(12)发明专利申请
(10)申请公布号 CN 112546463 A(43)申请公布日 2021.03.26
(21)申请号 202110207866.X(22)申请日 2021.02.25
(71)申请人 四川大学
地址 610000 四川省成都市武侯区一环路
南一段24号(72)发明人 章毅 柏森 胡俊杰 宋莹 王强
余程嵘 (74)专利代理机构 成都弘毅天承知识产权代理
有限公司 51230
代理人 谢建(51)Int.Cl.
A61N 5/10(2006.01)
权利要求书2页 说明书5页 附图1页
CN 112546463 A(54)发明名称
基于深度神经网络的放疗剂量自动预测方法
(57)摘要
提出一本发明涉及放疗中的剂量预测领域，
种基于深度神经网络的放疗剂量自动预测方法，包括如下步骤：首先，获取患者的CT图像；其次，基于CT图像勾画患者的靶区以及危及器官；然后，计算患者的非调制剂量，其中，非调制剂量用于提供全局信息；然后，基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型；最后，利用基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。本发明能够基于基于深度神经网络自动预测患者剂量分布，该过程不需要人工提取特征或设定参数，预测得到的剂量分布可加速患者的放疗计划制定，并且，模型在输入部分采用了非调制剂量，能够提供更多全局信息用于精准预测剂量分布情况。
CN 112546463 A
权 利 要 求 书
1/2页
1.基于深度神经网络的放疗剂量自动预测方法，其特征在于，包括如下步骤：获取患者的CT图像；
基于CT图像勾画患者的靶区以及危及器官；计算患者的非调制剂量，所述非调制剂量用于提供全局信息；基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型；利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。2.根据权利要求1所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述非调制剂量计为
，是放疗计划逆向优化中的初始剂量分布，该剂量分布已对靶区、
作为初始值，通过逆向优化过程不断迭
危及器官进行适形，放疗计划设计过程中使用
代，最终得到满足临床治疗需求的剂量分布。
3.根据权利要求2所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息。
4.根据权利要求1或2所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成非调制剂量的计算。
5.根据权利要求4所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述构建的基于深度神经网络的剂量预测模型，包括输入/输出部分和模型部分；
所述输入/输出部分中：设x代表剂量预测任务的输入，y代表剂量标签， x包含4个部分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即
，其中
表示输入的危及器官，
表示输入的CT图像，
表示输入的靶区，
表示输入的非调制剂量，基于深度神经网络的剂量预测
模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y；
所述模型部分包括编码器、解码器以及二者中间的跨层连接，编码器用于从输入数据中提取具有平移不变性的抽象特征，解码器用于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值。
6.根据权利要求5所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，所述基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：
其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输入数据的宽度，表示一个新的特征提取网络，征，
表示用
表示用
网络提取模型预测的剂量a的特
网络提取标签剂量y的特征，以上公式由两项构成，第一项为均方误差
项，用于缩小预测剂量与标签剂量的欧式距离，第二项为感知损失项，该项引入了一个新的网络
，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中ρ为标量，用
2
CN 112546463 A
权 利 要 求 书
2/2页
于平衡均方误差项与感知损失函数项的权重，取常规的深度神经网络模型，取0至1之间的数值。
7.根据权利要求6所述的基于深度神经网络的放疗剂量自动预测方法，其特征在于，基
θ的梯度，并于所述代价函数L（a，y），求取其对于基于深度神经网络的剂量预测模型的权值
利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：
其中，为0‑1之间的标量，代表神经网络训练过程的学习率。
3
CN 112546463 A
说 明 书
基于深度神经网络的放疗剂量自动预测方法
1/5页
技术领域
[0001]本发明涉及放疗中的剂量预测领域，具体涉及一种基于深度神经网络的放疗剂量自动预测方法。
背景技术
[0002]放射治疗简称放疗，是肿瘤治疗的主要手段之一，其工作原理是通过高能放射线照射肿瘤，破坏肿瘤的DNA结构，从而达到杀死肿瘤细胞并保护非肿瘤组织的目的。放疗具有适用范围广、副作用小、低创无痛等优点，可有效提高患者的治愈率，延长患者寿命。[0003]在临床应用中，放疗实施之前需要专业人员制定放疗计划，即根据医生勾画的患者靶区以及危及器官，结合处方剂量，优化各放射线的角度、强度等信息，得到满足患者需求的治疗方案。放疗计划的质量往往取决于计划设计人员的经验，这导致不同人员制定的放疗计划往往差异较大，难以满足患者个体之间的差异。研究表明，通过建模学习患者靶区和危及器官等解剖结构对剂量的影响，可在计划设计之前预测患者的剂量信息，提高放疗计划的质量。根据患者的靶区和危及器官等信息预测该患者的待接收放疗剂量，则称为剂量预测。
[0004]放疗计划设计常使用逆向优化技术来满足放疗剂量要求，然而逆向优化涉及到众多治疗参数的调整，且需要计划制定者与医生多轮交流才能得到满足临床要求的治疗计划，这一过程最终耗时可能超过一个星期，影响患者及时接受治疗。面对这些局限，许多研究工作致力于预测患者的最优剂量分布，从而指导逆向优化过程，达到缩短计划制定时间、减少主观因素对计划质量影响的目的。[0005]现有技术方案中：剂量体积直方图（DVH）是一种二维直方图，横轴为剂量值，纵轴为大于等于该剂量的像元占比（%），当前已有学者研究靶区和危及器官与DVH曲线之间的关系，但DVH曲线仅包含统计意义上的剂量信息，无法提供剂量的位置分布信息，这对于临床应用而言是不够的，如膀胱癌和鼻咽癌等病种要求提供剂量的空间分布信息来帮助医生判断放疗计划的质量。此外，也有学者通过深度神经网络模型建立靶区和危及器官与剂量之间的关系，即输入患者的CT图像、靶区、危及器官，输出则为该患者的剂量分布，这些研究表明深度神经网络可以学习到靶区/危及器官的剂量分布。[0006]但是，注意到输入所包含的靶区与危及器官仅能提供患者解剖结构的“局部”结构信息，然而输出为患者的“全局”剂量分布，学习“局部”到“全局”的映射关系对深度神经网络模型提出了挑战。此外，输入数据中未包含与X射线穿透区域有关的信息，这加大了模型的学习难度。[0007]因此，现有技术的客观缺点：现有工作研究靶区和危及器官与DVH曲线之间的关系，DVH曲线仅包含统计意义上的剂量信息，无法满足临床应用中对于剂量位置分布的要求。使用深度神经网络预测患者剂量的工作中，输入数据未能提供与剂量相关的“全局”信息，且输入数据中未包含与X射线穿透区域有关的信息。
4
CN 112546463 A
说 明 书
2/5页
发明内容
[0008]本发明的目的是提供一种基于深度神经网络的放疗剂量自动预测方法，能够通过提供包含于剂量相关的全局信息，使用蛇毒神经网络自动预测患者的剂量。[0009]本发明解决其技术问题，采用的技术方案是：
基于深度神经网络的放疗剂量自动预测方法，包括如下步骤：获取患者的CT图像；
基于CT图像勾画患者的靶区以及危及器官；计算患者的非调制剂量，所述非调制剂量用于提供全局信息；基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模
型；
利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。
[0010]
进一步的是，所述非调制剂量计为，是放疗计划逆向优化中的初始剂量分
作为初始值，通
布，该剂量分布已对靶区、危及器官进行适形，放疗计划设计过程中使用
过逆向优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。
[0011]进一步的是，所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息。[0012]进一步的是，射束数量、射束角度完成非调制根据患者的CT图像、靶区、危及器官、剂量的计算。
[0013]进一步的是，所述构建的基于深度神经网络的剂量预测模型，包括输入/输出部分和模型部分；
设x代表剂量预测任务的输入，y代表剂量标签， x包含4个所述输入/输出部分中：
部分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即
，其中
表示输入的危及器官，
表示输入的CT图像，
表示输入的靶区，
表示输入的非调制剂量，基于深度神经网络的剂量预测
模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y；
所述模型部分包括编码器、解码器以及二者中间的跨层连接，编码器用于从输入
数据中提取具有平移不变性的抽象特征，解码器用于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值。[0014]进一步的是，所述基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：
其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输
入数据的宽度，表示一个新的特征提取网络，a的特征，
表示用
表示用
网络提取模型预测的剂量
网络提取标签剂量y的特征，以上公式由两项构成，第一项为均
5
CN 112546463 A
说 明 书
3/5页
方误差项，用于缩小预测剂量与标签剂量的欧式距离，第二项为感知损失项，该项引入了一个新的网络
，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中
为
标量，用于平衡均方误差项与感知损失函数项的权重，取常规的深度神经网络模型，取0至1之间的数值。[0015]进一步的是，基于所述代价函数L（a，y），则求取其对于基于深度神经网络的剂量预测模型的权值θ的梯度，并利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：
其中，为0‑1之间的标量，代表神经网络训练过程的学习率。
[0016]
本发明的有益效果是，通过上述基于深度神经网络的放疗剂量自动预测方法，能够基于基于深度神经网络自动预测患者剂量分布，该过程不需要人工提取特征或设定参数，预测得到的剂量分布可加速患者的放疗计划制定，并且，模型在输入部分采用了非调制剂量，能够提供更多全局信息用于精准预测剂量分布情况。
附图说明
[0017]图1为本发明中基于深度神经网络的放疗剂量自动预测方法的流程图。
具体实施方式
[0018]下面结合附图，详细描述本发明的技术方案。
[0019]本发明提供了一种基于深度神经网络的放疗剂量自动预测方法，其流程图见图1，其中，该方法包括如下步骤：
S1、获取患者的CT图像。
[0020]S2、基于CT图像勾画患者的靶区以及危及器官。[0021]S3、计算患者的非调制剂量，所述非调制剂量用于提供全局信息；所述全局信息包括靶区、危及器官部分的初始剂量分布以及X射线穿透区域的剂量信息；根据患者的CT图像、靶区、危及器官、射束数量、射束角度完成非调制剂量的计算。[0022]S4、基于CT图像、靶区、危及器官及非调制剂量构建基于深度神经网络的剂量预测模型。
[0023]S5、利用所述基于深度神经网络的剂量预测模型对放疗剂量进行自动预测。[0024]上述方法的S1中，与传统的基于手工特征的分割方法不同，深度神经网络自动地从数据中学习如何提取任务相关的抽象特征，其提取到的特征具有更强的表达能力与更高的平移不变性。然而训练深度神经网络往往需要大量带标签的数据，因此流程的第一步为数据获取，由专业的CT机采集拍摄患者的断层扫描图像。[0025]需要说明的是，S2中，靶区指肿瘤以及潜在的受侵区域，危及器官指放疗过程中可能受到辐射影响的正常器官和组织，基于上一步获取到的CT图像，需由医生手动或由程序自动勾画出靶区以及危及器官，这一过程称为靶区勾画。
6
CN 112546463 A[0026]
说 明 书
4/5页
S3中，非调制剂量可以计为，是放疗计划逆向优化中的初始剂量分布，该剂
作为初始值，通过逆向
量分布已对靶区、危及器官进行适形，放疗计划设计过程中使用优化过程不断迭代，最终得到满足临床治疗需求的剂量分布。
[0027]
实际应用时，放疗计划设计过程中使用作为初始值，通过逆向优化过程不断迭
代，最终得到满足临床治疗需求的剂量分布。因此剂量预测过程也可以理解为预测逆向优化最终可能得到的剂量分布情况。中，除开提供靶区、危及器官部分的初始剂量分布，还提供了X射线穿透区域的剂量信息，高效利用这些“全局”信息可有效提高模型的剂量预测效果。针对
的计算，可使用商业的计划系统，如RayStation，或开源的计划系统，根
的计算。
据患者的CT图像、靶区、危及器官、射束数量、射束角度完成
[0028]
需要指出的是，深度神经网络是一种具有强大学习能力的非线性模型，其借鉴了
大脑新皮层中生物神经网络的连接方式，对其中的神经元、突触连接和神经网络进行抽象建模，分别得到了可计算的神经元模型、连接权以及神经网络模型。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。[0029]接下来，从输入/输出部分、模型部分两个方面来说明本发明所提出的深度神经网络剂量预测模型，也即，构建的基于深度神经网络的剂量预测模型，包括输入/输出部分和模型部分；
输入/输出部分中：设x代表剂量预测任务的输入，y代表剂量标签， x包含4个部
分，即CT图像、靶区、危及器官和非调制剂量，各输入沿着通道维度进行堆叠，即
，其中
表示输入的危及器官，
表示输入的CT图像，
表示输入的靶区，
表示输入的非调制剂量，基于深度神经网络的剂量预测
模型即是一个非线性函数F，通过逐层地对输入数据进行变化，实现了输入x到输出y的映射F：x→y。
[0030]模型部分中：与分割任务类似，剂量预测任务要求输出各像元的连续剂量值，因此也可以理解为像素级的回归任务。本发明采用的是基于深度神经网络的剂量预测模型，共包括三个部分，分别是编码器、解码器，以及二者中间的跨层连接。编码器由卷积、池化等操作构成，用于从输入数据中提取具有平移不变性的抽象特征。解码器由卷积、上采样层构成，其目的在于将抽象特征恢复至原始输入的大小，并预测各像元的剂量值。跨层连接的引入让构建深度网络成为可能。[0031]通常，所述基于深度神经网络的剂量预测模型通过设置代价函数来度量模型的性能，所述代价函数表示为：
其中，a和y分别代表模型预测的剂量与标签剂量，H表示输入数据的高度、W表示输
入数据的宽度，表示一个新的特征提取网络，
表示用
网络提取模型预测的剂量
7
CN 112546463 A
说 明 书
表示用
5/5页
a的特征，网络提取标签剂量y的特征，以上公式由两项构成，第一项为均
第二项为感知损失项，该项引入了一方误差项，用于缩小预测剂量与标签剂量的欧式距离，个新的网络
，用于缩小预测剂量与标签剂量在另一种特征空间中的欧式距离，其中
为
标量，用于平衡均方误差项与感知损失函数项的权重，取常规的深度神经网络模型，取0至1之间的数值。
[0032]基于所述代价函数L（a，y），则求取其对于基于深度神经网络的剂量预测模型的权值θ的梯度，并利用梯度下降算法，迭代更新权值θ，不断减小目标函数值，从而找到一组最优的权值，梯度下降算法如下所示：
其中，为0‑1之间的标量，代表神经网络训练过程的学习率。
在训练阶段，由于采用了包含均方误差项与感知损失项的代价函数，其中感知损
因此，有助于提高模型的失项度量预测剂量与标签剂量在另一种特征空间中的欧式距离，
鲁棒性。
[0033]
8
CN 112546463 A
说 明 书 附 图
1/1页
图1
9
因篇幅问题不能全部显示，请点此查看更多更全内容