【技术实现步骤摘要】
本专利技术涉及放疗剂量分布预测的，具体而言，涉及一种基于dosetransnet模型的三维放疗剂量分布预测方法。
技术介绍
1、放射治疗已成为临床治疗宫颈癌、脑癌等恶性肿瘤的主要治疗手段之一。放射治疗的目的是在向规划靶区体积(planning target volume，简称ptv)准确地传递适当的放射剂量的同时保护周围的危及器官(organs at rist，简称oars)。在当前的临床实践中，放射治疗计划的质量受到多种不确定因素的影响。首先，在设计放射治疗计划之前，医生和物理师难以确定患者的准确剂量分布，因为缺乏精确的优化标准。通常，他们只能依赖国内外的临床放疗指南来制定剂量参数，但这些指南往往基于平均数据，难以满足每个患者的个体需求。其次，当剂量目标无法实现或需要改进剂量分布以减少危及器官的剂量并提高靶区适形度时，放射治疗物理师往往需要根据个人经验来调整优化目标和权重。这种调整依赖于其临床经验、技能和对治疗计划系统的理解程度。然而，不同放射治疗中心和物理师之间的经验水平差异较大，因此复杂治疗计划的设计往往依赖于主观判断，可能导致计划质量和一致性不足，无法保证每位患者都获得最佳的个性化治疗计划。
2、传统的自动剂量预测方法(knowledge-based planning，简称kbp)主要依赖于高质量治疗计划的先前患者数据库，通过分析先前患者的ct图像和解剖结构来预测剂量-体积直方图(简称dvh)。这种方法基于几何特征，如解剖结构的形状和位置、重叠体积直方图(简称ovh)、目标距离直方图(简称dth)等来估算患者
3、近年来，深度学习技术在医学图像领域中迅速发展，特别是在放疗剂量预测任务方面取得了重要进展。相较于传统的kbp方法，深度学习方法在自动生成治疗计划方面表现出更高的效率和准确性。这些方法不仅能够捕捉解剖结构之间更丰富的三维空间信息，还有效减少了人工调整的工作量。然而，现有的深度学习方法也存在一些局限性。例如，lecun等人提出的卷积神经网络(简称cnn)及其变体，虽然在图像分析中已成为重要工具，但在复杂的三维剂量分布预测中，单纯依赖cnn可能不足以捕捉所有必要的空间信息。一些改进的方法，如nguyen等人将2d u-net应用于前列腺imrt计划，虽然为u-net模型在放疗剂量预测中的应用奠定了基础，但二维网络的局限性使其难以全面捕捉三维空间信息。kearney等提出的三维全卷积神经网络dosenet，以及nguyen等人提出的hd u-net，虽然在三维空间信息获取上有所进展，但仍然面临信息融合和复杂特征捕捉的挑战。
4、而生成对抗网络(简称gan)在图像生成方面取得了显著进展，被应用于剂量预测，如babier等人开发的三维gan用于口咽癌症预测，y.murakami等人将u-net引入生成器用于前列腺癌剂量分布预测，zhan等人提出的多约束gan，以及huidong等人的多任务注意力对抗网络(简称mtaa-net)。这些方法虽然在一定程度上提高了剂量分布预测的准确性，但其复杂性和计算成本较高，且在处理不同类型癌症的泛化能力上仍存在不足。
5、总体而言，尽管深度学习方法在放疗剂量分布预测方面展现了巨大潜力，但现有方法仍面临诸多挑战，包括三维信息的全面捕捉与融合、模型的计算复杂度、不同癌症类型的泛化能力等。因此，为了进一步提高放射剂量预测的准确性和适用性，需要探索新的方法和模型架构，以实现更精确的剂量分布预测，从而提升最终治疗计划的质量。
技术实现思路
1、本专利技术旨在解决现有放疗剂量分布预测方法在准确性、效率和适用性方面的不足。
2、为此，本专利技术的目的在于提出一种基于dosetransnet模型的三维放疗剂量分布预测方法。
3、为了实现上述目的，本专利技术的技术方案，提供了一种基于dosetransnet模型的三维放疗剂量分布预测方法，该方法包括：步骤s1：获取数据集；其中，所述数据集包括头颈癌数据集和宫颈癌数据集；所述头颈癌数据集包括每位头颈癌患者的原始ct图像、ptv和oars；所述宫颈癌数据集包括每位宫颈癌患者的原始ct图像、ptv和oars；步骤s2：分别对所述头颈癌数据集和所述宫颈癌数据集进行预处理；步骤s3：按照预设比例将预处理后的头颈癌数据集和预处理后的宫颈癌数据集分别划分为对应的训练集、验证集和测试集；步骤s4：搭建dosetransnet模型；其中，所述dosetransnet模型为编码器解码器架构，所述dosetransnet模型包括：position embeding、编码器部分、c-e3da模块组和解码器部分；所述编码器部分和所述解码器部分均为m层，所述编码器部分包括：第一编码器、第二编码器、…、和第m编码器；所述解码器部分包括：第一解码器、第二解码器、…、和第m解码器；所述c-e3da模块组由m个c-e3da模块组成；m为大于等于3的正整数；每一编码器和每一解码器的对应层之间设置有一个c-e3da模块；每一编码器和每一解码器均由一个e3d-tr模块组成；所述编码器部分的多个e3d-tr模块级联使用；所述解码器部分的多个e3d-tr模块级联使用；每个e3d-tr模块均包括：一个patch embedding、一个depthwise convolution、一个e3d多头注意力模块、一个norm层、和一个mlp；所述position embeding，用于对输入的数据集进行特征提取，以得到图像标记令牌，并将所述图像标记令牌发送至编码器部分；所述编码器部分，用于通过各个e3d-tr模块从所述图像标记令牌中探索解剖结构之间的关系，并提取空间信息，以提取到若干个不同层次的特征表示图，将提取到的若干个不同层次的特征表示图发送至各个c-e3da模块；所述各个c-e3da模块，用于通过分层计算和融合策略，对所述若干个不同层次的特征表示图进行深层次的注意力计算和特征融合，以提取解剖结构之间的更深层次的语义信息，以实现更有效地捕获和表达ptv与各局部器官之间的复杂关系；所述各个c-e3da模块，还用于将提取到的更深层次的语义信息发送给解码器部分；所述解码器部分，用于通过各个e3d-tr模块对所述更深层次的语义信息进行整合处理，以得到整合后的特征图；所述解码器部分，还用于采用上采样和卷积操作，将所述整合后的特征图逐步恢复到原始图像的空间分辨率，以便解码器部分最终生成三维放疗剂量分布图；以及所述patch embedding，用于将输入的特征图分割成若干patch，并将每个patch转换成对应的一维嵌入向量；所述depthwise convolution，用于通过深度卷积操作对每个一维嵌入向量进行局部特征提取，以针对每个注意力头分别得到对应的查询张量q、键张量k和值张量v；所述e3d多头注意力模块，用于利用所述对应的查询张量q本文档来自技高网...
【技术保护点】
1.一种基于DoseTransNet模型的三维放疗剂量分布预测方法，其特征在于，包括：
2.根据权利要求1所述的基于DoseTransNet模型的三维放疗剂量分布预测方法，其特征在于，利用所述对应的查询张量Q、键张量K和值张量V进行多头注意力的计算公式为：
3.根据权利要求1所述的基于DoseTransNet模型的三维放疗剂量分布预测方法，其特征在于，每个C-E3DA模块，具体用于：
4.根据权利要求1所述的基于DoseTransNet模型的三维放疗剂量分布预测方法，其特征在于，分别对所述头颈癌数据集和所述宫颈癌数据集进行预处理，具体包括：
5.根据权利要求1至4中任一项所述的基于DoseTransNet模型的三维放疗剂量分布预测方法，其特征在于：M为4。
【技术特征摘要】
1.一种基于dosetransnet模型的三维放疗剂量分布预测方法，其特征在于，包括：
2.根据权利要求1所述的基于dosetransnet模型的三维放疗剂量分布预测方法，其特征在于，利用所述对应的查询张量q、键张量k和值张量v进行多头注意力的计算公式为：
3.根据权利要求1所述的基于dosetransnet模型的三维放疗剂量分布...
【专利技术属性】
技术研发人员：刘学平，杜晶晶，丁丝露，白石，卢玉凯，王鹤潼，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。