一种基于机器学习自动设计放射治疗方案的系统的制作方法

本发明涉及一种基于机器学习自动设计放射治疗方案的系统，该系统可以协助放疗物理师导入病人勾画的医学图像信息，自动完成放疗计划的设计。

背景技术：

放射治疗的目的是在保护危及器官的同时，给靶区即肿瘤组织致死剂量。为了实现这个目标需要制定最优的放疗方案即治疗计划。放疗物理师为了满足治疗的目标，借助商用放疗计划系统完成放射治疗计划的设计。

放疗方案的制定过程如下：首先放疗物理师根据经验选择射野方向、射野权重等射野参数，将医生预期期望的剂量要求输入到放疗计划系统中，利用放疗计划系统中的逆向优化技术或者凭经验确定每个射野的照射时间，射野形状及其它机器治疗参数，然后根据治疗计划系统计算出病人体内的剂量分布，并对计划进行评估。如果不满足要求，则需要调整治疗计划设计过程中的相应参数进行治疗过程的设计，模拟计划及计划评估等。反复进行，直到满足治疗要求。

整个治疗计划设计的过程繁琐耗时，而且不同的放疗物理师因经验不同制定的放疗计划也会不同，因此，为了保证治疗计划的质量，需要提供一种自动放疗计划设计的系统，从而将放疗物理师从繁琐重复性的工作中解放出来，提高工作效率。

技术实现要素：

本发明的目的在于提供一种基于机器学习自动设计放射治疗方案的系统，以实现治疗计划的自动设计。

为此，本发明提供了一种基于机器学习自动设计放射治疗方案的系统，其特征在于，包括输入单元、射野参数预测单元、优化目标及约束条件预测单元、逆向计划优化单元，其中所述输入单元用于获取病人原始图像及分割后的感兴趣区域信息，感兴趣区域包括肿瘤靶区、危及器官及医生勾画的其它感兴趣的区域；所述射野参数预测单元用于构建基于神经网络的学习模型，该学习模型用于根据输入单元导入的数据预测出射野方向，并且根据射野方向计算出射野参数中的射野大小和射野形状；所述优化目标及约束条件预测单元用于构建基于神经网络的剂量分布预测模型，并且将所述剂量分布预测模型预测的期望剂量分布自动转化成逆向优化需要的目标函数及约束条件；以及逆向计划优化单元用于根据优化目标及约束条件预测单元提供的目标函数、约束设置和所述射野参数预测单元提供的射野参数采用优化方法优化得到每个射野方向对应的子野及其权重，完成计划设计。

根据本发明的系统，整个计划设计过程不需要放疗物理师手动进行射野参数设置及目标函数的设置。放疗物理师只需要通过本发明导入病人的数据后，对输出的治疗计划进行评估即可，实现了计划的自动设计，可以大幅减轻计划设计者的工作量，提高工作效率。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，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是根据本发明的基于机器学习自动设计放射治疗方案的系统的结构示意图；

图2是根据本发明的射野参数预测单元的结构示意图；

图3是根据本发明的用于预测射野参数的神经网络学习模型的结构示意图；以及

图4是根据本发明的基于神经网络的剂量分布预测模型的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

图1至图4示出了根据本发明的一些实施例。

如图1所示，本系统包括输入单元100、射野参数预测单元200、优化目标及约束条件预测单元300、以及逆向计划优化单元400。

输入单元100适用于获取病人原始图像及分割后的感兴趣区域信息，感兴趣区域包括肿瘤靶区、危及器官及医生勾画的其它感兴趣的区域。

射野参数预测单元200用于构建基于神经网络的学习模型，并且根据输入单元导入的数据自动预测出当前病人最优化的射野参数，该射野参数包括射野方向、射野对应坞门大小、以及射野形状。

优化目标及约束条件预测单元300用于构建基于神经网络的剂量分布预测模型，并可以将该预测模型预测的期望剂量分布自动转化成逆向优化需要的目标函数及约束条件。

逆向计划优化单元400用于根据逆向计划优化的目标函数、约束条件和射野参数采用优化方法优化得到每个射野方向对应的子野及其权重，从而完成计划设计。

本系统导入病人原始图像及分割后的解剖结构信息，基于病人原始图像及分割后的解剖结构采用学习模型预测计划设计需要的射野参数；采用学习模型预测病人可以达到的最优剂量分布，并将最优剂量分布转化为逆向优化的目标函数及约束条件；最后根据优化的目标函数、约束条件和射野参数采用优化方法优化得到每个射野方向对应的子野及其权重，从而完成计划设计。

如图2所示，射野参数预测单元包括输入模块10、处理模块20、学习模块30、以及输出模块40。

输入模块10用于从输入单元100中按照放射治疗数据传输标准导入研究对象原始ct图像信息及分割后的肿瘤靶区、危及器官信息。

处理模块20用于通过处理输入模块获取的信息提取出学习模型需要的输入特征；以及根据学习模型预测得到的射野角度计算出每个射野角度照射需要的坞门大小，射野形状。

学习模块30用于构建基于神经网络的学习模型并通过学习大量的临床病例训练得到该学习模型中的各参数，根据输入特征预测各射野角度的数值。

输出模块40用于将所有射野角度、各射野角度对应的钨门大小和射野形状输出给商用计划系统。

如图3所示，处理模块20构建的基于神经网络的学习模型如下：

首先确定神经网络输入层的输入向量为：肿瘤靶区体积v，各危及器官中心与靶区中心连线在治疗坐标系下的角度，各危及器官以靶区中心为中心在治疗坐标系的最大角、最小角，各危及器官到肿瘤靶区的最大距离，最小距离。

比如，针对前列腺病例，勾画的靶区(ptv)，危及器官有直肠、膀胱、左右股骨头。则输入的向量为：ptv的体积，直肠中心与ptv中心连线在治疗坐标系的角度，直肠外轮廓与ptv中心的最大角、最小角，直肠到ptv的最大距离、最小距离，膀胱中心与ptv中心连线在治疗坐标系的角度，膀胱外轮廓与ptv中心的最大角、最小角，膀胱到靶区的最大距离、最小距离，左股骨头中心与ptv中心连线在治疗坐标系的角度，左股骨头外轮廓与ptv中心的最大角、最小角，左股骨头到ptv的最大距离、最小距离，右股骨头中心与ptv中心连线在治疗坐标系的角度，右股骨头外轮廓与ptv中心的最大角、最小角，右股骨头到ptv的最大距离、最小距离。

然后确定神经网络的输出层为针对该研究对象放射治疗需要选择的射野方向即射野角度，由于神经网络的输出层信息要确定，而针对每个病例角度个数不一样，因此神经网络的输出选择9个角度(临床采用固定角度一般不超过9)。

随后确定神经网络的隐藏层个数及每层的神经元个数，比如隐藏层个数为1，神经元个数为10，选择传递函数为sigmoid函数，则网络模型确定。

最后将收集到的样本病例按照比例分为训练样本集，测试样本集(比如90％为训练样本集，10％为测试样本集)，提取样样本的输入特征及输出信息(射野角度)，尝试选择不同的训练算法levenberg-marquardt/bayesianregularization/scaledconjugategradient等进行训练所建立的网络模型，反复训练直到精度在90％以上，则模型训练完毕、保存模型参数得到当前最优的学习模型，否则改变神经网络的隐藏层个数和每层的神经元个数，改变传递函数直到找到满足要求的模型。

如图4所示，构建的基于神经网络的剂量分布预测模型如下：

首先提取影响剂量分布的关键参数作为预测模型的输入特征，包括每个要预测点距离靶区的最大距离和最小距离，距离各危及器官的距离，预测点被照射野覆盖的个数，预测点与等中心点的相对位置关系，预测点在原始图像中的位置；

然后将提取的关键参数作为神经网络的输入层，输出层为每个预测点的剂量值，中间隐藏层为单层或多层，每层神经元的个数根据验证样本集的大小进行调整优化，直到针对测试样本集的预测精度达到最优。

其中，预测点被照射野覆盖的个数根据射野方向和射野形状信息来计算得到。

比如针对前列腺病例，影响剂量分布的感兴趣区域主要包括肿瘤靶区ptv、直肠、膀胱、左右股骨头，将预测的点用变量voxel代表。因此针对前列腺病例神经网络的输入为voxel到ptv的距离rptv、到直肠的距离rrectum、到膀胱的距离rbladder、到左右股骨头的距离rfemheadl、rfemheadr，该病例ptv的体积vptv及该点被覆盖照射的射野个数nbeam；而神经网络的输出即为该点的剂量值即dosevoxel。因此构建的网络模型的结构大致如图2所示。随后确定神经网络的隐藏层个数及每层的神经元个数，比如隐藏层个数为1，神经元个数为10，选择传递函数为sigmoid函数，则网络模型确定。

最后将收集到的样本病例按照比例分为训练样本集，测试样本集(比如90％为训练样本集，10％为测试样本集)，提取样本的输入特征及输出信息尝试选择不同的训练算法levenberg-marquardt/bayesianregularization/scaledconjugategradient等进行训练所建立的网络模型，反复训练直到精度在93％以上即预测的剂量值与测试样本的实际值的相对误差，则模型训练完毕、保存模型参数得到当前最优的学习模型，否则改变神经网络的隐藏层个数和每层的神经元个数，改变传递函数直到找到满足要求的模型。

为解决传统剂量或剂量-体积约束设置要求优化得到的结果，可能出现剂量分布不满足临床要求的情况，在传统的剂量及剂量体积约束基础上，利用预测的剂量分布，提取关键等剂量线包围信息，将等剂量线的吻合程度作为目标分项。将预测的期望剂量分布自动转化成优化的目标函数及约束条件，具体如下：

上式(1)中第一个式子为优化的目标函数，优化的目标是使该目标函数值最小。fptv(x^k)为靶区对目标函数的贡献，为第j个危及器官对目标函数的贡献，fdoseline(x^k)是靶区等剂量线吻合程度的贡献，比如90％等剂量线吻合程度的计算方式为统计90％以上剂量的体积与预测得到的体积计算dice值，dice值的计算采用图像处理中常用的评价两个图像相似度的计算方式。

wptv和分别是靶区和第j个危及器官的权重归一化因子，wdoseline是等剂量线的权重归一化因子。

上述(2)和(3)为优化的约束条件。

上式(2)中di是通过(3)式计算出来的第i个计算采样点的剂量，di是第i个关注等剂量线期望的dice值；dptv是靶区的预测得到的期望剂量，是第j个危及器官的预测得到的剂量限值，nptv和分别为靶区和第j个危及器官的计算采样点数，noar是优化中考虑的危及器官的个数。

上式(3)中，naper为子野的总个数，aim为单位强度的第m个子野对第i个采样点的剂量贡献，此时，xm^k为待优化的各子野的mu值(该mu值大，则投放剂量大)，aim为第m个子野对第i个采样点的剂量影响，采用剂量计算方法计算得到。

在逆向计划优化单元中，所采用的优化方法例如为共轭梯度法，该法方法通过迭代计算逐渐逼近得到优化问题的最优值，每次迭代的方向为当前解的共轭方向。

下面针对一个具体的病例来说明本发明的整体的工作流程。

针对一个新的临床病例，将病人原始图像及分割后的感兴趣区域信息导入本发明的输入单元，本发明将根据输入的信息自动完成射野参数的预测和优化目标及约束条件的预测，然后将这些预测的结果输出给逆向计划优化模块，自动完成放疗计划的优化，从而得到适合病人的放疗治疗方案。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。