适用于深度学习剂量计算的数据预处理方法及设备技术

本发明专利技术公开了一种适用于深度学习剂量计算的数据预处理方法，涉及数据预处理增强技术领域，方法包括获取原始数据；基于射线能谱特征生成第一卷积核；基于所述原始数据的射线入射方向对所述第一卷积核进行旋转，得到第二卷积核；对所述原始数据和所述第二卷积核进行卷积运算，得到输入数据。本发明专利技术的方法能够引入能谱的剂量分布特征信息，将能谱特征与数据有效融合，提升模型的泛化能力。提升模型的泛化能力。提升模型的泛化能力。

【技术实现步骤摘要】
适用于深度学习剂量计算的数据预处理方法及设备


[0001]本专利技术涉及数据预处理增强
，特别涉及一种适用于深度学习剂量计算的数据预处理方法及设备。

技术介绍

[0002]在医疗领域的深度学习应用领域中，深度学习在剂量计算中落地应用的最大挑战之一就是所训练的模型的泛化能力有限，特别是在对于剂量计算当中，不同厂家的放射设备之间存在差异，而且即使是同一厂家，但不同型号以及不同生产批次的医用直线加速器分别具有不同的束流能谱。因此采用有效的数据预处理，使得经过预处理的输入数据训练的模型具有泛化能力，可以适用于全新能谱的输入数据，是影响深度学习在剂量计算中能否成功落地的关键一步。
[0003]现有应用于剂量计算的深度学习技术，没有针对剂量学原理以及特点，且由于输入数据没有包含能谱信息以及对应能谱的散射分布，当能谱不同，往往需要针对新的能谱重新训练。为此，本领域亟待解决深度学习在剂量计算中的应用问题。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种适用于深度学习剂量计算的数据预处理方法及设备。
[0005]根据本专利技术的第一方面实施例的适用于深度学习剂量计算的数据预处理方法，应用于处理器，包括：获取原始数据；基于射线能谱特征生成第一卷积核；基于所述原始数据的射线入射方向对所述第一卷积核进行旋转，得到第二卷积核；对所述原始数据和所述第二卷积核进行卷积运算，得到输入数据。
[0006]根据本专利技术实施例的方法，至少具有如下有益效果：本专利技术的数据预处理方法能够有效克服现有技术中难以应用在剂量计算的缺点，并考虑了剂量计算中的特征，在数据中引入了能谱的剂量分布特征信息，并将能谱特征与数据有效融合，提升模型的泛化能力，尤其是多能谱剂量计算模型，还能够有效提升模型对于新能谱的计算处理能力。
[0007]根据本专利技术的一些实施例，获取原始数据的具体步骤包括：根据影像信息获取电子密度分布图并得到对应的介质材料；结合所述射线能谱特征、所述电子密度分布图、所述介质材料和射束条件，生成第一三维矩阵。
[0008]根据本专利技术的一些实施例，所述结合所述射线能谱特征、所述电子密度分布图、所述介质材料和射束条件，生成第一三维矩阵，包括：
[0009]根据衰减系数、介质密度以及射束通量分布，计算源点到计算点的单位质量释放总能量；结合所述单位质量释放总能量以及能量区间在所述射线能谱特征中所对应的权重，计算总释放能量，生成总能量矩阵。
[0010]根据本专利技术的一些实施例，所述结合所述射线能谱特征、所述电子密度分布图、所述介质材料和射束条件，生成第一三维矩阵，包括：
[0011]采用光线追踪法判断矩阵网格内是否有光子通过并进行标记；根据标记获取掩码矩阵；根据入射角度和电子密度分布，计算从源点到每个网格的有效径迹；结合所述掩码矩阵和所述有效径迹，得到有效经迹矩阵。
[0012]根据本专利技术的一些实施例，所述基于射线能谱特征生成第一卷积核，包括：
[0013]通过能量沉积点核的方式生成点源能量沉积卷积核；或者，通过笔形束核的方式生成笔形束源能量沉积卷积核。
[0014]根据本专利技术的一些实施例，所述通过能量沉积点核的方式生成点源能量沉积卷积核，包括：
[0015]构建均匀密度体模矩阵，以所述均匀密度体模矩阵的矩阵中心为坐标原点；根据蒙特卡罗算法计算所述均匀密度体模矩阵在第一条件下的三维剂量分布并作为所述点源能量沉积卷积核；其中，所述第一条件包括：当所述均匀密度体模矩阵的原点处存在一个照射方向为Z轴正方向且能谱为所述射线能谱特征的点源。
[0016]根据本专利技术的一些实施例，所述通过笔形束核的方式生成笔形束源能量沉积卷积核，包括：
[0017]构建均匀密度体模矩阵，以所述均匀密度体模矩阵的矩阵中心为坐标原点；根据蒙特卡罗算法计算第二条件下的三维剂量分布，作为所述笔形束源能量沉积卷积核；其中，所述第二条件包括：当一束能谱为所述射线能谱特征的笔形束沿Z轴正方向从所述均匀密度体模矩阵的Z轴坐标最小的XY平面中心进入，且除Z轴原点的XY层面数据外的其余层面数据填充为0。
[0018]根据本专利技术的一些实施例，得到所述第二卷积核的具体步骤包括：
[0019]计算所述射线入射方向与Z轴正方向的夹角，并计算旋转矩阵；以所述第一卷积核的原点作为旋转中心，进行旋转操作，得到所述第二卷积核。
[0020]根据本专利技术的第二方面实施例的放射治疗设备，包括用于执行如上述第一方面实施例所述方法的处理器。
[0021]根据本专利技术的第三方面实施例的计算机可读存储介质，存储有计算可执行指令，所述计算可执行指令用于执行如上述第一方面实施例所述的方法。
[0022]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0023]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0024]图1为本专利技术实施例的数据预处理方法的步骤流程图；
[0025]图2为本专利技术实施例的获取原始数据的步骤流程图；
[0026]图3为本专利技术实施例的生成第一三维矩阵的步骤流程图；
[0027]图4为本专利技术另一实施例的生成第一三维矩阵的步骤流程图；
[0028]图5为本专利技术实施例的生成点源能量沉积卷积核的步骤流程图；
[0029]图6为本专利技术实施例的生成笔形束能量沉积卷积核的步骤流程图；
[0030]图7为本专利技术实施例的得到第二卷积核的步骤流程图。
具体实施方式
[0031]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0032]在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0033]本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。
[0034]在现有技术中，针对图像处理的深度学习中常采用的预处理方法包括缩放归一化、标准归一化以及白化处理等，但现有技术常用的预处理方法均没有针对剂量学原理和特点进行处理，难以满足剂量计算的要求，特别是在当输入数据缺乏不同能量或能谱的信息的时候，而且也没有有效地引入能谱信息，从而使得模型泛化的能力较差。在缩放归一化与标准归一化中，处理方法均没有产生更多的额外信息，特别是内有包含能谱的信息，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于深度学习剂量计算的数据预处理方法，其特征在于，包括：获取原始数据；基于射线能谱特征生成第一卷积核；基于所述原始数据的射线入射方向对所述第一卷积核进行旋转，得到第二卷积核；对所述原始数据和所述第二卷积核进行卷积运算，得到输入数据。2.根据权利要求1所述的方法，其特征在于，获取原始数据的具体步骤包括：根据影像信息获取电子密度分布图并得到对应的介质材料；结合所述射线能谱特征、所述电子密度分布图、所述介质材料和射束条件，生成第一三维矩阵。3.根据权利要求2所述的方法，其特征在于，所述结合所述射线能谱特征、所述电子密度分布图、所述介质材料和射束条件，生成第一三维矩阵，包括：根据衰减系数、介质密度以及射束通量分布，计算源点到计算点的单位质量释放总能量；结合所述单位质量释放总能量以及能量区间在所述射线能谱特征中所对应的权重，计算总释放能量，生成总能量矩阵。4.根据权利要求2所述的方法，其特征在于，所述结合所述射线能谱特征、所述电子密度分布图、所述介质材料和射束条件，生成第一三维矩阵，包括：采用光线追踪法判断矩阵网格内是否有光子通过并进行标记；根据标记获取掩码矩阵；根据入射角度和电子密度分布，计算从源点到每个网格的有效径迹；结合所述掩码矩阵和所述有效径迹，得到有效经迹矩阵。5.根据权利要求1所述的方法，其特征在于，所述基于射线能谱特征生成第一卷积核，包括：通过能量沉积点核的方式生成点源能量沉积卷积核；或者，通过笔形束核的方式生成笔形束源能量沉积卷积核。6.根据权利要求5所述的方法，其特...

【专利技术属性】
技术研发人员：朱金汉，陈立新，
申请(专利权)人：广州瑞多思医疗科技有限公司，
类型：发明
国别省市：