剂量确定方法及装置

技术领域

本发明涉及剂量控制领域，具体而言，涉及一种剂量确定方法及装置。

背景技术

目前剂量计算领域遇到问题，高准确度的剂量计算精度高速度慢，低准确度的剂量计算精度低速度快。准确度和速度之间的抉择是一个尚未解决的问题。

目前的部分Eclipse放疗系统采用低准确度的各向异性算法AAA(Analyticalanisotropic algorithm)算法进行优化，使用高准确度的AXB算法(Acuros XB)或蒙卡算法进行最终剂量计算以判断该计划是否通过。AAA算法速度快但是精度相比蒙卡和AXB较低，可能AAA优化的计划使用AXB计算后与处方剂量偏差较大，则需要重新计划。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种剂量确定方法及装置，以至少解决相关技术中临床剂量确定方法，计算效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种剂量确定方法，包括：对计划文件通过第一剂量计算算法计算第一剂量；获取所述计划文件对应的特征信息，其中，所述特征信息包括所述计划文件对应的电子计算机断层扫描仪CT影像；将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量，其中，所述深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

可选的，将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量之前，包括：建立深度学习网络模型，确定训练样本和测试样本，其中，所述测试样本包括计划文件的通过第一剂量计算算法计算得到的第一剂量和特征信息，以及对应的通过第二剂量计算算法计算得到的第二剂量；根据所述训练样本训练所述深度学习网络模型；根据测试样本对训练完成的深度学习网络模型进行检测，在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，不超过预设差值的情况下，确定所述深度学习网络模型训练有效；在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，超过预设差值的情况下，对所述深度学习网络模型继续训练。

可选的，根据所述训练样本训练所述深度学习网络模型之前，包括：通过插值法对所述训练样本进行调整，以使所述第一剂量和所述第二剂量，与特征信息的像素点对应的物理坐标值相同。

可选的，根据测试样本对训练完成的深度学习网络模型进行检测包括：将所述测试样本的第一剂量和特征信息，输入所述训练完成的深度学习网络，得到所述训练完成的深度学习网络的输出第二剂量，并通过所述第二剂量计算算法得到计算第二剂量；以所述计算第二剂量作为参考，计算所述输出第二剂量与所述计算第二剂量之间的伽马分析通过率，并分别计算绘制所述输出第二剂量的剂量体积直方图和所述计算第二剂量的剂量体积直方图，确定所述输出第二剂量的剂量体积直方图和所述计算第二剂量的剂量体积直方图的差异；在所述输出第二剂量与所述计算第二剂量计算得到的伽马通过率的达到预设通过率，且在所述输出第二剂量的剂量体积直方图和所述计算第二剂量的剂量体积直方图的差异不超过预设差异的情况下，确定所述深度学习网络模型训练有效。

可选的，在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，超过预设差值的情况下，对所述深度学习网络模型继续训练包括：获取系统中除所述训练样本和测试样本之外的历史计划文件，以及历史计划文件对应的特征信息，作为第一更新训练样本，其中，所述历史计划文件与所述计划文件对应的对象的种类相同；通过第一更新训练样本对所述深度学习网络模型进行训练；和/或，获取所述训练样本的计划文件的除所述CT影像之外的特征信息，更新所述训练样本的特征信息，对所述深度学习网络模型进行训练；和/或，修改所述深度学习网络模型的网络结构和模型参数，通过所述训练样本对修改后的深度学习网络模型进行训练。

可选的，修改所述深度学习网络模型的网络结构和模型参数包括下列至少之一：修改所述深度学习网络模型的网络层的属性，其中，所述网络层的属性包括下列至少之一：网络层的数量，网络层的参数，网络层的种类，网络层的连接方式，网络层的权重；根据所述深度学习网络模型的中间层的结果和所述深度学网络模型最终的输出结果，修改所述深度学习网络模型的损失函数和所述中间层的结构；修改所述深度学习网络模型的训练样本的数量，以及训练样本的数据尺寸，其中，所述训练样本包括第一剂量、第二剂量和特征信息。

可选的，在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，超过预设差值的情况下，对所述深度学习网络模型继续训练包括：获取系统中除所述训练样本的对象和测试样本的对象之外的多个种类的多个对象；根据所述多个对象建立所述多个对象对应的多个计划文件，并分别确定所述多个对象对应的多个计划文件，以及所述计划文对应的第一剂量，特征信息和第二剂量；将所述多个计划文件的第一剂量，特征信息和第二剂量，作为第二更新训练样本；通过第二更新训练样本对所述深度学习网络模型进行训练，直至训练有效。

根据本发明实施例的另一方面，还提供了一种剂量确定方法，包括：获取不同种类的多个对象；确定多个对象对应的多个计划文件，并通过第一剂量计算算法计算第一剂量；获取所述多个对象的特征信息，其中，所述特征信息包括所述对象的电子计算机断层扫描仪CT影像；将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量，其中，所述深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

根据本发明实施例的另一方面，还提供了一种剂量确定装置，包括：第一计算模块，用于对计划文件通过第一剂量计算算法计算第一剂量；第一获取模块，用于获取所述计划文件对应的特征信息，其中，所述特征信息包括所述计划文件对应的电子计算机断层扫描仪CT影像；第一输出模块，用于将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量，其中，所述深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

根据本发明实施例的另一方面，还提供了一种剂量确定装置，包括：第二获取模块，用于获取不同种类的多个对象；第二计算模块，用于确定多个对象对应的多个计划文件，并通过第一剂量计算算法计算第一剂量；第三获取模块，用于获取所述多个对象的特征信息，其中，所述特征信息包括所述对象的电子计算机断层扫描仪CT影像；第二输出模块，用于将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量，其中，所述深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

根据本发明实施例的另一方面，还提供了一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的剂量确定方法。

根据本发明实施例的另一方面，还提供了一种计算机存储介质，所述计算机存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机存储介质所在设备执行上述中任意一项所述的剂量确定方法。

在本发明实施例中，采用对计划文件通过第一剂量计算算法计算第一剂量；获取计划文件对应的特征信息，其中，特征信息包括计划文件对应的电子计算机断层扫描仪CT影像；将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量的方式，通过使用深度学习网络模型，将第一剂量与包含有CT影像的特征信息输入神经网络，对应输出第二剂量，达到了快速根据第一剂量和包含有CT影像的特征信息确定第二剂量的目的，从而实现了提高确定第二剂量的效率，进而提高剂量优化的效率的技术效果，进而解决了相关技术中临床剂量确定方法，计算效率较低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种剂量确定方法的流程图；

图2是根据本发明实施例的另一种剂量确定方法的流程图；

图3是根据相关技术的剂量确定方法的流程图；

图4是根据本发明实施方式的另一种剂量确定的流程图；

图5是根据本发明实施方式的模型训练的流程图；

图6-1是根据本发明实施方式的模型结构的示意图；

图6-2是根据本发明实施方式的模型结构的细节的示意图；

图7是根据本发明实施方式的模型增强训练的示意图；

图8是根据本发明实施例的一种剂量确定装置的示意图；

图9是根据本发明实施例的另一种剂量确定装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先对本实施例出现的名词进行解释说明：

各向异性算法AAA(Analytical anisotropic algorithm)，广泛应用于临床放疗计划优化，相比于基于校正的计划优化方法，AAA在异质区域剂量计算准确度较高，并且具有速度快的特点。但是对于非均匀区域的AAA计算，其可能出现超过5％的剂量偏差。

蒙特卡罗算法模拟每个粒子(光子、电子等)的传输和能量沉积，可认为蒙特卡洛具有足够高的剂量准确性。但是，其对计算性能要求极高，这可能会显著延长剂量计算时间。

AXB算法(Acuros XB)是一种引入玻尔兹曼输运方程的新剂量计算算法，AXB在理论上会收敛到与蒙特卡罗算法相同的解，具有蒙特卡洛级别的准确度，但是其速度可能比AAA算法慢十倍。

根据本发明实施例，提供了一种剂量确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种剂量确定方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，对计划文件通过第一剂量计算算法计算第一剂量；

步骤S104，获取计划文件对应的特征信息，其中，特征信息包括计划文件对应的电子计算机断层扫描仪CT影像；

步骤S106，将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

通过上述步骤，采用对计划文件通过第一剂量计算算法计算第一剂量；获取计划文件对应的特征信息，其中，特征信息包括计划文件对应的电子计算机断层扫描仪CT影像；将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量的方式，通过使用深度学习网络模型，将第一剂量与包含有CT影像的特征信息输入神经网络，对应输出第二剂量，达到了快速根据第一剂量和包含有CT影像的特征信息确定第二剂量的目的，从而实现了提高确定第二剂量的效率，进而提高剂量优化的效率的技术效果，进而解决了相关技术中临床剂量确定方法，优化效率较低的技术问题。

上述计划文件可以为单一对象的计划文件，上述对象可以为不同病例，包括病人信息和放疗实施方法，上述单一对象可以为单一病种的病例，上述技术文件可以为上述病例的放疗计划文件，包括放疗次数和每次的放疗实施方法。

上述第一剂量计算算法可以为粗计算算法，例如AAA算法、笔形束算法，本实施例可以采用上述AAA算法，由于第一剂量计算算法的精度较低，因此需要通过进一步计算提高剂量的精度，相关技术中常采用精度较高的第二剂量计算算法，对放疗计划最终剂量分布进行最终确定，确保放疗计划达到处方要求。但是其计算效率低。

上述特征信息包括CT影像，除此之外还可以是组织结构勾画信息、病理分期、病种类别、其他粗剂量计算结果(如笔形束)。

本实施例通过已知计划文件的第一剂量和包含有CT影像的特征信息，以及对应通过第二剂量计算算法得到的第二剂量，对深度学习网络模型进行训练，从而通过深度学习网络模型，就可以根据计划文件的第一剂量和包含有CT影像的特征信息快速得到对应的第二剂量。

训练样本中的第二剂量，是通过对训练样本的计划文件通过高精度的第二剂量计算算法进行计算得到的第二剂量，第二剂量计算算法可以为AXB算法。

需要说明的是，上述深度学习网络模型输出的第二剂量与实际上述通过第二剂量计算算法得到的第二剂量之间存在一定差距，也即是深度学习网络模型由于其本身的计算方式与第二剂量计算算法的计算方式不同，其在实施时始终存在与计算得到的第二剂量之间的误差，但是在误差满足一定要求的情况下，认为深度学习网络模型输出的第二剂量与计算的第二剂量等同。

从而达到了快速根据第一剂量和包含有CT影像的特征信息确定第二剂量的目的，从而实现了提高确定第二剂量的效率，进而提高剂量优化的效率的技术效果，进而解决了相关技术中临床剂量确定方法，优化效率较低的技术问题。

可选的，将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量之前，包括：建立深度学习网络模型，确定训练样本和测试样本，其中，测试样本包括计划文件的通过第一剂量计算算法计算得到的第一剂量和特征信息，以及对应的通过第二剂量计算算法计算得到的第二剂量；根据训练样本训练深度学习网络模型；根据测试样本对训练完成的深度学习网络模型进行检测，在深度学习网络模型输出的第二剂量与测试样本中的第二剂量的差，不超过预设差值的情况下，确定深度学习网络模型训练有效；在深度学习网络模型输出的第二剂量与测试样本中的第二剂量的差，超过预设差值的情况下，对深度学习网络模型继续训练。

在通过上述训练样本对深度学习网络模型进行训练的之后，根据测试样本对深度学习网络模型进行检测，以判断深度学习网络模型的是识别精度是否达到要求，在深度学习网络模型输出的第二剂量与测试样本中的第二剂量的差，不超过预设差值的情况下，确定深度学习网络模型训练有效；在深度学习网络模型输出的第二剂量与测试样本中的第二剂量的差，超过预设差值的情况下，对深度学习网络模型继续训练，从而提高深度学习网络模型的识别精度。上述训练样本包括多组，多组训练样本均为已知计划文件，例如，已经进行放疗的计划文件，包括第一剂量，特征信息和第二剂量。上述测试样本也是已知计划文件，但是测试样本与多组训练样本不重合。

可选的，根据训练样本训练深度学习网络模型之前，包括：通过插值法对训练样本进行调整，以使第一剂量和第二剂量，与特征信息的像素点对应的物理坐标值相同。

上述第一剂量和第二剂量可以包括具体的释放位置和该位置的释放剂量，可以认为上述第一剂量和第二剂量是在具体的图像上分布的，图像上不同的位置，对应位置的剂量。上述特征信息的CT影像和第一剂量与第二剂量都与图像有关，在通过深度学习网络模型将其进行关联时，通过插值法对第一剂量和第二剂量，与CT影像进行处理，使得第一剂量和第二剂量，与CT影像的像素间隔一致，也即是像素点对应的物理坐标值相同，可以更方便深度学习网络模型对其关联学习，进而提高深度学习网络的训练效率，以及深度学习网络模型的识别精度。

可选的，根据测试样本对训练完成的深度学习网络模型进行检测包括：将测试样本的第一剂量和特征信息，输入训练完成的深度学习网络，得到训练完成的深度学习网络的输出第二剂量，并通过第二剂量计算算法得到计算第二剂量；以计算第二剂量作为参考，计算输出第二剂量与计算第二剂量之间的伽马分析通过率，并分别计算绘制输出第二剂量的剂量体积直方图和计算第二剂量的剂量体积直方图，确定输出第二剂量的剂量体积直方图和计算第二剂量的剂量体积直方图的差异；在输出第二剂量与计算第二剂量计算得到的伽马通过率达到预设通过率，且在输出第二剂量的剂量体积直方图和计算第二剂量的剂量体积直方图的差异不超过预设差异的情况下，确定深度学习网络模型训练有效。

在深度学习网络模型输出的输出第二剂量与测试样本中的计算第二剂量进行比较时，计算输出第二剂量与计算第二剂量之间的伽马分析通过率，输出第二剂量与计算第二剂量越相近，伽马通过率就越大，深度学习网络模型的精确度就越好，伽马通过率达到预设通过率，则认为深度学习网络模型的精度足够好；分别计算绘制输出第二剂量的剂量体积直方图和计算第二剂量的剂量体积直方图，确定输出第二剂量的剂量体积直方图和计算第二剂量的剂量体积直方图的差异。上述直方图差异可以包括变化率，数值范围等数据，二者的差别可以为多项数据的差，需要每项数据的差均满足预设差值的情况下，认为该输出第二剂量与计算第二剂量的差不超过预设差值，反之，若有其中任意一项或者多项数据的差值不满足对应的预设差值，则认为该输出第二剂量与计算第二剂量的差超过预设差值。

可选的，在深度学习网络模型输出的第二剂量与测试样本中的第二剂量的差，超过预设差值的情况下，对深度学习网络模型继续训练包括：获取系统中除训练样本和测试样本之外的历史计划文件，以及历史计划文件对应的特征信息，作为第一更新训练样本，其中，历史计划文件与计划文件对应的对象的种类相同；通过第一更新训练样本对深度学习网络模型进行训练；和/或，获取训练样本的计划文件的除CT影像之外的特征信息，更新训练样本的特征信息，对深度学习网络模型进行训练；和/或，修改深度学习网络模型的网络结构和模型参数，通过训练样本对修改后的深度学习网络模型进行训练。

在深度学习网络模型未通过测试样本的检测的情况下，需要对深度学习网络模型进行继续训练。另外，在深度学习网络模型通过测试样本的检测，但是需要进一步提高深度学习网络模型的精度的情况下，也可以进行继续训练。在进行继续训练的时候可以重新选取单一对象的计划文件，作为二次训练样本对深度学习网络模型进行训练。还可以获取训练样本的计划文件的除CT影像之外的特征信息，例如，组织勾画，病理分期，其他剂量分布计算如‘笔形束’，深度学习剂量计算预测结果，对输入数据进行拉伸旋转等数据增强手段得到的特征信息，更新训练样本的特征信息，对深度学习网络模型进行训练。还可以修改深度学习网络模型的网络结构和模型参数，通过训练样本对修改后的深度学习网络模型进行训练。还可以选取多个不同种类的对象的计划文件，作为二次训练样本对上述深度学习网络模型进行训练。上述不同种类的对象可以为不同病种的病例的计划文件，或者不同病种的病人的计划文件。

可选的，修改深度学习网络模型的网络结构和模型参数包括下列至少之一：修改深度学习网络模型的网络层的属性，其中，网络层的属性包括下列至少之一：网络层的数量，网络层的参数，网络层的种类，网络层的连接方式，网络层的权重；根据深度学习网络模型的中间层的结果和深度学网络模型最终的输出结果，修改深度学习网络模型的损失函数和中间层的结构；修改深度学习网络模型的训练样本的数量，以及训练样本的数据尺寸，其中，训练样本包括第一剂量、第二剂量和特征信息。

修改深度学习网络模型的网络结构和模型参数，通过训练样本对修改后的深度学习网络模型进行训练可以通过多种方式，修改深度学习网络模型的网络层的属性，其中，网络层的属性包括下列至少之一：网络层的数量，网络层的参数，网络层的种类，网络层的连接方式，网络层的权重；根据深度学习网络模型的中间层的结果和深度学网络模型最终的输出结果，修改深度学习网络模型的损失函数和中间层的结构；修改深度学习网络模型的训练样本的数量，以及训练样本的数据尺寸，其中，训练样本包括第一剂量、第二剂量和特征信息等。进而提高深度学习网络模型的准确度。

可选的，在深度学习网络模型输出的第二剂量与测试样本中的第二剂量的差，超过预设差值的情况下，对深度学习网络模型继续训练包括：获取系统中除训练样本的对象和测试样本的对象之外的多个种类的多个对象；根据多个对象建立多个对象对应的多个计划文件，并分别确定多个对象对应的多个计划文件的第一剂量，特征信息和第二剂量；将多个计划文件的第一剂量，特征信息和第二剂量，作为第二更新训练样本；通过第二更新训练样本对深度学习网络模型进行训练，直至训练有效。

上述选取多个不同种类的对象的计划文件，作为第二更新训练样本对上述深度学习网络模型进行训练，可以是不同病种的已知计划文件，也即是多个不同病种已经进行实施计划文件，还可以为不同病种的未实施的计划文件，可以根据不同病种的对象，例如病例，针对该病例提供可能实施或者可以实施，或者理论可行的计划，生成计划文件，针对该生成的计划文件确定对应的第一剂量和特征信息，以及第二剂量，将该生成的计划文件的相关数据作为二次训练样本，对深度学习网络模型进行训练，从而进一步对深度学习网络模型进行增强，提高深度学习网络模型的识别精度。

在对深度学习网络模型的进行继续训练的过程中还可以通过增加或减少上述对象的种类或者不同种类的对象的数量，作为第二更新训练样本对深度学习网络模型进行继续训练。

图2是根据本发明实施例的另一种剂量确定方法的流程图，如图2所示，根据本发明实施例的另一方面，还提供了一种剂量确定方法，包括：

步骤S202，获取不同种类的多个对象；

步骤S204，确定多个对象对应的多个计划文件，并通过第一剂量计算算法计算第一剂量；

步骤S206，获取多个对象的特征信息，其中，特征信息包括对象的电子计算机断层扫描仪CT影像；

步骤S208，将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

通过上述步骤，采用获取不同种类的多个对象；确定多个对象对应的多个计划文件，并通过第一剂量计算算法计算第一剂量；获取多个对象的特征信息，其中，特征信息包括对象的电子计算机断层扫描仪CT影像；将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量的方式，通过使用深度学习网络模型，将第一剂量与包含有CT影像的特征信息输入神经网络，对应输出第二剂量，达到了快速根据第一剂量和包含有CT影像的特征信息确定第二剂量的目的，从而实现了提高确定第二剂量的效率，进而提高剂量优化的效率的技术效果，进而解决了相关技术中临床剂量确定方法，计算效率较低的技术问题。

需要说明的是，本申请实施例还提供了一种可选的实施方式，下面对该实施方式进行详细说明。

本实施方式使用深度学习方法，将AAA计算剂量与CT影像等特征输入神经网络，对应AXB剂量作为输出，从而达到快速的AAA映射到AXB精确级别的剂量分布的效果。将该深度学习模型集成在放疗计划优化系统中，可提高计划优化迭代剂量计算准确度，可以极大提高优化的效率和计划质量。该技术成为“深度学习增强AAA算法准确度技术”。

图3是根据相关技术的剂量确定方法的流程图，如图3所示，临床计划优化系统首先在MLC(多页准直器)全开的情况下使用AAA算法计算剂量分布，并优化MLC，计算DVH(剂量体积直方图Dose-Volume Histogram)，DVH达标则进一步使用AXB算法计算DVH，DVH再次达标则计划结束。其中AXB计算比较耗时，占去了大部分计划优化时间。

AAA算法对于组织密度变化不敏感，导致AAA算法与AXB算法结果具有差异，如果AAA算法DVH合格而AXB算法DVH不合格，重新计划时间成本大，极大降低了临床效率。

图4是根据本发明实施方式的另一种剂量确定的流程图，如图4所示，本实施方式使用深度学习方法将AAA算法计算精度提高到AXB级别，并且用时极短(5s左右)。提出新的放疗计划流程。使用“深度学习增强AAA算法准确度技术”，替代AXB等慢速计算过程，兼顾准确度的同时，极大提高放疗计划速度。

1、训练单病种AAA增强模型：

(1)训练过程：

图5是根据本发明实施方式的模型训练的流程图，如图5所示，从eclipse系统中提取已执行放疗计划的病例，将其RT Plan文件导入Eclipse系统中，分别计算AAA与AXB剂量分布，AAA与AXB的grid size(网格尺寸)都为2.5mm×2.5mm×2.0mm，并保存为对应RT Dose文件。AAA剂量与对应横断面CT作为输入，对应AXB剂量作为输出，进行深度学习训练。训练之前采用插值法将剂量与CT像素间隔设为1.37mm×1.37mm×2.0mm。

(2)模型结构：

图6-1是根据本发明实施方式的模型结构的示意图，图6-2是根据本发明实施方式的模型结构的细节的示意图，如图6-1和6-2所示，3D HD U-Net是结合了Densenet结构的3DU-Net，可以较好地学习深层次特征与三维空间信息。U-NET是编码解码网络，由下采样的编码器和上采样的解码器组成，并且有四个大的连接结构，可以用于补足下采样过程中的数据信息损失。U-NET神经网络可以较好的完成特征自动提取和结果预测；HD U-NET是U-NET的变种网络，其特点在于在每一个卷积之后加入了残差链接结构，从而可以保证在全训练过程中，极大保留了全部的特征信息；3D HD U-NET是HD U-NET网络的3D版本，其特点在于输入数据，卷积核，池化层的结构都是3D的。3D网络的优势在于可以直接提取3D空间特征。从而可以更好地提取特征和预测结果。

(3)模型评估：

以Eclipse计算的AXB剂量分布作为参考剂量，计算深度学习生成的“加强AAA”剂量分布与参考剂量分布的伽马分析通过率，计算两者DVH差异，作为结果分析。

2、多病种，广适用性AAA增强模型训练：

图7是根据本发明实施方式的模型增强训练的示意图，如图7所示，收集不同病种的病例，使用Eclipse系统导出病例的RT Struct文件，在Eclispe系统中设置不同角度和口径的射束设置，将射束设置以及对应的RT Struct文件在Eclipse系统中分别计算AAA剂量与AXB剂量分布，并保存为RT Dose文件。

模型训练，模型结构，结果分析与1中(1)、(2)、(3)中类似。

图8是根据本发明实施例的一种剂量确定装置的示意图，如图8所示，根据本发明实施例的另一方面，还提供了一种剂量确定装置，包括：第一计算模块82，第一获取模块84和第一输出模块86，下面对该装置进行详细说明。

第一计算模块82，用于对计划文件通过第一剂量计算算法计算第一剂量；第一获取模块84，与上述第一计算模块82相连，用于获取所述计划文件对应的特征信息，其中，特征信息包括计划文件对应的电子计算机断层扫描仪CT影像；第一输出模块86，与上述第一获取模块84相连，用于将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量，其中，所述深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

通过上述装置，采用对计划文件通过第一剂量计算算法计算第一剂量；获取计划文件对应的特征信息，其中，特征信息包括计划文件对应的电子计算机断层扫描仪CT影像；将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量，通过使用深度学习网络模型，将第一剂量与包含有CT影像的特征信息输入神经网络，对应输出第二剂量，达到了快速根据第一剂量和包含有CT影像的特征信息确定第二剂量的目的，从而实现了提高确定第二剂量的效率，进而提高剂量优化的效率的技术效果，进而解决了相关技术中临床剂量确定方法，计算效率较低的技术问题。

图9是根据本发明实施例的另一种剂量确定装置的示意图，如图9所示，根据本发明实施例的另一方面，还提供了一种剂量确定装置，包括：第二获取模块92，第二计算模块94，第三获取模块96和第二输出模块98，下面对该装置进行详细说明。

第二获取模块92，用于获取不同种类的多个对象；第二计算模块94，与上述第二获取模块92相连，用于确定多个对象对应的多个计划文件，并通过第一剂量计算算法计算第一剂量；第三获取模块96，与上述第二计算模块94相连，用于获取多个对象的特征信息，其中，特征信息包括对象的电子计算机断层扫描仪CT影像；第二输出模块98，与上述第三获取模块96相连，用于将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

通过上述装置，采用第二获取模块92获取不同种类的多个对象；第二计算模块94确定多个对象对应的多个计划文件，并通过第一剂量计算算法计算第一剂量；第三获取模块96获取多个对象的特征信息，其中，特征信息包括对象的电子计算机断层扫描仪CT影像；第二输出模块98将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量的方式，通过使用深度学习网络模型，将第一剂量与包含有CT影像的特征信息输入神经网络，对应输出第二剂量，达到了快速根据第一剂量和包含有CT影像的特征信息确定第二剂量的目的，从而实现了提高确定第二剂量的效率，进而提高剂量优化的效率的技术效果，进而解决了相关技术中临床剂量确定方法，计算效率较低的技术问题。

根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质包括存储的程序，其中，在程序运行时控制计算机存储介质所在设备执行上述中任意一项的剂量确定方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的剂量确定方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。