CN113517072B - 一种基于深度神经网络的vmat放疗计划的预测装置 - Google Patents

一种基于深度神经网络的vmat放疗计划的预测装置 Download PDF

Info

Publication number
CN113517072B
CN113517072B CN202111065646.4A CN202111065646A CN113517072B CN 113517072 B CN113517072 B CN 113517072B CN 202111065646 A CN202111065646 A CN 202111065646A CN 113517072 B CN113517072 B CN 113517072B
Authority
CN
China
Prior art keywords
model
layer
radiotherapy plan
data
radiotherapy
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
Application number
CN202111065646.4A
Other languages
English (en)
Other versions
CN113517072A (zh
Inventor
张蕾
李光俊
章毅
胡婷
谢立章
刘文杰
柏森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202111065646.4A priority Critical patent/CN113517072B/zh
Publication of CN113517072A publication Critical patent/CN113517072A/zh
Application granted granted Critical
Publication of CN113517072B publication Critical patent/CN113517072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明涉及放疗计划的数据处理预测技术领域，具体是一种基于深度神经网络的VMAT放疗计划的预测装置，用于解决现有技术中不能快速准确的预测放疗计划是否合格，从而影响到对患者的治疗效果和生命安全的问题。本发明包括数据准备模块；模型设计模块，模型训练模块，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练；放疗计划预测模块，将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率。通过本发明中VMAT放疗计划的预测装置可以对放疗计划是否合格能更快速准确的得到预测，进而能够进一步提高对患者的治疗效果和保证患者的生命安全。

Description

一种基于深度神经网络的VMAT放疗计划的预测装置
技术领域
本发明涉及放疗计划的预测技术领域，尤其涉及肿瘤VMAT放疗计划是否合格的预测技术领域，更具体的是涉及一种基于深度神经网络的VMAT放疗计划的预测装置。
背景技术
在临床的肿瘤治疗中，手术、放疗、和化疗是三种最重要的治疗方法，由于放疗的适应症广，选择性大，所以70％以上的恶性肿瘤患者在治疗的某个阶段都需要进行放射治疗，现代放疗技术主要包括强度调制放射治疗(intensity modulated radiationtherapy，IMRT)和容积调控电弧治疗(volumetric modulated arc therapy，VMAT)，这些放疗技术不仅复杂，而且对放疗剂量精度测试具有不确定性，所以患者在接收手术之前必须进行全面、安全的放疗计划质量控制，从而让医生精心设计的放疗计划符合临床标准。
放疗计划的质量控制由于其成本较高，所以现有的很多医院在治疗患者前都不会进行质量控制，这对患者的健康有着极大的隐患，需要靠放疗技师一步到位设计出最合理的放疗计划，但是这种设计存在不确定性，而且辐射照射的剂量不太容易控制，于是出现了一些尝试进行质量控制的方法，主要包括两种方法：基于放疗计划参数的质量控制和基于通量图的质量控制。
基于参数的质量控制需要通过软件提取出每个放疗计划的多个特征值，之后通过这些特征值参数来预测每个计划的gamma通过率，如果通过率达到相应的标准则认为该放疗计划符合要求，否则就重新做放疗计划；基于通量图的质量控制需要模拟放疗计划加速器的执行，测量出每个放疗计划的通量图，之后使用神经网络模型提取通量图中的特征，最后将这些特征进行逻辑回归操作得到一个gamma通过率，从而判断该计划是否合格。
目前的大多技术都是针对于IMRT计划的，而VMAT计划和IMART计划差别较大，同样的技术不能一概而论，且无法在VMAT上训练类似模型，现有的使用VMAT计划来进行质量控制的技术只有使用参数的质量控制，但是每个医院的参数复杂度不同，而且这些参数是由特定软件提取的，不一定能够表示出放疗计划的全部信息，现有的使用神经网络来进行质量控制技术的只能在IMRT计划上进行，没有能够在VMAT计划上进行的，最重要的是神经网络的输入是通量图，VMAT通过旋转测试能产生多张通量图，且这些通量图之间存在顺序关系，目前没有任何文献以及系统考虑到了这个顺序关系。
综上，现有技术中不能快速准确的预测放疗计划是否合格，从而不能辅助医生判断放疗计划的好坏，进而影响到对患者的治疗效果和生命安全。因此，我们迫切的需要设计一种能够快速预测VMAT放疗计划是否合格的方法，从而可以辅助医生判断放疗计划的好坏，决定是否需要重新设计计划，进而能够进一步提高患者的治疗效果，保证患者的生命安全。
发明内容
基于以上问题，本发明提供了一种基于深度神经网络的VMAT放疗计划的预测装置，用于解决现有技术中不能快速准确的预测放疗计划是否合格，从而不能辅助医生判断放疗计划的好坏，进而影响到对患者的治疗效果和生命安全问题。本发明中通过使用VMAT放疗计划的通量图以及每张通量图的剂量作为输入来构造模型，采用3D卷积核以及残差结构，在稳定训练的同时还提取了图片与图片之间的序列关系，并通过对每个放疗计划给出一个gamma通过率，从而可以对放疗计划是否合格能更快速准确的得到预测，进而可以更好的辅助医生判断放疗计划的好坏，能够进一步提高对患者的治疗效果和保证患者的生命安全。
本发明为了实现上述目的具体采用以下技术方案：
一种基于深度神经网络的VMAT放疗计划的预测装置，包括以下步骤：
步骤1：数据准备，收集所有训练数据并明确数据的格式以及数据的集合划分，同时对数据进行预处理以保证输入格式；
步骤2：模型设计，在模型训练前，通过多个卷积层、池化层、全连接层、残差结构的结合设计出预测模型的完整网络结构；
步骤3：模型训练，模型设计好后，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练，训练出网络结构中的所有参数，以获取一个完整的模型用于预测；
步骤4：放疗计划预测，将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率；
其中，步骤2中模型设计包括以下步骤：
步骤2.1：卷积层设计，通过每个卷积层从对应卷积核大小的区域中提取特征并将数值输入到下一层卷积层用于计算；
步骤2.2：池化层设计，包括一个最大池化层和一个平均池化层，通过最大池化层从设定参数的空间大小中搜索最大的数值并输入到下一层卷积层中作为该层的输入，通过平均池化层从设定参数的空间大小中求取所有参数的平均值并输入到下一层卷积层中作为该层输入；
步骤2.3：全连接层设计，通过全连接层转化数据的维度，将前一层卷积层的输出维度转化为全连接层想要获取的维度；
步骤2.4：残差结构设计，包括直接残差连接和间接残差连接，通过直接残差连接将上一层卷积层训练获得的数值直接传递到对应层以提升模型的特征提取能力，通过间接残差连接在获取数值之后，将这些数值再次输入到一个单独的卷积层进行一层卷积操作，随后将得到的值再传递到对应层卷积层。
进一步的，步骤1中数据准备包括以下步骤：
步骤1.1：获取数据及标签，每张通量图的标签由三种误差容忍度计算而来，最终每个放疗计划将得到三个标签，作为最终的预测目标；
步骤1.2：数据预处理，使用的放疗计划具有91个控制点，同时每次测量会正向旋转一圈，负向旋转一圈，所以每个放疗计划最终得到了182张通量图，一个放疗计划的182张通量图按顺序排列并调整成相同大小；
步骤1.3：数据集划分，数据预处理后，将整个训练过程的数据分为训练集和测试集，训练集用于模型训练，测试集用于模型测试。
所述训练集的数据与测试集的数据比例为4:1。
进一步的，步骤3中模型训练包括以下步骤：
步骤3.1：数据编码，将数据转化为计算机模型能够识别的模式，对于每一张图片采用RGB三通道编码方式将其转化为对应的数值，同时压缩每张图片为同一大小以适应网络输入；
步骤3.2：特征提取，数据编码后，将编码后的数据输入到模型用于训练；
步骤3.3：回归模块，特征提取后，采用一个逻辑回归层将最终提取到的特征映射到0到1之间，以反应每个放疗计划的通过率，并输出最终的结果；
步骤3.4：误差反向传播：回归模块输出结果后，将预测值与真实标签相减得到预测误差。
步骤3.1中，每个放疗计划包含182张图片，每个放疗计划xi为4维向量，其维度的表示方法为：图片通道数×图片长度×图片宽度×图片张数，其对应标签yi介于0到1之间，且越靠近1，则表示该放疗计划的通过率越高，其中，xi表示输入的变量图片，i为计划的编号；yi表示对应放疗计划x的医学标签，i为计划编号。
步骤3.2中，整个模型包括17个3d卷积层，一个最大池化层，多个非线性激活函数ReLu函数，一个全局平均池化层和一个全连接层。
步骤3.4中，运用BP算法预测误差反向传播以更新深度神经网模型中每一层的权值，最终通过不断地迭代训练出稳定的分类网络，其中，预测误差的计算公式如下：
Figure GDA0003327443110000041
其中，a表示真实值与预测值之间的差值，|a|表示真实值与预测值之间差值的绝对值，θ表示整个模型的所有参数值，||θ||2表示对整个模型的所有参数进行平方和相加；λ表示控制模型复杂度的参数，δ为控制预测误差的经验参数，其值被设定为1；otherwise表示如果不满足第一个if条件的其他值，则都将用第二行的公式计算误差值。
通过反向传播的迭代公式不断迭代计算出模型中每一层参数，从而训练出可用于预测的模型，其中，反向传播的迭代公式为：
Figure GDA0003327443110000042
其中，wl为模型中第l层的参数权值，lr为模型训练时的学习率，Lδ为预测误差值，
Figure GDA0003327443110000043
为求偏导数。
步骤4：放疗计划预测，将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率。
进一步的，步骤4中放疗计划预测包括以下步骤：
步骤4.1：放疗计划通过率预测，将测试集中的所有放疗计划放入到已经训练好的模型中计算出所有放疗计划的通过率；
步骤4.2：判断是否符合临床标准，判断每个放疗计划的通过率，筛选出不合格的放疗计划，将不合格的放疗计划进行重新设计。
步骤4.1中，通过率分为三类，分别为2％/2mm、3％/2mm和3％/3mm；步骤4.2中，放疗计划的通过率大于等于90％时为合格，小于90％时为不合格。
本发明的有益效果如下：
(1)本发明中通过使用VMAT放疗计划的通量图以及每张通量图的剂量作为输入来构造模型，采用3D卷积核以及残差结构，在稳定训练的同时还提取了图片与图片之间的序列关系，并通过对每个放疗计划给出一个gamma通过率，从而可以对放疗计划是否合格能更快速准确的得到预测，节省医生时间，进而可以更好的辅助医生判断放疗计划的好坏，能够进一步提高对患者的治疗效果和保证患者的生命安全。
(2)本发明中使用VMAT计划的通量图作为神经网络的输入来构造模型，不仅提取的特征更丰富，而且效果更好，首次考虑到了通量图之间的顺序性，并将这种性质用于设计方法中，进一步提升了结果，通过通量图来判断VMAT放疗计划质量的方法，且这种方法是直接基于计划本身的，不用使用其他软件提取参数。
(3)本发明中在每两层卷积操作之间添加了残差的结构，这种结构能够让特征直接跳跃多层，从而避免模型梯度消失或者爆炸的出现，这种跳跃连接使得层与层之间的联系更加紧密，提取特征的效果更好，同时也更能够提取到图片之间的序列特征。
(4)本发明中在治疗前进行质量控制，从而能够进一步提高患者的治疗效果，保证患者的生命安全。
附图说明
图1为本发明的流程图；
图2为本发明神经网络的设计图。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例：
如图1-2所示，一种基于深度神经网络的VMAT放疗计划的预测装置，包括以下步骤：
步骤1：数据准备，收集所有训练数据并明确数据的格式以及数据的集合划分，同时对数据进行预处理以保证输入格式；
其中，步骤1中数据准备包括以下步骤：
步骤1.1：获取数据及标签，每张通量图的标签由三种误差容忍度计算而来，三种误差容忍度为：2％/2mm、3％/2mm、3％/3mm，分别表示在不同大小的网格中，不同的容忍误差范围。误差的容忍范围越大，则表明该放疗计划越容易通过，所以其gamma通过率越高。所以最终每个计划将得到三个标签，作为最终的预测目标；
步骤1.2：数据预处理，获取数据后，使用的VMAT放疗计划具有91个控制点，即会从91个方向射线来探测剂量，同时每次测量会正向旋转一圈，负向旋转一圈，所以每个放疗计划最终得到了182张通量图，为探究其连续性，一个放疗计划的182张通量图按顺序排列并调整成相同大小；
步骤1.3：数据集划分，数据预处理后，将整个训练过程的数据分为训练集和测试集，训练集用于模型训练，测试集用于模型测试，且训练集的数据与测试集的数据比例为4:1，练集的数据与测试集的数据是随机的，可以避免偶然性。
对数据进行预处理以保证输入格式；
步骤2：模型设计，在模型训练前，通过多个卷积层、池化层、全连接层、残差结构的结合设计出预测模型的完整网络结构；
步骤2中模型设计包括以下步骤：
步骤2.1：卷积层设计，模型中采用了17个卷积层，对应于图2中的conv操作，每个卷积层能够从对应卷积核大小的区域中提取特征并通过箭头将数值输入到箭头指向的层次用于计算；
步骤2.2：池化层设计，卷积层主要用于提取特征，但特征之间的关系无法有效确定，所以需要设计池化层来整合这些数值之间的关系，模型中采用了两个池化层，包括一个最大池化层和一个平均池化层，分别对应于图2中的maxpool操作和avgpool操作，最大池化层能够从设定参数的空间大小中搜索最大的数值并输入到箭头指向的卷积层中作为该层输入，平均池化层能够从设定参数的空间大小中求取所有参数的平均值并输入到箭头指向的卷积层中作为该层输入；
步骤2.3：全连接层设计，设计了前两个步骤，模型能有效提取特征并整合，但是模型的输出维度必须符合数据标签的维度，所以需要设计全连接层来转化数据维度，模型中采用了一个全连接层，对应于图2中的FC操作，全连接层能够改变数据的维度，将前一层卷积层的输出维度转化为全连接层想要获取的维度；
步骤2.4：残差结构设计，前三个步骤设计的模型其性能不能达到最佳，所以需要接着添加残差结构来加强模型的特征提取能力，模型中采用了8次残差结构，即图2中对应的8次层与层之间的跳跃连接，残差分为直接残差连接和间接残差连接，分别为图中的实线箭头跳跃和虚线箭头跳跃，直接残差连接能将箭头起点层训练获得的数值通过箭头方向直接传递到箭头终点层以提升模型的特征提取能力，间接残差连接则是会在获取数值之后，将这些值再次输入到一个单独的卷积层进行一层卷积操作，随后将得到的值再通过虚线方向传递到箭头终点层。
步骤3：模型训练，本模型设计的深度神经网络如图2所示，图2中每一个方框代表所设计的网络结构中的一层，conv为卷积层，maxpool为最大池化层，avgpool为平均池化层，FC为全连接层；1×1×1、3×3×3、7×7×7为卷积层中卷积核的大小，方框中最后一个数字代表卷积层的输出通道数，箭头的含义为两层之间相互连接运行，其中，层次之间的实线跨越连接箭头表示该次网络向前运算时会跳过中间层计算一次，虚线的跨越连接表示跳过中间层计算时会多计算一层对应方框的卷积层操作；
模型设计好后，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练，同时还需要考虑到多张通量图之间的序列关系以获取更加丰富的特征，基本的神经网络由神经元以及神经元之间的连接组成，神经网络分为输入层、隐藏层和输出层，隐层神经元本质上是在逼近输入数据与其特征之间的高度非线性关系，深度神经网络与浅层神经网络相比，“深度”体现在隐层数量更多，连接方式更加灵活和复杂，能够用相比浅层网络少得多的参数获得输入数据到其特征之间的映射关系，也就是说，深度神经网络学习到输入数据特征的能力更加强大，为了提取到更多的通量图之间的序列特征，整个神经网络全部采用3D的卷积核，所以在提取特征时不会局限于一张图的二维平面上，而是直接以一种三维的角度来提取信息，这样能一定程度上考虑到图片之间的序列特点；
由于设计的是深层的神经网络，所以在训练模型时可能会存在梯度消失或者梯度爆炸的情况，同时还有可能出现网络退化的情况，所以在每两层卷积操作之间，添加了残差的结构，这种结构能够让特征直接跳跃多层，从而避免模型梯度消失或者爆炸的出现，这种跳跃连接使得层与层之间的联系更加紧密，提取特征的效果更好，同时也更能够提取到图片之间的序列特征，整个模型训练过程包括以下步骤：
步骤3.1：数据编码，将数据转化为计算机模型能够识别的模式，对于每一张图片采用RGB三通道编码方式将其转化为对应的数值，同时压缩每张图片为同一大小以适应网络输入，每个放疗计划包含182张图片，每个放疗计划xi为4维向量，其维度的表示方法为：图片通道数×图片长度×图片宽度×图片张数，其对应标签yi介于0到1之间，且越靠近1，则表示该放疗计划的通过率越高，其中，xi表示输入的变量图片，i为计划的编号；yi表示对应放疗计划x的医学标签，i为计划编号；
步骤3.2：特征提取，将编码后的数据输入到深度神经网络用于训练，整个深度神经网络包括17个3d卷积层，一个最大池化层，多个非线性激活函数ReLu函数，一个全局平均池化层和一个全连接层；
步骤3.3：回归模块，采用一个逻辑回归层将最终提取到的特征映射到0到1之间，以反应每个放疗计划的通过率，并输出最终的结果；
步骤3.4：误差反向传播：回归模块输出结果后，将预测值与真实标签相减得到预测误差，运用BP算法预测误差反向传播以更新深度神经网模型中每一层的权值，最终通过不断地迭代训练出稳定的分类网络，其中，预测误差的计算公式如下：
Figure GDA0003327443110000071
其中，a表示真实值与预测值之间的差值，|a|表示真实值与预测值之间差值的绝对值，θ表示整个模型的所有参数值，||θ||2表示对整个模型的所有参数进行平方和相加；λ表示控制模型复杂度的参数，，在这里设置为0.00001；δ为控制预测误差的经验参数，其值被设定为1；otherwise表示如果不满足第一个if条件的其他值，则都将用第二行的公式计算误差值。
通过反向传播的迭代公式不断迭代计算出模型中每一层参数，从而训练出可用于预测的模型，其中，反向传播的迭代公式为：
Figure GDA0003327443110000081
其中，wl为模型中第l层的参数权值，lr为模型训练时的学习率，Lδ为预测误差值，
Figure GDA0003327443110000082
为求偏导数。
为了得到更好的模型，在模型训练好后，所有的测试集数据被放入训练好的模型以获取一个预测的gamma通过率，预测性能最好的一个模型将被保存用于最终的模型。
步骤4：放疗计划预测，将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率，放疗计划预测包括以下步骤：
步骤4.1：放疗计划通过率预测，将测试集中的所有放疗计划放入到已经训练好的模型中计算出所有放疗计划的通过率，通过率分为三类，分别为2％/2mm、3％/2mm和3％/3mm标准；由于在不同的误差容忍情况下，同一个放疗计划的标签通过率不同，所以我们会训练三个不同的模型以适应三种不同的情况，在测试数据集上，结果如下表所示：
误差标准 平均通过率 通过率方差 平均绝对误差 最大误差
2％/2mm 94.20 1.89 2.12 7.82
3％/2mm 97.37 1.12 1.23 4.46
3％/3mm 98.68 0.74 0.70 3.28
与以往使用IMRT计划训练的模型相比较，本申请的模型取得了最好的结果，由此可见本申请模型的优越性。
步骤4.2：判断是否符合临床标准，上述表格的结果是针对所有病例的平均结果，但是每个放疗计划在单独测试时会测试出一个独立的预测结果，而在医院的放疗科室一般采取90％的通过率作为临床指导，即小于90％则为不通过，通过判断每个放疗计划的通过率即可筛选出不合格的放疗计划，这些不合格的放疗计划将会被放疗医师重新设计以更好的适应患者的病情，从而辅助性地检验了放疗计划设计的好坏，从而提升临床治疗效果。
综上，通过使用VMAT放疗计划的通量图以及每张通量图的剂量作为输入来构造模型，采用3D卷积核以及残差结构，在稳定训练的同时还提取了图片与图片之间的序列关系，并通过对每个放疗计划给出一个gamma通过率，从而可以对放疗计划是否合格能更快速准确的得到预测，节省医生时间，进而可以更好的辅助医生判断放疗计划的好坏，能够进一步提高对患者的治疗效果和保证患者的生命安全。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准。

Claims (10)

1.一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：包括
数据准备模块，用于收集所有训练数据并明确数据的格式以及数据的集合划分，同时对数据进行预处理以保证输入格式；
模型设计模块，用于在模型训练前，通过多个卷积层、池化层、全连接层、残差结构的结合设计出预测模型的完整网络结构；
模型训练模块，用于模型设计好后，使用设计好的模型从每个放疗计划中的每张通量图上提取特征并进行训练，训练出网络结构中的所有参数，以获取一个完整的模型用于预测；
放疗计划预测模块，用于将实时的放疗计划数据放入训练好的模型以获取一个预测的gamma通过率；
其中，模型设计模块包括以下步骤：
步骤2.1：卷积层设计，通过每个卷积层从对应卷积核大小的区域中提取特征并将数值输入到下一层卷积层用于计算；
步骤2.2：池化层设计，包括一个最大池化层和一个平均池化层，通过最大池化层从设定参数的空间大小中搜索最大的数值并输入到下一层卷积层中作为该层的输入，通过平均池化层从设定参数的空间大小中求取所有参数的平均值并输入到下一层卷积层中作为该层输入；
步骤2.3：全连接层设计，通过全连接层转化数据的维度，将前一层卷积层的输出维度转化为全连接层想要获取的维度；
步骤2.4：残差结构设计，包括直接残差连接和间接残差连接，通过直接残差连接将上一层卷积层训练获得的数值直接传递到对应层以提升模型的特征提取能力，通过间接残差连接在获取数值之后，将这些数值再次输入到一个单独的卷积层进行一层卷积操作，随后将得到的值再传递到对应层卷积层。
2.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：数据准备模块包括以下步骤：
步骤1.1：获取数据及标签，每张通量图的标签由三种误差容忍度计算而来，最终每个放疗计划将得到三个标签，作为最终的预测目标；
步骤1.2：数据预处理，使用的放疗计划具有91个控制点，同时每次测量会正向旋转一圈，负向旋转一圈，所以每个放疗计划最终得到了182张通量图，一个放疗计划的182张通量图按顺序排列并调整成相同大小；
步骤1.3：数据集划分，数据预处理后，将整个训练过程的数据分为训练集和测试集，训练集用于模型训练，测试集用于模型测试。
3.根据权利要求2所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：所述训练集的数据与测试集的数据比例为4:1。
4.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：模型训练模块包括以下步骤：
步骤3.1：数据编码，将数据转化为计算机模型能够识别的模式，对于每一张图片采用RGB三通道编码方式将其转化为对应的数值，同时压缩每张图片为同一大小以适应网络输入；
步骤3.2：特征提取，数据编码后，将编码后的数据输入到模型用于训练；
步骤3.3：回归模块，特征提取后，采用一个逻辑回归层将最终提取到的特征映射到0到1之间，以反应每个放疗计划的通过率，并输出最终的结果；
步骤3.4：误差反向传播：回归模块输出结果后，将预测值与真实标签相减得到预测误差。
5.根据权利要求4所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：步骤3.1中，每个放疗计划包含182张图片，每个放疗计划xi为4维向量，其维度的表示方法为：图片通道数×图片长度×图片宽度×图片张数，其对应标签yi介于0到1之间，且越靠近1，则表示该放疗计划的通过率越高，其中，xi表示输入的变量图片，i为计划的编号；yi表示对应放疗计划x的医学标签，i为计划编号。
6.根据权利要求4所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：步骤3.2中，整个模型包括17个3d卷积层，一个最大池化层，多个非线性激活函数ReLu函数，一个全局平均池化层和一个全连接层。
7.根据权利要求4所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：步骤3.4中，运用BP算法预测误差反向传播以更新深度神经网模型中每一层的权值，最终通过不断地迭代训练出稳定的分类网络，其中，预测误差的计算公式如下：
Figure FDA0003327443100000021
其中，a表示真实值与预测值之间的差值，|a|表示真实值与预测值之间差值的绝对值，θ表示整个模型的所有参数值，||θ||2表示对整个模型的所有参数进行平方和相加；λ表示控制模型复杂度的参数，δ为控制预测误差的经验参数，其值被设定为1；otherwise表示如果不满足第一个if条件的其他值，则都将用第二行的公式计算误差值。
8.根据权利要求7所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：通过反向传播的迭代公式不断迭代计算出模型中每一层参数，从而训练出可用于预测的模型，其中，反向传播的迭代公式为：
Figure FDA0003327443100000031
其中，wl为模型中第l层的参数权值，lr为模型训练时的学习率，Lδ为预测误差值，
Figure FDA0003327443100000032
为求偏导数。
9.根据权利要求1所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：放疗计划预测模块包括以下步骤：
步骤4.1：放疗计划通过率预测，将测试集中的所有放疗计划放入到已经训练好的模型中计算出所有放疗计划的通过率；
步骤4.2：判断是否符合临床标准，判断每个放疗计划的通过率，筛选出不合格的放疗计划，将不合格的放疗计划进行重新设计。
10.根据权利要求9所述的一种基于深度神经网络的VMAT放疗计划的预测装置，其特征在于：步骤4.1中，通过率分为三类，分别为2％/2mm、3％/2mm和3％/3mm；步骤4.2中，放疗计划的通过率大于等于90％时为合格，小于90％时为不合格。
CN202111065646.4A 2021-09-13 2021-09-13 一种基于深度神经网络的vmat放疗计划的预测装置 Active CN113517072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111065646.4A CN113517072B (zh) 2021-09-13 2021-09-13 一种基于深度神经网络的vmat放疗计划的预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111065646.4A CN113517072B (zh) 2021-09-13 2021-09-13 一种基于深度神经网络的vmat放疗计划的预测装置

Publications (2)

Publication Number Publication Date
CN113517072A CN113517072A (zh) 2021-10-19
CN113517072B true CN113517072B (zh) 2022-01-28

Family

ID=78063224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111065646.4A Active CN113517072B (zh) 2021-09-13 2021-09-13 一种基于深度神经网络的vmat放疗计划的预测装置

Country Status (1)

Country Link
CN (1) CN113517072B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767947A (zh) * 2017-09-28 2018-03-06 北京全域医疗技术有限公司 放疗计划评估方法及装置
CN108717869A (zh) * 2018-05-03 2018-10-30 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
CN109801696A (zh) * 2017-11-17 2019-05-24 北京连心医疗科技有限公司 一种人工智能的云放疗计划方法、设备、存储介质和系统
CN110415785A (zh) * 2019-08-29 2019-11-05 北京连心医疗科技有限公司 人工智能引导放疗计划的方法及系统
WO2021009056A1 (en) * 2019-07-16 2021-01-21 Elekta Ab (Publ) Radiotherapy treatment plan optimization using machine learning
CN112581475A (zh) * 2021-02-25 2021-03-30 四川大学华西医院 一种预测放疗计划的伽马通过率的方法及其应用
CN112635024A (zh) * 2021-03-10 2021-04-09 四川大学 一种放射治疗自动计划设计系统及其构建方法
CN112820377A (zh) * 2021-02-02 2021-05-18 中国科学技术大学 一种基于深度学习的放疗计划自动生成方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016160932A1 (en) * 2015-03-30 2016-10-06 The Trustees Of The University Of Pennsylvania System and method for virtual radiation therapy quality assurance
WO2017133654A1 (en) * 2016-02-02 2017-08-10 Suzhou Evidance Medical Technologies Inc. Systems and methods for radiation treatment planning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767947A (zh) * 2017-09-28 2018-03-06 北京全域医疗技术有限公司 放疗计划评估方法及装置
CN109801696A (zh) * 2017-11-17 2019-05-24 北京连心医疗科技有限公司 一种人工智能的云放疗计划方法、设备、存储介质和系统
CN108717869A (zh) * 2018-05-03 2018-10-30 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
WO2021009056A1 (en) * 2019-07-16 2021-01-21 Elekta Ab (Publ) Radiotherapy treatment plan optimization using machine learning
CN110415785A (zh) * 2019-08-29 2019-11-05 北京连心医疗科技有限公司 人工智能引导放疗计划的方法及系统
CN112820377A (zh) * 2021-02-02 2021-05-18 中国科学技术大学 一种基于深度学习的放疗计划自动生成方法
CN112581475A (zh) * 2021-02-25 2021-03-30 四川大学华西医院 一种预测放疗计划的伽马通过率的方法及其应用
CN112635024A (zh) * 2021-03-10 2021-04-09 四川大学 一种放射治疗自动计划设计系统及其构建方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Deep learning-based inverse mapping for influence map prediction;Lin Ma 等;《Physics in Medicine and Biology》;20201031;第65卷(第23期);全文 *
Deep nets vs expert designed features in medical physics: An IMRT QA case study;Yannet Interian 等;《2018 American Association of Physicists in Medicine》;20180418;第45卷(第6期);2672-2680 *
Description and evaluation of a new volumetric-modulated arc therapy plan complexity metric;Guangjun Li 等;《Medical Dosimetry》;20210119;第46卷(第2期);188-194 *
Prediction of dosimetric accuracy for VMAT plans using plan complexity parameters via machine learning;Tomohiro Ono 等;《2019 American Association of Physicists in Medicine》;20190709;第46卷(第9期);3823-3832 *
基于三维残差与U-Net混合网络的调强放疗自动计划方法研究;周解平;《中国博士学位论文全文数据库医药卫生科技辑》;20210115(第01期);E060-61 *
基于深度学习方法预测的IMART计划射野的γ通过率;段欢欢 等;《中国医学物理学杂志》;20210625;第38卷(第6期);677-681 *
基于电子射野影像装置通量变化的影像组学特征进行眼突放射治疗摆位误差探测的初步研究;张祥斌 等;《中国医学物理学杂志》;20210204;第38卷(第2期);153-156 *

Also Published As

Publication number Publication date
CN113517072A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
US11944463B2 (en) Pseudo-CT generation from MR data using a feature regression model
US10366491B2 (en) Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
US10765888B2 (en) System and method for automatic treatment planning
EP3787744B1 (en) Radiotherapy treatment plan modeling using generative adversarial networks
AU2016339009B2 (en) Pseudo-CT generation from MR data using tissue parameter estimation
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
Momin et al. Knowledge‐based radiation treatment planning: a data‐driven method survey
CN109859833A (zh) 消融手术治疗效果的评估方法和装置
US20200388371A1 (en) Methods and systems for radiotherapy treatment planning based on continuous deep learning
Fan et al. Verification of the machine delivery parameters of a treatment plan via deep learning
CN112750137A (zh) 基于深度学习的肝脏肿瘤分割方法及系统
CN113517072B (zh) 一种基于深度神经网络的vmat放疗计划的预测装置
Wen et al. Short‐term and long‐term memory self‐attention network for segmentation of tumours in 3D medical images
Ni et al. Fast VMAT planning for prostate radiotherapy: dosimetric validation of a deep learning-based initial segment generation method
US11829450B2 (en) Dual domain tracking of target structures
Pemmaraju et al. Cascaded neural network segmentation pipeline for automated delineation of prostate and organs at risk in male pelvic CT
Li et al. Prostate Surgery Path Planning Based on Simplified Delay-PCNN

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