一种DVV曲线生成方法、装置、设备及可读存储介质

本技术涉及医学放射治疗，具体涉及一种dvv曲线生成方法、装置、设备及可读存储介质。

背景技术：

1、鼻咽癌(nasopharyngeal carcinoma，npc)是最常见的癌症之一。其中，放射治疗是治疗npc的主要方法，不过，由于放射线会导致肿瘤总体积(gross tumorvolume，gtv)和包括腮腺、肝脏、肺等在内的风险器官(organat risk，oar)出现变形，因此准确的获悉辐射剂量与风险器官萎缩间的对应关系是至关重要的。相关技术中，往往是凭借医生的临床经验来主观判断辐射剂量与风险器官萎缩间的对应关系，其不仅对医生的临床经验存在较高的要求和较强的依赖性，且由于不同的医生经验水平不同，以致无法确保判断结果的准确性。

2、由此可见，如何在降低对高水平临床经验依赖性的基础上客观且准确的描绘辐射剂量与风险器官萎缩间的对应关系是当前亟需解决的问题。

技术实现思路

1、本技术提供一种dvv曲线生成方法、装置、设备及可读存储介质，可以解决现有技术中存在的对高水平临床经验依赖性强且判断结果准确性差的技术问题。

2、第一方面，本技术实施例提供一种dvv曲线生成方法，所述dvv曲线生成方法包括：

3、获取与目标风险器官对应的计划辐射剂量，并基于预设的剂量梯度系数和所述计划辐射剂量生成多个目标辐射剂量，所述剂量梯度系数与所述目标辐射剂量间具有映射关系；

4、针对每个目标辐射剂量，将与目标辐射剂量对应的放疗前ct图像和风险器官剂量图像输入至预设的目标预测网络进行特征提取，生成第一形变场；

5、将与目标辐射剂量对应的所述放疗前ct图像和非风险器官剂量图像输入至所述目标预测网络进行特征提取，生成第二形变场；

6、通过所述目标预测网络对第一形变场和第二形变场进行融合，生成目标形变场，并基于目标形变场对与目标辐射剂量对应的放疗前目标风险器官掩膜进行空间变换，预测输出放疗后目标风险器官掩膜；

7、根据放疗后目标风险器官掩膜和放疗前目标风险器官掩膜确定出与目标辐射剂量对应的目标萎缩量；

8、待输出所有目标辐射剂量对应的目标萎缩量后，基于所有目标萎缩量与剂量梯度系数间的对应关系生成与目标风险器官对应的剂量体积变化曲线dvv。

9、结合第一方面，在一种实施方式中，所述风险器官剂量图像包括左侧风险器官剂量图像和右侧风险器官剂量图像，所述将与目标辐射剂量对应的放疗前ct图像和风险器官剂量图像输入至预设的目标预测网络进行特征提取，生成第一形变场，包括：

10、将所述放疗前ct图像和所述左侧风险器官剂量图像输入至所述目标预测网络进行特征提取，以生成左侧形变场；

11、将所述放疗前ct图像和所述右侧风险器官剂量图像输入至所述目标预测网络进行特征提取，以生成右侧形变场；

12、将所述左侧形变场和所述右侧形变场作为第一形变场。

13、结合第一方面，在一种实施方式中，所述通过所述目标预测网络对第一形变场和第二形变场进行融合，生成目标形变场，包括：

14、通过所述目标预测网络对所述左侧形变场、所述右侧形变场以及所述第二形变场进行融合，生成目标形变场。

15、结合第一方面，在一种实施方式中，在所述将与目标辐射剂量对应的风险器官剂量图像和放疗前ct图像输入至预设的目标预测网络进行特征提取的步骤之前，还包括:

16、获取图像训练集，所述图像训练集包括放疗前ct图像及其对应的辐射剂量图像、放疗前风险器官掩膜，所述辐射剂量图像包括剂量为零的辐射剂量图像和剂量不为零的辐射剂量图像，所述辐射剂量图像包括风险器官剂量图像和非风险器官剂量图像；

17、构建全卷积神经网络，所述全卷积神经网络包括输入层、骨干网、空间变换层以及输出层，所述骨干网用于对输入层的输入图像进行特征提取，以生成形变场，所述空间变换层用于通过骨干网输出的形变场进行空间变换处理，所述输出层用于输出空间变换层的处理结果；

18、通过所述图像训练集对所述全卷积神经网络进行训练，得到目标预测网络。

19、第二方面，本技术实施例提供了一种dvv曲线生成装置，所述dvv曲线生成装置包括：处理模块、预测模块、确定模块和生成模块；

20、所述处理模块用于获取与目标风险器官对应的计划辐射剂量，并基于预设的剂量梯度系数和所述计划辐射剂量生成多个目标辐射剂量，所述剂量梯度系数与所述目标辐射剂量间具有映射关系；

21、针对每个目标辐射剂量，所述预测模块用于将与目标辐射剂量对应的放疗前ct图像和风险器官剂量图像输入至预设的目标预测网络进行特征提取，生成第一形变场；将与目标辐射剂量对应的所述放疗前ct图像和非风险器官剂量图像输入至所述目标预测网络进行特征提取，生成第二形变场；通过所述目标预测网络对第一形变场和第二形变场进行融合，生成目标形变场，并基于目标形变场对与目标辐射剂量对应的放疗前目标风险器官掩膜进行空间变换，预测输出放疗后目标风险器官掩膜；

22、所述确定模块用于根据放疗后目标风险器官掩膜和放疗前目标风险器官掩膜确定出与目标辐射剂量对应的目标萎缩量；

23、所述生成模块用于待输出所有目标辐射剂量对应的目标萎缩量后，基于所有目标萎缩量与剂量梯度系数间的对应关系生成与目标风险器官对应的剂量体积变化曲线dvv。

24、结合第二方面，在一种实施方式中，所述风险器官剂量图像包括左侧风险器官剂量图像和右侧风险器官剂量图像，所述预测模块具体用于：

25、将所述放疗前ct图像和所述左侧风险器官剂量图像输入至所述目标预测网络进行特征提取，以生成左侧形变场；

26、将所述放疗前ct图像和所述右侧风险器官剂量图像输入至所述目标预测网络进行特征提取，以生成右侧形变场；

27、将所述左侧形变场和所述右侧形变场作为第一形变场。

28、结合第二方面，在一种实施方式中，所述预测模块具体还用于：

29、通过所述目标预测网络对所述左侧形变场、所述右侧形变场以及所述第二形变场进行融合，生成目标形变场。

30、结合第二方面，在一种实施方式中，所述装置还包括训练模块，其用于:

31、获取图像训练集，所述图像训练集包括放疗前ct图像及其对应的辐射剂量图像、放疗前风险器官掩膜，所述辐射剂量图像包括剂量为零的辐射剂量图像和剂量不为零的辐射剂量图像，所述辐射剂量图像包括风险器官剂量图像和非风险器官剂量图像；

32、构建全卷积神经网络，所述全卷积神经网络包括输入层、骨干网、空间变换层以及输出层，所述骨干网用于对输入层的输入图像进行特征提取，以生成形变场，所述空间变换层用于通过骨干网输出的形变场进行空间变换处理，所述输出层用于输出空间变换层的处理结果；

33、通过所述图像训练集对所述全卷积神经网络进行训练，得到目标预测网络。

34、第三方面，本技术实施例提供了一种dvv曲线生成设备，所述dvv曲线生成设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的dvv曲线生成程序，其中所述dvv曲线生成程序被所述处理器执行时，实现如前述的dvv曲线生成方法的步骤。

35、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有dvv曲线生成程序，其中所述dvv曲线生成程序被处理器执行时，实现如前述的dvv曲线生成方法的步骤。

36、本技术实施例提供的技术方案带来的有益效果包括：

37、通过获取与目标风险器官对应的计划辐射剂量，并基于预设的剂量梯度系数和计划辐射剂量生成多个目标辐射剂量；通过目标预测网络对放疗前ct图像和风险器官剂量图像进行特征提取，生成第一形变场；再对放疗前ct图像和非风险器官剂量图像进行特征提取，生成第二形变场；接着对第一形变场和第二形变场进行融合，生成目标形变场，以破除非风险器官剂量与风险器官萎缩间的假性相关，使得最后计算出的风险器官萎缩量仅与风险器官剂量相关，以提高萎缩量计算的准确性；基于该目标形变场对与目标辐射剂量对应的放疗前目标风险器官掩膜进行空间变换，预测输出放疗后目标风险器官掩膜；然后根据放疗后目标风险器官掩膜和放疗前目标风险器官掩膜确定出与目标辐射剂量对应的目标萎缩量；待输出所有目标辐射剂量对应的目标萎缩量后，基于所有目标萎缩量与剂量梯度系数间的对应关系生成与目标风险器官对应的剂量体积变化曲线dvv，使得医生无需依赖高水平临床经验就可以从dvv曲线中客观且准确的获悉辐射剂量与风险器官萎缩间的对应关系，从而解决了现有技术中存在的对高水平临床经验依赖性强且判断结果准确性差的技术问题。