基于预测剂量分布引导的调强放疗计划优化方法及应用与流程

本发明涉及放射治疗计划技术领域，具体涉及一种基于预测剂量分布引导的调强放疗计划优化方法及应用。

背景技术：

适形调强放疗(intensitymodulatedradiationtherapy，imrt)是目前运用最广泛的肿瘤放射治疗技术，其可在靶区内部形成适形度较高和均匀性较好的剂量分布，同时减少危及器官和靶区周围正常组织的受照剂量，从而有效地增加肿瘤治疗的增益比。在imrt的计划设计中，由于理想的剂量目标或约束在计划设计前未知，计划设计者往往会依据当前基于群体统计的临床规范选定剂量目标或约束，再辅以本人的临床经验，利用人工试错(trialanderror)的方式反复调整该目标或约束并进行多次优化，直到得到满足剂量要求的计划方案为止。但受限于临床可投入资源和物理师的经验水平，计划设计的效率以及计划质量的一致性往往难以得到保证。

基于经验学习的智慧计划设计方法通过对大量先验计划进行智能学习，在此基础上构建质优计划的剂量学特性与患者个体化特性之间的关联模型，继而将该关联模型应用于新患者计划优化前的剂量学目标预测，有望实现计划设计的快速优化引导和个体化质量控制，进而有效提高临床计划的设计效率、同质化程度。当前研究工作多以预测计划的剂量体积直方图(dosevolumehistogram，dvh)或剂量学指征项为主，然而这些均为累积型数据，将其作为优化目标不利于实现对感兴趣区内剂量的体素级精细调整，使求解空间受限从而更高概率地产生次优甚至不可行计划解。

以三维剂量分布为预测对象并将其作为优化引导是解决上述问题的理想方案。2017年，宋婷等人在专利cn107441637a中，以危及器官体素为研究对象，采用神经网络方法并结合对射线角度、器官体积和器官间空间位置关系等影响因素的充分考虑，成功地构建了危及器官的三维剂量分布预测模型。但这种预测具有不确定性，该不确定性会对后续优化引导产生较大影响，如何合理有效地应用预测剂量分布信息是一个重点且是难点。2018年fan等人在“automatictreatmentplanningbasedonthree-dimensionaldosedistributionpredictedfromdeeplearningtechnique”中，以重现预测剂量分布为优化求解策略，以将其引入至目标函数中的方式引导计划优化，该种方法虽可得出可行计划，但其所得计划质量往往仅是接近于预测或原始计划，因此在一定程度上限制了最优化求解的空间。

因此，需要对现有技术进行改进，以提供基于预测剂量分布引导的调强放疗计划优化方法。

技术实现要素：

本发明的目的在于克服上述现有技术的缺陷，提供一种基于预测剂量分布引导的调强放疗计划优化方法及应用，实现对预测三维剂量分布的有效临床应用，并同时最大限度地改善优化输出计划质量，用于临床指导。

根据本发明的第一方面，提供了一种基于预测剂量分布引导的调强放疗计划优化方法。该方法包括以下步骤：

步骤s1：将患者的感兴趣区域的几何结构特征输入到经训练的神经网络模型，获得危及器官的三维剂量分布预测；

步骤s2：以所述三维剂量分布预测作为优化引导，以感兴趣区域内的体素作为优化约束，建立射野强度分布模型，其中，该射野强度分布模型的优化目标函数包括基于三维剂量分布预测的目标项和基于等效均匀剂量的目标项；

步骤s3：基于所述优化目标函数求解该射野强度分布模型的优化问题，获得调强放疗计划。

在一个实施例中，根据以下步骤获得危及器官的三维剂量分布预测：

收集有效的调强放疗计划数据形成病例数据库，其中，该病例数据库反映患者的解剖特征和剂量特征之间的关联性；

提取所述病例数据库中每个患者的解剖特征和对应的剂量特征；

搭建人工神经网络，输入患者的解剖特征和剂量特征，通过训练学习出解剖特征和剂量特征之间的映射关系，得到二者的关联模型，并使用所述关联模型预测新患者的三维剂量分布。

在一个实施例中，在步骤s2中，所述基于三维剂量分布预测的目标项与已获得的三维剂量分布预测以及患者的个体化的体素信息相关。

在一个实施例中，在步骤s2中，所述基于等效均匀剂量的目标项与患者的个体化的体素信息以及生物特性相关。

在一个实施例中，在步骤s2中，所述射野强度分布模型的优化过程还考虑计划靶区以及其周围组织的剂量要求并构建跌落剂量分布作为计划靶区周围组织的优化目标。

在一个实施例中，步骤s2包括以下子步骤：

运用剂量计算引擎生成剂量沉积矩阵w，以光子强度通量图x作为优化求解对象，得到d＝w·x，其中d表示计算剂量分布；

利用危及器官的三维剂量分布预测构建基于体素的优化目标函数；

在所述优化目标函数中，耦合危及器官的等效均匀剂量目标函数并设置剂量以及剂量-体积约束项，以及构造计划靶区周围指定距离内的组织结构对其给定跌落剂量分布目标；

将各目标函数加权构成总二次损失函数，并结合约束项来优化所述射野强度分布模型。

在一个实施例中，所述总二次损失函数表示为：

s.t.c(d(x))≤0,x≥0

其中：

d、di表示计算剂量分布，nv表示感兴趣区内体素的个数，d^pred.表示预测的剂量分布，r、x、d^low和d^high分别表示目标体素与靶区边缘的距离、最远距离、低剂量水平和高剂量水平，为处方剂量，wi、wi^geud、wj和wnt表示权重因子，c为剂量约束，noars和nptvs分别表示计划涉及危及器官数目和靶区的数目，α为生物特性参数。

根据本发明的第二方面，提供一种基于预测剂量分布引导的调强放疗计划优化方法的应用，其采用本发明提供的方法来获得调强放疗计划，进行调强放疗计划质量控制。

与现有技术相比，本发明的优点在于：利用预测三维剂量分布引导imrt计划优化，可实现个体性优化以及体素级的精准剂量优化；耦合等效均匀剂量目标以补偿较松的预测误差对其引导优化结果的影响，并同时提供更广阔的求解空间，保证计划最优化的前进方向；设置ptv的硬性约束以保障靶区剂量覆盖率以及均匀性，可在使用较紧预测目标作为优化引导的情况下，减轻预测误差对其优化结果的影响。本发明的优化方法在使用中无需二次人工调整，可显著减少人工试错的工作量。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1是根据本发明一个实施例的基于预测剂量分布引导的调强放疗计划优化方法的流程图；

图2是根据本发明一个实施例的基于预测剂量分布引导的调强放疗计划优化方法的过程示意图。

图3(a)至图3(h)是根据本发明一个实施例的8例宫颈癌患者的优化计划与原始计划的ptv、直肠和膀胱的dvh的对比图；

图4(a)至图4(b)是图3实施例中的1例宫颈癌患者的优化计划与原始计划的ptv、直肠和膀胱的横截面剂量分布的对比图。

具体实施方式

为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

在本文示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

根据本发明的一个实施例，提供一种基于预测剂量分布引导的调强放疗计划优化方法。简言之，在该实施例中，基于预测剂量分布和geud(广义等效均匀剂量)混合目标来优化调强放疗计划，即利用危及器官预测的三维剂量分布作为优化的初始化目标以快速引导个体化的可行计划，另外也同时耦合等效均匀剂量优化目标以弥补预测误差引导的优化差异，并同时保证计划质量的最优化空间。参见图1所示，该方法具体包括以下步骤：

步骤s110，将患者的感兴趣区域的几何结构特征输入到经训练的神经网络模型，获得危及器官的三维剂量分布预测。

在此步骤s110中，获取患者危及器官三维剂量分布的预测，例如，收集有效的调强放疗计划数据形成病例数据库，该病例数据库反映患者的解剖特征和剂量特征之间的关联性；提取病例数据库中每个患者的解剖特征，如包括ptv体积、小体素到ptv边界最小距离、小体素到各个危及器官边界的最小距离等；提取病例数据库中每个患者的剂量特征；搭建人工神经网络，输入患者的解剖特征和剂量特征，通过训练学习出解剖特征和剂量特征之间的映射关系，得到二者的关联模型；使用该关联模型预测新患者的三维剂量分布。具体的三维剂量预测过程可参见专利cn107441637a的描述。

在本发明中，几何解剖特征和三维剂量分布的关联模型可以是在服务器或云端已经离线训练好的神经网络模型。在另外的实施例中，也可采用其他现有的三维剂量预测方法获得危危及器官的三维剂量分布预测。

在此步骤中，患者个体化的剂量学预测目标是危及器官的三维剂量分布，该目标具有临床针对性且包含的剂量信息完善。

步骤s120，基于预测剂量分布和等效均匀剂量混合目标建立射野强度分布模型。

在此步骤s120中，基于预测剂量分布和geud混合目标建立fmo(射野强度分布)优化模型。

例如，以射野强度分布为优化参数，将所有感兴趣区域内体素纳入优化考虑对象，建立最小化所有考虑范围内体素的计算剂量与对应参考剂量间的平方差累加值的目标函数，其中，各危及器官的优化剂量目标为该器官的剂量分布预测以及等效均匀剂量目标；此外，也可进一步添加约束项保证靶区剂量的覆盖率和均匀性并令靶区外围指定距离内的组织服从一定的剂量跌落规则。从而构建最终的优化模型。

具体地，基于预测三维剂量分布和等效均匀剂量混合目标的fmo优化模型的建立包括以下步骤：

步骤s121，确定计划的射野个数及其角度，运用剂量计算引擎生成剂量沉积矩阵w并保存，以光子强度通量图x作为优化求解对象，利用d＝w·x(d表示计算剂量分布)将优化参数引入基于剂量的优化模型。

步骤s122，利用预测剂量分布作为优化引导。

利用危及器官的三维剂量分布预测构建基于体素的优化目标函数，以重现所预测的三维剂量分布为预测引导计划优化的最直观解决方案，最小化计算剂量分布与预测剂量分布之间的点对点平方差，使优化剂量分布趋近于预测剂量分布且实现对危及器官内剂量的空间雕刻。

步骤s123，耦合geud目标以弥补预测不确定性影响。

进一步地，在模型优化过程中，可添加危及器官的等效均匀剂量目标函数，将其参考剂量设置为0gy，该目标的梯度始终非负，可无限制地降低oar剂量，从而最大限度地提升计划质量，弥补预测局限性对优化造成的影响。

步骤s124，设置剂量以及剂量-体积约束项保证ptv的剂量覆盖率。

在此步骤s124中，设置剂量以及剂量-体积约束项保证ptv的剂量覆盖率，利用光滑的逻辑函数对约束函数进行近似处理以解决求解其函数梯度非连续的问题；并应用均匀处方剂量目标函数保障靶区内剂量均匀性；另外构造靶区周围指定距离内的组织结构对其给定跌落剂量分布目标，以对其剂量进行控制。

步骤s125，将各目标函数加权构成总二次损失函数，并结合约束函数构成新的优化模型。

在此实施例中，总二次损失函数(即总的优化目标函数)包括基于三维剂量分布预测的目标项(或称目标函数)、基于等效均匀剂量的目标项并可进一步包括基于ptv的均匀处方剂量的目标项和基于跌落剂量分布的目标项等，以及结合剂量以及剂量-体积约束项来保证靶区内部的剂量覆盖率。

应理解的是，在其他实施例中，总二次损失函数可仅包括上述各目标项中的一种或多种，而不必须包含所有的目标项。

步骤s130，设置优化模型相关参数并求解，获得最终的调强放疗优化计划。

例如，设定总二次损失函数中各相关目标项的权重并利用l-bfgs-sqp算法求解该最优化问题，利用sqp算法将该非线性约束优化问题转化为二次规划问题，其中的海森矩阵的近似求解采用l-bfgs算法，从而获得最终的优化计划。

实施例

在一个应用实例中，本发明提供的基于预测剂量分布引导的调强放疗计划优化方法包括以下过程，结合图1和图2所示：

第一步，预测患者危及器官的三维剂量分布。

选取imrt计划数据，构建患者体素剂量与其结合解剖结构的关联性模型，该模型以危及器官的体素为研究对象，提取其剂量作为输出剂量学特征，输入特征为体素到ptv边缘、ptv几何中心以及其他危及器官边缘的距离和体素对于ptv几何中心的三维角度和ptv体积等。从实验数据中随机选取80％计划数据作为模型构建的训练集，其余为测试集。并采用前馈反向传播神经网络的方法进行模型训练，神经网络包括1个输入层、3个隐藏层数和一个输出层，其中输入层、隐藏层和输出层分别有9、9和1个神经节点。在神经网络模型训练完成后，利用测试集即可得出新患者危及器官的三维剂量分布预测(在下文中用d^pred.表示剂量分布预测)。

第二步，建立基于预测剂量分布和geud混合目标的计划优化模型。

(2.1)、通过采用原始计划中的射野信息并使用美国华盛顿大学开发并公开的放疗研究软件cerr(computationalenvironmentforradiotherapyresearch)内置调强放疗计划设计板块imrtp(imrtplanning)中的象限无限束算法(qib)进行剂量计算后得出剂量沉积矩阵w。以光子强度通量图x作为求解对象，d＝w·x则表示计算剂量分布。

(2.2)、利用预测剂量分布作为优化引导：利用已获得的危及器官的预测三维剂量分布构建基于体素的优化目标函数，以重现所预测的三维剂量分布为预测引导计划优化的最直观解决方案，最小化计算剂量分布与预测剂量分布d^pred.之间的点对点差异，对感兴趣区内剂量进行空间雕刻，对应优化目标函数的表达式为：

式(1)中，d(或di)表示计算剂量分布，nv表示感兴趣区内体素的个数，d^pred.表示预测的剂量分布，该目标仅惩罚计算剂量在劣于预测剂量时，与预测剂量之间的剂量值差异。

(2.3)、耦合geud目标以弥补预测局限性：于危及器官的优化目标项中耦合等效均匀剂量目标，该目标的函数梯度始终非负，可无限制地降低oar(危及器官)剂量，从而最大限度地提升计划质量，弥补预测局限性对优化造成的影响。geud目标的函数表达式为：

式(2)中，α为生物特性参数，模型中将各危及器官的α均可设为2，旨在减少其区域内的高剂量体积以及减低其平均剂量。

(2.4)、设置ptv的均匀处方剂量目标并添加约束项。

可选地，设置ptv的均匀处方剂量目标函数，表示为：

其中，为处方剂量，以保证其剂量均匀性。

此外，添加剂量以及剂量-体积约束项保证靶区内部的剂量覆盖率，这2种约束函数均给予光滑正则化；另外，构造ptv边缘外扩xcm的环，记为(ptv+xcm)-ptv，在此实施例中，x设置为1，可依据临床需求选定。给定该环特定的参考剂量分布以保证靶区周围指定距离的剂量满足一定的跌落规律，其优化目标函数的形式与预测剂量分布目标函数相似，仅将其参考目标d^pred.换为跌落剂量分布d^fall-off，该d^fall-off根据跌落剂量分布函数得出，表示为：

式(4)中，r、x、d^low和d^high分别为目标体素与靶区边缘的距离、最远距离、低剂量水平和高剂量水平。

(2.5)、将各目标函数加权构成总二次损失函数f，并结合约束函数c构成新的优化模型，其数学表达式为：

s.t.c(d(x))≤0,x≥0(5)

式(5)中，noars和nptvs分别表示计划涉及危及器官数目和靶区的数目，nt则为正常组织(normaltissue)，本实施例中，设置为(ptv+1cm)-ptv；f为感兴趣区的基于参考剂量的优化目标函数，即f^oar为基于预测剂量分布的目标函数，f^ptv为基于均匀处方剂量的目标函数，f^nt为基于跌落剂量分布的目标函数；geud基于等效均匀剂量的目标函数；w(包括wi，wi^geud，wj和wnt)为相应目标函数的权重因子；c为剂量约束和剂量-体积约束函数。

第三步、设置优化模型相关参数并求解。

因预测剂量分布保留了器官间的权衡信息，将其作为引导可降低优化目标权重选择的敏感度，所以本实施例中的优化方法中无需复杂的权重调整过程，模型中f^oar、f^ptv以及f^nt的权重可分别设为1、0.5和0.2，geud的权重为6e-04。d^low根据x以及临床经验来选择，d^high设为处方剂量值。主要设置的约束目标有ptv的d99％、d97％、v99％、d1％、d10％和dmax以及(ptv+1cm)-ptv的dmax等，这些约束可根据具体的肿瘤病种的临床剂量治疗的要求来决定。最大优化次数设置为120，利用matlab平台中fmincon优化工具箱中l-bfgs-sqp算法求解最优化问题，以此得出最终计划。

相应地，本发明实施例还提供一种基于预测剂量分布引导的调强放疗计划优化系统，该系统包括：剂量预测模块，其用于将患者的感兴趣区域的几何结构特征输入到经训练的神经网络模型，获得危及器官的三维剂量分布预测；模型建立模块，其用于以所述三维剂量分布预测作为优化引导，以感兴趣区域内的体素作为优化约束，建立射野强度分布模型，其中，该射野强度分布模型的优化目标函数包括基于三维剂量分布预测的目标项和基于等效均匀剂量的目标项；模型求解模块，其用于根据所述优化目标函数求解该射野强调分布模型的优化问题，获得最终的调强放疗计划。本发明实施例提供的系统还可进一步实现上述的调强放疗计划优化方法的其他方面。

为了进一步验证技术效果，根据本发明实施例的基于预测三维剂量分布引导的调强放疗计划优化方法对8例宫颈癌imrt计划(处方剂量为45gy、分次治疗、1.8gy/次/日，5～5.5日/周)进行重新优化并将其与临床原始计划进行比较，其中8例宫颈癌患者的优化计划与原始临床计划的dvh曲线比较分别对应图3(a)至图3(h)所示，横坐标为剂量(或表示为dose)，纵坐标为相对体积(或表示为volume)，以图3(c)为例，b1对应计划靶区，b2对应膀胱的原始计划，b3对应膀胱的优化计划，b4对应直肠的优化计划，b5对应直肠的优化计划。第3例宫颈癌患者的不同计划的横截面剂量分布的对比结果如图4(a)至图4(b)所示，图4(a)是根据本发明实施例的优化计划，图4(b)是原始计划，由内向外依次对应：c1计划靶区，c2直肠，c3膀胱的截面剂量分布。将2种计划的8例宫颈癌患者剂量约束项的数据进行配对t检验(经检验相关数据分布符合正态分布)，结果如表1所示。

表1：8例宫颈癌患者不同计划的平均剂量学指征项比较

由上述效果对比图和表1的数据可知，本发明的优化方法相对于原始计划具有差异，经过实际检验，本发明的方法能够获得更精确的调强放疗计划，给出更准确的临床指示。

需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。