CN114529094A - 剂量分布预测方法、装置、设备、存储介质和产品 - Google Patents
剂量分布预测方法、装置、设备、存储介质和产品 Download PDFInfo
- Publication number
- CN114529094A CN114529094A CN202210169834.XA CN202210169834A CN114529094A CN 114529094 A CN114529094 A CN 114529094A CN 202210169834 A CN202210169834 A CN 202210169834A CN 114529094 A CN114529094 A CN 114529094A
- Authority
- CN
- China
- Prior art keywords
- dose distribution
- neural network
- point
- network model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种剂量分布预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取对象的医学影像;采用预设的第一神经网络模型中的第一网络分支对所述医学影像进行处理,确定所述医学影像对应的通量图;采用所述第一神经网络模型中的第二网络分支对所述通量图进行剂量计算,确定所述医学影像上各个点的目标剂量分布。采用本方法能够在使获得的剂量分布预测结果符合物理定律的基础上,提升预测的剂量分布结果的准确性。
Description
技术领域
本申请涉及医学放射治疗技术领域,特别是涉及一种剂量分布预测方法、装置、设备、存储介质和产品。
背景技术
放射治疗是利用放射线治疗患者肿瘤的一种方法,在利用放射线治疗之前,通常会对放射治疗计划对应的剂量分布进行预测,之后可以通过预测的结果再制定相应的放射治疗计划,这样可以将对患者的剂量控制到一个最优范围。
相关技术中,在对剂量分布进行预测时,通常是先获得患者影像上的病灶区域的相关勾画信息,之后采用深度学习技术对这些相关勾画信息进行处理,获得影像上各个点的剂量分布。
然而上述技术存在获得的影像上各个点的剂量分布不够准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高影像上各个点的剂量分布准确性的剂量分布预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种剂量分布预测方法。该方法包括:
获取对象的医学影像;
采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;
采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
在其中一个实施例中,在上述确定该医学影像上各个点的目标剂量分布之前,上述方法还包括:
采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布;
相应地,上述采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的目标剂量分布,包括:
采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布;
根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布。
在其中一个实施例中,上述根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布,包括:
对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到医学影像上各个点的目标剂量分布。
在其中一个实施例中,上述第一神经网络模型的训练方式包括:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;
将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在其中一个实施例中,上述第一神经网络模型的训练方式包括:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;
将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在其中一个实施例中,上述将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型,包括:
计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;
根据各训练影像对应的初始通量图计算第二损失;
根据第一损失和第二损失对初始第一神经网络模型进行训练,确定第一神经网络模型。
第二方面,本申请还提供了一种剂量分布预测装置。该装置包括:
获取模块,用于获取对象的医学影像;
处理模块,用于采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;
剂量预测模块,用于采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取对象的医学影像;
采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;
采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取对象的医学影像;
采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;
采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取对象的医学影像;
采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;
采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
上述剂量分布预测方法、装置、计算机设备、存储介质和计算机程序产品,通过采用预设的第一神经网络模型中的第一网络分支对获取的对象的医学影像进行处理,确定该医学影像对应的通量图,并采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的目标剂量分布,其中,通量图用于表征各个方向上的射束的强度和形状的对应关系。在该方法中,由于将表征各个方向上射束的强度和形状的对应关系的通量图应用到医学影像的剂量预测过程中,即将射束信息融入到剂量预测过程中,而射束信息是与剂量预测结果的物理定律相关的,那么就会使得剂量预测结果更加符合实际的物理定律,并在此基础上通过神经网络的两个网络分支进行剂量分布预测,从而可以提升预测的剂量分布的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中剂量分布预测方法的流程示意图;
图2a为一个实施例中第一神经网络模型的结构示意图;
图3为另一个实施例中剂量分布预测方法的流程示意图;
图3a为另一个实施例中第一神经网络模型以及第二神经网络模型的结构示意图;
图4为另一个实施例中剂量分布预测方法的流程示意图;
图5为另一个实施例中剂量分布预测方法的流程示意图;
图6为一个实施例中剂量分布预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的剂量分布预测方法,可以应用于如图1所示的计算机设备,该计算机设备可以是终端,也可以是服务器,以终端为例,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的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。该计算机设备的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、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种剂量分布预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机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。
本领域技术人员可以理解,图1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机设备的限定,具体的计算机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。
在一个实施例中,如图2所示,提供了一种剂量分布预测方法,以该方法应用于图1中的计算机设备为例进行说明,该方法可以包括以下步骤:
S202,获取对象的医学影像。
其中,对象可以是人体,动物体等。对象的医学影像可以是X射线影像、CT影像等,当然也可以是其他医学影像;另外,对象的医学影像可以是其一个身体部位的影像,也可以是多个部位的影像。
具体的,可以是预先通过扫描设备对对象的一个或多个身体部位进行扫描,或者通过将X射线发射到对象的一个或多个身体部位上,获得对象的扫描数据或投影数据,并通过对该扫描数据或投影数据进行图像重建获得对象的医学影像。当然,也可以是预先将对象的医学影像存储在服务器或云端,在需要使用时直接从服务器或云端获取该医学影像。
S204,采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图。
在本步骤中,第一神经网络模型可以是U-net模型、V-net模型、CNN模型等等。参见图2a所示,该第一神经网络模型包括两个网络分支,分别是第一网络分支和第二网络分支,其中第一网络分支和第二网络分支连接,第一网络分支的输出可以作为第二网络分支的输入。
第一网络分支也可以是U-net模型、V-net模型、CNN模型等等,该第一网络分支主要用于输出上述医学影像对应的通量图,上述通量图用于表征各个方向上的射束的强度和形状的对应关系。通量图指的是在通过放射设备的准直器向对象发射射束时,各个方向上射束的强度和形状的对应关系,其中的形状指的是射束到对象的形状,通过通量图将射束信息(包括射束的强度、方向、形状等信息)加入到剂量分布预测过程中,而射束信息是与剂量预测结果的物理定律相关的,这样可以使得后续的剂量分布结果比较符合物理定律。
具体的,在获得对象的医学影像之后,可以将对象的医学影像输入至第一神经网络模型中,通过第一神经网络模型的第一网络分支对医学影像进行上下采样、跳层连接、卷积、池化等处理,最终获得医学影像对应的通量图。
S206,采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
在本步骤中,上述提到了第一网络分支,这里继续对第二网络分支进行说明。其中,第二网络分支也可以是U-net模型、V-net模型、CNN模型等等,其主要用于进行剂量分布计算,可以是采用已知的数学剂量计算方式作为第二网络分支。这里已知的数学剂量方式可以是采用已知算法计算剂量的方式,这里已知算法例如可以是:笔形束算法、卷积算法、蒙特卡洛算法等。
具体的,在获得第一网络分支输出的通量图之后,可以将该通量图输入至第二网络分支中进行剂量分布计算,获得该通量图上各个点的剂量分布结果,由于通量图与医学影像对应,即获得医学影像上各个点的剂量分布结果,并通过该医学影像上各个点的剂量分布结果确定各个点的目标剂量分布(例如可以直接将各个点的剂量分布结果作为各个点的目标剂量分布,或者,可以将各个点的剂量分布结果进行进一步处理之后获得各个点的目标剂量分布)。需要说明的是,这里一般通量图的尺寸和医学影像的尺寸相同。
另外,这里需要说明的是,采用通量图进行剂量分布计算,可以使计算的剂量分布结果比较符合物理定律,同时在此基础上剂量分布结果也更加准确。
以对象是人体器官和肿瘤为例,采用现有技术的剂量分布预测方式,一般是对器官区域和肿瘤区域进行勾画,那么在进行剂量分布预测时,对勾画区域(包括器官区域和肿瘤区域)的预测结果是比较准确的,但是对于非勾画区域(包括非器官区域和非肿瘤区域)的预测结果准确性较差。而本申请实施例中将射束信息融入到剂量分布预测中,在保证勾画区域(包括器官区域和肿瘤区域)的预测结果的准确性的前提下,还可以提升非勾画区域(包括非器官区域和非肿瘤区域)的预测结果的准确性,从而为后续对勾画区域以及非勾画区域的预测结果进一步进行分析提供一个较为准确的数据基础。
上述剂量分布预测方法中,通过采用预设的第一神经网络模型中的第一网络分支对获取的对象的医学影像进行处理,确定该医学影像对应的通量图,并采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的目标剂量分布,其中,通量图用于表征各个方向上的射束的强度和形状的对应关系。在该方法中,由于将表征各个方向上射束的强度和形状的对应关系的通量图应用到医学影像的剂量预测过程中,即将射束信息融入到剂量预测过程中,而射束信息是与剂量预测结果的物理定律相关的,那么就会使得剂量预测结果更加符合实际的物理定律,并在此基础上通过神经网络的两个网络分支进行剂量分布预测,从而可以提升预测的剂量分布的准确性。
上述实施例中提到了可以采用第一神经网络模型的各个网络分支进行剂量分布预测,以下就在此基础上引入第二神经网络模型同时进行剂量分布预测,下面就对该过程进行详细说明。在一个实施例中,提供了另一种剂量分布预测方法,在上述实施例的基础上,在上述S206确定医学影像上各个点的目标剂量分布之前,上述方法还可以包括以下步骤:
采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布。
在本步骤中,第二神经网络模型可以和第一神经网络模型结构相同,例如也可以是U-net模型、V-net模型、CNN模型等等。该第二神经网络模型可以只有一个网络分支,用于对医学影像上各个点的剂量分布进行计算。
在使用第二神经网络模型之前,也可以先对第二神经网络模型进行训练,该训练过程包括:获取多个训练影像,该多个训练影像均包括训练影像上各个点的金标准剂量分布,将各训练影像输入至初始第二神经网络模型,获得各训练影像上各个点的预测剂量分布,计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的损失,并通过该损失对初始第二神经网络模型进行训练,获得训练好的第二神经网络模型。其中训练影像上各个点的金标准剂量分布可以是上述采用已知的数学剂量计算方式对训练影像上的已有剂量分布计划进行剂量计算,获得的各个点的剂量分布结果,并将每个点的该剂量分布结果作为其对应的金标准剂量分布。
在第二神经网络模型训练好之后,就可以采用训练好的第二神经网络模型对医学影像上各个点的剂量分布进行计算,获得医学影像上各个点的剂量分布,记为第一剂量分布。
本实施例中,在确定医学影像上各个点的目标剂量分布之前,还可以采用第二神经网络模型对医学影像上各个点的第一剂量分布进行计算,这样可以结合第一神经网络模型获得结果去确定目标剂量分布,从而可以提升确定的目标剂量分布的准确性。
上述实施例中提到了可以采用第一神经网络模型的各个网络分支进行剂量分布预测,同时引入了第二神经网络模型同时进行剂量分布预测,下面就对如何通过这两种模型获得目标剂量分布的过程进行详细说明。在一个实施例中,提供了另一种剂量分布预测方法,如图3所示,在上述实施例的基础上,上述S206可以包括以下步骤:
S302,采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布。
在本步骤中,参见图3a所示,如上述S206中提到的,可以采用已知的数学剂量计算方式作为第二网络分支,在获取第一网络分支输出的通量图之后,可以将该通量图输入至第二网络分支中进行剂量分布计算,获得该通量图上各个点的剂量分布结果,由于通量图与医学影像对应,即获得医学影像上各个点的剂量分布结果,记为各个点的第二剂量分布,即图中的dose1。
继续参见图3a所示,在获得医学影像(即图中的input)之后,将医学影像输入至第一神经网络模型的同时,也可以将医学影像输入至第二神经网络模型中进行剂量分布计算,获得医学影像上各个点的剂量分布,记为医学影像上各个点的第一剂量分布,即图中的dose2。
S304,根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布。
在本步骤中,在获得医学影像上各个点的第一剂量分布以及各个点的第二剂量分布之后,就可以通过各个点的这两种剂量分布进行组合获得各个点的目标剂量分布,即图中的dose。可选的,可以是对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到医学影像上各个点的目标剂量分布。
也就是说,这里可以对每个点的第一剂量分布和第二剂量分布分别进行数学运算处理,获得每个点的目标剂量分布。这里的数学运算处理主要为取均值运算处理,该取均值运算处理可以是加权求和后取平均值,也可以是直接求和后取平均值。
本实施例中,通过在第一神经网络模型的第二网络分支获得医学影像上各个点的剂量分布的基础上,可以再结合第二神经网络模型获得的各个点的剂量分布,最终得到各个点的目标剂量分布,这里结合两个网络模型的剂量分布结果得到最终的剂量分布结果,可以进一步提升预测的剂量分布结果的准确性。进一步地,通过对两个网络模型的剂量分布结果进行数学运算获得最终的剂量分布结果,该计算过程较为简单快速,因此可以提升剂量分布预测过程的效率。
上述实施例中提到了可以采用第一神经网络模型的各个网络分支进行剂量分布预测,对于该第一神经网络模型的训练方式,以下给出两种可能的实施方式。以下实施例首先对一种可能的实施方式进行说明,如图4所示,在上述实施例的基础上,上述第一神经网络模型的训练方式可以包括以下步骤:
S402,获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布。
其中,这里的多个训练影像可以是同一个对象不同时期/不同时刻下的多个医学影像,也可以是不同对象同一时期/同一时刻下的多个医学影像,还可以是不同对象不同时期/不同时刻下的多个医学影像。
这里的金标准剂量分布和上述第二神经网络模型的金标准剂量分布相同,可以是上述采用已知的数学剂量计算方式对训练影像进行计算,获得的各个点的剂量分布结果,并将每个点的该剂量分布结果作为其对应的金标准剂量分布。
S404,将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
具体的,可以将各训练影像输入至初始第一神经网络模型,获得各训练影像上各个点的预测剂量分布,计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的损失,并通过该损失对初始第一神经网络模型进行训练,获得训练好的第一神经网络模型。
本实施例中,通过多个包括各个点的金标准剂量分布的训练影像以及每个训练影像上各个点的预测剂量分布,对初始第一神经网络模型进行训练,获得训练好的第一神经网络模型。这里通过多个训练影像训练第一神经网络模型,可以提升训练的第一神经网络模型的准确性,使得通过该训练好的第一神经网络模型获得的剂量分布预测结果较为准确。
对于该第一神经网络模型的训练方式,在上述实施例的基础上,以下实施例对另一种可能的实施方式进行说明,如图5所示,上述第一神经网络模型的训练方式可以包括以下步骤:
S502,获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布。
本步骤的解释说明可以参见上述S402的解释说明,这里不再赘述。
S504,将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在本步骤中,在获得各训练影像之后,可以将各训练影像输入至初始第一神经网络模型的第一网络分支以及第二网络分支中进行处理,获得各训练影像上各个点的预测剂量分布,之后,可选的,可以计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失,以及根据各训练影像对应的初始通量图计算第二损失,并根据第一损失和第二损失对初始第一神经网络模型进行训练,确定训练好的第一神经网络模型。
其中,初始通量图可以是将各训练影像输入至初始第一神经网络模型的第一网络分支中,该第一网络分支输出的通量图,并将该初始第一神经网络模型的第一网络分支输出的初始通量图继续输入至初始第一神经网络模型的第二网络分支中,获得训练影像上各个点的预测剂量分布。
进一步地,在计算第一损失时,可以是计算各个点的预测剂量分布与对应点的金标准剂量分布之间的方差、标准差、误差等,获得每个训练影像上各个点的第一损失。另外,上述通过各训练影像对应的初始通量图计算第二损失,可以是通过计算各初始通量图对应的方差、标准差、误差、梯度、或者倒数等,并将该计算的方差、标准差、误差、梯度、或者倒数等作为第二损失。
在获得各训练影像上各个点的第一损失以及各训练影像对应的第二损失之后,可以通过对每个训练影像上各个点的第一损失进行平均求和或加权求和,获得每个训练影像对应的第一总损失,并对每个训练影像的第一总损失以及第二损失进行求和或加权求和,获得图像总损失,并采用各训练影像对应的图像总损失对初始第一神经网络模型进行训练,获得训练好的第一神经网络模型,这里第一神经网络模型训练好,即代表第一神经网络模型中的第一网络分支以及第二网络分支均训练好。
本实施例中,通过多个包括各个点的金标准剂量分布的训练影像、每个训练影像上各个点的预测剂量分布,以及各训练影像对应的初始通量图训练第一神经网络模型,这里通过各个点的预测剂量分布结合通量图,可以使训练的第一神经网络模型比较符合剂量预测结果的物理定律,并在此基础上使得通过该训练好的第一神经网络模型获得的剂量分布预测结果较为准确。进一步地,通过两个损失(包括各个点的预测剂量分布的损失和初始通量图的损失)训练第一神经网络模型,可以提升第一神经网络模型训练过程的速度,进一步地提升剂量分布预测的效率。
为了便于对本申请的技术方案进行更详细的说明,以下给出一个更为详细的实施例来对本申请的技术方案进行说明,在上述实施例的基础上,该方法可以包括以下步骤:
该方法主要分为模型训练阶段和模型使用阶段两部分,以下分别对这两部分进行说明。
一、模型训练阶段:
第一神经网络模型的训练方式一:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
第一神经网络模型的训练方式二:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;根据各训练影像对应的初始通量图计算第二损失;根据第一损失和第二损失对初始第一神经网络模型进行训练,确定第一神经网络模型。
二、模型使用阶段:
S1,获取对象的医学影像。
S2,采用上述第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系。
S3,采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布。
S4,采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布。
S5,对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行求和运算处理,得到医学影像上各个点的目标剂量分布。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的剂量分布预测方法的剂量分布预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个剂量分布预测装置实施例中的具体限定可以参见上文中对于剂量分布预测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种剂量分布预测装置,包括:获取模块10、处理模块11和剂量预测模块12,其中:
获取模块10,用于获取对象的医学影像;
处理模块11,用于采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;
剂量预测模块12,用于采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
在一个实施例中,提供了另一种剂量分布预测装置,在上述剂量预测模块12确定该医学影像上各个点的目标剂量分布之前,上述装置还可以包括:
第一剂量预测单元,用于采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布。
相应地,上述剂量预测模块12可以包括:
第二剂量预测单元,用于采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布;
目标剂量预测单元,用于根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布。
可选的,上述目标剂量预测单元,具体用于对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到医学影像上各个点的目标剂量分布。
在一个实施例中,提供了另一种剂量分布预测装置,在上述实施例的基础上,上述装置还可以包括:
第一训练影像获取模块,用于获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;
第一训练模块,用于将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,提供了另一种剂量分布预测装置,在上述实施例的基础上,上述装置还可以包括:
第二训练影像获取模块,用于获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;
第二训练模块,用于将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
可选的,上述第二训练模块可以包括:
第一损失计算单元,用于计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;
第二损失计算单元,用于根据各训练影像对应的初始通量图计算第二损失;
训练单元,用于根据第一损失和第二损失对初始第一神经网络模型进行训练,确定第一神经网络模型。
上述剂量分布预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取对象的医学影像;采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布;采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布;根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到医学影像上各个点的目标剂量分布。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;根据各训练影像对应的初始通量图计算第二损失;根据第一损失和第二损失对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取对象的医学影像;采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布;采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布;根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到医学影像上各个点的目标剂量分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;根据各训练影像对应的初始通量图计算第二损失;根据第一损失和第二损失对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取对象的医学影像;采用预设的第一神经网络模型中的第一网络分支对该医学影像进行处理,确定该医学影像对应的通量图;上述通量图用于表征各个方向上的射束的强度和形状的对应关系;采用上述第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定该医学影像上各个点的目标剂量分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用预设的第二神经网络模型对医学影像上各个点的剂量分布进行预测,确定医学影像上各个点的第一剂量分布;采用第一神经网络模型中的第二网络分支对通量图进行剂量计算,确定医学影像上各个点的第二剂量分布;根据医学影像上各个点的第一剂量分布和医学影像上各个点的第二剂量分布,确定医学影像上各个点的目标剂量分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到医学影像上各个点的目标剂量分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像上各个点的预测剂量分布作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个训练影像;各训练影像均包括训练影像上各个点的金标准剂量分布;将各训练影像作为初始第一神经网络模型的输入,将各训练影像对应的初始通量图以及各训练影像上各个点的预测剂量分布,作为初始第一神经网络模型的输出,对初始第一神经网络模型进行训练,确定第一神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算各训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;根据各训练影像对应的初始通量图计算第二损失;根据第一损失和第二损失对初始第一神经网络模型进行训练,确定第一神经网络模型。
需要说明的是,本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种剂量分布预测方法,其特征在于,所述方法包括:
获取对象的医学影像;
采用预设的第一神经网络模型中的第一网络分支对所述医学影像进行处理,确定所述医学影像对应的通量图;
采用所述第一神经网络模型中的第二网络分支对所述通量图进行剂量计算,确定所述医学影像上各个点的目标剂量分布。
2.根据权利要求1所述的方法,其特征在于,在所述确定所述医学影像上各个点的目标剂量分布之前,所述方法还包括:
采用预设的第二神经网络模型对所述医学影像上各个点的剂量分布进行预测,确定所述医学影像上各个点的第一剂量分布;
相应地,所述采用所述第一神经网络模型中的第二网络分支对所述通量图进行剂量计算,确定所述医学影像上各个点的目标剂量分布,包括:
采用所述第一神经网络模型中的第二网络分支对所述通量图进行剂量计算,确定所述医学影像上各个点的第二剂量分布;
根据所述医学影像上各个点的第一剂量分布和所述医学影像上各个点的第二剂量分布,确定所述医学影像上各个点的目标剂量分布。
3.根据权利要求2所述的方法,其特征在于,所述根据所述医学影像上各个点的第一剂量分布和所述医学影像上各个点的第二剂量分布,确定所述医学影像上各个点的目标剂量分布,包括:
对所述医学影像上各个点的第一剂量分布和对应的第二剂量分布进行数学运算处理,得到所述医学影像上各个点的目标剂量分布。
4.根据权利要求1-3任意一项所述的方法,其特征在于,所述第一神经网络模型的训练方式包括:
获取多个训练影像;各所述训练影像均包括训练影像上各个点的金标准剂量分布;
将各所述训练影像作为初始第一神经网络模型的输入,将各所述训练影像上各个点的预测剂量分布作为所述初始第一神经网络模型的输出,对所述初始第一神经网络模型进行训练,确定所述第一神经网络模型。
5.根据权利要求1-3任意一项所述的方法,其特征在于,所述第一神经网络模型的训练方式包括:
获取多个训练影像;各所述训练影像均包括训练影像上各个点的金标准剂量分布;
将各所述训练影像作为初始第一神经网络模型的输入,将各所述训练影像对应的初始通量图以及各所述训练影像上各个点的预测剂量分布,作为所述初始第一神经网络模型的输出,对所述初始第一神经网络模型进行训练,确定所述第一神经网络模型。
6.根据权利要求5所述的方法,其特征在于,所述将各所述训练影像作为初始第一神经网络模型的输入,将各所述训练影像对应的初始通量图以及各所述训练影像上各个点的预测剂量分布,作为所述初始第一神经网络模型的输出,对所述初始第一神经网络模型进行训练,确定所述第一神经网络模型,包括:
计算各所述训练影像上各个点的预测剂量分布与对应点的金标准剂量分布之间的第一损失;
根据各所述训练影像对应的初始通量图计算第二损失;
根据所述第一损失和所述第二损失对所述初始第一神经网络模型进行训练,确定所述第一神经网络模型。
7.一种剂量分布预测装置,其特征在于,所述装置包括:
获取模块,用于获取对象的医学影像;
处理模块,用于采用预设的第一神经网络模型中的第一网络分支对所述医学影像进行处理,确定所述医学影像对应的通量图;
剂量预测模块,用于采用所述第一神经网络模型中的第二网络分支对所述通量图进行剂量计算,确定所述医学影像上各个点的目标剂量分布。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169834.XA CN114529094A (zh) | 2022-02-23 | 2022-02-23 | 剂量分布预测方法、装置、设备、存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169834.XA CN114529094A (zh) | 2022-02-23 | 2022-02-23 | 剂量分布预测方法、装置、设备、存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114529094A true CN114529094A (zh) | 2022-05-24 |
Family
ID=81624438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210169834.XA Pending CN114529094A (zh) | 2022-02-23 | 2022-02-23 | 剂量分布预测方法、装置、设备、存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529094A (zh) |
-
2022
- 2022-02-23 CN CN202210169834.XA patent/CN114529094A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11103727B2 (en) | Model based PBS optimization for flash therapy treatment planning and oncology information system | |
US10765888B2 (en) | System and method for automatic treatment planning | |
US10751548B2 (en) | Automated image segmentation using DCNN such as for radiation therapy | |
EP3052188B1 (en) | Predicting achievable dose distribution using 3d information as an input | |
CN111680447A (zh) | 血流特征预测方法、装置、计算机设备和存储介质 | |
CN113129308B (zh) | 图像分割方法、装置和非暂态计算机可读存储介质 | |
US20180304097A1 (en) | System and method for radiation therapy treatment planning | |
US11090508B2 (en) | System and method for biological treatment planning and decision support | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN116350958A (zh) | 放疗计划参数的设定方法、装置、设备、介质和程序产品 | |
CN114998374A (zh) | 基于位置先验的图像分割方法、装置、设备和存储介质 | |
KR102275098B1 (ko) | 세기변조 방사선 치료계획 예측 시스템 및 방법 | |
CN113963155A (zh) | 自动计划方法、装置和计算机可读存储介质 | |
Vazquez et al. | A deep learning-based approach for statistical robustness evaluation in proton therapy treatment planning: a feasibility study | |
CN114529094A (zh) | 剂量分布预测方法、装置、设备、存储介质和产品 | |
CN113769282A (zh) | 机器人放射治疗设备剂量预测方法及装置 | |
CN113744331B (zh) | 能量确定方法、装置、设备和存储介质 | |
Liu et al. | A deep learning-based dose prediction method for evaluation of radiotherapy treatment planning | |
CN117078612B (zh) | 一种基于cbct图像的快速三维剂量验证方法及装置 | |
CN117455872A (zh) | 感兴趣区域确定方法、装置、计算机设备和存储介质 | |
CN116091517A (zh) | 医学影像处理方法、装置、存储介质和计算机程序产品 | |
CN115661082A (zh) | 冠脉血管分割方法、装置、设备、存储介质和程序产品 | |
CN114677335A (zh) | 血管图像处理方法、装置、计算机设备和存储介质 | |
CN115937281A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
CN116958254A (zh) | 医用螺钉的钉道确定方法、装置、计算机设备和存储介质 |
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 |