[发明专利]基于深度学习的直肠癌放疗计划自动化设计方法

说明书

本发明提供了一种基于深度学习的直肠癌放疗计划自动化设计方法，所述方法包括搭建用于深度学习的U‑Net神经网络，建立病例数据库，所述病例数据库为直肠癌的临床调强放疗计划数据；对所述病例数据库进行深度学习，以训练U‑Net神经网络；将CT定位数据的img文件传输给训练后的U‑Net神经网络，以获得经U‑Net神经网络输出的预测靶区和预测剂量分布；根据所述预测靶区和所述预测剂量分布获取剂量目标函数；使用Pinnacle计划系统根据所述预测靶区和所述剂量目标函数设计放疗计划。由此可见，本发明的基于深度学习的直肠癌放疗计划自动化设计方法集成了靶区勾画技术、剂量预测技术以及自动计划技术，结合Pinnacle计划系统实现了个体化放疗计划的全自动设计流程。

技术领域

本发明涉及医学放射治疗技术领域，特别涉及一种基于深度学习的直肠癌放疗计划自动化设计方法。

背景技术

调强放射治疗(IMRT)是一种常见的放射治疗方式，该技术可以满足高剂量分布与靶区高度适形的同时，有效地保护周围正常组织和危及器官不受或少受不必要的照射，因此成为了当今多种肿瘤类型的主要治疗方式之一。由于每个患者均具有几何结构特异性，相应的放疗计划表现应有所不同，因此要想有效保证患者接受到最佳治疗，放疗计划的设计过程应将该特异性考虑其中，做到患者针对性设计，包括靶区勾画和计划设计两个部分。

近些年来，有研究团队致力于剂量预测方法、靶区勾画和计划系统实现自动化计划设计过程。具体的，2016年，song等人在Radiotherapy and Oncology 上发表了文章“Fully automatic volumetric modulated arc therapy plan generation for rectalcancer”，文章提出了一个以Pinnacle脚本为基础的自动计划方法。2017年，Men等人在Medical Physics上发表文章“Automatic segmentation of the clinical targetvolume and organs at risk in the planning CT for rectal cancer using deepdilated convolutional neural networks”，文章提出了基于DDCNN的实现直肠癌靶区和危及器官的勾画。2018年，Liu等人在Medical Physics上发表文章“Automatic treatmentplanning based on three-dimensional dose distribution predicted from deeplearning technique”，文章提出了基于深度学习进行体素内剂量预测的方法，可以改善计划设计的指标和效率。

但以上几个方法均存在的问题是只是研究了计划设计过程中的一部分流程，而没有完成完整的计划设计。针对现有方法的局限性，本领域技术人员一直在寻找解决的方法。

发明内容

本发明的目的在于提供一种基于深度学习的直肠癌放疗计划自动化设计方法，以解决使用现有技术中计划设计方法仅限于部分流程，不够完整的问题。

为解决上述技术问题，本发明提供一种基于深度学习的直肠癌放疗计划自动化设计方法，所述基于深度学习的直肠癌放疗计划自动化设计方法包括如下步骤：

搭建U-Net神经网络；

建立病例数据库，所述病例数据库为直肠癌的临床调强放疗计划数据，所述直肠癌的临床调强放疗计划数据至少包括病例靶区和病例剂量分布；

对所述病例数据库进行深度学习，以训练U-Net神经网络；

将CT定位数据的img文件传输给训练后的U-Net神经网络，以获得经训练后的U-Net神经网络输出的预测靶区和预测剂量分布；

根据所述预测剂量分布获取剂量目标函数；