[发明专利]一种基于深度学习的肿瘤调强放疗剂量预测方法

权利要求书

1.一种基于深度学习的肿瘤调强放疗剂量预测方法，其特征在于包括以下步骤：

(1)收集肿瘤调强放疗计划数据，形成数据库；

(2)数据预处理，具体包括以下步骤：

(2-a)从步骤(1)所述数据库中获取病人的CT图像、靶区轮廓图像、危及器官轮廓图像、射束信息图像和剂量图像；

(2-b)根据步骤(2-a)获取的靶区轮廓图像和危及器官轮廓图像计算距离图像f(x,y,z)，计算公式为：

其中(x,y,z)表示危及器官体素点，Ω_s表示靶区表面体素点的集合，s表示Ω_s内的任意一点，‖(x,y,z),s‖表示体素点(x,y,z)到体素点s的距离，min表示求取最小值；

(2-c)将步骤(2-a)获取的所有图像和(2-b)得到的距离图像采样到h×w的大小，并进行归一化处理，其中h、w都为[100,1000]之间的正整数；

(3)构建剂量预测模型，具体包括以下步骤：

(3-a)构建卷积编码器，该编码器一共包括五个模块，第一个模块包括两个卷积块，第二到第五个模块分别包括一个池化层和两个卷积块；输入图像依次经过这五个模块，分别得到中间特征图F₁、F₂、F₃、F₄和F₅；

(3-b)构建Transformer编码器，该编码器包括线性投影、位置编码、n个Transformer层和特征映射；首先将步骤(3-a)得到的中间特征图F₅通过线性投影映射到D维空间，然后将映射结果分成N个图像块，组成图像块序列每个图像块的尺寸为P×P；将图像块序列进行位置编码后依次输入到n个Transformer层，再通过特征映射得到中间特征图S₄；

(3-c)构建解码器，该解码器一共包含四个模块，第一至第三个模块都由一个语义场对齐模块组成，语义场对齐模块简称SFA模块，第四个模块由一个SFA模块和一个卷积块组成；将步骤(3-b)得到的中间特征图S₄与步骤(3-a)得到的中间特征图F₄输入到第一个模块，得到S₃；将S₃与步骤(3-a)得到的中间特征图F₃输入到第二个模块，得到S₂；将S₂与步骤(3-a)得到的中间特征图F₂输入到第三个模块，得到S₁；将S₁与步骤(3-a)得到的中间特征图F₁输入到第四个模块，得到最终预测结果S₀，完成剂量预测模型的构建；

(4)构建损失函数：

损失函数构建如下：

其中M为剂量分布区域体素点的总数目，y_p表示体素点的预测剂量，y_c表示体素点的临床剂量；

(5)训练预测模型：

利用步骤(2)得到的图像数据与步骤(3)构建的预测模型，根据步骤(4)构建的损失函数得到预测剂量与临床剂量的损失值，使用Adam优化器更新模型的参数，直到损失不再下降，得到训练好的预测模型；

(6)剂量预测：

获取测试数据集，按照步骤(2)对测试数据进行预处理，处理后的数据输入到步骤(5)得到的训练好的预测模型中，输出预测结果。

2.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法，其特征在于，所述步骤(3-a)、(3-c)中的卷积块包括一个卷积层、一个批归一化层和一个激活层。