一种基于生成式对抗网络的肿瘤放疗计划自动设计方法

摘要

本发明涉及肿瘤学放射治疗技术领域，尤其涉及一种基于生成式对抗网络的肿瘤放疗计划自动设计方法。一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，包括以下步骤：S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。本发明提供了一种无需勾画的基于生成式对抗网络的肿瘤放疗计划自动设计方法，实现了肿瘤放射治疗过程中放疗计划的全自动设计。

说明书

技术领域

本发明涉及肿瘤学放射治疗技术领域，尤其涉及一种基于生成式对抗网络的肿瘤放疗计划自动设计方法。

背景技术

在过去的几十年中，调强放疗(IMRT)和容积调强放疗(VMAT)几乎可以适用于所有的肿瘤治疗部位。由于IMRT和VMAT中的剂量分布复杂，即使OAR与靶区相邻，也可以显着降低对正常组织的辐射剂量，特别是临床关注的危及器官(OAR)，从而降低了放疗后发生不良事件的风险。但是，这些独特的剂量分布导致IMRT和VMAT的治疗计划过程越来越复杂。为了获得理想的剂量分布，需要勾画许多结构(包括感兴趣的特定优化区域)来辅助放疗计划的优化，优化过程需要调整各种剂量限制参数，不断重复的优化过程非常耗时。

在最近的一段时间里，研究人员开始使用深度神经网络(DNN) 来预测剂量分布，从而产生了一个新的研究领域。这种剂量预测可以减少IMRT的迭代优化过程，Nguyen等人的报告指出，基于U-net 的体系结构能够预测前列腺癌患者的剂量分布，并且发现原始剂量与预测剂量之间的绝对差值的平均值小于处方剂量的5％。Mahmood等人通过使用生成对抗网络(GAN)框架预测了口咽癌患者的同时整和加量(simultaneous integrated boost,SIB)治疗的剂量分布，并将基于GAN的方法的预测性能与几种最新技术进行了比较。他们发现，在满足临床标准方面，GAN优于基于U-net的预测模型，并且GAN在所研究的方法中也具有最佳的整体性能。

虽然基于DNN的预测模型在预测剂量分布和原始剂量分布之间取得了良好的一致性，但在所有模型框架中，患者CT中的勾画信息是预测的必要条件。肿瘤靶区和正常器官结构的勾画非常耗时，例如，一个使用Eclipse(Varian Medical Systems,Palo Alto,CA)来进行治疗计划的前列腺患者，勾画过程平均需要大约4小时，而头颈癌患者的勾画则需要更长的时间。医生勾画靶区在整个治疗计划所需时间中占比了很大一部分，如肺部调强放疗的患者，医生平均花费的时间约7个小时，前列腺调强放疗的患者，医生平均花费的时间约为 8个小时，头颈部调强放疗的患者，医生平均花费的时间约为18个小时。如果可以在没有患者勾画信息的情况下预测剂量分布，则将节省大量的时间，使医生和物理师可以将他们的专长集中在更具挑战性的病例或要求更高的任务上。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种无需勾画的基于生成式对抗网络的肿瘤放疗计划自动设计方法。

为了实现以上目的，本发明采用以下技术方案：

一种基于生成式对抗网络的肿瘤放疗计划自动设计方法，包括以下步骤：

S1、信息预处理，调整剂量信息图像的矩阵大小以匹配CT图像的大小；

S2、建立生成式对抗网络的框架，采用pix2pix监督学习技术将源图像输出为目标图像，并将生成式对抗网络划分为生成器和判别器，训练生成器以生成模拟剂量分布，训练判别器以检测虚假剂量分布；

S3、根据步骤S2的结果设计放疗计划；

其中，所述源图像为CT图像，所述目标图像为CT图像相对应的剂量信息图像。

pix2pix是生成式对抗网络中采用的一种监督学习技术，pix2pix 的想法由Isola等人提出，被应用于将CT或结构图像转换为IMRT的剂量分布，在一定条件下的对抗生成模型，可以从图像数据集中合成图像，图像数据库由成对精确配准的源图像和目标图像组成。生成式对抗网络被广泛地用于医学影像的图像到图像间的转换，例如用于交叉模态合成、超分辨率和降噪等任务。

具体的，所述步骤S1中的剂量信息图像的矩阵大小为16位的 512*512像素大小，所述步骤S1还包括采用双线性插值将剂量信息图像的分辨率从2.5*2.5mm调整为1*1mm，剂量信息图像的保存单位为cGy。因为剂量信息的矩阵大小是随每个病人身体大小的变化而不同的。为了证实放射治疗中使用GAN进行图像到图像转换的能力，使用双线性插值将剂量信息的分辨率从2.5×2.5mm设置为1×1mm。所有患者的原始CT和勾画图像的分辨率也设置为1×1mm，层厚均为2.5mm。

具体的，所述步骤S1中的CT图像包括原始CT图像或勾画CT图像，所述勾画CT图像被输入PTV、脑干、腮腺、垂体、晶体、脊髓、视神经、视交叉中的一种或多种信息。

基于U-net的体系结构用于生成器，而PatchGAN分类器用于判别器。训练生成器尽可能生成与“真实”剂量分布图像无法区分开的模拟剂量分布，而判别器则被训练为尽可能检测生成器的“虚假”剂量分布。

具体的，所述步骤S2中目标图像

其中，x是源图像，y是目标图像，G(x)是生成器生成的剂量图像，D(x，y)是判别器正确判断真实配对(x，y)为真的概率，D (x，G(x))是判别器正确判断虚假配对(x，G(x))为假的概率。概率表示为一个二元问题，即D(x，y)或D(x，G(x))→[1，0]，其中1表示判别器预测输入配对的图像是真实的，0则表示判别器将输入配对的图像预测为是虚假的。如果判别器可以完全将输入图像识别为真实图像或虚假图像，则将增加目标。与此相反，生成器会尝试最小化此目标(即，产生蒙蔽判别器的图像：D(x，G(x))→1)。

具体的，上述关系可以表示为

结合目标图像

其中，λ是生成器的L1项的权重。

具体的，计算预测方法还包括：

S3、预测剂量的校准，计算原始计划于预测剂量的差异，计算公式为：

其中，D

具体的，上述步骤S3还可以比较原始CT模型和勾画CT模型之间的预测性能，通过从预测剂量中减去计划剂量来确定剂量差异，以确认生成的剂量分布是过量还是不足。仅使用特定剂量的参数(例如 D

适形度指数(conformation number，CN)被定义为：

均匀性指数(HI)被定义为：

创建了参考标准和预测值之间的剂量分布差值，并在基于原始 CT的模型和基于勾画CT的模型之间进行了比较。还比较了三种方法(参考标准与基于原始CT的模型和基于勾画CT的模型)在等中心平面处的剂量分布。最后，计算所有测试案例的平均预测时间以进行评估。

采用本发明技术方案，本发明的有益效果为：本发明通过将没有手工勾画信息的患者CT数据集输入到生成式对抗网络(GAN)中，并将其预测性能与根据含有勾画信息的患者训练的常规预测模型进行比较，来实现一种IMRT的自动剂量预测框架。通过基于GAN的框架学习患者CT数据集，可以实现准确、快速的剂量预测。

附图说明

图1是本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法的框架示意图。

图2是本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法的等中心平面内剂量-体积直方图(DVH)和剂量分布图的比较结果示意图。

图3是本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法的PTV和OAR中评估的剂量学指标的要求标准。

具体实施方式

结合附图对本发明一种基于生成式对抗网络的肿瘤放疗计划自动设计方法具体方案具体实施例作进一步的阐述。

实施例一，以鼻咽癌为例，选取某医院2018年1月至2020年1月收治的90例鼻咽癌患者，其中，男38例，女32例；年龄29～59岁，使用头颈肩膜固定体位后，行鼻咽及全颈部16层CT扫描。将数字化图像资料仪传入计划系统，由主管医师勾画出肿瘤范围及周边重要器官，按照调强放疗步骤勾画靶区。勾画肿瘤靶区(GTV)，包含鼻咽部肿瘤、口咽淋巴结和颈部肿大淋巴结，肿瘤靶区从前后、左右和头脚方向外扩3mm作为治疗靶区(PTV)。临近敏感器官结构的勾画包括晶体、视神经、垂体、脑干、脊髓和大脑颞叶等。采用9野均分照射，IMRT的临床处方剂量规定为PTV：2.2Gy/次,共32次；PTV1：1.9Gy/次,共32 次；PTV2：1.7Gy/次,共32次。1次/d,5次/周，危及器官的限量：脑干≤54Gy,脊髓≤45Gy,视神经和视交叉≤54Gy,晶体≤8Gy,腮腺至少单侧平均剂量≤25Gy。通过剂量体积直方图(dose-volume histogram,DVH)对治疗计划进行评估和优化，至少95％计划PTV能够接受95％的处方剂量照射，周围正常组织照射不超过其耐受量。确定剂量分布后，进行计划验证。每一例患者治疗前均进行质量控制和质量保证的验证。

为了创建成对的精确配准的源图像和目标图像，将剂量信息图像的矩阵大小转换为16位的512×512像素以匹配CT图像的大小，因为剂量信息的矩阵大小是随每个病人身体大小的变化而不同的。为了证实放射治疗中使用GAN进行图像到图像转换的能力，使用双线性插值将剂量信息的分辨率从2.5×2.5mm设置为1×1mm。所有患者的原始CT 和勾画图像的分辨率也设置为1×1mm，层厚均为2.5mm。所有剂量图像均以cGy为单位保存。PTV、脑干、腮腺、垂体、晶体、脊髓、视神经和视交叉等都用于输入勾画图像。

pix2pix是GAN中采用的一种监督学习技术，被应用于将CT或结构图像转换为IMRT的剂量分布。GAN被广泛地用于医学影像的图像到图像间的转换，例如用于交叉模态合成、超分辨率和降噪等任务。在一定条件下的对抗生成模型，可以从图像数据集中合成图像，图像数据库由成对精确配准的源图像和目标图像组成。

本实施例中，原始CT和结构图像属于源图像的类别，而相应的剂量信息图像被视为目标图像。GAN由生成器部分和判别器部分构成。基于U-net的体系结构用于生成器，而PatchGAN分类器用于判别器。训练生成器尽可能生成与“真实”剂量分布图像无法区分开的模拟剂量分布，而判别器则被训练为尽可能检测生成器的“虚假”剂量分布，如图1所示。pix2pix的目标

其中x是源图像(即CT或结构图像)，y是目标图像(即相应的剂量信息图像)，G(x)是生成器生成的剂量图像，D(x，y)是判别器正确判断真实配对(x，y)为真的概率，而D(x，G(x))是判别器正确判断虚假配对(x，G(x))为假的概率。概率表示为一个二元问题，即D(x，y)或D(x，G(x))→[1，0]，其中1表示判别器预测输入配对的图像是真实的，0则表示判别器将输入配对的图像预测为是虚假的。如果判别器可以完全将输入图像识别为真实图像或虚假图像，则将增加目标。与此相反，生成器会尝试最小化此目标(即，产生蒙蔽判别器的图像：D(x，G(x))→1)。这其中的关系可以表示为

pix2pix

其中λ是生成器的L1项的权重。

具体地，总共90例患者分为81例(90％)进行训练和9例(10％) 进行测试。S1表中显示了分配给训练或测试的患者特征的详细信息。在每个CT、结构和剂量信息图像中，用于训练的数量为7467，用于测试的数量为876。本文没有选择输入CT图像的范围，因为应该确认靶区周围生成的剂量分布的通用性。此外，未为基于勾画CT的模型选择输入结构图像的范围。预测模型是使用GPU(NVIDIA GeForce RTX 2080 Ti)进行训练的。使用Adam做优化算法，学习率为0.0002， Adam的超参数设定值分别为β1＝0.5和β2＝0.999。批尺寸(BatchSize)设置为4。判别器接受区域采用70×70的图像块大小(Patch Size)。将L1项λ的权重设置为100。在两个预测模型中，训练参数的数量都为 57190084。在基于原始CT的预测模型和基于勾画CT的预测模型中的训练迭代分别选择为400k(215Epoch)和300k(160Epoch)。这些是根据初步实验凭经验确定的。最后，通过使用相应的原始CT训练模型和勾画CT训练模型来预测9个测试案例的剂量分布。

最后，对预测性能进行评价。

为了比较基于原始CT的模型和基于勾画CT的模型之间的预测性能，计算原始计划(参考标准)与预测之间的剂量学指标的剂量差异，计算方法如下：

其中D

其中Vt

其中D

本发明的自动设计与其他计划的剂量学比较如下表1所示：

基于如上表参数，获得的对比结果如图2所示。图2为普通设计放疗计划和基于生成对抗网络的鼻咽癌放疗计划自动化设计的DVH比较结果曲线图。如图2所示曲线可知，本发明的自动计划可完成完整的鼻咽癌计划的制作，靶区覆盖程度与普通计划的结果比较无明显差距，且可以降低正常组织的受照剂量。

根据图3的PTV和OAR的评估剂量学指标要求，如图2所示，图2 总结了所有PTV和OAR测试案例中的平均剂量差异和绝对体积差异，显示了PTV和OAR中评估的剂量学指标的统计结果。基于原始CT的预测模型中，除参数D

综上，在本发明所提供的基于生成式对抗网络的肿瘤放疗计划自动设计方法中，通过将没有手工勾画信息的患者CT数据集输入到生成对抗网络(GAN)中，并将其预测性能与根据含有勾画信息的患者训练的常规预测模型进行比较，来实现一种针对鼻咽癌IMRT的自动剂量预测框架。通过基于GAN的框架学习患者CT数据集，可以实现准确、快速的剂量预测。基于原始CT的剂量预测可以减少迭代优化过程和结构所需的时间，从而使医生和物理师将他们的专业知识集中在更具挑战性的任务。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。