本发明涉及医学放射治疗技术领域，具体是指一种基于指征项预测的自动放疗计划质量评价方法。
背景技术：
目前临床上尚未存在一种科学有效的质量评估方法，主要通过放疗医生/物理师根据计划的剂量学表现来主观判断。放疗医生查看计划是否通过的最关键指标是剂量学指征项，该指征项通常体现为计划中不同器官的剂量-体积直方图(dvh)上的某些特殊点，而这些特殊点也是放疗物理师/剂量师进行剂量优化常常需要多次调整试探的位置，其值的高低直接影响了患者疗后的肿瘤控制率(tcp)和正常组织并发症概率(ntcp)。
近年来有不少研究团队致力于研究放疗计划的剂量学预测这一课题，并在此基础上提出了用于评估和控制放射治疗计划质量的方法与工具。2009年，wu等人收集并建立和一个患者高质量临床治疗计划数据库，对于一个计划质量待评估的新患者，通过搜索数据库并比较当前患者与数据库中患者的重叠体积直方图(ovh)以及对应计划的dvh，计划者人为判断当前患者计划是否还有进一步的改进空间。随后，2011年，zhu等人通过比较预测出的dvh以及当前计划中的dvh从而判定计划质量优劣。尽管靶区(ptv)与各个危及器官(oar)的dvh是当前临床用作表达患者计划质量的最常见方式，但研究表明与实际临床疗效相关的仅为dvh上的部分指征项，将整条dvh曲线信息加以利用，容易造成临床针对性难以充分体现的后果。
技术实现要素：
本发明的目的在于公开了一种基于指征项预测的自动放疗计划质量评价方法，以解决临床上放疗计划质量主观评价造成的效率不高、结果不确定性大等实际问题，同时也针对当前研究上存在的引入整条dvh曲线进行计划质量预测而带来的临床疗针对性不强的弊端。
为达到上述目的，本发明提供了一种放疗计划中预测剂量分布质量的量化机制，包括以下步骤：
(1)确定剂量学指征项(des)；
(2)收集放疗计划形成计划数据库，并构建从该数据库中自动学习出的各剂量学指征项与患者解剖结构特性间的关联模型，并得到该关联模型在各剂量学指征项的普遍拟合误差分布；
(3)计算每个剂量学指征项的误差均值μj和标准差σj,其中j表示第j个剂量学指征项；
(4)根据数理统计中的小概率事件发生原则，并根据评估人对误差的容忍度确定误差容忍范围kσj,从而设置置信区间[μj-kσj,μj+kσj]；
(5)对于数据库外的一个患者计划，根据第j个剂量学指征项误差值
(6)计算综合质量评分p＝∑jwjpj,其中wj是每个质量表现pj的权重；
(7)将综合质量评分p与已设定的阈值δ进行比较，当p≥δ时，认为该计划质量合格，否则认为计划质量不合格。
在本发明的技术方案中，所述步骤(1)中，剂量学指征项(des)选自放疗计划中的最大剂量、剂量均值、器官体积接受到的最大剂量(dx)、或接受剂量超过某值的器官体积百分比(vx)等。
在本发明的技术方案中，步骤(2)中，收集的放疗计划为临床中可实施于病人的放疗计划。
在本发明的技术方案中，所述步骤(2)中，构建关联模型可通过现有的方法获取，如机器学习方法。
在本发明的技术方案中，所述步骤(2)和(4)中，剂量学指征项普遍拟合误差分布的计算方法为
在本发明的技术方案中，所述步骤(4)中，k值控制误差容忍范围为2。
在本发明的技术方案中，所述步骤(5)中，质量表现pj的设定规则为：1)若
在本发明的技术方案中，所述步骤(6)中，权重系数wj满足∑jwj＝1。
在本发明的技术方案中，所述步骤(7)中，任意量化后的患者放疗计划综合质量评分p均属于范围[-1,1]。
在本发明的技术方案中，所述步骤(7)中，已设定的阈值δ为0本量化机制的工作原理为，使用现有的数据库设置感兴趣剂量学指征项的置信区间，并以此区间作为标准评价数据库外计划的质量。
本量化机制的工作原理为，使用现有的数据库设置感兴趣剂量学指征项的置信区间，并以此区间作为标准评价数据库外计划的质量。
有益效果
(1)对计划的质量进行量化，减少质量评价的主观性；
(2)具有较强的临床疗效导向性。
附图说明
图1是放疗计划中预测剂量分布质量量化机制的流程图。
图2是两个初始质量不合格计划与再优化后计划的dvhs比较图以及所提取的具体des项值的比较。其中，样本1与样本10初始质量不合格计划与再优化后计划的dvhs比较图(图a,c)以及所提取的具体des项值的比较(图b,d)。
具体实施方式
下面结合实施例对本发明的方法作进一步的详细说明，但本发明的适用肿瘤类型不局限于此，在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的范围内。
实施例1：
本实施例中的数据库存有50例临床高质量前列腺肿瘤患者vmat计划。首先，确定感兴趣的des为4个直肠的体积指征项v75gy、v70gy、v65gy、v60gy，以及4个膀胱的体积指征项v80gy、v75gy、v70gy、v65gy。
其次，通过一个线性模型及聚类集成算法计算出计量学指征项的预测模型，从而得到数据库中每个计划的各个des预测目标值。具体的预测方法参见song等人于2015年在physicsinmedicineandbiology刊物上发表的patient-specificdosimetricendpointsbasedtreatmentplanqualitycontrolinradiotherapy。在此基础上，本实施对数据库以外的计划质量进行量化。
接着，根据des预测目标值和从计划中提取的实际值，计算数据库中50例放疗计划每个des的拟合误差εij，并计算误差均值μj和标准差σj,其中i表示数据库中的第i个放疗计划，j表示第j个des；
然后，确定容忍系数k为2，则容忍范围为2σj,并设置置信区间为[μj-2σj,μj+2σj]，见图2；
最后，对于20例数据库之外的计划进行质量量化，步骤如下：
计算其des项误差值
表120例计划的质量评估结果表
从表中的pl值可知，有6例计划属于不合格的计划，本实施例对这些计划进行再优化。图2举例显示了样本1与样本10初始质量不合格计划与再优化后计划的dvhs比较图以及所提取的具体des项值的比较。(a)(c)中黑色实线和虚线分别表示该样本中直肠的原始dvh和再优化后的dvh，灰色实线和虚线分别表示膀胱的原始dvh和再优化后的dvh，黑色三角实线和虚线分别表示ptv的原始dvh和再优化后的dvh。(b)(d)为该样本相应的原计划、再优化及模型预测des项值的比较，“*”点为原始计划中的des值，“o”点为再优化后的des值，“△”为预测的des值。再优化过程中，将模型预测des项值作为新的计划优化调整目标。之后，提取再优化后的感兴趣des项，并进行计划质量评估，结果见下表：
表26例质量次优计划再优化后的质量评估结果表
在不损失其他des项的质量表现的前提下，几乎所有的质量表现值为-1的des项在进行了再优化后，都可升级为0，除了样本2的pl8项(膀胱v65gy)，该项的值由原来的0升级为了1。对计划综合质量评分而言，几乎所有的负评分均升级为了0，除了样本2，计划综合质量评分由负数变为了正数。因此，所有初始为质量不合格计划在进行了再计划后均变为了质量合格计划。这些结果充分地说明了本专利提出基于指征项预测的自动放疗计划质量评价方法可准确高效地评价计划的质量。