[發明專利]一種三維劑量計算方法、計算機設備以及可讀介質

在審

• 申請號: 202010959868.X
• 申請日: 2020-09-14
• 公開（公告）號: CN112086172A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 陳立新;朱金漢
• 申請（專利權）人: 廣州瑞多思醫療科技有限公司
• 主分類號: G16H30/20
• 分類號: G16H30/20;G16H20/40;G06T5/50;G06T3/40;G06N3/08;G06K9/62
• 代理公司: 廣州新諾專利商標事務所有限公司 44100
• 代理人: 李小林

本發明公開了一種三維劑量計算方法、計算機設備以及可讀介質，所述三維劑量計算方法包括步驟：獲取病人的影像圖像；對所述影像圖像進行處理，得到介質材料分布圖、電子密度分布圖和與若干單個射束單元分別對應的若干個TERMA分布圖；其中，若干所述射束單元由射野進行網格化拆分得到；將所述介質材料分布圖、電子密度分布圖、單個所述TERMA分布圖各作為一個通道進行融合，輸入至經訓練的神經網絡模型中，得到單個三維劑量分布，通過若干個所述單個三維劑量分布疊加計算所述射野的三維計量分布，本發明在不降低計算精確度的同時，提高其計算效率。

技術領域

本發明屬于放射治療劑量計算技術領域，具體涉及一種三維劑量計算方法、計算機設備及可讀介質。

背景技術

現代放射治療技術的實施離不放射治療劑量計算，劑量計算在放療各方面，包括用于計劃的劑量優化、劑量分布的計算，甚至是計劃的獨立驗算和三維劑量驗證等。不同的算法都存在考慮計算效率和計算和準確度平衡的問題。例如，筆形束算法的計算速度較快，但準確度稍差，蒙特卡羅劑量算法的準確度最高，但計算速度較慢。筒串卷積算法的計算準確度和速度則位于兩者之間。因此，一直以來，提高計算準確度的同時努力提高計算效率是劑量算法研究所追求的目標。

深度學習有初步的研究開始在劑量計算中進行應用，申請人檢索到兩篇相關的文獻：Xing,Y.等人通過Hierarchically Densely Connected U-net(HD U-net)模型把Fluence-convolution broad-beam(FCBB)算法的計算結果轉換成筒串卷積計算結果。Dong,P.等人則通過搭建deep learning-based dose calculation network把AAA算法的低分辨率結果轉換成AXB算法的高分辨率結果。這些研究的目的都是想利用深度學習的技術，對兩種劑量計算方法結果的轉換，即把計算速度快的劑量計算結果轉換成計算精度較高的劑量，在提高劑量計算準確性的同時努力獲得較高的計算效率。但是以上所訓練模型都與醫用直線加速器所對應的能量以及型號相關聯，缺乏通用性。此外因為射野形狀的不規則，需要大量包含各種射野條件的數據，增加訓練難度。因此，現有技術的劑量算法還存在計算速度慢和精度不高的缺點。

發明內容

為了克服上述技術缺陷，本發明提供了一種三維劑量計算方法、計算機設備及可讀介質，其能提高三維劑量的計算效率。

為了解決上述問題，本發明按以下技術方案予以實現的：

第一方面，本發明提供的一種三維劑量計算方法，所述計算方法包括：

獲取病人的影像圖像；

對所述影像圖像進行處理，得到介質材料分布圖、電子密度分布圖和與若干單個射束單元分別對應的若干個TERMA分布圖；其中，若干所述射束單元由射野進行網格化拆分得到；

將所述介質材料分布圖、電子密度分布圖、單個所述TERMA分布圖各作為一個通道進行融合，輸入至經訓練的神經網絡模型中，得到單個三維劑量分布，其中，神經網絡模型是通過已有劑量算法，在基于不同射束單元和不同影像圖像生成劑量數據作為訓練樣本，經過訓練確定參數構建而成；

通過若干個所述單個三維劑量分布疊加計算所述射野的三維計量分布。

進一步的，所述對所述影像圖像進行處理，得到介質材料分布圖、電子密度分布圖和與若干單個射束單元分別對應的若干個TERMA分布圖的步驟，包括：

根據影像圖像獲取介質材料分布圖和電子密度分布圖；

根據射束單元、介質材料分布圖和電子密度分布圖，計算若干初入射的單個射束單元與介質發生相互作用的量TERMA；

由TERMA構建TERMA分布圖；

對介質材料分布圖、電子密度分布圖和單個TERMA分布圖進行插值處理；