[发明专利]基于机器学习的放射治疗计划评估系统及方法

权利要求书

1.基于机器学习的放射治疗计划评估系统，其特征在于，包括：

样本预处理模块，用于从一组高质量的历史放射治疗计划的DICOM数据中进行体素选取、体素特征提取和体素数据标注，输出体素样本；

评估模型训练模块，用于采用样本预处理模块输出的体素样本训练一个机器学习模型作为放射治疗计划评估模型；

预测模块，用于采用训练好的放射治疗计划评估模型对待评估的放射治疗计划数据中的体素进行剂量预测，并进一步为每一个危及器官生成二维DVH预测曲线和三维体素剂量预测分布图；

实际评估模块，用于供物理师参考所述二维DVH预测曲线和三维体素剂量预测分布图对待评估的放射治疗计划进行实际评估。

2.如权利要求1所述的基于机器学习的放射治疗计划评估系统，其特征在于，

所述样本预处理模块包括：

历史放射治疗计划确定模块，用于确定一组高质量的历史放射治疗计划；

体素选取模块，用于从确定的一组高质量的历史放射治疗计划的DICOM数据中进行体素选取：选取靶区周围一定距离范围内的体素作为训练机器学习模型使用的体素数据，体素数据包括危及器官的体素；

体素特征提取模块，用于对选取的体素从DICOM数据中提取特征数据，特征数据包括PTV体积、体素距离PTV靶区的最短距离以及体素距离危及器官最短距离；

体素数据标注模块，用于根据DICOM数据对每个选取的体素标注一个剂量值；

体素样本输出模块，用于将标注后的体素作为体素样本，输出所述体素样本。

3.如权利要求1所述的基于机器学习的放射治疗计划评估系统，其特征在于，

所述评估模型训练模块训练的机器学习模型为基于监督学习方式的一种机器学习模型，

所述机器学习模型可采用如下函数关系式简要表示：

Y＝h(X)

其中，h函数是机器学习模型表达的函数变换关系，X是输入的体素的特征数据，Y是输出的体素的剂量预测值。

4.如权利要求1所述的基于机器学习的放射治疗计划评估系统，其特征在于，

所述实际评估模块进行的实际评估为差异评估，即将待评估放射治疗计划中的剂量值和通过评估模型预测输出的剂量值进行比较，如果待评估计划中的危及器官的剂量值低于或接近评估模型预测输出的剂量值，则表明治疗计划质量较高；如果待评估计划中的危及器官的剂量值高于评估模型预测输出的剂量值，则表明治疗计划质量不高，需要物理师对放射治疗计划进一步优化。

5.如权利要求1-4任意一项所述的基于机器学习的放射治疗计划评估系统，其特征在于，所述预测模块具体用于：

将待评估计划的体素的特征数据值作为输入值，输入放射治疗计划评估模型中，通过模型预测，输出体素的剂量预测值，经处理后进一步形成二维的DVH预测曲线和三维的体素剂量预测分布图。

6.基于机器学习的放射治疗计划评估方法，其特征在于，包括以下步骤：

a.从一组高质量的历史放射治疗计划的DICOM数据中进行体素选取、体素特征提取和体素数据标注，获得体素样本；

b.利用体素样本训练一个机器学习模型作为放射治疗计划评估模型；

c.采用训练好的放射治疗计划评估模型对待评估的放射治疗计划数据中的体素进行剂量预测，并进一步为每一个危及器官生成二维DVH预测曲线和三维体素剂量预测分布图；

d.物理师参考所述二维DVH预测曲线和三维体素剂量预测分布图对待评估的放射治疗计划进行实际评估。