一种基于加速器日志文件实现自动化剂量验证的方法与流程

1.本发明涉及医学放射治疗技术领域，尤其涉及一种基于加速器日志文件实现自动化剂量验证的方法。


背景技术：

2.现代放疗技术复杂性不断增加，对剂量验证的数量和质量要求也随之不断提高。目前现代放疗技术进步主要体现在：1)适形性不断增加，以提高肿瘤靶区剂量，同时显著减少周边正常组织器官辐射受量；2)靶区内物理剂量分布按照要求进行有目的性分配；3)单次分割剂量提高。这些技术的发展，造成了计划设计和实施的复杂性显著提高，同时剂量误差的不确定性显著增加。因此，在现代放疗技术条件下，急需实施个体化放疗剂量验证以保证放疗质量和水平。
3.目前剂量验证包括基于测量的验证方法(电离室、胶片、二维矩阵、epid、和三维矩阵)和基于计算的验证方法(蒙卡)，其中较为常用的是基于测量的剂量验证方法。剂量验证的结果分析方式包含剂量差异、吻合距离法、gamma分析法，其中使用最多的分析方式是结合剂量差异和吻合距离的gamma分析法。基于测量的剂量验证过程繁琐耗时且对设备的依赖程度较高，设备分辨率、探头角度响应等都会影响结果。现阶段个体化剂量验证方法中普遍存在效率低、验证的点和面具有较大的局限性等问题。这造成常规个体化的qa费时费力，使得本就任务繁重的治疗中心实现个体化qa的难度更大，因此寻找更加省时、省力且综合有效的剂量验证方法就显得非常重要和迫切。虽然已有的自动化个体化剂量验证方法中，利用机器学习方法基于计划复杂性参数建立二维通过率的预测模型，但是这种方法并没有考虑到加速器执行过程中真实参数对剂量验证的影响，因此并不适用于患者真实照射情况下的剂量验证。


技术实现要素：

4.本发明所要解决的技术问题是提供一种基于加速器日志文件实现自动化剂量验证的方法，基于加速器日志文件的剂量验证预测模型能够准确预测不同阈值标准下的gamma通过率，提高剂量验证的效率。
5.为解决上述技术问题，本发明的技术方案是：一种基于加速器日志文件实现自动化剂量验证的方法，包括以下步骤，
6.sp1、收集瓦里安eclipse计划系统上135例胸部调强计划，包含584个射野；
7.sp2、放疗计划实施前，使用直线加速器进行计划的递送，同时收集直线加速器验证计划递送过程中产生的日志文件；
8.sp3、使用2d gamma分析计算与测量剂量分布在不同阈值标准下的gamma通过率；
9.sp4、利用pylinac库从直线加速器日志文件形成的通量图中提取剂量分布的原始rgb彩色图像，然后裁减掉冗余信息；
10.sp5、通过双线性插值算法对提取剂量分布的原始rgb彩色图像进行缩放；
11.sp6、收集缩放后的剂量分布rgb彩色图像样本，并从收集到样本中随机抽取测试集，将余量样本采用5倍交叉验证策略随机划分为5部分，每次用其中4部分作为训练集，1部分作为验证集；
12.sp7、对训练集、验证集和测试集分别采用水平随机翻转和随机裁剪的数据增强策略进行剪裁处理；
13.sp8、采用cnn网络结构搭建模型，将剪裁处理后的训练集、验证集和测试集对应的剂量分布图进行输出，最终获得100维的输出向量；
14.sp9、利用gamma通过率的概率分布累积函数进行均衡化处理，即将各份样本的gamma通过率值映射为其值的概率分布累计值，并线性拉伸至
‑
50～50的范围，使数据分布相对均衡，并通过模型误差获取反向传播误差；
15.sp
10
、采用adam优化器对反向传播误差进行学习，并采用随机批量的方式对数据进行训练，批次大小设置为20，训练轮次设置为80，并通过开源机器学习库pytorch搭建模型的软件代码；
16.sp
11
、采用均方误差损失函数(mse)对gamma通过率的回归误差进行评估。
17.作为优选的技术方案，所述sp3步骤中，2d gamma分析采用3％/3mm、3％/2mm、2％/3mm和2％/2mm的阈值标准，10％的剂量阈值，绝对剂量的局部归一设置。
18.作为优选的技术方案，所述sp4步骤中，提取剂量分布的原始rgb彩色图像的分辨率为640
×
480，裁减掉的冗余信息包括图像边框和坐标轴。
19.作为优选的技术方案，所述sp5步骤中，通过双线性插值算法对提取剂量分布的原始rgb彩色图像进行缩放后，剂量分布的原始rgb彩色图像的分辨率为260
×
260的rgb彩色图像。
20.作为优选的技术方案，所述sp6步骤中，收集584份样本，从584份样本中随机抽取98份作为测试集，将其余486份样本采用5倍交叉验证策略随机划分为5部分，每次用其中4部分即389份作为训练集，1部分即97份作为验证集；
21.对5种训练集和验证集的划分方式进行分别训练，得到同一模型下的5种网络参数，然后对5种参数进行模型平均，得到最终的网络参数，并用此网络参数对测试集数据进行测试。
22.作为优选的技术方案，所述sp7步骤中，将训练集的图像随机裁剪至256
×
256的尺寸，验证集和测试集则从图像中心进行裁剪成256
×
256的尺寸。
23.作为优选的技术方案，所述sp7步骤中，水平随机翻转时的翻转概率p＝0.5。
24.作为优选的技术方案，所述sp8步骤中，所述cnn网络结构包含13个卷积层和4个全连层，以及相应的激活层和池化层，剪裁处理后的训练集、验证集和测试集对应的剂量分布图通过卷积层、激活层、池化层至第二个全连层后，得到100维的向量并通过后续的全连层和激活层输出。
25.作为对上述技术方案的改进，所述sp
10
步骤中，adam优化器对反向传播误差进行学习时，学习率初始值设置为0.001，下降率设置为0.9。
26.由于采用了上述技术方案，本发明具有以下有益效果：利用深度学习算法，基于加速器日志文件建立不同阈值标准下gamma通过率的剂量验证预测模型，并验证了预测模型的准确性。基于加速器日志文件形成的通量图作为输入训练预测模型，考虑了真实递送参
数,相比基于计划本身参数而言更加准确。基于日志文件的剂量验证预测模型可以准确预测个体化剂量验证结果，实现治疗前的自动化剂量验证，提高剂量验证的效率，允许物理师有更多的时间关注剂量验证失败的原因。
附图说明
27.以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。
28.其中：
29.图1是本发明实施例sp8步骤的cnn网络结构示意图。
具体实施方式
30.下面结合附图和实施例，进一步阐述本发明。在下面的详细描述中，只通过说明的方式描述了本发明的某些示范性实施例。毋庸置疑，本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。
31.如图1所示，一种基于加速器日志文件实现自动化剂量验证的方法，包括以下步骤：
32.sp1、收集瓦里安eclipse计划系统上135例胸部调强计划，包含584个射野。所有的放疗计划都在eclipse(varian medical systems,palo alto,ca))计划系统上完成，剂量分布的计算使用axb算法(axb,ver.11.0.31,varian medical systems,palo alto,ca)，计算网格大小为2.5mm。
33.sp2、放疗计划实施前，使用直线加速器进行计划的递送，同时收集直线加速器验证计划递送过程中产生的日志文件。具体地，计划的递送使用瓦里安120个mlc(varian medical system,palo alto,ca)的直线加速器，共60对叶片，每侧20个宽度0.5cm的外叶片和40个宽度0.25cm的内叶片，所有的射野均按照真实角度执行。患者的个体化剂量学qa在治疗前完成，在进行epid验证前，等中心处电离室的剂量偏差验证符合临床要求。验证计划执行过程中，瓦里安日志文件每隔20ms记录加速器递送的信息(机架角、准直、jaws和叶片位置等)以及射线参数(射束状态)，收集验证计划执行过程中的日志文件。
34.本实施例中所用的直线加速器上的epid成像仪类型为as1000，其有效面积为30
×
40cm2，由768
×
1024像素组成。epid通过采集dark field(df)and flood field(ff)进行校准。df在不出束的时候采集用来本底偏移，ff图像是通过对epid进行开放场“均匀”照射获得的，照射范围覆盖成像仪的整个区域，以确定单个像素灵敏度的差异。本实施使用了瓦里安预先配置的平面剂量测定软件包提供的二维(2d)剖面校正图像，该图像考虑了支撑臂的后向散射。epid的剂量学校准是根据校准单位(cu)进行的，出束100mu时，对应于10
×
10cm2视野的cax值，剂量图像显示为100cu。瓦里安的预配置剂量测定软件包(pdpc)被导入到eclipse工作站中进行剂量测定计算。交付动态椅子野和aida测试计划，然后用于调试和验证平面剂量测定算法。
35.sp3、使用2d gamma分析计算与测量剂量分布在不同阈值标准下的gamma通过率。具体地，本步骤中，2d gamma分析采用3％/3mm、3％/2mm、2％/3mm和2％/2mm的阈值标准，10％的剂量阈值，绝对剂量的局部归一的设置。不同阈值标准gamma通过率的预测结果如表
1所示。
36.表1
[0037] maermses
r
r23％/3mm验证集0.4731.1530.704(p<0.01)0.49433％/3mm测试集0.4020.8000.643(p<0.01)0.41103％/2mm验证集0.6471.3370.711(p<0.01)0.49953％/2mm测试集0.5110.9930.684(p<0.01)0.46662％/3mm验证集1.6742.6880.888(p<0.01)0.78852％/3mm测试集1.7242.5800.821(p<0.01)0.66772％/2mm验证集1.7993.3960.895(p<0.01)0.79342％/2mm测试集2.5303.0830.824(p<0.01)0.6769
[0038]
通过上表中的数据可以看出，利用深度学习建立基于日志文件的预测模型能够准确预测gamma通过率。随着阈值标准的严格，预测模型的准确性下降，预测值和真实值的相关系数增加。
[0039]
sp4、利用pylinac库从直线加速器递送原始日志文件形成的通量图中提取剂量分布的原始rgb彩色图像，然后裁减掉冗余信息。在该步骤中，提取剂量分布的原始rgb彩色图像的分辨率为640
×
480，裁减掉的冗余信息包括图像边框和坐标轴。
[0040]
sp5、通过双线性插值算法对提取剂量分布的原始rgb彩色图像进行缩放。所述sp5步骤中，通过双线性插值算法对提取的剂量分布原始rgb彩色图像进行缩放后，剂量分布原始rgb彩色图像的分辨率为260
×
260的rgb彩色图像。
[0041]
sp6、收集缩放后的剂量分布rgb彩色图像样本，并从收集到样本中随机抽取测试集，将余量样本采用5倍交叉验证策略随机划分为5部分，每次用其中4部分作为训练集，1部分作为验证集。所述sp6步骤中，收集584份样本，从584份样本中随机抽取98份作为测试集，将其余486份样本采用5倍交叉验证策略随机划分为5部分，每次用其中4部分即389份作为训练集，1部分即97分作为验证集。对5种训练集和验证集的划分方式进行分别训练，得到同一模型下的5种网络参数，然后对5种参数进行模型平均，得到最终的网络参数，并用此网络参数对测试集数据进行测试。
[0042]
sp7、对训练集、验证集和测试集分别采用水平随机翻转和随机裁剪的数据增强策略进行剪裁处理。所述sp7步骤中，水平随机翻转时的翻转概率p＝0.5，将训练集的图像随机裁剪至256
×
256的尺寸，验证集和测试集则从图像中心进行裁剪成256
×
256的尺寸。
[0043]
sp8、采用cnn网络结构搭建模型，将剪裁处理后的训练集、验证集和测试集对应的剂量分布图进行输出，最终获得100维的输出向量。具体地，所述cnn网络结构主要包含类似于vgg16结构的13个卷积层和4个全连层，以及相应的激活层和池化层，剪裁处理后的训练集、验证集和测试集对应的剂量分布图通过卷积层、激活层、池化层至第二个全连层后，得到100维的向量并通过后续的全连层和激活层输出。
[0044]
sp9、利用gamma通过率的概率分布累积函数进行均衡化处理，即将各份样本的gamma通过率值映射为其值的概率分布累计值，并线性拉伸至
‑
50～50的范围，使数据分布相对均衡，并通过模型误差获取反向传播误差。本利用gamma通过率的概率分布累积函数进行均衡化处理的原因在于：输入数据中gamma通过率值为90％以上的数据占了很高比例，而
gamma通过率低于90％的数据占比很少，将分布不均的原始gamma通过率数据用于训练输入容易引入较大的模型误差，利用gamma通过率的概率分布累积函数进行均衡化处理，可以使得数据分布相对均衡，利于减小模型误差。
[0045]
sp
10
、采用adam优化器对反向传播误差进行学习，并采用随机批量的方式对数据进行训练，批次大小设置为20，训练轮次设置为80，并通过开源机器学习库pytorch搭建模型的软件代码。所述sp
10
步骤中，模型采用常用的adam优化器(optimizer)对反向传播(back propagation)误差进行学习，学习率(learning rate)初始值设置为0.001，并随着训练进行指数下降，下降率设置为0.9。因此采用随机批量(random mini
‑
batch)的方式对数据进行训练，批次大小(batch size)设置为20，训练轮次(epoch)设置为80。模型的软件代码通过开源机器学习库pytorch搭建，在nvidia tesla p4 gpu上完成整个n＝5倍交叉验证训练耗时约150分钟左右。
[0046]
sp
11
、评估参数是用来表征训练的模型对于不可见数据的表现性能，可采用均方误差损失函数(mse)对gamma通过率的回归误差进行评估。
[0047]
本发明利用深度学习算法，基于加速器日志文件建立了不同阈值标准下gamma通过率的剂量验证预测模型，并验证了预测模型的准确性。日志文件记录加速器真实执行过程的叶片位置、mu、机架角等参数，使用日志文件生成的通量图作为深度学习模型的输入，四种不同阈值标准的gamma通过率作为模型的输出响应。预测模型验证集和测试集中测量值和预测值较小的mae和rmse，较强或中等的线性。
[0048]
基于加速器日志文件中形成的通量图作为输入训练预测模型，考虑了真实递送参数，相比基于计划本身的预测模型而言更准确。临床中imrt计划数目很多，使用预测模型能够准确预测个体化剂量验证结果，实现治疗前的自动化剂量验证，辅助治疗前基于测量的qa工作，提高剂量验证的效率，允许物理师有更多的时间关注剂量验证失败的原因，为自动化个体化qa的进一步发展奠定了基础，有望成为imrt qa的有力工具。
[0049]
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。