欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021115059154
申请人: 中南大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于包括以下步骤:(1)收集肿瘤调强放疗计划数据,形成数据库;

(2)数据预处理,具体包括以下步骤:(2‑a)从步骤(1)所述数据库中获取病人的CT图像、靶区轮廓图像、危及器官轮廓图像、射束信息图像和剂量图像;

(2‑b)根据步骤(2‑a)获取的靶区轮廓图像和危及器官轮廓图像计算距离图像f(x,y,z),计算公式为:

其中(x,y,z)表示危及器官体素点,Ωs表示靶区表面体素点的集合,s表示Ωs内的任意一点,‖(x,y,z),s‖表示体素点(x,y,z)到体素点s的距离,min表示求取最小值;

(2‑c)将步骤(2‑a)获取的所有图像和(2‑b)得到的距离图像采样到h×w的大小,并进行归一化处理,其中h、w都为[100,1000]之间的正整数;

(3)构建剂量预测模型,具体包括以下步骤:(3‑a)构建卷积编码器,该编码器一共包括五个模块,第一个模块包括两个卷积块,第二到第五个模块分别包括一个池化层和两个卷积块;输入图像依次经过这五个模块,分别得到中间特征图F1、F2、F3、F4和F5;

(3‑b)构建Transformer编码器,该编码器包括线性投影、位置编码、n个Transformer层和特征映射;首先将步骤(3‑a)得到的中间特征图F5通过线性投影映射到D维空间,然后将映射结果分成N个图像块,组成图像块序列 每个图像块的尺寸为P×P;将图像块序列进行位置编码后依次输入到n个Transformer层,再通过特征映射得到中间特征图S4;

(3‑c)构建解码器,该解码器一共包含四个模块,第一至第三个模块都由一个语义场对齐模块组成,语义场对齐模块简称SFA模块,第四个模块由一个SFA模块和一个卷积块组成;

将步骤(3‑b)得到的中间特征图S4与步骤(3‑a)得到的中间特征图F4输入到第一个模块,得到S3;将S3与步骤(3‑a)得到的中间特征图F3输入到第二个模块,得到S2;将S2与步骤(3‑a)得到的中间特征图F2输入到第三个模块,得到S1;将S1与步骤(3‑a)得到的中间特征图F1输入到第四个模块,得到最终预测结果S0,完成剂量预测模型的构建;

(4)构建损失函数:

损失函数构建如下:

其中M为剂量分布区域体素点的总数目,yp表示体素点的预测剂量,yc表示体素点的临床剂量;

(5)训练预测模型:

利用步骤(2)得到的图像数据与步骤(3)构建的预测模型,根据步骤(4)构建的损失函数得到预测剂量与临床剂量的损失值,使用Adam优化器更新模型的参数,直到损失不再下降,得到训练好的预测模型;

(6)剂量预测:

获取测试数据集,按照步骤(2)对测试数据进行预处理,处理后的数据输入到步骤(5)得到的训练好的预测模型中,输出预测结果。

2.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于,所述步骤(3‑a)、(3‑c)中的卷积块包括一个卷积层、一个批归一化层和一个激活层。

3.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于,所述步骤(3‑b)中的Transformer层包括两个层归一化、一个多头自注意力层和一个多层感知机,Transformer层的定义如下:z′i=MSA(LN(zi‑1))⊕zi‑1,i=1,2,…,nzi=MLP(LN(z′i))⊕z′i,i=1,2,…,n其中LN表示层归一化,MSA表示多头自注意力层,MLP表示多层感知机,⊕表示逐像素相加操作,z′i表示第二个层归一化的输入,zi‑1和zi分别表示第(i‑1)和第i层Transformer层的输出。

4.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于,所述步骤(3‑b)中的线性投影、特征映射都由一个卷积层组成。

5.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于,所述步骤(3‑b)中的位置编码是一个三维的张量。

6.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于,所述步骤(3‑c)中的语义场对齐模块SFA,该模块的作用是对齐相邻分辨率的特征图,使语义信息从低分辨率特征图有效传播到高分辨率特征图;该模块包括六个卷积层、一个上采样层、一个扭曲操作、两个拼接操作和一个逆卷积层;SFA模块以步骤(3‑b)、(3‑c)得到的中间特征图Si和步骤(3‑a)得到的中间特征图Fi作为输入,i=1,2,3,4;Si依次经过第一个卷积层和上采样层,得到的结果与Fi经过第二个卷积层得到的结果拼接输入到第三个卷积层,得到语义场,Si和语义场通过扭曲操作获得特征图S′i,扭曲操作的计算过程为:其中ps表示中间特征图Si上的像素点,N(ps)表示ps的四邻域像素点,p表示N(ps)中的任一像素点,wp表示扭曲操作的权重,其取值范围为(0,1);使用第四个卷积层对扭曲操作得到的特征图S′i进行降维后与中间特征图Fi进行逐像素相加,得到的结果与Si经过逆卷积层得到的结果进行拼接,再;依次输入到第五个和第六个卷积层,得到SFA模块的输出。

7.如权利要求1所述的一种基于深度学习的肿瘤调强放疗剂量预测方法,其特征在于,所述步骤(3‑b)中的n、D、N、P均为正整数,且n的范围在[1,50]之间,D的范围在[500,2000]之间,N的范围在[1,4000]之间,P的范围在[1,100]之间。