CN113327681A - 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 - Google Patents
一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 Download PDFInfo
- Publication number
- CN113327681A CN113327681A CN202011199703.3A CN202011199703A CN113327681A CN 113327681 A CN113327681 A CN 113327681A CN 202011199703 A CN202011199703 A CN 202011199703A CN 113327681 A CN113327681 A CN 113327681A
- Authority
- CN
- China
- Prior art keywords
- image
- dose
- confrontation network
- generator
- discriminator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 28
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 20
- 238000013461 design Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004980 dosimetry Methods 0.000 claims description 11
- 210000000133 brain stem Anatomy 0.000 claims description 5
- 210000001328 optic nerve Anatomy 0.000 claims description 5
- 210000000278 spinal cord Anatomy 0.000 claims description 5
- 210000003681 parotid gland Anatomy 0.000 claims description 4
- 230000001817 pituitary effect Effects 0.000 claims description 4
- 210000000695 crystalline len Anatomy 0.000 claims description 3
- 210000003977 optic chiasm Anatomy 0.000 claims description 3
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 5
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 5
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 210000000920 organ at risk Anatomy 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 208000008771 Lymphadenopathy Diseases 0.000 description 1
- 208000001894 Nasopharyngeal Neoplasms Diseases 0.000 description 1
- 206010031096 Oropharyngeal cancer Diseases 0.000 description 1
- 206010057444 Oropharyngeal neoplasm Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000010536 head and neck cancer Diseases 0.000 description 1
- 208000014829 head and neck neoplasm Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 210000001989 nasopharynx Anatomy 0.000 description 1
- 201000006958 oropharynx cancer Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及肿瘤学放射治疗技术领域，尤其涉及一种基于生成式对抗网络的肿瘤放疗计划自动设计方法。一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，包括以下步骤：S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。本发明提供了一种无需勾画的基于生成式对抗网络的肿瘤放疗计划自动设计方法，实现了肿瘤放射治疗过程中放疗计划的全自动设计。
Description
技术领域
本发明涉及肿瘤学放射治疗技术领域，尤其涉及一种基于生成式对抗网络的肿瘤放疗计划自动设计方法。
背景技术
在过去的几十年中，调强放疗(IMRT)和容积调强放疗(VMAT)几乎可以适用于所有的肿瘤治疗部位。由于IMRT和VMAT中的剂量分布复杂，即使OAR与靶区相邻，也可以显着降低对正常组织的辐射剂量，特别是临床关注的危及器官(OAR)，从而降低了放疗后发生不良事件的风险。但是，这些独特的剂量分布导致IMRT和VMAT的治疗计划过程越来越复杂。为了获得理想的剂量分布，需要勾画许多结构(包括感兴趣的特定优化区域)来辅助放疗计划的优化，优化过程需要调整各种剂量限制参数，不断重复的优化过程非常耗时。
在最近的一段时间里，研究人员开始使用深度神经网络(DNN) 来预测剂量分布，从而产生了一个新的研究领域。这种剂量预测可以减少IMRT的迭代优化过程，Nguyen等人的报告指出，基于U-net 的体系结构能够预测前列腺癌患者的剂量分布，并且发现原始剂量与预测剂量之间的绝对差值的平均值小于处方剂量的5％。Mahmood等人通过使用生成对抗网络(GAN)框架预测了口咽癌患者的同时整和加量(simultaneous integrated boost,SIB)治疗的剂量分布，并将基于GAN的方法的预测性能与几种最新技术进行了比较。他们发现，在满足临床标准方面，GAN优于基于U-net的预测模型，并且GAN在所研究的方法中也具有最佳的整体性能。
虽然基于DNN的预测模型在预测剂量分布和原始剂量分布之间取得了良好的一致性，但在所有模型框架中，患者CT中的勾画信息是预测的必要条件。肿瘤靶区和正常器官结构的勾画非常耗时，例如，一个使用Eclipse(Varian Medical Systems,Palo Alto,CA)来进行治疗计划的前列腺患者，勾画过程平均需要大约4小时，而头颈癌患者的勾画则需要更长的时间。医生勾画靶区在整个治疗计划所需时间中占比了很大一部分，如肺部调强放疗的患者，医生平均花费的时间约7个小时，前列腺调强放疗的患者，医生平均花费的时间约为 8个小时，头颈部调强放疗的患者，医生平均花费的时间约为18个小时。如果可以在没有患者勾画信息的情况下预测剂量分布，则将节省大量的时间，使医生和物理师可以将他们的专长集中在更具挑战性的病例或要求更高的任务上。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种无需勾画的基于生成式对抗网络的肿瘤放疗计划自动设计方法。
为了实现以上目的，本发明采用以下技术方案：
一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，包括以下步骤：
S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；
S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；
S3、根据步骤S2的结果设计放疗计划；
其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。
pix2pix是生成式对抗网络中采用的一种监督学习技术，pix2pix 的想法由Isola等人提出，被应用于将CT或结构图像转换为IMRT的剂量分布，在一定条件下的对抗生成模型，可以从图像数据集中合成图像，图像数据库由成对精确配准的源图像和目标图像组成。生成式对抗网络被广泛地用于医学影像的图像到图像间的转换，例如用于交叉模态合成、超分辨率和降噪等任务。
具体的，所述步骤S1中的剂量信息图像的矩阵大小为16位的 512*512像素大小，所述步骤S1还包括采用双线性插值将剂量信息图像的分辨率从2.5*2.5mm调整为1*1mm，剂量信息图像的保存单位为cGy。因为剂量信息的矩阵大小是随每个病人身体大小的变化而不同的。为了证实放射治疗中使用GAN进行图像到图像转换的能力，使用双线性插值将剂量信息的分辨率从2.5×2.5mm设置为1×1mm。所有患者的原始CT和勾画图像的分辨率也设置为1×1mm，层厚均为2.5mm。
具体的，所述步骤S1中的CT图像包括原始CT图像或勾画CT图像，所述勾画CT图像被输入PTV、脑干、腮腺、垂体、晶体、脊髓、视神经、视交叉中的一种或多种信息。
基于U-net的体系结构用于生成器，而PatchGAN分类器用于判别器。训练生成器尽可能生成与“真实”剂量分布图像无法区分开的模拟剂量分布，而判别器则被训练为尽可能检测生成器的“虚假”剂量分布。
具体的，所述步骤S2中目标图像
基于生成器G和鉴别符D的计算公式为：
其中，x是源图像，y是目标图像，G(x)是生成器生成的剂量图像，D(x，y)是判别器正确判断真实配对(x，y)为真的概率，D (x，G(x))是判别器正确判断虚假配对(x，G(x))为假的概率。概率表示为一个二元问题，即D(x，y)或D(x，G(x))→[1，0]，其中1表示判别器预测输入配对的图像是真实的，0则表示判别器将输入配对的图像预测为是虚假的。如果判别器可以完全将输入图像识别为真实图像或虚假图像，则将增加目标。与此相反，生成器会尝试最小化此目标(即，产生蒙蔽判别器的图像：D(x，G(x))→1)。
具体的，上述关系可以表示为
就像在极大极小博弈中，为了实现网络的快速收敛和稳定训练，生成器通过使用L1 距离
来测量实际剂量分布y的图像与生成的剂量分布G(x)的图像接近程度，计算公式为：
结合目标图像
的计算公式和
的计算公式可得出最终目标pix2pix
的计算公式为：
其中，λ是生成器的L1项的权重。
具体的，计算预测方法还包括：
S3、预测剂量的校准，计算原始计划于预测剂量的差异，计算公式为：
其中，Dprediction为根据预测剂量分布计算出的客观剂量学指标， Dground truth为根据原始剂量分布计算出的相应剂量学指标，Dprescription为 PTV的处方剂量。
具体的，上述步骤S3还可以比较原始CT模型和勾画CT模型之间的预测性能，通过从预测剂量中减去计划剂量来确定剂量差异，以确认生成的剂量分布是过量还是不足。仅使用特定剂量的参数(例如 Dx％和D均值)计算剂量差异，而将通过从预测中减去参考标准而计算出的绝对体积差用于评估特定体积的参数(例如VxGy)，在基于原始CT的模型和基于勾画CT的模型之间比较了所有测试案例的平均剂量差异。
适形度指数(conformation number，CN)被定义为：
均匀性指数(HI)被定义为：
其中Dx％是x％的 PTV体积接受的剂量，Dmean表示PTV体积的平均剂量。CN值范围是0～1，值越接近1，适形度越好；HI值越接近1靶区均匀性越好。
创建了参考标准和预测值之间的剂量分布差值，并在基于原始 CT的模型和基于勾画CT的模型之间进行了比较。还比较了三种方法(参考标准与基于原始CT的模型和基于勾画CT的模型)在等中心平面处的剂量分布。最后，计算所有测试案例的平均预测时间以进行评估。
采用本发明技术方案，本发明的有益效果为：本发明通过将没有手工勾画信息的患者CT数据集输入到生成式对抗网络(GAN)中，并将其预测性能与根据含有勾画信息的患者训练的常规预测模型进行比较，来实现一种IMRT的自动剂量预测框架。通过基于GAN的框架学习患者CT数据集，可以实现准确、快速的剂量预测。
附图说明
图1是本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法的框架示意图。
图2是本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法的等中心平面内剂量-体积直方图(DVH)和剂量分布图的比较结果示意图。
图3是本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法的PTV和OAR中评估的剂量学指标的要求标准。
具体实施方式
结合附图对本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法具体方案具体实施例作进一步的阐述。
实施例一，以鼻咽癌为例，选取某医院2018年1月至2020年1月收治的90例鼻咽癌患者，其中，男38例，女32例；年龄29～59岁，使用头颈肩膜固定体位后，行鼻咽及全颈部16层CT扫描。将数字化图像资料仪传入计划系统，由主管医师勾画出肿瘤范围及周边重要器官，按照调强放疗步骤勾画靶区。勾画肿瘤靶区(GTV)，包含鼻咽部肿瘤、口咽淋巴结和颈部肿大淋巴结，肿瘤靶区从前后、左右和头脚方向外扩3mm作为治疗靶区(PTV)。临近敏感器官结构的勾画包括晶体、视神经、垂体、脑干、脊髓和大脑颞叶等。采用9野均分照射，IMRT的临床处方剂量规定为PTV：2.2Gy/次,共32次；PTV1：1.9Gy/次,共32 次；PTV2：1.7Gy/次,共32次。1次/d,5次/周，危及器官的限量：脑干≤54Gy,脊髓≤45Gy,视神经和视交叉≤54Gy,晶体≤8Gy,腮腺至少单侧平均剂量≤25Gy。通过剂量体积直方图(dose-volume histogram,DVH)对治疗计划进行评估和优化，至少95％计划PTV能够接受95％的处方剂量照射，周围正常组织照射不超过其耐受量。确定剂量分布后，进行计划验证。每一例患者治疗前均进行质量控制和质量保证的验证。
为了创建成对的精确配准的源图像和目标图像，将剂量信息图像的矩阵大小转换为16位的512×512像素以匹配CT图像的大小，因为剂量信息的矩阵大小是随每个病人身体大小的变化而不同的。为了证实放射治疗中使用GAN进行图像到图像转换的能力，使用双线性插值将剂量信息的分辨率从2.5×2.5mm设置为1×1mm。所有患者的原始CT 和勾画图像的分辨率也设置为1×1mm，层厚均为2.5mm。所有剂量图像均以cGy为单位保存。PTV、脑干、腮腺、垂体、晶体、脊髓、视神经和视交叉等都用于输入勾画图像。
pix2pix是GAN中采用的一种监督学习技术，被应用于将CT或结构图像转换为IMRT的剂量分布。GAN被广泛地用于医学影像的图像到图像间的转换，例如用于交叉模态合成、超分辨率和降噪等任务。在一定条件下的对抗生成模型，可以从图像数据集中合成图像，图像数据库由成对精确配准的源图像和目标图像组成。
本实施例中，原始CT和结构图像属于源图像的类别，而相应的剂量信息图像被视为目标图像。GAN由生成器部分和判别器部分构成。基于U-net的体系结构用于生成器，而PatchGAN分类器用于判别器。训练生成器尽可能生成与“真实”剂量分布图像无法区分开的模拟剂量分布，而判别器则被训练为尽可能检测生成器的“虚假”剂量分布，如图1所示。pix2pix的目标
可以用生成器G和鉴别符D 表示：
其中x是源图像(即CT或结构图像)，y是目标图像(即相应的剂量信息图像)，G(x)是生成器生成的剂量图像，D(x，y)是判别器正确判断真实配对(x，y)为真的概率，而D(x，G(x))是判别器正确判断虚假配对(x，G(x))为假的概率。概率表示为一个二元问题，即D(x，y)或D(x，G(x))→[1，0]，其中1表示判别器预测输入配对的图像是真实的，0则表示判别器将输入配对的图像预测为是虚假的。如果判别器可以完全将输入图像识别为真实图像或虚假图像，则将增加目标。与此相反，生成器会尝试最小化此目标(即，产生蒙蔽判别器的图像：D(x，G(x))→1)。这其中的关系可以表示为
就像在极大极小博弈中，为了实现网络的快速收敛和稳定训练，生成器通过使用L1距离
来测量实际剂量分布y的图像与生成的剂量分布G(x)的图像接近程度：
pix2pix
的最终目标可以通过结合公式
和公式
来表示：
其中λ是生成器的L1项的权重。
具体地，总共90例患者分为81例(90％)进行训练和9例(10％) 进行测试。S1表中显示了分配给训练或测试的患者特征的详细信息。在每个CT、结构和剂量信息图像中，用于训练的数量为7467，用于测试的数量为876。本文没有选择输入CT图像的范围，因为应该确认靶区周围生成的剂量分布的通用性。此外，未为基于勾画CT的模型选择输入结构图像的范围。预测模型是使用GPU(NVIDIA GeForce RTX 2080 Ti)进行训练的。使用Adam做优化算法，学习率为0.0002， Adam的超参数设定值分别为β1＝0.5和β2＝0.999。批尺寸(BatchSize)设置为4。判别器接受区域采用70×70的图像块大小(Patch Size)。将L1项λ的权重设置为100。在两个预测模型中，训练参数的数量都为 57190084。在基于原始CT的预测模型和基于勾画CT的预测模型中的训练迭代分别选择为400k(215Epoch)和300k(160Epoch)。这些是根据初步实验凭经验确定的。最后，通过使用相应的原始CT训练模型和勾画CT训练模型来预测9个测试案例的剂量分布。
最后，对预测性能进行评价。
为了比较基于原始CT的模型和基于勾画CT的模型之间的预测性能，计算原始计划(参考标准)与预测之间的剂量学指标的剂量差异，计算方法如下：
其中Dprediction表示根据预测剂量分布计算出的任何客观剂量学指标，Dground truth表示根据原始剂量分布计算出的相应剂量学指标， Dprescription是PTV的处方剂量。通过从预测剂量中减去计划剂量来确定剂量差异，以确认生成的剂量分布是过量还是不足。仅使用特定剂量的参数(例如Dx％和D均值)计算剂量差异，而将通过从预测中减去参考标准而计算出的绝对体积差用于评估特定体积的参数(例如VxGy)。在基于原始CT的模型和基于勾画CT的模型之间比较了所有测试案例的平均剂量差异。适形度指数(conformation number，CN)被定义为
其中Vt100是至少接受规定剂量的靶区体积，Vtvol是靶区体积，而 V100是至少接受规定剂量的总体积。均匀性指数(HI)定义为：
其中Dx％是x％的PTV体积接受的剂量，Dmean表示PTV体积的平均剂量。CN值范围是0～1，值越接近1，适形度越好；HI值越接近1靶区均匀性越好。创建了参考标准和预测值之间的剂量分布差值，并在基于原始CT的模型和基于勾画CT的模型之间进行了比较。还比较了三种方法(参考标准与基于原始CT的模型和基于勾画CT的模型)在等中心平面处的剂量分布。最后，计算所有测试案例的平均预测时间以进行评估。
本发明的自动设计与其他计划的剂量学比较如下表1所示：
基于如上表参数，获得的对比结果如图2所示。图2为普通设计放疗计划和基于生成对抗网络的鼻咽癌放疗计划自动化设计的DVH比较结果曲线图。如图2所示曲线可知，本发明的自动计划可完成完整的鼻咽癌计划的制作，靶区覆盖程度与普通计划的结果比较无明显差距，且可以降低正常组织的受照剂量。
根据图3的PTV和OAR的评估剂量学指标要求，如图2所示，图2 总结了所有PTV和OAR测试案例中的平均剂量差异和绝对体积差异，显示了PTV和OAR中评估的剂量学指标的统计结果。基于原始CT的预测模型中，除参数D98％和D95％外，PTV的剂量差异在2％以内，OAR的剂量差异在3％以内，而在基于勾画CT的预测模型中，PTV的剂量差异约在1％以内，OAR的剂量差异约为2％。基于原始CT的预测模型和基于勾画CT的预测模型中的绝对体积差异分别平均在大约3％和1％之内。上表1显示了CN和HI对剂量分布的比较。尽管基于原始 CT的预测模型中的CN和HI低于参考标准，但基于勾画CT的预测模型中的CN和HI与参考标准相当。
综上，在本发明所提供的基于生成式对抗网络的肿瘤放疗计划自动设计方法中，通过将没有手工勾画信息的患者CT数据集输入到生成对抗网络(GAN)中，并将其预测性能与根据含有勾画信息的患者训练的常规预测模型进行比较，来实现一种针对鼻咽癌IMRT的自动剂量预测框架。通过基于GAN的框架学习患者CT数据集，可以实现准确、快速的剂量预测。基于原始CT的剂量预测可以减少迭代优化过程和结构所需的时间，从而使医生和物理师将他们的专业知识集中在更具挑战性的任务。
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 (6)
1.一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，其特征在于包括以下步骤：
S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；
S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；
S3、根据步骤S2的结果设计放疗计划；
其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。
2.根据权利要求1所述的一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，其特征在于所述步骤S1中的剂量信息图像的矩阵大小为16位的512*512像素大小，所述步骤S1还包括采用双线性插值将剂量信息图像的分辨率从2.5*2.5mm调整为1*1mm，剂量信息图像的保存单位为cGy。
3.根据权利要求1所述的一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，其特征在于所述步骤S1中的CT图像包括原始CT图像或勾画CT图像，所述勾画CT图像被输入PTV、脑干、腮腺、垂体、晶体、脊髓、视神经、视交叉中的一种或多种信息。
4.根据权利要求1所述的一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，其特征在于所述步骤S2中目标图像
基于生成器G和鉴别符D的计算公式为：
其中，x是源图像，y是目标图像，G(x)是生成器生成的剂量图像，D(x，y)是判别器正确判断真实配对(x，y)为真的概率，D(x，G(x))是判别器正确判断虚假配对(x，G(x))为假的概率。
5.根据权利要求4所述的一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，其特征在于所述步骤S2还包括：生成器通过使用L1距离
来测量实际剂量分布y的图像与生成的剂量分布G(x)的图像接近程度，计算公式为：
结合目标图像
的计算公式和
的计算公式可得出最终目标
的计算公式为：
其中，λ是生成器的L1项的权重。
6.根据权利要求1所述的一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，其特征在于还包括：
S3、预测剂量的校准，计算原始计划于预测剂量的差异，计算公式为：
其中，Dprediction为根据预测剂量分布计算出的客观剂量学指标，Dgroundtruth为根据原始剂量分布计算出的相应剂量学指标，Dprescription为PTV的处方剂量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011199703.3A CN113327681A (zh) | 2020-10-30 | 2020-10-30 | 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011199703.3A CN113327681A (zh) | 2020-10-30 | 2020-10-30 | 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113327681A true CN113327681A (zh) | 2021-08-31 |
Family
ID=77413290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011199703.3A Pending CN113327681A (zh) | 2020-10-30 | 2020-10-30 | 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327681A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545137A (zh) * | 2017-08-16 | 2018-01-05 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗计划智能优化方法 |
| WO2018090195A1 (zh) * | 2016-11-15 | 2018-05-24 | 西安大医数码技术有限公司 | 一种放射治疗计划的生成方法和放射治疗计划系统 |
| CN108460760A (zh) * | 2018-03-06 | 2018-08-28 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 |
| CN110085298A (zh) * | 2019-04-26 | 2019-08-02 | 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 |
| CN110349665A (zh) * | 2019-07-01 | 2019-10-18 | 复旦大学附属肿瘤医院 | 基于深度学习的直肠癌放疗计划自动化设计方法 |
| 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 |
| CN110569796A (zh) * | 2019-09-09 | 2019-12-13 | 南京东控智能交通研究院有限公司 | 一种车道线动态检测和车道分界线的拟合方法 |
| US20200075148A1 (en) * | 2018-08-31 | 2020-03-05 | The Board Of Regents Of The University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
| CN110868598A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于对抗生成网络的视频内容替换方法及系统 |
| CN111028914A (zh) * | 2019-12-04 | 2020-04-17 | 北京连心医疗科技有限公司 | 人工智能引导的剂量预测方法与系统 |
-
2020
- 2020-10-30 CN CN202011199703.3A patent/CN113327681A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018090195A1 (zh) * | 2016-11-15 | 2018-05-24 | 西安大医数码技术有限公司 | 一种放射治疗计划的生成方法和放射治疗计划系统 |
| CN107545137A (zh) * | 2017-08-16 | 2018-01-05 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗计划智能优化方法 |
| CN108460760A (zh) * | 2018-03-06 | 2018-08-28 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 |
| US20200075148A1 (en) * | 2018-08-31 | 2020-03-05 | The Board Of Regents Of The University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
| CN110085298A (zh) * | 2019-04-26 | 2019-08-02 | 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 |
| CN110349665A (zh) * | 2019-07-01 | 2019-10-18 | 复旦大学附属肿瘤医院 | 基于深度学习的直肠癌放疗计划自动化设计方法 |
| 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 |
| CN110569796A (zh) * | 2019-09-09 | 2019-12-13 | 南京东控智能交通研究院有限公司 | 一种车道线动态检测和车道分界线的拟合方法 |
| CN110868598A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于对抗生成网络的视频内容替换方法及系统 |
| CN111028914A (zh) * | 2019-12-04 | 2020-04-17 | 北京连心医疗科技有限公司 | 人工智能引导的剂量预测方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘龙飞;李胜;赖舜男;: "神经网络在退化图像复原领域的进展综述", 图学学报, no. 02, pages 3 - 14 * |
| 黄菲;高飞;朱静洁;戴玲娜;俞俊;: "基于生成对抗网络的异质人脸图像合成:进展与挑战", 南京信息工程大学学报(自然科学版), no. 06, pages 40 - 61 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114681813B (zh) | 放射治疗自动计划系统、自动计划方法及存储介质 | |
| US9782607B2 (en) | Systems and methods for radiation treatment planning using combined imaging and treatment dose | |
| Schulze et al. | Comparison of various online IGRT strategies: The benefits of online treatment plan re-optimization | |
| KR20210045577A (ko) | 인공 지능 기반 뇌 mri영상에서 생성된 ct 영상을 이용한 비침습 치료 계획 방법 | |
| Hofmaier et al. | Multi-criterial patient positioning based on dose recalculation on scatter-corrected CBCT images | |
| Feng et al. | An integrated strategy of biological and physical constraints in biological optimization for cervical carcinoma | |
| Sun et al. | A hybrid optimization strategy for deliverable intensity‐modulated radiotherapy plan generation using deep learning‐based dose prediction | |
| Creemers et al. | Comparison of dose metrics between automated and manual radiotherapy planning for advanced stage non-small cell lung cancer with volumetric modulated arc therapy | |
| CN110706779B (zh) | 一种放射治疗计划精确目标函数的自动生成方法 | |
| US20220241614A1 (en) | Fluence map prediction and treatment plan generation for automatic radiation treatment planning | |
| CN113327681A (zh) | 一种基于生成式对抗网络的肿瘤放疗计划自动设计方法 | |
| CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
| Jiao et al. | Mask-free radiotherapy dose prediction via multi-task learning | |
| CN113941100A (zh) | 根据三维空间剂量分布生成可交付放疗计划的方法及装置 | |
| CN111437521B (zh) | 一种非均匀容积弧形调强方法 | |
| Lin et al. | Developing an AI-assisted planning pipeline for hippocampal avoidance whole brain radiotherapy | |
| Fu et al. | Fast Monte Carlo dose calculation based on deep learning | |
| Chang et al. | A retrospective study on the investigation of potential clinical benefits of online adaptive proton therapy for head and neck cancer | |
| Liu et al. | A feasibility study for predicting 3D radiotherapy dose distribution of lung VMAT patients | |
| Nguyen et al. | 32. Comparison between multi-criteria optimization (MCO)(Raystation®) and Progressive Resolution Optimizer (PRO)(Eclipse®) for the dosimetry of breast cancer with prophylactic nodal irradiation treated with volumetric modulated arc therapy (VMAT) | |
| Huang et al. | Automated Radiation Therapy Treatment Planning Using Meta-Optimization | |
| Lindström | COMPARISON OF MULTI-CRITERIA OPTIMIZATION IN TWO DIFFERENT TREATMENT PLANNING SYSTEMS | |
| Bridge | Principles and Practice of Treatment Planning | |
| Tsai et al. | Dosimetry and efficiency comparison of knowledge-based and manual planning using volumetric modulated arc therapy for craniospinal irradiation | |
| Lambri et al. | Deep learning‐based optimization of field geometry for total marrow irradiation delivered with volumetric modulated arc therapy |
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 |