[發明專利]一種個性化精準放療計劃中的三維劑量預測方法及系統

有效

• 申請號: 202110375397.2
• 申請日: 2021-04-08
• 公開（公告）號: CN113096766B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 牛四杰;李帆;韓穎穎;高希占;侯清濤;董吉文
• 申請（專利權）人: 濟南大學
• 主分類號: G16H20/40
• 分類號: G16H20/40;G16H50/50;G06N3/04;G06N3/08
• 代理公司: 濟南領升專利代理事務所(普通合伙) 37246
• 代理人: 王吉勇

1.一種個性化精準放療計劃中的三維劑量預測方法，其特征是，包括以下步驟：

步驟1，獲取電子計算機斷層掃描圖像、危險器官結構掩膜圖像、計劃靶區圖像以及與三維劑量分布圖像放療相關信息；

步驟11，使用電子計算機斷層掃描成像設備對病人進行掃描成像，獲得電子計算機斷層掃描圖像，其定義為C∈R^H×W×D，其中R代表整個圖像區域，H，W分別為圖像的長和寬，D為圖像的深度；

步驟12，在放療計劃前，根據患者的電子計算機斷層掃描圖像勾畫出N個危險器官，并為每個危險器官創建結構掩膜圖像，以便在放療計劃實施時有效保護正常的組織器官，降低其受照射的劑量和體積，危險器官結構掩膜圖像定義為O_n∈R^H×W×D，n∈[1，N]，其中R代表整個圖像區域，H，W分別為圖像的長和寬，D為圖像的深度，N為正整數且N≥1；

步驟13，將患者的定位掃描影像數據經過初步處理后，由臨床醫生與物理師討論勾畫出計劃放療靶區，創建計劃靶區掩膜圖像P∈R^H×W×D，其中R代表整個圖像區域，H，W分別為圖像的長和寬，D為圖像的深度；

步驟14，勾畫完成放射治療靶區和危險器官輪廓后，物理師按照臨床醫生的要求確定最優的放療計劃，以保證腫瘤獲得足夠放療劑量的同時，盡可能控制重要的器官組織的照射劑量不超過其耐受劑量，創建三維劑量分布圖像Y∈R^H×W×D，其中R代表整個圖像區域，H，W分別為圖像的長和寬，D為圖像的深度；

步驟2、對步驟1的圖像進行數據預處理操作；

步驟3、將獲取的圖像數據輸入到兩階段的生成器網絡，生成三維劑量分布圖像和置信度圖；

步驟31，對于3D-UNet，其有一條三次下采樣的編碼路徑和三次上采樣的解碼路徑，編碼路徑每一層包含兩個卷積和一個最大池化操作，解碼路徑每一層包含一個轉置卷積和兩個卷積操作，通過跳躍連接將編碼路徑和解碼路徑中具有相同分辨率的特征進行結合，最后一層是卷積核為1×1×1的卷積層，用于減少輸出通道，生成最終的輸出結果；

步驟32，以3D-UNet為基礎模型構建粗糙網絡模型，為提升計算效率和劑量分布預測結果，借鑒殘差學習思想，讓模型內部結構有輸入到輸出的恒等映射的能力，以保證在堆疊網絡的過程中，不會因為繼續堆疊而產生退化，假設殘差模塊的輸入定義為x，則輸出y可表示為y＝x+F(x，{W_i})，其中F(x，{W_i})是學習目標，即直接把恒等映射作為網絡的一部分，把問題轉化為學習一個殘差函數F(x，{W_i})＝y-x，只要F(x，{W_i})＝0，就構成了恒等映射y＝x，所以殘差部分可以表示為F＝W₃σ(W₂σ(W₁x))，其中σ指代ReLU激活函數，而W₁，W₂，W₃指代三層網絡的權重，基于以上思想，使用殘差模塊替換3D-UNet的兩次卷積操作，一個殘差模塊依次由1×1×1、3×3×3、1×1×1，3個卷積層組成，并通過殘差連接將殘差模塊的輸入和輸出相加得到模塊最終輸出結果，此外，在此基礎上為高效利用編碼網絡的低級特征，將scSE注意力模塊嵌入到殘差模塊的最后一個卷積層后，該注意力模塊由通道注意力cSE和空間注意力sSE兩個模塊構成，cSE在通道進行壓縮和激勵，其輸入特征圖U＝[u₁，u₂，...，u_c]，其中每個通道u_c∈R^H×W×D，U經過全局池化層之后得到向量z，z∈R^1×1×1×c，每個位置k的值為之后再經過兩個全連接層，并用Sigmoid激活函數歸一化到[0，1]；sSE在空間進行壓縮和激勵，其輸入的特征圖U＝[u^1，1，1，u^1，1，2，...，u^h，w，d，...，u^H，W，D]，通過1×1×1的卷積實現空間擠壓，再經過Sigmoid歸一化到[o，1]，最后將cSE和sSE模塊直接相加，即scSE＝cSE+sSE，在模型的編碼路徑進行的四次最大池化下采樣操作減小特征圖大小，在解碼路徑上進行四次轉置卷積恢復特征圖大小，并使用跳躍連接將編碼路徑和解碼路徑中具有相同分辨率的特征進行結合，在網絡最后一層使用1×1×1的卷積以減少解碼路徑最后輸出的特征圖大小；

步驟33，將經過步驟2預處理后的圖像數據集X₁∈R^{(N+2)×H×W×D}作為粗糙網絡的輸入，其輸出為粗糙的劑量分布Y_coarse∈R^H×W×D；

步驟34，以3D-UNet為基礎模型構建精細網絡模型，精細網絡模型除最后一層外所有的卷積層的特征圖個數是粗糙網絡的2倍，其結構與粗糙網絡完全相同；

步驟35，精細網絡將經過步驟2預處理后的圖像數據集X₁∈R^{(N+2)×H×W×D}與粗糙網絡輸出的特征圖F_last∈R^Ch×H×H×D沿著通道維度組合為X₂∈R^{(N+2+Ch)×H×W×D}作為精細網絡的輸入，其中Ch表示F_last的通道個數，將X₂作為精細網絡的輸入，其輸出為精細的劑量分布Y_fine∈R^H×W×D和置信度圖M∈R^H×W×D；

步驟4、采用馬爾科夫鑒別器對抗三維劑量分布預測圖像和三維劑量分布真實圖像，提升三維劑量分布圖像的預測質量；

步驟5、通過重建損失函數、帶置信度權重的重建損失函數和對抗損失函數聯合優化預測模型；

步驟6、利用訓練好的預測模型生成三維劑量分布，即利用已訓練好的兩階段的生成器網絡對新的數據進行預測，生成三維劑量分布。