[发明专利]机器人放射治疗设备剂量预测方法及装置

说明书

本发明公开了一种机器人放射治疗设备剂量预测方法及装置，该方法包括：模型训练，根据患者的医学影像，建立患者模体；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测，利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。利用深度学习网络实现了利用一种算法预测另一种算法输出计算结果的技术效果。

技术领域

本发明涉及放疗剂量计算技术领域，特别是涉及一种机器人放射治疗设备剂量预测方法。

背景技术

恶性肿瘤严重危害人类健康，七成的肿瘤患者需要接受放射治疗，在放射治疗前，医师会制定放射治疗计划。在放射治疗计划的制定过程中，剂量计算是其中的重要环节，剂量计算的效能决定了放射治疗计划制定的质量。在现有技术中，剂量计算方法分为三大类：基于因子的算法、基于模型的算法和蒙特卡罗模拟。基于因子的算法使用半经验方法，根据有效的空间剂量测量来解决组织异质性和表面曲率的问题，具有计算速度快的优点，不需要区分患者体内光子和电子随后的能量转移。基于因子的算法对于能量大于6MV的异质体的准确性较低，其中散射贡献较小，光子引起的电子运动的影响可局部导致高剂量变化。基于模型的算法通过主要粒子连续性和剂量内核计算患者剂量分布，也具备较高的计算效率，该方法比基于因子的算法更准确，尤其是在非均匀介质中。然而，基于模型的算法仍依赖于近似值，并且仅部分处理微观领域中涉及辐射场传递的能量的微观吸收的物理过程。蒙特卡洛模拟根据计算机模拟物质中粒子的物理过程来计算剂量分布，在剂量计算领域内具有较高的精度，常用来验证其他剂量计算算法的准确性，但是蒙特卡洛剂量计算耗时较大，难以满足实际应用中的时效性要求。总之，目前的剂量计算方法难以同时做到高精度和高效率。

发明内容

鉴于此，本发明提出一种机器人放射治疗设备剂量预测方法，引入深度学习神经网络，在保证剂量计算的精度的同时，大幅提高计算效率，以缓解现有技术的不足。

第一方面，本发明提供了一种机器人放射治疗设备剂量预测方法，包括：模型训练，根据患者的医学影像，建立患者模体，模体根据医学影像像素值与物理材料、电子密度的映射关系构建而成；根据机器人放射治疗设备治疗头参数，利用放疗剂量第一计算方法计算患者模体单射野的剂量分布H；根据机器人放射治疗设备治疗头参数，利用放疗剂量第二计算方法计算患者模体单射野的剂量分布L；治疗头参数包含治疗头坐标、靶点坐标、准直器尺寸及射野剂量；以L和患者的医学影像为输入，以H为输出，送入深度学习神经网络训练得到放疗剂量预测网络；剂量预测，根据任一患者的医学影像，建立任一患者模体；在放疗剂量预测网络的输入端送入任一患者的医学影像，及利用放疗剂量第二计算方法计算得到任一患者模体单射野的剂量分布L*；获取放疗剂量预测网络输出端预测得到的任一患者模体单射野的剂量分布H*。

进一步地，放疗剂量第一计算方法为蒙特卡罗仿真方法。

进一步地，放疗剂量第二计算方法为射线追踪方法。

进一步地，深度学习神经网络为HD U-Net。

进一步地，在送入深度学习神经网络训练得到放疗剂量预测网络之前，还包括：对L和H进行标定。