[发明专利]一种预测放疗计划的伽马通过率的方法

说明书

本发明提供了一种预测放疗计划的伽马通过率的方法，包括从VMAT计划中提取MLC孔径信息和MU值信息，通过人工智能算法预测伽马通过率的步骤。本发明方法预测伽马通过率的准确度高，平均误差达到3％以内，可以大大减小医学物理师实际测量病人特定的质量保证的工作量。同时该方法还可识别出以往测量中由于操作失误、加速器状态异常而导致的实测结果偏移，为医学物理师的日常质量保证工作提供非常有价值的参考，进而优化医院的调强验证流程。

技术领域

本发明属于放疗技术领域，具体涉及一种预测放疗计划的伽马通过率的方法。

背景技术

容积旋转放射治疗(VMAT)是一种先进的放射治疗技术。它允许在治疗过程中同时调整三个参数：加速器机架转速、多叶准直器(MLC)运动和剂量率。在加速器机架不均匀旋转过程中，剂量率动态变化，MLC不断移动。当制定容积旋转放射治疗计划时，需要对患者进行特定的质量保证测量。质量保证测量的目的是确认剂量传输的准确性。为了评估放射治疗临床交付的可靠性和保证患者的安全，病人特定的质量保证通常会在放疗计划临床治疗之前进行。

在放疗领域，依据TG-218报告，病人特定的质量保证通常包括使用伽马分析方法在病人的VMAT计划投入临床治疗之前进行剂量验证。伽马分析方法的指标是伽马通过率，一般来说，伽马通过率的测试是使用探测器阵列模拟病人，以制定的放疗计划对探测器进行照射，通过探测器实测的剂量分布与计划系统计算得到的剂量分布的一致性、剂量点百分比的一致性进行评估得到的结果，伽马通过率最差为0％，最优为100％。由于需要使用探测设备实际模拟病人验证，每个病人的放疗计划均按此操作，导致剂量验证十分耗时费力，且有时会在测量时出错。因此，直接通过放疗计划的信息对伽马通过率进行准确预测，将大大节约人力物力，并且有利于减少测量错误的发生。

从2016年开始，国外陆续有一些关于使用机器学习预测容积旋转放射治疗的剂量验证结果的研究。目前已有的技术方案主要是基于机器学习的采用复杂度指标的调强放疗自动质量控制方法，基本思路是由专业的医学物理师选定VMAT计划的复杂度指标，这些复杂度指标描述其计划复杂度的不同方面，比如平均剂量率、剂量率标准差、边缘复杂度指标等，这些指标为数值形式的数据。此类指标不同可能会导致计算剂量和实测剂量的差异，从而导致伽马通过率不同。复杂度指标和伽马通过率之间有着不同程度的相关性，选定合适的复杂度指标作为输入数据，使用机器学习算法(比如广义线性模型、随机森林模型)训练，输出伽马通过率。

但是，由物理师人为设计的复杂度指标只包含了VMAT计划中的有限的信息，这会导致很多和结果有着很强相关性的信息被遗漏。目前所有的方法都无法反映VMAT在治疗中的完整的动态过程。由人来设计的指标只能体现一个静态的、总体的信息，而不能描述整个治疗的动态过程，这导致了他们的预测方法的预测精度都较低，平均误差在5％以上，很难应用于临床质量保证中进行决策。

因此，目前亟需一种能够更加精确地预测VMAT计划的伽马通过率的技术，有效辅助临床决策。

发明内容

本发明的目的在于提供一种准确度高的基于容积旋转放射治疗计划文件的伽马通过率预测技术。

本发明提供了一种预测放疗计划伽马通过率的方法，包括以下步骤：

(1)从容积旋转放射治疗(VMAT)计划中提取全部控制点信息，它包括每个控制点对应的多叶准直器(MLC)孔径信息以及加速器跳数(MU)值信息；所述控制点有时间顺序；

(2)步骤(1)提取的MLC孔径信息转化为二维MLC孔径图像，所述二维MLC孔径图像按照控制点时间顺序结合形成三维MLC孔径图像；

(3)将步骤(2)得到的三维MLC孔径图像通过深度学习算法转化为MLC特征向量；

(4)步骤(1)提取的MU值信息按照控制点时间顺序转化为MU值向量；