一种基于耦合式生成对抗网络的自动计划优化系统

摘要

本发明公开一种基于耦合式生成对抗网络的自动计划优化系统，包括：信息输入模块，用于输入所需数据信息；权重自动设定模块，通过基于卷积神经网络的目标函数权重因子预测模型自动设定子目标函数的权重；约束条件设置模块，通过基于BP神经网络的剂量学指征项预测模型自动设定子目标函数的约束条件；计划优化模块，利用生成对抗网络训练得到子野形状预测模型，依据上述内容，采用局部梯度算法优化目标函数获得最优剂量分布矩阵数据，生成最优计划；方案输出模块，根据计划优化模块生成的最优计划，输出计划方案。本发明利用卷积神经网络、BP神经网络、生成对抗网络优化调强放射治疗计划，使优化的过程更加高效，并提升优化结果的质量。

权利要求

1.一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于，包括：信息输入模块，用于输入所需数据信息，所述数据信息包括病人的初始三维矩阵信息、器官勾画信息、治疗头信息、目标函数信息、初始剂量分布矩阵信息，所述器官勾画信息包括PTV和OARs信息，所述目标函数由一组相互冲突的子目标函数构成；

权重自动设定模块，用以设定子目标函数的权重因子，将信息输入模块输入的信息通过权重自动设定模块中内嵌的基于卷积神经网络的目标函数权重因子预测模型自动设定子目标函数的权重因子；

约束条件设置模块，用以设置子目标函数约束条件，将信息输入模块输入的信息通过约束条件设置模块中内嵌的基于BP神经网络的剂量学指征项预测模型自动设定子目标函数的约束条件；

计划优化模块，利用生成对抗网络反复训练得到子野形状预测模型，将信息输入模块输入的信息输入子野形状预测模型、得到子野形状预测值作为子野优化的初始值，结合权重自动设定模块与约束条件设置模块生成的子目标函数的权重因子以及约束条件，采用局部梯度算法优化目标函数获得最优剂量分布矩阵数据，生成最优计划；

方案输出模块，根据计划优化模块生成的最优计划，输出计划方案，所述计划方案包括照射计划、最优剂量分布矩阵数据和剂量‑体积直方图曲线信息。

2.如权利要求1所述的一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述权重自动设定模块首先通过已有的治疗信息找出PTV和OARs对应的CT层面，并用二进制标记出各结构对应的结构位置，获得各结构的三维矩阵，而后搭建卷积神经网络提取图像特征，通过多层的卷积操作获得权重因子作为整个网络的输出，并将其与已有计划中对应的目标函数权重因子进行比对训练卷积神经网络，最终获得目标函数权重因子预测模型；

而后利用粒子群算法产生种群，所述种群中的每个个体为一组权重因子，将所述信息输入模块中的信息输入所述目标函数权重因子预测模型得到权重因子预测值，将所述权重因子预测值并入所述种群，对于每组启发算法选定的权重因子都利用注量图优化算法求解总目标函数最小化优化问题，并在计算个体适应度、评选最优值后更新个体，若当前剂量分布不满足临床需求且未达到最大迭代次数则返回再次计算个体适应度，若当前剂量分布满足临床需求或已达到最大迭代次数则迭代终止，获得最优权重因子。

3.如权利要求1所述的一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述约束条件设置模块首先通过现有的治疗计划信息中导出PTV和OARs的三维矩阵作为所述BP神经网络的输入，将现有的治疗计划中的剂量学指征项作为BP神经网络的输出，对BP神经网络训练后得到剂量学指征项预测模型；

而后将所述信息输入模块中的PTV和OARs信息分别输入所述剂量学指征项预测模型，进而得到剂量学指征项预测值作为函数约束条件的初始值，用预测的最优剂量学指征项与临床指南中的剂量学指征项构造约束区域，所述约束区域包括第一区域、第二区域、第三区域、第四区域，若预测值落入第一区域，将当前计划优化结果作为最终结果，若预测值落入第二区域，将PTV的剂量学指征项预测值和OARs的临床指南剂量学指征项作为函数约束条件尝试优化，若预测值落入第三和第四区域，则将临床指南中的剂量学指征项作为函数约束条件尝试优化。

4.如权利要求1所述的一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述计划优化模块首先通过现有的治疗计划信息中导出PTV和OARs的三维矩阵信息，以及对应子野序列的子野形状，用二进制标记所述各子野对应的开口位置，获得其对应的子野形状矩阵，作为判断器的判断标准，利用生成对抗网络反复训练得到子野形状预测模型；

而后将所述信息输入模块中的PTV和OARs的三维矩阵，输入所述子野形状预测模型得到预测值作为子野优化的初始值，同时确定射束角度、总子野个数、每个子野的初始权重，结合权重自动设定模块与约束条件设置模块生成的子 目标函数的权重因子 以及约束条件，计算所述目标函数值，最后利用基于局部的梯度算法分别对子野形状和子野权重迭代优化直到满足条件为止。

5.如权利要求1所述的一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述初始三维矩阵信息为CT图像或CBTC图像或MRI图像。

6.如权利要求1所述的一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述的子目标函数为基于剂量与体积的物理函数。

7.如权利要求1所述的一种基于耦合式生成对抗网络的自动计划优化系统，其特征在于：所述治疗头信息包括治疗头形状结构和参数信息，以及照射方向和等中心的位置。

说明书

一种基于耦合式生成对抗网络的自动计划优化系统

技术领域

[0001] 本发明涉及调强放射治疗计划优化技术领域，特别涉及一种基于耦合式生成对抗网络的自动计划优化系统。

背景技术

[0002] 调强放射治疗(Intensity modulated radiation therapy，IMRT)是当前临床治疗癌症的主流技术之一，其计划设计采用逆向计划设计的方式，首先由医生在患者的CT图
像上确定靶区PTV以及相关危及器官OARs信息，然后由物理师利用这些信息设定PTV及OARs
的优化目标约束条件及权重因子，最后通过计划优化算法调整各光子束流的强度实现PTV
内剂量的三维适形。最大限度地将放射线的剂量集中在PTV内，避免周围的 OARs和正常组
织受到不必要的照射，是计划设计的主要目的。

[0003] 计划设计的本质是一个大规模多目标组合优化问题，涉及多个优化子目标函数。为了提高放射治疗的增益比，传统做法是物理师根据临床要求统筹考虑并在多个子目标之
间进行权衡妥协处理，采用手工“试误”的方式根据计划优化结果反复调整子目标函数的权
重因子及其对应的约束条件，将计划优化过程重复多次，直到得到医生满意或临床可接受
的治疗计划方案为止。由于剂量分布的未知性和复杂性，这种手工“试误”方式耗时耗力，严
重限制了医院的工作效率，增加了患者的负担。此外，手工“试误”在调节过程中极度依赖物
理师经验的丰富程度，如对器官间权衡的把握、优化中可能需要添加的辅助器官等，使得手
工“试误”方式产生的计划质量易受人为主观因素的影响，导致治疗计划的质量参差不齐，
致使并发症发生率上升，严重影响了患者的生存质量。

[0004] 为了减少传统方法对放射治疗效果的影响，计划优化自动化技术孕育而生。主要分为以下四类：字典优化(Lexicographic Optimization，LO)算法、多目标优化(Multi 
Criteria Optimization，MCO)算法、基于经验的放射治疗(Knowledge Based Radiation 
Therapy， KBRT)算法和自动优化算法。LO算法不设置权重因子，将子目标函数依据各种器
官的重要性进行排列，然后按照此顺序对子目标函数依次进行优化。在每次的迭代过程中，
高等级子目标函数的优化结果被作为低等级子目标函数的条件，从而保证高等级子目标函
数的限制条件是永远被满足的。这种方法最终会生成一个计划，如果该生成的计划满足所
有的限制条件，则该计划将被作为临床治疗计划；否则，修改优化序列或条件，重新进行优
化。MCO算法是基于Pareto支配关系的进化算法，利用凸函数的性质插值得所有不同权重组
合的Pareto边界。这种方法通常利用一个导航界面来辅助实现，通过拖动滑动条，动态地观
察每种权重组合下的计划质量，从而确定出最佳的子目标函数权重值。KBRT算法基于高质
量计划数据库利用患者之间的相似度进行匹配，通过已有计划引导新计划的参数生成。自
动优化算法模拟计划者的计划设计思路并通过计算机控制以实现自动的IMRT计划设计。

[0005] 虽然围绕计划优化自动化的相关研宄已发展了数年，但以上技术仍存在一些不足。 LO算法虽然可以避免权重因子设定的问题，但在此类方法中子目标函数的顺序是非常
重要的，不同的优化顺序，会使得计划优化的结果不一，增加了计划质量的不确定性。 MCO
算法通常在二维和三维问题上效果较好。但在PTV和OARs较多的高维问题中，使得几乎所有
个体都变得互不支配，算法的搜索能力会急剧衰减，无法发现Pareto最优解或近似Pareto
最优解，所得治疗计划并非是最优计划。KBRT算法，一方面需要海量的临床数据作为输入才
能确定出当前计划优化的权重值，其过程十分繁琐；另一方面由于病人之间的个体性差异
较大，特别是对解剖结构关系十分复杂的癌症，导致每个病人计划优化所需的权重值预测
不够精确，无法获得最优计划。自动优化算法，这类算法通常需要根据计划优化结果进行多
次迭代，对于每组选择的权重因子，都需要重新优化剂量分布，计算量大，耗时长。

发明内容

[0006] 本发明就是鉴于以上问题而完成。本发明的目的在于提供一种基于耦合式生成对抗网络的自动计划优化系统，克服上述缺陷，使调强放射治疗计划优化的过程更加高效，并
且提升优化结果的质量。

[0007] 为达成上述目的，本发明的解决方案为：一种基于耦合式生成对抗网络的自动计划优化系统，包括：信息输入模块，用于输入所需数据信息，所述数据信息包括病人的初始
三维矩阵信息、器官勾画信息、治疗头信息、目标函数信息、初始剂量分布矩阵信息，所述器
官勾画信息包括PTV和OARs信息，所述目标函数由一组相互冲突的子目标函数构成；

[0008] 权重自动设定模块，用于设定子目标函数的权重因子，将信息输入模块输入的信息通过权重自动设定模块中内嵌的基于卷积神经网络的目标函数权重因子预测模型自动
设定子目标函数的权重因子 ；

[0009] 约束条件设置模块，用以设置子目标函数约束条件，将信息输入模块输入的信息通过约束条件设置模块中内嵌的基于BP神经网络的剂量学指征项预测模型自动设定子目
标函数的约束条件；

[0010] 计划优化模块，利用生成对抗网络反复训练得到子野形状预测模型，将信息输入模块输入的PTV和OARs的三维矩阵输入子野形状预测模型得到预测值作为子野优化的初始
值，结合权重自动设定模块与约束条件设置模块生成的子 目标函数的权重因子 以及约束
条件，采用局部梯度算法优化目标函数获得最优剂量分布矩阵数据，生成最优计划；

[0011] 方案输出模块，根据计划优化模块生成的最优计划，输出计划方案，所述计划方案包括照射计划、最优剂量分布矩阵数据和剂量‑体积直方图曲线信息。

[0012] 进一步，所述权重自动设定模块首先通过已有的治疗信息找出PTV和OARs对应的 CT层面，并用二进制标记出各结构对应的结构位置，获得各结构的三维矩阵，而后搭建卷积
神经网络提取图像特征，通过多层的卷积操作获得权重因子作为整个网络的输出，并将其
与已有计划中对应的目标函数权重因子进行比对训练卷积神经网络，最终获得目标函数权
重因子预测模型；

[0013] 而后利用粒子群算法产生种群，所述种群中的每个个体为一组权重因子，将所述信息输入模块中的信息输入所述目标函数权重因子预测模型得到权重因子预测值，将所述
权重因子预测值并入所述种群，对于每组启发算法选定的权重因子都利用注量图优化算法
求解总目标函数最小化优化问题，并在计算个体适应度、评选最优值后更新个体，若当前剂
量分布不满足临床需求且未达到最大迭代次数则 返回再次计算个体适应度，若当前剂量
分布满足临床需求或已达到最大迭代次数则迭代终止，获得最优权重因子。

[0014] 进一步，所述约束条件设置模块首先通过现有的治疗计划信息中导出PTV和OARs 的三维矩阵作为所述BP神经网络的输入，将剂量学指征项作为BP神经网络的输出，对BP神
经网络训练后得到剂量学指征项预测模型；

[0015] 而后将所述信息输入模块中的PTV和OARs信息分别输入所述剂量学指征项预测模型，进而得到剂量学指征项预测值作为函数约束条件的初始值，用预测的最优剂量学指征
项与临床指南中的剂量学指征项构造约束区域，所述约束区域包括第一区域、第二区域、第
三区域、第四区域，若预测值落入第一区域，将当前计划优化结果作为最终结果，若预测值
落入第二区域，将PTV的剂量学指征项预测值和OARs的临床指南剂量学指征项作为函数约
束条件尝试优化，若预测值落入第三和第四区域，则将临床指南中的剂量学指征项作为函
数约束条件尝试优化。

[0016] 进一步，所述计划优化模块首先通过现有的治疗计划信息中导出PTV和O ARs的三维矩阵信息，以及对应子野序列的子野形状，用二进制标记所述各子野对应的开口位置，获
得其对应的子野形状矩阵，作为判断器的判断标准，利用生成对抗网络反复训练得到子野
形状预测模型；

[0017] 而后将所述信息输入模块中的PTV和OARs的三维矩阵，输入所述子野形状预测模型得到预测值作为子野优化的初始值，最后利用基于局部的梯度算法分别对子野形状和子
野权重迭代优化直到满足条件为止。

[0018] 进一步，所述初始三维矩阵信息为CT图像或CBTC图像或MRI图像。

[0019] 进一步，所述的子目标函数为基于剂量与体积的物理函数。

[0020] 采用上述方案后，本发明的有益效果在于：信息输入模块输入所需数据信息，而后权重自动设定模块中内嵌的基于卷积神经网络的目标函数权重因子预测模型自动设定子
目标函数的权重因子 ，约束条件设置模块中内嵌的基于BP神经网络的剂量学指征项预测
模型自动设定子目标函数的约束条件，计划优化模块采用局部梯度算法优化目标函数获得
最优剂量分布矩阵数据，生成最优计划，方案输出模块根据计划优化模块生成的最优计划，
输出计划方案，使调强放射治疗计划优化的过程更加高效，并且提升了优化结果的质量。

附图说明

[0021] 图1是本发明基于耦合式生成对抗网络的自动计划优化系统示意图；

[0022] 图2是本发明系统中权重自动设定模块的处理流程示意图；

[0023] 图3是本发明系统中约束条件设置模块的处理流程示意图；

[0024] 图4是本发明系统中计划优化模块的处理流程示意图；

[0025] 图5是本发明的工作流程示意图。

[0026] 标号说明：10‑信息输入模块，20‑权重自动设定模块，30‑约束条件设置模块，40‑ 计划优化模块，50‑方案输出模块。

具体实施方式

[0027] 如图1所示，本发明公开一种基于耦合式生成对抗网络的自动计划优化系统，包括：信息输入模块10、权重自动设定模块20、约束条件设置模块30、计划优化模块40和方案
输出模块50。

[0028] 上述各模块作用如下：

[0029] 信息输入模块10：用于输入所需数据信息，所述数据信息包括病人的初始三维矩阵信息、器官勾画信息、治疗头信息、目标函数信息、初始剂量分布矩阵信息，所述器官勾画
信息包括PTV和OARs信息，所述目标函数由一组相互冲突的子目标函数构成；

[0030] 权重自动设定模块20：用以设定子目标函数的权重因子，将信息输入模块10输入的信息通过权重自动设定模块20中内嵌的基于卷积神经网络的目标函数权重因子预测模
型自动设定子目标函数的权重因子 ；

[0031] 约束条件设置模块30：用以设置子目标函数约束条件，将信息输入模块10输入的信息通过约束条件设置模块30中内嵌的基于BP神经网络的剂量学指征项(Dosimetric 
Endpoints，DEs)预测模型自动设定子目标函数的约束条件；

[0032] 计划优化模块40：用以生成最优计划，依据上述内容，采用局部梯度算法优化目标函数获得最优剂量分布矩阵数据，生成最优计划；

[0033] 方案输出模块50：用以输出计划方案，包括照射计划、最优剂量分布矩阵数据和剂量‑体积直方图(Dose Volume Histogram，DVH)曲线信息。

[0034] 本发明中各模块的工作过程如下：

[0035] S101信息输入。输入信息包括病人的初始三维矩阵数据、器官勾画信息、治疗头信息，初始剂量分布矩阵数据和目标函数。

[0036] 其中病人的初始三维矩阵数据可以是CT图像、CBCT图像、MRI图像或其它方式获取的病人三维矩阵信息。本实施例中，采用CT图像获取病人三维数据。器官勾画信息可以通过
医师在三维矩阵数据信息上进行手工勾画而获得的，也可以通过自动勾画软件进行自动勾
画而获取。本实施例中，通过医生手工勾画获得PTV和OARs信息。治疗头信息包括完整的治
疗头形状结构和参数信息，以及照射方向和等中心的位置。所述目标函数由一组相互冲突
的子目标函数构成，如公式(1)所示：

[0037] minimize F＝∑r∈Rδrfr(D)   (1)

[0038] R表示子目标函数的总数，fr(di)表示第r个子目标函数，本实施例中采用子目标函数形式为剂量‑体积(Dose Volume，DV)物理函数，其形式如式(2)所示：

[0039]

[0040] 式中，Vr是限定区域ROI(Regions Of Interest，ROI)内所包含的体素个数，di是 ROI内第i个体素所接收到的实际剂量值，H(x)为赫维赛德阶跃函数。DV函数指限定区域ROI
内接收剂量大于或等于d1的体素体积不能大于v％，即 对于同一个限定区域ROI
可用多个子目标函数控制其内的剂量分布D，δr代表子目标函数相应的权重因子。本实施例
中，PTV采用DV函数2个，OARs各采用3个DV函数。

[0041] S102设定子目标函数的权重，本发明系统中权重自动设定模块20的处理流程示意图如图2所示，通过本发明系统中内嵌的基于卷积神经网络的目标函数权重因子预测模型
自动设定子目标函数的权重因子 δr。

[0042] 本发明系统通过已有的治疗计划信息找出PTV和OARs对应的CT层面，并用二进制标记出各结构对应的结构位置，获得各结构的三维矩阵。之后搭建卷积神经网络，通过卷积
核与图像矩阵的卷积操作来提取图像的特征。再通过多层的卷积操作获得权重因子作为整
个网络的输出。将其与已有计划中对应的目标函数权重因子进行比对训练网络，最终获得
目标函数权重因子预测模型。

[0043] 新计划优化时，本发明系统利用启发算法产生种群，所述启发算法为粒子群算法，种群中的每个个体代表一组权重因子，并将S101输入的PTV和OARs信息输入到目标函数权
重因子预测模型得到权重因子预测值，将该值并入启发算法的初始种群中。对于每组启发
算法选定的权重因子都利用注量图优化算法求解总目标函数最小化优化问题，并在计算个
体适应度、评选最优值后更新个体，如果当前剂量分布不满足临床需求且未达到最大迭代
次数则 返回再次计算个体适应度，如果当前剂量分布满足临床需求或已达到最大迭代次
数则迭代终止，获得最优权重因子。S103设置子目标函数的约束条件 通过本发
明系统中内嵌的基于BP神经网络的DEs预测模型自动设定子目标函数的约束条件，图3为本
发明系统中约束条件设置模块30的处理流程示意图。

[0044] 本发明系统从已有的治疗计划信息中导出PTV和OARs的三维矩阵作为BP网络的输入，将DEs作为BP神经网络的输出，训练后得到DEs的预测模型。

[0045] 新计划优化时，本发明系统将S101输入的PTV和OARs的三维矩阵分别输入DEs 预测模型得到预测值作为函数约束条件的初始值，并利用预测的最优DEs与临床指南中的DEs
构造“四宫格三标准”的软约束区域。若预测值落入第一区域，则当前计划优化结果就是最
终结果，不再修改约束条件；否则在迭代中以DEs落入的不同区域调整约束，尝试是否可以
得到更优计划。若预测值落入第二区域，则将PTV的DEs预测值和OARs 的临床指南DEs作为
函数约束条件尝试优化；若预测值落入第三和第四区域，则将临床指南中的DEs作为函数约
束条件尝试优化。

[0046] S104计划优化生成当前患者的治疗方案。调强放射治疗将每个照射野分成若干个子野，调强放射治疗计划优化的目的是寻找最优子野序列(S,w)使得式(1)所示的总目标函
数最小化(如式(3)所示)，包括治疗计划中子野个数，以及各子野的形状和权重值。

[0047] minimize F＝∑r∈Rδrfr(D)  (3)

[0048]

[0049] 式中，K为计划包含的总子野个数，Sk为第k个子野的形状，wk为第k个子野的权重，θk为子野对应的射束角度。

[0050]

[0051] 是单位强度下体素i所接收的来自于第k个子野的剂量(如式(4)所示)。 Mk是第k个子野多叶准直器MLC(Multileaf collimator，MLC)的总对数，所述MLC产生适形
辐射野。 和 分别是第k个子野MLC第m对叶片的左右位置。yk表示在单位强度下角度
为θk的射束矩阵中的子射束amn在第i个体素上的沉积剂量。

[0052] 本发明系统首先从已有的治疗计划信息中导出PTV和OARs的三维矩阵，导出对应子野序列的子野形状，用二进制标记出各子野对应的开口位置获得其对应的子野形状矩
阵，作为判断器的判断标准。利用生成对抗网络反复训练得到子野形状预测模型。

[0053] 新计划优化时，首先确定射线的方向即射束角度、总子野个数、每个子野的初始权重，将S101输入的PTV和OARs的三维矩阵输入子野形状预测模型得到子野形状预测值作为
子野优化的初始值，而后基于所述子野形状预测值、射束角度、总子野个数、每个子野的初
始权重以及在S102、S103获得的子目标函数权重因子和子目标函数约束条件，利用基于局
部的梯度算法分别对子野形状和子野权重迭代优化直到满足条件为止。具体过程为，首先
基于上述信息计算目标函数值，若满足终止条件则计算最终剂量并输出优化结果，若不满
足终止条件，则判断有无未优化的子野，若存在未优化的子野则采用局部梯度算法优化子
野形状后返回判断有无为优化的子野，直至全部子野优化完成后采用梯度算法优化子野权
重，将优化后的结果返回判断是否满足终止条件直至满足终止条件后，计算最终剂量并输
出优化结果。

[0054] S105输出计划方案信息。包括照射计划、最优剂量分布矩阵数据和DVH曲线信息。

[0055] 以上所述仅为本发明的较佳实施例，并非对本案设计的限制，凡依本案的设计关键所做的等同变化，均落入本案的保护范围。