[发明专利]剂量确定方法及装置

说明书

本发明公开了一种剂量确定方法及装置。其中，该方法包括：对计划文件通过第一剂量计算算法计算第一剂量；获取计划文件中的特征信息，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；将第一剂量和特征信息输入深度学习网络模型，由深度学习网络模型输出对应的第二剂量，其中，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。本发明解决了相关技术中临床剂量确定方法，计算效率较低的技术问题。

技术领域

本发明涉及剂量控制领域，具体而言，涉及一种剂量确定方法及装置。

背景技术

目前剂量计算领域遇到问题，高准确度的剂量计算精度高速度慢，低准确度的剂量计算精度低速度快。准确度和速度之间的抉择是一个尚未解决的问题。

目前的部分Eclipse放疗系统采用低准确度的各向异性算法AAA(Analyticalanisotropic algorithm)算法进行优化，使用高准确度的AXB算法(Acuros XB)或蒙卡算法进行最终剂量计算以判断该计划是否通过。AAA算法速度快但是精度相比蒙卡和AXB较低，可能AAA优化的计划使用AXB计算后与处方剂量偏差较大，则需要重新计划。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种剂量确定方法及装置，以至少解决相关技术中临床剂量确定方法，计算效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种剂量确定方法，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。

可选的，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。

可选的，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。

可选的，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的达到预设通过率，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。