一种脑胶质瘤近距离粒子植入治疗剂量预测方法及系统与流程
- 国知局
- 2024-07-12 10:17:26
本发明涉及深度学习领域,具体涉及一种脑胶质瘤近距离粒子植入治疗剂量预测方法及系统。
背景技术:
1、脑胶质瘤是起源于神经胶质细胞的肿瘤,因为大脑和脊髓胶质细胞癌变所产生的最常见的原发性颅脑恶性肿瘤。其发病率约占颅内肿瘤的35.2%~61.0%,具有发病率高、复发率高、死亡率高以及治愈率低的特点。脑胶质瘤治疗以外科手术为主,由于肿瘤侵蚀性强,与脑组织无明显分界,手术难以彻底切除,易复发,生存期短,死亡率高。因此,术后辅助放射治疗占有重要地位。
2、放射治疗是治疗肿瘤的主要方法之一。长期以来,外照射是放射治疗的主要支柱。近年来,近距离治疗异军突起,在放射治疗领域成为引人注目的治疗方法,取得较为惊人的临床疗效。随着外照射设备和技术的明显改进和提高,三维适形放疗、调强放疗和影像引导下放射治疗使外照射治疗进入精确治疗时代。精确放疗的目的是提高靶区的剂量,更好地保护肿瘤周围的正常组织。精确放疗确实给临床治疗带来好的疗效,特别是使用igrt技术以后,可以实现单次剂量(singledose)和低分次(hypofraction)大剂量放疗。精确放疗已经成为放疗界提高疗效共识的目标。
3、但外放射治疗通常是用于手术切除后的辅助治疗,脑内肿瘤病种多,相当一部分不适合手术,很多病人不愿意接受手术治疗的形式,而且手术切除有一定风险,并发症多,术后生存质量低,只使用外放射治疗又不能很好的杀伤癌细胞。并且随着技术的发展,内放射治疗也逐渐运用于癌症治疗上。
4、近距离粒子植入治疗是新兴的一种治疗方法,本质上就是一种精确放疗,通过植入枪和植入针将放射性粒子植入到肿瘤附近,可以有效的杀伤肿瘤,并且对正常组织的影响较低。
5、长期以来,放射性粒子可否用于临床植入一直是有争议的问题,随着国内外技术发展,我国的粒子植入治疗水平已经处于国际领先水平。在治疗中,需要使用治疗计划系统(treatment planning system,tps),要在系统中制作满足实际治疗的计划。通常在术前由医生和物理师做好计划,确认进针位置,在脑瘤治疗中,利用骨钻对颅骨钻孔,进粒子植入针,利用ct扫描确定进针位置,植入粒子,根据术前的计划调整进针路径,再实时将ct扫描图像导入tps系统,进行实时剂量学优化。但也存在着相当多的问题。例如,术前计划与手术过程中的操作无法完全匹配,容易出现偏差。并且手术计划的制定和医生的临床经验,主观因素有相当大的关系。制定效率低,并且结果未必是最优解。放射性粒子的位置和剂量计算也是粒子植入治疗介入手术成功的关键,传统方法很难使得剂量分布满足临床要求,且容易出现剂量辐射冷区和热区。
6、利用计算机方法自动规划手术计划能够大大节省人力资源,并且可以产出高质量和一致性的计划。所以,很多学者提出了基于计算机的剂量自动规划方法。随着人工智能技术的发展,深度学习方法逐渐被运用于自动化规划剂量分布。深度学习方法已经被证明,效果要优于基于计算机的剂量自动规划方法。但目前基于深度学习的用于脑胶质瘤的近距离粒子植入治疗还存在一些问题:
7、1.目前几乎没有用于近距离粒子植入治疗的深度学习方法。现存的关于剂量预测的深度学习方法基本上都是运用于外放射治疗的。如果直接迁移到近距离粒子植入治疗上来,会存在一些问题。近距离粒子植入治疗最重要的就是粒子植入的数量和位置,但传统的外放疗剂量预测上的深度学习模型几乎没有针对该特性的方法。中国专利公开号cn110141801a虽然公开了面向近距离粒子内放疗手术智能剂量规划方法,但是其将匹配到的相似病例的粒子分布状态作为新病例剂量规划的起始状态,剂量规划依赖于相似病例,在缺乏相似病例或者相似病例的差异性较大的情况下,剂量规划准确性低。
8、2.脑胶质瘤位于颅脑,结构复杂。植入粒子要防止影响到关键部位。颅脑中关键部位很多,很容易有一些部位进行植入后会影响到人体的正常活动。因此确定粒子的位置和数量极其重要。
9、3.粒子周围的剂量分布十分复杂。距离粒子较远的位置,剂量有十分巨大的衰减。即剂量有很大的跳变,传统的用于外放疗的剂量预测方法无法准确处理快速跳变的剂量。
技术实现思路
1、本发明所要解决的技术问题在于提供一种脑胶质瘤近距离粒子植入治疗剂量预测方法,精准的预测粒子植入的位置和剂量,并准确处理快速跳变的剂量。
2、本发明通过以下技术手段解决上述技术问题的:一种脑胶质瘤近距离粒子植入治疗剂量预测方法,包括以下步骤:
3、步骤一、构建粒子植入位置和剂量预测模型,所述粒子植入位置和剂量预测模型采用3dunet,在3dunet的每一层的下采样之前加入局部注意力模块,将3dunet的最后一层的下采样替换为胶囊模块;
4、步骤二、训练所述粒子植入位置和剂量预测模型;
5、步骤三、利用训练好的粒子植入位置和剂量预测模型进行粒子植入的位置和剂量的预测。
6、进一步地,所述粒子植入位置和剂量预测模型的工作过程为:
7、将原始图像输入粒子植入位置和剂量预测模型后,先进行两次卷积核为3*3*3的卷积操作,然后卷积结果输入局部注意力模块,局部注意力模块的输出采用一层1*2*2的最大池化进行下采样操作,共进行四次上述操作,在这个过程中将3dunet的最后一层的下采样替换为胶囊模块,完成下采样过程,然后进行1*2*2的上采样,每次上采样后进行两次3*3*3的卷积,共进行四次上述操作,完成上采样过程;所述局部注意力模块处理逻辑是先将输入的特征进行两次3d卷积再经过softmax层处理得到注意力权重x,然后将注意力权重x乘以原先输入的特征得到最终的包含局部注意力的特征。
8、更进一步地,所述3dunet的输入为三通道,所述原始图像为病人的ct图像、剂量信息、医生勾画的颅脑轮廓和ptv区域,将原始图像输入3dunet的三通道中,3dunet的输出为病人的粒子植入3d剂量图像,将病人的3d剂量图像叠加到原始的ct图像上,得到剂量分布图,显示粒子植入的位置和剂量。
9、进一步地,所述胶囊模块包括三个输入节点、三个神经元节点以及输出层,所述三个输入节点分别与三个神经元节点连接,三个神经元节点均与输出层连接,所述三个输入节点处输入所述3dunet经下采样的结果,所述三个神经元节点均执行多次卷积和relu操作,所述输出层将三个神经元输出的特征整合为特征向量进行输出。
10、进一步地,所述步骤二包括:
11、所述粒子植入位置和剂量预测模型训练批大小为2,初始学习率为3e-6,使用adam优化器进行优化训练,训练总迭代次数设为100000次。
12、更进一步地,所述步骤二还包括:
13、所述粒子植入位置和剂量预测模型训练过程中损失函数为
14、
15、其中,i为每个体素,n为体素的总数,pi为每个体素的预测剂量值,gi为每个体素的真实剂量值。
16、本发明还提供一种脑胶质瘤近距离粒子植入治疗剂量预测系统,包括:
17、模型构建单元,用于构建粒子植入位置和剂量预测模型,所述粒子植入位置和剂量预测模型采用3dunet,在3dunet的每一层的下采样之前加入局部注意力模块,将3dunet的最后一层的下采样替换为胶囊模块;
18、模型训练单元,用于训练所述粒子植入位置和剂量预测模型;
19、结果预测单元,用于利用训练好的粒子植入位置和剂量预测模型进行粒子植入的位置和剂量的预测。
20、进一步地,所述粒子植入位置和剂量预测模型的工作过程为:
21、将原始图像输入粒子植入位置和剂量预测模型后,先进行两次卷积核为3*3*3的卷积操作,然后卷积结果输入局部注意力模块,局部注意力模块的输出采用一层1*2*2的最大池化进行下采样操作,共进行四次上述操作,在这个过程中将3dunet的最后一层的下采样替换为胶囊模块,完成下采样过程,然后进行1*2*2的上采样,每次上采样后进行两次3*3*3的卷积,共进行四次上述操作,完成上采样过程;所述局部注意力模块处理逻辑是先将输入的特征进行两次3d卷积再经过softmax层处理得到注意力权重x,然后将注意力权重x乘以原先输入的特征得到最终的包含局部注意力的特征。
22、更进一步地,所述3dunet的输入为三通道,所述原始图像为病人的ct图像、剂量信息、医生勾画的颅脑轮廓和ptv区域,将原始图像输入3dunet的三通道中,3dunet的输出为病人的粒子植入3d剂量图像,将病人的3d剂量图像叠加到原始的ct图像上,得到剂量分布图,显示粒子植入的位置和剂量。
23、进一步地,所述胶囊模块包括三个输入节点、三个神经元节点以及输出层,所述三个输入节点分别与三个神经元节点连接,三个神经元节点均与输出层连接,所述三个输入节点处输入所述3dunet经下采样的结果,所述三个神经元节点均执行多次卷积和relu操作,所述输出层将三个神经元输出的特征整合为特征向量进行输出。
24、进一步地,所述模型训练单元还用于:
25、所述粒子植入位置和剂量预测模型训练批大小为2,初始学习率为3e-6,使用adam优化器进行优化训练,训练总迭代次数设为100000次。
26、更进一步地,所述模型训练单元还用于:
27、所述粒子植入位置和剂量预测模型训练过程中损失函数为
28、
29、其中,i为每个体素,n为体素的总数,pi为每个体素的预测剂量值,gi为每个体素的真实剂量值。
30、本发明的优点在于:本发明采用3dunet作为粒子植入位置和剂量预测模型的框架,且在3dunet中融入局部注意力模块和胶囊模块,局部注意力模块可以关注到特征图中关键的特征,可以准确地捕捉复杂的粒子周围的剂量分布,可以捕捉到跳变很快的剂量分布,从而准确地学习到肿瘤信息,有助于更精确地预测出粒子数量,胶囊模块可以将初始卷积中得到的多个单一特征图合并成一个特征向量,这样可以更好地学习3d图像中的结构信息,有助于更加精准的预测粒子位置和周围的剂量分布。
本文地址:https://www.jishuxx.com/zhuanli/20240615/85971.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表