CN113769282A - 机器人放射治疗设备剂量预测方法及装置 - Google Patents

机器人放射治疗设备剂量预测方法及装置 Download PDF

Info

Publication number
CN113769282A
CN113769282A CN202111180000.0A CN202111180000A CN113769282A CN 113769282 A CN113769282 A CN 113769282A CN 202111180000 A CN202111180000 A CN 202111180000A CN 113769282 A CN113769282 A CN 113769282A
Authority
CN
China
Prior art keywords
patient
dose
phantom
radiotherapy
medical image
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
Application number
CN202111180000.0A
Other languages
English (en)
Inventor
刘博�
李晗
周付根
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202111180000.0A priority Critical patent/CN113769282A/zh
Publication of CN113769282A publication Critical patent/CN113769282A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
    • 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
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
    • A61N5/1069—Target adjustment, e.g. moving the patient support
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1054—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using a portal imaging system
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明公开了一种机器人放射治疗设备剂量预测方法及装置，该方法包括：模型训练，根据患者的医学影像，建立患者模体；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测，利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。利用深度学习网络实现了利用一种算法预测另一种算法输出计算结果的技术效果。

Description

机器人放射治疗设备剂量预测方法及装置
技术领域
本发明涉及放疗剂量计算技术领域，特别是涉及一种机器人放射治疗设备剂量预测方法。
背景技术
恶性肿瘤严重危害人类健康，七成的肿瘤患者需要接受放射治疗，在放射治疗前，医师会制定放射治疗计划。在放射治疗计划的制定过程中，剂量计算是其中的重要环节，剂量计算的效能决定了放射治疗计划制定的质量。在现有技术中，剂量计算方法分为三大类：基于因子的算法、基于模型的算法和蒙特卡罗模拟。基于因子的算法使用半经验方法，根据有效的空间剂量测量来解决组织异质性和表面曲率的问题，具有计算速度快的优点，不需要区分患者体内光子和电子随后的能量转移。基于因子的算法对于能量大于6MV的异质体的准确性较低，其中散射贡献较小，光子引起的电子运动的影响可局部导致高剂量变化。基于模型的算法通过主要粒子连续性和剂量内核计算患者剂量分布，也具备较高的计算效率，该方法比基于因子的算法更准确，尤其是在非均匀介质中。然而，基于模型的算法仍依赖于近似值，并且仅部分处理微观领域中涉及辐射场传递的能量的微观吸收的物理过程。蒙特卡洛模拟根据计算机模拟物质中粒子的物理过程来计算剂量分布，在剂量计算领域内具有较高的精度，常用来验证其他剂量计算算法的准确性，但是蒙特卡洛剂量计算耗时较大，难以满足实际应用中的时效性要求。总之，目前的剂量计算方法难以同时做到高精度和高效率。
发明内容
鉴于此，本发明提出一种机器人放射治疗设备剂量预测方法，引入深度学习神经网络，在保证剂量计算的精度的同时，大幅提高计算效率，以缓解现有技术的不足。
第一方面，本发明提供了一种机器人放射治疗设备剂量预测方法，包括：模型训练，根据患者的医学影像，建立患者模体，模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测，根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。
进一步地，放疗剂量第一计算方法为蒙特卡罗仿真方法。
进一步地，放疗剂量第二计算方法为射线追踪方法。
进一步地，深度学习神经网络为HD U-Net。
进一步地，在送入深度学习神经网络训练得到放疗剂量预测网络之前，还包括：对L和H进行标定。
第二方面，本发明提供了一种机器人放射治疗设备剂量预测装置，包括：模型训练模块，其用于根据患者的医学影像，建立患者模体，模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测模块，其用于根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。
第三方面，本发明提供了一种计算设备，包括：处理器，及存储有程序的存储器，处理器执行程序时，实现第一方面的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有程序，程序被执行时实现第一方面的方法。
本发明的有益效果如下：
本发明提供的技术方案可以包括以下有益效果：提出了一种机器人放射治疗设备剂量预测方法，利用患者的医学影像和两种剂量计算方法输出的剂量分布训练深度学习神经网络，使得神经网络可以在输入患者医学影像和一种剂量计算方法计算的剂量分布时，预测另一种剂量计算方法得到的剂量分布。因此，实现了利用低精度算法预测高精度算法输出计算结果的技术效果，缓解了现有技术难以同时做到高精度和高效率的技术问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一种实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例一种机器人放射治疗设备剂量预测方法流程示意图；
图2为本发明第一实施例一种机器人放射治疗设备剂量预测方法深度学习神经网络HD U-Net结构示意图；
图3为本发明第二实施例一种机器人放射治疗设备剂量预测装置结构示意图；
图4为本发明第三实施例一种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，下面将结合附图对本发明的技术方案进行清楚、完整地描述，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
实施例一：
图1是本发明第一实施例一种机器人放射治疗设备剂量预测方法流程示意图，如图1所示，该方法包括如下两个个步骤。
步骤S101：对放疗剂量预测模型进行训练。具体地，根据患者的医学影像，建立患者模体，模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络。治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量。
可选地，患者模体可以是患者医学影像的三维数据。在工程实践中，医学影像数据均为二维数据，需要通过三维重建方法建立医学影像的三维数据。
需要进行说明的是，放疗剂量第一计算方法和第二计算方法，都用于计算放疗剂量分布。第二计算方法具有计算效率高但计算精度低的特点，与此相反，第一计算方法具有计算效率低但计算精度高的特点。训练得到的深度学习神经网络，就是为了利用第二计算方法得到的L，快速预测出第一计算方法得到的H。可选的，患者的医学影像采用CT影像。在放射剂量技术领域，射野是指放射性射线在患者体表上的照射范围，单射野是指放疗中仅有一个射野。在工程实践中，机器人放疗系统则具有多射野聚焦照射的特点，总剂量场为上百组单射野剂量分布叠加得到。本实施例训练的放疗剂量预测网络基于单射野，对于多射野的剂量分布计算只须对得到的单射野分布进行叠加即可。机器人放射治疗设备治疗头是一种放射治疗设备，可用于多种肿瘤的放疗。
在一个可选的实施例中，放疗剂量第一计算方法为蒙特卡罗仿真方法。蒙特卡洛模拟根据计算机模拟物质中粒子的物理过程来计算剂量分布，在放射治疗领域具有较高的精度，但其计算效率较低，进行单射野计算所需时间约为20分钟，如果进行多射野计算，计算时间很难满足放射治疗需求。
在一个可选的实施例中，放疗剂量第二计算方法为射线追踪方法。射线追踪方法算法简单，将从机器人放射治疗设备治疗头辐射出的放射粒子看作是多条射线，每条射线的能量在各自独立的射线管内传播。对每一条射线的传播进行跟踪，采用矢量叠加的方法放射剂量分布。射线追踪法计算效率高，通常为几十毫秒，但计算精度较低，很难满足放射治疗需求。
在一个可选的实施例中，深度学习神经网络为HD U-Net。图2为本发明第一实施例一种机器人放射治疗设备剂量预测方法深度学习神经网络结构示意图，如图2所示，HD U-Net包含五个层次结构来减少特征尺寸，通过各层之间2×2×2的池化层(Pooling)，最终在最底层将特征图(Feature Map)降为6×4×6的大小，来学习局部和全局特性。在每一层中，使用大小为3×3×3的卷积核，并用零填充(Zero Padding)以保持特征的大小。在HD U-Net的前半部分，每个卷积步骤生成4个特征映射(滤波器)。在剩下的一半中，除了最后一个卷积步骤外，每一层卷积的特征图的数量从下向上增加了4个。最后一个卷积步骤生成一个通道作为最终输出。由于放疗剂量预测网络的输出通道需要与输入具有相同的维度，因此编码和解码网络是理想的架构。HD U-Net拥有自动提取特征、提取三维空间信息、自动优化等特点，较为适合用于剂量预测。其包括一个将输入通道的数据分层提取的编码阶段，以及重建输出通道所需维度的解码阶段，网络的卷积下采样阶段和反卷积上采样阶段之间使用跳过的连接。跳过连接将早期卷积块的输出与网络中后期卷积块的输入相连接。这使卷积块的大小增加近一倍，但减少了网络内部的冗余，并有助于减轻网络架构的多尺度结构导致的信息损失。
在一个可选的实施例中，在送入深度学习神经网络训练得到放疗剂量预测网络之前，还包括：对L和H进行标定。需要进行说明的是，放射治疗剂量分布的标定可以计算吸收剂量和剂量当量。
在一个可选的实施例中，模型训练的次数至少为1次。需要进行说明的是，为了得到较高的预测精度，通常深度学习的神经网络需要进行多次训练。可选的，模型训练的终止条件以损失函数的数字特征进行确定。
步骤S102：利用预测模型进行剂量预测。具体地，根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。
在一个具体的实施例中，对于相同的一组试验数据，蒙特卡罗方法的计算时间为20分钟，射线追踪方法则仅需要0.05s，利用放疗剂量预测网络进行高精度剂量的预测需要0.4s。因此本实施例可以极大地减少剂量计算所需时间。
实施例二：
本发明实施例提供了一种机器人放射治疗设备剂量预测装置，该装置主要用于执行本发明实施例上述内容所提供的机器人放射治疗设备剂量预测方法，以下对本发明实施例提供的机器人放射治疗设备剂量预测装置做具体介绍。
图3是本发明第二实施例的一种机器人放射治疗设备剂量预测装置的结构示意图。如图3所示，该机器人放射治疗设备剂量预测装置200包括以下模块:
模型训练模块201，其用于根据患者的医学影像，建立患者模体，模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；
剂量预测模块202，其用于根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。
实施例三：
本发明实施例还提供了一种计算设备。如图4所示，该实施例的城市区域相关性计算计算设备300包括：处理器301、存储器302，以及存储在存储器302中并可在处理器301上运行的程序。处理器301执行程序时实现上述各个机器人放射治疗设备剂量预测方法实施例中的步骤，例如图1所示的步骤S101和S102。或者，处理器301执行程序时实现上述各装置实施例中各模块的功能，例如图3中的模块以实现机器人放射治疗设备剂量预测装置。
示例性地，所述程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器302中，并由所述处理301器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列程序指令段，该指令段用于描述所述程序在计算设备中的执行过程。例如，所述程序可以被分割成模型训练模块和剂量预测模块。
各模块具体功能如下：模型训练模块，其用于根据患者的医学影像，建立患者模体，模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测模块，其用于根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。
所述计算设备可以是单片机系统、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是示例，并不构成对计算设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算设备还可以包括输入输出设备等。
所称处理器可以是微控制单元(Microcontroller Unit，MCU)，中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。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，所述处理器是所述计算设备的控制中心，利用各种接口和线路连接整个计算设备的各个部分。
所述存储器可用于存储所述程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的程序和/或模块，以及调用存储在存储器内的数据，实现所述机器人放射治疗设备剂量预测方法及装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四：
机器人放射治疗设备剂量预测装置集成的模块如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims (8)

1.一种机器人放射治疗设备剂量预测方法，其特征在于，包括：
模型训练，
根据患者的医学影像，建立所述患者模体，所述模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；
根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算所述患者模体单射野的剂量分布H；
根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算所述患者模体单射野的剂量分布L；
所述治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；
以所述L和患者的医学影像为输入，以所述H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；
剂量预测，
根据任一患者的医学影像，建立所述的任一患者模体；
在所述放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到所述的任一患者模体单射野的剂量分布L*；
获取所述放疗剂量预测网络输出端预测得到的所述任一患者模体单射野的剂量分布H*。
2.根据权利要求1所述的方法，其特征在于，所述放疗剂量第一计算方法为蒙特卡罗仿真方法。
3.根据权利要求1所述的方法，其特征在于，所述放疗剂量第二计算方法为射线追踪方法。
4.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络为HD U-Net。
5.根据权利要求1所述的方法，其特征在于，在所述的送入深度学习神经网络训练得到放疗剂量预测网络之前，还包括：对所述L和H进行标定。
6.一种机器人放射治疗设备剂量预测装置，其特征在于，包括：
模型训练模块，其用于
根据患者的医学影像，建立所述患者模体，所述模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；
根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算所述患者模体单射野的剂量分布H；
根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算所述患者模体单射野的剂量分布L；
所述治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；
以所述L和患者的医学影像为输入，以所述H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；
剂量预测模块，其用于
根据任一患者的医学影像，建立所述的任一患者模体；
在所述放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到所述的任一患者模体单射野的剂量分布L*；
获取所述放疗剂量预测网络输出端预测得到的所述任一患者模体单射野的剂量分布H*。
7.一种计算设备，包括：处理器，及存储有程序的存储器，其特征在于，所述处理器执行所述程序时，实现权利要求1～5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被执行时实现权利要求1～5中任一项所述的方法。
CN202111180000.0A 2021-10-11 2021-10-11 机器人放射治疗设备剂量预测方法及装置 Pending CN113769282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111180000.0A CN113769282A (zh) 2021-10-11 2021-10-11 机器人放射治疗设备剂量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111180000.0A CN113769282A (zh) 2021-10-11 2021-10-11 机器人放射治疗设备剂量预测方法及装置

Publications (1)

Publication Number Publication Date
CN113769282A true CN113769282A (zh) 2021-12-10

Family

ID=78854951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111180000.0A Pending CN113769282A (zh) 2021-10-11 2021-10-11 机器人放射治疗设备剂量预测方法及装置

Country Status (1)

Country Link
CN (1) CN113769282A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112690810A (zh) * 2020-12-22 2021-04-23 上海联影医疗科技股份有限公司 基于先验信息的扫描方法和医学扫描系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107875525A (zh) * 2017-11-10 2018-04-06 上海联影医疗科技有限公司 计算放射剂量的方法、装置、计算机设备及可读存储介质
CN110197709A (zh) * 2019-05-29 2019-09-03 广州瑞多思医疗科技有限公司 一种基于深度学习与先验计划的三维剂量预测方法
WO2019212804A1 (en) * 2018-04-30 2019-11-07 Elekta, Inc. Radiotherapy treatment plan modeling using generative adversarial networks
CN110464353A (zh) * 2019-08-21 2019-11-19 南方医科大学 一种基于深度卷积神经网络的伪ct合成方法及应用
US20210038314A1 (en) * 2019-08-11 2021-02-11 phenoMapper, LLC Method and System for Personalized Treatment Planning in Ablation of Cancerous Tissue

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107875525A (zh) * 2017-11-10 2018-04-06 上海联影医疗科技有限公司 计算放射剂量的方法、装置、计算机设备及可读存储介质
WO2019212804A1 (en) * 2018-04-30 2019-11-07 Elekta, Inc. Radiotherapy treatment plan modeling using generative adversarial networks
CN110197709A (zh) * 2019-05-29 2019-09-03 广州瑞多思医疗科技有限公司 一种基于深度学习与先验计划的三维剂量预测方法
US20210038314A1 (en) * 2019-08-11 2021-02-11 phenoMapper, LLC Method and System for Personalized Treatment Planning in Ablation of Cancerous Tissue
CN110464353A (zh) * 2019-08-21 2019-11-19 南方医科大学 一种基于深度卷积神经网络的伪ct合成方法及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴超等: "利用深度学习提升肺癌调强质子治疗笔形束", 《中华放射肿瘤学杂志》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112690810A (zh) * 2020-12-22 2021-04-23 上海联影医疗科技股份有限公司 基于先验信息的扫描方法和医学扫描系统

Similar Documents

Publication Publication Date Title
US11954761B2 (en) Neural network for generating synthetic medical images
US11020615B2 (en) Computing radiotherapy dose distribution
JP3730514B2 (ja) 放射線量計算のためのシステムと方法
CA2796159A1 (en) Multi-objective radiation therapy optimization method
Townson et al. GPU-based Monte Carlo radiotherapy dose calculation using phase-space sources
CN108771794B (zh) 用于生成辐射处理计划中的剂量计算的系统和方法
US20130085314A1 (en) Automatic treatment planning method
Pastor-Serrano et al. Millisecond speed deep learning based proton dose calculation with Monte Carlo accuracy
US9495513B2 (en) GPU-based fast dose calculator for cancer therapy
CN113599728B (zh) 放疗剂量预测方法及装置
CN110570923A (zh) 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质
CN113769282A (zh) 机器人放射治疗设备剂量预测方法及装置
Neph et al. Parallel beamlet dose calculation via beamlet contexts in a distributed multi‐GPU framework
Men et al. A study of positioning orientation effect on segmentation accuracy using convolutional neural networks for rectal cancer
Chen et al. A deep-learning method for generating synthetic kV-CT and improving tumor segmentation for helical tomotherapy of nasopharyngeal carcinoma
Yang et al. Deep learning architecture with transformer and semantic field alignment for voxel‐level dose prediction on brain tumors
Pastor‐Serrano et al. Sub‐second photon dose prediction via transformer neural networks
Gerlach et al. Feasibility and analysis of CNN‐based candidate beam generation for robotic radiosurgery
Voss et al. Towards real time radiotherapy simulation
Sarrut et al. Annihilation photon GAN source model for PET Monte Carlo simulation
Shin et al. Dose Super-Resolution in Prostate Volumetric Modulated Arc Therapy Using Cascaded Deep Learning Networks
Pastor-Serrano et al. A probabilistic deep learning model of inter-fraction anatomical variations in radiotherapy
CN114036755A (zh) 一种效果预测方法、装置、存储介质及电子设备
Voss et al. Towards real time radiotherapy simulation
CN117352128A (zh) 一种基于编解码网络的放疗剂量预测方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211210

WD01 Invention patent application deemed withdrawn after publication