一种预测放疗计划剂量分布的方法、装置、设备及存储介质与流程

本发明涉及医学设备中的放射治疗设备及方法领域，特别涉及一种预测放疗计划剂量分布的方法、装置、设备及存储介质。

背景技术：

放射治疗与手术、化疗是肿瘤治疗的三大手段，其中，对于放射治疗来说，放射治疗计划系统是其重要组成部分。制定放射治疗计划的目的是尽可能地使靶区接受到高剂量照射，与此同时周围正常组织所受影响最小。靶区亏量、正常器官剂量过高，都可能使得肿瘤局部未控、正常器官功能损伤或丧失。

现有的放射治疗系统，需要通过输入患者的ct影像数据，使用放射治疗计划系统来设计出可用于直线加速器的治疗方案。完成一个放射治疗计划通常包括靶区及危及器官的勾画、计划布野、逆向计划条件设置及优化、剂量计算和计划验证等关键步骤。国外已有多项研究表明，同一病例在不同医院由不同物理师进行计划设计，计划质量差异很大。放疗医师和物理师根据一个基于人群和治疗部位的标准(如：rtog、quantec等)，进行计划设计，并根据这一统一的标准评价靶区及正常组织的剂量是否符合规程要求，进而判断治疗计划质量是否合格。然而，对于同一临床分期的不同患者，由于体型因人而异，肿瘤及正常器官的解剖关系相同，因此依据基于人群剂量限值的计划设计及质量评估方式，很难完成个体最优的放疗计划治疗，尤其是医疗水平相对薄弱的单位。我国城乡之间医疗水平差距大已是不争的事实，这种差距将可能影响患者放射治疗计划的最优化，影响患者预后及导致治疗负反应的发生，不能有效地减少患者病痛，同时给患者和国家带来不必要的经济负担。

技术实现要素：

本发明实施例提供的一种预测放疗计划剂量分布的方法、装置、设备及存储介质，解决精准放疗中放量计划质量差异大的问题。

本发明实施例提供的一种预测放疗计划剂量分布的方法，包括：

对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据；

对在所述专家计划数据库中的精细剂量分布图进行压缩，得到用于模型训练的压缩剂量分布图；

根据所述用于模型训练的结构影像数据和所述用于模型训练的压缩剂量分布图，对用于预测放疗计划剂量分布的剂量预测模型进行基于深度学习的训练，得到已训练的基于深度学习的剂量预测模型；

对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据；

根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述新患者进行放疗的压缩剂量分布图；

将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果。

优选地，所述对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据包括：

为每个轮廓对应的结构分配灰度值作为每个所述结构的轮廓标签；

在所述专家计划数据库的医学影像中确定相互重叠的结构，并将重叠的结构的灰度值之和作为结构重叠部分的重叠标签；

在所述专家计划数据库的医学影像中，对位置信息进行定义，分别标注射野内和射野外结构，并且标注正常组织内每个体素到靶区的最小距离，生成位置标签；

根据每个所述结构的轮廓标签、所述结构重叠部分的重叠标签和所述位置标签，得到所述用于模型训练的结构影像数据。

优选地，在得到已训练的基于深度学习的剂量预测模型之后，还包括对所述已训练的基于深度学习的剂量预测模型的验证步骤包括：

利用三维剂量评价算法和在所述专家计划数据库中的用于模型验证的精细剂量分布图，确定利用所述已训练的基于深度学习的剂量预测模型及平滑处理算法，得到的精细剂量分布图是否达到标准；

若达到标准，则确定所述已训练的基于深度学习的剂量预测模型通过验证。

优选地，所述对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据包括：

为每个轮廓对应的结构分配灰度值作为每个所述结构的轮廓标签；

在所述新患者肿瘤医学影像中确定相互重叠的结构，并将重叠的结构的灰度值之和作为结构重叠部分的重叠标签；

在所述新患者肿瘤医学影像中，对位置信息进行定义，分别标注射野内和射野外结构，并且标注正常组织内每个体素到靶区的最小距离，生成位置标签；

根据每个所述结构的轮廓标签、结构重叠部分的重叠标签和所述位置标签，得到所述新患者的结构影像数据。

优选地，所述根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述患者进行放疗的压缩剂量分布图包括：

将所述新患者的结构影像数据输入至所述基于深度学习的剂量预测模型，得到所述压缩剂量分布图。

优选地，所述将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果包括：

利用平滑处理算法，对所述压缩剂量分布图进行平滑处理，得到精细剂量分布图作为剂量分布预测结果。

优选地，在将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果后，还包括：

根据所述新患者的剂量分布预测结果，得到所述新患者的每个所述结构的放疗剂量参数指标作为优化放疗计划剂量分布的逆向优化条件初始值；

将所述逆向优化条件初始值映射至放疗计划系统，以供所述放疗计划系统根据所述逆向优化条件初始值，确定新的剂量分布结果；

利用所述剂量分布预测结果和所述新的剂量分布结果，优化对所述新患者的放疗剂量。

优选地，在得到已训练的剂量预测模型之后，还包括对所述已训练的剂量预测模型的验证步骤包括：

利用三维剂量评价算法和在所述专家计划数据库中的用于模型验证的精细剂量分布图，确定利用所述已训练的剂量预测模型得到的精细剂量分布图是否达到标准；

若达到标准，则确定所述已训练的剂量预测模型通过验证。

本发明实施例提供的一种预测放疗计划剂量分布的装置，包括：

训练数据预处理模块，用于对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据；

训练数据压缩模块，用于对在所述专家计划数据库中的精细剂量分布图进行压缩，得到用于模型训练的压缩剂量分布图；

预测模型训练模块，用于根据所述用于模型训练的结构影像数据和所述用于模型训练的压缩剂量分布图，对用于预测放疗计划剂量分布的剂量预测模型进行基于深度学习的训练，得到已训练的基于深度学习的剂量预测模型；

患者数据预处理模块，用于对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据；

患者放疗剂量预测模块，用于根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述新患者进行放疗的压缩剂量分布图；

患者放疗剂量还原模块，用于将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果。

本发明实施例提供的一种预测放疗计划剂量分布的设备，包括：处理器，以及与所述处理器耦接的存储器；所述存储器上存储有可在所述处理器上运行的预测放疗计划剂量分布的程序，所述预测放疗计划剂量分布的程序被所述处理器执行时实现上述的预测放疗计划剂量分布的方法的步骤。

根据本发明实施例提供的一种计算机存储介质，其上存储有预测放疗计划剂量分布的程序，所述预测放疗计划剂量分布的程序被处理器执行时实现上述的预测放疗计划剂量分布的方法的步骤。

本发明实施例提供的技术方案具有如下有益效果：

本发明实施例通过机器学习，得到已训练的基于深度学习的剂量预测模型，并利用已训练的基于深度学习的剂量预测模型实现精准放疗，降低放量计划质量差异，也就是说，本发明实施例将先进的放疗经验，通过机器学习的方式快速且广泛地传递给有需要的地方。

附图说明

图1是本发明实施例提供的预测放疗计划剂量分布的流程图；

图2是本发明实施例提供的预测放疗计划剂量分布的装置框图；

图3是本发明实施例提供的基于深度学习三维剂量预测的自动放疗计划设计装置的构成图；

图4是本发明实施例提供的基于深度学习三维剂量预测的自动放疗计划设计装置的流程图；

图5是本发明实施例提供的剂量分布和计划条件参数映射流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1是本发明实施例提供的预测放疗计划剂量分布的流程图，如图1所示，对于每个新病例，预测放疗计划剂量分布的步骤包括：

步骤s101：对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据。

针对专家计划数据库中的用于模型训练的医学影像，例如ct影像、磁共振影像和pet-ct等，在医学影像上进行靶区及危及器官勾画，得到靶区及危及器官的轮廓。然后对靶区及危及器官的轮廓进行结构化处理，在一个实施例中，为每个轮廓对应的结构分配灰度值作为每个所述结构的轮廓标签，在所述专家计划数据库的医学影像中确定相互重叠的结构，将重叠的结构的灰度值之和作为结构重叠部分的重叠标签，在所述专家计划数据库的医学影像中，对位置信息进行定义，分别标注射野内和射野外结构，并且标注正常组织内每个体素到靶区的最小距离，生成位置标签，最后根据每个所述结构的轮廓标签、所述结构重叠部分的重叠标签和位置标签，得到所述用于模型训练的结构影像数据。

步骤s102：对在所述专家计划数据库中的用于模型训练的精细剂量分布图进行压缩，得到用于模型训练的压缩剂量分布图，以便降低剂量分布的分辨率。

步骤s103：根据所述用于模型训练的结构影像数据和所述用于模型训练的压缩剂量分布图，对用于预测放疗计划剂量分布的剂量预测模型进行基于深度学习的训练，得到已训练的基于深度学习的剂量预测模型。

将专家计划数据库中的一部分数据作为训练数据，对训练数据处理后得到每个病例的用于模型训练的结构影像数据和压缩剂量分布图，将每个病例的用于模型训练的结构影像数据和压缩剂量分布图分别作为待训练的模型的输入和输出，进行模型训练，最终得到已训练的基于深度学习的剂量预测模型。

在一个实施例中，在得到已训练的基于深度学习的剂量预测模型之后，还包括对所述已训练的基于深度学习的剂量预测模型的验证步骤，包括：利用三维剂量评价算法和在所述专家计划数据库中的用于模型验证的精细剂量分布图，确定利用所述已训练的基于深度学习的剂量预测模型及平滑处理算法得到的精细剂量分布图是否达到标准，若达到标准，则确定所述已训练的基于深度学习的剂量预测模型通过验证。也就是说，将专家计划数据库中的另一部分数据作为验证数据，对验证数据处理后得到每个病例的结构影像数据；然后将每个病例的结构影像数据输入至已训练的剂量预测模型，得到所述已训练的剂量预测模型输出的用于模型验证的压缩剂量分布图，并将所述用于验证的压缩剂量分布图还原为用于验证的精细剂量分布图；最后利用三维剂量评价算法，对在所述专家计划数据库中的用于模型验证的精细剂量分布图和所述已训练的剂量预测模型输出的用于验证的压缩剂量分布图进行处理，并根据处理结果，确定该模型是否通过验证。

步骤s104：对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据。

为每个轮廓对应的结构分配灰度值作为每个所述结构的轮廓标签；在所述新患者肿瘤医学影像中确定相互重叠的结构，并将重叠的结构的灰度值之和作为结构重叠部分的重叠标签，分别标注射野内和射野外结构，并且标注正常组织内每个体素到靶区的最小距离，生成位置标签；根据每个所述结构的轮廓标签、结构重叠部分的重叠标签和所述位置标签，得到所述新患者的结构影像数据，该数据可以是二维图像数据格式，也可以是三维图像数据格式。

其中，在新患者肿瘤医学影像上进行勾画而得到的轮廓是危及器官和靶区等结构的轮廓。

其中，所述靶区包括计划靶区，所述计划靶区的标签值设为最大，以保证其唯一性。

其中，步骤s101在所述专家计划数据库的医学影像上对位置信息进行定义而生成的位置标签，以及步骤s104在所述新患者肿瘤医学影像上对位置信息进行定义而生成的位置标签，均包括对射野内和射野外结构的标注，以及正常组织内每个体素到靶区的最小距离。

步骤s105：根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述新患者进行放疗的压缩剂量分布图。

将所述新患者的结构影像数据输入至所述基于深度学习的剂量预测模型，由所述基于深度学习的剂量预测模型根据新患者的结构影像数据进行预测，得到所述压缩剂量分布图。

其中，所述深度学习算法可以由vgg(visualgeometrygroup,16layers)全卷积神经网络或resnet(residualneuralnetwork,101layers)全卷积神经网络实现。

步骤s106：将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果。

利用平滑处理算法，对所述压缩剂量分布图进行平滑处理，得到满足临床要求的精细剂量分布图作为剂量分布预测结果。

其中，所述平滑处理算法可以由高斯低通滤波器实现。

需要说明的是，将精细剂量分布图转换为压缩剂量分布图的过程和将压缩剂量分布图转换为精细剂量分布图的过程为互逆过程。

在步骤s106之后，还可以对步骤s106得到的剂量分布预测结果进行验证，具体包括：根据所述新患者的剂量分布预测结果，得到所述新患者的每个所述结构的放疗剂量参数指标作为优化放疗计划剂量分布的逆向优化条件初始值，然后将所述逆向优化条件初始值映射至放疗计划系统，以供所述放疗计划系统根据所述逆向优化条件初始值，确定新的剂量分布结果，并利用所述剂量分布预测结果和所述新的剂量分布结果，优化对所述新患者的放疗剂量。例如将剂量分布预测结果作为放疗计划系统的逆向优化条件初始值，执行放疗计划系统固有的反向迭代算法，得到新的剂量分布结果，如果该结果与模型输出的剂量分布预测结果接近或基本一致或更优，则停止反向迭代，反之，对剂量分布预测结果调整后作为逆向优化条件，执行放疗计划系统固有的反向迭代算法，直至反向迭代算法输出的结果与调整后剂量分布预测结果接近或基本一致或更优。

其中，对结果进行一致性判断时，可以采用三维剂量评价算法，所述三维剂量评价算法包括但不限于平均绝对剂量偏差算法、平均剂量偏差算法和三维伽玛分析算法。

本实施例所述的已训练的剂量预测模型是通过执行步骤s101至步骤s104，利用专家计划数据预先训练并通过验证的。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中。

进一步说，本发明还可以提供一种计算机存储介质，其上存储有预测放疗计划剂量分布的程序，所述预测放疗计划剂量分布的程序被处理器执行时实现上述的预测放疗计划剂量分布的方法的步骤。其中，所述的存储介质可以包括rom/ram、磁碟、光盘、u盘。

图2是本发明实施例提供的预测放疗计划剂量分布的装置框图，如图2所示，包括：

训练数据预处理模块，用于对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据，即实现图1所示实施例的步骤s101；

训练数据压缩模块，用于对在所述专家计划数据库中的精细剂量分布图进行压缩，得到用于模型训练的压缩剂量分布图，即实现图1所示实施例的步骤s102；

预测模型训练模块，用于根据所述用于模型训练的结构影像数据和所述用于模型训练的压缩剂量分布图，对用于预测放疗计划剂量分布的剂量预测模型进行基于深度学习的训练，得到已训练的基于深度学习的剂量预测模型，即实现图1所示实施例的步骤s103；

患者数据预处理模块，用于对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据，即实现图1所示实施例的步骤s104；

患者放疗剂量预测模块，用于根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述新患者进行放疗的压缩剂量分布图，即实现图1所示实施例的步骤s105；

患者放疗剂量还原模块，用于将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果，即实现图1所示实施例的步骤s106。

本实施例中，将勾画的靶区和oars的轮廓进行结构化处理，合成带有标签的结构影像。以鼻咽癌放疗计划为例，正常情况下剂量值范围约为0-7500cgy，属于极高密度分类预测问题，因此需对精细剂量分布图进行压缩处理，得到压缩剂量分布图。对于预测得到的输出剂量图(即压缩剂量分布图)直接进行后处理，使用平滑算法，将压缩剂量分布图还原成精细剂量分布图。

在一个实施方式中，所述装置还可以包括：

参数映射模块，用于根据所述新患者的剂量分布预测结果，得到所述新患者的每个所述结构的放疗剂量参数指标作为优化放疗计划剂量分布的逆向优化条件初始值，然后将所述逆向优化条件初始值映射至放疗计划系统，以供所述放疗计划系统根据所述逆向优化条件初始值，确定新的剂量分布结果；

优化模块，用于利用所述剂量分布预测结果和所述新的剂量分布结果，优化对所述新患者的放疗剂量。

本实施例中，将预测的三维剂量分布结果，映射为逆向优化条件的初始值。对于新病例，通过放疗计划剂量分布预测系统，自动计算得到预测剂量分布作为输出后，将由剂量分布计算出来的靶区和oars的剂量参数指标提炼出来，映射到常规商业计划系统的逆向优化参数目标优化的起始值，并自动设置常规计划参数，进行优化。计划自动优化过程，每完成一次优化迭代，与预测模型结果比较进行自动三维伽玛分析和mae评估，调整逆向优化条件参数。同时根据评估结果，自动勾画剂量不通过区域，生成需要改进的假器官，并实现计划条件映射。反复循环迭代，直至得到最优解，实现基于深度学习的鼻咽癌放疗计划自动智能优化，如图5所示。

在一个实施方式中，所述装置还可以包括：

验证模块，用于利用三维剂量评价算法和在所述专家计划数据库中的用于模型验证的精细剂量分布图，确定利用所述已训练的基于深度学习的剂量预测模型及平滑处理算法得到的精细剂量分布图是否达到标准。

实施时，可以选取40例病例作为测试集，调试基于mri的自动智能计划流程。开发通用传输接口和脚本，实现全流程多环节自动执行。将训练好的深度卷积神经网络模型、自动计划条件映射算法和计划剂量验证评估算法等与商用计划系统整合衔接。整个流程可实现，由医生确认靶区和oars的勾画，预测计划三维剂量分布，自动调用剂量分布和计划条件参数映射算法及剂量验证评估算法，在常规tps优化引擎下实现人工智能放疗计划，最后需要医生物理师审核批准智能放疗计划。

本实施例提供一种预测放疗计划剂量分布的设备，包括：处理器，以及与所述处理器耦接的存储器；所述存储器上存储有可在所述处理器上运行的预测放疗计划剂量分布的程序，所述预测放疗计划剂量分布的程序被所述处理器执行时实现上述的预测放疗计划剂量分布的方法的步骤。

图3是本发明实施例提供的基于深度学习三维剂量预测的自动放疗计划设计装置的构成图，如图3所示，该装置包括专家计划数据库，放疗计划数据预处理模块(实现图2所示实施例的训练数据预处理模块的功能)，三维剂量模型验证模块(实现图2所示实施例的验证模块的功能)，基于深度学习的三维剂量预测模块(实现图2所示实施例的患者放疗剂量预测模块和患者放疗剂量还原模块的功能)，剂量分布和计算参数映射模块(实现图2所示实施例的参数映射模块的功能)。该系统实现放射治疗计划影像和计划数据库，基于深度学习预测三维剂量分布，通过剂量分布实现自动计划设计等功能。

一、专家计划筛选收集，建立放疗专家计划数据库。

针对全身不同部位的肿瘤，将同一病种及相同归一处方剂量的专家级放疗计划(包括光子和粒子治疗)进行归类，对每一类进行数据筛选及清理，保证专家计划的质量，建立专家计划数据库。

专家计划数据库用于训练模型，包括ct图像、危及器官(oars)和靶区(targets)数据，及计划数据等文件。

二、放疗计划数据预处理模块

从放疗计划系统导出一套包括图像信息、结构信息、剂量信息和计划信息等数据的标准格式文件(如：dicom格式)，建立放疗计划数据预处理模块，完成对其预处理，用于模型训练及预测新病例的数据处理。

1.用matlab，python等开发程序及语言将文件中数据进行解析并编程处理，将图像、结构和剂量等信息输出矩阵分辨率调整一致。

2.合成带有标签的结构影像：综合结构和图像信息，根据建模的不同部位肿瘤，整理出其危及器官(oars)和靶区(targets)数据，并给予不同结构以不同标签，危及器官或者靶区之间相互重叠部分的标签和位置标签，其灰度值是各标签之和，并将合成数据存储为图像数据格式。

3.放疗计划剂量分布跨度广，比如一个处方剂量最高为6000cgy的计划，剂量值分布标签会大于6000个，如果其和灰度值一一对应，会使得分析和计算非常复杂和困难，所以我们将精细剂量分布图(finedosemaps,fdms)转化为压缩剂量分布图(condenseddosemaps,cdms)，其输出计算公式为

ifgi<l-1,gi＝floor(gi/ceiling(7500/l))；

elsegi＝l-1

其中gi是每个体素点的cdms的标签值，其是通过fdms计算得出，l是设置的梯度，floor向下取整，ceiling向上取整。本项发明举例中梯度设置为256。

三、三维剂量模型验证模块

既可以完成验证集数据对模型准确性验证，亦可快速实现模型预测剂量对计划质量的验证。本实施例采用基于体素点分析和三维gamma分析算法的放疗计划质控工具，验证点对点模型预测的准确性，进行定量分析并使结果可视化显示。

1)使用基于体素点的平均绝对剂量偏差和平均偏差来验证预测剂量分布和实际剂量分布的一致性，判断模型是否达标或计划是否合格。

maeoutline和meoutline分别是外轮廓outline的平均绝对剂量偏差和平均剂量偏差，这是评估整体剂量偏差指标。其中i是体素的指数，m是每个患者体素的总数，dp(i)和dg(i)分别是第i个体素点的预测剂量值和参考剂量值。prescriptiondose是处方剂量，即病人治疗靶区应该接受到的照射剂量。j是病例的指数，n是验证集合中的病例的总数。

2)建立感兴趣区域三维伽玛分析算法，用以判断模型是否达标或计划是否合格。逐一对预测剂量分布中的危及器官(oars)和靶区(targets)中的每一个体素点进行伽玛分析并统计其通过率。本实施例中的模型最终能够被接受，是综合考虑所有危及器官(oars)的5％(剂量偏差要求标准)/3mm(距离偏差要求标准)和5％/4mm的伽玛分析通过率。三维伽玛分析算法，公式如下：

其中δd是剂量偏差要求标准，δd是距离偏差要求标准，是预测剂量分布中的点和实际剂量分布中的点的剂量差异，是预测剂量分布中的点和实际剂量分布中的点的距离差异，如果计算得到的伽玛值则认为该点的伽玛分析通过，否则其为不通过。

三维计划验证模块可完成剂量分布和单个器官的剂量分布比较，可实现模型验证、计划质量控制及指导自动计划优化迭代等。

四、基于深度学习的三维剂量预测模块

基于深度学习的方法，进行三维剂量预测，构建三维剂量预测模块的步骤如下：

1.本实施例采用端到端的深度学习网络结构，输入为经过预处理的结构影像数据，输出为cdms。

2.本实施例基于已有的深度学习进行剂量预测模型的训练，包括监督学习(如：卷积神经网络等)，无监督学习(如：对抗神经网络等)，以及增强学习等。本实施例以vgg(visualgeometrygroup,16layers)全卷积神经网络和resnet(residualneuralnetwork,101layers)全卷积神经网络进行举例，但不限于此。

3.输入经过预处理的大量专家计划数据，对模型进行训练，直至达到模型收敛要求。

4.选取不少于训练集20％数量的专家计划作为模型验证集，通过模型验证模块，验证模型的准确性，最终建立该类病种基于深度学习的放疗计划剂量预测模块。

基于已训练和通过验证的放疗计划剂量预测模块，对新病例的放疗剂量进行预测后，对得到的输出直接进行后处理，使用平滑算法，将压缩剂量分布图还原成精细剂量分布图(finedosemaps,fdms)。本实施例使用高斯低通滤波器进行平滑处理，但不限于此。

本实施例还可以进行自动计划质量控制。具体地说，日常完成的患者放疗质量计划，将其图像信息和结构信息作为输入，导入放疗计划数据预处理模块和三维剂量预测模块，自动计算得到预测的剂量分布图。将预测的剂量分布和该患者已完成的治疗计划导入三维剂量模型验证模块，进行计划质量控制和核查。

五、剂量分布和计划参数映射模块

对新病例完成放疗靶区和危及器官勾画，将图像信息和结构信息作为输入，导入基于深度学习的放疗计划剂量分布预测系统，自动计算得到预测剂量分布作为输出。该模块将预测结果转化为逆向优化参数目标优化的起始值，并自动设置常规计划参数，进行优化。每完成一次优化迭代，与预测模型结果比较进行自动三维gamma分析，生成需要改进的假器官，自动生成目标优化条件，继续进行迭代，直至得到最优解，实现基于深度学习的自动计划设计。

图4是本发明实施例提供的基于深度学习三维剂量预测的自动放疗计划设计装置的流程图，如图4所示，以鼻咽癌病种为例，描述整个系统实现预测放疗计划剂量分布的步骤。

一.筛选病种，建立专家知识库

1.1.影像数据的来源。

选取2011年到2016年之间，在中国医学科学院肿瘤医院放疗科治疗的80例早期鼻咽癌患者，接受同步加量调强放射治疗。患者采用头颈肩体膜的固定，进行ct模拟定位，得到3mm层厚512×512分辨率的ct图像，用以勾画靶区。

1.2.结构勾画的要求。

放疗医生在ct影像上进行轮廓勾画，定义鼻咽癌原发靶区(gtvnx)、阳性淋巴结靶区(gtvnd)、临床靶区(ctv)，将原gtvnx和ctv外扩3毫米得到分别得到计划原发靶区(pgtvnx)和计划靶区(ptv)。此外勾画16个危及器官(oars)。采用的治疗方案是加量靶区(boost_all，包括gtvnd和pgtvnx)给予70gy/33次的剂量(2.12gy每次)，同时ptv给予60gy/33次(1.82gy每次)的剂量。使用pinnacle9.10计划系统，完成靶区及危及器官勾画和调强放疗计划设计。在治疗前，靶区及危及器官的勾画和放疗计划，均经过中国医学院肿瘤医院放射治疗科，头颈组专家医生团队审核，保证勾画的准确性和计划的质量。

二.利用专家知识库训练模型

2.1.模型算法的选择。

采用的剂量预测模型是基于卷积神经网络算法(convolutionalneuralnetworks，cnns)，为了便于比较，采用两种不同的卷积神经网络算法(convolutionalneuralnetworks，cnns)架构，分别是16层的vggnet(visualgeometrygroup16layers，vggnet16)算法和101层的resnet算法(residualneuralnetwork101layers,resnet101)。

2.2.训练数据输入之前需要进行数据预处理。

使用训练数据训练算法模型，首先从构建的专家知识库中，随机选择70例病例作为训练数据。

2.2.1.勾画轮廓的标签化和结构图生成。勾画轮廓包括16个危及器官(oars)和2个靶区(pgtvnx和ptv)。同时，给予不同结构以不同的标签，危及器官或者靶区之间相互重叠部分的标签和位置标签，其灰度值是各标签之和，并将合成数据存储为二维或三维图像数据格式。

2.2.2.将精细剂量分布图(finedosemaps,fdms)转化为压缩剂量分布图(condenseddosemaps,cdms)。

放疗计划剂量分布跨度广，比如一个处方剂量最高为6000cgy的计划，如果按1cgy每个标签来划分的话，那么剂量值分布标签会大于6000个，如果其和灰度值一一对应，会使得分析和计算非常复杂和困难，所以将精细剂量分布图(finedosemaps,fdms)转化为压缩剂量分布图(condenseddosemaps,cdms)，其输出计算公式为

ifgi<l-1,gi＝floor(gi/ceiling(7500/l))；

elsegi＝l-1

其中，gi是每个体素点的cdms的标签值，通过fdms计算得出；l是设置的梯度，本实施例中梯度设置为256。

2.3.算法模型的整体过程。

算法模型是一个端到端的深度学习网络结构，输入为经过预处理的结构影像数据，输出为压缩剂量分布图(condenseddosemaps,cdms)。

2.4.深度学习网络模型的具体参数设置。

深度学习网络模型使用caffe代码结构，根据计算机识别项目(imagenet)的深度学习网络模型的参数，设置模型参数。输入的训练集和在专家知识库中随机选取的70例病例数据，并经过之前的预处理。使用数据增大的方法，例如随机翻转和裁剪，来降低数据间的过度拟合，由于内存限制和处于收敛度的考虑，vggnet(visualgeometrygroup16layers，vggnet16)算法采用12的批尺寸(batchsize)，resnet算法(residualneuralnetwork101layers,resnet101)采用1的批尺寸(batchsize)，同时使用随机梯度下降法(stochasticgradientdescentwithmomentum)对函数的损失部分进行优化。初始的学习速率(learningrate)设置为0.001，学习速率衰减因子(learningratedecayfactor)设置为0.0005，动量(momentum)设置为0.9，不设置固定的优化次数，要求直到平均精度均值(meanaverageprecision,map)达到要求后，停止优化。

2.5数据的后处理。

对得到的输出，即压缩剂量分布图(condenseddosemaps,cdms)，使用平滑算法，将压缩剂量分布图还原成精细剂量分布图(finedosemaps,fdms)。本实施例中使用高斯低通滤波器进行平滑处理。

其中，xi和yi是体素i的位置坐标，h是过滤器的尺寸，δ是标准差。

三.验证剂量预测模型

3.1.使用三维剂量验证模块对模型进行准确性验证。

开发三维剂量模型验证模块，既可以完成验证集数据对模型准确性验证，亦可快速实现模型预测剂量对计划质量的验证。

使用基于体素点分析和三维gamma分析算法的放疗计划质控工具，验证点对点模型预测的准确性，进行定量分析并使结果可视化显示。

3.1.1.使用基于体素点外轮廓outline的平均绝对剂量偏差(maeoutline)和平均偏差(meoutline)，来验证预测剂量分布和实际剂量分布的一致性，判断模型是否达标或计划是否合格。

3.1.2.建立感兴趣区域三维伽玛分析算法，用以判断模型是否达标或计划是否合格。

逐一对预测剂量分布中的危及器官(oars)和靶区(targets)中的每一个体素点进行伽玛分析并统计其通过率。本发明中的模型最终能够被接受，是综合考虑所有危及器官(oars)的5％(剂量偏差要求标准)/3mm(距离偏差要求标准)和5％/4mm的伽玛分析通过率。

3.2.对验证集的数据得到的预测结果进行验证分析。

输入的验证集和和在专家知识库中随机选取的10例病例数据(除去用于训练的70例)，并经过之前的预处理。输入新的病例，通过模型计算得到预测的剂量分布，首先得到的是压缩剂量分布图(condenseddosemaps,cdms)，再进行数据处理，得到最终的精细剂量分布图(finedosemaps,fdms)。将其结果和对应的验证集数据的实际剂量分布结果，使用验证模型的两种算法进行比对。通过模型验证模块，验证模型的准确性，符合要求则认为通过。最终建立该类病种基于深度学习的放疗计划剂量预测模块。

四.输入新病例，获得新病例的剂量分布预测。

4.1输入新病例，得到剂量分布预测结果。

得到经过验证的基于深度学习算法的剂量预测模型后，可以用该模型进行新病例的剂量分布预测。具体地说，输入新病例的影像和轮廓勾画信息，系统会自动进行数据预处理，然后使用预测模型进行计算，得到输出的压缩剂量分布图(condenseddosemaps,cdms)，再经过后处理，得到与临床一致的精细剂量分布图(finedosemaps,fdms)，即为新病例的剂量分布预测结果。

五.剂量参数映射，完成自动计划。

5.1.剂量参数映射为优化初始参数。

对于新病例，通过放疗计划剂量分布预测系统，自动计算得到预测剂量分布作为输出后，可以将由剂量分布计算出来的靶(pgtvnx，ptv)区和危及器官(oars)的剂量参数指标提炼出来，映射到计划系统的逆向优化参数目标优化的起始值，并自动设置常规计划参数，进行优化。

5.2.计划自动优化过程。

每完成一次优化迭代，与预测模型结果比较进行自动三维gamma分析，生成需要改进的假器官，自动生成目标优化条件，继续进行迭代，直至得到最优解，实现基于深度学习的自动计划设计。

综上所述，本发明的实施例具有以下技术效果：

本发明实施例将医疗大数据挖掘和深度学习方法紧密结合，建立并优化三维剂量预测模型，并将预测得到的病人个体化放射治疗剂量分布，转化设置成为逆向优化参数目标优化的起始值，并自动设置常规计划参数，实现放射治疗计划的自动设计并保证计划质量，能够提高放射治疗计划设计的整体速度和质量，缩短制定治疗计划所需时间，降低放疗医生和物理师工作强度，提高工作效率。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。