本发明涉及粒子束放射治疗剂量计算领域，具体涉及使用笔形束剂量算法时将粒子注量分解为笔形束的方法。
背景技术：
使用粒子束放疗是放射治疗的基本手段，它包括传统的光子、电子束放疗，也包括新兴的质子、离子束放疗。后两种粒子束在介质中的剂量沉积有“布拉格峰”，即粒子在路径末端迅速损失能量，产生很高的局部剂量沉积，而在剂量峰值之前剂量较低，峰值之后一段距离上就完全没有剂量沉积。布拉格峰位置依赖于粒子能量和介质密度。质子和离子束的这一特点非常适合肿瘤治疗，通过合适的射野形状设计和质子束能量的动态调节,几乎可以对任何形状的肿瘤进行完美的“适形”照射。笔形束扫描技术是一种新型的放疗技术，该方法通过磁体等手段精确地控制加速器出来的带电粒子束的照射位置，使各个照射能量下，照射区域和靶区形状吻合，极大地降低了正常组织的受照射剂量。质子和重离子放疗要精准的控制各个扫描束的扫描位置、能量、权重来实现对靶区的高剂量照射就需要精准的剂量计算。目前笔形束算法是惟一能同时在精度和速度上达到临床要求的质子剂量计算算法。该方法将各个扫描束分解成若干个微小的笔形束，每个笔形束具有高斯型分布。独立计算各个笔形束的剂量值，然后对各个笔形束求和即可得到总的照射剂量。剂量计算的精度、速度和笔形束分解方法直接相关，使用划分得更细的笔形束能更好的处理横向非均匀性，从而提高计算精度，但是笔形束分解得更细能提高精度的同时也会增加计算时间。
目前的笔形束分解方法有三种，一种是用矩形网格对有相同能量的各个扫描束进行整体分解，该方法缺点是无法得到各个扫描束各自的剂量分布。第二种方法也是矩形分解，但是是对各个扫描束独自进行分解，其缺点则是一般一个扫描束要分解成许多个笔形束，效率较低。第三种方法则是在圆环上分解，即一个扫描束分解为中心的笔形束和内层圆环上的6个和外侧圆环上的12个笔形束。该方法效率比第二种方法高，但原始束流强度和分解后各笔形束强度之和最大差距可以达9％，该误差导致剂量计算中出现一些锯齿状的剂量分布。而且该方法有很大的经验性，比如两个圆环的大小和各个笔形束的权重。此外该方法仅适用于原始扫描束为圆形(即对称高斯分布)的情形，也只能分解为圆形笔形束。
技术实现要素：
本发明技术解决问题：克服现有技术的不足，提供一种用优化算法进行笔形束分解的方法，用于提高笔形束分解的精度和效率，可以用于放疗计划系统的剂量计算中，提高剂量计算的精度和速度。
本发明技术解决方案：一种基于优化算法的粒子束注量分解为笔形束的方法，实现步骤如下：
(1)通过实验测量得到粒子束的注量分布Φbeam(x,y)，并作为优化分解的输入；
(2)根据计算需要选取各个笔形束的分布函数Φi(x,y)的形式，只要该函数可积，该函数包括表征其中心位置、大小的参数，分解后的粒子总注量分布为wi是各个笔形束的权重，分解的误差即为△Φ(x,y)＝|Φbeam(x,y)-Φdecomp(x,y)|；
(3)确定优化笔形束分解的约束条件和优化目标，这些约束和目标包括分解的误差△Φ(x,y)，笔形束的个数，以及笔形束的大小；
(4)优化计算得到各笔形束的中心位置、大小、权重或强度参数，作为后续剂量计算程序的输入。
所述步骤(4)使用的优化算法包括但不限于遗传算法、蚁群算法、模拟退火算法等，使用优化算法对粒子束通量/注量进行笔形束最优分解，避免了传统方法分解效率低及依赖经验参数的问题。
所述步骤(3)约束条件和优化目标：分解误差△Φ(x,y)、分解成的笔形束个数N、权重以及各个笔形束的大小，可以根据具体的需要，灵活设定约束条件和优化目标，包括三种形式：
约束条件为分解后的笔形束个数N和各笔形束的大小，优化目标是△Φ尽可能小，以减小误差；
约束条件为△Φ小于设定值和笔形束的大小限制，优化目标则是分解的笔形束数目N尽可能小，以提高剂量计算的速度；
约束条件为限制N和△Φ，优化目标是分解的笔形束大小尽可能小，以提高剂量计算的精度。
所述笔形束有多种形式，包括高斯型分布、拉普拉斯分布、柯西分布，对于高斯分布可是圆形高斯分布σ是高斯分布的标准差，也可以是椭圆形的二维高斯分布优化输出的是各笔形束的中心位置、大小、权重参数。
本发明与现有技术相比的优点：
(1)基于优化算法对的粒子束注量分解为笔形束的方法，避免了传统方法分解效率低(矩形网格方法)及依赖经验参数(基于圆环上的分解)的问题。
(2)可以看出，该方法具有适用性广，圆形和椭圆形高斯分布的粒子束均支持，甚至原始粒子束不是高斯型分布也可以使用此方法；既可以分解为圆形高斯分布的笔形束(即x和y方向分布相同)也可以分解为椭圆形高斯分布的笔形束，分解为具有其他分布函数的笔形束也支持，只要该分布函数可积。本发明的精度与速度的取舍也很容易，分解成的笔形束数目、分解的注量/通量分布误差，笔形束大小均可以灵活设置。
附图说明
图1是本发明的流程图；
图2是使用遗传算法进行粒子束注量笔形束最优分解的过程示意图；
图3是原始粒子束注量分布与分解后的笔形束的分布。
具体实施方式
如图1所示，针对带电粒子放疗剂量计算中需要进行笔形束分解的需要，本方法提供了一种基于优化算法的粒子束注量分解为笔形束的方法。首先用电离室等设备测量或其他方法得到粒子束的注量分布Φbeam(x,y)，该分布的中心在原点。Φbeam(x,y)将作为优化分解的输入。假设分解的N个笔形束各自的注量分布为Φi(x,y)i＝1,2…N，分解后的注量分布为wi为第i个笔形束的权重，0<wi<1，且Σwi＝1。
笔形束的分布通常取高斯型分布：
Φi(x,y)＝G(x,y,xi,yi,σxi,σyi)
其中xi和yi是其中心位置，σxi和σyi反映的则是笔形束在x和y方向上的大小，也是高斯函数的标准差。
笔形束分解的误差△Φ＝|Φbeam(x,y)-Φdecomp(x,y)|，显然最大误差为△Φmax＝|Φbeam(x,y)-Φdecomp(x,y)|max，平均误差为
基于优化算法进行粒子束注量的笔形束分解可以设定不同的分解约束条件和优化目标，从而达到不同的目的：
1)约束条件为分解后的笔形束个数N和各个笔形束的大小(σxi和σyi)限制，优化目标则是原始扫描束的分布与分解后各笔形束之和差别ΔΦave尽可能小，优化得到满足一定速度限制下精度最高的分解方法。
2)约束条件设为原始扫描束的分布与分解后各笔形束之和差别ΔΦ小于特定值(如Φbeam(x,y)最大值的3％)，以及笔形束的大小(σxi和σyi)限制，优化目标则是分解的笔形束数量N尽可能少，优化得到满足一定精度要求下效率最高的分解方法。
3)约束条件设为原始扫描束的分布与分解后各笔形束之和差别ΔΦ小于给定值，以及笔形束的个数N，优化目标则是分解的笔形束尽可能的小，优化得到满足一定精度和速度要求下最细致的笔形束分解方法，即σxi和σyi尽可能小。
确定优化目标、约束条件后需要确定优化参数，一般是各个笔形束的中心位置、大小和权重等参数。实际实施过程中可以根据原始粒子束注量分布特征减小优化的参数，例如如果粒子束注量分布是关于x轴对称的，则显然可以要求分解的笔形束也具有相同的对称性，这样能减少优化参数的个数，大大降低问题的计算复杂度。
优化计算就可以得到各个笔形束的中心位置、大小和权重等参数，即最优的笔形束分解方法。
如图2所示，现在以第一种约束、优化设置为例，优化算法以遗传算法为例，对给定分解笔形束数目和大小限制的条件下得到注量误差最小的笔形束分解方法最优方法的实施过程加以说明。假设笔形束分解个数为N，且分解的笔形束为对称的高斯分布(即σxi＝σyi，简记为σi)。
1)用平板电离室或其他设备测量得到粒子束的注量分布Φbeam(x,y)，且Φbeam(x,y)是归一的，即其积分等于1。
3)确定约束条件：要求σi小于σm，σm的选择主要依据计算需要和原始注量的分布特征，比如可以取原始粒子束分布Φbeam(x,y)半高宽的1/4，此外要求ΔΦmax小于特定值如0.05*Φbeam(0,0)，且
4)优化参数为xi、yi、σi和wi，i＝1,2…N，确定各变量取值范围，优化目标为ΔΦave尽可能小。
5)形成初始化的群体，群体中每个个体对应于一个分解方案，即一套xi、yi、σi和wi的值。
6)评价群体中的每个个体，要求满足约束条件，按照上一节所述方法计算个体j的ΔΦave(j)，并依据ΔΦave(j)的值对各个个体进行遗传操作，包括选择、交叉、变异等获取下一代个体，模拟优胜劣汰的进化过程。
7)对各代进行演化从而得到满足要求的个体，即最优解。
优化计算时，如果得不到符合优化目标的分解方案，则应检查是否是因为优化条件设置得太严格，比如要求分解误差很小，但允许的笔形束数量很少。则应该修改约束条件或降低。
如图3所示，是一个粒子束分解为笔形束的结果的示意图，(a)是原始的粒子束注量分布图，(b)是其分解成的7个笔形束，每个笔形束都是圆形高斯分布。7个笔形束的分布之和接近于原始的注量分布，但可以看出分解后的笔形束大小更小，能提高剂量计算的精度，特别是处理横向非均匀性时。
总之，基于笔形束算法的放疗剂量计算需要将粒子束分解为小的笔形束，各个笔形束通常选用高斯型分布，总的剂量分布为各个笔形束的剂量分布之和。本发明即是一种用优化算法解决带电粒子(如质子、重离子)放疗剂量计算中粒子束注量分解问题的方法，具有适用性广、其分解后的总注量分布和原始分布相比吻合度更高，或者相同误差情况下，分解成的笔形束更少，能大大提高粒子束放疗剂量计算的速度或精度。
本发明未详细阐述的部分属于本领域的公知技术。