一种基于束流级伪射野先验引导的放疗剂量分布预测方法

摘要: 本发明涉及放疗剂量分布智能预测的,具体而言,涉及一种基于束流级伪射野先验引导的放疗剂量分布预测方法。背景技术:1、放射治疗计划自动化的核心环节之一是剂量分布预测...
一种基于束流级伪射野先验引导的放疗剂量分布预测方法

本发明涉及放疗剂量分布智能预测的,具体而言,涉及一种基于束流级伪射野先验引导的放疗剂量分布预测方法。

背景技术:

1、放射治疗计划自动化的核心环节之一是剂量分布预测。其主要目的是在保证规划靶区体积(planning target volume,简称ptv)达到处方剂量要求的前提下,尽量降低危及器官(organs at risk,简称oars)的受照剂量,从而为后续逆向优化、计划参数初始化及计划质量评估提供参考依据。

2、现有技术中,与放疗剂量分布预测相关的方案主要包括两类:

3、第一类为基于知识库计划的方法。该类方法通常利用既往高质量治疗计划,分析患者解剖结构的几何特征,如重叠体积直方图、目标距离直方图及部分剂量统计指标,从而估算新患者的剂量体积直方图(dose volume histogram,简称dvh)或计划约束条件。该类方法主要侧重于计划经验迁移,但难以直接恢复体素级三维剂量分布。

4、第二类为基于深度学习的体素级剂量预测方法。该类方法通常将计划计算机断层扫描图像(computed tomography,简称ct)、规划靶区体积掩膜及危及器官掩膜作为输入,利用卷积神经网络、编码器—解码器网络、生成对抗网络或transformer网络,直接输出三维体素级剂量分布。部分方法还会进一步引入距离图、边界图、射束方向图、射野覆盖图或剂量相关损失函数,以提高模型对靶区覆盖与危及器官保护的表征能力。

5、在上述深度学习方法基础上,也有部分技术路线尝试引入束流相关信息,以增强模型对剂量沉积方向性的表达能力。例如,将射束方向、射野覆盖范围或射束路径信息作为辅助输入,与 ct 图像和结构掩膜共同送入预测模型。然而,现有方法中多数束流相关信息仍然以总场级、合并级或粗略几何图的形式使用,对不同射束之间在控制点开口变化、体表入射关系及体内传播差异的刻画仍然较为有限。

6、现有放疗剂量预测方法虽然已经能够在一定程度上实现参考剂量分布生成,但仍存在如下不足:

7、(1)现有束流相关信息大多采用总场级覆盖图、单一方向图或合并后的射束表示方式,未能进一步区分不同射束在控制点开口响应、入射路径及体内传播过程中的差异,导致对实际剂量沉积方向性的表达仍不够细化;

8、(2)现有方法对放疗计划文件中已知的机架角、准直器角、治疗床角、多叶准直器控制点开口及监视单元权重等参数利用不足,没有充分将这些计划参数转化为适用于三维剂量预测的患者特异性辅助信息;

9、(3)部分方法虽然引入了束流方向或射野几何信息,但其表达方式较粗,难以同时反映射束覆盖形态、控制点累积开口效应以及体内传播衰减关系,因此对复杂解剖条件下的剂量分布建模能力仍然有限;

10、(4)现有方法输出的预测剂量分布虽然可用于计划辅助,但在计划参数已知的前提下,仍缺乏一种能够更充分结合计划几何信息并形成三维射束级辅助先验的技术方案。

11、因此,我们有必要提出一种新的技术方案,将放疗计划参数中与射束递送相关的信息显式转化为束流级伪射野先验,并将其应用于剂量分布预测,以提高参考剂量分布的方向性表达能力和患者个体适配能力。

技术实现思路

1、本发明旨在解决现有放疗剂量预测方法中束流相关信息表达粗略、计划参数利用不足以及射束之间作用差异难以精细表征的技术问题。

2、为此,本发明的目的在于提出一种基于束流级伪射野先验引导的放疗剂量分布预测方法。

3、为了实现上述目的,本发明的技术方案,提供了一种基于束流级伪射野先验引导的放疗剂量分布预测方法。该基于束流级伪射野先验引导的放疗剂量分布预测方法,包括:步骤s1:获取数据集;其中,所述数据集包括:每位患者的ct 图像、ptv 结构、oars 结构、临床参考剂量分布及对应的放疗计划参数;步骤s2:对所述数据集进行预处理;步骤s3:按照预设比例将预处理后的数据集划分为训练集、验证集和测试集; 步骤s4:基于第 b 个射束,对预处理后的放疗计划参数进行解析;步骤s5:基于第 b 个射束的放疗计划参数的解析结果,生成射束级控制点累计开口响应图;其中,所述射束级控制点累计开口响应图,用于表征该第 b 个射束在整个递送过程中对患者体内不同空间位置形成的累计覆盖强度;步骤s6:基于患者体表掩膜和射束入射方向,确定从体外进入患者体内的射束有效入射传播路径范围,再基于所述射束有效入射传播路径范围,生成体表命中权重图;步骤s7:基于所述体表命中权重图和射束入射方向,计算射束从体表进入患者体内后到达目标体素的体内传播路径长度,再基于所述体内传播路径长度,生成深度衰减权重图;步骤s8:将所述射束级控制点累计开口响应图、体表命中权重图以及深度衰减权重图进行组合,生成所有射束对应的束流级伪射野先验张量;步骤s9:构建基于束流级伪射野先验引导的三维剂量分布预测模型;其中,所述三维剂量分布预测模型包括:解剖信息主干分支、束流级伪射野先验编码分支、编码器、解码器以及多尺度融合模块;编码器包括:依次连接的第一编码器、第二编码器和第三编码器;第一编码器包括:相互连接的第一级小波特征增强模块和第一级束流先验引导融合模块;第二编码器包括:相互连接的第二级小波特征增强模块和第二级束流先验引导融合模块;第三编码器为第三级小波特征增强模块;解码器包括:相互连接的第一解码器和第二解码器;第一解码器为第一级小波混合上采样模块;第二解码器为第二级小波混合上采样模块;多尺度融合模块,包括:相互连接的第一级多尺度融合模块和第二级多尺度融合模块;所述解剖信息主干分支,以患者 ct 图像、ptv 掩膜和 oar掩膜作为输入,经初始卷积映射后送入编码器的第一级小波特征增强模块;所述束流级伪射野先验编码分支,以束流级伪射野先验张量作为输入,经先验编码器提取得到不同尺度的先验特征 和先验特征 ,并将所述先验特征 和先验特征 分别注入第一级束流先验引导融合模块和第二级束流先验引导融合模块;所述编码器,其第一级束流先验引导融合模块输出的高频细节特征,经由高频跳连连接直接输入第一级小波混合上采样模块;其第二级束流先验引导融合模块输出的高频细节特征,经由高频跳连连接直接输入第二级小波混合上采样模块;所述多尺度融合模块,其第二级多尺度融合模块采用自适应混合机制,将第二编码器输出特征与第三编码器输出特征进行自适应融合,再将该融合后的特征输入至第二解码器;其第一级多尺度融合模块采用自适应混合机制,将第一编码器输出特征与第二解码器输出特征进行自适应融合,再将该融合后的特征输入至第一解码器;第一解码器输出特征直接被送入输出卷积层,以通过该输出卷积层生成所述训练集、验证集和测试集对应的三维放疗剂量分布预测结果;所述第一解码器输出特征作为第一损失函数的监督对象;所述第二解码器输出特征作为第二损失函数的监督对象;所述三维放疗剂量分布预测结果作为主损失函数的监督对象;步骤s10:基于第一损失函数、第二损失函数和主损失函数,并使用所述训练集对所述三维剂量分布预测模型进行训练; 步骤s11:将所述验证集输入训练好的三维剂量分布预测模型进行优化;步骤s12:将所述测试集输入最终优化的三维剂量分布预测模型,得到所述测试集对应的三维放疗剂量分布预测结果。

4、优选地,在步骤s2中,预处理后的放疗计划参数包括:射束几何参数及控制点相关参数;所述射束几何参数及控制点相关参数包括:机架角、准直器角、治疗床角、源轴距、多叶准直器控制点开口信息以及监视单元权重;所述多叶准直器控制点开口信息包括:多叶准直器开口轮廓。

5、优选地,步骤s4,具体包括:步骤s4.1:根据第 b 个射束的机架角、准直器角、治疗床角以及源轴距,确定该第 b 个射束在患者三维坐标系中的入射方向和投影关系,以建立该第 b 个射束与患者体素空间之间的几何映射关系;步骤s4.2:对于第 b 个射束,读取第b 个射束所有控制点下的多叶准直器开口轮廓及对应的监视单元权重,形成该第 b 个射束的控制点参数序列;其中,所述控制点参数序列,用于反映该第 b 个射束在整个递送过程中开口形态和监视单元权重的动态变化。

6、优选地,步骤s5,具体包括:步骤s5.1:基于所述第 b 个射束的控制点参数序列,根据每个控制点对应的开口轮廓和射束入射方向,将对应控制点开口区域投影至患者体素空间,以表征该对应控制点对患者体内不同空间位置的潜在覆盖范围;步骤s5.2:对同一射束的所有控制点投影结果按照其监视单元权重进行加权求和,生成所述射束级控制点累计开口响应图。

7、优选地,步骤s6,具体包括:步骤s6.1:根据患者体表掩膜或患者外轮廓确定射束可能的入射边界位置,确定从体外进入患者体内的射束有效入射传播路径范围,以建立体表与射束之间的对应关系;步骤s6.2:判断第 b 个射束沿其入射方向是否能够命中目标体素所在路径,并根据判断结果,生成所述体表命中权重图;当判断结果为是时,对于位于该射束有效入射传播路径范围内的体素位置,赋予相应体表命中权重;当判断结果为否时,对于不位于该射束有效入射传播路径范围内的体素位置,将其对应权重降低或置零。

8、优选地,步骤s7,具体包括:步骤s7.1:对于体素位置 p,计算第 b 个射束从体表入射点到该体素位置p之间的体内传播路径长度,以表征射束在患者体内的传播深度;

9、步骤s7.2:依据预设衰减模型,将所述体内传播路径长度一一转换为对应的深度衰减权重,以生成深度衰减权重图;其中,所述预设衰减模型采用指数衰减形式,采用百分深度剂量曲线映射方式,经验分段函数方式或者其他能够表征束流体内传播衰减趋势的模型。

10、优选地,步骤s8,具体包括:

11、步骤s8.1:生成第 b 个射束在体素位置p处的束流级伪射野先验值为:

12、;

13、式中, 表示控制点累计开口响应; 表示体表命中权重;表示深度衰减权重;

14、步骤s8.2:对所有射束分别执行步骤s4至步骤s7及步骤8.1;

15、步骤s8.3:生成累计束流通道、平均传播深度通道和覆盖统计通道;

16、步骤s8.4:基于所述累计束流通道、平均传播深度通道、覆盖统计通道和各个射束在体素位置p处的束流级伪射野先验值,生成所有射束对应的束流级伪射野先验张量,以增强整体束流形态表达能力;

17、;

18、式中, 表示所有射束对应的束流级伪射野先验张量;b表示射束数量;第b个射束在体素位置p处的束流级伪射野先验值;表示累计束流通道; 表示平均传播深度通道; 表示覆盖统计通道。

19、优选地,在步骤s9中,编码器和解码器的对应结构通过小波域编码—解码结构来实现。

20、优选地,在步骤s10中,对所述三维剂量分布预测模型进行训练的总损失函数表示为:

21、;

22、式中, 表示总损失函数;; 和  分别表示所述第一损失函数和第二损失函数;、 和  分别表示对应损失项的权重系数。

23、优选地,主损失函数采用体素级平均绝对误差损失函数;其中,主损失函数表示为:

24、;

25、式中, 表示主输出分支在第 i 个体素位置的预测剂量值; 表示第 i个体素位置的参考剂量值;n 表示参与损失计算的体素总数。

26、与现有技术相比,本发明提供的基于束流级伪射野先验引导的放疗剂量分布预测方法,具有以下有益效果:

27、(1)能够基于放疗计划参数构建患者特异性的束流级伪射野先验,更细致地表征不同射束在方向、开口响应和体内传播过程中的差异;

28、(2)能够通过独立先验编码分支和分层引导融合方式,将束流级伪射野先验有效引入三维剂量分布预测主干中,从而提高对整体剂量形态和空间覆盖关系的表达能力;

29、(3)能够将不同射束的控制点开口响应、体表入射关系和体内传播衰减趋势引入剂量预测过程,使预测模型在生成三维参考剂量分布时更充分利用患者个体化的计划几何信息和束流空间信息;

30、(4)输出的三维参考剂量分布可进一步用于自动计划优化、逆计划参数初始化、计划质量评估或候选计划筛选。

31、本发明的附加方面和优点将在下面的描述中变得明显,或通过本发明的实践了解到。