基于深度学习的放疗计划质量控制方法、系统、设备及介质

本申请涉及放疗计划质量控制，尤其涉及一种基于深度学习的放疗计划质量控制方法、系统、设备及介质。

背景技术：

1、放疗作为治疗疾病的重要手段，其计划的质量控制对于保证治疗效果和减少患者副作用具有重要意义。然而，目前放疗计划的质量控制方法主要依赖于经验丰富的放疗计划设计师的人工审核和比较，这种方法存在明显不足。首先，它过于依赖个别设计师的主观判断，缺乏系统性和定量的评估，导致了在放疗计划的质量控制过程中，可能存在时间效率低、质量控制效果有限的问题；其次，当工作负荷较大时，可能存在遗漏优化项目的风险，导致放疗计划的质量无法得到充分保障；上述问题有待解决。

技术实现思路

1、本申请的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的放疗计划质量控制方法、系统、设备及介质，通过构建深度学习剂量分布预测模型，提高放疗计划的质量控制效率，减少人为因素的干扰，同时可根据患者个性化需求进一步优化计划。

2、为了达到上述目的，本申请采用以下技术方案：

3、第一方面，本申请提供了一种基于深度学习的放疗计划质量控制方法，包括下述步骤：

4、提取放疗计划相关的数据信息，并对所述放疗计划相关的数据信息进行预处理；

5、将预处理后的放疗计划相关的数据信息输入至预先构建的剂量分布预测模型，得到预测的剂量分布结果；

6、定义剂量分布结果的质量评估指标，并计算所有质量评估指标的预测结果与实际结果的差值，得到评估结果；

7、基于所述评估结果和患者的个性化需求，制定质量评估指标的优化策略。

8、作为优选的技术方案，所述放疗计划相关的数据信息包括：患者的ct图像、已定义并确认的感兴趣区域、处方剂量以及剂量文件。

9、作为优选的技术方案，所述预处理包括：数据清洗、标准化。

10、作为优选的技术方案，所述剂量分布预测模型为3d u-net神经网络，包括下采样路径和上采样路径；

11、所述下采样路径中包括：第一卷积层、第一批量归一化层、池化层；

12、所述上采样路径中包括：转置卷积层、第二卷积层、第二批量归一化层、第三卷积层。

13、作为优选的技术方案，所述将预处理后的放疗计划相关的数据信息输入至预先构建的剂量分布预测模型，得到预测的剂量分布结果，具体的：

14、在所述下采样路径中，第一卷积层用于提取放疗计划相关的数据信息的局部特征；

15、第一批量归一化层用于对所述局部特征进行归一化处理，得到第一特征图；

16、池化层用于降低所述第一特征图的空间尺寸，得到第二特征图；

17、在所述上采样路径中，转置卷积层用于将所述第二特征图的空间尺寸放大，得到第三特征图；

18、将所述第三特征图与下采样中对应的特征图进行拼接，得到第四特征图；

19、第二卷积层用于对所述第四特征图进行卷积操作，得到第五特征图；

20、第二批量归一化层用于对所述第五特征图进行归一化处理，得到第六特征图；

21、将第六特征图的空间尺寸放大到与原始输入数据相同的空间尺寸，再通过第三卷积层将第六特征图的通道数变为1，得到最终的预测的剂量分布。

22、作为优选的技术方案，所述计算所有质量评估指标的预测结果与实际结果的差值，得到评估结果，步骤包括：

23、根据质量评估指标的预测结果与实际结果的差值，计算得到预测结果与实际结果差值的分布均值μ和分布的标准差σ；

24、根据所述μ和σ，设定质量评估指标的质量合格阈值δi,c±和质量不合格阈值δi,a±，公式为：

25、δi,c±＝μi±c*σ

26、δi,a±＝μi±a*σ

27、其中，μ为预测结果与实际结果的差值的分布均值；σ是分布的标准差；c为控制界限；a为干预界限，其中，c和a均为常数；

28、若差值在质量合格阈值范围内，则为质量合格；若差值在质量不合格阈值范围之外，则为质量不合格；

29、若差值在质量合格阈值范围之外，但在计划不合格阈值范围内，则为质量可优化。

30、作为优选的技术方案，所述质量可优化，还包括：

31、通过参考待优化指标，制定得到优化策略。

32、第二方面，本申请提供了一种基于深度学习的放疗计划质量控制系统，应用于所述的基于深度学习的放疗计划质量控制方法，包括预处理模块、预测剂量分布模块、评估模块以及优化模块；

33、所述预处理模块，用于提取放疗计划相关的数据信息，并对所述放疗计划相关的数据信息进行预处理；

34、所述预测剂量分布模块，用于将预处理后的放疗计划相关的数据信息输入至预先构建的剂量分布预测模型，得到预测的剂量分布结果；

35、所述评估模块，用于定义剂量分布结果的质量评估指标，并计算所有质量评估指标的预测结果与实际结果的差值，得到评估结果；

36、所述优化模块，用于基于所述评估结果和患者的个性化需求，制定质量评估指标的优化策略。

37、第三方面，本申请提供了一种电子设备，所述电子设备包括：

38、至少一个处理器；以及，

39、与所述至少一个处理器通信连接的存储器；其中，

40、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于深度学习的放疗计划质量控制方法。

41、第四方面，本申请提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于深度学习的放疗计划质量控制方法。

42、综上所述，与现有技术相比，本申请提供的技术方案带来的有效效果至少包括：

43、本申请提出了一种基于深度学习的放疗计划质量控制方法，通过构建深度学习剂量分布预测模型，实现对放疗计划的精准化预测，提高放疗计划的质量控制效率，减少人为因素的干扰，并可根据患者个性化需求进一步优化计划，为患者提供更加安全、有效的治疗方案。

技术特征：

1.一种基于深度学习的放疗计划质量控制方法，其特征在于，包括下述步骤：

2.根据权利要求1所述基于深度学习的放疗计划质量控制方法，其特征在于，所述放疗计划相关的数据信息包括：患者的ct图像、已定义并确认的感兴趣区域、处方剂量、计划文件以及剂量文件。

3.根据权利要求1所述基于深度学习的放疗计划质量控制方法，其特征在于，所述预处理包括：数据清洗、标准化。

4.根据权利要求1所述基于深度学习的放疗计划质量控制方法，其特征在于，所述剂量分布预测模型为3d u-net神经网络，包括下采样路径和上采样路径；

5.根据权利要求4所述基于深度学习的放疗计划质量控制方法，其特征在于，所述将预处理后的放疗计划相关的数据信息输入至预先构建的剂量分布预测模型，得到预测的剂量分布结果，具体的：

6.根据权利要求1所述基于深度学习的放疗计划质量控制方法，其特征在于，所述计算所有质量评估指标的预测结果与实际结果的差值，得到评估结果，步骤包括：

7.根据权利要求6所述基于深度学习的放疗计划质量控制方法，其特征在于，所述质量可优化，还包括：

8.基于深度学习的放疗计划质量控制系统，其特征在于，应用于权利要求1-7中任一项所述的基于深度学习的放疗计划质量控制方法，包括预处理模块、预测剂量分布模块、评估模块以及优化模块；

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的基于深度学习的放疗计划质量控制方法。

技术总结本申请公开了一种基于深度学习的放疗计划质量控制方法、系统、设备及介质，方法包括：提取放疗计划相关的数据信息，并对所述放疗计划相关的数据信息进行预处理；将预处理后的放疗计划相关的数据信息输入至预先构建的剂量分布预测模型，得到预测的剂量分布结果；定义剂量分布结果的质量评估指标，并计算所有质量评估指标的预测结果与实际结果的差值，得到评估结果；基于所述评估结果和患者的个性化需求，制定质量评估指标的优化策略。本申请通过构建深度学习剂量分布预测模型，提高放疗计划的质量控制效率，减少人为因素的干扰，并可根据患者个性化需求进一步优化计划。技术研发人员：陈利,周溥俊,胡宇杰,康德华,张丹丹受保护的技术使用者：中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所）技术研发日：技术公布日：2024/8/20