[发明专利]一种基于生成对抗网络的核医学活度-剂量自动转换方法

说明书

本发明公开了一种基于生成对抗网络的核医学活度‑剂量自动转换方法，其基于生成对抗网络图像到图像的整幅转换特点，将剂量和活度‑密度叠加图连接作为参考图像对，输入发生器G，生成伪吸收剂量图像，然后将其与标准剂量图像混合，并由鉴别器D识别，如果伪剂量图像被识别，信息将被反馈，G将重新生成新的伪剂量图像，直到D鉴别率下降，无法鉴别真伪剂量图，以获得可以假乱真的逼真的剂量图像。本发明以核医学活度、密度的体素分布图为依托，利用生成对抗网络模型图像到图像的整幅转换优势，实现核医学内照射瞬时活度分布所对应的吸收剂量的实时自动转换，并计入了患者解剖图像材料密度的影响。

技术领域

本发明涉及一种核医学活度-剂量自动转换方法，具体涉及一种基于生成对抗网络的核医学活度-剂量自动转换方法。

背景技术

核医学肿瘤放射治疗中，核素被注射到人体肿瘤部位之后，虽然携带核素的抗体具有很强的亲癌性，但还是会有部分核素离散分布于人体的各个脏器和组织中，形成极为不均匀的活度分布。目前临床上使用的医学内照射剂量(Medical Internal RadiationDose,MIRD)方法是假设器官源在整个器官内部所有体素的活度都是均匀一致的，这与临床实际情形不符合。并且MIRD得到的是器官靶区为单元的平均剂量，而不是整个器官的剂量分布。

近年来提出的体素S值方法(Voxel S-value kernel method,VSV)，虽然可以获得整体的剂量分布，但是预先计算好可查找的“体素V1→体素V2”剂量列表，是假设体素V1和体素V2之间是均匀介质(如水)，这与复杂的人体解剖信息不符，给计算结果带来偏差。鉴于核素活度分布的复杂性，常规应用于临床的半解析算法MIRD、VSV正逐渐被更为精确的、基于量化核医学图像(如PET、SPECT等)的蒙特卡罗模拟方法(Monte Carlo method,MC)所替代。

MC方法是对基于电离辐射物理模型进行大量放射粒子的输运模拟，计算量大、模拟时间长，往往只是计算初始时刻的活度分布对应的剂量分布，然后利用放射活度衰变的单指数模型，或活度吸收-廓清的双指数模型进行累积剂量分布的计算，难以获得瞬时活度分布对应的剂量分布。不能满足日益增长的高端医疗服务需要的实时动态显示剂量变化，以及辅助医生根据反馈信息及时调整治疗方案。

深度学习(Deep Learning,DL)是近年来兴起的一项人工智能技术，目前在肿瘤外放疗领域得到了广泛应用，如肿瘤靶区的自动勾画、放疗策略优化、病人生存期预测等，然而DL在核医学内照射剂量计算领域的应用还非常少。个别摘要性工作(Lee et al.JournalofNuclear Medicine,May 2021,62(supplement 1)1174)简单介绍了他们基于卷积神经网络(Convolution Neural Network，CNN)方法实现的剂量计算，但是CNN方法只能基于图像块(image patch)进行DL模型训练，然后对活度、剂量图像块进行分类，再“装配”成2-D和3-D的剂量分布，不是整体图像到图像的转换。CNN更适合肿瘤靶区的自动识别和勾画。

生成对抗网络(Generative Adversarial Networks，GANs)被称为最聪明的深度学习算法，类似于“警察与小偷”的互相制约关系。本方法将剂量和活度-密度图像对作为参考图像输入“小偷”(发生器(Generator,G)，生成伪吸收剂量图像，然后将其与标准剂量图像(Ground Truth，GT)混合，并由“警察”(鉴别器，(Discriminator，D))识别。如果伪图像被识别，信息将被反馈，G将重新生成伪剂量图像，直到D失误下降到一定精度(损失函数决定)，以获得逼真的剂量图像。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种基于生成对抗网络的核医学活度-剂量自动转换方法。以实现核医学活度的均匀与非均匀分布所对应的剂量分布，避免半解析剂量计算方法假设活度在体积源内部是均匀的所带来的误差，以及克服精确蒙特卡罗方法计算速度慢的弱点。

为实现上述目的，本发明提供如下技术方案：