本发明涉及人工智能，尤其涉及一步式放射治疗射野通量图预测方法及其应用。
背景技术：
1、射野通量图(fluence map)定义了放射治疗过程中，医用直线加速器在某个入射野角度的强度分布，从而控制射入人体不同位置的射线强度，达到使肿瘤位置接收足够的放射剂量的同时，尽可能地保护周围的重要器官(如图1)。
2、为了达到上述目的，需要对每一位患者进行个体化的放射治疗方案设计与优化，经过耗时的计划设计过程，获得理想的射野通量图，并转化为医用直接加速器的物理参数，用于病人在医用直线加速器上的放射治疗。
3、目前放射治疗计划设计的手段主要有①人工计划设计方法，由放射治疗剂量师(计划方案设计者)根据患者图像和肿瘤靶区和危及器官的位置和形状，人工设置优化目标函数，计划设计系统根据设置的目标函数，反复迭代优化，最终获得每个角度的射野强度分布图(射野通量图,fluence map)，从而得到理想的治疗计划设计方案；②常规自动计划方法，系统根据患者图像和肿瘤靶区和危及器官的位置和形状，预测三维剂量分布或者剂量体积直方图，根据预测结果，自动设置目标函数，从而省去①中的人工设置优化目标函数的步骤(如图2)。
4、上述方法的问题和缺点在于，需要耗时的优化迭代和反复调试过程，通常需要数小时的计划设计时间，无法使患者得到及时的放射治疗。
5、最新的技术发展之一是通过人工智能/神经网络算法，直接正向的对射野通量图进行预测，从而跳过逆向迭代优化步骤。有研究者提出了一种两步式射野通量图预测技术：首先根据患者解剖结构和ct影像，预测出患者的放射剂量分布，再由患者的剂量分布预测出射野通量图。进一步，有研究者提出了一种一步式射野通量图预测方法，参见li x,zhangj,sheng y,chang y,yin f-f,ge y,wu qj,wang c.automatic imrt planning viastatic field fluence prediction(aip-sffp):a deep learning algorithm for real-time prostate treatment planning.physics in medicine&biology,2020.65(17):p.175014.以及li x,wang c,sheng y,zhang j,wang w,yin ff,wu q,wu qj,ge y.anartificial intelligence-driven agent for real-time head-and-neck imrt plangeneration using conditional generative adversarial network(cgan).medicalphysics,2021.48(6):p.2714-2723.直接根据患者的解剖结构和ct影像预测射野通量图，省去了预测剂量分布的步骤。但是，在他的方法中，为了方便，将每个角度的三维放射野投影数据在射线深度方向压缩成了二维投影图后输入预测模型，或者将压缩后的二维投影图组合到4维(一维是不同角度，一维是不同投影数据种类)，实际上在投影表示上还是二维，损失掉了射线方向上的深度信息。而射线进入人体后沿深度方向的衰减是非线性的，因此将三维投影在深度方向上压缩成二维损失掉了重要特征。
技术实现思路
1、为了克服上述技术缺陷，本发明的第一个方面提供一步式放射治疗射野通量图预测方法，包括：
2、步骤s1：数据预处理：获取放射治疗患者的三维ct影像，通过相应的“ct-电子密度转换表”将三维ct影像转换为三维电子密度影像；获取在三维ct影像中勾画得到的肿瘤和正常组织的三维解剖结构外轮廓，通过不同数值对不同三维解剖结构外轮廓及其内部空间进行填充标记以获得三维解剖结构标记数据；本技术中的“ct-电子密度转换表”是通过放疗领域常规测量方法获得的一个转换表；
3、步骤s2：从三维电子密度影像和三维解剖结构标记数据分别抽取出特定角度的三维电子密度投影和特定角度的三维解剖结构标记投影；
4、步骤s3：将三维电子密度投影和三维解剖结构标记投影分别进行正交化处理，转换为正交化后的电子密度投影和正交化后的解剖结构标记投影；
5、步骤s4：将正交化后的电子密度投影和正交化后的解剖结构标记投影作为训练后的神经网络预测模型的输入，训练后的神经网络预测模型对正交化后的电子密度投影和正交化后的解剖结构标记投影沿着射线路径和射线法平面三个正交方向进行神经网络模型中预设的神经网络运算操作(包括但不限于卷积操作，池化操作，激活操作，反卷积操作等)后，输出预测的二维射野通量图。
6、进一步地，所述训练后的神经网络预测模型的训练过程包括以下步骤：
7、(1)采集m例放射治疗患者的三维ct影像、在三维ct影像数据中勾画得到的肿瘤和正常组织的三维解剖结构外轮廓，以及患者放射治疗计划方案中n个特定角度的实际射野通量图；
8、(2)数据预处理：通过相应的“ct-电子密度转换表”将m个三维ct影像转换为m个三维电子密度影像，并通过不同数值对m例患者的不同三维解剖结构外轮廓及其内部空间进行标记以获得m个三维解剖结构标记数据；
9、(3)对每一例患者抽取出n个特定角度的三维电子密度投影和n个特定角度的三维解剖结构标记投影，通过数据抽取后，共得到m·n个三维电子密度投影数据、m·n个三维解剖结构标记投影数据，以及对应的m·n个匹配的实际射野通量图数据；
10、(4)将m·n个三维电子密度投影数据和m·n个三维解剖结构标记投影数据分别进行正交化处理，转换为正交化后的三维电子密度投影数据和三维解剖结构标记投影数据；
11、(5)将正交化后的三维电子密度投影数据和三维解剖结构标记投影数据作为神经网络预测模型的输入，神经网络预测模型对正交化后的电子密度投影图和正交化后的解剖结构投影图沿着射线路径和射线法平面三个正交方向进行神经网络模型中预设的神经网络运算操作(包括但不限于卷积操作，池化操作，激活操作，反卷积操作等)后输出预测的二维射野通量图，不断训练神经网络预测模型，并调整参数，直至经网络预测模型输出的预测的二维射野通量图与实际射野通量图越来越接近(越来越接近的量化标准可采用两图之间的均方误差mse接近0，结构相似性指数ssim接近1，以及两者以不同比例混合的量化标准，或其他图像相似性比较方法)此时获得最佳模型参数，从而获得训练后的神经网络预测模型。
12、本技术的第二个方面提供一步式放射治疗射野通量图预测系统，包括：
13、ct值转换子模块，所述ct值转换子模块用于获取放射治疗患者的三维ct影像数据，并通过相应的“ct-电子密度转换表”将三维ct影像数据转换为三维电子密度投影数据；
14、解剖结构标记子模块，所述解剖结构标记子模块用于获取在三维ct影像数据中勾画得到的肿瘤和正常组织的三维解剖结构外轮廓数据，通过不同数值对三维解剖结构轮廓及其内部空间进行填充标记以获得三维解剖结构标记数据；
15、投影数据抽取子模块，所述投影数据抽取子模块用于从三维电子密度影像数据和三维解剖结构标记数据中分别抽取出特定角度的三维电子密度投影数据和特定角度的三维解剖结构标记投影数据；
16、数据正交化模块，所述数据正交化模块用于将三维电子密度投影数据和三维解剖结构标记投影数据分别进行正交化处理，转换为正交化后的三维电子密度投影数据和三维解剖结构标记投影数据；
17、通量图预测模块，所述通量图预测模块用于将正交化后的三维电子密度投影数据和三维解剖结构标记投影数据作为训练后的神经网络预测模型的输入，训练后的神经网络预测模型对正交化后的三维电子密度投影数据和三维解剖结构标记投影数据沿着射线路径和射线法平面三个正交方向进行神经网络模型中预设的神经网络运算操作(包括但不限于卷积操作，池化操作，激活操作，反卷积操作等)后输出预测的二维射野通量图。
18、进一步地，一步式放射治疗射野通量图预测系统进一步包括训练模块，所述训练模块用于以若干例放射治疗患者的正交化后的三维电子密度投影数据、三维解剖结构标记投影数据以及实际射野通量图作为训练样本，不断训练神经网络预测模型，并调整参数，直至经网络预测模型输出的预测的二维射野通量图与实际射野通量图越来越接近(越来越接近的量化标准可采用两图之间的均方误差mse接近0，结构相似性指数ssim接近1，以及两者以不同比例混合的量化标准，或其他图像相似性比较方法)，此时获得最佳模型参数，从而获得训练后的神经网络预测模型。
19、本技术的第三个方面提供一种电子设备，包括：存储器、处理器以及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述一步式放射治疗射野通量图预测方法。
20、本技术的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一步式放射治疗射野通量图预测方法。
21、采用了上述技术方案后，与现有技术相比，具有以下有益效果：
22、1.本发明提出了一种基于射线三维投影空间的一步式放射治疗射野通量图预测方法，并且提出了三维投影空间中非正交的特征卷积技术，解决如何在非正交的三维空间中准确地沿射线路径进行三维卷积。
23、2.传统的逆向优化获取射野通量图的方法，需要费时费力的反复迭代优化过程。针对这一问题，本专利采用正向的人工智能预测方法，直接对射野通量图进行预测，省去了目标函数设置和反复迭代逆向优化的过程。本发明通过一种正向的射野通量图预测方法取代传统的逆向迭代优化算法来获得放射治疗计划中的射野通量图，从而省去了反复迭代优化的步骤，实现了效率上的显著提高。从结果看，相比于人工优化方法的944秒，本发明只要39秒就能预测出7个角度的射野通量图。效率大大提高。
24、3.对于现有技术中的二步式通量图预测方法(影像和解剖结构预测放射剂量，再由放射剂量预测得到射野通量图)，本专利通过通量图预测模块，直接采用一步式通量图预测方法，由患者影像和解剖结构直接预测得到射野通量图，省去了预测患者放射剂量的中间步骤。相比于其他射野通量图预测方法，本发明通过一步式预测(直接由解剖结构和影像数据得到通量图)，而非目前的两步预测方法(由解剖结构和影像数据预测得到剂量分布，再由剂量分布得到通量图)，效率进一步提高。
25、4.对于现有的一步式通量图预测方法(采用二维的射野投影数据)，本发明的数据抽取模块抽取三维空间的射野投影数据,而非压缩后的二维平面投影数据，射野通量图预测模块直接将双通道的三维射野投影数据作为输入(通道1：三维影像投影数据，通道2：三维肿瘤和正常组织解剖结构投影数据)，保留了射线进入人体后深度方向上的特征。相比于目前一步式预测中的模型输入采用二维压缩投影数据(损失了投影数据的深度信息)，本发明采用三维投影空间数据建立通量图预测模型，在预测模型的输入中保留了射线路径(射线深度)方向上的特征，使预测模型能够准确的预测出每条射野路径所需的通量强度。
26、5.采用三维投影数据后，存在的问题是三维投影数据是非正交的。即射野投影呈锥形体形态，每一条射线路径都是非平行的。从而对于在三维空间中沿射线路径方向进行特征卷积操作造成了困难。因此，我们设计了投影数据正交化模块，先对数据进行正交化处理，再进行正交的神经网络运算操作，实现了在三维投影数据中沿射线路径方向和射线中心轴法平面方向的神经网络运算操作(包括但不限于卷积操作，池化操作，激活操作，反卷积操作等)。本发明为了实现三维的通量图预测模型，在模型预测前进行了锥形束投影数据(射线路径是非正交或平行的)的正交化处理，从而更好的进行三个正交方向上的神经网络运算操作。
1.一步式放射治疗射野通量图预测方法，其特征在于，包括：
2.如权利要求1所述的一步式放射治疗射野通量图预测方法，其特征在于，所述训练后的神经网络预测模型的训练过程包括以下步骤：
3.一步式放射治疗射野通量图预测系统，其特征在于，包括：
4.如权利要求3所述的一步式放射治疗射野通量图预测系统，其特征在于，进一步包括训练模块，所述训练模块用于以若干例放射治疗患者的正交化后的三维电子密度投影数据、三维解剖结构标记投影数据以及实际射野通量图作为训练样本，不断训练神经网络预测模型，并调整参数，直至经网络预测模型输出的预测的二维射野通量图与实际射野通量图越来越接近，，此时获得最佳模型参数，从而获得训练后的神经网络预测模型。
5.一种电子设备，其特征在于，包括：存储器、处理器以及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1或2所述的一步式放射治疗射野通量图预测方法。
6.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述的一步式放射治疗射野通量图预测方法。
