[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

说明书

本发明公开了放疗计划中的剂量预测方法、装置、计算机设备及存储介质，方法包括：将划靶区的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；利用优化后的自编码模型对剂量进行预测。本发明在损失函数中加入一个有关处方剂量的约束项，提高了放疗计划中剂量预测的准确度。

技术领域

本发明涉及人工智能技术领域，特别涉及放疗计划中的剂量预测方法、装置、计算机设备及存储介质。

背景技术

放疗计划的实施步骤是，首先对病人进行CT扫描，得到CT定位影像。然后，医生和物理师在CT定位影像上绘制Planning Target Volume(PTV，计划靶区)的3D轮廓，以及Organs at risks(OARs，危及器官)的3D轮廓。接着，物理师设计放疗计划，在制定放疗计划的过程中，可以生成剂量图(Dose images/dose distribution)。

在深度学习逐渐进入放疗领域之后，目前也会结合使用深度学习模型，基于医生和物理师绘制的PTV和OARs轮廓，自动生成一个虚拟剂量图。然后，使用这个虚拟剂量图引导物理师的放疗计划设计。

现有技术中，利用深度学习模型进行学习时，一般采用的损失函数是均方差函数(mean squared error)，均方差对比的一方是作为金标准的临床上实施的放疗计划的剂量图，另一方是预测得到的虚拟剂量图。也就是说，现有技术中的学习模型仅考虑全局的剂量图，导致最终的预测结果准确性不高。

发明内容

本发明的目的是提供放疗计划中的剂量预测方法、装置、计算机设备及存储介质，旨在解决现有放疗计划中的剂量预测方式准确性不高的问题。

第一方面，本发明实施例提供一种放疗计划中的剂量预测方法，其中，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。

第二方面，本发明实施例提供一种放疗计划中的剂量预测装置，其中，包括：

获取单元，用于获取在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；

模型构建单元，用于将所述计划靶区的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

深度学习单元，用于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；