CN113962984A - 基于深度学习算法的质子ct成像方法、装置和电子设备 - Google Patents
基于深度学习算法的质子ct成像方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113962984A CN113962984A CN202111345693.4A CN202111345693A CN113962984A CN 113962984 A CN113962984 A CN 113962984A CN 202111345693 A CN202111345693 A CN 202111345693A CN 113962984 A CN113962984 A CN 113962984A
- Authority
- CN
- China
- Prior art keywords
- proton
- image
- imaging
- photon
- model
- 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
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 210000001015 abdomen Anatomy 0.000 claims description 4
- 210000000038 chest Anatomy 0.000 claims description 4
- 210000004197 pelvis Anatomy 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 210000003128 head Anatomy 0.000 claims 1
- 230000001950 radioprotection Effects 0.000 claims 1
- 238000013501 data transformation Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 106
- 238000001959 radiotherapy Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 238000002661 proton therapy Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000035515 penetration Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于深度学习算法的质子CT成像方法、装置和电子设备。其中，通过获取待构建质子CT图像的身体部位对应的X光子CT图像；并将所述X光子CT图像输入至预先采用深度学习算法构建的质子CT成像模型，从而可以得到所述质子CT成像模型输出的质子CT图像。也即，通过深度学习算法可以实现从X光子CT图像域到质子CT图像域的非线性变换，实现从X光子线性衰减系数到质子CT相对阻止本领之间的跨模态数据变换，最终可以生成临床可用的合成质子CT图像，且避免了实际开发质子CT系统时所面临的技术上和工程上的困难。
Description
技术领域
本申请涉及人工智能及CT技术领域，尤其涉及一种基于深度学习算法的质子CT成像方法、装置和电子设备。
背景技术
质子治疗是一种先进的放射治疗方式，是当前临床肿瘤治疗的一种重要手段。相较于传统的光子治疗，质子治疗具有末梢“布拉格峰”的物理学优势及更高的相对生物学效应，这使得其在全世界范围内的临床应用越来越广泛。虽然理想上可精确调节质子束使其末梢剂量分布与肿瘤的形状和深度相适形，但是在实际治疗过程中，质子束的射程存在不确定性，为此临床上往往会采用将靶区边缘外扩的方法，这极大地制约了质子治疗的物理优势。
质子CT(Computed Tomography，计算机断层成像)可以直接重建组织对质子束的相对阻止本领，进而从根本上解决质子束射程无法精确预测的问题。然而，开发临床可用的质子CT系统面临技术上和工程上的巨大挑战，同时成像剂量也非常高，因此到目前为止，质子CT尚未投入日常放疗。
发明内容
本申请提供一种基于深度学习算法的质子CT成像方法、装置和电子设备，以解决质子CT因技术上和工程上的困难而无法投入日常放疗的问题。
本申请的上述目的是通过以下技术方案实现的：
第一方面，本申请实施例提供一种基于深度学习算法的质子CT成像方法，其包括：
获取待构建质子CT图像的身体部位对应的X光子CT图像；
将所述X光子CT图像输入至预先构建的质子CT成像模型，得到所述质子CT成像模型输出的质子CT图像；其中，所述质子CT成像模型是采用深度学习算法构建的深度学习模型，且训练样本包括不同身体部位分别对应的X光子CT图像样本和质子CT图像样本。
可选的，所述质子CT成像模型的训练过程包括：
采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本；
利用所述X光子CT图像样本和质子CT图像样本对预先建立的深度卷积神经网络进行训练，得到所述质子CT成像模型。
可选的，所述采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本，包括：
利用真实病人计划CT数据实现的体素化体模作为模拟时的成像对象；
对每个体模的各个部位，分别针对X光子CT成像和质子CT成像进行蒙特卡罗模拟，得到所述X光子CT图像样本和质子CT图像样本。
可选的，体模对应的成像部位包括头部、胸腔、腹部和骨盆，且采用国际辐射防护委员会提供的人体组织元素比例来定义各种组织。
可选的，针对X光子CT成像进行蒙特卡罗模拟时，所采用的X光能谱为临床标准CT成像多色能谱，使用的探测器为能量积分型探测器，且能量积分型探测器前加装二维反散射网格，以排除散射事例的干扰，并且还对能量积分型探测器采集的投影数据进行一阶及高阶射束硬化伪影校正，并采用水模进行刻度，最终得到准确的HU值。
可选的，针对质子CT成像进行蒙特卡罗模拟时，根据待成像的不同部位，分别模拟200～300兆电子伏特的质子束流，并通过在体模前后设置灵敏探测器，以提取质子穿过体模前后的能量、位置和方向数据，并基于能量、位置和方向数据计算质子束的最可能路径，并最终采用滤波反投影重建算法和迭代重建算法重建质子CT图像。
可选的，采用的深度神经网络为卷积神经网络。
可选的，采用的深度卷积神经网络能实现图像风格迁移或跨模态图像合成，包括但不限于对抗生成网络及其变种、U-Net及其变种。
第二方面，本申请实施例还提供一种基于深度学习算法的质子CT成像装置，其包括：
获取模块，用于获取待构建质子CT图像的身体部位对应的X光子CT图像；
成像模块，用于将所述X光子CT图像输入至预先构建的质子CT成像模型，得到所述质子CT成像模型输出的质子CT图像；其中，所述质子CT成像模型是采用深度学习算法构建的深度学习模型，且训练样本包括不同身体部位分别对应的X光子CT图像样本和质子CT图像样本。
第三方面，本申请实施例还提供一种电子设备，其包括：
存储器和与所述存储器相连接的处理器；
所述存储器，用于存储器计算机程序，所述计算机程序至少用于实现如第一方面任一项所述的方法；
所述处理器，用于调用并执行所述存储器存储的所述计算机程序。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请的实施例提供的技术方案中，通过获取待构建质子CT图像的身体部位对应的X光子CT图像；并将所述X光子CT图像输入至预先采用深度学习算法构建的质子CT成像模型，从而可以得到所述质子CT成像模型输出的质子CT图像。也即，通过深度学习算法可以实现从X光子CT图像域到质子CT图像域的非线性变换，实现从X光子线性衰减系数到质子CT相对阻止本领之间的跨模态数据变换，最终可以生成临床可用的合成质子CT图像，且避免了实际开发质子CT系统时所面临的技术上和工程上的困难。
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，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于深度学习算法的质子CT成像方法的流程示意图；
图2为本申请实施例提供的一种基于深度学习算法的质子CT成像方法及其应用过程示意图；
图3为本申请实施例提供的一种基于深度学习算法的质子CT成像装置的结构示意图；
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
质子CT可以从根本上解决质子束射程无法精确预测的问题，彻底释放质子治疗的物理优势，大幅提升治疗的精度。质子治疗的物理优势使其可以更有效保护健康组织和器官。质子束与光子束的特性不同，其中，随着穿透组织深度的增加，光子治疗中光子束剂量经过短暂的增加后逐渐下降；而质子束剂量则在缓慢地增加后显著上升，并于末梢达到最大峰值，即布拉格(Bragg)峰，该峰值位置与质子束能量直接相关。因此，在临床上可通过调整质子束能量(如230MeV)来指定“布拉格峰”的位置，使其与肿瘤的深度相匹配，进而最大程度杀死靶区肿瘤细胞，同时有效保护健康组织和器官。也即，采用质子治疗可以提供与肿瘤高度适形的剂量分布，实现对肿瘤的“定向爆破”，显著减少对正常组织的辐射损伤。
不过，虽然理想上可以精确调节质子束使其与肿瘤的形状和深度相适应，但是在实际治疗过程中，质子束的射程往往存在误差。由于质子治疗是利用质子束末梢的具有极高剂量梯度的布拉格峰，因此质子束射程的不确定性会严重影响质子治疗的剂量分布。
而质子CT可以通过测量质子束穿过物体前后的能量来重建物体内部材料的RSP信息，重建后的图像中每个体素代表了该处材料对质子的相对阻止本领。因此，质子CT能够直接提供RSP信息，从根本上解决质子治疗时射程无法精确预测的问题，大幅度提升现有质子治疗的精度。然而，由于各种物理因素和工程原因，如质子多次Coulomb(库伦)散射、质子源相较于光子源不易获取及需要大型旋转机架(重达600吨以上)等，到目前为止，质子CT仍未应用于临床放疗。
针对上述问题，本申请提供一种基于深度学习算法的质子CT成像方法以及用于实现该方法的相关装置和电子设备，从而从算法角度来实现质子CT成像，避免构建质子CT系统所面临的技术上和工程上的问题，最终生成临床可用的质子CT图像。以下通过实施例对具体方案进行详细说明。
参照图1和图2，图1为本申请实施例提供的一种基于深度学习算法的质子CT成像方法的流程示意图；图2为本申请实施例提供的一种基于深度学习算法的质子CT成像方法及其应用过程示意图。
如图1所示，该方法主要包括以下步骤：
S101：获取待构建质子CT图像的身体部位对应的X光子CT图像；
具体的，待构建质子CT图像的身体部位也即待进行放射治疗的身体部位，本步骤中，通过获取实际采集的该部位对应的X光子CT图像，用于在后续步骤中通过对X光子CT图像的处理得到对应的质子CT图像。其中，X光子CT图像的采集过程按照常规方法进行即可，此处不再详述。
S102：将所述X光子CT图像输入至预先构建的质子CT成像模型，得到所述质子CT成像模型输出的质子CT图像；其中，所述质子CT成像模型是采用深度学习算法构建的深度学习模型，且训练样本包括不同身体部位分别对应的X光子CT图像样本和质子CT图像样本。
具体的，为了基于X光子CT图像得到对应部位的质子CT图像，本实施例中，基于深度学习算法，利用不同身体部位分别对应的X光子CT图像和质子CT图像作为样本，预先训练了深度学习模型，也即质子CT成像模型，从而以X光子CT图像作为深度学习模型的输入，即可得到深度学习模型合成的质子CT图像。且基于得到的质子CT图像，可更好地进行临床放射治疗。
其中，一些实施例中，所述深度学习模型——也即质子CT成像模型的训练过程包括：采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本；利用所述X光子CT图像样本和质子CT图像样本对预先建立的深度卷积神经网络进行训练，得到所述质子CT成像模型。
具体的，体素化(Voxelization)是将物体(本实施例中是人体结构)的几何形式表示转换成最接近该物体的体素表示形式，产生体数据集，其不仅包含表面信息，而且能描述内部属性。体模(phantom)是指一块具有约定尺寸和形状的组织等效材料，用于确定人体或动物体与辐射的相互作用关系特性的测量、研究和模拟，应用中，体模既可代表整个人体，也可代表特定的人体局部。本方案的一些实施例中，体模对应的成像部位包括头部、胸腔、腹部和骨盆，且采用国际辐射防护委员会提供的人体组织元素比例来定义各部位的各种组织。
更具体的，实际应用中，以上所述的采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本，具体包括：利用真实病人计划CT数据实现的体素化体模作为模拟时的成像对象；对每个体模的各个部位，分别针对X光子CT成像和质子CT成像进行蒙特卡罗模拟，得到所述X光子CT图像样本和质子CT图像样本。如此，通过真实病人计划CT数据可以方便地实现体素化体模的过程，为后续步骤中的模拟过程打下基础。
蒙特卡罗模拟能够真实地模拟实际物理过程，本实施例中，在建立体模后，通过蒙特卡罗模拟来模拟实现对应的X光子CT成像和质子CT成像，从而得到大量的X光子CT图像样本和质子CT图像样本，相对于直接实际采集X光子CT图像和质子CT图像作为样本的方案，可以在保证足够数量的有效样本的前提下，显著降低成本。
进一步的，一些实施例中，针对X光子CT成像进行蒙特卡罗模拟时，所采用的X光能谱为临床标准CT成像(比如120kV)多色能谱，使用的探测器为能量积分型探测器，且能量积分型探测器前加装二维反散射网格，以排除散射事例的干扰，降低散射伪影；并且还对能量积分型探测器采集的投影数据(通过对到达能量积分型探测器的光子能量进行积分可得到投影数据)进行一阶及高阶射束硬化伪影校正，并采用水模进行刻度，最终得到准确的HU值(用于表示CT图像上组织结构的相对密度)，也即得到准确的X光子CT图像。其中，上述的采集投影数据、一阶及高阶射束硬化伪影校正以及采用水模对数据进行刻度校正等过程均为现有技术，因此其具体过程均不再详述。
针对质子CT成像进行蒙特卡罗模拟时，根据待成像的不同部位，分别模拟200～300兆电子伏特的质子束流，并通过在体模前后设置灵敏探测器，以提取质子穿过体模前后的能量、位置和方向数据，并基于能量、位置和方向数据计算质子束的最可能路径，并最终采用滤波反投影重建算法和迭代重建算法重建质子CT图像。其中，滤波反投影重建算法和迭代重建算法均为现有算法，基于相应算法重建质子CT图像的过程也为现有技术，因此具体过程也不再详述。
此外，一些实施例中，进行模型训练时，采用的深度神经网络为卷积神经网络，比如对抗生成网络(Generative Adversarial Net，GAN)及其变种、U-Net及其变种等等，具体应用时，可根据实际需要进行选择，只要实现图像风格迁移或跨模态图像合成即可。
本申请的上述实施例提供的技术方案可以包括以下有益效果：本申请的实施例提供的技术方案中，通过获取待构建质子CT图像的身体部位对应的X光子CT图像；并将所述X光子CT图像输入至预先采用深度学习算法构建的质子CT成像模型，从而可以得到所述质子CT成像模型输出的质子CT图像。也即，通过深度学习算法可以实现从X光子CT图像域到质子CT图像域的非线性变换，实现从X光子线性衰减系数到质子CT相对阻止本领之间的跨模态数据变换，最终可以生成临床可用的合成质子CT图像，且避免了实际开发质子CT系统时所面临的技术上和工程上的困难。也即本申请的方案提供了一个将质子CT成像应用于临床质子治疗的新方向，可带动质子CT在临床放疗中应用，并最终造福患者。且本申请的方案相对于常规方案具有更快速、通用性和应用性更强的特点。
此外，基于相同的发明构思，对应于上述实施例的方法，本申请还提供一种基于深度学习算法的质子CT成像装置。该装置为用于执行上述方法的设备中的基于软件和/或硬件的功能模块。
参照图3，图3为本申请实施例提供的一种基于深度学习算法的质子CT成像装置的结构示意图。如图3所示，所述装置至少包括：
获取模块31，用于获取待构建质子CT图像的身体部位对应的X光子CT图像；
成像模块32，用于将所述X光子CT图像输入至预先构建的质子CT成像模型，得到所述质子CT成像模型输出的质子CT图像；其中，所述质子CT成像模型是采用深度学习算法构建的深度学习模型，且训练样本包括不同身体部位分别对应的X光子CT图像样本和质子CT图像样本。
其中，可选的，所述质子CT成像模型的训练过程包括：
采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本；
利用所述X光子CT图像样本和质子CT图像样本对预先建立的深度卷积神经网络进行训练，得到所述质子CT成像模型。
可选的，所述采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本，具体包括：
利用真实病人计划CT数据实现的体素化体模作为模拟时的成像对象；
对每个体模的各个部位，分别针对X光子CT成像和质子CT成像进行蒙特卡罗模拟，得到所述X光子CT图像样本和质子CT图像样本。
可选的，体模对应的成像部位包括头部、胸腔、腹部和骨盆，且采用国际辐射防护委员会提供的人体组织元素比例来定义各种组织。
可选的，针对X光子CT成像进行蒙特卡罗模拟时，所采用的X光能谱为临床标准120kV多色能谱，使用的探测器为能量积分型探测器，且能量积分型探测器前加装二维反散射网格，以排除散射事例的干扰，并且还对能量积分型探测器采集的投影数据进行一阶及高阶射束硬化伪影校正，并采用水模进行刻度，最终得到准确的HU值。
可选的，针对质子CT成像进行蒙特卡罗模拟时，根据待成像的不同部位，分别模拟200～300兆电子伏特的质子束流，并通过在体模前后设置灵敏探测器，以提取质子穿过体模前后的能量、位置和方向数据，并基于能量、位置和方向数据计算质子束的最可能路径，并最终采用滤波反投影重建算法和迭代重建算法重建质子CT图像。
可选的，采用的深度神经网络为卷积神经网络。进一步优选为条件对抗生成网络。
其中，上述装置的各功能模块所执行步骤的具体实现方法可以参照前述方法实施例的对应内容，此处不再详述。
此外，参照图4，本申请实施例还提供一种应用实现上述实施例的方法的电子设备，比如PC等智能设备，其包括：
存储器41和与存储器41相连接的处理器42；存储器41用于存储计算机程序，所述计算机程序至少用于实现前述实施例所述的方法；处理器42用于调用并执行存储器41存储的所述程序。
其中，上述程序所执行步骤的具体实现方法可以参照前述方法实施例的对应内容，此处不再详述。
通过上述方案，实现了从X光子CT图像域到质子CT图像域的非线性变换，实现从X光子线性衰减系数到质子CT相对阻止本领之间的跨模态数据变换，最终可以生成临床可用的合成质子CT图像，且避免了实际开发质子CT系统时所面临的技术上和工程上的困难，具有很高的实用性。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习算法的质子CT成像方法，其特征在于，包括：
获取待构建质子CT图像的身体部位对应的X光子CT图像；
将所述X光子CT图像输入至预先构建的质子CT成像模型，得到所述质子CT成像模型输出的质子CT图像；其中，所述质子CT成像模型是采用深度学习算法构建的深度学习模型，且训练样本包括不同身体部位分别对应的X光子CT图像样本和质子CT图像样本。
2.根据权利要求1所述的方法，其特征在于，所述质子CT成像模型的训练过程包括：
采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本；
利用所述X光子CT图像样本和质子CT图像样本对预先建立的深度卷积神经网络进行训练，得到所述质子CT成像模型。
3.根据权利要求2所述的方法，其特征在于，所述采用体素化体模的蒙特卡罗模拟，分别实现X光子CT成像和质子CT成像，得到X光子CT图像样本和质子CT图像样本，包括：
利用真实病人计划CT数据实现的体素化体模作为模拟时的成像对象；
对每个体模的各个部位，分别针对X光子CT成像和质子CT成像进行蒙特卡罗模拟，得到所述X光子CT图像样本和质子CT图像样本。
4.根据权利要求3所述的方法，其特征在于，体模对应的成像部位包括头部、胸腔、腹部和骨盆，且采用国际辐射防护委员会提供的人体组织元素比例来定义各种组织。
5.根据权利要求3所述的方法，其特征在于，针对X光子CT成像进行蒙特卡罗模拟时，所采用的X光能谱为临床标准CT成像多色能谱，使用的探测器为能量积分型探测器，且能量积分型探测器前加装二维反散射网格，以排除散射事例的干扰，并且还对能量积分型探测器采集的投影数据进行一阶及高阶射束硬化伪影校正，并采用水模进行刻度，最终得到准确的HU值。
6.根据权利要求3所述的方法，其特征在于，针对质子CT成像进行蒙特卡罗模拟时，根据待成像的不同部位，分别模拟200～300兆电子伏特的质子束流，并通过在体模前后设置灵敏探测器，以提取质子穿过体模前后的能量、位置和方向数据，并基于能量、位置和方向数据计算质子束的最可能路径，并最终采用滤波反投影重建算法和迭代重建算法重建质子CT图像。
7.根据权利要求2所述的方法，其特征在于，采用的深度神经网络为卷积神经网络。
8.根据权利要求7所述的方法，其特征在于，采用的深度卷积神经网络能实现图像风格迁移或跨模态图像合成，包括但不限于对抗生成网络及其变种、U-Net及其变种。
9.一种基于深度学习算法的质子CT成像装置，其特征在于，包括：
获取模块，用于获取待构建质子CT图像的身体部位对应的X光子CT图像；
成像模块，用于将所述X光子CT图像输入至预先构建的质子CT成像模型，得到所述质子CT成像模型输出的质子CT图像；其中，所述质子CT成像模型是采用深度学习算法构建的深度学习模型，且训练样本包括不同身体部位分别对应的X光子CT图像样本和质子CT图像样本。
10.一种电子设备，其特征在于，包括：
存储器和与所述存储器相连接的处理器；
所述存储器，用于存储器计算机程序，所述计算机程序至少用于实现如权利要求1-8任一项所述的方法；
所述处理器，用于调用并执行所述存储器存储的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111345693.4A CN113962984A (zh) | 2021-11-15 | 2021-11-15 | 基于深度学习算法的质子ct成像方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111345693.4A CN113962984A (zh) | 2021-11-15 | 2021-11-15 | 基于深度学习算法的质子ct成像方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962984A true CN113962984A (zh) | 2022-01-21 |
Family
ID=79470487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111345693.4A Pending CN113962984A (zh) | 2021-11-15 | 2021-11-15 | 基于深度学习算法的质子ct成像方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962984A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115429299A (zh) * | 2022-09-26 | 2022-12-06 | 明峰医疗系统股份有限公司 | 一种基于定位片的散射校正的方法、系统、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170028220A1 (en) * | 2015-07-23 | 2017-02-02 | Yair Censor | Systems and methods for intensity modulated radiation therapy |
| CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
| CN110234400A (zh) * | 2016-09-06 | 2019-09-13 | 医科达有限公司 | 用于生成合成医学图像的神经网络 |
| US20190325621A1 (en) * | 2016-06-24 | 2019-10-24 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| CN112396579A (zh) * | 2020-11-03 | 2021-02-23 | 北京理工大学 | 基于深度神经网络的人体组织背景估计方法及装置 |
-
2021
- 2021-11-15 CN CN202111345693.4A patent/CN113962984A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170028220A1 (en) * | 2015-07-23 | 2017-02-02 | Yair Censor | Systems and methods for intensity modulated radiation therapy |
| US20190325621A1 (en) * | 2016-06-24 | 2019-10-24 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| CN110234400A (zh) * | 2016-09-06 | 2019-09-13 | 医科达有限公司 | 用于生成合成医学图像的神经网络 |
| CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
| CN112396579A (zh) * | 2020-11-03 | 2021-02-23 | 北京理工大学 | 基于深度神经网络的人体组织背景估计方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| SEYED MOHSEN HOSSEINI 等: "A 3D Convolutional Neural Network for Denoising of Proton CT", IEEE, 12 August 2021 (2021-08-12), pages 1 - 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115429299A (zh) * | 2022-09-26 | 2022-12-06 | 明峰医疗系统股份有限公司 | 一种基于定位片的散射校正的方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Giacometti et al. | A review of dose calculation approaches with cone beam CT in photon and proton therapy | |
| US10668304B2 (en) | Phantom for adaptive radiotherapy | |
| RU2566974C2 (ru) | Использование коллекции планов для разработки новых задач оптимизации | |
| Sykes et al. | A feasibility study for image guided radiotherapy using low dose, high speed, cone beam X-ray volumetric imaging | |
| US20140126797A1 (en) | Efficient user interaction with polygonal meshes for medical image segmentation | |
| CN111344737B (zh) | 自适应放射疗法系统 | |
| Brock et al. | Reconstruction of a cone‐beam CT image via forward iterative projection matching | |
| Andersen et al. | Evaluation of an a priori scatter correction algorithm for cone-beam computed tomography based range and dose calculations in proton therapy | |
| CN113962984A (zh) | 基于深度学习算法的质子ct成像方法、装置和电子设备 | |
| 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 | |
| Chang et al. | Panoramic cone beam computed tomography | |
| Lang et al. | Hybrid-supervised deep learning for domain transfer 3D protoacoustic Image reconstruction | |
| Mestrovic et al. | Integration of on-line imaging, plan adaptation and radiation delivery: proof of concept using digital tomosynthesis | |
| Dolly et al. | Task-based image quality assessment in radiation therapy: initial characterization and demonstration with computer-simulation study | |
| Verburg | Proton Radiotherapy Treatment Planning for Patients with Metallic Implants: Correction and Dosimetric Impact of Computed Tomography Artifacts | |
| NAGAMI et al. | An approach for evaluation of delineation accuracy of GTV contours with considering interobserver variability in reference contours: impact of MAR on radiation treatment planning | |
| Verhaegen | Treatment planning for small animals | |
| Samsun et al. | THE APPLICATION OF SHIFT METHOD USING MOVING LASER ON CANCER CASES IN HEAD AREA USING 3DCRT AND VMAT TECHNOLOGY | |
| Beaudry | 4D cone-beam CT image reconstruction of Varian TrueBeam v1. 6 projection images for clinical quality assurance of stereotactic ablative radiotherapy to the lung | |
| CN117771563A (zh) | 运动管理下的离子束照射反馈方法、装置、设备及介质 | |
| Jechel | CT image electron density quantification in regions with metal implants: implications for radiotherapy treatment planning | |
| Cao | CT and MRI in Radiotherapy | |
| Marsh | Tomographic imaging on a cobalt radiotherapy machine | |
| Xing et al. | Three-and Four-Dimensional Morphological Imaging for Adaptive Radiation Therapy Planning | |
| Park | Optimizing Cone Beam Computed Tomography (CBCT) System for Image Guided Radiation 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 |