基于机器学习的放射治疗计划评估系统及方法与流程

本发明涉及放射治疗计划评估领域，具体涉及一种基于机器学习的放射治疗计划评估系统及方法。

背景技术：

放射治疗，是利用放射线治疗肿瘤的一种局部治疗方法，为目前主流的肿瘤治疗方式之一。放射线包括放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其它粒子束等。目前，大约70％的癌症患者在治疗癌症的过程中需要使用放射治疗。

放射治疗计划，是控制加速器照射病人肿瘤位置的具体实施方案，由物理师根据放疗医生指定的处方剂量目标使用治疗计划系统(treatmentplanningsystem，tps)制定，其目标是在保证肿瘤(即靶区)获得足够放疗剂量的同时，尽可能控制重要器官组织(即危及器官)的照射剂量不超过其耐受剂量，从而保护重要器官组织的功能和患者的生活质量。

放射治疗计划评估，是指在实际实施放射治疗前对物理师制订的放射治疗计划进行质量评估，用以决定是否采用这个放射治疗计划。计划评估的一般标准是靶区剂量满足处方剂量，并且危及器官的剂量尽可能地低。但是，由于每个病人的靶区位置和形状差别较大，危及器官的位置和形状也有一定差别，危及器官的剂量能够达到的程度也是有较大差别的，因此，实际计划评估时，危及器官的剂量值的高低判定就是一个很难确定的工作。目前，主要依靠经验丰富的物理师根据经验和具体病人的情况进行综合判定，较为费时费力，并且每个物理师的标准也不统一，有时还会出现人为主观性的偏差。

技术实现要素：

本发明所要解决的技术问题是：提出一种基于机器学习的放射治疗计划评估系统及方法，解决传统技术中采用人工评估放射治疗计划存在标准不统一和易出现人为主观偏差的问题。

本发明解决上述技术问题所采用的技术方案是：

基于机器学习的放射治疗计划评估系统，包括：

样本预处理模块，用于从一组高质量的历史放射治疗计划的dicom(医学数字图像和通信)数据中进行体素(体积元素：是数字数据于三维空间分割上的最小单位)选取、体素特征提取和体素数据标注，输出体素样本；

评估模型训练模块，用于采用样本预处理模块输出的体素样本训练一个机器学习模型作为放射治疗计划评估模型；

预测模块，用于采用训练好的放射治疗计划评估模型对待评估的放射治疗计划数据中的体素进行剂量预测，并进一步为每一个危及器官生成二维dvh(剂量体积直方图)预测曲线和三维体素剂量预测分布图；

实际评估模块，用于供物理师参考所述二维dvh预测曲线和三维体素剂量预测分布图对待评估的放射治疗计划进行实际评估。

作为进一步优化，所述样本预处理模块包括：

历史放射治疗计划确定模块，用于确定一组高质量的历史放射治疗计划；

体素选取模块，用于从确定的一组高质量的历史放射治疗计划的dicom数据中进行体素选取：选取靶区周围一定距离范围内的体素作为训练机器学习模型使用的体素数据，体素数据包括危及器官的体素；

体素特征提取模块，用于对选取的体素从dicom数据中提取特征数据，特征数据包括但不限于：ptv体积、体素距离ptv靶区的最短距离以及体素距离危及器官最短距离；

体素数据标注模块，用于根据dicom数据对每个选取的体素标注一个剂量值；

体素样本输出模块，用于将标注后的体素作为体素样本，输出所述体素样本。

作为进一步优化，所述评估模型训练模块训练的机器学习模型为基于监督学习方式的一种机器学习模型；

所述机器学习模型可采用如下函数关系式简要表示：

y＝h(x)

其中，h函数是机器学习模型表达的函数变换关系，x是输入的体素的特征数据，y是输出的体素的剂量预测值。

作为进一步优化，所述实际评估模块进行的实际评估为差异评估，即将待评估放射治疗计划中的剂量值和通过评估模型预测输出的剂量值进行比较，如果待评估计划中的危及器官的剂量值低于或接近评估模型预测输出的剂量值，则表明治疗计划质量较高；如果待评估计划中的危及器官的剂量值高于评估模型预测输出的剂量值，则表明治疗计划质量不高，需要物理师对放射治疗计划进一步优化。

作为进一步优化，所述预测模块具体用于：

将待评估计划的体素的特征数据值作为输入值，输入放射治疗计划评估模型中，通过模型预测，输出体素的剂量预测值，经处理后进一步形成二维的dvh预测曲线和三维的体素剂量预测分布图。

此外，基于上述评估系统，本发明还提供了一种基于机器学习的放射治疗计划评估方法，其包括以下步骤：

a.从一组高质量的历史放射治疗计划的dicom数据中进行体素选取、体素特征提取和体素数据标注，获得体素样本；

b.利用体素样本训练一个机器学习模型作为放射治疗计划评估模型；

c.采用训练好的放射治疗计划评估模型对待评估的放射治疗计划数据中的体素进行剂量预测，并进一步为每一个危及器官生成二维dvh预测曲线和三维体素剂量预测分布图；

d.物理师参考所述二维dvh预测曲线和三维体素剂量预测分布图对待评估的放射治疗计划进行实际评估。

作为进一步优化，步骤a具体包括：

通过有经验的物理师根据相应条件综合判断，从历史放射治疗计划中选取一组；其中，相应条件包括：靶区剂量达到处方剂量，靶区剂量要均匀，危及器官剂量尽可能地低，出靶区后的剂量跌落速度要快，危及器官内不能有剂量过高的热点；

然后对所选取的历史放射治疗计划的dicom数据进行如下操作：

a1.体素选取：选取靶区周围一定距离范围内的体素作为训练机器学习模型使用的体素数据，体素数据包括危及器官的体素；

a2.体素特征提取：对选取的体素从dicom数据中提取特征数据，特征数据包括但不限于：ptv体积、体素距离ptv靶区的最短距离以及体素距离危及器官最短距离；

a3.体素数据标注：根据dicom数据对每个选取的体素标注一个剂量值。

作为进一步优化，步骤b中，所述机器学习模型为基于监督学习方式的一种机器学习模型；

所述机器学习模型可采用如下函数关系式简要表示：

y＝h(x)

其中，h函数是机器学习模型表达的函数变换关系，x是输入的体素的特征数据，y是输出的体素的剂量预测值。

作为进一步优化，步骤c中，所述放射治疗计划评估模型的输入值为待评估计划的体素的特征数据值，输出值为体素的剂量预测值，经处理后进一步形成二维的dvh预测曲线和三维的体素剂量预测分布图。

作为进一步优化，步骤d中，所述实际评估为差异评估，即将待评估放射治疗计划中的剂量值和通过评估模型预测输出的剂量值进行比较，如果待评估计划中的危及器官的剂量值低于或接近评估模型预测输出的剂量值，则表明治疗计划质量较高；如果待评估计划中的危及器官的剂量值高于评估模型预测输出的剂量值，则表明治疗计划质量不高，需要物理师对放射治疗计划进一步优化。

本发明的有益效果是：

1)能够获得更加客观准确的放射治疗计划评估效果：人工评估的方法易受主观性影响，评估时可能会出现偏差；而本发明使用机器学习模型从高质量的历史计划数据中学习剂量分布规律，能够得到更加客观准确的剂量预测结果，进而得到更加客观准确地评估计划质量，大大降低了主观出现偏差的可能性。

2)能够节省资深物理师日常的计划评估工作量：人工评估计划是一项繁琐耗时的工作，对物理师的经验要求较高，新物理师做的计划往往需要资深物理师投入大量时间和精力进行评估；而本发明不依赖资深物理师的经验，可以做到自动化评估，从而节省了资深物理师日常的计划评估工作量。

3)方案具有通用性：不同厂家的治疗计划系统的制作步骤和最终计划效果都略有差别，可能会影响最终的评估效果；而本发明只依靠历史计划的dicom数据，并不依赖于特定的治疗计划系统，这种独立性使其更具有通用性。

附图说明

图1为本发明中的基于机器学习的放射治疗计划评估系统结构框图；

图2为本发明中的基于机器学习的放射治疗计划评估方法流程图。

具体实施方式

本发明旨在提出一种基于机器学习的放射治疗计划评估系统及方法，解决传统技术中采用人工评估放射治疗计划存在标准不统一和易出现人为主观偏差的问题。

机器学习，是从历史数据中学习某领域的客观规律，并使用这种自动学习到的客观规律对新的数据进行预测的一种方法。常见的机器学习方法分为监督学习方式和无监督学习方式，其中，监督学习方式是目前应用较多的一种方式。监督学习方式的一般步骤为，首先，对历史数据提取一组特征数据并对历史数据进行标注，然后，使用特征数据和标注数据训练一个机器学习模型(例如，神经网络、线性回归、随机森林等)，训练完成后，将待预测的数据的特征数据输入模型，模型会输出一个预测结果值。这个预测结果值体现了历史数据中包含的规律，具有较高的准确性。

本发明就是使用监督学习方式的机器学习模型从高质量的历史计划数据中学习剂量分布规律，从而自动对待评估的放射治疗计划数据中的体素进行剂量预测，有利于对放射治疗计划进行更加高效、准确、客观地评估。

如图1所示，本发明中的基于机器学习的放射治疗计划评估系统包括样本预处理模块、评估模型训练模块、预测模块和实际评估模块四个部分；各个模块的功能如下：

样本预处理模块，具体包括：历史放射治疗计划确定模块、体素选取模块、体素特征提取模块、体素数据标注模块和体素样本输出模块；其中，历史放射治疗计划确定模块，用于确定一组高质量的历史放射治疗计划；体素选取模块，用于从确定的一组高质量的历史放射治疗计划的dicom数据中进行体素选取：选取ptv靶区周围一定距离内(比如：30mm)的体素作为训练机器学习模型使用的体素数据，体素数据包括危及器官的体素；体素特征提取模块，用于对选取的体素从dicom数据中提取特征数据，特征数据包括但不限于：ptv体积、体素距离ptv靶区的最短距离以及体素距离危及器官最短距离；体素数据标注模块，用于根据dicom数据对每个选取的体素标注一个剂量值；体素样本输出模块，用于将标注后的体素作为体素样本，输出所述体素样本。

评估模型训练模块，用于采用样本预处理模块输出的体素样本训练一个机器学习模型作为放射治疗计划评估模型；

预测模块，用于采用训练好的放射治疗计划评估模型对待评估的放射治疗计划数据中的体素进行剂量预测，并进一步为每一个危及器官生成二维dvh预测曲线和三维体素剂量预测分布图；

实际评估模块，用于供物理师参考所述二维dvh预测曲线和三维体素剂量预测分布图对待评估的放射治疗计划进行实际评估。

基于上述系统，本发明实现的基于机器学习的放射治疗计划评估方法如图2所示，其包括以下实施步骤：

1、从一组高质量的历史放射治疗计划的dicom数据中进行体素选取、体素特征提取和体素数据标注，获得体素样本；

本步骤中，首先确定一组高质量的历史放射治疗计划，具体实现上，可以通过有经验的物理师根据相应条件综合判断，从历史放射治疗计划中选取100例；其中，相应条件包括：靶区剂量达到处方剂量，靶区剂量要均匀，危及器官剂量尽可能地低，出靶区后的剂量跌落速度要快，危及器官内不能有剂量过高的热点等等。

然后对所选取的历史放射治疗计划的dicom数据进行如下操作：

体素选取：选取ptv靶区周围30mm的体素作为训练机器学习模型使用的体素数据，体素数据可以只包含危及器官的体素，也可以包含危及器官和其它组织的体素；

体素特征提取：对选取的体素从dicom数据中提取特征数据，特征数据包含ptv体积、体素距离ptv靶区的最短距离、体素距离危及器官最短距离等；

体素数据标注：根据dicom数据对选取的每个体素标注一个剂量值。

2、利用体素样本训练一个机器学习模型作为放射治疗计划评估模型；

本步骤中，采用步骤1中获得体素样本训练一个机器学习模型，机器学习模型采用神经网络模型；整个神经网络模型的作用可以用如下函数关系式简要表示：

y＝h(x)

其中，h函数是神经网络表达的函数变换关系，x是输入的体素的特征数据，y是输出的体素的剂量预测值。神经网络训练时采用的代价函数为交叉熵函数，神经网络参数的优化方法为梯度下降算法，求解梯度的算法为反向传播算法。

当然，这里的机器学习模型也可以采用基于监督学习方式的其它模型，如：线性回归模型、随机森林模型等等。

3、采用训练好的放射治疗计划评估模型对待评估的放射治疗计划数据中的体素进行剂量预测，并进一步为每一个危及器官生成二维dvh预测曲线和三维体素剂量预测分布图；

本步骤中，将待评估计划的体素的特征数据值作为输入，利用训练好的放射治疗计划评估模型进行预测，输出体素的剂量预测值，由于已经获得了三维体(人体)的每一个体素的预测剂量数值，通过三维图像显示则可以获得三维体素剂量预测分布图；另外，根据每个体素的剂量值，结合体素所属的危及器官的信息，也可以直接计算出二维dvh预测曲线，具体的计算方式属于放射治疗领域的公知常识，本发明就不再对其赘述。

4、物理师参考所述二维dvh预测曲线和三维体素剂量预测分布图对待评估的放射治疗计划进行实际评估。

本步骤中，所述实际评估为差异评估，即将待评估放射治疗计划中的剂量值和通过评估模型预测输出的剂量值进行比较(实际操作时，物理师将通过评估模型输出的二维dvh预测曲线和三维体素剂量预测分布图与通过使用tps系统制定放疗计划时生成的二维dvh预测曲线和三维体素剂量预测分布图进行比较)，如果待评估计划中的危及器官的剂量值低于或接近评估模型预测输出的剂量值，则表明治疗计划质量较高，无需调整治疗计划；如果待评估计划中的危及器官的剂量值高于评估模型预测输出的剂量值，则表明治疗计划质量不高，需要物理师对放射治疗计划进一步优化。