CN115957453B - 一种用于重离子放射治疗的三维在体剂量重建方法及装置 - Google Patents

一种用于重离子放射治疗的三维在体剂量重建方法及装置 Download PDF

Info

Publication number
CN115957453B
CN115957453B CN202211624504.1A CN202211624504A CN115957453B CN 115957453 B CN115957453 B CN 115957453B CN 202211624504 A CN202211624504 A CN 202211624504A CN 115957453 B CN115957453 B CN 115957453B
Authority
CN
China
Prior art keywords
dose
data
dimensional
neural network
dose distribution
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
CN202211624504.1A
Other languages
English (en)
Other versions
CN115957453A (zh
Inventor
罗发明
徐治国
陈玉聪
李维龙
胡正国
毛瑞士
赵祖龙
李娟�
肖国青
詹文龙
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.)
Institute of Modern Physics of CAS
Original Assignee
Institute of Modern Physics of CAS
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 Institute of Modern Physics of CAS filed Critical Institute of Modern Physics of CAS
Priority to CN202211624504.1A priority Critical patent/CN115957453B/zh
Publication of CN115957453A publication Critical patent/CN115957453A/zh
Application granted granted Critical
Publication of CN115957453B publication Critical patent/CN115957453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Radiation-Therapy Devices (AREA)

Abstract

本发明涉及一种用于重离子放射治疗的三维在体剂量重建方法，包括以下步骤：采用不同参数的束流打靶，获取束流数据及靶中的剂量分布数据并进行预处理，作为神经网络的数据集；通过获取的数据集，确定神经网络结构并进行训练，建立剂量重建预测模型；实时获取照射束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，同时将三维剂量分布数据与患者的三维结构图像数据进行融合，得到在体的三维剂量分布。通过本发明的方法可以在治疗完成后快速准确地重建出束流在患者体内沉积的剂量分布情况，医师可以根据该剂量分布情况获取患者实际接受治疗时所受剂量的大小偏差和位置偏差，从而判断是否达到治疗计划预期。

Description

一种用于重离子放射治疗的三维在体剂量重建方法及装置
技术领域
本发明涉及放射治疗技术领域，具体是关于一种能够获得重离子束入射人体后的剂量分布情况的三维在体剂量重建方法及装置。
背景技术
近年来，重离子放射治疗由于其独特的优势，受到了越来越多的关注。申请人也基于兰州重离子研究装置，实现了重离子放射治疗装置的国产化，使得越来越多的肿瘤患者能够享受到重离子放射治疗。因此急需配套的剂量监测方法和装置来保证放疗时辐照剂量的准确性，确保治疗疗效。
目前，放射治疗时主要是通过治疗前的放疗计划验证和治疗中的线束监测，来保障患者的治疗质量。此外还有研究基于瞬发γ成像和In-beamPET等方法来验证治疗剂量的分布，瞬发γ成像主要是通过对治疗时产生的瞬发γ射线进行探测并反投影计算，从而得到体内的三维剂量分布图像，但该技术的不足在于成像速度慢，且成像精度受照射剂量影响较大；In-beamPET则主要是通过探测治疗时产生的湮没光子来进行PET成像，但由于存在正电子射程效应和湮没光子的非共线性，其成像精度较差，此外在无束流状态下其偶然符合率较高，不利于成像。因此，上述两种方法均无法快速准确地完成剂量重建，从而很难确认治疗过程中患者实际受照剂量及其分布是否与放疗计划中设计的相同。
专利申请号为202210572747.9的中国发明公开了一种基于深度神经网络的三维在体剂量重建方法及装置，其主要是通过将电子射野影像装置(EPID)获得的剂量图和三维结构图输入神经网络模型，从而重建出相应的三维剂量分布。但由于重离子放射治疗时有明显的布拉格峰区，在峰后沉积的剂量很少，很难用EPID来进行成像，因此该方法和装置并不适合重离子放射治疗。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种用于重离子放射治疗的三维在体剂量重建方法，旨在能够获得重离子束入射人体后的剂量分布情况，为重离子放射治疗提供质量保证。
为实现上述目的，本发明采取以下技术方案：
第一方面，本发明提供的一种用于重离子放射治疗的三维在体剂量重建方法，包括以下步骤：采用不同参数的束流打靶，获取束流数据及靶中的剂量分布数据并进行预处理，作为神经网络的数据集；通过获取的数据集，确定神经网络结构并进行训练，建立剂量重建预测模型；实时获取照射束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，同时将三维剂量分布数据与患者的三维结构图像数据进行融合，得到在体的三维剂量分布。
所述的三维在体剂量重建方法，优选地，所述的束流数据及靶中的剂量分布数据的获取及预处理包括以下步骤：获取当前束流的实时参数；获取当前束流打靶时的三维剂量沉积分布数据并进行体素划分，得到每个体素对应的剂量沉积值；为当前束流的实时参数及剂量沉积分布数据给出确定的标签，并将数据配对；依次改变束流的各项实时参数，重复进行上述步骤，得到不同参数的束流打靶时的剂量沉积情况，并将其作为神经网络的数据集；对得出的数据集进行归一化处理，并按照一定的比例将数据集划分为训练集和测试集。
所述的三维在体剂量重建方法，优选地，对数据集进行归一化处理具体为：分别对各标签对应的数据进行max-min归一化处理至[0,1]，其中归一化处理的公式如下：
式中，xi为某一标签对应数据中的第i个数据；x′i为xi所对应的归一化之后的数据；xmax和xmin分别为该标签所对应的数据中的最大值和最小值。
所述的三维在体剂量重建方法，优选地，所述的确定神经网络结构并进行训练，建立剂量重建预测模型包括以下步骤：根据束流数据特征确定神经网络的类型和结构；确定神经网络各隐含层的最佳节点个数；对确定出的神经网络的各项参数进行优化，找出神经网络各参数的最优解；将训练集和测试集代入确定的神经网络进行训练，建立剂量重建预测模型。
所述的三维在体剂量重建方法，优选地，还包括测试剂量重建预测模型准确度的步骤：测量特定束流在靶中的剂量分布数据，同时将该特定束流对应的参数输入剂量重建预测模型计算得到重建的剂量分布数据，然后将实测数据与重建数据按体素逐个进行对比，得到每个体素对应的剂量值偏差。
所述的三维在体剂量重建方法，优选地，所述的确定神经网络各隐含层的最佳节点个数具体为：通过经验公式确定神经网络各隐含层的最佳节点个数，其实现方式是对经验公式给出的节点数范围进行遍历训练计算，找到均方误差最小的神经网络，从而确定相应的节点数；其中经验公式为：
式中，m为输入层节点个数；n为输出层节点个数；a为[1,10]之间的整数；N为计算的隐含层节点个数。
所述的三维在体剂量重建方法，优选地，所述的对确定出的神经网络的各项参数进行优化，找出神经网络各参数的最优解具体为：根据确定的神经网络，采用遗传算法对神经网络的各项参数进行优化，找出神经网络各参数的最优解。
所述的三维在体剂量重建方法，优选地，所述的实时获取束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，得到在体的三维剂量分布包括以下步骤：在束流照射过程中，实时监测束流状态，获取束流参数，将获取的束流参数输入训练好的剂量重建预测模型进行剂量预测并对预测结果进行矫正；在束流照射结束后，将所有预测的结果进行叠加计算处理，得到相应的三维剂量分布数据；获取患者的三维结构图像数据，将之与重建的三维剂量分布数据进行融合，并在对应的断层图像上画出等剂量曲线及等剂量区，得到在体的三维剂量分布。
所述的三维在体剂量重建方法，优选地，对预测结果进行矫正处理，包括矫正由患者呼吸运动带来的影响；其中，呼吸运动的矫正是在治疗的同时，通过呼吸运动监测装置实时监测患者呼吸的相位和幅度，获取由呼吸运动所造成位移，并结合束流的实时出束情况，对单次预测的原始三维剂量分布进行相应的偏移矫正，从而降低由患者呼吸运动造成的剂量分布不确定性。
第二方面，本发明提供的一种用于重离子放射治疗的三维在体剂量重建装置，包括：第一处理单元，被配置为采用不同参数的束流打靶，获取束流数据及靶中的剂量分布数据并进行预处理，作为神经网络的数据集；第二处理单元，被配置为通过获取的数据集，确定神经网络结构并进行训练，建立剂量重建预测模型；第三处理单元，被配置为实时获取束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，同时将三维剂量分布数据与患者的三维结构图像数据进行融合，得到在体的三维剂量分布。
本发明由于采取以上技术方案，其具有以下优点：
相比于现有的重离子放射治疗质量保证手段，本发明提出的技术方案通过采用基于GA优化的BP神经网络模型进行预测重建，能够快速准确地获得人体内剂量的分布；并监测患者的呼吸运动对重建的剂量分布进行矫正，降低了由呼吸运动造成的剂量重建不确定性，从而使得重建的剂量更加符合实际的受照剂量；此外，将重建的剂量数据与三维结构图像数据进行融合，从而获得在体的三维剂量分布情况，医师可以根据该三维剂量分布情况及时发现放疗计划执行的错误，从而确保患者的治疗质量，并便于医师对治疗效果进行评估。
附图说明
图1为本发明提供的三维在体剂量重建方法的总体流程示意图；
图2为本发明提供的建立剂量重建预测模型的操作流程图；
图3为本发明提供的剂量重建预测模型的使用操作流程图。
具体实施方式
为使本发明的目的、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。显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，使用术语“第一”、“第二”等词语来限定零部件，仅仅是为了便于对上述零部件进行区别，如没有另行声明，上述词语并没有特殊含义，不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
目前已有的重离子放射治疗质量保证方法主要有如下问题：通过治疗前的放疗计划验证和治疗中的线束监测无法获得三维在体剂量分布，导致不能及时发现放疗计划执行的偏差；基于对治疗时产生的瞬发γ射线及正电子核素产生的湮没光子进行探测得到体内的三维剂量分布图像的方法，重建时间长且空间分辨率较差。本发明提出了一种用于重离子放射治疗的三维在体剂量重建方法，通过该方法可以在治疗完成后快速准确地重建出重离子束在患者体内沉积的剂量分布情况，医师可以根据该剂量分布情况获取患者实际接受治疗时所受剂量的大小偏差和位置偏差，从而判断是否达到治疗计划预期。
下面，结合附图对本发明实施例提供的用于重离子放射治疗的三维在体剂量重建方法进行详细的说明。
如图1所示，本实施例提供的用于重离子放射治疗的三维在体剂量重建方法，主要包括剂量重建预测模型的建立和剂量重建预测模型的使用两部分内容，具体包括以下步骤：
步骤S100：采用不同参数的治疗束流(例如不同能量、不同入射角度的碳离子束流)打靶，获取束流数据及靶中的剂量分布数据并进行预处理，作为神经网络的数据集；
步骤S200：通过步骤S100获取的数据集，确定神经网络结构并进行训练，建立剂量重建预测模型；
步骤S300：实时获取治疗束流参数，并代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，同时将三维剂量分布数据与患者的三维结构图像数据进行融合，得到在体的三维剂量分布。
上述实施例中，优选地，如图2所述，对于上述步骤S100，束流数据及靶中的剂量分布数据的获取及预处理主要包括以下步骤：
步骤S101：获取当前束流1的实时参数，包括但不限于束流入射位置、束流入射角度、束流剖面、束流强度和束流能量等；
步骤S102：获取当前束流1打靶时的三维剂量沉积分布数据并进行体素划分，得到每个体素对应的剂量沉积值；
步骤S103：为当前束流1的实时参数及剂量沉积分布数据给出确定的标签，并将数据配对；
步骤S104：依次改变束流的各项实时参数，重复进行步骤S101至步骤S103，得到不同参数的束流1-N打靶时的剂量沉积情况，并将其作为神经网络的数据集；
步骤S105：对步骤S104得出的数据集进行归一化处理，并按照一定的比例将数据集划分为训练集和测试集，在本实施例中设置训练集数据的占比为80％，测试集数据的占比为20％。
上述实施例中，优选地，在上述步骤S100中：束流入射位置、束流入射角度及束流剖面可通过分条电离室组合进行探测；束流强度可通过剂量电离室探测获得，也可由分条电离室的累积信号作为束流强度信号；束流能量可由加速器控制系统通过事例信号提供，也可通过反应产生的核碎片间接测得；三维剂量沉积分布数据可以采用带有移动分条电离室的水箱测量，也可以采用带有胶片的水箱等三维剂量测量装置测量。
上述实施例中，优选地，上述步骤S105具体为：分别对各标签对应的数据进行max-min归一化处理至[0,1]，以加快神经网络训练时的收敛速度。其中，归一化处理的公式如下：
式中，xi为某一标签对应数据中的第i个数据；x′i为xi所对应的归一化之后的数据；xmax和xmin分别为该标签所对应的数据中的最大值和最小值。
上述实施例中，优选地，继续参见图2，对于步骤S200，确定神经网络结构并进行训练，建立剂量重建预测模型包括以下步骤：
步骤S201：根据束流数据特征确定神经网络的类型和结构；
步骤S202：确定神经网络各隐含层的最佳节点个数；
步骤S203：对确定出的神经网络的各项参数进行优化，找出神经网络各参数的最优解，以提高调参的效率；
步骤S204：将训练集和测试集代入确定的神经网络进行训练，建立剂量重建预测模型。
上述实施例中，优选地，对于步骤S200，还可以包括步骤S205：测试剂量重建预测模型的准确度，主要是通过采用胶片或分条电离室与水箱进行组合测量得到特定束流在靶中的剂量分布数据，同时将该特定束流对应的参数输入剂量重建预测模型计算得到重建的剂量分布数据，然后将实测数据与重建数据按体素逐个进行对比，得到每个体素对应的剂量值偏差：若剂量值偏差总和越小，则剂量重建预测模型的准确度越好，反之则剂量重建预测模型的准确度越差，此时可以根据临床治疗需求(比如位置偏差大于2mm，剂量偏差值大于5％)决定是否重复步骤S201至步骤S204以重新训练建立剂量重建预测模型。此外，为了简化流程，上述的实测数据也可直接采用测试集中的数据。
上述实施例中，优选地，步骤S201主要选取的神经网络模型为反向传播(BackPropagation,BP)神经网络。神经网络结构主要包含输入层、隐含层和输出层，其中每层的神经元个数可以有多个，隐含层层数也可以有多层。神经网络工作时，前一层神经元计算加权和后通过激活函数输出成为后一层神经元的输入，最后计算输出层的值。所谓反向传播，即输出层的值与实值偏差较大时，需要对误差进行反向传播，更新权值，以重新计算输出。理论上隐含层层数为1的BP神经网络即可拟合任意函数，因而本实施例在实施过程中为了加快神经网络的训练速度，采用了隐含层层数为1的BP神经网络。
上述实施例中，优选地，步骤S202主要是通过经验公式确定神经网络各隐含层的最佳节点个数，其实现方式是对经验公式给出的节点数范围进行遍历训练计算，找到均方误差(MSE)最小的神经网络，从而确定相应的节点数。其中，经验公式为：
式中，m为输入层节点个数；n为输出层节点个数；a通常为[1,10]之间的整数；N为计算的隐含层节点个数。
上述实施例中，优选地，步骤S203主要是根据步骤S201和步骤S202确定的神经网络，采用遗传算法(GeneticAlgorithm,GA)对神经网络的各项参数进行优化，从而找出神经网络各参数的最优解。所述的GA优化过程主要包括：产生随机种群并确定适应度函数的取值范围；判断个体适应度是否符合优化准则；根据适应度选择父代；将父代的染色体按一定概率进行交叉并生成子代；对子代染色体按一定概率进行变异。在本实施例中选取的初始种群规模为30，最大进化迭代次数为50代，交叉概率为0.7，变异概率为0.3的高斯变异，遗传算法的长度则根据上述步骤确定的神经网络的参数个数而定。
需要说明的是，在本实施例中采用了多输入单输出的神经网络结构，为划分的每个体素建立预测模型，在其他可选的实施例中可以是多输入多输出的神经网络结构，从而可以减少训练模型的个数，进一步提升训练效率。
上述实施例中，优选地，如图3所示，对于步骤S300，主要包括以下步骤：
步骤S301：在束流照射时，通过分条电离室和剂量电离室等探测器实时监测束流状态，获取束流参数，将获取的束流参数输入训练好的剂量重建预测模型进行剂量预测并对预测结果进行矫正；
步骤S302：在束流照射结束后，将所有预测的结果进行叠加计算处理，得到相应的三维剂量分布数据；
步骤S303：获取患者的三维结构图像数据，将之与重建的三维剂量分布数据进行融合，并在对应的断层图像上画出等剂量曲线及等剂量区，得到在体的三维剂量分布，由此可以便于医师对剂量递送效果进行评估。
上述实施例中，优选地，步骤S301中对预测结果进行矫正处理，包括但不限于矫正由患者呼吸运动带来的影响。其中，呼吸运动的矫正主要是在治疗的同时，通过呼吸运动监测装置实时监测患者呼吸的相位和幅度，获取由呼吸运动所造成位移，并结合束流的实时出束情况，对单次预测的原始三维剂量分布进行相应的偏移矫正，从而降低由患者呼吸运动造成的剂量分布不确定性。
上述实施例中，优选地，步骤S303中的三维结构图像包括但不限于由CT断层影像转化得到的三维电子密度图或三维质量密度图。
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 (9)

1.一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，包括以下步骤：
采用不同参数的束流打靶，获取束流数据及靶中的剂量分布数据，并通过体素划分、数据配对和归一化的方式进行预处理，作为神经网络的数据集，包括训练集和测试集；
通过获取的数据集，确定神经网络结构并进行训练，建立剂量重建预测模型，具体包括：根据束流数据特征确定神经网络的类型和结构；确定神经网络各隐含层的最佳节点个数；对确定出的神经网络的各项参数进行优化，找出神经网络各参数的最优解；将训练集和测试集代入确定的神经网络进行训练，建立剂量重建预测模型；
实时获取照射束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，同时将三维剂量分布数据与患者的三维结构图像数据进行融合，得到在体的三维剂量分布。
2.根据权利要求1所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，束流数据及靶中的剂量分布数据的获取及预处理包括以下步骤：
获取当前束流的实时参数；
获取当前束流打靶时的三维剂量沉积分布数据并进行体素划分，得到每个体素对应的剂量沉积值；
为当前束流的实时参数及剂量沉积分布数据给出确定的标签，并将数据配对；
依次改变束流的各项实时参数，重复进行上述步骤，得到不同参数的束流打靶时的剂量沉积情况，并将其作为神经网络的数据集；
对得出的数据集进行归一化处理，并按照一定的比例将数据集划分为训练集和测试集。
3.根据权利要求2所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，对数据集进行归一化处理具体为：分别对各标签对应的数据进行max-min归一化处理至[0,1]，其中归一化处理的公式如下：
式中，xi为某一标签对应数据中的第i个数据；x′i为xi所对应的归一化之后的数据；xmax和xmin分别为该标签所对应的数据中的最大值和最小值。
4.根据权利要求2所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，在完成建立剂量重建预测模型的步骤之后，还包括测试剂量重建预测模型准确度的步骤：测量特定束流在靶中的剂量分布数据，同时将该特定束流对应的参数输入剂量重建预测模型计算得到重建的剂量分布数据，然后将实测数据与重建数据按体素逐个进行对比，得到每个体素对应的剂量值偏差。
5.根据权利要求2所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，所述的确定神经网络各隐含层的最佳节点个数具体为：通过经验公式确定神经网络各隐含层的最佳节点个数，其实现方式是对经验公式给出的节点数范围进行遍历训练计算，找到均方误差最小的神经网络，从而确定相应的节点数；其中经验公式为：
式中，m为输入层节点个数；n为输出层节点个数；a为[1,10]之间的整数；N为计算的隐含层节点个数。
6.根据权利要求2所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，所述的对确定出的神经网络的各项参数进行优化，找出神经网络各参数的最优解具体为：根据确定的神经网络，采用遗传算法对神经网络的各项参数进行优化，找出神经网络各参数的最优解。
7.根据权利要求2所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，所述的实时获取照射束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，得到在体的三维剂量分布包括以下步骤：
在束流照射过程中，实时监测束流状态，获取束流参数，将获取的束流参数输入训练好的剂量重建预测模型进行剂量预测并对预测结果进行矫正；
在束流照射结束后，将所有预测的结果进行叠加计算处理，得到相应的三维剂量分布数据；
获取患者的三维结构图像数据，将之与重建的三维剂量分布数据进行融合，并在对应的断层图像上画出等剂量曲线及等剂量区，得到在体的三维剂量分布。
8.根据权利要求7所述的一种用于重离子放射治疗的三维在体剂量重建方法，其特征在于，对预测结果进行矫正处理，包括矫正由患者呼吸运动带来的影响；其中，呼吸运动的矫正是在治疗的同时，通过呼吸运动监测装置实时监测患者呼吸的相位和幅度，获取由呼吸运动所造成位移，并结合束流的实时出束情况，对单次预测的原始三维剂量分布进行相应的偏移矫正，从而降低由患者呼吸运动造成的剂量分布不确定性。
9.一种用于重离子放射治疗的三维在体剂量重建装置，其特征在于，包括：
第一处理单元，被配置为采用不同参数的束流打靶，获取束流数据及靶中的剂量分布数据，并通过体素划分、数据配对和归一化的方式进行预处理，作为神经网络的数据集，包括训练集和测试集；
第二处理单元，被配置为通过获取的数据集，确定神经网络结构并进行训练，建立剂量重建预测模型，具体包括：根据束流数据特征确定神经网络的类型和结构；确定神经网络各隐含层的最佳节点个数；对确定出的神经网络的各项参数进行优化，找出神经网络各参数的最优解；将训练集和测试集代入确定的神经网络进行训练，建立剂量重建预测模型；
第三处理单元，被配置为实时获取束流参数，代入建立的剂量重建预测模型重建三维剂量的分布并进行矫正，同时将三维剂量分布数据与患者的三维结构图像数据进行融合，得到在体的三维剂量分布。
CN202211624504.1A 2022-12-16 2022-12-16 一种用于重离子放射治疗的三维在体剂量重建方法及装置 Active CN115957453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211624504.1A CN115957453B (zh) 2022-12-16 2022-12-16 一种用于重离子放射治疗的三维在体剂量重建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211624504.1A CN115957453B (zh) 2022-12-16 2022-12-16 一种用于重离子放射治疗的三维在体剂量重建方法及装置

Publications (2)

Publication Number Publication Date
CN115957453A CN115957453A (zh) 2023-04-14
CN115957453B true CN115957453B (zh) 2023-07-21

Family

ID=85888998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211624504.1A Active CN115957453B (zh) 2022-12-16 2022-12-16 一种用于重离子放射治疗的三维在体剂量重建方法及装置

Country Status (1)

Country Link
CN (1) CN115957453B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117653930B (zh) * 2023-12-01 2024-07-30 中国科学院近代物理研究所 一种用于粒子束治疗的快速三维剂量重建方法及系统
CN118320329A (zh) * 2024-05-13 2024-07-12 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种三维剂量重建方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150094519A1 (en) * 2013-09-30 2015-04-02 Varian Medical Systems, Inc. Predicting achievable dose distribution using 3d information as an input
CN109843377B (zh) * 2016-09-07 2022-06-17 医科达有限公司 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法
CN110270016A (zh) * 2019-05-27 2019-09-24 彭浩 基于神经网络的质子治疗监测方法、装置与系统
CN112083467B (zh) * 2020-09-28 2022-05-31 中国科学院近代物理研究所 一种粒子治疗装置的三维剂量测量探测系统

Also Published As

Publication number Publication date
CN115957453A (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN115957453B (zh) 一种用于重离子放射治疗的三维在体剂量重建方法及装置
US11266858B2 (en) Systems, devices, and methods for quality assurance of radiation therapy
EP3075417B1 (en) Portal dosimetry systems, devices and methods
Thoelking et al. Patient-specific online dose verification based on transmission detector measurements
CN102068763B (zh) 放射处理的验证方法和放射处理装置
CN107551411A (zh) 针对射程不确定性的质子重离子调强放疗鲁棒优化方法
EP3524321A1 (en) Methods to optimize coverage for multiple targets simultaneously for radiation treatments
CN106772542A (zh) 一种束流剂量分布测量检测的方法
Oh et al. A deep-learning-based dose verification tool utilizing fluence maps for a cobalt-60 compensator-based intensity-modulated radiation therapy system
US20230285774A1 (en) Automatic beam modeling based on deep learning
Kosaka et al. Dosimetric evaluation in Helical TomoTherapy for lung SBRT using Monte Carlo‐based independent dose verification software
Wegener et al. Sensitivity and specificity of secondary dose calculation for head and neck treatment plans
Beaumont 50. What can be expected of quality controls performed by analysing the dynamic LOG files produced by “traditional” external radiotherapy treatment machines (Linacs)?
CN117727423A (zh) 一种粒子束射程实时验证方法和系统
US20230033009A1 (en) Method to determine a patient dose distribution and corresponding radiation dosimetry apparatus
Trauchessec et al. 22. Feasibility study for the implementation of aS1000 EPID controls of RapidArc® treatments using FFF photon beams
US20220379139A1 (en) Dose management based on cryostat variation
Locke et al. IAEA Commissioning Expedition of Linear Accelerator
Cilla et al. 13. Epid-based in vivo dosimetry for lung SBRT delivered with multiple breath-hold segmented VMAT
Thongsawad Virtual patient-specific VMAT quality assurance using machine learning in radiotherapy
Torres Xirau Patient-specific in-vivo QA in MRGRT: 3D EPID dosimetry for the Unity MR-linac
CN115445102A (zh) 一种硼中子俘获治疗方法与装置
Kishore Accuracy of Planar Dosimetry for Volumetric Modulated Arc Therapy Quality Assurance
CILLA et al. NEW DOSIMETRY TECHNOLOGIES FOR IMRT (INTENSITY MODULATED RADIO THERAPY)
Rancati SYMPOSIUM: ADVANCED METHODS FOR TOXICITY PREDICTIVE MODELS

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