[发明专利]一种智能放疗计划方法、设备和存储介质

说明书

本发明属于放射治疗与计算机技术领域，涉及一种智能放疗计划方法、设备和存储介质。该方法包括步骤：(1)通过计划评估方法筛选理想学习库；(2)通过机器学习方法建立预测理想放射治疗计划的方法：i.通过机器学习方法学习形成神经网络；ii.当新病人影像或者模型导入后，通过第一神经网络完成靶区自动勾画；iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果；(3)计划确定，通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。本发明能够极速完成放射治疗计划的制定；并且能够自动完成放射治疗计划的制定，大大提高效率；减少医生和物理师的工作负担，缩短了患者的等待时间。

技术领域

本发明属于放射治疗与计算机技术领域，涉及一种智能放疗计划方法、设备和存储介质。

背景技术

现有技术中，放射治疗的优化方法是通过医生与物理师设定输入条件，进行逆向优化，并求解得到放射治疗计划。目前比较成熟的优化方法包括通量图优化方法、直接子野优化方法。优化方法所采用的优化算法，包括牛顿法、拟牛顿法、梯度法、共轭梯度法等等。由于从头求解，往往陷入局部最优解，从而导致所得到的计划往往不是最佳的，最终影响计划的质量，病人的疗效。

另外，传统完成一个计划的过程需要几十分钟到十几个小时，效率非常低下，大大需要物理师和医生的经验完成。

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。网络结构中最著名的为卷积神经网络(CNN)，卷积神经网络是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的(即相同的)。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度(对于很难学习的深层结构来说，这是非常重要的)，减少了权值的数量。本发明正是将机器学习与神经网络应用到自动放射治疗计划方法中来解决现有技术中的问题。

发明内容

本发明的目的在于为克服上述现有技术的缺陷而提供一种智能放疗计划方法、设备和存储介质。

为实现上述目的，本发明采用以下技术方案：

一种智能放疗计划方法，适于在计算设备中执行，包括如下步骤：

(1)通过计划评估方法筛选理想学习库；

(2)根据筛选得到的理想学习库，通过机器学习方法建立预测理想放射治疗计划的方法：

i.通过机器学习方法学习形成第一和第二神经网络；

ii.当新病人影像或者模型导入后，通过第一神经网络完成靶区自动勾画；

iii.通过第二神经网络自动预测理想放射治疗计划与理想放射治疗计划结果；

(3)计划确定，通过基于剂量计算的计划确定方法或者基于逆向优化方法的计划确定方法实现。

步骤(1)中，计划评估方法筛选理想数据库是将待筛选的放射治疗计划与医嘱中的放射治疗剂量对比，将待筛选的放射治疗计划的剂量体积直方图(DVH)和/或等剂量线中的各参数加权评分，判断与医嘱剂量的接近程度，评分结果满足接近程度打分阈值的放射治疗计划筛选进入理想学习库。

步骤(2)中，所述的理想放射治疗计划包括射野形状与方向、准直器运动序列与方向、剂量率、能量等；所述的理想放射治疗计划结果包括理想剂量分布和/或理想剂量体积直方图。

步骤(3)中，所述的基于剂量计算的评估方法，包括如下步骤：