CN113744320B - 一种智能型的离子束自适应放疗系统、存储介质及设备 - Google Patents
一种智能型的离子束自适应放疗系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113744320B CN113744320B CN202111059972.4A CN202111059972A CN113744320B CN 113744320 B CN113744320 B CN 113744320B CN 202111059972 A CN202111059972 A CN 202111059972A CN 113744320 B CN113744320 B CN 113744320B
- Authority
- CN
- China
- Prior art keywords
- image
- drr
- images
- virtual
- ion beam
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 79
- 238000010884 ion-beam technique Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000013519 translation Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000004846 x-ray emission Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及一种智能型的离子束自适应放疗系统、存储介质及设备,其包括:采用通过DRR图像及与其对应的3D‑CT图像构成数据集,对人工智能网络模型进行训练和验证,得到人工智能网络模型的权重参数;将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的具有DRR风格的DR图像;将每个分次的具有DRR风格的DR图像输入人工智能网络模型构建模块,结合权重参数,得到每个分次的DR图像对应的虚拟3D‑CT图像;将每个分次的虚拟3D‑CT图像与带有勾画文件的参考3D‑CT图像进行图像配准,生成虚拟3D‑CT图像对应的勾画文件;将各个分次的虚拟3D‑CT图像和各个分次的虚拟3D‑CT图像对应的勾画文件输出至离子束放疗计划系统中,由离子束放疗计划系统制定每个分次的放疗计划。
Description
技术领域
本发明涉及一种离子束(质子和重离子)放疗设备技术领域,特别是关于一种智能型的离子束自适应放疗系统、存储介质及设备。
背景技术
目前在离子束放射治疗中,患者通常需要在治疗阶段内的每周的工作日内接受多个分次的照射才能完成治疗。而在治疗过程中由于患者的体重变化和肿瘤形状随着治疗而发生变化等导致的解剖结构改变,都会使后续治疗过程中患者的肿瘤靶区及附近的剂量分布发生形变,现在一般采用离子束自适应放疗解决此类问题。离子束自适应放疗分为离子束在线自适应放疗和离子束离线自适应放疗。在离子束自适应放疗中根据患者解剖结构改变的速度选择对应的自适应放疗方式,对于解剖结构发生日变化的患者需进行离子束在线自适应放疗,对于解剖结构发生周变化的患者需进行离子束离线自适应放疗。离子束在线自适应放疗是指每天采集患者的CT图像并对CT图像进行勾画,随后在离子束放射治疗计划系统中在线制定新的治疗计划后实施治疗。离子束离线自适应放疗是指患者在每周接受数次治疗后,重新采集患者的CT图像并进行勾画,然后在离子束放疗计划系统中重新制定治疗计划后实施下一阶段的治疗。由于时间和资源限制,再加上在线自适应放疗对放疗中各个环节的技术要求极高,目前大多数离子束放疗中心都采用离线自适应放疗。但即便是在线自适应放疗也需要重新采集患者3D-CT图像并进行勾画后重新制定放疗计划,虽然从理论上一定程度的解决了离线自适应治疗的缺陷和不足,但仍然是比较繁琐的。
计算机技术特别是人工智能技术以其学习复杂关系和将现有知识纳入推理模型的能力而备受关注,并且在计算机视觉和医学图像处理及多模态图像生成上表现出优异的性能。因此,开发一种基于人工智能的方法,利用在离子束放疗中心更为常用的数字X射线图像(DR)引导系统实现离子束智能快速自适应放疗是可行且必要的。
发明内容
针对上述问题,本发明的目的是提供一种智能型的离子束自适应放疗系统、存储介质及设备,其解决常规离子束离线或在线自适应放疗中需要重新采集患者3D-CT图像等一系列繁琐工作的缺陷和不足,实现快速智能的离子束自适应放疗。
为实现上述目的,本发明采取以下技术方案:
一种智能型的离子束自适应放疗系统,其包括:人工智能网络模型构建模块,采用通过DRR图像及与其对应的3D-CT图像构成数据集,对人工智能网络模型进行训练和验证,得到所述人工智能网络模型的权重参数;具有DRR风格的DR图像生成模块,将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的具有DRR风格的DR图像;虚拟3D-CT图像生成模块,将每个分次的所述具有DRR风格的DR图像输入所述人工智能网络模型构建模块,结合所述权重参数,得到每个分次的DR图像对应的虚拟3D-CT图像;图像配准模块,将每个分次的所述虚拟3D-CT图像与带有勾画文件的参考3D-CT图像进行图像配准,生成所述虚拟3D-CT图像对应的勾画文件;输出模块,将各个分次的所述虚拟3D-CT图像和各个分次的所述虚拟3D-CT图像对应的勾画文件输出至离子束放疗计划系统中,由所述离子束放疗计划系统制定每个分次的放疗计划。
优选的,所述人工智能网络模型构建模块中,所述DRR图像是由患者计划3D-CT生成。
优选的,所述对人工智能网络模型进行训练和验证,包括:输入N幅DRR图像及与其对应的S层3D-CT图像;所述N取值为1,S的取值与所述患者计划3D-CT的层数相同。
优选的,所述具有DRR风格的DR图像生成模块中,所述DR图像由DR成像系统设备获取。
优选的,所述DR成像系统仅包含一套X射线发射源及与之对应的成像平板,实时获取患者每个分次的DR图像。
优选的,所述X射线发射源安装在治疗室地面上,所述成像平板安装在所述治疗室顶部,以治疗室的中心点为原点,分别进行小角度转动。
优选的,所述X射线发射源和所述成像平板采用C型臂连接在一起,以治疗室的中心点为原点,作为一个整体进行小角度运动。
优选的,所述图像配准模块中,包括:将每个分次的所述虚拟3D-CT图像与带有勾画文件的参考3D-CT图像输入基于B样条的图像配准模型,进行配准计算,输出所述虚拟3D-CT图像对应的勾画文件。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备实现上述系统的功能。
一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序用于实现上述系统中的任一功能。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明解决了常规离子束离线或在线自适应放疗中需要重新采集患者3D-CT图像等一系列繁琐工作的缺陷和不足。
2、本发明采用人工智能技术,利用离子束放疗中心普遍配置的DR图像引导系统,将实时采集到的每个分次的2D-DR图像生成每个分次对应的3D-CT图像,将生成的每个分次的3D-CT图像根据基于B样条的图像配准模型得到与之对应的勾画文件,在离子束放疗计划系统中根据每个分次的3D-CT图像及对应的勾画文件制定新的放疗计划,解决了由于时间、资源和技术限制而导致的目前离子束自适应放疗的缺陷和不足,实现了快速智能的离子束自适应放疗。
3、本发明的实施只需要单个DR成像设备,成本低。
附图说明
图1是本发明一实施例中的离子束自适应放疗系统结构示意图;
图2是本发明一实施例中的生成的3D-CT及其对应真实3D-CT的剖面差异图;
图3是本发明一实施例中的DR设备坐标原理图;
图4是本发明一实施例中的系统工作流程图;
图5是本发明一实施例中的计算设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供一种智能型的离子束自适应放疗系统,通过患者计划3D-CT生成的数字重建射线影像(DRR图像),建立基于二维视图进行三维CT图像重建的神经网络模型,根据患者在离子束放疗中每个分次的单张DR图像生成患者对应的虚拟3D-CT图像,将虚拟3D-CT与带有勾画文件的患者计划3D-CT进行图像配准得到虚拟3D-CT的勾画文件,利用生成的虚拟3D-CT和对应的勾画文件在离子束放疗计划系统中制定新的治疗计划,实现快速智能的离子束自适应放疗。
在本发明的一个实施例中,如图1所示,提供一种智能型的离子束自适应放疗系统,本实施例所提供的智能型的离子束自适应放疗系统不仅可以用于离子束放射治疗系统,也可应用到光子等常规射线放射治疗系统当中,本实施例以离子束放射治疗系统举例说明。本实施例中,该智能型的离子束自适应放疗系统包括:
人工智能网络模型构建模块,采用通过DRR图像及与其对应的3D-CT图像构成数据集,对人工智能网络模型进行训练和验证,得到人工智能网络模型的权重参数;
具有DRR风格的DR图像生成模块,将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的具有DRR风格的DR图像;
虚拟3D-CT图像生成模块,将每个分次的具有DRR风格的DR图像输入人工智能网络模型构建模块,结合权重参数,得到每个分次的DR图像对应的虚拟3D-CT图像;
图像配准模块,将每个分次的虚拟3D-CT图像与带有勾画文件的参考3D-CT图像进行图像配准,生成虚拟3D-CT图像对应的勾画文件;
输出模块,将各个分次的虚拟3D-CT图像和各个分次的虚拟3D-CT图像对应的勾画文件输出至离子束放疗计划系统中,由离子束放疗计划系统制定每个分次的放疗计划。
上述实施例中,在人工智能网络模型构建模块中,DRR图像是由患者计划3D-CT生成。进而构建DRR图像及与之对应的患者3D-CT图像数据集,该数据集用于人工智能网络模型的训练与验证。人工智能网络模型可以实现输入单张DR图像,输出虚拟3D-CT数据集的功能。
上述实施例中,对人工智能网络模型进行训练和验证,包括:输入N幅DRR图像及与其对应的S层3D-CT图像;所述N取值为1,S的取值与所述患者计划3D-CT的层数相同。
具体为:人工智能网络模型在进行D训练验证时,输入的N幅DRR图像及与之对应的S层3D-CT图像,其中N的取值范围大于等于1,每张模拟生成的DRR成像角度是不同的,在理论上N取值在大于1的某一个值时,模型的效果会最好,但是N越大,针对模型的数据集所要进行的预处理也就越复杂,后续在具有DRR风格的DR图像生成模块中所要拍摄的每个分次的DR图像也越多,会给患者带来更多的额外剂量,增加经济成本的同时也将整个系统变得更繁琐,因此在本实施例中,优选将N的值取为1。S的层数和患者计划3D-CT的层数保持一致,层厚也应该和患者计划3D-CT保持一致或尽可能接近,以便得到的人工智能网络模型参数在虚拟3D-CT图像生成模块中更精确的发挥作用,如图2所示是人工智能网络模型根据1张DRR图像生成的3D-CT与对应的真实3D-CT之间的剖面差异图。
上述实施例中,在具有DRR风格的DR图像生成模块中,DR图像由DR成像系统设备获取。
其中,如图3所示,DR成像系统仅包含一套X射线发射源及与之对应的成像平板,实时获取患者每个分次的DR图像。每个分次的DR图像,是指患者在进行当前分次治疗前或治疗中所拍摄的DR图像。
在本实施例中,X射线发射源及成像平板采用两种连接方式,两种择一即可;第一种为:X射线发射源可以安装在治疗室地面上,成像平板安装在治疗室顶部,以治疗室的中心点为原点,分别进行小角度转动。第二种为:将X射线发射源和成像平板采用C型臂连接在一起,以治疗室的中心点为原点,作为一个整体进行小角度运动。
优选的,小角度运动为旋转角度为[-15°,+15°]之间的旋转运动。
使用时,以第一种连接方式为例,DR成像系统实时获取患者每个分次的DR图像,X射线发射源安装在治疗室地面,成像平板安装在治疗室顶部,各自使用轨道进行小角度转动,运动模式由现有控制系统控制,以保证运动方向的一致性和位置的精确性。
上述实施例中,基于深度学习的二维图像翻译模型通过使用患者的DR图像以及对应的DRR图像进行训练验证后,可以根据患者的DR图像自动生成具有DRR风格的DR图像。
在本实施例中,采用基于深度学习的二维图像翻译模型是为了解决DRR图像和DR图像之间的差异,将拍摄的DR图像转换为具有DRR图像风格的DR图像,以便利用拍摄的每个分次的DR图像成功生成对应的每个分次的3D-CT图像。
上述实施例中,在图像配准模块中,将每个分次的所述虚拟3D-CT图像与带有勾画文件的参考3D-CT图像输入基于B样条的图像配准模型,进行配准计算,输出虚拟3D-CT图像对应的勾画文件。
在本实施例种,采用基于B样条的图像配准模型可以根据输入带有勾画文件的参考3D-CT图像和单独的虚拟3D-CT图像进行配准计算,得到虚拟3D-CT图像的勾画文件,以便在离子束放疗计划系统中结合对应分次的3D-CT制定新的治疗计划,以便后续按照制定的新的治疗计划实施每个分次的离子束放疗。
综上所述,本发明使用人工智能技术将二维DR图像进行三维CT重建,得到患者在每个分次的实时虚拟3D-CT图像,将生成的每个分次的3D-CT图像根据基于B样条的图像配准模型得到与之对应的勾画文件,在离子束放疗计划系统中根据每个分次的3D-CT图像及对应的勾画文件制定新的放疗计划,从而实现快速智能的离子束自适应放疗,提高离子束放射治疗的效果。
实施例:
通过以下实施过程对本发明的系统做进一步描述,如图4所示:
第一,在治疗室内安装一套可以小角度[-15°,+15°]运动的DR成像系统,设备以治疗室等中心为轴心运动。
第二,使用构建好的人工智能神经网络,该网络能够将单张DRR图像重建出患者的虚拟3D-CT图像。使用标注好的DRR图像及对应的3D-CT图像进行训练验证,得到该人工智能神经网络模型的权重参数。
第三,使用构建好的深度学习卷积神经网络,该网络可以将拍摄的DR图像转换为具有DRR图像风格的DR图像。使用DRR-DR图像数据集进行训练验证,得到该网络模型的权重参数。
第四,在患者在每个分次前或分次中,使用上述安装的DR成像系统,拍摄一张实时DR图像,将该DR图像导入第三步构建并训练好的深度学习卷积神经网络中,输出具有DRR风格的每个分次的DR图像。
第五,将第四步中具有DRR风格的每个分次的DR图像导入第二步构建并训练好的人工智能神经网络中,输出每个分次的虚拟3D-CT图像。
第六,使用构建好的CT图像配准模型,该模型可以利用输入的带有勾画文件的参考3D-CT图像和单独的虚拟3D-CT图像,生成虚拟3D-CT图像对应的勾画文件;
第七,将第六步输出的每个分次的3D-CT图像对应的勾画文件以及第五步输出的每个分次的虚拟3D-CT图像,在离子束放疗计划系统中重新制定治疗计划;
第八,按照第七步得到的新的治疗计划实施照射治疗。
如图5所示,为本发明一实施例中提供的计算设备结构示意图,该计算设备可以是终端,其可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序,该计算机程序被处理器执行时以实现上述实施例中智能型的离子束自适应放疗系统的任一功能;该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏,该输入装置可以是显示屏上覆盖的触摸层,也可以是计算设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令,以实现如下功能:
采用通过DRR图像及与其对应的3D-CT图像构成数据集,对人工智能网络模型进行训练和验证,得到人工智能网络模型的权重参数;将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的具有DRR风格的DR图像;将每个分次的具有DRR风格的DR图像输入人工智能网络模型构建模块,结合权重参数,得到每个分次的DR图像对应的虚拟3D-CT图像;将每个分次的虚拟3D-CT图像与带有勾画文件的参考3D-CT图像进行图像配准,生成虚拟3D-CT图像对应的勾画文件;将各个分次的虚拟3D-CT图像和各个分次的虚拟3D-CT图像对应的勾画文件输出至离子束放疗计划系统中,由离子束放疗计划系统制定每个分次的放疗计划。
此外,上述的存储器中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。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)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备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。
在本发明的一个实施例中,提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述程序以实现各实施例中系统所提供的功能,例如包括:采用通过DRR图像及与其对应的3D-CT图像构成数据集,对人工智能网络模型进行训练和验证,得到人工智能网络模型的权重参数;将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的具有DRR风格的DR图像;将每个分次的具有DRR风格的DR图像输入人工智能网络模型构建模块,结合权重参数,得到每个分次的DR图像对应的虚拟3D-CT图像;将每个分次的虚拟3D-CT图像与带有勾画文件的参考3D-CT图像进行图像配准,生成虚拟3D-CT图像对应的勾画文件;将各个分次的虚拟3D-CT图像和各个分次的虚拟3D-CT图像对应的勾画文件输出至离子束放疗计划系统中,由离子束放疗计划系统制定每个分次的放疗计划。
在本发明的一个实施例中,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行时实现上述各实施例中系统所提供的功能,例如包括:采用通过DRR图像及与其对应的3D-CT图像构成数据集,对人工智能网络模型进行训练和验证,得到人工智能网络模型的权重参数;将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的具有DRR风格的DR图像;将每个分次的具有DRR风格的DR图像输入人工智能网络模型构建模块,结合权重参数,得到每个分次的DR图像对应的虚拟3D-CT图像;将每个分次的虚拟3D-CT图像与带有勾画文件的参考3D-CT图像进行图像配准,生成虚拟3D-CT图像对应的勾画文件;将各个分次的虚拟3D-CT图像和各个分次的虚拟3D-CT图像对应的勾画文件输出至离子束放疗计划系统中,由离子束放疗计划系统制定每个分次的放疗计划。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种智能型的离子束自适应放疗系统,其特征在于,包括:
人工智能网络模型构建模块,采用通过DRR图像及与其对应的3D-CT图像构成数据集,对人工智能网络模型进行训练和验证,得到所述人工智能网络模型的权重参数;
合成DRR图像模块,将每个分次的DR图像输入基于深度学习的二维图像翻译模型,生成对应的合成DRR图像;
虚拟3D-CT图像生成模块,将每个分次的所述合成DRR图像输入所述人工智能网络模型构建模块,结合所述权重参数,得到每个分次的DR图像对应的虚拟3D-CT图像;
图像配准模块,将每个分次的所述虚拟3D-CT图像与带有勾画文件的参考3D-CT图像进行图像配准,生成所述虚拟3D-CT图像对应的勾画文件;
输出模块,将各个分次的所述虚拟3D-CT图像和各个分次的所述虚拟3D-CT图像对应的勾画文件输出至离子束放疗计划系统中,由所述离子束放疗计划系统制定每个分次的放疗计划;
DRR图像是由患者计划3D-CT生成,进而构建DRR图像及与之对应的患者3D-CT图像数据集,该数据集用于人工智能网络模型的训练与验证;该系统能实现输入单张DR图像,输出虚拟3D-CT图像;
合成DRR图像模块中,所述DR图像由DR成像系统设备获取,DR成像系统仅包含一套X射线发射源及与之对应的成像平板,实时获取患者每个分次的DR图像,每个分次的DR图像,是指患者在进行当前分次治疗前或治疗中所拍摄的DR图像;
所述图像配准模块中,包括:将每个分次的所述虚拟3D-CT图像与带有勾画文件的参考3D-CT图像输入基于B样条的图像配准模型,进行配准计算,输出所述虚拟3D-CT图像对应的勾画文件。
2.如权利要求1所述智能型的离子束自适应放疗系统,其特征在于,所述对人工智能网络模型进行训练和验证,包括:输入N幅DRR图像及与其对应的S层3D-CT图像;所述N取值为1,S的取值与所述患者计划3D-CT的层数相同。
3.如权利要求1所述智能型的离子束自适应放疗系统,其特征在于,所述X射线发射源安装在治疗室地面上,所述成像平板安装在所述治疗室顶部,以治疗室的中心点为原点,分别进行小角度转动。
4.如权利要求1所述智能型的离子束自适应放疗系统,其特征在于,所述X射线发射源和所述成像平板采用C型臂连接在一起,以治疗室的中心点为原点,作为一个整体进行小角度运动。
5.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备实现如权利要求1至4所述系统的功能。
6.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序用于实现如权利要求1至4所述系统中的任一功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059972.4A CN113744320B (zh) | 2021-09-10 | 2021-09-10 | 一种智能型的离子束自适应放疗系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059972.4A CN113744320B (zh) | 2021-09-10 | 2021-09-10 | 一种智能型的离子束自适应放疗系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744320A CN113744320A (zh) | 2021-12-03 |
CN113744320B true CN113744320B (zh) | 2024-03-29 |
Family
ID=78737931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059972.4A Active CN113744320B (zh) | 2021-09-10 | 2021-09-10 | 一种智能型的离子束自适应放疗系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744320B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184330A (zh) * | 2011-05-09 | 2011-09-14 | 周寅 | 一种基于影像特征和智能回归模型的优化调强放疗计划的方法 |
CN107072628A (zh) * | 2014-10-27 | 2017-08-18 | 医科达有限公司 | 用于放射治疗的图像导引 |
CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
CN110960803A (zh) * | 2018-09-28 | 2020-04-07 | 瓦里安医疗系统国际股份公司 | 用于使用深度学习引擎进行自适应放射治疗计划的方法和系统 |
CN111603689A (zh) * | 2020-05-22 | 2020-09-01 | 柯尼卡美能达再启医疗设备(上海)有限公司 | Dr图像引导定位方法及装置 |
CN111656405A (zh) * | 2018-01-26 | 2020-09-11 | 皇家飞利浦有限公司 | 使用深度学习来减少金属伪影 |
CN112316318A (zh) * | 2020-11-06 | 2021-02-05 | 中国科学院近代物理研究所 | 一种图像引导放射治疗的摆位引导系统和方法 |
CN112512632A (zh) * | 2019-07-22 | 2021-03-16 | 北京市肿瘤防治研究所 | 一种放射治疗出射束监测方法和系统 |
CN112785632A (zh) * | 2021-02-13 | 2021-05-11 | 常州市第二人民医院 | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 |
CN113041516A (zh) * | 2021-03-25 | 2021-06-29 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3813940A4 (en) * | 2018-06-26 | 2022-03-30 | The Medical College of Wisconsin, Inc. | SYSTEMS AND METHODS FOR ACCELERATED ONLINE ADAPTIVE RADIATION THERAPY |
-
2021
- 2021-09-10 CN CN202111059972.4A patent/CN113744320B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184330A (zh) * | 2011-05-09 | 2011-09-14 | 周寅 | 一种基于影像特征和智能回归模型的优化调强放疗计划的方法 |
CN107072628A (zh) * | 2014-10-27 | 2017-08-18 | 医科达有限公司 | 用于放射治疗的图像导引 |
CN111656405A (zh) * | 2018-01-26 | 2020-09-11 | 皇家飞利浦有限公司 | 使用深度学习来减少金属伪影 |
CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
CN110960803A (zh) * | 2018-09-28 | 2020-04-07 | 瓦里安医疗系统国际股份公司 | 用于使用深度学习引擎进行自适应放射治疗计划的方法和系统 |
CN112512632A (zh) * | 2019-07-22 | 2021-03-16 | 北京市肿瘤防治研究所 | 一种放射治疗出射束监测方法和系统 |
CN111603689A (zh) * | 2020-05-22 | 2020-09-01 | 柯尼卡美能达再启医疗设备(上海)有限公司 | Dr图像引导定位方法及装置 |
CN112316318A (zh) * | 2020-11-06 | 2021-02-05 | 中国科学院近代物理研究所 | 一种图像引导放射治疗的摆位引导系统和方法 |
CN112785632A (zh) * | 2021-02-13 | 2021-05-11 | 常州市第二人民医院 | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 |
CN113041516A (zh) * | 2021-03-25 | 2021-06-29 | 中国科学院近代物理研究所 | 三维图像引导摆位的方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113744320A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358607A (zh) | 肿瘤放射治疗视觉监测与视觉伺服智能控制方法 | |
AU2019452405B2 (en) | Predicting radiotherapy control points using projection images | |
AU2017378629C1 (en) | Online learning enhanced atlas-based auto-segmentation | |
AU2018380026B2 (en) | Radiation treatment planning or administration electron modeling | |
US11544854B2 (en) | Automatic contour adaptation using three sub-networks of a neural network | |
CN103566489A (zh) | 治疗计划装置 | |
CN113041516B (zh) | 三维图像引导摆位的方法、系统、处理设备及存储介质 | |
Ma et al. | Deep learning-based inverse mapping for fluence map prediction | |
Fan et al. | Verification of the machine delivery parameters of a treatment plan via deep learning | |
Qiu et al. | Online adaptive planning methods for intensity-modulated radiotherapy | |
JP2022533353A (ja) | 線量誘導リアルタイム適応型放射線治療 | |
US11989851B2 (en) | Deformable image registration using deep learning | |
US11983869B2 (en) | Feature-space clustering for physiological cycle classification | |
CN113744320B (zh) | 一种智能型的离子束自适应放疗系统、存储介质及设备 | |
US20230377724A1 (en) | Temporal prediction in anatomic position monitoring using artificial intelligence modeling | |
Hibbard | Adversarial Prediction of Radiotherapy Treatment Machine Parameters | |
US20240311956A1 (en) | Quality factor using reconstructed images | |
US20230372739A1 (en) | Techniques for detecting movement during radiotherapy treatment | |
CN113041515A (zh) | 三维图像引导运动器官定位方法、系统及存储介质 | |
WO2022198554A1 (zh) | 三维图像引导运动器官定位方法、系统及存储介质 | |
US20240249451A1 (en) | Techniques for removing scatter from cbct projections | |
Wang | Automated Generation of Radiotherapy Treatment Plans Using Machine Learning Methods | |
CN117323581A (zh) | 表面引导的监测中确定感兴趣区的方法、系统和可读介质 | |
Sumida et al. | Introduction to CT/MR simulation in radiotherapy | |
WO2023041166A1 (en) | Inferring clinical preferences from data |
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 |