1.一种双场景融合的头颈部癌症放疗3D剂量预测方法,其特征在于,包括:
获取头颈部癌患者的多源原始数据并构成多通道张量,其包括临床CT影像数据、器官危及区解剖结构掩码及计划靶区定位掩码;
利用预先训练好的3D剂量预测模型提取多通道张量的头颈部不同尺度解剖特征,将不同尺度解剖特征进行融合并经上采样,将3D剂量转换为单通道预测张量输出,即得到头颈部癌患者的头颈部癌症放疗3D剂量预测结果;
其中,训练3D剂量预测模型的损失函数由全局剂量误差、DVH剂量体积直方图指标误差、多尺度Dice损失及低剂量区域精准度损失这四者加权求和构成;低剂量区域精准度损失由低剂量区体素误差子项、低剂量梯度一致性子项和临床阈值达标率子项三者构成;所述3D剂量预测模型包括编码器、扩展跳跃连接块及解码器,所述编码器用于提取多通道张量的头颈部不同尺度解剖特征,所述扩展跳跃连接块及解码器由多尺度卷积块、通道注意力块及串联的通道注意力块与空间注意力块构成;
所述解码器用于将不同尺度解剖特征进行融合并经上采样,将3D剂量转换为单通道预测张量输出;在所述解码器中,采用3D大核分组注意力门将不同尺度解剖特征进行融合,3D大核分组注意力门用于将编码器特征与解码器上采样特征按器官危及区-计划靶区分组规则, 划分为三组分别为:计划靶区专属组、器官危及区专属组及器官危及区-计划靶区交界组。
2.如权利要求1所述的双场景融合的头颈部癌症放疗3D剂量预测方法,其特征在于,低剂量区域精准度损失的权重根据训练轮数动态调整。
3.如权利要求1所述的双场景融合的头颈部癌症放疗3D剂量预测方法,其特征在于,所述低剂量区体素误差子项为:3D剂量预测模型对体素的剂量预测值与真实剂量值的误差均值。
4.如权利要求1所述的双场景融合的头颈部癌症放疗3D剂量预测方法,其特征在于,所述低剂量梯度一致性子项设为:;
式中:P为器官危及区边界设定范围的梯度区的体素集合,为3D梯度算子,cos ()为梯度方向余弦相似度;为3D剂量预测模型预测的剂量值,为真实剂量值;为器官危及区边界设定范围的梯度区对应的体素集合P所包含的体素总数量。
5.如权利要求1所述的双场景融合的头颈部癌症放疗3D剂量预测方法,其特征在于,所述临床阈值达标率子项为:;
其中,为器官危及区数量;为损失函数;为3D剂量预测模型预测的第个器官危及区中的剂量≤对应临床阈值的体积占比;为真实临床金标准下的第个器官危及区中的剂量≤对应临床阈值的体积占比。
6.一种双场景融合的头颈部癌症放疗3D剂量预测系统,其特征在于,基于如权利要求1-5中任一项所述的双场景融合的头颈部癌症放疗3D剂量预测方法,包括:数据获取模块,其用于获取头颈部癌患者的多源原始数据并构成多通道张量,其包括临床CT影像数据、器官危及区解剖结构掩码及计划靶区定位掩码;
剂量预测模块,其用于利用预先训练好的3D剂量预测模型提取多通道张量的头颈部不同尺度解剖特征,将不同尺度解剖特征进行融合并经上采样,将3D剂量转换为单通道预测张量输出,即得到头颈部癌患者的头颈部癌症放疗3D剂量预测结果;
其中,训练3D剂量预测模型的损失函数由全局剂量误差、DVH剂量体积直方图指标误差、多尺度Dice损失及低剂量区域精准度损失这四者加权求和构成;低剂量区域精准度损失由低剂量区体素误差子项、低剂量梯度一致性子项和临床阈值达标率子项三者构成。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的双场景融合的头颈部癌症放疗3D剂量预测方法中的步骤。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的双场景融合的头颈部癌症放疗3D剂量预测方法中的步骤。