[发明专利]一种预测放疗计划剂量分布的方法、装置、设备及存储介质

权利要求书

1.一种预测放疗计划剂量分布的方法，其特征在于，所述方法包括：

对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据；

对在所述专家计划数据库中的精细剂量分布图进行压缩，得到用于模型训练的压缩剂量分布图；

根据所述用于模型训练的结构影像数据和所述用于模型训练的压缩剂量分布图，对用于预测放疗计划剂量分布的剂量预测模型进行基于深度学习的训练，得到已训练的基于深度学习的剂量预测模型；

对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据；

根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述新患者进行放疗的压缩剂量分布图；

将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果。

2.根据权利要求1所述的方法，其特征在于，所述对在专家计划数据库的医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到用于模型训练的结构影像数据包括：

为每个轮廓对应的结构分配灰度值作为每个所述结构的轮廓标签；

在所述专家计划数据库的医学影像中确定相互重叠的结构，并将重叠的结构的灰度值之和作为结构重叠部分的重叠标签；

在所述专家计划数据库的医学影像中，对位置信息进行定义，分别标注射野内和射野外结构，并且标注正常组织内每个体素到靶区的最小距离，生成位置标签；

根据每个所述结构的轮廓标签、所述结构重叠部分的重叠标签和所述位置标签，得到所述用于模型训练的结构影像数据。

3.根据权利要求2所述的方法，其特征在于，在得到已训练的基于深度学习的剂量预测模型之后，还包括对所述已训练的基于深度学习的剂量预测模型的验证步骤包括：

利用三维剂量评价算法和在所述专家计划数据库中的用于模型验证的精细剂量分布图，确定利用所述已训练的基于深度学习的剂量预测模型及平滑处理算法得到的精细剂量分布图是否达到标准；

若达到标准，则确定所述已训练的基于深度学习的剂量预测模型通过验证。

4.根据权利要求1-3任意一项所述的方法，其特征在于，所述对在新患者肿瘤医学影像上进行靶区及危及器官勾画而得到的轮廓进行结构化处理，得到所述新患者危及器官及靶区的结构影像数据包括：

为每个轮廓对应的结构分配灰度值作为每个所述结构的轮廓标签；

在所述新患者肿瘤医学影像中确定相互重叠的结构，并将重叠的结构的灰度值之和作为结构重叠部分的重叠标签；

在所述新患者肿瘤医学影像中，对位置信息进行定义，分别标注射野内和射野外结构，并且标注正常组织内每个体素到靶区的最小距离，生成位置标签；

根据每个所述结构的轮廓标签、结构重叠部分的重叠标签和所述位置标签，得到所述新患者的结构影像数据。

5.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述基于深度学习的剂量预测模型和所述新患者的结构影像数据，预测用于对所述患者进行放疗的压缩剂量分布图包括：

将所述新患者的结构影像数据输入至所述基于深度学习的剂量预测模型，得到所述压缩剂量分布图。

6.根据权利要求1-3任意一项所述的方法，其特征在于，所述将用于对所述新患者进行放疗的压缩剂量分布图还原为精细剂量分布图作为所述新患者的剂量分布预测结果包括：

利用平滑处理算法，对所述压缩剂量分布图进行平滑处理，得到精细剂量分布图作为剂量分布预测结果。