[发明专利]人工智能引导的剂量预测方法与系统

说明书

本发明公开了一种人工智能引导的剂量预测方法与系统，其中，剂量预测方法包括：获取病人以预设格式存储的医学影像；对医学影像进行勾画以获取几何解剖结构；根据医学影像对应的病种信息、几何解剖结构以及预设的病种‑处方模板库确定处方；根据病种信息、几何解剖结构和处方确定放疗照射角度；将病种信息、几何解剖结构、处方和放疗照射角度输入训练完成的剂量预测模型，得出放疗剂量结果。通过本发明的技术方案，实现了全自动的剂量预测，提高了剂量预测的效率和效果。

技术领域

本发明涉及智能医疗技术领域，尤其涉及一种人工智能引导的剂量预测方法与一种人工智能引导的剂量预测系统。

背景技术

肿瘤放射治疗已经成为乳腺癌肿瘤治疗主要方式之一，已成为肿瘤治疗的三大手段之一。其关键目的是在确保靶区达到处方剂量的同时，尽可能的降低周围正常组织的剂量沉积。剂量学验证是当前临床放疗技术质量控制与质量审核的主要方式。同样，我们在制作放疗计划的过程中，剂量体积也是我们评估计划质量和预测标准的主要指标。但放疗计划的质量受限于计划设计人员的经验累积，不同机构对于不同乳腺类型靶区的勾画，计划设计使用的设备等都存在很大的差异，计划质量的一致性难以保证。同时，临床计划多服从于群体化的规范标准，无法为患者提供个体化的治疗计划。研究表明，通过AI人工智能技术学习患者解剖结构对剂量沉积的影响，可以在计划设计之前预测新患者的剂量信息。这可以为剂量学验证和质量控制提供标准，满足患者的个体化特异性需求，同时为放疗自动化提供基础。在乳腺癌放疗计划当中最复杂的就是使用X线的调强技术进行胸壁、锁上和腋窝的复杂靶区联合照射，对于制作这种乳腺数据的放疗计划，无论是对靶区剂量的提升还是减少危机器官的受量都要做到细致入微。因此，精准的剂量预测至关重要。

如今，三维剂量分布预测模型分为基于BP(back propagation，反向传播)神经网络和基于深度卷积网络。前者通过学习危及器官中每个体素点的剂量与患者几何解剖结构之间的关系训练模型，在三维剂量分布中，将体元作为训练目标，以危及器官的每个体素作为目标，凭借经验提取可能影响剂量沉积的特征作为BP神经网络的输入，对应的体素点剂量作为模型输出，通过神经网络的反向传播算法训练网络。基于BP神经网络的三维剂量分布预测方法需要人工手动提取特征，这导致了特征选择具有很强的主观性。目前常用的网络模型包括U-net，DenseNet，HD U-net等，基于GAN网络的相对较少。

现有技术中具有一种基于Pix2pix的患者几何解剖结构和器官三维剂量分布的预测模型，该方法不仅充分考虑了器官体积与体素受量，还考虑了射线角度信息。Pix2pix作为对抗生成网络的一种，作为生成器负责生成预测剂量图像，判别器负责判别真实剂量与生成剂量。通过不断迭代训练，最终模型可以预测出接近真实剂量的预测图像，物理师可以使用预测剂量快速绘制计划DVH曲线，减短计划制作周期。但是上述方法的处方和照射角度需要有经验的医生和物理师确定的，无法做到全自动的剂量预测。

发明内容

针对上述问题中的至少之一，本发明提供了一种人工智能引导的剂量预测方法与系统，在基于几何解剖结构和器官三维剂量分布的预测模型基础上，增加了处方剂量预测模型和照射角度自动优化过程，实现了全自动的剂量预测，其中，剂量预测采用基于Pix2pix的剂量预测模型，结合照射角度实现计划靶区的剂量预测，生成器保留了底层信息为预测图像的细节提供了保证，从而提高了剂量预测的效率和效果。

为实现上述目的，本发明提供了一种人工智能引导的剂量预测方法，包括：获取病人以预设格式存储的医学影像；对所述医学影像进行勾画以获取几何解剖结构；根据所述医学影像对应的病种信息、所述几何解剖结构以及预设的病种-处方模板库确定处方；根据所述病种信息、所述几何解剖结构和所述处方确定放疗照射角度；将所述病种信息、所述几何解剖结构、所述处方和所述放疗照射角度输入训练完成的剂量预测模型，得出放疗剂量结果。