一种在粒子放射剂量模型中计算靶区DVH的方法与流程

本发明涉及医疗临床，尤其涉及一种在粒子放射剂量模型中计算靶区dvh的方法。

背景技术：

1、在放射治疗中，计算和评估剂量在靶区的分布是非常重要的。在根据aapm报告第43号（美国医学物理学会）计算放射性粒子的三维辐射剂量时，需要采用计算机辅助的剂量计算软件。这些软件根据aapm报告第43号的数据，使用更复杂数学模型来计算吸收剂量，使用剂量计算软件计算三维剂量分布，软件将在整个感兴趣区域（例如，肿瘤周围和正常组织）计算剂量值，并生成剂量-体积直方图（dvh）以及剂量分布图。然而，传统的在计算靶区的dvh的时候需要计算靶区体积和剂量体积之间的占比，其中计算的精度取决于人工设置的参数如体素大小、迭代次数等，不同人工设置的参数会对剂量计算的结果产生影响，使得靶区dhv计算方法不统一。

技术实现思路

1、基于此，本发明提供一种在粒子放射剂量模型中计算靶区dvh的方法，以解决至少一个上述技术问题。

2、为实现上述目的，一种在粒子放射剂量模型中计算靶区dvh的方法，包括以下步骤：步骤s1：获取粒子放射剂量模型中的历史剂量轮廓数据以及历史靶区轮廓数据；利用深度卷积神经网络算法对历史剂量轮廓数据与历史靶区轮廓数据进行空间映射处理，以生成轮廓特征空间映射数据；对轮廓特征空间映射数据进行坐标映射及坐标评估筛选，以生成轮廓特征坐标数据；步骤s2：获取云端的ct影像区域位置数据；对ct影像区域位置数据进行有效性筛选及解析处理，生成解析后的筛选区域位置数据；步骤s3：将筛选区域位置数据作为轮廓特征坐标数据的竖轴坐标进行坐标整合处理，以生成预校准空间坐标数据；对预校准空间坐标数据进行误差筛选，生成空间坐标数据；步骤s4：对空间坐标数据进行剂量-靶区的三维点云模型建立及优化，生成优化剂量-靶区模型；步骤s5：对优化剂量-靶区模型进行模型三角剖分，生成三角剖分模型；对三角剖分模型进行三角剖分体积参数提取及优化，生成优化剂量-靶区剖分体积参数；对优化剂量-靶区剖分体积参数进行靶区的剂量直方图数值计算，生成靶区dvh数据。

3、本发明通过深度卷积神经网络算法对历史剂量轮廓数据和历史靶区轮廓数据进行空间映射处理，可以将原始数据转化为轮廓特征空间映射数据，能够提取出轮廓的特征信息，并捕捉到剂量和靶区之间的空间关系。对轮廓特征空间映射数据进行坐标映射，将其转化为轮廓特征坐标数据，将轮廓的空间位置信息转化为具体的坐标值，通过坐标评估筛选，可以对生成的坐标数据进行质量评估，排除低质量或无效的数据，提高后续计算的准确性。通过获取云端的ct影像区域位置数据，可以获取到与剂量计算和靶区分析相关的影像数据，对获取到的ct影像区域位置数据进行有效性筛选和解析处理，以生成解析后的筛选区域位置数据，排除不完整或不准确的数据，提高后续处理的可靠性，以获得更准确的空间坐标数据。将筛选区域位置数据作为轮廓特征坐标数据的竖轴坐标进行坐标整合处理，通过将筛选区域位置数据与轮廓特征坐标数据进行整合，可以得到预校准的空间坐标数据，这样可以确保空间坐标数据与实际ct影像数据的一致性，提高计算的准确性。对预校准空间坐标数据进行误差筛选，通过筛选和排除误差较大的数据点，可以提高空间坐标数据的质量和准确性，排除由于数据采集或处理过程中引入的误差，准确的空间坐标数据能够更好地描述靶区的位置和形态特征，提高计算结果的准确性和可靠性。利用空间坐标数据建立剂量-靶区的三维点云模型，该点云模型以空间坐标为基础，将剂量值与对应的靶区位置进行关联，形成三维点云表示，这种点云模型可以更直观地表示剂量在靶区内的分布情况。通过对点云模型进行优化，改善剂量-靶区模型的精度和准确性，以此生成的剂量-靶区模型能够提供更准确的剂量分布信息，这个模型可以用于进一步的剂量评估、剂量优化和治疗计划制定。通过对优化的剂量-靶区模型进行三角剖分，可以生成三角剖分模型，三角剖分是将剂量-靶区模型表达为一组相连三角形的过程，使得模型的表面更加平滑和连续，这样的三角剖分模型能够更好地描述剂量-靶区模型的形态和几何特征。在三角剖分模型的基础上，可以提取出三角剖分体积参数，这些参数包括每个三角形的面积、体积和几何特征，用于描述剂量-靶区模型的体积分布和形态特征，通过对三角剖分体积参数进行优化，可以改进剂量-靶区模型的表示和计算精度。利用优化的剂量-靶区剖分体积参数，可以进行靶区的剂量直方图（dvh）数值计算，dvh是用来描述在不同剂量水平下靶区的体积分布情况，通过计算靶区在不同剂量水平上的体积百分比，可以提供关于剂量分布的详细信息，评估剂量覆盖和剂量均匀性等指标。因此，本发明的计算靶区dvh的方法将粒子放射剂量模型中的剂量与靶区进行坐标映射，并且在坐标中考虑患者ct影像的目标区域，计算的精度不取决于人工设置的参数如体素大小、迭代次数等，并且不会出现不同人工设置的参数会对剂量计算的结果产生影响，并且计算的靶区dvh精准及统一。

4、优选地，步骤s1包括以下步骤：步骤s11：获取粒子放射剂量模型中的历史剂量轮廓数据以及历史靶区轮廓数据；步骤s12：对历史剂量轮廓数据与历史靶区轮廓数据进行时间序列关联处理，生成历史轮廓关联数据；步骤s13：利用深度卷积神经网络算法对历史轮廓关联数据进行轮廓特征提取及空间映射，以生成轮廓特征空间映射数据；步骤s14：根据预设的坐标规划信息将轮廓特征空间映射数据进行轮廓特征数据的坐标映射，以生成初始轮廓特征坐标数据；步骤s15：利用k-means算法对初始轮廓特征坐标数据进行坐标聚类评估筛选，以获取轮廓特征坐标数据。

5、本发明收集粒子放射剂量模型中的历史剂量轮廓数据和历史靶区轮廓数据，历史剂量轮廓数据是指以前针对该靶区进行的放射治疗计划的剂量分布数据，历史靶区轮廓数据则是描述靶区形状和位置的数据。将历史剂量轮廓数据与历史靶区轮廓数据进行时间序列关联处理，将相同时间点的剂量轮廓数据与靶区轮廓数据进行匹配，以确保它们来自于相同的治疗计划或时间点，通过时间序列关联处理，可以建立剂量和靶区之间的对应关系，为后续的分析和计算提供准确的数据基础。使用深度卷积神经网络算法对历史轮廓关联数据进行处理，算法可以从数据中提取出轮廓的特征信息，还可以将这些特征信息进行空间映射，即将二维或三维的轮廓数据映射到一个特定的空间中，这样生成的轮廓特征空间映射数据可以更好地表示剂量和靶区之间的关系。根据预设的坐标规划信息，将轮廓特征空间映射数据进行坐标映射，可以将轮廓特征数据从原始空间映射到另一个坐标空间中，使得数据能够按照规划的坐标进行表示，通过坐标映射，可以为后续的数据处理和分析提供更一致的坐标参考。使用k-means算法对初始轮廓特征坐标数据进行聚类评估筛选，k-means算法可以将数据点划分为不同的聚类簇，每个簇代表一组相似的数据点，通过聚类评估筛选，可以选择出具有代表性和相似特征的轮廓特征坐标数据，提高后续分析和计算的准确性和效率。

6、优选地，步骤s13包括以下步骤：步骤s131：将历史轮廓关联数据进行时间序列上的数据划分，分别生成轮廓关联训练集以及轮廓关联测试集；步骤s132：基于深度卷积神经网络算法建立不同层次的剂量轮廓和靶区轮廓的特征映射关系，以生成初始轮廓特征模型；步骤s133：利用轮廓关联训练集对初始轮廓特征模型进行模型训练处理，生成轮廓特征模型；步骤s134：利用分布式学习策略对轮廓特征模型进行模型的轮廓特征学习优化，生成优化轮廓特征模型；步骤s135：将轮廓关联测试集传输至优化轮廓特征模型进行轮廓特征提取，并在优化轮廓特征模型中进行空间映射，以生成轮廓特征空间映射数据。

7、本发明将历史轮廓关联数据按照时间序列进行划分，保证训练集和测试集之间的数据没有重叠能够对模型进行合理的训练和评估，划分训练集和测试集有助于验证模型的泛化能力和准确性。使用深度卷积神经网络算法建立剂量轮廓和靶区轮廓的特征映射关系，通过网络的层次结构，将剂量轮廓和靶区轮廓的特征进行提取和映射，可以捕捉到剂量和靶区之间的关联特征，为后续的模型训练和优化提供基础。使用轮廓关联训练集对初始轮廓特征模型进行模型训练处理，通过将训练集中的轮廓关联数据输入到模型中，模型可以通过学习和优化来适应数据的特征和关联规律，，提高模型对剂量轮廓和靶区轮廓特征的学习能力。利用分布式学习策略对轮廓特征模型进行模型的轮廓特征学习优化，分布式学习可以将计算任务分配给多个计算单元进行并行处理，从而加快模型的学习速度和优化效果，通过分布式学习策略的应用，可以进一步提高轮廓特征模型对剂量轮廓和靶区轮廓的学习和优化能力，生成更准确和可靠的优化轮廓特征模型。通过模型提取的轮廓特征，可以捕捉到剂量和靶区之间的关联信息，还可以在优化轮廓特征模型中进行空间映射，将特征数据映射到特定的空间中，以进一步提高特征数据的表达和计算效果，生成的轮廓特征空间映射数据可以为后续步骤提供更准确和可靠的数据基础。

8、优选地，步骤s2包括以下步骤：步骤s21：获取云端的ct影像区域位置数据；步骤s22：对轮廓特征空间映射数据进行时间序列提取处理，生成轮廓时间序列数据；步骤s23：根据轮廓时间序列数据对ct影像区域位置数据进行有效性筛选处理，并进行解析，生成解析后的筛选区域位置数据。

9、本发明获取云端的ct影像区域位置数据可以提供放射治疗计划和评估所需的影像信息，为后续的数据处理和分析提供基础。通过生成轮廓时间序列数据，可以将不同时间点的特征数据进行对应，形成时间序列数据集合，这样可以捕捉到剂量和靶区之间在不同时间点的变化和关联，为后续的计算和分析提供准确的数据基础。根据轮廓时间序列数据对ct影像区域位置数据进行有效性筛选和解析处理，程可以排除无效或不准确的数据点，并确保ct影像区域位置数据的可靠性。同时，进行解析处理可以将原始数据转化为更具可读性和可操作性的格式，生成解析后的筛选区域位置数据可以作为后续步骤中的输入数据，为计算和分析提供准确和可靠的基础。

10、优选地，步骤s3包括以下步骤：步骤s31：将筛选区域位置数据作为轮廓特征坐标数据的竖轴坐标进行坐标整合处理，以生成预校准空间坐标数据；步骤s32：利用放射剂量靶区空间坐标校准公式对预校准空间坐标数据进行误差计算，生成预校准空间坐标数据的误差数据；步骤s33：利用预设的靶区空间坐标误差阈值对误差数据进行阈值比对处理，当误差数据大于靶区空间坐标误差阈值时，将误差数据对应的预校准空间坐标数据进行剔除；当误差数据不大于靶区空间坐标误差阈值是，将误差数据对应的预校准空间坐标数据标记为空间坐标数据。

11、本发明通过将筛选区域位置数据与轮廓特征坐标数据进行整合，可以生成预校准的空间坐标数据，这样可以确保空间坐标数据与实际靶区的位置和形态特征的一致性，提高计算的准确性。通过比较预校准空间坐标数据与放射剂量靶区空间坐标之间的差异，可以得到预校准空间坐标数据的误差，评估预校准空间坐标数据与真实靶区位置之间的偏差，为后续的数据处理和分析提供准确的误差信息。将误差数据与阈值进行比较，如果误差数据大于靶区空间坐标误差阈值，则说明该数据偏离较大，可能存在较大的误差，需要进行剔除；如果误差数据不大于靶区空间坐标误差阈值，则说明该数据的误差较小，可以将其标记为有效的空间坐标数据。

12、优选地，步骤s32中的放射剂量靶区空间坐标校准公式如下所示：；

13、式中，表示为预校准空间坐标数据的误差数据，表示为预校准空间坐标数据的横轴坐标，表示为横轴坐标的放射剂量输出功率，表示为靶区吸收放射剂量的速率，表示为预校准空间坐标数据的纵轴坐标，表示为预校准空间坐标数据的竖轴坐标，表示为放射剂量初始输出功率，表示为靶区吸收放射剂量的初始速率，表示为误差数据的异常调整值。

14、本发明利用一种放射剂量靶区空间坐标校准公式，该公式充分考虑了预校准空间坐标数据的横轴坐标、横轴坐标的放射剂量输出功率、靶区吸收放射剂量的速率、预校准空间坐标数据的纵轴坐标、预校准空间坐标数据的竖轴坐标、放射剂量初始输出功率、靶区吸收放射剂量的初始速率以及函数之间的相互作用关系，以形成函数关系式：即，，通过横轴坐标的放射剂量输出功率与放射剂量初始输出功率纠正预校准空间坐标数据中与放射剂量输出相关的误差，通过校准放射剂量输出，可以提高放射治疗计划的精度，确保准确的剂量分布；通过靶区吸收放射剂量的速率与靶区吸收放射剂量的初始速率可以纠正预校准空间坐标数据中与靶区吸收放射剂量相关的误差，通过校准靶区吸收速率，可以更准确地预测靶区吸收剂量，从而提高治疗计划的准确性；以此对预校准空间坐标数据的横轴、纵轴及竖轴坐标进行计算，通过考虑空间位置的影响，可以更精确地校准空间坐标数据，从而提高剂量分布和靶区位置的一致性。通过计算误差数据，可以获取预校准空间坐标数据的准确性信息，帮助评估放射治疗计划的质量和准确性。利用误差数据的异常调整值对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成预校准空间坐标数据的误差数据，提高了对预校准空间坐标数据进行误差计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的预校准空间坐标数据中，提高了算法的灵活性与适用性。

15、优选地，步骤s4包括以下步骤：步骤s41：对空间坐标数据进行层次性空间编码处理，生成空间编码树；步骤s42：根据空间编码树进行剂量-靶区的三维点云模型建立，生成剂量-靶区模型；步骤s43：利用gans技术对剂量-靶区模型进行模型优化，生成优化剂量-靶区模型。

16、本发明层次性空间编码处理可以对空间坐标数据进行有效的组织和表示，将其转化为层次结构的空间编码树，这种编码方式可以提供对空间信息的更高级别的抽象和表示，使得数据的存储和处理更高效，通过生成空间编码树，可以更好地捕捉剂量-靶区的空间特征和关联，为后续的模型建立和优化提供基础。根据空间编码树建立剂量-靶区的三维点云模型，通过将剂量和靶区数据映射到三维点云模型中，可以更直观地展示剂量在靶区内的分布和变化情况。该模型为后续的模型优化和分析提供了基础。利用生成对抗网络（gans）技术对剂量-靶区模型进行模型优化可以进一步提高模型的准确性和可靠性，通过训练生成器和判别器模型，可以使生成的剂量-靶区模型更符合真实数据的分布和特征，提高模型对剂量分布和靶区特征的学习能力，使其更好地适应不同的放射治疗场景和病例需求。

17、优选地，步骤s42包括以下步骤：步骤s421：利用主成分分析法对空间编码树进行空间特征向量提取，生成空间特征向量；步骤s422：对空间特征向量进行降维映射处理，生成空间特征向量的点云流行；步骤s423：利用拓扑数据分析方法对点云流行进行拓扑优化，生成拓扑点云参数；步骤s424：根据拓扑点云参数进行三维点云模型重构处理，生成剂量-靶区模型。

18、本发明利用主成分分析法对空间编码树进行空间特征向量提取，主成分分析（pca）是一种常用的数据降维技术，可用于提取空间编码树的空间特征向量，通过pca，可以识别出最具代表性的空间特征，并将其映射到较低维度的特征向量空间中，这样可以减少数据的维度，去除不重要的特征，提高数据的表达效率和计算效率。通过降维映射，可以保留空间特征向量之间的相似性关系，并将其可视化为点云流行，以便更直观地理解数据的结构和分布。拓扑数据分析方法可用于对点云流行进行拓扑结构的分析和优化，通过识别点云流行中的关键拓扑特征，如持久性拓扑特征，可以提取具有稳定拓扑结构的点云参数，拓扑点云参数可以更好地捕捉剂量-靶区模型中的结构和形状特征，提高模型的准确性和可靠性。根据拓扑点云参数对三维点云模型进行重构处理，生成剂量-靶区模型，通过重新构建三维点云模型，更准确地表达剂量分布和靶区的空间特征，提供更可视化和直观的剂量-靶区模型，帮助放射治疗专业人员进行治疗计划和评估。

19、优选地，步骤s5包括以下步骤：步骤s51：利用delaunay三角剖分算法对优化剂量-靶区模型进行模型三角形剖分，生成三角剖分模型；步骤s52：对三角剖分模型进行三维模型网格优化，生成网格三角剖分模型；步骤s53：对网格三角剖分模型进行剂量与靶区的三角剖分体积参数提取处理，生成剂量-靶区剖分体积参数；步骤s54：利用并行计算技术对剂量-靶区剖分体积参数进行优化处理，生成优化剂量-靶区剖分体积参数；步骤s55：利用三角剖分靶区dvh数值计算公式对优化剂量-靶区剖分体积参数进行靶区的剂量直方图数值计算，生成靶区dvh数据。

20、本发明通过delaunay三角剖分算法可以将优化剂量-靶区模型分割成一组不重叠的三角形，形成三角剖分模型，可以提供对剂量-靶区模型的更细致和准确的表达，使得模型更适合后续的处理和分析，三角剖分模型能够提供更详细的几何信息，有助于进一步的数据分析和可视化。通过对三角剖分模型的网格进行调整和优化，可以使模型更加平滑和连续，减少模型中的不规则性和尖锐边缘，这有助于提高模型的可视化效果和分析精度。对网格三角剖分模型进行处理，可以提取剂量与靶区的三角剖分体积参数，这些参数可以包括每个三角形的剂量和靶区体积等信息，提取剖分体积参数可以帮助量化剂量和靶区的空间关系，为进一步的剂量分析和评估提供基础。通过应用并行计算技术对剂量-靶区剖分体积参数进行优化处理，并行计算可以提高处理速度和效率，使优化过程更加高效，优化剂量-靶区剖分体积参数可以进一步提高数据的准确性和可靠性，从而为放射治疗计划和评估提供更可靠的依据。根据优化剂量-靶区剖分体积参数，可以利用三角剖分靶区dvh数值计算公式计算靶区的剂量体积直方图，靶区dvh数据提供了对靶区剂量分布的详细描述，可以衡量剂量的覆盖度、均匀性以及各种剂量参数，对于评估放射治疗计划的效果和靶区的剂量分布非常重要，有助于量化和比较不同治疗计划的质量和效果。

21、优选地，步骤s55中的三角剖分靶区dvh数值计算公式如下所示：

22、；式中，表示为靶区dvh数据，表示为靶区剂量直方图的时间系数，表示为网格三角剖分模型的剂量相关的三角形数量，表示为给定的剂量阈值，表示为第个剂量相关的三角形面积，表示为剂量三角形与靶区三角形的交集，表示为网格三角剖分模型的靶区相关的三角形数量，表示为靶区中的最大剂量，表示为第个靶区相关的三角形面积，表示为靶区dvh数据的异常调整值。

23、本发明利用一种三角剖分靶区dvh数值计算公式，该公式充分考虑了靶区剂量直方图的时间系数表示为，网格三角剖分模型的剂量相关的三角形数量表示为，给定的剂量阈值表示为，第个剂量相关的三角形面积表示为，剂量三角形与靶区三角形的交集表示为，网格三角剖分模型的靶区相关的三角形数量表示为，靶区中的最大剂量表示为，第个靶区相关的三角形面积表示为以及函数之间的相互作用关系，以形成函数关系式：即，，根据患者具体情况对器靶区dvh数值进行分析，可通过给定的剂量阈值、靶区中的最大剂量、第个剂量相关的三角形面积以及第个靶区相关的三角形面积用于量化剂量和靶区的不同特征对剂量分布的影响，并且控制以及限制剂量的敏感度和贡献程度，以满足治疗的准确性和安全性要求，确定治疗计划设计能够最大限度地提高放射治疗的效果，从而计算靶区与放射剂量的初步关系；考虑剂量三角形与靶区三角形的交集能够准确计算剂量在靶区内的贡献，这有助于区分剂量在靶区内和靶区外的影响，提供更准确的剂量分析和评估结果；利用靶区剂量直方图的时间系数进行加权处理，在放射治疗中，剂量分布可能随着时间的推移而变化，通过引入时间系数能够考虑剂量与时间的关系，进一步增强对剂量分布的描述和分析能力。通过该函数关系式，可以从定量的角度描述靶区的剂量分布，考虑剂量与时间的关系和剂量与靶区的重叠区域，同时量化剂量和靶区的不同特征对剂量分布的影响，提供更全面、准确和个性化的剂量分析结果，为放射治疗的决策和优化提供更有力的支持。利用靶区dvh数据的异常调整值对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成靶区dvh数据，提高了对优化剂量-靶区剖分体积参数进行靶区的剂量直方图数值计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的优化剂量-靶区剖分体积参数中，提高了算法的灵活性与适用性。

24、本技术有益效果在于，本发明通过深度卷积神经网络算法对历史剂量轮廓数据和历史靶区轮廓数据进行空间映射处理，将其转化为轮廓特征空间映射数据，这样的处理能够更准确地捕捉剂量和靶区之间的空间关系，从而提高放射剂量模型的精确性和可靠性，以此将历史数据中的剂量信息和靶区信息得到了有效的整合和表征。获取云端的ct影像区域位置数据，并对其进行筛选、解析处理，生成解析后的筛选区域位置数据，这些位置数据为后续的空间坐标处理提供了基础，确保靶区的位置信息准确无误，准确的靶区位置信息对于剂量分析和治疗计划的精确性至关重要。将筛选区域位置数据作为轮廓特征坐标数据的竖轴坐标进行坐标整合处理，生成预校准空间坐标数据，利用放射剂量靶区空间坐标校准公式对预校准空间坐标数据进行误差计算，生成预校准空间坐标数据的误差数据，通过设定靶区空间坐标误差阈值，对误差数据进行筛选，剔除误差超过阈值的预校准空间坐标数据，这样的预校准和筛选过程可以确保空间坐标数据的准确性和可靠性。通过对预校准空间坐标数据进行误差计算和筛选，可以排除误差较大的数据，并生成准确的空间坐标数据，可以根据预设的靶区空间坐标误差阈值，对剂量分布进行个性化评估，这样的个性化评估可以更好地了解患者的特定情况，从而制定适合其个体需要的治疗计划。通过层次性空间编码处理和三维模型重构，可以生成准确的剂量-靶区模型，这个模型能够反映剂量和靶区之间的关系，并提供更精确的剂量分析和评估工具，准确的剂量-靶区模型有助于了解治疗计划的效果和可能的副作用，进一步指导治疗计划的制定和优化。对剂量-靶区模型进行三角剖分和优化处理，可以提取剂量-靶区剖分体积参数，进一步用于计算靶区的剂量直方图数值，生成准确的靶区dvh数据，靶区dvh数据提供了对靶区在不同剂量水平下的受影响程度的准确描述，这对于评估治疗计划的有效性、剂量覆盖度和均匀性非常重要，有助于医生做出准确的临床决策和治疗计划的优化。