[發明專利]基于人工智能的硼中子俘獲治療劑量分布預測方法及其應用和裝置

在審

• 申請號: 202011212998.3
• 申請日: 2020-11-04
• 公開（公告）號: CN112330626A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 耿長冉;田鋒;湯曉斌;趙勝;鄔仁耀
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G16H30/20;G16H50/20;G16H50/50
• 代理公司: 北京邦中知識產權代理有限公司 11827
• 代理人: 方巖;張君

1.一種基于人工智能的硼中子俘獲治療劑量分布預測方法，其特征在于，包括：

獲取患者的CT圖像、特征瞬發伽馬射線產額分布樣本和劑量分布樣本；

使用所述特征瞬發伽馬射線產額分布樣本、所述劑量分布樣本和所述CT圖像對人工智能網絡模型進行訓練和測試；

在硼中子俘獲治療過程中，利用輻射探測裝置對特征瞬發伽馬射線進行探測，并重建出靶區內的特征瞬發伽馬射線產額分布；以及

基于訓練好的所述人工智能網絡模型、重建出的所述特征瞬發伽馬射線產額分布及所述CT圖像，預測劑量分布。

2.根據權利要求1所述的預測方法，其特征在于，所述特征瞬發伽馬射線產額分布包括478keV瞬發伽馬射線產額分布和2.224MeV瞬發伽馬射線產額分布，所述劑量分布包括總生物劑量分布、硼劑量分布、中子劑量分布和伽馬劑量分布。

3.根據權利要求1所述的預測方法，其特征在于，獲取患者的CT圖像、特征瞬發伽馬射線產額分布樣本和劑量分布樣本包括：

獲取所述CT圖像；以及

使用蒙特卡羅方法模擬硼中子俘獲治療過程中的粒子輸運過程，獲取特征瞬發伽馬射線產額分布樣本和劑量分布樣本。

4.根據權利要求3所述的預測方法，其特征在于，使用蒙特卡羅方法模擬硼中子俘獲治療過程中的粒子輸運過程，獲取特征瞬發伽馬射線產額分布樣本和劑量分布樣本包括：

使用蒙特卡羅方法，基于所述CT圖像對硼中子俘獲治療過程進行建模，模擬不同治療方案下的能量沉積與粒子輸運過程，獲得不同腫瘤形狀、不同腫瘤類型、不同腫瘤位置及不同硼濃度分布下靶區內的特征瞬發伽馬射線產額分布圖和三維劑量分布圖。

5.根據權利要求2所述的預測方法，其特征在于，使用所述特征瞬發伽馬射線產額分布樣本、所述劑量分布樣本和所述CT圖像對人工智能網絡模型進行訓練和測試包括：

采用所述硼劑量分布與所述478keV瞬發伽馬射線產額分布，對所述人工智能網絡模型進行訓練和測試；

采用所述中子劑量分布與所述2.224MeV瞬發伽馬射線產額分布及所述CT圖像，對所述人工智能網絡模型進行訓練和測試；以及

采用所述CT圖像與所述光子劑量分布，對所述人工智能網絡模型進行訓練和測試。

6.根據權利要求2所述的預測方法，其特征在于，在硼中子俘獲治療過程中，利用輻射探測裝置對特征瞬發伽馬射線進行探測，并重建出靶區內的特征瞬發伽馬射線產額分布包括：

在硼中子俘獲治療過程中，利用輻射探測裝置對478keV瞬發伽馬射線和2.224MeV瞬發伽馬射線進行探測，獲得478keV瞬發伽馬射線信息和2.224MeV瞬發伽馬射線信息；以及

通過圖像重建算法與所述CT圖像，對所述478keV瞬發伽馬射線信息和所述2.224MeV瞬發伽馬射線信息進行重建，獲得靶區內的478keV瞬發伽馬射線產額分布和2.224MeV瞬發伽馬射線產額分布。

7.根據權利要求2所述的預測方法，其特征在于，基于訓練好的所述人工智能網絡模型、重建出的所述特征瞬發伽馬射線產額分布及所述CT圖像，預測劑量分布包括：

將重建出的478keV瞬發伽馬射線產額分布輸入訓練好的所述人工智能網絡模型，獲得硼劑量分布；

將重建出的2.224MeV瞬發伽馬射線產額分布、所述CT圖像分別輸入訓練好的所述人工智能網絡模型，獲得第一中子劑量分布和第二中子劑量分布；

將所述CT圖像輸入訓練好的所述人工智能網絡模型，獲得伽馬劑量分布；

由所述硼劑量分布、所述第一中子劑量分布、所述第二中子劑量分布、所述伽馬劑量分布計算獲得總生物劑量分布。

8.權利要求1-7中任一所述預測方法在硼中子俘獲治療中的應用，其特征在于，包括：

獲取治療前由治療計劃系統計算得到的劑量沉積結果；以及

將所述劑量分布和所述劑量沉積結果進行對比，分析此次治療效果與預期效果的差異度。