一种加速器剂量的动态测量方法与流程

本发明涉及加速器剂量领域，尤其是一种加速器剂量的动态测量方法。

背景技术：

医用直线加速器产生的高能射线，因受多种因素的影响，其输出剂量会经常发生变化，对加速器输出剂量的准确测量是放疗质量保证和质量控制的重要环节，设备输出剂量的精确测定是进行放射治疗最基本的物理学要素，稍有疏忽就可能会造成较大的剂量误差，直接影响到靶区剂量的准确性，从而影响放疗质量。然而，发明人发现，因加速器剂量粒子具有放射性，对人体能够产生危害，因此对剂量的测量方法偏慢，动态测量效率低。

技术实现要素：

针对现有技术存在的不足，本发明的目的是提供一种加速器剂量的动态测量方法，能够对数据集进行丰富，实现对加速器剂量的动态测量，并相应提高测量效率。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明提供了一种加速器剂量的动态测量方法，针对百分深度剂量，采用插值方式进行磁场环境下加速器剂量的动态测量。

上述的动态测量方法中，百分深度剂量是描述射线中心轴不同深度处相对剂量分布的物理量，通过对其进行插值实现数据集的丰富，有利于提高测量的准确度，并获得相应的动态数据输出。

如上所述的一种加速器剂量的动态测量方法，所述插值方式为spine函数插值方式，spine函数在插值过程中，插值点之间不严格等距，能够保证数据输出的多样性，而且在过程中能够保证插值的唯一性，提高测量的效率。

如上所述的一种加速器剂量的动态测量方法，包括如下内容：

随机初始化模糊神将网络各层的连接权重为一群粒子，确定粒子的搜索维度n，初始化这群粒子的位置xi和速度vi；

初始化惯性权重ω，局部最优值pbest和全局最优值gbest，根据适应度函数公式，评价每次迭代后粒子的适应度，并规定最大迭代次数maxinter和最优适应度数值ε；

对插值后输出的百分深度剂量y{y|xi∈y，vi∈y，i＝1，2，3，...，n}的位置xi和速度vi进行最优值搜索，将每个粒子的适应度和该粒子经历过的局部最优值pbest进行比较；

每次迭代结束后，对粒子当前的位置和速度进行调整，调整惯性权重ω；

如果迭代次数达到最大迭代次数maxinter，或者当前适应度数值小于最优适应度数值ε，则结束优化算法，将此时粒子对应的位置和速度输出，实现加速器剂量输出，否则重新计算。

如上所述的一种加速器剂量的动态测量方法，所述将每个粒子的适应度和该粒子经历过的局部最优值pbest进行比较，比较过程如下：

如果粒子的适应度优于局部最优值pbest，则记录当前的位置，并与全局最优值gbest做比较，如果优于全局最优值gbest，则重新设置全局最优值gbest的索引号，并记录此时的全局最优值。

如上所述的一种加速器剂量的动态测量方法，通过粒子群算法进行所述的最优值搜索，粒子群优化为一群随机粒子进行初始化，然后通过迭代来寻找最优解，有利于进一步提高动态测量方法的准确性。

如上所述的一种加速器剂量的动态测量方法，所述采用插值方式的具体计算过程如下：对输入与实现加速器剂量输出进行模糊划分，规定约束空间，基函数退化为其最大的峰值点，采用插值方式实现百分深度剂量的输出。

如上所述的一种加速器剂量的动态测量方法，所述适应度函数通过方差公式进行度量。

如上所述的一种加速器剂量的动态测量方法，所述对粒子位置xi和速度vi通过如下公式进行调整：

vij(n)＝ωvij(n-1)+δvij(n)

xij(n)＝xij(n-1)+vij(n)

其中，δvij是更新速度vij的修正因子，ω是惯性权重。

如上所述的一种加速器剂量的动态测量方法，所述spine函数插值过程中，插值函数处保证平滑。

上述本发明的有益效果如下：

1)本发明通过选择百分深度剂量，并对其进行插值实现数据集的丰富，不仅能够获得动态剂量输出，而且有利于提高动态测量的准确度。

2)本发明通过spine函数进行插值，插值点之间不严格等距，能够保证数据输出的多样性，而且在过程中能够保证插值的唯一性，提高测量的效率。

3)本发明通过粒子群优化进行最优值搜索，粒子群优化为一群随机粒子进行初始化，然后通过迭代来寻找最优解，有利于进一步提高动态测量方法的效率。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明根据一个或多个实施方式的一种加速器剂量的动态测量方法的示意图一。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；

为了方便叙述，本发明中如果出现“上”、“下”、“左”“右”字样，仅表示与附图本身的上、下、左、右方向一致，并不对结构起限定作用,仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

正如背景技术所介绍的，现有技术中存在加速器剂量的动态测量准确度较低的问题，为了解决如上的技术问题，本发明提出了一种加速器剂量的动态测量方法。

术语解释：直线加速器剂量输出的百分深度剂量，是体膜内射线中心轴上某一深度d处的吸收剂量dd与参考深度d0处吸收剂量d0之比的百分数，是描述射线中心轴不同深度处相对剂量分布的物理量。

对于百分深度剂量的数值，采用插值方式进行磁场环境下加速器剂量的动态测量，采用spine函数(样条函数)插值的方式。具体方式如下：

设x和y分别是插值前的百分深度输入与插值后百分深度输出的剂量，a＝{ai}1≤i≤n和b＝{bi}1≤i≤n分别为x和y的模糊划分，对x和y的约束区间为，即x＝[a，b]，y＝[c，d]，

其中，

a＜x1＜x2＜…＜xi＜b(1)

c＜y1＜y2＜…＜yi＜d(2)

其中，xi，yi分别为ai，bi的峰点，ai，bi是百分深度输入剂量x和百分深度输出剂量y分别对应的可积函数。

基函数a′＝{a′i}(1≤i≤n)其中，其一元插值函数函数f(x)为

f(x)＝∑a′i(x)yi(3)

在yi(1≤i≤n)作为y的等距离划分时，a′退化为a，式(3)如下式(4)所示，

f(x)＝∑ai(x)yi(4)

其中，spine函数在插值中，遵循下述原则，

(1)插值点之间不严格等距；

(2)插值函数处保证平滑

插值具体流程如下，

对于上述的点(xi，yi)，i＝1，2，3，...，n，而对于函数s(x)函数满足以下条件，s(x)＝yi，(i＝1，2，3，...，n)；s(x)在区间[xi，xi+1]是三次多项式；s(x)在区间[x，xn]是具有连续的一阶导数及连续的二阶导数；

s(x)是满足该过程的spine插值条件，当s′(x1)和s′(xn)满足下式，

s′(x1)＝m1

s′(xn)＝m2(5)

s(x)在该过程中保证插值唯一，s(x)插值的过程如下，通过插值过程，获得百分深度剂量y，实现数据的预处理。

mi，ki，ki，i+1是待定系数。

一种加速器剂量的动态测量方法，参考图1所示，具体通过如下内容进行计算：

步骤1随机初始化模糊神经网络各层的连接权重为一群粒子(群体规模为m)，确定粒子的搜索维度n，初始化这群粒子的位置xi和速度vi，其中，

xi∈[xmin，xmax]

vi∈[vmin，vmax]

xmin，xmax、vmin，vmax分别表示了位置变化范围和速度变化范围的最大和最小值；

步骤2初始化惯性权重ω，局部最优值pbest和全局最优值gbest，根据适应度函数公式，见公式(11)，评价每次迭代后粒子的适应度，并规定最大迭代次数maxinter和最优适应度数值ε；

训练的适应度函数选择方差(mse)计算公式

其中，y′是期望输出，yi是实际的输出；

步骤3对插值后输出的百分深度剂量y{y|xi∈y，vi∈y，i＝1，2，3，...，n}的位置xi和速度vi，使用粒子群算法进行最优值搜索，将每个粒子的适应度和该粒子经历过的局部最优值pbest进行比较，如果优于局部最优值pbest，则记录当前的位置，并与全局最优值gbest做比较，如果优于全部最优值gbest，则重新设置全部最优值gbest的索引号，并记录此时的全局最优值。

其中，粒子群优化是一种基于群体协作的模拟优化算法。粒子群优化为一群随机粒子进行初始化，然后通过迭代来寻找最优解，所有粒子都有一个由被优化后的函数所确定的适应值，此外，每个粒子都有自身运动的方向和距离，这个方向和距离是由速度决定的，同时这些粒子都会追随当前最优的粒子在解空间中进行搜索，通过粒子群优化算法对比分深度输出剂量进行优化，有利于提高数据测量的准确度。

在d维的搜索空间中，上述插值所获得的百分深度输出剂量y{y|xi∈y，vi∈y，i＝1，2，3，...，n}位置xi和速度vi如下，

xi＝xi1，xi2，...，xin(7)

vi＝vi1，vi2，...，vin(8)。

步骤4每次迭代结束后，使用式(9)和(10)对粒子当前的位置和速度进行调整；调整惯性权重ω，在模型训练学习过程，使用粒子群算法用来训练模型各层之间的权重，最后得到最优的各层惯性权重；

百分深度输出剂量的位置xi与更新速度vi的变换公式为

vij(n)＝ωvij(n-1)+δvij(n)(9)

xij(n-1)+vij(n)(10)

其中，式中δvij是更新速度vij的修正因子，ω是惯性权重。

步骤5如果迭代次数达到最大迭代次数maxinter，或者当前适应度数值小于最优适应度数值ε，则结束优化算法，将此时粒子对应的位置和速度输出，实现加速器剂量输出，否则就从步骤3开始重新计算。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。