[发明专利]一种基于深度学习的放疗计划自动生成方法

权利要求书

1.一种基于深度学习的放疗计划自动生成方法，其特征在于，包括步骤如下：

步骤A：对病例数据库进行预处理，得到病例特征图像和病例通量图；

步骤B：利用病例特征图像和病例通量图训练通量图预测神经网络，并通过交叉验证得到最优的通量图预测神经网络；

步骤C：读取并对放疗患者的医学数字图像存储与通讯标准文件进行预处理，得到待放疗者特征图像；

步骤D：将待放疗者的特征图像输入预测神经网络，获得待放疗者预测通量图，将待放疗者预测通量图发送至计划系统，从而生成待放疗者的预测放疗计划；

所述神经网络结构为依次连接的卷积模块、空洞空间卷积池化金字塔模块、全局推理网络模块、深度残差网络模块、转置卷积模块、输出模块；

对所述病例数据库进行预处理具体为：将靶区和危及器官轮廓填充到CT或者其它形式图像对应区域的像素点上，并利用不同的正整数进行标注，对非靶区及非危及器官区用0填充，进而在所有射野角度下投影病例靶区得到投影图；将实际通量图填充在对应射野内得到临床通量图。

2.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述卷积模块为级联卷积模块，包括四个卷积层，所述卷积层的卷积核大小为3*3，前三层步长为1，最后一层步长为2，中间两层卷积核扩张率依次为2、4；每个卷积操作后接有一个激活函数和批归一化操作，每层中激活函数为：

f（x）=max（x，0）；

其中x表示网络的输入，f(x)表示网络的输出。

3.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述空洞空间卷积池化金字塔模块为并联卷积模块，包括四个操作算子，分别是卷积核大小为1*1的卷积层、卷积核大小为3*3，扩张率为6的卷积层、卷积核大小为3*3，扩张率为12的卷积层、卷积核大小为3*3，扩张率为18的卷积层以及全局池化，卷积核的大小为1*1的卷积操作及线性插值上采样组成的操作。

4.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述全局推理网络模块分为三个步骤，分别是图投影、图卷积、图反投影。

5.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述深度残差网络模块为密集型卷积模块，包括六个卷积层，由卷积核大小为1*1和3*3的卷积组成，步长均为2。

6.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述转置卷积模块包含一层卷积核大小为3*3，步长为2的转置卷积层和卷积核大小为3*3，步长为1的卷积层。

7.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述的病例数据库是基于宫颈癌的临床调强放疗计划构建的，病例数据库可推广到其他肿瘤。

8.根据权利要求1所述一种基于深度学习的放疗计划自动生成方法，其特征在于，所述的放疗患者的医学数字图像存储与通讯标准文件包括CT图像、靶区和危及器官轮廓、处方剂量，预处理后的特征图像包括靶区投影图、危及器官投影图和实际通量图，所述特征图像大小均为512*512，空间分辨率为5*5*5mm³；医学数字图像存储与通讯标准文件内容不限于CT图像，也可以是磁共振图像或其它形式的图像或数据。