[發明專利]一種引入伽瑪通過率優化目標的放射治療計劃優化系統

有效

• 申請號: 202111485321.1
• 申請日: 2021-12-07
• 公開（公告）號: CN114146329B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 宋威;馬珺;鹿紅;趙迪;于大海
• 申請（專利權）人: 江蘇省中醫院
• 主分類號: A61N5/10
• 分類號: A61N5/10
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 于瀚文;胡建華

1.一種引入伽瑪通過率優化目標的放射治療計劃優化系統，其特征在于，包括：圖像處理模塊、射野布置模塊、劑量計算模塊、伽瑪通過率預測模塊、處方劑量設置模塊、伽瑪通過率設置模塊、計劃優化模塊和計劃輸出模塊；

所述圖像處理模塊用于獲取患者影像資料和分割影像的感興趣區域ROI；

所述射野布置模塊用于設置放射治療計劃的射野參數；

所述劑量計算模塊用于根據射野強度分布計算患者體內三維劑量分布；

所述伽瑪通過率預測模塊用于預測不同感興趣區域ROI的小于不同伽瑪限值的伽瑪通過率；

所述處方劑量設置模塊用于設置處方劑量目標；

所述伽瑪通過率設置模塊用于設置不同感興趣區域ROI的小于不同伽瑪限值的伽瑪通過率目標R_jk，R_jk表示第j個感興趣區域ROI的第k個伽瑪通過率目標的參數值；

所述計劃優化模塊用于根據處方劑量目標和感興趣區域ROI伽瑪通過率目標建立多目標優化模型，得到最優計劃；

所述計劃輸出模塊用于輸出最優計劃；

所述劑量計算模塊用于根據射野強度分布計算患者體內三維劑量分布，包括：采用如下公式進行計算：

其中d_i為計算體積內第i個感興趣點POI的劑量計算值，f_j(j＝1,…,N_b)表示射野強度分布，f_j為第j個單元束的強度，N_b為單元束的總數；k_ji為劑量沉積核密度表示單位強度的第j個單元束給予第i個感興趣點POI的照射劑量；

所述伽瑪通過率預測模塊用于預測不同感興趣區域ROI的小于不同伽瑪限值的伽瑪通過率，具體包括如下步驟：

步驟1：獲取歷史計劃的射野強度分布、測量點位置信息和測量點伽瑪值；

步驟2：將步驟1得到的數據預處理為樣本，并將樣本劃分為訓練集和測試集；

步驟3：建立深度學習模型，所述訓練集用于訓練深度學習模型，所述測試集用于測試所述深度學習模型預測的準確性；

步驟4：將待預測放射治療計劃的射野強度分布和不同感興趣區域ROI內感興趣點POI的位置信息輸入訓練好的深度學習模型，預測感興趣點POI的伽瑪值，實現個體化的計算不同感興趣區域ROI的小于不同伽瑪限值的伽瑪通過率，公式如下：

其中r_jk表示第j個感興趣區域ROI的第k個伽瑪通過率計算值，T_jk表示計算對應伽瑪通過率采用的伽瑪限值；δ(·)表示當括號中條件滿足時取值為1，否則取值為0；g_ji表示第j個感興趣區域ROI內第i個感興趣點POI的預測伽瑪值；NP_j表示第j個感興趣區域ROI內的感興趣點POI的總數，NT_j表示第j個感興趣區域ROI的伽瑪通過率目標的總數；

步驟2包括：將射野強度分布和測量點位置信息，以測量點為中心，插值、裁剪和集成為多通道特征塊作為樣本的輸入值，將測量點伽瑪值作為樣本的目標值；

步驟3中，所述深度學習模型使用U-Net神經網絡，包括：輸入層、編碼層、解碼層、跳躍連接和輸出層；

所述處方劑量設置模塊用于設置處方劑量目標，具體包括：腫瘤靶區處方劑量D_P、腫瘤靶區照射劑量大于D_L的體積的最小值約束腫瘤靶區照射劑量大于D_U的體積的最大值約束危及器官OAR照射劑量大于D的體積的最大值約束

所述計劃優化模塊用于根據處方劑量目標和感興趣區域ROI伽瑪通過率目標建立多目標優化模型，具體公式如下：

其中F_D為腫瘤靶區PTV接受均勻處方劑量D_P照射的子目標函數，w_i為對應感興趣點的目標權重，N_D為腫瘤靶區內感興趣點總數；F_R為不同感興趣區域ROI的伽瑪通過率子目標函數，r_jk表示對應伽瑪通過率目標的計算值，w_jk為對應的目標權重，NR表示感興趣區域ROI的總數，NT_j為第j個感興趣區域ROI的伽瑪通過率目標的總數；由F_D和F_R加權構成待優化的總體目標函數F；w_D和w_R為子目標函數權重；

在優化過程中，使用非線性優化算法調用劑量計算模塊計算d_i和伽瑪通過率預測模塊計算r_jk，按迭代公式更新射野強度分布f_j(j＝1,…,N_b)，得到最優計劃。