[發明專利]面向近距離粒子內放療手術智能劑量規劃方法

有效

• 申請號: 201910412352.0
• 申請日: 2019-05-17
• 公開（公告）號: CN110141801B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 姜杉;汪露
• 申請（專利權）人: 天津大學
• 主分類號: A61N5/10
• 分類號: A61N5/10
• 代理公司: 天津市三利專利商標代理有限公司 12107
• 代理人: 韓新城

1.面向近距離粒子內放療手術智能劑量規劃方法，其特征在于，包括步驟：

S101，劑量預測的步驟：從TPS中獲取先前治療計劃數據，包括病人的CT圖像數據、已勾畫并三維重建后的目標靶區重建數據、目標靶區的幾何參數以及對應的臨床劑量分布、粒子分布，作為先驗病例庫；對CT圖像重采樣并提取圖像體素特征，以體素點的劑量值作為標簽，對人工神經網絡模型進行訓練，訓練目標靶區內體素點與劑量值的對應關系，獲得訓練好的預測模型；當有新病例輸入時，則用已訓練好的模型預測靶區的三維劑量分布，輸出新病例劑量分布的預測結果；

S102，相似病例匹配的步驟：利用劑量預測模型獲得的劑量分布預測結果以及新病例目標靶區的輪廓與幾何參數，利用孿生神經網絡模型，在先驗病例庫中搜索匹配相似病例；

S103，劑量優化的步驟：將匹配到的相似病例的粒子分布狀態作為新病例劑量規劃的起始狀態，作為模擬退火算法中的初始解，利用改進的模擬退火算法進行優化處理，用DVH評估法來評估，輸出優化處理結果，獲得當前病例手術計劃方案。

2.如權利要求1所述面向近距離粒子內放療手術智能劑量規劃方法，其特征在于，所述孿生神經網絡是以卷積神經網絡為基礎，將輸入數據映射到目標空間中，在目標空間利用距離計算方式對輸入數據進行相似度對比，從而實現在先驗病例庫中搜索匹配相似病例。

3.如權利要求1所述面向近距離粒子內放療手術智能劑量規劃方法，其特征在于，所述模擬退火算法優化處理的步驟如下：

步驟A：將匹配的相似程度最高的先驗病例的粒子分布或排布狀態i，作為初始解，用來代替已有的逆向布源算法中隨機布置產生的初始解；

步驟B：用DVH評估法來評估該初始解，若滿足需求，則輸出作為當前新病例手術計劃方案，反之初始化迭代次數N與概率選擇次數I為0，計算目標函數F(i)如下：

F(i)＝ω₀∑(D_u-D_p)²+ω₁∑(D_1v-O_1p)+ω₂∑(D_2v-O_2p)+…ω_n∑(D_mv-O_mp)

其中，m為危及器官數量，ω₀為計劃靶區劑量的權重因子，ω₁，ω₂，ω_n為危及器官劑量的權重因子，D_u為計劃靶區內部點的劑量值，D_p為計劃靶區的處方劑量，D_mv為危及器官內部點的劑量值，O_mp為危及器官的最大耐受劑量值；

若(D_mv-O_mp)＞0，則在求和中加上D_mv-O_mp的差值，否則為0；

步驟C：在所有粒子候選位置上添加擾動產生新的粒子布置狀態j，計算此時的目標函數F(j)；

步驟D：比較兩個目標函數大小Δt＝F(j)-F(i)，若Δt＜0，則保留j狀態的粒子分布結果；若Δt≥0，且概率P_i≥Random of(0，1)，此時粒子分布方式保留j狀態并將概率選擇次數I加1，否則舍棄；概率P_i計算公式如下；

其中，exp表示自然指數；T為當前控制退火溫度下降的溫度參數；

步驟E：迭代次數加1后，判斷迭代次數N是否達到最大值N_max，或是概率選擇次數I是否達到最大值I_max，如果未到最大值，返回步驟C，反之如到最大值，則計算退火溫度T_n+1，若退火溫度T_n+1未達到最低溫度T_min，則繼續進行步驟B，若達到最低溫度T_min，則輸出當前狀態作為當前新病例手術計劃方案。