一种智能自适应控制的动态追踪放疗系统及方法

本发明涉及放疗设备的，更具体地，涉及一种智能自适应控制的动态追踪放疗系统及方法。

背景技术：

1、使用直线加速器进行放射治疗是恶性肿瘤治疗的核心手段之一，其关键在于将高剂量射线精准聚焦于肿瘤靶区，同时最大限度保护周围正常组织和器官。在胸腹部肿瘤，如肺癌、肝癌的放疗过程中，患者的自由呼吸会导致肿瘤靶区产生非刚性形变和位置偏移，这种动态变化若无法被实时、精准追踪，极易造成靶区漏照或正常组织过量照射，严重影响治疗效果，甚至加重患者并发症。

2、目前在动态追踪放疗技术中，大多通过检测患者呼吸运动时相进行监测，并通过四维计算机断层扫描（4dct）和呼吸时相构建体表与体内靶区运动关联模型，但该种设置仅能追踪部分位移，难以捕捉细微的非刚性形变，且只能在指定视角下预测靶区的位移运动、再对直线加速器中多叶准直器（mlc）进行整体的位移补偿，容易造成靶区照射剂量不足或过度照射正常组织。在mlc控制方面，传统mlc控制大多采用固定参数控制模式，容易存在叶片响应延迟、同步性差、定位精度不足等问题，难以实现射线束与靶区形变的实时匹配。

技术实现思路

1、本发明的目的在于克服现有技术动态追踪放疗缺乏自适应调节能力的不足，提供一种智能自适应控制的动态追踪放疗系统及方法，具备自适应调节能力，能够适配不同患者的呼吸模式和靶区形变特点进行放射治疗，能够提升放疗精度和治疗效率，减少正常组织损伤，改善患者治疗舒适度。

2、为解决上述技术问题，本发明采用的技术方案是：

3、提供一种智能自适应控制的动态追踪放疗方法，包括如下步骤：

4、s1.获取患者胸腹的源体表点云数据与目标体表点云数据；

5、s2.根据步骤s1获取的数据进行非刚性配准，然后根据得到的配准结果输出源体表点云向目标体表点云的体表形变向量场；

6、s3.获取患者胸腹的源靶区表面点云数据，将所述源靶区表面点云数据与所述体表形变向量场输入至预训练的深度学习形变映射模型，通过所述深度学习形变映射模型建立体表形变与靶区形变的关联映射关系，得到目标靶区轮廓；

7、s4.采集直线加速器中治疗头的实时旋转角度数据，基于所述实时旋转角度数据修正所述目标靶区轮廓的靶区投影偏移；根据修正后的目标靶区轮廓的投影边界，构建靶区轮廓对应治疗头中多叶准直器的叶片位置基础函数；

8、s5.校准所述多叶准直器的旋转位置偏移，构建治疗头角度修正函数；

9、s6.根据步骤s4和步骤s5得到的函数进行权重分配并计算，得到叶片目标运动位置，然后对所有叶片进行同步驱动控制。

10、本发明的一种智能自适应控制的动态追踪放疗方法，根据获取的患者胸腹的源体表点云数据与目标体表点云数据进行非刚性配准，实现全局姿态对齐与局部高精度匹配，提升非刚性配准的精度和鲁棒性；接着，将根据配准结果输出的体表形变向量场与获取的源靶区表面点云数据输入至预训练的深度学习形变映射模型，实现体表形变与靶区形变的关联映射；然后，构建叶片位置基础函数与治疗头角度修正函数，再根据构建的函数进行权重分配并计算，实现叶片目标运动位置的自适应计算，并基于此对所有叶片进行同步驱动控制。本发明具备自适应调节能力，能够适配不同患者的呼吸模式和靶区形变特点进行放射治疗，能够提升放疗精度和治疗效率，减少正常组织损伤，改善患者治疗舒适度。

11、进一步地，步骤s2包括如下步骤：

12、s21.数据初始化：对获取的源体表点云数据、目标体表点云数据，均通过主成分分析算法求解得到对应的点云法向量；

13、s22.变形图构建：通过最远点均匀采样、局部影响域划分、径向基权重计算完成变形图构建；

14、s23.基于变形图的粗配准：基于构建的变形图对所述目标体表点云数据与所述源体表点云数据执行形变粗配准；其中，

15、

16、

17、

18、

19、

20、式中，表示粗配准总能量优化函数，

、

、

、 分别表示对齐驱动能量函数、局部刚性约束能量函数、变形图平滑约束能量函数、旋转正则约束能量函数；

、

、 分别表示局部刚性约束、变形图平滑约束、旋转正则约束的权重系数；、分别表示第个变形图控制点的局部变换矩阵、第个变形图控制点的平移变换矩阵；、分别表示采样得到的变形图控制点集合

v中索引分别为

i、

j控制点坐标；、分别表示通过在形变粗配准迭代过程中对应控制点、的实时形变坐标；表示的控制点；表示中点的法向量，表示法向量经过形变粗配准后得到的法向量；表示与点最近匹配点的法向量，表示上与点最近的匹配点坐标；表示源体表点云变形图拓扑边集合，表示鲁棒权重系数，表示变形图控制点的邻域点集合，表示的控制点局部旋转矩阵；表示在中相邻控制点对控制点的控制点位置应用其变换后的结果；表示控制点对其自身的控制点位置应用其变换后的结果；表示旋转矩阵集合，表示将投影到上的结果；其中：

21、

22、式中，表示点对点的形变影响权重，表示中点的有效控制点影响域集合，表示的控制点；

23、s24.精配准：以粗配准结果作为初始迭代值，通过源体表点云数据的控制点局部旋转矩阵校正源体表点云数据的控制点的法向量，进行源体表点云数据的法向量、目标体表点云数据的法向量、空间位置三者之间的约束；其中，

24、

25、

26、

27、式中，表示精配准总能量优化函数，、分别表示精细化对齐驱动能量函数、精细化局部刚性约束能量函数，表示精细化局部刚性约束的权重系数；、分别表示采样得到的变形图控制点集合

v中索引分别为

i、

j控制点坐标；、分别表示通过在形变粗配准迭代过程中对应控制点、的实时形变坐标；表示经过的控制点局部旋转矩阵校正后的控制点的法向量，

n表示的控制点的数量，表示与点最近匹配点的法向量，表示与点最近匹配点的坐标，表示边总数，

n(

i)表示包括的控制点的索引集合，表示鲁棒权重系数。

28、进一步地，在步骤s21中，主成分分析算法包括：

29、

30、

31、式中，表示或中的任意一个控制点的三维坐标，表示点邻域点集的中心坐标；表示点的

k近邻点集合，表示中的任意一个控制点的三维坐标；表示或中采样得到的变形图控制点集合

v中索引为

i的控制点的三维坐标，表示距离点对应或中小于预设的控制点影响半径

r的控制点集合内的点；表示点的

k近邻点集合的协方差矩阵。

32、进一步地，在步骤s22中，最远点均匀采样为：

33、

34、式中，表示中采样得到的变形图控制点集合

v中索引为

k的控制点的三维坐标，且；表示中索引为

i的控制点的三维坐标，表示搜索的起始控制点；

35、局部影响域划为：

36、

37、式中，

v表示变形图控制点集合，、分别表示采样得到的变形图控制点集合

v中索引分别为

i、

j控制点坐标，

r表示预设的控制点影响半径，表示中点的有效控制点影响域集合；

38、径向基权重计算为：

39、

40、式中，、、分别表示采样得到的变形图控制点集合

v中索引分别为

i、

j、k控制点坐标，表示点对点的形变影响权重，表示中点的有效控制点影响域集合，表示的控制点，

r表示预设的控制点影响半径。

41、进一步地，步骤s3包括如下步骤：

42、s31.获取患者胸腹的源靶区表面点云数据；

43、s32.构建深度学习形变映射模型并进行训练；

44、s33.将源靶区表面点云数据与所述体表形变向量场输入至预训练的深度学习形变映射模型，通过所述深度学习形变映射模型建立体表形变与体内肿瘤靶区形变的关联映射关系，得到目标靶区中心相对源靶区中心的三维位移偏差，以及得到源靶区表面点云向靶区体表变换的靶区体内形变向量场；

45、s34.根据步骤s33的数据得到目标体表点云对应下的实时靶区中心位置和实时靶区体表点云，即得到目标靶区轮廓。

46、进一步地，步骤s4包括如下步骤：

47、s41.将所述目标靶区轮廓投影至等中心平面得到实时靶区投影轮廓；

48、s42.采集治疗头的实时旋转角度数据，并基于此在所述实时靶区投影轮廓下进行姿态角修正：

49、

50、式中，表示治疗头的当前旋转角度，设所述目标靶区轮廓上任意一点的三维坐标为，则该点在等中心平面() 投影下的实时靶区投影轮廓中的坐标为；

51、s43.根据修正后的目标靶区轮廓的投影边界，构建靶区轮廓对应治疗头中多叶准直器的叶片位置基础函数：

52、

53、式中，、分别表示第

k片叶片在对应的实时靶区投影轮廓中的最大

x坐标、最小

x坐标；其中，该最大

x坐标、最小

x坐标通过边缘检测算法从所述实时靶区投影轮廓中提取得到。

54、进一步地，在步骤s5中，所述治疗头角度修正函数为：

55、

56、式中，表示治疗头的当前旋转角度，、表示修正系数；其中，修正系数、的获取方法包括：在不同机架角度下，测量所述多叶准直器中叶片的实际位置与理论位置的横向偏差，然后通过最小二乘法进行拟合，得到、的最优值。

57、进一步地，步骤s6包括如下步骤：

58、s61.根据步骤s4和步骤s5得到的函数进行权重分配并计算，得到叶片目标运动位置，其中：

59、

60、式中，、表示权重系数，表示叶片位置基础函数，表示治疗头角度修正函数；

61、s62.基于得到的叶片目标运动位置对所有叶片进行同步驱动控制：

62、

63、式中，表示叶片同步运动位置，表示叶片运动速度，表示控制周期，表示用于确定叶片运动方向的符号函数，表示叶片当前位置；

64、s63.设置闭环反馈调节修正叶片位置，其中，叶片运动位置的闭环反馈调节为：

65、

66、

67、式中，表示叶片运动位置偏差，、、分别表示比例系数、积分系数、微分系数，表示叶片实际运动位置。

68、本发明还提供了一种智能自适应控制的动态追踪放疗系统，包括光学采集单元、体表-靶区联动形变感知与预测单元、机架角度采集单元、自适应mlc控制单元、连续动态出束控制单元，其中：

69、所述光学采集单元，用于采集患者胸腹的目标体表点云数据；

70、所述体表-靶区联动形变感知与预测单元，用于接收所述光学采集单元采集的数据并进行配准处理，得到体表形变向量场数据；基于存储的预训练的深度学习形变映射模型，将所述体表形变向量场数据与获取的患者胸腹的源靶区表面点云数据建立体表形变与靶区形变的关联关系，然后得到目标靶区轮廓数据；

71、所述机架角度采集单元，用于采集直线加速器中安装于机架的转动端上治疗头的实时旋转角度数据；

72、所述自适应mlc控制单元，用于接收治疗头的实时旋转角度数据、目标靶区轮廓数据，根据接收到的数据自适应计算直线加速器中安装于治疗头上的多叶准直器的叶片目标运动位置信号；基于得到的叶片目标运动位置信号对多叶准直器的所有叶片进行同步驱动控制；

73、所述连续动态出束控制单元，用于接收叶片目标运动位置信号、叶片当前运动位置信号、叶片运动到位信号；在确认叶片到位后，向所述多叶准直器发送出束指令。

74、进一步地，所述自适应mlc控制单元包括接口通信fpga、运动控制fpga，所述接口通信fpga解析所述体表-靶区联动形变感知与预测单元发送的指令并分发至所述运动控制fpga，所述运动控制fpga用于驱动所述多叶准直器的所有叶片进行同步驱动，所述接口通信fpga还用于与所述多叶准直器进行通信；

75、所述连续动态出束控制单元包括硬件接口模块、时序同步模块、安全互锁模块、出束驱动模块、状态监测模块；所述硬件接口模块用于与所述多叶准直器进行数据交互；所述时序同步模块、安全互锁模块、出束驱动模块、状态监测模块均与所述硬件接口模块进行通信；所述时序同步模块能够向所述出束驱动模块发送触发信号，且所述时序同步模块能够向与所述状态监测模块发送时序基准信号，所述状态监测模块能够接收所述出束驱动模块的出束运行状态；所述状态监测模块能够向所述安全互锁模块发送故障或超限状态信号，所述安全互锁模块能够向所述出束驱动模块和/或向所述接口通信fpga发送急停信号。

76、与现有技术相比，本发明的有益效果是：

77、本发明的一种智能自适应控制的动态追踪放疗系统及方法，将获取的患者胸腹的源体表点云数据与目标体表点云数据，通过体表-靶区联动形变感知与预测单元进行非刚性配准，实现全局姿态对齐与局部高精度匹配，提升非刚性配准的精度和鲁棒性；接着，将根据配准结果输出的体表形变向量场与获取的源靶区表面点云数据输入至预训练的深度学习形变映射模型，实现体表形变与靶区形变的关联映射；自适应mlc控制单元以靶区实时形变为核心，结合构建的叶片位置基础函数与治疗头角度修正函数进行权重分配并计算，实现叶片目标运动位置的自适应计算，并基于此对所有叶片进行同步驱动控制。本发明具备自适应调节能力，能够适配不同患者的呼吸模式和靶区形变特点进行放射治疗，能够提升放疗精度和治疗效率，减少正常组织损伤，改善患者治疗舒适度。