一种基于双物理约束的硼中子俘获治疗剂量预测方法及装置与流程

本发明涉及放射治疗，具体的涉及一种基于双物理约束的硼中子俘获治疗剂量预测方法及装置。

背景技术：

1、boron neutron capture therapy（bnct，硼中子俘获治疗）是一种基于中子俘获核反应的先进肿瘤放射治疗技术。其基本原理为：患者在接受治疗前注入含硼药物，使硼元素选择性富集于肿瘤组织内，随后利用低能中子束照射病灶区域。当中子与硼-10原子发生俘获反应后，会释放高线性能量转移（linear energy transfer，let）的α粒子和锂离子，从而在细胞尺度范围内对肿瘤细胞产生较强杀伤作用，同时降低周围正常组织受照损伤。由于bnct兼具生物靶向性和物理靶向性，近年来在头颈部肿瘤、脑胶质瘤以及复发性恶性肿瘤等领域获得广泛关注。

2、在bnct治疗过程中，剂量分布的准确计算是治疗计划制定的重要基础。由于中子在人体组织中的输运过程较为复杂，受到组织密度、解剖结构、中子散射、慢化以及硼浓度分布等多种因素影响，目前临床通常采用基于蒙特卡洛方法（monte carlo method）的粒子输运计算方式进行剂量计算。该方法通过模拟大量粒子在人体组织中的随机运动过程，实现对中子与组织相互作用的高精度建模，因此具有较高的剂量计算准确性。

3、然而，蒙特卡洛方法存在计算耗时长、硬件资源需求高等问题。对于三维体素级剂量计算，一个患者病例往往需要较长时间才能完成完整剂量模拟，难以满足快速计划评估、在线计划调整以及大规模数据分析的需求。同时，bnct剂量分布通常具有明显的空间非均匀性，在靶区边界及危及器官邻近区域存在较大的剂量梯度变化，不同解剖结构还会对中子传播路径产生复杂影响，从而进一步增加了剂量预测难度。

4、随着深度学习技术的发展，基于卷积神经网络的剂量预测方法逐渐应用于放疗领域。现有研究通常采用三维卷积网络或u-net结构，以患者ct图像、靶区掩码以及危及器官信息作为输入，实现三维剂量分布的快速预测。相比传统蒙特卡洛方法，该类方法能够显著缩短计算时间，提高剂量生成效率。

5、然而，现有bnct剂量预测方法仍存在一定局限性。首先，大多数方法主要利用患者解剖结构信息进行剂量学习，缺乏对bnct剂量形成过程中关键物理机制的显式建模。bnct剂量分布不仅与组织结构有关，还与中子在人体组织中的输运、散射、慢化及衰减过程密切相关，现有方法难以充分反映中子通量在人体内部的空间分布特征及其对剂量沉积的影响。其次，bnct剂量分布具有显著的高梯度特征，现有网络通常仅关注剂量数值本身的拟合，对剂量梯度信息利用不足，容易导致高梯度区域边界模糊、局部剂量偏差较大以及剂量分布过度平滑等问题。此外，传统卷积网络主要依赖局部卷积操作进行特征提取，对于远距离空间依赖关系及关键区域特征的表达能力有限，难以充分关注对剂量形成具有重要影响的区域，从而影响预测精度和泛化能力。

6、近年来，注意力机制在医学图像分析领域表现出良好的应用效果。其中，空间注意力机制能够增强网络对关键空间区域的关注能力，通道注意力机制能够自适应调整不同特征通道的重要程度，从而提高网络特征表达能力。然而，目前针对bnct剂量预测的研究中，尚缺少将中子输运物理信息与融合注意力机制相结合的研究方法。

7、因此，如何构建一种基于中子通量场（neutron flux map）与剂量梯度场（dosegradient map）双物理约束的bnct剂量预测方法，并结合融合空间注意力机制和通道注意力机制的深度神经网络，实现中子输运物理规律与深度特征学习的协同建模，提高网络对复杂解剖结构、高梯度剂量区域以及关键空间区域的感知能力，从而实现高精度、高效率且具有物理合理性的bnct三维剂量预测，成为当前bnct智能治疗计划设计领域亟需解决的重要技术问题。

8、有鉴于此，特提出本发明专利。

技术实现思路

1、针对现有bnct剂量预测方法缺乏中子输运物理信息建模、难以准确描述高梯度剂量区域以及关键特征提取能力不足的问题，本发明提供一种基于双物理约束的硼中子俘获治疗剂量预测方法及装置，具体地，采用了如下技术方案：

2、一种基于双物理约束的硼中子俘获治疗剂量预测方法，包括：

3、获取患者的历史硼中子俘获治疗数据，所述历史硼中子俘获治疗数据包括医学影像数据、治疗计划数据和真实剂量分布数据；

4、基于所述医学影像数据生成解剖结构信息特征；

5、基于所述医学影像数据中的ct图像、组织密度分布信息以及所述治疗计划数据中的射束参数，构建中子通量场作为第一物理约束特征，所述中子通量场用于表征中子束流在患者体内的输运、散射、慢化及衰减分布规律；

6、基于所述真实剂量分布数据，构建剂量梯度场作为第二物理约束特征，所述剂量梯度场用于表征剂量空间变化分布规律；

7、将所述解剖结构信息特征、所述中子通量场和所述剂量梯度场作为输入特征，并将所述真实剂量分布作为监督标签，构建训练样本集；

8、利用所述训练样本集对基于注意力机制的深度学习网络进行训练，得到硼中子俘获治疗剂量预测模型，所述深度学习网络利用注意力机制对输入特征进行空间区域和特征通道的自适应加权编码；

9、以及，基于训练完成的硼中子俘获治疗剂量预测模型，预测待治疗患者硼中子俘获治疗的三维剂量分布预测结果。

10、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述基于所述医学影像数据生成解剖结构信息特征，包括：ct影像、靶区掩码、危及器官掩码、有符号距离矩阵和射束掩码中的至少一种。

11、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述靶区掩码和所述危及器官掩码由所述医学影像数据中的放射治疗结构集文件提取获得。

12、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述有符号距离矩阵基于所述危及器官掩码通过距离变换获得；对于任意体素，其有符号距离矩阵值定义为该体素到危及器官边界的最短距离：

13、；

14、其中，表示危及器官边界上的体素点，表示欧氏距离。

15、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述射束掩码基于所述治疗计划数据中的射束参数生成；对于体素位置，射束掩码可表示为：，体素位于射束覆盖区域内；，体素位于射束覆盖区域外。

16、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述ct影像由所述医学影像数据中的ct图像序列提取获得，所述ct影像以亨氏单位hu进行表达，所述ct影像通过对ct图像序列的原始像素值pv、重缩放斜率rs和重缩放截距ri按如下公式转换获得：

17、；

18、采用最小-最大归一化方法将ct影像映射至[0,1]区间，其表达式为：

19、；

20、其中，和分别表示ct图像中的最小和最大hu值。

21、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述基于所述医学影像数据中的ct图像、组织密度分布信息以及所述治疗计划数据中的射束参数，构建中子通量场作为第一物理约束特征，包括：

22、基于所述ct图像的亨氏单位hu值与组织密度之间的映射关系，建立患者的三维组织密度模型；

23、基于所述射束参数确定中子束流的入射方向、照射野范围及等中心位置；

24、基于所述三维组织密度模型以及中子束流的入射方向、照射野范围及等中心位置，采用中子输运近似模型计算各体素位置的中子相对通量分布，得到所述中子通量场。

25、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述中子输运近似模型综合考虑中子在不同组织中的散射、慢化、吸收及衰减效应，所述中子通量场中各体素位置处的中子通量采用指数衰减模型计算：

26、；

27、其中，表示位置处的中子通量，表示入射中子通量，表示体素位置处对应组织的等效衰减系数， 表示中子从入射表面到体素位置的传播路径长度，所述传播路径长度根据中子束流的入射方向及体素位置在所述三维组织密度模型中的空间坐标确定，并利用不同组织之间的密度差异对所述等效衰减系数进行修正。

28、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述基于所述真实剂量分布数据，构建剂量梯度场作为第二物理约束特征，包括：

29、采用三维空间梯度算子分别计算所述真实剂量分布在第一方向、第二方向和第三方向上的梯度分量；

30、基于所述梯度分量计算各体素位置的梯度幅值，得到所述剂量梯度场；

31、所述三维空间梯度算子为有限差分算子，所述第一方向、第二方向和第三方向分别为三维空间中的x方向、y方向和z方向；

32、所述梯度分量、、分别按如下公式计算：

33、；

34、其中，表示所述真实剂量分布；

35、所述剂量梯度场中各体素位置的梯度幅值g按如下公式计算：

36、；

37、所述剂量梯度场用于表征剂量空间变化速率及高梯度边界区域，所述剂量梯度场中梯度幅值越大的体素位置对应于剂量空间变化越剧烈的区域。

38、可选地，本发明的一种基于双物理约束的硼中子俘获治疗剂量预测方法中，所述基于注意力机制的深度学习网络为改进u-net网络，包括编码器和解码器，所述编码器用于对输入特征进行逐步下采样编码，所述解码器用于对编码后的特征进行逐步上采样解码；所述编码器的至少一个编码阶段中嵌入有融合注意力编码器，所述融合注意力编码器包括通道注意力模块和空间注意力模块；

39、所述通道注意力模块用于对输入特征图进行通道维度的自适应加权，生成通道注意力权重：

40、；

41、其中，表示输入特征图，表示全局平均池化，表示全局最大池化，表示共享多层感知机，表示sigmoid激活函数；

42、所述空间注意力模块用于对输入特征图进行空间维度的自适应加权，生成空间注意力权重 ：

43、；

44、其中，表示卷积核大小为7×7的卷积操作，[⋅;⋅]表示通道拼接操作；

45、将所述通道注意力权重与所述空间注意力权重分别作用于输入特征图，得到加权后的特征图，用于后续编码阶段的特征提取；

46、可选地，利用所述训练样本集对基于注意力机制的深度学习网络进行训练中采用联合损失函数对网络进行端到端训练；所述联合损失函数包括体素剂量损失、靶区体素剂量损失、中子通量场物理约束损失、剂量梯度场约束损失、距离损失、表皮处体素剂量损失以及平滑损失中的至少一项；

47、所述联合损失函数表示为：

48、；

49、其中，分别为各项损失函数的权重系数。

50、本发明同时提供一种基于双物理约束的硼中子俘获治疗剂量预测装置，包括：

51、数据获取模块，用于获取患者的历史硼中子俘获治疗数据，所述历史硼中子俘获治疗数据包括医学影像数据、治疗计划数据和真实剂量分布数据；

52、解剖特征生成模块，用于基于所述医学影像数据生成解剖结构信息特征；

53、中子通量场构建模块，用于基于所述医学影像数据中的ct图像、组织密度分布信息以及所述治疗计划数据中的射束参数，构建中子通量场作为第一物理约束特征，所述中子通量场用于表征中子束流在患者体内的输运、散射、慢化及衰减分布规律；

54、剂量梯度场构建模块，用于基于所述真实剂量分布数据，构建剂量梯度场作为第二物理约束特征，所述剂量梯度场用于表征剂量空间变化分布规律；

55、训练样本构建模块，用于将所述解剖结构信息特征、所述中子通量场和所述剂量梯度场作为输入特征，并将所述真实剂量分布作为监督标签，构建训练样本集；

56、模型训练模块，用于利用所述训练样本集对基于注意力机制的深度学习网络进行训练，得到硼中子俘获治疗剂量预测模型，所述深度学习网络利用注意力机制对输入特征进行空间区域和特征通道的自适应加权编码；

57、剂量预测模块，用于基于训练完成的硼中子俘获治疗剂量预测模型，预测待治疗患者硼中子俘获治疗的三维剂量分布预测结果。

58、与现有技术相比，本发明提出了一种基于中子通量场与剂量梯度场双物理约束并融合注意力机制的bnct剂量预测方法，能够将中子输运物理规律与深度学习特征提取过程有效结合，实现bnct剂量分布的快速、高精度预测。

59、本发明通过构建中子通量场，将中子在人体组织中的传播、散射、慢化及衰减等输运特征引入网络训练过程，使模型不仅能够学习患者解剖结构信息，还能够学习bnct剂量形成过程中的物理规律，从而提高预测结果的物理合理性和临床可信度。同时，通过构建剂量梯度场，将剂量空间变化特征显式融入网络训练，增强模型对高梯度剂量区域及剂量边界区域的感知能力，有效改善传统方法在靶区边缘和危及器官邻近区域易出现的边界模糊及局部预测误差问题。

60、此外，本发明在u-net编码阶段引入融合空间注意力机制和通道注意力机制，通过自适应增强关键空间区域和重要特征通道的响应能力，提高网络对复杂解剖结构、关键组织区域及剂量敏感区域的特征提取能力，进一步提升剂量预测精度和网络泛化性能。

61、因此，本发明能够在保证预测效率的同时提高bnct剂量预测结果的准确性、稳定性和物理合理性，为bnct治疗计划设计及智能辅助决策提供可靠的技术支持。