一种基于振幅分箱与概率密度加权的晶格放疗剂量重建方法

本发明涉及医学影像数据处理与放射治疗计划系统，特别涉及一种基于振幅分箱与概率密度加权的晶格放疗剂量重建方法。

背景技术：

1、放射治疗是肿瘤管理的重要手段之一。晶格放射治疗（lrt）作为空间分割放射治疗（sfrt）的现代实现形式，通过在肿瘤内构建高剂量"峰"区与低剂量"谷"区的非均匀剂量分布，在大体积、局部晚期肿瘤的剂量计算与计划设计中显示出显著优势。lrt的核心剂量学特征-峰谷剂量比（peak-to-valley dose ratio, pvdr）的准确计算与重建，是验证sfrt放射生物学效应的数学基础。

2、磁共振加速器（mr-linac）将诊断级磁共振成像（mri）与直线加速器集成，通过实时电影mri（cine mri）支持在线自适应放疗计划计算，为获取个体化呼吸波形数据提供了技术基础。然而，在胸腹部肿瘤lrt的放疗计划系统（tps）剂量计算与四维护（4d）剂量重建中，现有方法面临以下三大技术瓶颈：

3、1.传统时间分相法存在严重的计算冗余问题。传统基于等时间间隔分相的4d剂量累积方法将呼吸周期均匀划分为10个或以上时相。在剂量叠加计算过程中，吸气相与呼气相中间过渡位置所对应的相同空间几何构型被反复调用tps执行冗余计算，例如50%吸气相位与50%呼气相位在空间上几乎完全重合，但传统方法将其视为两个独立时相分别计算，导致tps计算资源浪费。对于需要精细剂量计算的lrt，单次分次的4d剂量重建在标准计算平台上耗时常超过2小时，严重制约了临床工作流程的效率。

4、2.等权重假设导致系统性物理精度误差。常用的时间分相法对各时相赋予等权重，隐含等时间驻留假设。然而在自由呼吸状态下，呼气末（ee）与吸气末（ei）的驻留时间占比可达整个呼吸周期的50%-70%，显著长于中间过渡相。等权重假设低估了ee/ei相位的剂量贡献，高估了中间过渡相的剂量贡献，导致重建剂量分布与真实物理剂量沉积之间存在系统性偏差。该误差在lrt中被显著放大，由于lrt具有极陡峭的空间剂量梯度（可达10 gy/mm），微小的时间权重偏差即可导致峰值/谷值剂量计算结果出现10%-30%的偏差。

5、3.缺乏个体化呼吸运动感知的剂量重建算法。现有mr引导自适应放疗（mrgart）系统中，剂量累积评估模块采用通用的刚性或形变剂量映射方法，未充分利用cine mri提供的个体化呼吸波形数据。不同患者的呼吸模式存在显著差异，部分患者呈现规律的正弦波形，部分患者呈现明显的非对称波形（ee驻留远长于ei），还有部分患者存在不规则呼吸模式。现有方法采用统一的简谐运动模型或固定的呼吸相位划分策略，无法适应患者间差异，剂量重建精度因人而异。

6、因此，迫切需要开发一种面向mr-linac平台的、基于空间振幅离散化与个体化呼吸概率密度加权的高效精准剂量重建计算方法，以解决上述技术问题。

技术实现思路

1、本发明的目的在于提供一种基于振幅分箱与概率密度加权的晶格放疗剂量重建方法，所述方法在放疗计划系统及计算机装置上执行，通过将连续呼吸运动轨迹按空间振幅离散为有限个独立位置箱，利用cine mri呼吸波形的个体化概率密度函数确定各箱体驻留时间权重，并结合形变向量场映射执行时间加权剂量叠加，从而实现对lrt峰谷剂量分布的高效精准计算重建，使计算效率提升50%且物理精度提升25%。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于振幅分箱与概率密度加权的晶格放疗剂量重建方法，包括以下步骤：

4、步骤s1、数据获取与预处理：获取ct模拟定位影像数据、cine mri序列数据和靶区轮廓数据并执行标准化预处理，所述靶区轮廓数据为大体肿瘤靶区；

5、步骤s2、提取呼吸运动特征：从cine mri序列数据中提取各帧大体肿瘤靶区质心位移时间序列；采用广义lujan呼吸运动模型对位移时间序列进行拟合，得到呼吸运动特征；所述呼吸运动特征包括三维运动幅度向量和不对称形状参数；

6、步骤s3、振幅分箱与驻留时间概率计算：根据s2得到三维运动幅度向量和不对称形状参数，将大体肿瘤靶区质心位移时间序列按振幅幅值离散化为k个空间位置箱；并计算各空间位置箱对应的位移向量和计算各空间位置箱的驻留时间概率；

7、s4、多空间位置静态剂量计算：根据步骤s3得到的各空间位置箱对应的位移向量，对预处理后的ct影像及大体肿瘤靶区轮廓数据执行刚性平移，生成k套独立空间位置数据集；调用治疗计划系统对k套所述数据集分别执行静态剂量计算，输出k个剂量矩阵；

8、s5、时间加权剂量累积重建：以呼气末相位图像为参考，对k个空间位置箱图像执行形变图像配准，生成k个形变向量场；以步骤s4输出的k个剂量矩阵和步骤s3输出的k个驻留时间概率为输入，利用形变向量场将各剂量矩阵映射至参考坐标系，执行时间加权叠加，输出重建累积剂量分布；

9、s6、剂量学参数计算与评估：根据步骤s5输出的重建累积剂量分布，计算核心剂量学参数；对比重建累积剂量分布与治疗计划系统静态计划剂量，生成差值剂量图；根剂量学偏差阈值判断是否需要调整计划参数。

10、进一步的，所述步骤s1中cine mri序列的采集频率为4hz，fov为350×350mm2；标准化预处理具体包括：

11、将ct影像和t2加权mr影像数据统一重采样至1×1×1mm3分辨率；

12、将ct值归一化至[0,1]区间；

13、以ct模拟定位影像数据的dicom患者坐标系为固定基准，通过刚性配准将cinemri序列数据、靶区轮廓轮廓数据和ct影像对齐至同一空间坐标系。

14、进一步的，所述步骤s2中大体肿瘤靶区质心位移时间序列通过追踪cine mri序列各帧图像中大体肿瘤靶区质心的三维坐标变化获得；所述三维运动幅度向量通过统计大体肿瘤靶区质心头脚方向、前后方向及左右方向的p5-p95运动范围获得；所述广义lujan呼吸运动模型的数学表达式为：

15、；

16、其中，为t时刻靶区轮廓相对于呼气末参考相位的瞬时三维位移向量；为三维运动幅度向量；为呼吸周期，由cine mri序列的时间分辨率自动计算获得；为不对称形状参数，通过最小二乘法对cine mri实测位移时间序列拟合得到，拟合精度要求均方根误差。

17、进一步的，所述步骤s3中k个空间位置箱满足；各空间位置箱对应的位移向量采用如下公式计算：

18、；

19、其中对应呼气末ee参考相位,；对应ei相位,；

20、各空间位置箱的驻留时间概率采用一下方法获得：

21、针对各空间位置箱，将其对应的振幅范围划分为m个等间隔的振幅区间，基于m个振幅区间，对所述位移时间序列中各帧的位移幅值进行直方图统计，并采用核密度估计方法计算cine mri实测位移时间序列的振幅概率密度函数，并平滑得到连续pdf曲线；以各空间位置箱的振幅区间为积分上下限，对概率密度函数执行数值积分，得到各空间位置箱的驻留时间概率，且驻留时间概率满足归一化约束，。

22、更进一步的，所述概率密度函数的构建公式为：

23、；

24、其中，为第i帧cine mri图像中gtv质心的位移幅值，即三维位移向量的模长；为cine mri序列总帧数；为高斯核函数；为带宽参数。

25、进一步的，所述步骤s5中形变图像配准的配准精度要求平均配准误差小于1.5mm；所述时间加权叠加按如下公式执行：

26、；其中，为呼气末参考坐标系下的体素坐标，为第k个空间位置箱在处的形变向量；遍历参考坐标系内全部体素，逐一体素完成加权叠加运算，即可得到完成的三维重建累积剂量分布矩阵。

27、进一步的，所述步骤s6中的核心剂量学参数包括靶区覆盖率d90、d95、平均剂量dmean、适形指数ci及梯度指数gi；所述差值剂量图的生成公式为：；剂量学参数偏差阈值设定为，若剂量学参数偏差超出所述阈值，触发计划参数调整信号。

28、一种基于振幅分箱与概率密度加权的晶格放疗剂量重建系统，包括：影像与剂量数据读取模块、cine mri呼吸运动特征提取模块、振幅分箱概率密度计算模块、tps批量剂量计算调度模块、dvf映射时间加权累积模块，剂量学参数计算与质量评估模块，通过这些模块实现上述基于振幅分箱与概率密度加权的晶格放疗剂量重建方法。

29、采用上述技术方案后，本发明具有了以下有益效果：

30、（1）计算效率提升：本发明通过步骤s3的振幅分箱步骤，利用吸气相与呼气相的空间几何共享特性，将连续运动轨迹按振幅幅值离散化为k个空间位置箱，使得步骤s4中治疗计划系统剂量计算的调用次数从传统时间分相法的2(k-1)次减少至k次，在k=5时减少50%，总计算时间从124分钟压缩至62分钟，克服了传统方法因逐相等时间采样导致计算冗余的技术缺陷，显著提高了4d剂量累积的计算效率。

31、（2）剂量重建精度提升：本发明通过步骤s33中基于cine mri实测位移时间序列构建振幅概率密度函数，经数值积分获得各空间位置箱的个体化驻留时间概率，并在步骤s52的时间加权剂量叠加中替代传统时间分相法的等权重等时间离散假设，使重建累积剂量与实际物理剂量沉积之间的偏差从传统方法的15%～30%降低至5%以内，克服了传统方法因忽略呼吸非对称驻留特性而导致的剂量估计偏差，显著提高了剂量重建精度。

32、（3）重建稳定性提升：本发明通过步骤s2中广义lujan模型的个体化参数化拟合与步骤s3中基于实测数据驱动的振幅分箱概率密度估计，建立了从个体化呼吸运动特征提取到剂量累积重建的完整技术路径。对于呼吸模式差异显著的患者群体，本发明方法的剂量重建精度标准差仅为传统方法的40%，克服了传统方法对不同呼吸模式适应性差的技术缺陷，显著提高了重建稳定性与可靠性。

33、（4）技术方案的适用范围广：本发明建立了不依赖于特定设备参数、不限定特定肿瘤类型的通用4d剂量重建框架。该框架不仅适用于mr-linac平台上的肝脏立体定向放疗，还可推广至肺部、胰腺等胸腹部肿瘤的立体定向放疗，以及前列腺癌超分割放疗等其他需要呼吸运动管理与剂量累积重建的放疗场景。