[发明专利]基于剂量分布预览系统的放疗靶区确立和修正方法

权利要求书

1.一种基于剂量分布预览系统的放疗靶区确立和修正方法，其特征在于，所述剂量分布系统包括数据读取与处理模块、病例设定与剂量指数选择模块、3D剂量分布图预览模块、计算模块和通信模块，所述方法包括：

通过所述数据读取与处理模块读取CT影像数据、PTV轮廓和OARs轮廓；所述轮廓数据由肿瘤医师根据所述CT影像数据所勾画；

接收肿瘤医师对所述病例设定与剂量指数选择模块的操作，实现病例设定和对应于所设定病例的剂量指数指标的选择，得到患者情况；

采用所述3D剂量分布图预览模块、计算模块对所述CT影像数据和PTV轮廓进行处理，得到处理结果；所述处理结果包括3D剂量分布图、DVH图、所关注的剂量指数和HI/CI指标；

基于所述处理结果，接收肿瘤医师对所述PTV轮廓的修正，使得修正后的PTV轮廓在保证病灶受量和降低危机器官风险之间达到平衡；

通过所述计算模块对修正后的处理结果进行计算，得到靶区轮廓的多目标帕累托最优解集，使得肿瘤医师根据靶区轮廓的多目标帕累托最优解集、结合患者情况和临床要求进行辅助决策，得到靶区勾画结果；

通过所述通信模块将CT影像数据、PTV轮廓和OARs轮廓上传至放疗计划系统，使得物理师进行设备选择、射野布局、约束条件设置、剂量计算、计划优化及预评估，得到放疗计划，由肿瘤医师与物理师对放疗计划进行多次反复调整后交付临床验证和实施。

2.如权利要求1所述的方法，其特征在于，得到处理结果具体包括：

将所述CT影像数据和PTV数据输入3D剂量分布图预览模块进行处理，得到3D剂量分布图；

通过所述计算模块根据所述3D剂量分布图计算并绘制靶区和各危机器官的DVH曲线，并解析出所关注的剂量指数和HI/CI指标。

3.一种剂量分布预览系统，其特征在于，包括：

数据读取与处理模块，用于读取CT影像数据、PTV轮廓和OARs轮廓，以及进行剂量预测模型训练；所述轮廓数据由肿瘤医师根据所述CT影像数据所勾画；

病例设定与剂量指数选择模块，用于接收肿瘤医师对所述病例设定与剂量指数选择模块的操作，实现病例设定和对应于所设定病例的剂量指数指标的选择；

3D剂量分布图预览模块，用于采用训练完成的剂量预测模型，对所述CT影像数据和PTV数据进行处理，得到3D剂量分布图，以供肿瘤医师预览；

计算模块，用于根据所述3D剂量分布图计算并绘制靶区和各危机器官的DVH曲线，并解析出所关注的剂量指数和HI/CI指标，以供肿瘤医师预判评估；

通信模块，用于实现所述剂量分布系统与外部放疗计划系统之间的通信。

4.如权利要求3所述的系统，其特征在于，所述数据读取与处理模块用于训练剂量预测模型具体过程包括：

收集病例数据；所述病例数据包括放疗模拟定位CT医学影像数据、PTV勾画轮廓数据、OARs勾画轮廓数据、临床剂量分布数据；

对所述病例数据进行格式转化、2D/3D初始转化和图像预处理，并将处理后的病例数据按5:1的比例将所述病例数据随机划分为训练集和验证集；

搭建深度学习网络模型架构；所述深度学习网络模型架构包括生成网络和判别网络；

针对所述生成网络和判别网络分别设置不同的目标函数组合；

采用所述训练集和验证集对所述深度学习网络模型进行训练和测试，得到剂量预测模型。

5.如权利要求4所述的系统，其特征在于，对所述病例数据进行图像预处理具体包括：医学影像重采样、二值化图像标签值设置、剂量分布图像素值-剂量值转化、图像裁剪及填充、图像归一化及多通道数据堆叠。

6.如权利要求4所述的系统，其特征在于，所述判别网络采用由卷积/归一/激活层组成的PatchGAN判别网络。

7.如权利要求4所述的系统，其特征在于，所述判别网络的目标函数采用值交叉熵和Sigmoid(σ)函数相结合的方式；所述生成网络的目标函数由多项损失项按照不同权重组成，多项损失项包括：对抗损失项、近邻体素差异损失项和L₁范数损失项。