[发明专利]剂量确定方法及装置

权利要求书

1.一种剂量确定方法，其特征在于，包括：

对计划文件通过第一剂量计算算法计算第一剂量；

获取所述计划文件对应的特征信息，其中，所述特征信息包括所述计划文件对应的电子计算机断层扫描仪CT影像；

将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量，其中，所述深度学习网络模型由多组训练样本训练而成，每组训练样本包括输入的计划文件的第一剂量和特征信息，以及对应的第二剂量。

2.根据权利要求1所述的方法，其特征在于，将所述第一剂量和所述特征信息输入深度学习网络模型，由所述深度学习网络模型输出对应的第二剂量之前，包括：

建立深度学习网络模型，确定训练样本和测试样本，其中，所述测试样本包括计划文件的通过第一剂量计算算法计算得到的第一剂量和特征信息，以及对应的通过第二剂量计算算法计算得到的第二剂量；

根据所述训练样本训练所述深度学习网络模型；

根据测试样本对训练完成的深度学习网络模型进行检测，在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，不超过预设差值的情况下，确定所述深度学习网络模型训练有效；

在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，超过预设差值的情况下，对所述深度学习网络模型继续训练。

3.根据权利要求2所述的方法，其特征在于，根据所述训练样本训练所述深度学习网络模型之前，包括：

通过插值法对所述训练样本进行调整，以使所述第一剂量和所述第二剂量，与特征信息的像素点对应的物理坐标值相同。

4.根据权利要求2所述的方法，其特征在于，根据测试样本对训练完成的深度学习网络模型进行检测包括：

将所述测试样本的第一剂量和特征信息，输入所述训练完成的深度学习网络，得到所述训练完成的深度学习网络的输出第二剂量，并通过所述第二剂量计算算法得到计算第二剂量；

以所述计算第二剂量作为参考，计算所述输出第二剂量与所述计算第二剂量之间的伽马分析通过率，并分别计算绘制所述输出第二剂量的剂量体积直方图和所述计算第二剂量的剂量体积直方图，确定所述输出第二剂量的剂量体积直方图和所述计算第二剂量的剂量体积直方图的差异；

在所述输出第二剂量与所述计算第二剂量计算得到的伽马通过率达到预设通过率，且在所述输出第二剂量的剂量体积直方图和所述计算第二剂量的剂量体积直方图的差异不超过预设差异的情况下，确定所述深度学习网络模型训练有效。

5.根据权利要求2所述的方法，其特征在于，在深度学习网络模型输出的第二剂量与所述测试样本中的第二剂量的差，超过预设差值的情况下，对所述深度学习网络模型继续训练包括：

获取系统中除所述训练样本和测试样本之外的历史计划文件，以及历史计划文件对应的特征信息，作为第一更新训练样本，其中，所述历史计划文件与所述计划文件对应的对象的种类相同；通过第一更新训练样本对所述深度学习网络模型进行训练；

和/或，获取所述训练样本的计划文件的除所述CT影像之外的特征信息，更新所述训练样本的特征信息，对所述深度学习网络模型进行训练；

和/或，修改所述深度学习网络模型的网络结构和模型参数，通过所述训练样本对修改后的深度学习网络模型进行训练。

6.根据权利要求5所述的方法，其特征在于，修改所述深度学习网络模型的网络结构和模型参数包括下列至少之一：

修改所述深度学习网络模型的网络层的属性，其中，所述网络层的属性包括下列至少之一：网络层的数量，网络层的参数，网络层的种类，网络层的连接方式，网络层的权重；

根据所述深度学习网络模型的中间层的结果和所述深度学习网络模型最终的输出结果，修改所述深度学习网络模型的损失函数和所述中间层的结构；

修改所述深度学习网络模型的训练样本的数量，以及训练样本的数据尺寸，其中，所述训练样本包括第一剂量、第二剂量和特征信息。