[發明專利]放療計劃中的劑量預測方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202010929461.2
• 申請日: 2020-09-07
• 公開（公告）號: CN112037885B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 王季勇;毋戈
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G16H20/40
• 分類號: G16H20/40;G06N3/04;G06N3/08
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

本發明公開了放療計劃中的劑量預測方法、裝置、計算機設備及存儲介質，方法包括：將劃靶區的3D輪廓樣本和危及器官的3D輪廓樣本輸入至卷積層進行卷積；再使用全連接層進行降維，得到中間信號；然后將中間信號送入反卷積層進行反卷積，得到恢復信號，并基于所述恢復信號完成自編碼模型的構建和更新；利用自編碼模型對所述計劃靶區的3D輪廓樣本，以及危及器官的3D輪廓樣本進行學習，并生成全局虛擬劑量圖和計劃靶區掩膜的局部虛擬劑量圖；采用損失函數對所述自編碼模型進行優化；利用優化后的自編碼模型對劑量進行預測。本發明在損失函數中加入一個有關處方劑量的約束項，提高了放療計劃中劑量預測的準確度。

技術領域

本發明涉及人工智能技術領域，特別涉及放療計劃中的劑量預測方法、裝置、計算機設備及存儲介質。

背景技術

放療計劃的實施步驟是，首先對病人進行CT掃描，得到CT定位影像。然后，醫生和物理師在CT定位影像上繪制Planning Target Volume(PTV，計劃靶區)的3D輪廓，以及Organs at risks(OARs，危及器官)的3D輪廓。接著，物理師設計放療計劃，在制定放療計劃的過程中，可以生成劑量圖(Dose images/dose distribution)。

在深度學習逐漸進入放療領域之后，目前也會結合使用深度學習模型，基于醫生和物理師繪制的PTV和OARs輪廓，自動生成一個虛擬劑量圖。然后，使用這個虛擬劑量圖引導物理師的放療計劃設計。

現有技術中，利用深度學習模型進行學習時，一般采用的損失函數是均方差函數(mean squared error)，均方差對比的一方是作為金標準的臨床上實施的放療計劃的劑量圖，另一方是預測得到的虛擬劑量圖。也就是說，現有技術中的學習模型僅考慮全局的劑量圖，導致最終的預測結果準確性不高。

發明內容

本發明的目的是提供放療計劃中的劑量預測方法、裝置、計算機設備及存儲介質，旨在解決現有放療計劃中的劑量預測方式準確性不高的問題。

第一方面，本發明實施例提供一種放療計劃中的劑量預測方法，其中，包括：

獲取在CT影像上繪制的計劃靶區的3D輪廓樣本，以及危及器官的3D輪廓樣本；

將所述計劃靶區的3D輪廓樣本和危及器官的3D輪廓樣本輸入至卷積層進行卷積；再使用全連接層進行降維，得到中間信號；然后將中間信號送入反卷積層進行反卷積，得到恢復信號，并基于所述恢復信號完成自編碼模型的構建和更新；

利用所述自編碼模型對所述計劃靶區的3D輪廓樣本，以及危及器官的3D輪廓樣本進行學習，并生成全局虛擬劑量圖和計劃靶區掩膜的局部虛擬劑量圖；

采用損失函數對所述自編碼模型進行優化，所述損失函數包含了劑量圖約束項和處方劑量約束項，所述劑量圖約束項為對全局虛擬劑量圖的約束項，所述處方劑量約束項為對局部虛擬劑量圖的約束項；

將目標CT影像上繪制的計劃靶區的實際3D輪廓以及危及器官的實際3D輪廓輸入至優化后的自編碼模型，對劑量進行預測。

第二方面，本發明實施例提供一種放療計劃中的劑量預測裝置，其中，包括：

獲取單元，用于獲取在CT影像上繪制的計劃靶區的3D輪廓樣本，以及危及器官的3D輪廓樣本；

模型構建單元，用于將所述計劃靶區的3D輪廓樣本和危及器官的3D輪廓樣本輸入至卷積層進行卷積；再使用全連接層進行降維，得到中間信號；然后將中間信號送入反卷積層進行反卷積，得到恢復信號，并基于所述恢復信號完成自編碼模型的構建和更新

深度學習單元，用于利用所述自編碼模型對所述計劃靶區的3D輪廓樣本，以及危及器官的3D輪廓樣本進行學習，并生成全局虛擬劑量圖和計劃靶區掩膜的局部虛擬劑量圖；