一种放射治疗自动计划设计系统及其构建方法

技术领域

本发明涉及放射治疗计划系统领域，具体的涉及一种放射治疗自动计划设计系统及其构建方法。

背景技术

肿瘤已经成为临床常见的高发病种，我国居民肿瘤发病率和死亡率逐年提高。放射治疗(Radiation Therapy)是肿瘤原发灶及肿瘤术后的重要治疗手段，其治疗贡献率与化疗、手术治疗比肩。

放射治疗首先需要获取患者的定位CT，肿瘤学医师进行靶区勾画，并由剂量师进行放疗计划设计，生成加速器执行文件，然后再导入加速器系统对患者进行治疗。因此，放疗计划设计是放射治疗流程中的重要步骤。放射治疗计划设计具有患者定制化、剂量师计划设计个性化的特征。患者定制化是指，放射治疗计划设计是根据每一位放射治疗患者的病史、CT影像、病变范围和治疗策略综合设计的，具有唯一性；剂量师计划设计个性化是指，放射治疗计划的设计强烈依赖于剂量师的前期经验、设计思想等主观因素，且需要剂量师在放射治疗计划系统中反复试错、最终达到临床目标，放射治疗计划的质量与剂量师的个人经验直接相关。

目前，放射治疗计划设计还存在以下问题：一是放射治疗计划的生成需要求解大规模的剂量计算和优化问题，计算时间很长，大量占用人力和物力资源；二是放射治疗计划的设计需要剂量师的全程参与，通常情况下，剂量师需要反复试错对计划设计参数进行调整，以获得质量较高的计划。并且，治疗计划的质量很大程度上依赖于剂量师的个人经验；三是放射治疗计划设计的学习和培训周期较长，短时间内很难提高剂量师的治疗计划设计水平，从而治疗计划的设计质量和一致性难以得到保证。

目前放射治疗临床工作主要由剂量师人工设计完成，根据病种不同，剂量师人工设计一个放射治疗计划通常需要花费若干小时的时间。剂量师进行放射治疗计划设计需要完成定位信息检查、辅助轮廓生成、计划中心点生成、添加射野、设置剂量及分次、添加指定剂量显示线以及逆向计划优化等步骤，而且逆向计划优化过程需要剂量师反复试错，最终得到较优的结果。放射治疗计划设计的过程不仅耗时耗力，且计划质量依赖于剂量师的主观经验，已有研究表明，不同剂量师间的计划设计结果差异较大。

除了人工放射治疗计划设计，目前有部分软件可实现计划设计辅助功能。这些软件使用的方法主要有帕累托最优法和参数调优法。Raystation公司的多目标优化模块基于帕累托最优法，以权衡放射治疗计划设计逆向优化过程中各目标的权重，同时提供多个放射治疗计划，但并不给出最优推荐。Pinnacle公司的自动计划模块预先定义好一个逆向优化参数集，对需要进行计划设计的CT影像和靶区勾画数据使用对应的参数集进行优化，并进行调整。因此目前已有的自动放射治疗计划设计辅助软件无法实现特定患者进行定制化设计，并且无法针对放射治疗单位的经验和规则进行定制化设计，无法保证计划设计质量能够达到较高水平。

发明内容

本发明的目的在于：针对上述存在的问题，本发明提供一种放射治疗自动计划设计系统及其构建方法，本发明基于深度神经网络预测剂量，进而进行放射治疗自动计划设计，基于专用放射治疗计划系统，所有步骤操作均通过使用放射治疗计划系统应用程序接口指令的代码集合完成，无需人工操作，可实现自动计划设计。

本发明采用的技术方案如下：

一种放射治疗自动计划设计系统，包括计划设计辅助轮廓生成模块、处方设置模块、添加射野模块、深度神经网络剂量预测模块及优化目标函数生成及计划设计模块；

所述计划设计辅助轮廓生成模块用于为了达到临床放射治疗计划设计的要求，生成辅助轮廓在逆向优化阶段进行目标优化；

所述处方设置模块用于根据肿瘤学医师的放射治疗处方在放射治疗计划系统中进行处方设置；

所述添加射野模块用于在放射治疗计划系统中添加射野；

所述深度神经网络剂量预测模块用于根据同病种获取的数据，对逆向优化过程给出合理的剂量设计目标；

所述优化目标函数生成及计划设计模块用于放射治疗计划设计逆向优化，根据深度神经网络剂量预测模块进行优化。

优选地，深度神经网络剂量预测模块通过多个隐藏层从输入数据中提取抽象特征，并由输出层根据提取到的特征进行预测。神经网络由神经元以及神经元之间的连接组成。神经网络分为输入层、隐藏层和输出层。深度神经网络与浅层神经网络相比，“深度”体现在隐层数量更多，连接方式更加灵活和复杂，具有更强大的非线性表达能力，能从输入图像中提取到更本质特征，从而实现更高精度的预测。

优选地，所述深度神经网络剂量预测模块使用多种深度神经网络框架，包括U-Net、DeepLabv3+。

基于一种放射治疗自动计划设计系统的构建方法，包括以下步骤：

步骤1：计划设计辅助轮廓生成；

步骤2：处方设置；

步骤3：添加射野；

步骤4：深度神经网络剂量预测：包括数据获取、模型训练及将训练好的深度神经网络剂量预测模型应用于预测对象；

步骤5：优化目标函数生成及计划设计。优选地，所述深度神经网络剂量预测主要分为三个步骤，分别是：

S1：数据获取：获取患者的放射治疗计划CT影像、放射治疗处方、靶区和危及器官和剂量分布数据；将数据分为两部分，训练集和验证集；其中训练集用于训练深度神经网络模型，验证集用于定量评价训练完成后的模型的分割效果；

S2：模型训练：基于深度神经网络剂量预测模型将训练集进行预处理操作，包括对CT数据根据窗位进行归一化、随机缩放、旋转、平移，实现增广训练样本的目的，最后根据增广得到的训练样本，训练深度神经网络分割模型；

S3：将训练好的深度神经网络剂量预测模型应用于预测对象，得到预测对象的剂量分布。

优选地，将步骤S1中获得数据分为两部分，训练集和验证集。

与现有的技术相比本发明的有益效果是：

1）本发明基于神经网络剂量模型自动进行放射治疗计划设计，该过程不需要人工提取特征或设定参数；

2）本发明深度神经网络模型经训练完成后，能在数分钟内快速预测出放射治疗患者剂量分布情况，并自动进行放射治疗计划设计，有效提高了放疗科医生的工作效率，加速了患者的放疗方案制定。

附图说明

图1为本发明的系统流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明基于深度神经网络预测剂量，进而进行放射治疗自动计划设计，基于专用放射治疗计划系统，所有步骤操作均通过使用放射治疗计划系统应用程序接口指令的代码集合完成，无需人工操作，可实现自动计划设计。

如图1所示，一种基于深度神经网络剂量预测的放射治疗自动计划设计系统，包括计划设计辅助轮廓生成模块、处方设置模块、添加射野模块、深度神经网络剂量预测模块及优化目标函数生成及计划设计模块；

所述计划设计辅助轮廓生成模块用于为了达到临床放射治疗计划设计的要求，生成辅助轮廓在逆向优化阶段进行目标优化，详见表1；

所述处方设置模块用于根据肿瘤学医师的放射治疗处方在放射治疗计划系统中进行处方设置；

所述添加射野模块用于在放射治疗计划系统中添加射野；

所述深度神经网络剂量预测模块用于根据同病种获取的数据，对逆向优化过程给出合理的剂量设计目标；

所述优化目标函数生成及计划设计模块用于放射治疗计划设计逆向优化，根据深度神经网络剂量预测模块进行优化。

表1计划设计辅助轮廓生成表

其中，所述深度神经网络剂量预测主要分为三个步骤，分别是：

S1：数据获取：获取患者的放射治疗计划CT影像、放射治疗处方、靶区和危及器官和剂量分布数据；将数据分为两部分，训练集和验证集；其中训练集用于训练深度神经网络模型，验证集用于定量评价训练完成后的模型的分割效果；

S2：模型训练：基于深度神经网络剂量预测模型将训练集进行预处理操作，包括对CT数据根据窗位进行归一化、随机缩放、旋转、平移，实现增广训练样本的目的，最后根据增广得到的训练样本，训练深度神经网络分割模型；

S3：将训练好的深度神经网络剂量预测模型应用于预测对象，得到预测对象的剂量分布。

其中，将步骤S1中获得数据按照4：1分为两部分，训练集和验证集。

其中，深度神经网络剂量预测模块通过多个隐藏层从输入数据中提取抽象特征，并由输出层根据提取到的特征进行预测。神经网络由神经元以及神经元之间的连接组成。神经网络分为输入层、隐藏层和输出层。深度神经网络与浅层神经网络相比，“深度”体现在隐层数量更多，连接方式更加灵活和复杂，具有更强大的非线性表达能力，能从输入图像中提取到更本质特征，从而实现更高精度的预测。

其中，所述深度神经网络剂量预测模块使用多种深度神经网络框架，包括U-Net、DeepLabv3+。

其中，逆向优化过程分为两轮，第一轮按照表2目标函数进行；其他条件不变的情况下，第二轮设置

表2 放射治疗计划设计逆向优化目标函数列表

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。