[發明專利]一種基于生成式對抗網絡的腫瘤放療計劃自動設計方法

在審

• 申請號: 202011199703.3
• 申請日: 2020-10-30
• 公開（公告）號: CN113327681A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 潘超
• 申請（專利權）人: 重慶市璧山區人民醫院
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H30/40;G06T11/20;G06K9/62;A61N5/10
• 代理公司: 杭州天牧專利代理事務所(普通合伙) 33407
• 代理人: 周興偉

本發明涉及腫瘤學放射治療技術領域，尤其涉及一種基于生成式對抗網絡的腫瘤放療計劃自動設計方法。一種基于生成式對抗網絡的腫瘤放療計劃自動設計方法，包括以下步驟：S1、信息預處理，調整劑量信息圖像的矩陣大小以匹配CT圖像的大小；S2、建立生成式對抗網絡的框架，采用pix2pix監督學習技術將源圖像輸出為目標圖像，并將生成式對抗網絡劃分為生成器和判別器，訓練生成器以生成模擬劑量分布，訓練判別器以檢測虛假劑量分布；其中，所述源圖像為CT圖像，所述目標圖像為CT圖像相對應的劑量信息圖像。本發明提供了一種無需勾畫的基于生成式對抗網絡的腫瘤放療計劃自動設計方法，實現了腫瘤放射治療過程中放療計劃的全自動設計。

技術領域

本發明涉及腫瘤學放射治療技術領域，尤其涉及一種基于生成式對抗網絡的腫瘤放療計劃自動設計方法。

背景技術

在過去的幾十年中，調強放療(IMRT)和容積調強放療(VMAT)幾乎可以適用于所有的腫瘤治療部位。由于IMRT和VMAT中的劑量分布復雜，即使OAR與靶區相鄰，也可以顯著降低對正常組織的輻射劑量，特別是臨床關注的危及器官(OAR)，從而降低了放療后發生不良事件的風險。但是，這些獨特的劑量分布導致IMRT和VMAT的治療計劃過程越來越復雜。為了獲得理想的劑量分布，需要勾畫許多結構(包括感興趣的特定優化區域)來輔助放療計劃的優化，優化過程需要調整各種劑量限制參數，不斷重復的優化過程非常耗時。

在最近的一段時間里，研究人員開始使用深度神經網絡(DNN) 來預測劑量分布，從而產生了一個新的研究領域。這種劑量預測可以減少IMRT的迭代優化過程，Nguyen等人的報告指出，基于U-net 的體系結構能夠預測前列腺癌患者的劑量分布，并且發現原始劑量與預測劑量之間的絕對差值的平均值小于處方劑量的5％。Mahmood等人通過使用生成對抗網絡(GAN)框架預測了口咽癌患者的同時整和加量(simultaneous integrated boost,SIB)治療的劑量分布，并將基于GAN的方法的預測性能與幾種最新技術進行了比較。他們發現，在滿足臨床標準方面，GAN優于基于U-net的預測模型，并且GAN在所研究的方法中也具有最佳的整體性能。

雖然基于DNN的預測模型在預測劑量分布和原始劑量分布之間取得了良好的一致性，但在所有模型框架中，患者CT中的勾畫信息是預測的必要條件。腫瘤靶區和正常器官結構的勾畫非常耗時，例如，一個使用Eclipse(Varian Medical Systems,Palo Alto,CA)來進行治療計劃的前列腺患者，勾畫過程平均需要大約4小時，而頭頸癌患者的勾畫則需要更長的時間。醫生勾畫靶區在整個治療計劃所需時間中占比了很大一部分，如肺部調強放療的患者，醫生平均花費的時間約7個小時，前列腺調強放療的患者，醫生平均花費的時間約為 8個小時，頭頸部調強放療的患者，醫生平均花費的時間約為18個小時。如果可以在沒有患者勾畫信息的情況下預測劑量分布，則將節省大量的時間，使醫生和物理師可以將他們的專長集中在更具挑戰性的病例或要求更高的任務上。

發明內容

本發明的目的是針對現有技術的缺陷，提供了一種無需勾畫的基于生成式對抗網絡的腫瘤放療計劃自動設計方法。

為了實現以上目的，本發明采用以下技術方案：

一種基于生成式對抗網絡的腫瘤放療計劃自動設計方法，包括以下步驟：

S1、信息預處理，調整劑量信息圖像的矩陣大小以匹配CT圖像的大小；

S2、建立生成式對抗網絡的框架，采用pix2pix監督學習技術將源圖像輸出為目標圖像，并將生成式對抗網絡劃分為生成器和判別器，訓練生成器以生成模擬劑量分布，訓練判別器以檢測虛假劑量分布；

S3、根據步驟S2的結果設計放療計劃；

其中，所述源圖像為CT圖像，所述目標圖像為CT圖像相對應的劑量信息圖像。