一种放疗计划危及器官剂量体积直方图的预测方法和装置制造方法及图纸

本发明专利技术提供一种放疗计划危及器官剂量体积直方图的预测方法和装置，确定用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图；确定预测模型；将新患者标签化的感兴趣区的解剖结构图输入所述预测模型进行预测，得到新患者危及器官剂量体积直方图，本发明专利技术预测耗时短，准确度高，适用于具有多种处方剂量的靶区和多种不同的危及器官解剖结构的患者；不局限于肿瘤类型，能够对不同肿瘤类型进行预测，临床应用范围较广；本发明专利技术能够实现个体化逆向计划初始目标函数自动化设置以及计划质量检查，提高放疗计划设计质量并缩短设计时间，解决精准放疗计划设计耗时和计划质量差异大的问题。

【技术实现步骤摘要】
一种放疗计划危及器官剂量体积直方图的预测方法和装置
本专利技术涉及医学放射治疗
，具体涉及一种放疗计划危及器官剂量体积直方图的预测方法和装置。
技术介绍
放射治疗(radiotherapy，RT)是肿瘤治疗的重要手段，超过50％的肿瘤患者都需要接受姑息性或根治性放疗，其中调强放射治疗(IMRT)、固定野调强放疗(FB-IMRT)、容积旋转调强放疗(VMAT)和螺旋断层调强放疗(TOMO))是目前肿瘤放疗的主流技术手段。IMRT计划的目的是在确保肿瘤靶区获得足够照射剂量的同时，尽可能减少靶区周边正常组织和危及器官的受照剂量。但是，IMRT计划设计复杂并且耗时，依赖设计者的经验和设计时间，考虑到我国人口众多、城乡区域发展不均衡、医疗水平差距大，不同肿瘤中心设计的计划质量存在较大的差异，这种差异可能会导致质量不佳的治疗计划出现，将直接影响患者的预后以及导致放疗副反应的发生。IMRT计划设计耗时、差异大的根本原因在于计划需要设定、调整数个、甚至数十个优化条件。目前这些优化条件的设置都是计划设计者根据临床处方剂量要求，凭借自身知识和经验，反复多次调整来完成的。不同的计划设计者的知识、经验存在较大差异，直接影响最终的计划质量。并且，临床对肿瘤的处方剂量要求和对危及器官的限量要求是基于人群数据、RTOG指南和放疗医生临床知识和直觉等因素确定的，其转化成的目标函数只是对某些患者适用，但对于具有不同的靶区和危及器官解剖结构的患者，目标函数要么容易实现而不能设计出最优的治疗计划使危及器官得不到更好的保护，要么无法实现而不能设计出满足靶区处方剂量要求的治疗计划。因此，根据肿瘤患者个体化解剖结构特点预测可以实现的危及器官剂量体积直方图是合理设置优化条件、保证计划质量的关键，也是实现患者个体化计划质控的关键。现有的研究方法大体是从已有计划数据库中提取患者的部分解剖结构信息(例如OVH，DTH等)建立危及器官受照剂量与解剖结构之间的参数化模型，预测新患者危及器官剂量指标或DVH。但是在临床实践中，上述方法需要手动提取特征，并且这些特征不能涵盖患者所有解剖结构特点，尤其是对于复杂的肿瘤类型(头颈部肿瘤)，降低了临床应用的准确性和适用范围。
技术实现思路
为了克服上述现有技术中的不足，本专利技术提供一种放疗计划危及器官剂量体积直方图的预测方法，包括：步骤1：基于专家放疗计划医学影像数据库中CT图像以及感兴趣区的解剖结构图和剂量分布图确定用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图；步骤2：将所述用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图输入深度学习网络进行训练，得到预测模型；步骤3：基于新患者放疗计划医学影像中CT图像和感兴趣区的解剖结构图确定新患者标签化的感兴趣区的解剖结构图，并将所述新患者标签化的感兴趣区的解剖结构图输入所述预测模型进行预测，得到新患者危及器官剂量体积直方图。所述步骤1具体包括以下步骤：步骤1-1：基于专家放疗计划医学影像数据库中CT图像对专家放疗计划医学影像数据库中感兴趣区的解剖结构进行解析，并对解析后的感兴趣区的解剖结构图进行标签化处理，得到标签化的感兴趣区的解剖结构图；步骤1-2：基于所述标签化的感兴趣区解剖结构，考虑靶区和危及器官的可能空间位置关系，得到用于模型训练的感兴趣区的解剖结构图，所述用于模型训练的感兴趣区的解剖结构图包括靶区与感兴趣危及器官、靶区、感兴趣危及器官；步骤1-3：基于专家放疗计划医学影像数据库中CT图像对专家放疗计划医学影像数据库中感兴趣区的解剖结构图和剂量分布图进行解析，并对解析后的解剖结构图和剂量分布图进行标签化处理，得到标签化的感兴趣区的解剖结构图和剂量分布图；步骤1-4：基于所述标签化的感兴趣区的解剖结构图和剂量分布图生成感兴趣危及器官的剂量面积直方图。步骤2具体包括以下步骤：步骤2-1：将用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图输入深度学习网络进行训练，得到危及器官剂量面积分布；步骤2-2：基于所述危及器官剂量面积分布确定所述预测模型。所述步骤3具体包括以下步骤：步骤3-1：在所述新患者放疗计划医学影像CT图像中勾画感兴趣区的解剖结构，基于CT图像和感兴趣区的解剖结构图对感兴趣区解剖结构进行解析，得到三维矩阵形式的感兴趣区解剖结构，并对所述三维矩阵形式的感兴趣区解剖结构进行标签化处理，得到标签化的感兴趣区解剖结构；步骤3-2：基于所述标签化的感兴趣区解剖结构获取新患者标签化的感兴趣区的解剖结构图，所述新患者标签化的感兴趣区的解剖结构图包括靶区与感兴趣危及器官、靶区、感兴趣危及器官；步骤3-3：将所述新患者标签化的感兴趣区的解剖结构图输入所述预测模型，生成新患者危及器官剂量面积分布，并对所述新患者危及器官剂量面积分布进行取整处理；步骤3-4：将所述新患者危及器官剂量面积分布进行逐层累加得到剂量体积分布，并基于所述剂量体积分布确定新患者危及器官剂量体积直方图。所述步骤1-1具体包括以下步骤：步骤1-1-1：读取所述专家放疗计划医学影像数据库中CT图像，将所述专家放疗计划医学影像数据库中CT图像按照正确的层数序列进行排序，确定并调整层内和层间的图像分辨率；步骤1-1-2：读取所述专家放疗计划医学影像数据库中感兴趣区的解剖结构图，按照专家放疗计划医学影像数据库中CT图像的层面顺序对感兴趣区的解剖结构图进行解析，得到解析后的感兴趣区的解剖结构图；步骤1-1-3：将解析后的感兴趣区的解剖结构图与放疗计划系统中的感兴趣区的解剖结构图进行比对，若解析后的感兴趣区的解剖结构图与放疗计划系统中的感兴趣区的解剖结构图不匹配，返回步骤1-1-2重新执行，直至解析后的感兴趣区的解剖结构图与放疗计划系统中的感兴趣区的解剖结构图匹配；步骤1-1-4：基于感兴趣区的解剖结构图的分辨率与CT图像保持一致原则对解析后的感兴趣区的解剖结构图进行标签化处理，如果出现重叠区域，按照体轮廓、靶区和危及器官的顺序对感兴趣解剖结构依次进行累加标签化，得到标签化的感兴趣区的解剖结构图。所述步骤1-3具体包括以下步骤：步骤1-3-1：读取所述专家放疗计划医学影像数据库中CT图像，将所述专家放疗计划医学影像数据库中CT图像按照正确的层数序列进行排序，确定并调整层内和层间的图像分辨率；步骤1-3-2：读取所述专家放疗计划医学影像数据库中感兴趣区的解剖结构图，按照专家放疗计划医学影像数据库中CT图像的层面顺序对感兴趣区的解剖结构图进行解析，得到解析后的感兴趣区的解剖结构图；步骤1-3-3：读取所述专家放疗计划医学影像数据库中的剂量分布图，按照专家放疗计划医学影像数据库中CT图像的层面顺序对读取的剂量分布图进行解析，得到解析后的剂量分布图；步骤1-3-4：将解析后的感兴趣区的解剖结构图与专家放疗计划医学影像数据库中的感兴趣区的解剖结构图进行比对，若解析后的感兴趣区的解剖结构图与专本文档来自技高网...

【技术保护点】
1.一种放疗计划危及器官剂量体积直方图的预测方法，其特征在于，包括：/n步骤1：基于专家放疗计划医学影像数据库中CT图像以及感兴趣区的解剖结构图和剂量分布图确定用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图；/n步骤2：将所述用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图输入深度学习网络进行训练，得到预测模型；/n步骤3：基于新患者放疗计划医学影像中CT图像和感兴趣区的解剖结构图确定新患者标签化的感兴趣区的解剖结构图，并将所述新患者标签化的感兴趣区的解剖结构图输入所述预测模型进行预测，得到新患者危及器官剂量体积直方图。/n

【技术特征摘要】
1.一种放疗计划危及器官剂量体积直方图的预测方法，其特征在于，包括：
步骤1：基于专家放疗计划医学影像数据库中CT图像以及感兴趣区的解剖结构图和剂量分布图确定用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图；
步骤2：将所述用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图输入深度学习网络进行训练，得到预测模型；
步骤3：基于新患者放疗计划医学影像中CT图像和感兴趣区的解剖结构图确定新患者标签化的感兴趣区的解剖结构图，并将所述新患者标签化的感兴趣区的解剖结构图输入所述预测模型进行预测，得到新患者危及器官剂量体积直方图。


2.根据权利要求1所述的放疗计划危及器官剂量体积直方图的预测方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1-1：基于专家放疗计划医学影像数据库中CT图像对专家放疗计划医学影像数据库中感兴趣区的解剖结构进行解析，并对解析后的感兴趣区的解剖结构图进行标签化处理，得到标签化的感兴趣区的解剖结构图；
步骤1-2：基于所述标签化的感兴趣区解剖结构，考虑靶区和危及器官的可能空间位置关系，得到用于模型训练的感兴趣区的解剖结构图，所述用于模型训练的感兴趣区的解剖结构图包括靶区与感兴趣危及器官、靶区、感兴趣危及器官；
步骤1-3：基于专家放疗计划医学影像数据库中CT图像对专家放疗计划医学影像数据库中感兴趣区的解剖结构图和剂量分布图进行解析，并对解析后的解剖结构图和剂量分布图进行标签化处理，得到标签化的感兴趣区的解剖结构图和剂量分布图；
步骤1-4：基于所述标签化的感兴趣区的解剖结构图和剂量分布图生成感兴趣危及器官的剂量面积直方图。


3.根据权利要求1所述的放疗计划危及器官剂量体积直方图的预测方法，其特征在于，步骤2具体包括以下步骤：
步骤2-1：将用于模型训练的感兴趣区的解剖结构图和感兴趣危及器官的剂量面积直方图输入深度学习网络进行训练，得到危及器官剂量面积分布；
步骤2-2：基于所述危及器官剂量面积分布确定所述预测模型。


4.根据权利要求1所述的放疗计划危及器官剂量体积直方图的预测方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3-1：在所述新患者放疗计划医学影像CT图像中勾画感兴趣区的解剖结构，基于CT图像和感兴趣区的解剖结构图对感兴趣区解剖结构进行解析，得到三维矩阵形式的感兴趣区解剖结构，并对所述三维矩阵形式的感兴趣区解剖结构进行标签化处理，得到标签化的感兴趣区解剖结构；
步骤3-2：基于所述标签化的感兴趣区解剖结构获取新患者标签化的感兴趣区的解剖结构图，所述新患者标签化的感兴趣区的解剖结构图包括靶区与感兴趣危及器官、靶区、感兴趣危及器官；
步骤3-3：将所述新患者标签化的感兴趣区的解剖结构图输入所述预测模型，生成新患者危及器官剂量面积分布，并对所述新患者危及器官剂量面积分布进行取整处理；
步骤3-4：将所述新患者危及器官剂量面积分布进行逐层累加得到剂量体积分布，并基于所述剂量体积分布确定新患者危及器官剂量体积直方图。


5.根据权利要求2所述的放疗计划危及器官剂量体积直方图的预测方法，其特征在于，所述步骤1-1具体包括以下步骤：
步骤1-1-1：读取所述专家放疗计划医学影像数据库中CT图像，将所述专家放疗计划医学影像数据库中CT图像按照正确的层数序列进行排序，确定并调整层内和层间的图像分辨率；
步骤1-1-2：读取所述专家放疗计划医学影像数据库中感兴趣区的解剖结构图，按照专家放疗计划医学影像数据库中CT图像的层面顺序对感兴趣区的解剖结构图进行解析，得到解析后的感兴趣区的解剖结构图；
步骤1-1-3：将解析后的感兴趣区的解剖结构图与放疗计划系统中的感兴趣区的解剖结构图进行比对，若解析后的感兴趣区的解剖结构图与放疗计划系统中的感兴趣区的解剖结构图不匹配，返回步骤1-1-2重新执行，直至解析后的感兴趣区的解剖结构图与放疗计划系统中的感兴趣区的解剖结构图匹配；
步骤1-1-4：基于感兴趣区的解剖结构图的分辨率与CT图像保持一致原则对解析后的感兴趣区的解剖结构图进行标签化处理，如果出现重叠区域，按照体轮廓、靶区和危及器官的顺序对感兴趣解剖结构依次进行累加标签化，得到标签化的感兴趣区的解剖结构图。


6.根据权利要求2所述的放疗计划危及器官剂量体积直方图的预测方法，其特征在于，所述步骤1-3具体包括以下步骤：
步骤1-3-1：读取所述专家放疗计划医学影像数据库中CT图像，将所述专家放疗计划医学影像数据库中CT图像按照正确的层数序列进行排序，确定并调整层内和层间的图像分辨率；
步骤1-3-2：读取所述专家放疗计划医学影像数据库中感兴趣区的解剖结构图，按照专家放疗计划医学影像数据库中CT图像的层面顺序对感兴趣区的解剖结构图进行解析，得到解析后的感兴趣区的解剖结构图；
步骤1-3-3：读取所述专家放疗计划医学影像数据库中的剂量分布图，按照专家放疗计划医学影像数据库中CT图像的层面顺序对读取的剂量分布图进行解析，得到解析后的剂量分布图；
步骤1-3-4：将解析后的感兴趣区的解剖结构图与专家放疗计划医学影像数据库中的感兴趣区的解剖结构图进行比对，若解析后的感兴趣区的解剖结构图与专家放疗计划医学影像数据库的感兴趣区的解剖结构图不匹配，返回步骤1-3-2重新执行，直至解析后的感兴趣区的解剖结构图与专家放疗计划医学影像数据库中的感兴趣区的解剖结构图匹配；
步骤...

【专利技术属性】
技术研发人员：戴建荣，刘志强，
申请(专利权)人：戴建荣，刘志强，
类型：发明
国别省市：北京;11