[发明专利]一种三维剂量计算方法、计算机设备以及可读介质

说明书

本发明公开了一种三维剂量计算方法、计算机设备以及可读介质，所述三维剂量计算方法包括步骤：获取病人的影像图像；对所述影像图像进行处理，得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图；其中，若干所述射束单元由射野进行网格化拆分得到；将所述介质材料分布图、电子密度分布图、单个所述TERMA分布图各作为一个通道进行融合，输入至经训练的神经网络模型中，得到单个三维剂量分布，通过若干个所述单个三维剂量分布叠加计算所述射野的三维计量分布，本发明在不降低计算精确度的同时，提高其计算效率。

技术领域

本发明属于放射治疗剂量计算技术领域，具体涉及一种三维剂量计算方法、计算机设备及可读介质。

背景技术

现代放射治疗技术的实施离不放射治疗剂量计算，剂量计算在放疗各方面，包括用于计划的剂量优化、剂量分布的计算，甚至是计划的独立验算和三维剂量验证等。不同的算法都存在考虑计算效率和计算和准确度平衡的问题。例如，笔形束算法的计算速度较快，但准确度稍差，蒙特卡罗剂量算法的准确度最高，但计算速度较慢。筒串卷积算法的计算准确度和速度则位于两者之间。因此，一直以来，提高计算准确度的同时努力提高计算效率是剂量算法研究所追求的目标。

深度学习有初步的研究开始在剂量计算中进行应用，申请人检索到两篇相关的文献：Xing,Y.等人通过Hierarchically Densely Connected U-net(HD U-net)模型把Fluence-convolution broad-beam(FCBB)算法的计算结果转换成筒串卷积计算结果。Dong,P.等人则通过搭建deep learning-based dose calculation network把AAA算法的低分辨率结果转换成AXB算法的高分辨率结果。这些研究的目的都是想利用深度学习的技术，对两种剂量计算方法结果的转换，即把计算速度快的剂量计算结果转换成计算精度较高的剂量，在提高剂量计算准确性的同时努力获得较高的计算效率。但是以上所训练模型都与医用直线加速器所对应的能量以及型号相关联，缺乏通用性。此外因为射野形状的不规则，需要大量包含各种射野条件的数据，增加训练难度。因此，现有技术的剂量算法还存在计算速度慢和精度不高的缺点。

发明内容

为了克服上述技术缺陷，本发明提供了一种三维剂量计算方法、计算机设备及可读介质，其能提高三维剂量的计算效率。

为了解决上述问题，本发明按以下技术方案予以实现的：

第一方面，本发明提供的一种三维剂量计算方法，所述计算方法包括：

获取病人的影像图像；

对所述影像图像进行处理，得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图；其中，若干所述射束单元由射野进行网格化拆分得到；

将所述介质材料分布图、电子密度分布图、单个所述TERMA分布图各作为一个通道进行融合，输入至经训练的神经网络模型中，得到单个三维剂量分布，其中，神经网络模型是通过已有剂量算法，在基于不同射束单元和不同影像图像生成剂量数据作为训练样本，经过训练确定参数构建而成；

通过若干个所述单个三维剂量分布叠加计算所述射野的三维计量分布。

进一步的，所述对所述影像图像进行处理，得到介质材料分布图、电子密度分布图和与若干单个射束单元分别对应的若干个TERMA分布图的步骤，包括：

根据影像图像获取介质材料分布图和电子密度分布图；

根据射束单元、介质材料分布图和电子密度分布图，计算若干初入射的单个射束单元与介质发生相互作用的量TERMA；

由TERMA构建TERMA分布图；

对介质材料分布图、电子密度分布图和单个TERMA分布图进行插值处理；