基于剂量修正的调强优化方法、系统、设备及介质

技术领域

本发明涉及剂量计算技术领域，具体涉及一种基于剂量修正的调强优化方法、系统、设备及介质。

背景技术

在放射治疗行业中，在计划优化时剂量计算需要兼顾计算速度和剂量精度，优化过程中通常采用较粗略的剂量计算方法；在结束优化后为保证精度，再采用精确剂量计算方法。但是由于采用了两种不同的剂量计算方法，导致前后的剂量发生偏差。针对这种问题，本发明提出的技术方案，解决了两种剂量计算算法计算结果不一致的问题。

发明内容

本发明提出的一种基于剂量修正的调强优化方法、系统及存储介质，解决了两种剂量计算算法计算结果不一致的问题。

为实现上述目的，本发明采用了以下技术方案：

基于剂量修正的调强优化方法，包括以下步骤，

S1、获取用户输入信息；

S2、根据输入信息进行首次优化，获得粗略剂量；

S3、对首次优化的结果，调用精确剂量计算方法计算采样点精确剂量；

S4、通过拟合方法对采样点精确剂量和粗略剂量进行剂量拟合，计算出矫正参数，进而对剂量进行修正。

进一步地，所述步骤S4的剂量修正方法如下：

S41、将修正后的剂量代入优化中，优化出新的优化结果和剂量，完成一次循环优化；

S42、再次使用精确剂量计算方法计算精确剂量，判断两次精确剂量误差是否小于偏差阈值，若小于偏差阈值，则结束剂量修正，结束优化，保存计划；否则继续通过拟合方法进行剂量修正。

进一步地，所述步骤S4采用分段拟合方法，具体方法如下：

S43、对粗略剂量进行聚类，使得剂量分成大小不同的[d

针对每个剂量区间[d

y

d

其中y

S44、选择带惩罚项的回归模型计算矫正参数，见下式，

其中，x，y分别表示由粗略剂量和精确剂量所构成的向量，α＞＝0表示惩罚系数，用来控制模型复杂度，Ω表示惩罚项；

设置不同的α值，计算上式，得到最优矫正参数H，c，b。

进一步地，所述步骤S1中，用户输入信息包括CT信息、勾画信息、计划信息；根据输入信息优化得到优化结果，计算出点粗略剂量，完成初始优化。

另一方面，本发明还公开一种基于剂量修正的调强优化系统，包括以下单元，

用户输入模块，用于输入用户的CT信息、勾画信息、计划信息；

初始优化模块，用于根据输入优化得到优化结果，计算出采样点粗略剂量，完成初始优化；

精确剂量计算模块，用于通过首次优化得到的优化结果，调用精确剂量计算方法计算采样点精确剂量；

剂量拟合模块，用于通过拟合方法对采样点的精确剂量和粗略剂量进行剂量拟合，计算出矫正参数，进而对采样点剂量进行修正；

循环优化模块，用于将修正后的采样点剂量代入优化中，优化出新的优化结果和采样点剂量，完成一次循环优化；

误差判断模块，用于将重新调用精确剂量计算方法计算采样点精确剂量，查看误差是否小于偏差阈值，若小于偏差阈值，则结束剂量修正，结束优化，保存计划；否则继续通过拟合方法进行剂量修正。

进一步地，所述初始优化模块根据用户输入模块的输入信息，采用优化算法进行迭代优化，在优化中计算得到计划结果，并计算得到采样点粗略剂量，判断满足优化目标，结束初始优化。

进一步地，所述剂量拟合模块采用分段拟合方法，拟合步骤如下：

对采样点粗略剂量进行聚类，使得剂量分成大小不同的区间[d

针对每个剂量区间[d

y

d

其中y

选择带惩罚项的回归模型计算矫正参数，见下式，

其中，x，y分别表示由采样点粗略剂量和精确剂量所构成的向量，α＞＝0表示惩罚系数，用来控制模型复杂度，Ω表示惩罚项；

设置不同的α值，计算上式，得到最优矫正参数H，c，b。

进一步地，所述循环优化模块，包括采用优化算法进行迭代优化，计算得到优化结果，利用优化结果计算新的采样点剂量，将采样点剂量带入公式(1)中进行修正，得到修正后的采样点剂量，判断满足优化目标或两次迭代差距小于阈值，结束一次循环优化，否则重新优化计算优化结果，直到满足条件结束一次循环优化。

又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。

由上述技术方案可知，为克服现有技术方案不足，本发明的目的提供一种基于剂量修正的调强优化方法，建立基于一种分段拟合的剂量映射的回归模型，实现调强计划的快速、精确优化，具有重要的实用价值。

本发明提出一种基于剂量修正的调强优化方法，初创性使用一种分段拟合方法建立了采样点精确剂量和采样点粗略剂量之间的映射，以及循环优化的调强优化方法，本发明使用一种分段拟合方法建立采样点精确剂量和采样点粗略剂量映射模型和循环优化的调强优化方法，能够快速交付精确的调强计划。本发明的优点在于，对于分段拟合，首先通过聚类将采样点粗略剂量分成不同的类别，有助于发掘数据本身的聚散情况，进而可以使用不同拟合函数拟合不同的类别。其次，本发明中所使用的分段拟合方法，既有非线性的部分(f(x

附图说明

图1为本发明实施例流程示意图；

图2为本发明实施例的系统框图。

图3为本发明实施例的数据散点图。

图4为本发明实施例的剂量拟合图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

实施例1

如图1所示，本实施例基于剂量修正的调强优化方法，包括以下步骤：

S1、获取用户输入信息；

S2、根据输入信息进行首次优化，获得粗略剂量；

S3、对首次优化的结果，调用精确剂量计算方法计算采样点精确剂量；

S4、通过拟合方法对采样点精确剂量和粗略剂量进行剂量拟合，计算出矫正参数，进而对剂量进行修正。

其中，用户输入信息包括用户的CT信息、勾画信息、计划信息；

根据输入优化得到优化结果(不限于射野强度)，计算出点粗略剂量，完成初始优化。

其中，步骤S4的剂量修正优选方法如下：

(1)将修正后的剂量代入优化中，优化出新的优化结果和剂量，完成一次循环优化；

(2)再次使用精确剂量计算方法计算精确剂量，判断两次精确剂量误差是否小于偏差阈值，若小于偏差阈值，则结束剂量修正，结束优化，保存计划；否则继续通过拟合方法进行剂量修正。

其中，步骤S4优选分段拟合方法，具体方法如下：

S43、对粗略剂量进行聚类，使得剂量分成大小不同的[d

针对每个剂量区间[d

y

d

其中y

S44、选择带惩罚项的回归模型计算矫正参数，见下式，

其中，x，y分别表示由粗略剂量和精确剂量所构成的向量，α＞＝0表示惩罚系数，用来控制模型复杂度，Ω表示惩罚项；设置不同的α值，计算上式，y

实施例2

如图2所示，本实施例剂量修正的调强优化系统，包括以下单元：

用户输入模块，通过用户输入模块输入用户的CT信息、勾画信息、计划信息；

初始优化模块，通过初始优化模块根据输入优化得到优化结果(不限于射野强度)，计算出点粗略剂量，完成初始优化；

精确剂量计算模块，通过首次优化得到的优化结果(不限于射野强度)，调用精确剂量计算方法计算点精确剂量；

剂量拟合模块，通过拟合方法对采样点的精确剂量和粗略剂量进行剂量拟合，计算出矫正参数，进而对采样点剂量进行修正；

循环优化模块，通过循环优化模块，将修正后的采样点剂量代入优化中，优化出新的优化结果(不限于射野强度)和采样点剂量，完成一次循环优化；

误差判断模块，基于误差判断模块，重新调用精确剂量计算方法计算采样点精确剂量，查看误差是否小于偏差阈值，若小于偏差阈值，则结束剂量修正，结束优化，保存计划；否则继续通过拟合方法进行剂量修正。

其中，初始优化模块，包括：根据用户输入模块的输入信息，采用优化算法进行迭代优化，在优化中计算得到计划结果，并计算得到采样点粗略剂量，判断满足优化目标，结束初始优化。

剂量拟合模块采用一种分段拟合方法，同实施例1。

循环优化模块具体包括：

采用优化算法进行迭代优化，计算得到优化结果，利用优化结果计算新的采样点剂量，将采样点剂量带入公式(1)中进行修正，得到修正后的采样点剂量，判断满足优化目标或两次迭代差距小于阈值，结束一次循环优化，否则重新优化计算优化结果，直到满足条件结束一次循环优化。

需要解释的是，本发明提出一种基于剂量修正的调强优化方法，初创性使用一种分段拟合方法建立了采样点精确剂量和粗略剂量之间的映射，以及循环优化的调强优化方法，本发明使用一种分段拟合方法建立采样点精确剂量和采样点粗略剂量映射模型和循环优化的调强优化方法，能够快速交付精确的调强计划。

如图3所示，图为数据散点图，横轴为采样点的粗略剂量，纵轴为采样点的精确剂量。从散点图中可以看出采样点粗略剂量和采样点精确剂量呈现正相关趋势，通过神经网络实现剂量拟合模块的模型，损失函数采用均方差损失函数，使用权重衰减表示惩罚项，采用随机梯度下降算法训练模型1000轮，模型训练完成后，拟合结果如图4所示。从拟合结果可以看出，虽然拟合函数本身是非线性的函数，但同样可以拟合出接近线性的结果，表明本算法有较为理想的拟合效果。

本实施例1和2中的粗略剂量及精确剂量计算方法均可通过现有技术实现，例如，粗略剂量计算方法包括但不限于笔形束剂量计算方法、点核剂量计算方法或其它现有方法中的任意一种；精确剂量计算方法包括但不限于卷积叠加剂量计算方法、离散纵标剂量计算方法、蒙特卡罗剂量计算方法或其它现有方法中的任意一种。

又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。

在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于剂量修正的调强优化方法。

可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述基于剂量修正的调强优化方法。

上述电子设备提到的通信总线可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称：PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称：EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(英文：Random Access Memory，简称：RAM)，也可以包括非易失性存储器(英文：Non-Volatile Memory，简称：NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(英文：Central ProcessingUnit，简称：CPU)、网络处理器(英文：Network Processor，简称：NP)等；还可以是数字信号处理器(英文：Digital Signal Processing，简称：DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(英文：Field-Programmable Gate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。