本发明涉及医疗,具体涉及一种基于深度学习的肿瘤追踪放疗方法和装置。
背景技术:
1、在肺癌放射治疗的过程中,病人的呼吸会引起肺部肿瘤的运动,使肿瘤的位置和形态发生变化,部分患者肿瘤的运动幅度最大可达3cm,对于体积较大的肿瘤,其体积变化也会超过10%。这往往会导致照射偏离肿瘤靶区或周围危及器官所受到过量的照射,极大影响肺癌患者的放疗疗效。因此,如何降低肺癌患者呼吸运动的影响是临床放疗研究的重点和难点。
2、现有技术中,缺少在提高对肿瘤靶区运动追踪效果的同时,减少患者辐射量的方案,因此亟需一种具有上述效果的方案。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种基于深度学习的肿瘤追踪放疗方法和装置,以克服现有技术中无法在保证对肿瘤靶区运动较高追踪效果的同时,还减少患者辐射量的问题。
2、为实现以上目的,本发明采用如下技术方案:
3、第一方面,本申请实施例提供一种基于深度学习的肿瘤追踪放疗方法,其特征在于,包括:
4、通过预设光学体表监测系统获取患者实时体表信息,其中,所述患者通过具有开窗的热塑膜进行体位固定;
5、基于所述实时体表信息和预设的追踪模型,确定所述患者的当前状态下的肿瘤靶区运动信息,所述肿瘤靶区运动信息包括肿瘤靶区的位置和形态变化;
6、其中,所述追踪模型基于历史体表信息和历史肿瘤靶区运动信息构建生成。
7、进一步地,所述追踪模型的构建过程包括:
8、通过光学体表监测系统获取患者预设部位的历史体表信息,和与所述历史体表信息对应的历史肿瘤靶区运动信息,其中,所述预设部位包括所述热塑膜的开窗区域;
9、基于深度神经网络模型原理,对所述历史体表信息和所述历史肿瘤靶区运动信息进行特征学习训练,构建所述追踪模型。
10、进一步地,所述追踪模型包括自由呼吸追踪模型,所述基于深度神经网络模型原理,对所述历史体表信息和所述历史肿瘤靶区运动信息进行特征学习计算,构建所述追踪模型,包括:
11、将患者自由呼吸状态下的历史体表信息分解成三维空间中三个坐标轴上随时间维度变化的变化信息;
12、将与所述历史体表信息对应的历史肿瘤靶区运动信息,分解为所述三维空间中三个空间坐标轴上随时间变化的空间位置;
13、基于深度神经网络模型原理,对所述三维空间中的变化信息和空间位置进行学习训练,得到所述自由呼吸追踪模型。
14、进一步地,所述基于深度神经网络模型原理,对所述三维空间中的变化信息和空间位置进行学习训练,得到所述自由呼吸追踪模型,包括:
15、确定基础模型,所述基础模型包括transformer模型;
16、基于所述transformer模型,通过引入缩放点积注意力机制和多头注意力机制,对所述三维空间中的变化信息和空间位置进行学习训练,得到所述自由呼吸追踪模型。
17、进一步地,所述基于所述transformer模型,通过引入缩放点积注意力机制和多头注意力机制,对所述三维空间中的变化信息和空间位置进行学习训练,得到所述自由呼吸追踪模型,包括:
18、基于hadamard矩阵滤波原理,确定所述多头注意力机制中的注意力权值。
19、进一步地,所述追踪模型包括压腹呼吸追踪模型,所述基于深度神经网络模型原理,对所述历史体表信息和所述历史肿瘤靶区运动信息进行特征学习计算,构建所述追踪模型,包括:
20、基于深度神经网络模型原理和前馈神经网络原理,对所述历史体表信息和所述历史肿瘤靶区运动信息进行特征学习计算,构建所述压腹追踪模型。
21、进一步地,所述通过四维扫描获取与所述历史体表信息对应的历史肿瘤靶区运动信息,包括:基于所述历史体表信息,对通过四维扫描的扫描结果进行ct图像重建,得到所述与所述历史体表信息对应的历史肿瘤靶区运动信息。
22、第二方面,本申请实施例还提供一种基于深度学习的肿瘤追踪放疗装置,包括:
23、采集模块,用于通过预设光学体表监测系统获取患者实时体表信息,其中,所述患者通过具有开窗的热塑膜进行体位固定;
24、追踪模块,用于基于所述实时体表信息和预设的追踪模型,确定所述患者的当前状态下的肿瘤靶区运动信息,所述肿瘤靶区运动信息包括肿瘤靶区运动的位置和形态变化;
25、其中,所述追踪模型基于历史体表信息和历史肿瘤靶区运动信息构建生成。
26、本发明提供的技术方案至少具备如下有益效果:
27、本发明涉及医疗技术领域,具体公开一种基于深度学习的肿瘤追踪放疗方法和系统,该方法具体包括:通过预设光学体表监测系统获取患者实时体表信息,其中,患者通过具有开窗的热塑膜进行体位固定;基于实时体表信息和预设的追踪模型,确定患者的当前状态下的肿瘤靶区运动信息,肿瘤靶区运动信息包括肿瘤靶区的位置和形态变化;其中,追踪模型基于历史体表信息和历史肿瘤信息构建生成。如此,首先预先通过开窗的热塑膜对患者进行体位固定,以及通过光学体表监测系统监测患者体表信息,以及基于获取对应的肿瘤靶区运动信息,构建追踪模型,在实际应用中,只需要通过光学体表监测系统监测患者的实时体表信息,通过模型,就可以得到患者的肿瘤靶区运动信息,在提高肿瘤靶区运动信息追踪精确度的同时,减少了寻找肿瘤靶区运动对患者的辐射。
1.一种基于深度学习的肿瘤追踪放疗方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的肿瘤追踪放疗方法,其特征在于,所述追踪模型的构建过程包括:
3.根据权利要求2所述的基于深度学习的肿瘤追踪放疗方法,其特征在于,所述追踪模型包括自由呼吸追踪模型,所述基于深度神经网络模型原理,对所述历史体表信息和所述历史肿瘤靶区运动信息进行特征学习计算,构建所述追踪模型,包括:
4.根据权利要求3所述的基于深度学习的肿瘤追踪放疗方法,其特征在于,所述基于深度神经网络模型原理,对所述三维空间中的变化信息和空间位置进行学习训练,得到所述自由呼吸追踪模型,包括:
5.根据权利要求4所述的基于深度学习的肿瘤追踪放疗方法,其特征在于,所述基于所述transformer模型,通过引入缩放点积注意力机制和多头注意力机制,对所述三维空间中的变化信息和空间位置进行学习训练,得到所述自由呼吸追踪模型,包括:
6.根据权利要求2所述的基于深度学习的肿瘤追踪放疗方法,其特征在于,所述追踪模型包括压腹呼吸追踪模型,所述基于深度神经网络模型原理,对所述历史体表信息和所述历史肿瘤靶区运动信息进行特征学习计算,构建所述追踪模型,包括:
7.根据权利要求1所述的基于深度学习的肿瘤追踪放疗方法,其特征在于,所述通过四维扫描获取与所述历史体表信息对应的历史肿瘤靶区运动信息,包括:
8.一种基于深度学习的肿瘤追踪放疗装置,其特征在于,包括: