包括：
获取放射治疗设备相关的剂量相关参数；
将剂量相关参数输入至训练后的剂量计算模型中，获得剂量计算模型的输出信息，其中，剂量计算模型基于深度学习模型构建；
根据输出信息确定剂量分布信息；
和/或，实现本发明实施例所提供的剂量质量保证系统中处理器所执行的步骤，包括：
获取放射治疗设备相关的计划参数，计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
将机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得剂量计算模型输出的剂量计算分布信息，其中，剂量计算模型基于深度学习模型构建；
比较剂量计算模型输出的剂量计算分布信息与目标剂量分布信息；
根据比较结果判断当前计划参数是否满足要求。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的剂量计算系统处理器执行的相关操作，和/或执行本发明任意实施例所提供的质量保证系统处理器执行的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种剂量计算系统，其特征在于，包括处理器，所述处理器被配置为处理如下步骤：
获取放射治疗设备相关的剂量相关参数；
将所述剂量相关参数输入至训练后的剂量计算模型中，获得所述剂量计算模型的输出信息，其中，所述剂量计算模型基于深度学习模型构建；
根据所述输出信息确定剂量分布信息。
2.根据权利要求1所述的系统，其特征在于，在将所述剂量相关参数输入至训练后的剂量计算模型之前，还包括：
获取训练样本数据，所述训练样本数据包括不同样本剂量参数以及所述样本剂量参数对应的样本剂量信息；
使用所述训练样本数据对预先构建的剂量计算模型进行训练，得到训练后的剂量训练模型。
3.根据权利要求2所述的系统，其特征在于，所述获取训练样本数据，包括：
采用蒙特卡罗算法确定多个样本剂量参数下的样本剂量信息，基于所述多个样本剂量参数及对应的样本剂量信息确定所述训练样本数据。
4.根据权利要求3系统，其特征在于，所述基于所述多个样本剂量参数及对应的样本剂量信息确定所述训练样本数据，包括：
选取部分所述样本剂量参数对应的部分样本剂量点作为训练剂量点，基于所述训练剂量点确定所述训练样本数据。
5.根据权利要求4所述的系统，其特征在于，还包括：
将所述样本剂量参数对应的样本剂量点中的训练剂量点之外的样本剂量点作为测试剂量点，基于所述测试剂量点确定测试样本数据；
使用所述测试样本数据对训练后的剂量计算模型进行验证，基于验证结果得到训练后的剂量计算模型。
6.根据权利要求5所述的系统，其特征在于，所述使用所述测试样本数据对训练后的剂量计算模型进行验证，基于验证结果得到训练后的剂量计算模型，包括：
将所述测试样本数据输入至所述剂量计算模型中，获得所述剂量模型输出的测试预测结果；
计算所述测试预测结果与所述测试样本数据对应的测试样本结果之间的差值，当所述差值在设定的误差范围内时，得到训练后的剂量计算模型。
7.根据权利要求1所述的系统，其特征在于，所述剂量分布信息为至少一个目标位置的剂量值构成的三维剂量分布。
8.根据权利要求1所述的系统，其特征在于，所述剂量相关参数包括所述放射治疗设备相关的机器参数、射野信息以及至少一个目标位置信息。
9.根据权利要求3所述的系统，其特征在于，所述样本剂量信息为采用蒙特卡罗算法确定的在水中的剂量信息。
10.一种剂量质量保证系统，其特征在于，包括处理器，所述处理器被配置为处理如下步骤：
获取放射治疗设备相关的计划参数，所述计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
将所述机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得所述剂量计算模型输出的剂量计算分布信息，其中，所述剂量计算模型基于深度学习模型构建；
比较所述剂量计算模型输出的剂量计算分布信息与所述目标剂量分布信息；
根据所述比较结果判断当前所述计划参数是否满足要求。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：
获取放射治疗设备相关的剂量相关参数；
将所述剂量相关参数输入至训练后的剂量计算模型中，获得所述剂量计算模型的输出信息，其中，所述剂量计算模型基于深度学习模型构建；
根据所述输出信息确定剂量分布信息。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：
获取放射治疗设备相关的计划参数，所述计划参数包含执行计划所需的机器参数、射野信息以及对应的目标剂量分布信息；
将所述机器参数、射野信息以及至少一个目标位置信息输入至训练后的剂量计算模型，获得所述剂量计算模型输出的剂量计算分布信息，其中，所述剂量计算模型基于深度学习模型构建；
比较所述剂量计算模型输出的剂量计算分布信息与所述目标剂量分布信息；
根据所述比较结果判断当前所述计划参数是否满足要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036267.8A CN112133440A (zh) | 2020-09-27 | 2020-09-27 | 一种剂量计算系统、剂量质量保证系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036267.8A CN112133440A (zh) | 2020-09-27 | 2020-09-27 | 一种剂量计算系统、剂量质量保证系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112133440A true CN112133440A (zh) | 2020-12-25 |
Family
ID=73839457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011036267.8A Pending CN112133440A (zh) | 2020-09-27 | 2020-09-27 | 一种剂量计算系统、剂量质量保证系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112133440A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904398A (zh) * | 2021-04-23 | 2021-06-04 | 上海联影医疗科技股份有限公司 | 确定剂量分布的方法和设备 |
| CN113990443A (zh) * | 2021-10-28 | 2022-01-28 | 上海联影医疗科技股份有限公司 | 一种剂量分布的确定方法和系统 |
| WO2023231253A1 (zh) * | 2022-05-31 | 2023-12-07 | 上海联影医疗科技股份有限公司 | 质量保证的方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107731298A (zh) * | 2017-09-28 | 2018-02-23 | 北京全域医疗技术有限公司 | 基于放疗计划系统的射野设置方法及装置 |
| CN109621228A (zh) * | 2018-12-12 | 2019-04-16 | 上海联影医疗科技有限公司 | 放射剂量的计算设备、装置和存储介质 |
| CN109785962A (zh) * | 2019-01-07 | 2019-05-21 | 安徽大学 | 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 |
-
2020
- 2020-09-27 CN CN202011036267.8A patent/CN112133440A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107731298A (zh) * | 2017-09-28 | 2018-02-23 | 北京全域医疗技术有限公司 | 基于放疗计划系统的射野设置方法及装置 |
| CN109621228A (zh) * | 2018-12-12 | 2019-04-16 | 上海联影医疗科技有限公司 | 放射剂量的计算设备、装置和存储介质 |
| CN109785962A (zh) * | 2019-01-07 | 2019-05-21 | 安徽大学 | 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 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904398A (zh) * | 2021-04-23 | 2021-06-04 | 上海联影医疗科技股份有限公司 | 确定剂量分布的方法和设备 |
| CN112904398B (zh) * | 2021-04-23 | 2022-11-25 | 上海联影医疗科技股份有限公司 | 确定剂量分布的方法和设备 |
| CN113990443A (zh) * | 2021-10-28 | 2022-01-28 | 上海联影医疗科技股份有限公司 | 一种剂量分布的确定方法和系统 |
| WO2023231253A1 (zh) * | 2022-05-31 | 2023-12-07 | 上海联影医疗科技股份有限公司 | 质量保证的方法和系统 |
| WO2023231255A1 (zh) * | 2022-05-31 | 2023-12-07 | 上海联影医疗科技股份有限公司 | 质量保证的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11413474B2 (en) | System and method for modelling of dose calculation in radiotherapy treatment planning | |
| CN112133440A (zh) | 一种剂量计算系统、剂量质量保证系统及存储介质 | |
| US11020615B2 (en) | Computing radiotherapy dose distribution | |
| CN110841205B (zh) | 一种肿瘤患者精准剂量验证装置 | |
| Aljarrah et al. | Determination of the initial beam parameters in Monte Carlo linac simulation | |
| CN112581475B (zh) | 一种预测放疗计划的伽马通过率的方法 | |
| KR20100016039A (ko) | 분계 불확실성의 확률론적 분석에 의한 방사선 요법시 개선된 치료 계획 평가 | |
| US10864382B2 (en) | System and method for radiation therapy treatment planning | |
| CN111462916B (zh) | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 | |
| US11607560B2 (en) | System, computer program product and method for radiation therapy treatment planning | |
| CN112233200A (zh) | 剂量确定方法及装置 | |
| CN111001097B (zh) | 一种放疗剂量评估系统、装置及存储介质 | |
| Conneely et al. | An investigation into the use of MMCTP to tune accelerator source parameters and testing its clinical application | |
| Lizar et al. | Patient-specific IMRT QA verification using machine learning and gamma radiomics | |
| US11504548B2 (en) | Systems and methods for quality control in image-guided radiotherapy | |
| Zhu et al. | Patient‐specific quality assurance prediction models based on machine learning for novel dual‐layered MLC linac | |
| Lambri et al. | Multicentric evaluation of a machine learning model to streamline the radiotherapy patient specific quality assurance process | |
| CN114420252A (zh) | 一种调强放疗计划评估参数矩阵确定方法、装置及介质 | |
| CN111494813B (zh) | 一种建模方法、验证方法、装置、设备及存储介质 | |
| Matsuura et al. | Predictive gamma passing rate of 3D detector array-based volumetric modulated arc therapy quality assurance for prostate cancer via deep learning | |
| Desai et al. | On the implementation of the plan‐class specific reference field using multidimensional clustering of plan features and alternative strategies for improved dosimetry in modulated clinical linear accelerator treatments | |
| Steciw et al. | Modulation factors calculated with an EPID‐derived MLC fluence model to streamline IMRT/VMAT second checks | |
| JP2022111774A (ja) | 判断支援システム、放射線治療システム及び判断支援システムにおける判断支援方法 | |
| Stambaugh et al. | Improvements in treatment planning calculations motivated by tightening IMRT QA tolerances | |
| JP2023508861A (ja) | 治療計画の品質を確認すること |
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 |