基于深度学习的放射治疗系统及方法与流程

本发明属于肿瘤放射治疗技术领域，涉及到一种自动生成肿瘤放射治疗计划的方法，具体的说是一种基于深度学习的放射治疗系统及方法。

背景技术：

深度学习是通过建立多层神经网络，模仿人脑的学习机制，在数据的培训下达到能够自动处理数据，辅助或取代人来完成高强度人机互动的任务。目前深度学习的应用领域主要在图像识别处理、语音技术、无人驾驶等方面，还没有在放射治疗上应用。

放射治疗计划是根据患者的临床特点、三维/四维医学影像断层扫描成像、以及不同的放射线设备等对患者制定详细的治疗方案(包括靶区、危及器官、辐射剂量、射线能量和大小、入射角度和时间等)。早期的放疗计划是一种“手工规划”过程，随着计算机应用于规划过程，剂量分布计算工作由计算机完成，而计划者负责选择自由参数。这是一个反复的试错过程，在找到合适的方案之前要一直进行下去。这种半手工方式的局限也是很明显的。更为合理的计划思想应该是：从治疗专家制定的剂量处方出发寻找最佳的参数配置，而上述做法只能找到一个可行方案，没有优化过程。在放射治疗中所用的优化方法大致可分为线性规划法和非线性规划法。在线性规划法中，常用的有单纯形法。而非线性规划法中，常用的有均方优化法、梯度投影法、有约束模拟退火法等。(中国生物医学工程学报第21卷第4期放射治疗计划的神经网络优化算法)

中国专利“cn102184330a-一种基于影像特征和智能回归模型的优化调强放疗计划的方法”提供了一种基于影像特征和智能回归模型的优化调强放疗计划的方法，首先建立专家级调强放疗计划的数据库，在该数据库里保存每一个调强放疗病例的记录；然后根据专家级调强放疗计划的数据库里的已有的医学影像特征与调强放疗计划优化参数之间的关联信息，通过有监督机器学习建立基于医学影像特征的调强放疗计划优化参数的智能回归模型；对特定调强放疗对象的医学影像进行图像分析，并且进行特征提取；将图像特征输入智能回归模型，输出调强放疗计划优化参数；根据以上结果在治疗计划系统(tps)上设定调强放疗计划优化参数，运行tps的计划优化功能，得到放疗的最优治疗计划。

目前医院采用的放疗计划软件需要放疗专家与医学物理师共同操作，反复调参修正，需要耗费大量人力，对操作人员的专业要求较高。

中国专利“cn102184330a-一种基于影像特征和智能回归模型的优化调强放疗计划的方法”未涉及本文关键的深度学习技术，不能对已有数据库进行最大智能化利用，所需人力较多；该方法只能优化放疗计划的参数，不能实现完整放疗计划的设计。

技术实现要素：

为了克服现有技术存在的不足之处，本发明提供一种基于深度学习的放射治疗系统及方法，利用深度学习技术自动生成放射治疗计划，以期能够快速实现肿瘤患者的个性化放疗方案，提高肿瘤患者的生存率。

本发明的目的可以通过以下技术方案实现：

基于深度学习的放射治疗系统，包括：医疗案例数据库模块、影像数据处理模块、放疗数据处理模块、深度卷积神经网络模块、放疗方案生成模块；

所述医疗案例数据库模块：存储病人的医学影像数据和放射治疗数据，上述存储的信息作为深度卷积神经网络的训练集；

所述影像数据处理模块：读取病人的医学影像数据，并执行相应的预处理操作，然后将预处理后的图像信息发送到深度卷积神经网络模块；

所述放疗数据处理模块：读取病人的部分放疗数据，并执行相应的向量化操作，然后将处理后的数值信息发送到深度卷积神经网络模块；

所述深度卷积神经网络模块：接收来自影像数据处理模块和放疗数据处理模块的数据资料，并将其输入神经网络，经过神经网络计算，输出剩余的放疗数据参数；

所述放疗方案生成模块：接收影像数据处理模块，放疗数据处理模块和深度卷积神经网络模块的数据资料，然后将其输入tps系统，计算患者的剂量分布，并给医生呈现出最终的放射治疗计划方案。

所述的医疗案例数据库模块，包含两部分内容：

一是病人的影像数据，包括ct影像数据和mri影像数据；

二是病人的放疗数据，包括放射治疗仪器的参数，治疗床的位置和角度，病人肿瘤的位置坐标、大小，靶区及危及器官的剂量限制，治疗方式，放射源能量，射野数量，射线类型，射线的角度和权重。其中一部分参数作为神经网络的输入，另一部分参数作为神经网络的标签。

所述的影像数据处理模块对输入的病人影像进行3维重采样，处理后的一个病人切片数量为n，像素大小为h*w。

所述的放疗数据处理模块将医生输入的部分放疗数据转换为一个s维的向量，作为放疗特征参数。

所述的深度神经网络在训练时采用的是监督式学习方式，通过求一个正则化了的代价函数的最小值而给出最优解，在训练过程中，采用误差反向传播和梯度下降方法调整网络参数，整个卷积神经网络的作用可以用一个函数关系式表示：y＝h(x)

其中x表示输入的病人影像数据和部分放疗数据，y表示剩余的放疗数据参数，h函数表示深度卷积神经网络。

所述的放疗方案生成模块能自动接收影像数据处理模块，放疗数据处理模块和深度卷积神经网络模块的数据资料，然后将其输入tps系统，计算患者的剂量分布，从而获得一套放疗计划方案。

一种基于深度学习的放射治疗方法，包括以下步骤：

步骤1：建立医疗案例数据库，为深度卷积神经网络提供足够的训练数据；

步骤2：训练深度卷积神经网络，采用监督式学习方式，通过求一个代价函数的最小值而给出最优解；

步骤3：选择病人的医学文件，导入放射治疗系统，并输入与该病人相关的部分放疗数据，影像数据处理模块会自动读取病人医学影像信息，并对图像进行预处理，放疗数据处理模块会自动读取输入的病人部分放疗参数信息，得到相应的放疗特征参数；

步骤4：深度卷积神经网络模块接收病人影像与放疗特征参数，通过已经建立好的深度神经网络输出该病人剩余的放疗特征数据；

步骤5：放疗方案生成模块接收影像数据和全部放疗参数，优化计算得到病人受照射器官的剂量分布信息，从而获得一套放疗计划方案。

步骤6：医生审核该放疗计划方案，若审核通过，实施该放疗计划方案，并将该病人放疗计划方案加入医疗案例数据库；若审核不通过，调整输入的部分放疗参数，重新计算。

与已有技术相比，本发明的有益效果体现在：

本发明实现了一种利用深度学习技术的放射治疗系统，是将深度学习应用到放疗计划设计上的一次突破性尝试，不仅利用了病人的影像信息，还结合了病人的部分放疗参数信息，学习的特征更加多样化，通过学习已有病人的放射治疗计划，能够让计算机为新的病人直接生成放疗计划参数，大大节省了反复调试放射治疗参数的时间，降低了劳动强度以及对操作人员的专业水平要求，同时提高了医院放射治疗计划的质量；

本发明开发的影像数据处理模块和放疗数据处理模块，将病人影像信息和部分放疗参数信息结合起来，实现了对已有数据的最大智能化利用；

本发明开发的深度神经网络模块，利用了深度学习技术，能够从病人的影像和部分放疗参数信息中学习到如何设定放射治疗计划中的其它放疗参数，改变了传统放射治疗计划设计过程中医生手动调试参数的方式，极大的提高了放疗医生的效率；

本发明开发的医疗案例数据库模块，实现了数据库的不断扩充，每诊断一个病人，便会将病人信息及治疗计划自动加入到数据库中，数据集会不断增大，每增加一定数量病人信息，深度卷积神经网络会再次进行训练，这样不断提高软件性能，从而生成更好的治疗计划，形成一个良性循环。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明基于深度学习的放射治疗系统的数据流图；

图2为本发明基于深度学习的放射治疗方法的流程图。

具体实施方式

如图1所示，一种基于深度学习的放射治疗系统，包括：医疗案例数据库模块、影像数据处理模块、放疗数据处理模块、深度卷积神经网络模块、放疗方案生成模块；

医疗案例数据库模块：存储病人的医学影像数据和放射治疗数据，上述存储的信息作为深度卷积神经网络的训练集；

影像数据处理模块：读取病人的医学影像数据，并执行相应的预处理操作，然后将预处理后的图像信息发送到深度卷积神经网络模块；

放疗数据处理模块：读取病人的部分放疗数据，并执行相应的向量化操作，然后将处理后的数值信息发送到深度卷积神经网络模块；

深度卷积神经网络模块：接收来自影像数据处理模块和放疗数据处理模块的数据资料，并将其输入神经网络，经过神经网络计算，输出剩余的放疗数据参数；

放疗方案生成模块：接收影像数据处理模块，放疗数据处理模块和深度卷积神经网络模块的数据资料，然后将其输入tps系统，计算患者的剂量分布，并给医生呈现出最终的放射治疗计划方案。

所述的医疗案例数据库模块，包含两部分内容：

一是病人的影像数据，每个病人的ct影像切片数量为n(比如128，或其他由设计者规定的数值)，像素矩阵大小为h*w(比如256*256，或其他由设计者规定的数值)；

二是病人的放疗数据，其中放射治疗仪器的参数，治疗床的位置和角度，病人肿瘤的位置坐标、大小，以及靶区及危及器官的剂量限制作为神经网络的输入，将其数值信息按照统一格式存储为一个s(比如64，或其他由设计者规定的数值)维的向量；其余放疗参数如放射源能量，射野数量，射线类型，射线的角度和权重，治疗方式作为神经网络的标签，将其数值信息按照统一格式存储为一个t维(比如96，或其他由设计者规定的数值)的向量。

所述的影像数据处理模块会对输入的病人影像进行3维重采样，处理后的一个病人切片数量为n(比如128，或其他由设计者规定的数值)，像素大小为h*w(比如256*256，或其他由设计者规定的数值)，

所述的放疗数据处理模块能将医生输入的机器参数，治疗床位置和角度，补充的病人肿瘤的位置和大小，以及给定的靶区和危及器官剂量限制要求信息转换为一个s(比如64，或其他由设计者规定的数值)维的向量。

所述的深度卷积神经网络模块包含一个3d卷积神经网络，共分为x层(比如10层，或其他由设计者规定的数值)，以下是一个10层神经网络的优选实例：

●第一层由三个小层构成：

1)3d卷积层

2)relu激活层

3)3d最大池化层

●第二层结构同第一层

●第三层由两个小层构成：

1)3d卷积层

2)relu激活层

●第四层结构同第一层

●第五层结构同第三层

●第六层结构同第一层

●第七层结构同第一层

●第八层由三个小层构成：

1)全连接层

2)relu激活层

3)drop层

●第九层由三个小层构成：

1)融合层

2)全连接层

3)drop层

●第十层由一个全连接层构成，设置神经节点数为t，作为输出层，输出剩余放疗参数。

所述的深度卷积神经网络在训练时采用的是监督式学习方式，通过求一个正则化了的代价函数的最小值而给出最优解，在训练过程中，采用误差反向传播和梯度下降方法调整网络参数，整个卷积神经网络的作用可以用一个函数关系式表示：y＝h(x)

其中x表示输入的病人影像数据和部分放疗数据，y表示剩余的放疗数据参数，h函数表示深度卷积神经网络。

所述的放疗方案生成模块能自动接收影像数据处理模块，放疗数据处理模块和深度卷积神经网络模块的数据资料，然后将其输入tps系统，计算患者的剂量分布，从而获得一套放疗计划方案。

本发明的一种基于深度学习的放射治疗方法，包括以下步骤：

步骤1：建立医疗案例数据库，为深度卷积神经网络提供足够的训练数据，由于神经网络对数据格式有统一的要求，我们要对病人的患病信息和医生的治疗信息进行统一处理并加以存储，数据库主要包含以下两部分内容：

一是病人的影像数据，每个病人的ct影像切片数量为n(比如128，或其他由设计者规定的数值)，像素矩阵大小为h*w(比如256*256，或其他由设计者规定的数值)；

二是病人的放疗数据，其中放射治疗仪器的参数，治疗床的位置和角度，病人肿瘤的位置坐标、大小，以及靶区及危及器官的剂量限制作为神经网络的输入，将其数值信息按照统一格式存储为一个s(比如64，或其他由设计者规定的数值)维的向量；其余放疗参数如放射源能量，射野数量，射线类型，射线的角度和权重，治疗方式作为神经网络的标签，将其数值信息按照统一格式存储为一个t维(比如96，或其他由设计者规定的数值)的向量；

步骤2：训练深度卷积神经网络，采用监督式学习方式，通过求一个代价函数的最小值而给出最优解，为了防止过拟合，所述的代价函数是正则化了的代价函数，公式如下：

其中x表示输入的病人影像和部分放疗信息,θ则为深度卷积神经网络的各层参数，在训练过程中，根据误差反向传播，采用梯度下降方法调整网络参数，其公式如下：

当神经网络收敛或达最高迭代次数时，训练停止，此时，神经网络的训练完成，整个卷积神经网络的作用可以用一个函数关系式表示：y＝h(x)，其中x表示输入的病人影像数据和部分放疗数据，y表示剩余的放疗数据参数，h函数表示深度卷积神经网络；

步骤3：选择一个病人的医学文件，如dicom文件，导入该软件，并输入放射治疗仪器的参数，治疗床的位置和角度，病人肿瘤的位置坐标、大小，靶区及危及器官的剂量限制。影像数据处理模块会自动读取医学影像信息，并对图像进行3维重采样，统一为n*h*w(如128*256*256,或其他由设计者规定的数值)的指定格式，放疗数据处理模块会自动读取输入的放疗数据信息，并将其数值信息按照统一格式存储为一个s(比如64，或其他由设计者规定的数值)维的向量；

步骤4：深度卷积神经网络模块接收病人影像与放疗特征参数，通过已经建立好的深度神经网络输出该病人剩余的放疗特征数据；

步骤5：放疗方案生成模块接收影像数据和全部放疗参数，优化计算得到病人受照射器官的剂量分布信息，从而获得一套放疗计划方案。

步骤6：医生审核该放疗计划方案，若审核通过，实施该放疗计划方案，并将该病人放疗计划方案加入医疗案例数据库；若审核不通过，调整输入的部分放疗参数，重新计算。

本发明能结合病人的影像信息和放疗参数信息，学习已有病人的放射治疗计划，从而为新的病人直接生成放疗参数，大大节省了医生反复调试放疗参数的时间，降低了劳动强度以及对操作人员的专业水平要求，同时提高了医院放射治疗计划的质量，为病人提供了更高的生存保障。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。