[發明專利]基于預測劑量分布引導的調強放療計劃優化方法及應用

有效

• 申請號: 201910609968.7
• 申請日: 2019-07-08
• 公開（公告）號: CN110327554B
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 宋婷;陸星宇;賈啟源;吳艾茜;亓孟科;郭芙彤;劉裕良;周凌宏
• 申請（專利權）人: 南方醫科大學
• 主分類號: A61N5/10
• 分類號: A61N5/10;G06N3/08;G16H20/40
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

1.一種基于預測劑量分布引導的調強放療計劃優化方法，其特征在于，包括以下步驟：

S10：將患者的感興趣區域的幾何解剖結構特征輸入到經訓練的神經網絡模型，獲得危及器官的三維劑量分布預測；

S20：以所述三維劑量分布預測作為優化引導，建立射野強度分布模型，所述射野強度分布模型的優化目標函數包括基于三維劑量分布預測的目標項和基于等效體積劑量的目標項；

S30：基于所述優化目標函數設置相關參數并求解，獲得調強放療優化計劃；

S20中，所述射野強度分布模型的優化過程還考慮計劃靶區以及其周圍組織的劑量要求并構建計劃靶區周圍器官和組織的優化目標；

具體地，S20包括以下子步驟：

S21：確定計劃射野的個數及其角度，運用劑量計算引擎生成劑量沉積矩陣W，以光子強度通量圖x作為優化求解對象，得到其中表示計算劑量分布；

S22：以預測三維劑量分布作為優化引導，利用危及器官的預測三維劑量分布構建基于體素的優化目標函數，以劑量分布預測得到參考等效體積與計算等效體積；

S23：構建等效體積目標，最小化參考等效體積與計算等效體積比值；

S24：設置劑量以及劑量-體積約束項，另外對計劃靶區周圍組織結構設定劑量目標約束；

S25：將各目標函數加權構成總二次損失函數，并結合約束項來優化所述射野強度分布模型；

更具體的，S20包括以下子步驟：

S21：通過采用原始計劃中的射野信息并使用開源劑量計算與優化工具包MatRad內置逆向計劃設計模塊進行劑量計算后得出劑量沉積矩陣W，以光子強度通量圖x作為求解對象，得到其中表示計算劑量分布；

S22：以預測三維劑量分布作為優化引導，利用S10中所得危及器官的預測三維劑量分布構建基于體素的優化目標函數以重現所預測的三維劑量分布為預測引導計劃優化的最直觀解決方案，以預測劑量分布得到參考等效體積與計算等效體積，對應目標函數的表達式為：

其中，V_ref為參考等效體積；V_eff為計算等效體積；N為該危及器官內的所有體素的總和；d₀為醫生要求的參考劑量；為預測計劃得到的預測劑量；為計算劑量分布；K為等效體積權重因子，直接控制了和的形狀，K值越大曲線越陡峭；

S23：構建等效體積目標，最小化參考等效體積與計算等效體積比值，使優化劑量分布趨近于預測劑量分布且實現對危及器官內劑量的空間雕刻，其函數表達式為：

其中，為基于等效體積的優化目標函數；V_ref為參考等效體積；V_eff為計算等效體積；

S24：設置計劃靶區的均勻處方劑量目標函數，其表達式為：

其中，f_DV為基于劑量-體積的優化目標函數；N為對應ROI的體素總數；p為不同劑量體積約束的權重；為計算劑量分布；d₀為參考劑量，針對靶區時同時代表處方劑量；

并設置劑量以及劑量-體積約束項；

S25：將各目標函數加權構成總二次損失函數F，并結合約束函數C構成射野強度分布模型，其數學表達式為：

其中，N_OARs和N_Target分別表示計劃涉及危及器官的數目和靶區的數目；為基于等效體積的優化目標函數，f_DV為基于劑量-體積的優化目標函數；w_v和w_DV分別代表和f_DV中不同ROI的優化權重，旨在減少其區域內的低劑量體積以保護該結構內的更多體積；C為劑量與劑量-體積約束函數。

2.根據權利要求1所述的基于預測劑量分布引導的調強放療計劃優化方法，其特征在于，根據以下步驟獲得危及器官的三維劑量分布預測：

收集有效的調強放療計劃數據形成病例數據庫，其中，該病例數據庫反映患者的解剖結構特征和劑量特征之間的關聯性；

提取所述病例數據庫中每個患者的解剖結構特征和對應的劑量特征；

搭建人工神經網絡，輸入患者的解剖結構特征和劑量特征，通過訓練學習出解剖結構特征和劑量特征之間的映射關系，得到二者的關聯模型，并使用所述關聯模型預測新患者的三維劑量分布。