[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

说明书

本发明公开了一种基于深度学习的肿瘤调强放疗剂量预测方法，其实施方案为：1)收集调强放疗计划数据；2)数据预处理；3)构建剂量预测模型；4)构建损失函数；5)训练预测模型；6)剂量预测。本发明构建的调强放疗剂量预测模型，将卷积编码器获得的深层语义特征输入到Transformer编码器，实现对语义特征重复利用的同时，通过对输入序列长距离建模获取多层次的全局特征，设计的语义场对齐模块能够灵活对齐相邻分辨率的特征图以保证强语义信息从深层到浅层的有效传播，提高了剂量预测的准确性和鲁棒性，能够快速实现剂量制定与计算，为加速放疗计划设计提供理论依据和技术支持。

技术领域

本发明属于智能放射治疗技术领域，具体涉及一种基于深度学习的肿瘤调强放疗剂量预测方法。

背景技术

调强放射治疗(IMRT)是治疗肿瘤主要手段之一。治疗计划的设计是整个放疗过程的基础和核心，其目的是保证靶区接受的照射剂量达到要求覆盖率与强度的同时，使周围正常组织尽量不受到照射。在计划设计过程中，物理师必须反复调整靶区和危及器官的参数，直到治疗计划系统产生的剂量分布符合临床标准，但是由于物理师在经验水平、耗费精力等方面存在诸多差异，导致治疗计划的质量也会存在偏差。因此，研究肿瘤调强放疗剂量预测算法，开发自动计划，有助于准确快速地实现剂量制定与计算，为肿瘤精准放疗提供理论依据和技术支持，提高治愈率并改善患者的生活质量。

传统的剂量分布预测方法主要集中在对剂量体积曲线的预测上，这些方法需要手动提取特征，耗时耗力且准确率低，已经逐渐被深度学习的方法所取代。现有的基于深度学习的剂量预测模型大多直接使用已有的语义分割模型，这些模型没有考虑到不同病人的靶区位置、形状、大小多变的情况，导致靶区的预测结果精度较差；此外，计划设计过程中涉及到许多危及器官，模型无法准确获取位置相互接近的危及器官的边界特征，使得相邻小器官的预测剂量误差较大。

发明内容

本发明充分考虑了现有方法存在的问题，其目的在于，提供一种基于深度学习的肿瘤调强放疗剂量预测方法，该方法通过混合卷积和Transformer的编码器以全局感受野获取多层次的语义信息，设计语义场对齐模块对齐相邻分辨率的特征图，保证多层次语义信息的有效传播，提高模型对靶区和危及器官的剂量分布的预测精度。

一、技术原理

目前基于卷积神经网络的剂量预测模型大多直接采用已有的语义分割模型。模型的编码器通过堆叠重复的卷积层和池化层获取深层语义信息，解码器通过上采样层逐渐恢复图像的分辨率，得到最终的预测结果。由于卷积核感受野的限制，模型无法获取全局语义特征，同时重复池化操作导致了对象细节信息的丢失。为了获取多层次的全局语义特征，本发明使用混合卷积和Transformer的编码器结构，将卷积层获取的特征图输入到Transformer编码器，通过全局感受野进一步获取多层次的语义信息；为了弥补由池化操作引起的对象细节特征丢失，保证强语义信息从深层到浅层的有效传播，本发明设计语义场对齐模块，通过扭曲操作，灵活地将不同分辨率的特征图进行对齐，逐渐恢复图像的分辨率，提高了模型的预测精度。

二、根据上述原理，本发明通过以下方案实现：

一种基于深度学习的肿瘤调强放疗剂量预测方法，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：