本发明公开了一种放疗验证计划剂量生成方法、系统、电子设备及存储介质，用以解决现有放疗验证计划进行蒙特卡罗剂量计算时效率低的问题。方法包括获取病例验证计划数据集，通过数据解析获得计划射野的投影图信息；将所述病例验证计划数据集对应的模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，剂量分布图作为深度学习模型的输出，对深度学习模型进行训练，直到获得剂量计算网络模型；使用所述剂量计算网络模型对待计算病例信息进行剂量计算，能够快速生成患者验证计划的剂量，提高了计划验证的准确性；通过深度学习模型自动计算剂量，减少了人为因素的干扰，降低了错误率，提高了工作效率。
1.一种放疗验证计划剂量生成方法，其特征在于，包括以下步骤：
获取病例计划数据集，所述病例计划数据集包括若干份病例的放疗验证计划数据；所述放疗验证计划数据包括病例的模体CT图像数据、验证计划射野数据和模体轮廓结构数据；
采用蒙特卡罗方法对所述放疗验证计划数据进行计算，获得体素上的剂量分布图；
对验证计划射野数据进行数据解析，所述验证计划射野数据包括多个射野，每个射野有多个子野；对验证计划射野数据进行数据解析包括：提取每个射野中每个子野的MLC位置信息，对每个射野的全部子野MLC位置信息进行通量图转化，得到每个射野的通量图信息，再将所述通量图信息转化为体素中的投影图信息；通量图信息转化为体素中的投影图信息时，是对相应验证模体的每个体素点进行投影赋值；
选择深度学习模型，将所述模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，蒙特卡罗计算得到的体素上的剂量分布图作为深度学习模型的输出，以对深度学习模型进行训练，直到获得剂量计算网络模型；
获取待计算病例信息，使用所述剂量计算网络模型对待计算病例信息进行剂量计算，以便获得验证计划在模体上的剂量分布信息，然后输出验证计划在模体上的剂量分布信息。
2.根据权利要求1所述的放疗验证计划剂量生成方法，其特征在于，所述投影赋值的大小定义为：其中，Di表示第i点体素的投影赋值，di表述第i点体素到射线源的距离，Fij表示第i点体素和射线源连线与通量图交点j对应的通量图值。
3.根据权利要求1所述的放疗验证计划剂量生成方法，其特征在于，
所述的深度学习模型是三维的Res‑Unet模型、Vgg‑Unet模型、Trans‑Unet模型或UNeXt模型。
4.根据权利要求1所述的放疗验证计划剂量生成方法，其特征在于，
输出验证计划在模体上的剂量分布信息的方法还包括；将剂量分布信息转化为所需空间分辨率的三维矩阵，并将所述三维矩阵以预设格式进行导出。
5.一种放疗验证计划的自动剂量计算系统，其特征在于，
数据获取模块，用于获取病例计划数据集，所述病例计划数据集包括若干份病例的放疗验证计划数据；所述放疗验证计划数据包括病例的模体CT图像数据、验证计划射野数据和模体轮廓结构数据；将所述放疗验证计划数据传给第一计算模块，将验证计划射野数据传给数据解析模块；将所述模体CT图像数据和模体轮廓结构数据传给模型训练模块；
第一计算模块，用于接收数据获取模块传来的放疗验证计划数据，采用蒙特卡罗方法对所述放疗验证计划数据进行计算，获得体素上的剂量分布图；并将所述体素上的剂量分布图传给模型训练模块；
数据解析模块，用于接收所述数据获取模块传来的验证计划射野数据，并对验证计划射野数据进行数据解析，所述验证计划射野包括多个射野，每个射野有多个子野；数据解析包括：提取每个射野中每个子野的MLC位置信息，将每个射野的全部子野MLC位置信息进行通量图转化，得到每个射野的通量图信息，再将所述通量图转化为体素中的投影图信息；并将所述投影图信息传给模型训练模块；通量图信息转化为体素中的投影图信息时，是对相应验证模体的每个体素点进行投影赋值；
模型训练模块，用于接收所述数据获取模块传来的模体CT图像数据和模体轮廓结构数据，接收所述第一计算模块传来的体素上的剂量分布，接收所述数据解析模块传来的投影图信息，然后将所述模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，蒙特卡罗计算得到体素上的剂量分布图作为深度学习模型的输出，对深度学习模型进行训练，直到获得剂量计算网络模型；
剂量计算模块，用于获取待计算病例信息，使用所述模型训练模块获得的剂量计算网络模型对所述待计算病例信息进行剂量计算，以便获得验证计划在模体上的剂量分布信息。
6.根据权利要求5所述的放疗验证计划的自动剂量计算系统，其特征在于，所述系统还包括剂量输出模块，所述剂量计算模块还将获得的验证计划在模体上的剂量分布信息传给剂量输出模块；
所述剂量输出模块用于将剂量分布信息转化为所需空间分辨率的三维矩阵，并将所述三维矩阵以预设格式进行导出。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如权利要求1至4任意一项所述的放疗验证计划剂量生成方法。
8.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1至4任意一项所述的放疗验证计划剂量生成方法。
放疗验证计划剂量生成方法、系统、电子设备及存储介质
技术领域
[0001] 本发明属于放射治疗剂量计算技术领域，具体涉及放疗验证计划剂量生成方法、系统、电子设备及存储介质。
背景技术
[0002] 随着计算机和自动控制技术的进步，放射治疗技术越来越复杂，对剂量验证的要求也在不断提高。剂量验证是放疗过程中的一项关键安全管理措施。通过对计划剂量和实际测量剂量进行验证，可以及时发现和纠正治疗计划中潜在的错误或偏差。这有助于降低治疗中的风险，并确保患者在接受放疗时获得最大的安全保障。
[0003] 目前临床放射治疗常用的剂量验证方式之一是使用探测器阵列。这种方法的基本过程是将治疗计划中患者的CT图像换为探测器阵列模体的CT图像，并进行剂量的重新计算。随后，使用治疗计划在加速器上对探测器阵列进行照射，模体阵列中的探测器能测量特定空间范围的剂量分布，并将其与计算得到的剂量分布进行比较，以确定计划能否通过验证。
[0004] 通常剂量计算都是在各种计划系统中完成，不同的计划系统使用的算法不同。目前临床常用的剂量算法有：卷积类算法，优点是计算速度快，但是在非均匀组织和表面等边界位置计算误差偏大；蒙特卡罗（Monte Carlo）算法，这是一种模拟粒子传输的高精度算法，可以考虑各种物理过程和材料的异质性，然而这种方法需要大量的计算资源和时间；类蒙特卡罗算法，此类方法的计算精度和计算效率介于卷积类算法和蒙特卡罗算法之间。
[0005] 不同的剂量计算算法在计算精度、计算速度和适用范围上存在差异。剂量计算精度对剂量验证的结果有重要影响。此外，大的医疗中心会有多个不同厂家型号的加速器治疗机，相应的可能会有多个不同的计划系统，每个计划系统使用不同的剂量计算算法。在进行放疗计划验证工作时需要验证计划，生成验证计划剂量时仍然需要大量的手工操作。目前，放疗计划的剂量验证特别需要一种计算速度快、精度高、自动化程度高的剂量计算方法。
发明内容
[0006] 本发明的目的是提供放疗验证计划剂量生成方法、系统、电子设备及存储介质，用以解决现有放疗验证计划进行蒙特卡罗剂量计算时效率低的问题。
[0007] 为了实现上述目的，本发明采用以下技术方案：
[0008] 本发明第一方面提供了一种放疗验证计划剂量生成方法，包括以下步骤：
[0009] 获取病例计划数据集，所述病例计划数据集包括若干份病例的放疗验证计划数据；所述放疗验证计划数据包括病例的模体CT图像数据、验证计划射野数据和模体轮廓结构数据；
[0010] 采用蒙特卡罗方法对所述放疗验证计划数据进行计算，获得体素上的剂量分布图；
[0011] 对验证计划射野数据进行数据解析，所述验证计划包括多个射野，每个射野有多个子野；
[0012] 数据解析包括：提取每个射野中每个子野的MLC位置信息，将每个射野的全部子野MLC位置信息进行通量图转化，得到每个射野的通量图信息，再将所述通量图信息转化为体素中的投影图信息；
[0013] 选择深度学习模型，将所述模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，蒙特卡罗计算得到的体素上的剂量分布图作为深度学习模型的输出，对深度学习模型进行训练，直到获得剂量计算网络模型；
[0014] 获取待计算病例信息，使用所述剂量计算网络模型对待计算病例信息进行剂量计算，以便获得验证计划在模体上的剂量分布信息。
[0015] 在一种可能设计中，通量图信息转化为投影图信息时，验证模体的每个体素点的投影赋值的大小定义为：
[0016]
[0017] 其中，Di表示第i点体素的投影赋值，di表述第i点体素到射线源的距离，Fij表示第i点体素和射线源连线与通量图交点j对应的通量图值。
[0018] 在一种可能设计中，所述的深度学习网络模型是三维的Res‑Unet模型、Vgg‑Unet模型、Trans‑Unet模型或UNeXt模型。
[0019] 在一种可能设计中，输出验证计划在模体上的剂量分布的方法还包括；将剂量分布信息转化为所需空间分辨率的三维矩阵，并将所述三维矩阵以预设格式进行导出。
[0020] 本发明第二方面提供了一种放疗验证计划的自动剂量计算系统，
[0021] 数据获取模块，用于获取病例计划数据集，所述病例计划数据集包括若干份病例的放疗验证计划数据；所述放疗验证计划数据包括病例的模体CT图像数据、验证计划射野数据和模体轮廓结构数据；并将放疗验证计划数据传给第一计算模块，将验证计划射野数据传给数据解析模块；将所述模体CT图像数据和模体轮廓结构数据传给模型训练模块；
[0022] 第一计算模块，用于接收数据获取模块传来的放疗验证计划数据，采用蒙特卡罗方法对所述放疗验证计划数据进行计算，获得体素上的剂量分布图；并将所述体素上的剂量分布图传给模型训练模块；
[0023] 数据解析模块，用于接收所述数据获取模块传来的验证计划射野数据，并对验证计划射野数据进行数据解析，所述验证计划包括多个射野，每个射野有多个子野；数据解析包括：提取每个射野中每个子野的MLC位置信息，将每个射野的全部子野MLC位置信息进行通量图转化，得到每个射野的通量图信息，再将所述通量图转化为体素中的投影图信息；并将所述投影图信息传给模型训练模块；
[0024] 模型训练模块，用于接收所述数据获取模块传来的模体CT图像数据和模体轮廓结构数据，接收所述第一计算模块传来的体素上的剂量分布，接收所述数据解析模块传来的投影图信息，然后将所述模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，蒙特卡罗计算得到体素上的剂量分布图作为深度学习模型的输出，对深度学习模型进行训练，直到获得剂量计算网络模型；
[0025] 剂量计算模块，用于获取待计算病例信息，使用所述模型训练模块获得的剂量计算网络模型对所述待计算病例信息进行剂量计算，以便获得验证计划在模体上的剂量分布信息。
[0026] 在一种可能设计中，还包括剂量输出模块，
[0027] 所述剂量计算模块还将获得的验证计划在模体上的剂量分布信息传给剂量输出模块；所述剂量输出模块用于将剂量分布信息转化为所需空间分辨率的三维矩阵，并将所述三维矩阵以预设格式进行导出。
[0028] 本发明第三方面提供一种电子设备，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面或第一方面中任意一项可能的设计中所述的放疗验证计划剂量生成方法。
[0029] 本发明第四方面提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一项可能的设计中所述的放疗验证计划剂量生成方法。
[0030] 有益效果：本发明通过建立剂量计算网络模型，能够快速生成患者验证计划的剂量，提高了计划验证的准确性；通过深度学习模型自动计算剂量，减少了人为因素的干扰，降低了错误率，减少了医护人员的工作量，提高了工作效率；本发明可以对不同计划系统的验证计划进行统一计算和数据管理，方便后续的数据分析和研究。
附图说明
[0031] 图1为本发明实施例所述的放疗验证计划剂量生成方法的流程图示意图；
[0032] 图2为本发明实施例所述的放疗验证计划剂量生成系统的模块框图。
具体实施方式
[0033] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
[0034] 实施例：
[0035] 如图1所示，本实施例第一方面提供了一种放疗验证计划剂量生成方法，包括以下步骤：
[0036] 获取病例计划数据集，所述病例计划数据集包括若干份病例的放疗验证计划数据；所述放疗验证计划数据包括病例的模体CT图像数据、验证计划射野数据和模体轮廓结构数据；
[0037] 采用蒙特卡罗方法对所述放疗验证计划数据进行计算，获得体素上的剂量分布图；
[0038] 对验证计划射野数据进行数据解析，所述验证计划包括多个射野，每个射野有多个子野；
[0039] 数据解析包括：提取每个射野中每个子野的多叶准直器（MultiLeaf Collimator，MLC）位置，将每个射野的全部子野MLC位置信息进行通量图转化，得到每个射野的通量图信息，再将所述通量图信息转化为体素中的投影图信息；
[0040] 选择深度学习模型，将所述模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，蒙特卡罗计算得到的体素上的剂量分布图作为深度学习模型的输出，对深度学习模型进行训练，直到获得剂量计算网络模型；
[0041] 获取待计算病例信息，使用所述剂量计算网络模型对待计算病例信息进行剂量计算，以便获得验证计划在模体上的剂量分布信息。
[0042] 具体示例的，验证计划为固定野调强放疗计划，计划包括六个射野，每个射野有多个子野。验证计划也可以是容积旋转调强放疗计划，计划包括两个射野，每个射野有91个控制点。
[0043] 在一种可能实施方式中，通量图信息转化为投影图信息时，验证模体的每个体素点的投影赋值的大小定义为：
[0044]
[0045] 其中，Di表示第i点体素的投影赋值，di表述第i点体素到射线源的距离，Fij表示第i点体素和射线源连线与通量图交点j对应的通量图值。
[0046] 在一种可能实施方式中，所述的深度学习网络模型是三维的Res‑Unet模型、Vgg‑Unet模型、Trans‑Unet模型或UNeXt模型。
[0047] 在一种可能实施方式中，输出验证计划在模体上的剂量分布的方法还包括；将剂量分布信息转化为所需空间分辨率的三维矩阵，并将所述三维矩阵以预设格式进行导出。具体的，预设格式是DICOM 文件的格式。
[0048] 如图2所示，本发明第二方面提供了一种放疗验证计划的自动剂量计算系统，[0049] 数据获取模块，用于获取病例计划数据集，所述病例计划数据集包括若干份病例的放疗验证计划数据；所述放疗验证计划数据包括病例的模体CT图像数据、验证计划射野数据和模体轮廓结构数据；将所述放疗验证计划数据传给第一计算模块，将验证计划射野数据传给数据解析模块；将所述模体CT图像数据和模体轮廓结构数据传给模型训练模块；
[0050] 第一计算模块，用于接收数据获取模块传来的放疗验证计划数据，采用蒙特卡罗方法对所述放疗验证计划数据进行计算，获得体素上的剂量分布图；并将所述体素上的剂量分布图传给模型训练模块；
[0051] 数据解析模块，用于接收所述数据获取模块传来的验证计划射野数据，并对验证计划射野数据进行数据解析，所述验证计划包括多个射野，每个射野有多个子野；数据解析包括：提取每个射野中每个子野的MLC位置信息，将每个射野的全部子野MLC位置信息进行通量图转化，得到每个射野的通量图信息，再将所述通量图转化为体素中的投影图信息；并将所述投影图信息传给模型训练模块；
[0052] 模型训练模块，用于接收所述数据获取模块传来的模体CT图像数据和模体轮廓结构数据，接收所述第一计算模块传来的体素上的剂量分布，接收所述数据解析模块传来的投影图信息，然后将所述模体CT图像数据、模体轮廓结构数据、投影图信息作为深度学习模型的输入数据，蒙特卡罗计算得到体素上的剂量分布图作为深度学习模型的输出，对深度学习模型进行训练，直到获得剂量计算网络模型；
[0053] 剂量计算模块，用于获取待计算病例信息，使用所述模型训练模块获得的剂量计算网络模型对所述待计算病例信息进行剂量计算，以便获得验证计划在模体上的剂量分布信息。
[0054] 在一种可能实施方式中，还包括剂量输出模块，
[0055] 所述剂量计算模块还将获得的验证计划在模体上的剂量分布信息传给剂量输出模块；所述剂量输出模块用于将剂量分布信息转化为所需空间分辨率的三维矩阵，并将所述三维矩阵以预设格式进行导出。
[0056] 本发明第三方面提供一种电子设备，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面或第一方面中任意一项可能的实施方式中所述的放疗验证计划剂量生成方法。具体举例的，所述存储器可以但不限于包括随机存取存储器（Random‑Access Memory，RAM）、只读存储器（Read‑Only Memory，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First Input Last Output，FILO）等等；所述处理器可以不限于采用型号为X86、Internet系列的处理器的或其他微处理器；所述收发器可以但不限于为有线收发、无线保真（Wireless Fidelity，WiFi）无线收发器、蓝牙无线收发器、通用分组无线服务技术（General Packet Radio Service，GPRS）无线收发器和/或紫蜂协议（基于IEEE802.15.4标准的低功耗局域网协议，ZigBee）无线收发器等。此外，所述电子设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
[0057] 本发明第四方面提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一项可能的实施方式中所述的放疗验证计划剂量生成方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
[0058] 本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能的实施方式中所述的交互方法，于此不再赘述。
[0059] 本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如在第一方面或第一方面中任意一种可能的实施方式中所述的放疗验证计划剂量生成方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
[0060] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
