[发明专利]放疗计划中的剂量预测方法、装置、计算机设备及存储介质

权利要求书

1.一种放疗计划中的剂量预测方法，其特征在于，包括：

获取在CT影像上绘制的计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本；

将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新；

利用所述自编码模型对所述计划靶区的3D轮廓样本，以及危及器官的3D轮廓样本进行学习，并生成全局虚拟剂量图和计划靶区掩膜的局部虚拟剂量图；

采用损失函数对所述自编码模型进行优化，所述损失函数包含了剂量图约束项和处方剂量约束项，所述剂量图约束项为对全局虚拟剂量图的约束项，所述处方剂量约束项为对局部虚拟剂量图的约束项；

将目标CT影像上绘制的计划靶区的实际3D轮廓以及危及器官的实际3D轮廓输入至优化后的自编码模型，对剂量进行预测；

所述剂量图约束项和处方剂量约束项为均方差约束项；

所述剂量图约束项如下所示：其中，N为全局体素点的个数，为全局实际剂量图中体素点t的实际剂量值，为全局虚拟剂量图中体素点t的预测剂量值；

所述处方剂量约束项如下所示：其中，K为计划靶区掩膜中体素点的个数，为计划靶区掩膜中体素点t的实际处方剂量值，为计划靶区掩膜中体素点t的预测处方剂量值；

所述损失函数如下所示：L＝α*L1+β*L2，α和β为常量。

2.根据权利要求1所述的放疗计划中的剂量预测方法，其特征在于，所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新，包括：

将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至第一卷积层进行卷积处理；

将所述第一卷积层的输出送入至第一relu层进行激活处理；

将所述第一relu层的输出送入至第二卷积层进行卷积处理；

将所述第二卷积层的输出送入至第二relu层进行激活处理；

将所述第二relu层的输出送入至第一池化层进行池化处理；

将所述第一池化层的输出送入至第三卷积层进行卷积处理；

将所述第三卷积层的输出送入至第三relu层进行激活处理；

将所述第三relu层的输出送入至第四卷积层进行卷积处理；

将所述第四卷积层的输出送入至第四relu层进行激活处理；

将所述第四relu层的输出送入至第二池化层进行池化处理；

将所述第二池化层的输出送入至全连接层进行降维处理，得到中间信号。

3.根据权利要求1所述的放疗计划中的剂量预测方法，其特征在于，所述将所述计划靶区的3D轮廓样本和危及器官的3D轮廓样本输入至卷积层进行卷积；再使用全连接层进行降维，得到中间信号；然后将中间信号送入反卷积层进行反卷积，得到恢复信号，并基于所述恢复信号完成自编码模型的构建和更新，还包括：

将所述中间信号送入至第一反卷积层进行反卷积处理；

将所述第一反卷积层的输出送入至第五relu层进行激活处理；

将所述第五relu层的输出送入至第二反卷积层进行反卷积处理；

将所述第二反卷积层的输出送入至第六relu层进行激活处理；

将所述第六relu层的输出送入至第三池化层进行池化处理；

将所述第三池化层的输出送入至第三反卷积层进行反卷积处理；

将所述第三反卷积层的输出送入第七relu层进行激活处理；

将所述第七relu层的输出送入第四反卷积层进行反卷积处理；

将所述第四反卷积层的输出送入至第八relu层进行激活处理；

将所述第八relu层的输出送入至第四池化层进行池化处理，得到恢复信号。