剂量预测模型的生成方法、装置、电子设备及存储介质与流程

1.本技术涉及医疗科技领域，具体而言，涉及一种剂量预测模型的生成方法、装置、电子设备及存储介质。


背景技术：

2.目前，随着人工智能技术的发展，在医疗科技领域，尤其在放射治疗技术领域，通常会通过训练剂量预测模型等深度学习模型来基于医学影像预测剂量分布信息。
3.但是，现有的剂量预测模型的训练方法对数据集的数据量要求较高，可是，由于涉及患者隐私数据等因素，获取大量的样本数据存在一定的难度，因此导致现有的剂量预测模型在大部分场景下训练效果较差的问题。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术提供了一种剂量预测模型的生成方法、装置、电子设备及存储介质，以至少解决由于现有的剂量预测模型的训练方法对数据集的数据量要求较高，导致的剂量预测模型在大部分场景训练效果较差的技术问题。
6.根据本技术的一个方面，提供了一种剂量预测模型的生成方法，包括：获取小样本数据集，其中，小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数； 基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度；依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，第一编码器和第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中， n为大于1的整数，并且n大于m；将目标编码器和目标解码器作为剂量预测模型。
7.可选地，剂量预测模型的生成方法还包括：在依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器之前，依据n个第二参照对象对应的医学图像和剂量分布图对预设的初始编码器和初始解码器进行预训练操作，其中，预训练操作用于通过初始编码器提取第二参照对象对应的医学图像的图像特征，并通过初始解码器依据初始编码器提取到的图像特征生成第二参照对象对应的预测剂量分布图，并依据第二参照对象对应的预测剂量分布图和第二参照对象对应的剂量分布图更新初始编码器的权重和初始解码器的权重；对初始编码器和初始解码器执行多次预训练操作，得到第一编码器和第一解码器。
8.可选地，剂量预测模型的生成方法还包括：通过第一编码器提取小样本数据集中的第一参照对象对应的医学图像的图像特征；执行第一任务操作，其中，第一任务操作用于
依据第一编码器提取到的图像特征和第一参照对象对应的实际剂量分布图更新第一编码器的权重和第一解码器的权重；执行第二任务操作，其中，第二任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际等剂量线区域图更新第一编码器的权重和第二解码器的权重；执行第三任务操作，其中，第三任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际剂量变化梯度图更新第一编码器和第三解码器的权重，第一解码器、第二解码器以及第三解码器为相互独立的解码器；通过并行的方式执行多次第一任务操作、第二任务操作以及第三任务操作，并将最后一次更新权重后的第一编码器作为目标编码器，将最后一次更新权重后的第一解码器作为目标解码器。
9.可选地，第一任务操作包括如下步骤：通过第一解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第一预测剂量分布图；对第一参照对象对应的第一预测剂量分布图进行等剂量线化处理，得到第一参照对象对应的第一预测等剂量线区域图；对第一参照对象对应的第一预测剂量分布图进行剂量变化梯度处理，得到第一参照对象对应的第一预测剂量变化梯度图；根据第一参照对象对应的第一预测剂量分布图、第一预测等剂量线区域图、第一预测剂量变化梯度图以及第一参照对象对应的实际剂量分布图更新第一编码器的权重和第一解码器的权重。
10.可选地，剂量预测模型的生成方法还包括：将第一参照对象对应的第一预测剂量分布图和第一参照对象对应的实际剂量分布图之间的像素级差异信息作为第一参数；将第一参照对象对应的第一预测等剂量线区域图和第一参照对象对应的实际等剂量线区域图之间的像素级差异信息作为第二参数；将第一参照对象对应的第一预测剂量变化梯度图和第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息作为第三参数；依据第一参数、第二参数以及第三参数更新第一编码器的权重和第一解码器的权重。
11.可选地，第二任务操作包括如下步骤：通过第二解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测等剂量线区域图；依据第一参照对象对应的第二预测等剂量线区域图和第一参照对象对应的实际等剂量线区域图之间的像素级差异信息更新第二解码器的权重和第一编码器的权重；和/或，第三任务操作包括如下步骤：通过第三解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测剂量变化梯度图；依据第一参照对象对应的第二预测剂量变化梯度图和第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息更新第三解码器的权重和第一编码器的权重。
12.可选地，剂量预测模型的生成方法还包括：在将目标编码器和目标解码器作为剂量预测模型之后， 获取目标对象对应的医学图像；将目标对象对应的医学图像输入至剂量预测模型中，得到剂量预测模型输出的目标对象对应的剂量分布图。
13.可选地，第一参照对象对应的医学图像至少包括第一参照对象的放疗靶区对应的轮廓图像、第一参照对象的危及器官对应的轮廓图像以及第一参照对象对应的多模态医学图像。
14.根据本技术的另一个方面，还提供了一种剂量预测模型的生成装置，包括：获取单元，用于获取小样本数据集，其中，小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数；确定单元，用于基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应
的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度；训练单元，用于依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，第一编码器和第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m；处理单元，用于将目标编码器和目标解码器作为剂量预测模型。
15.根据本技术的另一个方面，还提供了一种计算机可读存储介质，其中，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的剂量预测模型的生成方法。
16.根据本技术的另一个方面，还提供了一种电子设备，其中，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项的剂量预测模型的生成方法。
17.在本技术中，采用依据n个第二参照对象对应的医学图像和剂量分布图预训练得到第一编码器和第二解码器，从而给模型设置了较为合适的初始权重的方式，首先获取小样本数据集，其中，小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数。然后，基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度。随后，依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，第一编码器和第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m。最后，将目标编码器和目标解码器作为剂量预测模型。
18.由上述内容可知，本技术通过依据n个第二参照对象对应的医学图像和剂量分布图预训练得到第一编码器和第一解码器，从而给模型设置了较为合适的初始权重，进而在此基础上，可以使用更少数据量的小样本数据集更高效率地训练得到剂量预测模型，缩短模型的训练时长。其次，本技术在剂量预测模型的训练过程中还加入了第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图作为训练约束条件，由于实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度，因此相当于利用实际剂量变化梯度图在模型训练过程中提供了边缘先验知识，利用实际等剂量线区域图在模型训练过程中提供了射野对剂量分布影响的先验知识，有利于提高模型的预测准确度。
19.由此可见，本技术的技术方案达到了基于数据量较少的小样本数据集训练得到剂量预测模型的目的，从而实现了降低剂量预测模型的训练成本的技术效果，进而解决了由于现有的剂量预测模型的训练方法对数据集的数据量要求较高，导致的剂量预测模型在大部分场景训练效果较差的技术问题。
附图说明
20.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
21.图1是根据本技术实施例的一种可选的剂量预测模型的生成方法的流程图；
22.图2是根据本技术实施例的一种可选的剂量预测模型的训练过程的示意图；
23.图3是根据本技术实施例的一种可选的剂量预测模型的使用过程示意图；
24.图4是根据本技术实施例的一种可选的剂量预测模型的生成装置的示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
26.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.还需要说明的是，本技术所涉及的相关信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
28.下面结合各实施例来进一步说明本技术。
29.实施例1
30.目前，随着医疗技术的不断发展，肿瘤治疗已有多种方法，其中，调强放射治疗是一种重要的治疗方法。在调强放射治疗方法中，其核心诉求为在保证放疗靶区覆盖率和强度的同时，其他部位尽可能减少照射剂量。在此基础上，在放疗计划的设计过程中，起始步骤为设置放疗目标和优化条件。其中，在常规的治疗方案设计过程中，放疗目标由主治医生所设计，优化条件由物理师根据癌种和病人情况综合考量而指定。若初期优化条件设计不佳，则放疗计划优化过程会明显加长。
31.在实际使用场景中，考虑到虽然癌种固定，但靶区位置、病人综合情况以及物理师个人水平的变化，难以快速指定合适的初始优化条件，因此通常会引用其他方式来实现更精细的初始优化条件设计。其中，随着人工智能技术的发展，使用足量数据集通过深度学习的方式来训练得到一个剂量预测模型，并使用剂量预测模型输出的剂量分布信息来作为初始优化条件无疑是一种较为合理高效的方式。但是，在现有的剂量预测模型的训练方法中，
模型预测的结果精度严重依赖数据集中数据的质量和数量。然而，在实际使用时，由于涉及患者隐私数据等因素，通常难以获取得到足量的数据集完成模型训练，从而导致现有的剂量预测模型在大部分场景下训练效果较差的问题。
32.为了解决上述问题，根据本技术实施例，提供了一种剂量预测模型的生成方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
33.图1是根据本技术实施例的一种可选的剂量预测模型的生成方法的流程图，如图1所示，该方法包括如下步骤：
34.步骤s101，获取小样本数据集。
35.在步骤s101中，小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数。
36.可选地，第一参照对象为接受过放射治疗的病例，其中，第一参照对象对应的医学图像至少包括第一参照对象的放疗靶区对应的轮廓图像、第一参照对象的危及器官对应的轮廓图像以及第一参照对象对应的多模态医学图像。其中，第一参照对象的放疗靶区对应的轮廓图像和第一参照对象的危及器官对应的轮廓图像可称为第一参照对象对应的roi（region of interest，感兴趣区域）勾画图像，第一参照对象对应的多模态医学图像包括但不限于第一参照对象对应的ct图像、mr图像、cbct图像等各种能够表征第一参照对象病理特征的图像。
37.另外，第一参照对象对应的实际剂量分布图用于表征第一参照对象在实际放疗过程中所对应的剂量分布信息，例如，第一参照对象在实际放疗过程中对应的dvh（dose and volume histogram，剂量体积直方图）图，在本技术中，第一参照对象对应的实际剂量分布图可表示为gt-剂量图。
38.步骤s102，基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图。
39.在步骤s102中，实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度。
40.可选地，在本技术中，一种剂量预测模型的生成装置（以下简称为生成装置）可作为本技术中的剂量预测模型的生成方法的执行主体，其中，生成装置可以是一种软件系统，也可以是一种软硬件相结合的嵌入式系统。
41.可选地，基于每个第一参照对象对应的实际剂量分布图，生成装置可以分别执行等剂量线化操作和梯度化操作，其中，等剂量线化操作用于依据每个第一参照对象对应的实际剂量分布图，生成该第一参照对象对应的实际等剂量线区域图（可记为gt-等剂量线区域图）；梯度化操作用于依据每个第一参照对象对应的实际剂量分布图，生成该第一参照对象对应的实际剂量变化梯度图（可记为gt-剂量变化梯度图）。
42.步骤s103，依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器。
43.在步骤s103中，第一编码器和第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m。
44.需要说明的是，第一编码器和第一解码器为预先训练好的编码器和解码器，第一参照对象和第二参照对象为对应相同癌种的历史病例，并且，第一参照对象和第二参照对象可以是相同的对象，也可以是不同的对象。
45.此外，还需要说明的是，n大于m表征预训练第一编码器和第一解码器时使用的数据集中的数据量要大于小样本数据集的数量，换言之，本技术将数据量较多的数据集应用在预训练的过程中，从而通过预训练得到第一编码器和第一解码器，实现了给模型设置一个较为合适的初始权重的目的，进而在此基础上，可以使用更少数据量的小样本数据集更高效率地训练得到剂量预测模型，缩短模型的训练时长，并且降低模型的训练成本。其中，第一编码器和第一解码器可以重复使用，即仅需训练一次，便可以复用至多个剂量预测模型的训练中，例如，使用小样本数据集a对第一编码器和第一解码器进行迭代训练，得到剂量预测模型a；使用小样本数据集b对第一编码器和第一解码器进行迭代训练，得到剂量预测模型b。
46.此外，与传统的剂量预测模型训练方式不同，本技术还加入了第一参照对象对应的实际等剂量线区域图（即gt-等剂量线区域图）和实际剂量变化梯度图（即gt-剂量变化梯度图）作为模型训练的约束条件，由于实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度，因此相当于利用gt-等剂量线区域图在模型训练过程中提供了边缘先验知识，利用gt-剂量变化梯度图在模型训练过程中提供了射野对剂量分布影响的先验知识，从而有利于提高剂量预测模型的预测准确度。
47.步骤s104，将目标编码器和目标解码器作为剂量预测模型。
48.可选地，生成装置最终将目标编码器和目标解码器连接在一起，从而得到剂量预测模型。
49.基于上述步骤s101至步骤s103的内容可知，在本技术中，采用依据n个第二参照对象对应的医学图像和剂量分布图预训练得到第一编码器和第二解码器，从而给模型设置了较为合适的初始权重的方式，首先获取小样本数据集，其中，小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数。然后，基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度。随后，依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，第一编码器和第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m。最后，将目标编码器和目标解码器作为剂量预测模型。
50.由上述内容可知，本技术通过依据n个第二参照对象对应的医学图像和剂量分布图预训练得到第一编码器和第一解码器，从而给模型设置了较为合适的初始权重，进而在
此基础上，可以使用更少数据量的小样本数据集更高效率地训练得到剂量预测模型，缩短模型的训练时长。其次，本技术在剂量预测模型的训练过程中还加入了第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图作为训练约束条件，由于实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度，因此相当于利用实际剂量变化梯度图在模型训练过程中提供了边缘先验知识，利用实际等剂量线区域图在模型训练过程中提供了射野对剂量分布影响的先验知识，有利于提高模型的预测准确度。
51.由此可见，本技术的技术方案达到了基于数据量较少的小样本数据集训练得到剂量预测模型的目的，从而实现了降低剂量预测模型的训练成本的技术效果，进而解决了由于现有的剂量预测模型的训练方法对数据集的数据量要求较高，导致的剂量预测模型在大部分场景训练效果较差的技术问题。
52.在一种可选的实施例中，在依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器之前，生成装置依据n个第二参照对象对应的医学图像和剂量分布图对预设的初始编码器和初始解码器进行预训练操作，其中，预训练操作用于通过初始编码器提取第二参照对象对应的医学图像的图像特征，并通过初始解码器依据初始编码器提取到的图像特征生成第二参照对象对应的预测剂量分布图，并依据第二参照对象对应的预测剂量分布图和第二参照对象对应的剂量分布图更新初始编码器的权重和初始解码器的权重。通过对初始编码器和初始解码器执行多次预训练操作，得到第一编码器和第一解码器。
53.可选地，图2是根据本技术实施例的一种可选的剂量预测模型的训练过程的示意图，如图2所示，首先获取预训练数据集，其中，预训练数据集中包括n个第二参照对象对应的医学图像和剂量分布图，第二参照对象对应的医学图像至少包括第二参照对象对应的多模态医学图像和第二参照对象对应的roi勾画图像，第二参照对象对应的剂量分布图表征第二参照对象在实际放疗过程中对应的实际剂量信息。随后根据预训练数据集对初始编码器和初始解码器进行训练。
54.可选地，在预训练阶段，将第二参照对象对应的剂量分布图作为训练标签，结合第二参照对象对应的医学图像对预设的初始编码器（和初始解码器进行预设次数（例如200次）的迭代训练，其中，每次训练过程，初始编码器会提取第二参照对象对应的医学图像的图像特征，初始解码器则依据初始编码器提取到的图像特征生成第二参照对象对应的预测剂量分布图。随后通过预设的第一损失函数来计算第二参照对象对应的预测剂量分布图和第二参照对象对应的剂量分布图之间的损失函数值，并根据计算得到的损失函数值来更新初始编码器的权重和初始解码器的权重。最终，在预设次数（例如200次）的迭代训练结束之后，生成装置将最后一次更新权重后的初始编码器作为第一编码器，将最后一次更新权重后的初始解码器作为第一解码器。其中，第一损失函数可以是均方差损失函数，也可以是其他应用于深度学习网络训练过程中的损失函数。
55.在一种可选的实施例中，为了训练得到目标编码器和目标解码器，生成装置首先通过第一编码器提取小样本数据集中的第一参照对象对应的医学图像的图像特征，随后分别执行第一任务操作、第二任务操作、第三任务操作，其中，第一任务操作用于依据第一编
码器提取到的图像特征和第一参照对象对应的实际剂量分布图更新第一编码器的权重和第一解码器的权重；第二任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际等剂量线区域图更新第一编码器的权重和第二解码器的权重；第三任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际剂量变化梯度图更新第一编码器和第三解码器的权重，第一解码器、第二解码器以及第三解码器为相互独立的解码器。
56.需要说明的是，本技术通过并行的方式执行多次第一任务操作、第二任务操作以及第三任务操作，并将最后一次更新权重后的第一编码器作为目标编码器，将最后一次更新权重后的第一解码器作为目标解码器。
57.可选地，如图2所示，第一任务操作对应图2中的任务1，第二任务操作对应图2中的任务2，第三任务操作对应图3中的任务3。此外，任务1、任务2以及任务3的执行次数可以自定义设置，例如，300次、200次、100次等等。
58.为了进一步地说明第一任务操作、第二任务操作以及第三任务操作的具体内容，以下分别对每个任务操作的具体执行过程进行说明。
59.可选地，第一任务操作包括如下步骤：通过第一解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第一预测剂量分布图；对第一参照对象对应的第一预测剂量分布图进行等剂量线化处理，得到第一参照对象对应的第一预测等剂量线区域图；对第一参照对象对应的第一预测剂量分布图进行剂量变化梯度处理，得到第一参照对象对应的第一预测剂量变化梯度图；根据第一参照对象对应的第一预测剂量分布图、第一预测等剂量线区域图、第一预测剂量变化梯度图以及第一参照对象对应的实际剂量分布图更新第一编码器的权重和第一解码器的权重。
60.可选地，如图2所示，在每次执行第一任务操作时，生成装置均会通过第一解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第一预测剂量分布图，然后生成装置分别对第一预测剂量分布图进行等剂量线化处理，得到第一参照对象对应的第一预测等剂量线区域图；对第一预测剂量分布图进行剂量变化梯度处理，得到第一参照对象对应的第一预测剂量变化梯度图。随后，生成装置根据第一参照对象对应的第一预测剂量分布图、第一预测等剂量线区域图、第一预测剂量变化梯度图以及第一参照对象对应的gt-剂量图、gt-剂量变化梯度图以及gt-等剂量线区域图更新第一编码器的权重和第一解码器的权重。
61.可选地，生成装置可以将第一参照对象对应的第一预测剂量分布图和第一参照对象对应的实际剂量分布图之间的像素级差异信息作为第一参数；将第一参照对象对应的第一预测等剂量线区域图和第一参照对象对应的实际等剂量线区域图之间的像素级差异信息作为第二参数；将第一参照对象对应的第一预测剂量变化梯度图和第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息作为第三参数。最后，生成装置依据第一参数、第二参数以及第三参数更新第一编码器的权重和第一解码器的权重。
62.可选地，本技术基于任务1分别设置有第二损失函数、第三损失函数以及第四损失函数，其中，第二损失函数用于计算第一预测剂量分布图和gt-剂量图之间的损失函数值（即第一参数），第三损失函数用于计算第一预测等剂量线区域图与gt-等剂量线区域图之间的损失函数值（即第二参数），第四损失函数用于计算第一预测剂量变化梯度图与gt-剂
量变化梯度图之间的损失函数值（即第三参数）。
63.在每次执行图2中的任务1时，生成装置均会根据第一参数、第二参数以及第三参数更新第一编码器的权重和第一解码器的权重。
64.在一种可选的实施例中，第二任务操作包括如下步骤：通过第二解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测等剂量线区域图；依据第一参照对象对应的第二预测等剂量线区域图和第一参照对象对应的实际等剂量线区域图之间的像素级差异信息更新第二解码器的权重和第一编码器的权重。
65.可选地，本技术还设置有单独的第二解码器与第一编码器连接，其中，第二解码器用于依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测等剂量线区域图。此外，本技术基于图2中的任务2设置有第五损失函数，其中，第五损失函数用于计算第二预测等剂量线区域图与gt-等剂量线区域图之间的损失函数值（即第二预测等剂量线区域图和gt-等剂量线区域图之间的像素级差异信息）。最后，本技术根据第五损失函数对应的损失函数值更新第一编码器的权重和第一解码器的权重。
66.在一种可选的实施例中，第三任务操作包括如下步骤：通过第三解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测剂量变化梯度图；依据第一参照对象对应的第二预测剂量变化梯度图和第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息更新第三解码器的权重和第一编码器的权重。
67.可选地，本技术还设置有单独的第三解码器与第一编码器连接，其中，第三解码器用于依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测剂量变化梯度图。此外，本技术基于图2中的任务3设置有第六损失函数，其中，第六损失函数用于计算第二预测剂量变化梯度图与gt-剂量变化梯度图之间的损失函数值（即第二预测剂量变化梯度图和gt-剂量变化梯度图之间的像素级差异信息）。最后，本技术根据第六损失函数对应的损失函数值更新第一编码器的权重和第一解码器的权重。
68.需要说明的是，上述图2中的任务1、任务2以及任务3中每种任务的执行次数可以自定义设置，例如，任务1执行200次，任务2和任务3执行100次，并且各种任务的启动顺序也可以自定义设置，例如，先执行100次任务1，然后再并行执行任务1、任务2以及任务3各自100次。
69.由上述内容可知，在本技术中，剂量预测模型的训练过程可分为两个阶段，第一个阶段为预训练阶段，第二个阶段为小样本训练阶段。
70.在预训练阶段，通过预训练数据集中的n个第二参照对象对应的医学图像和剂量分布图预训练得到第一编码器和第一解码器，从而给模型设置了较为合适的初始权重，进而在此基础上，可以后续使用更少数据量的小样本数据集更高效率地训练得到剂量预测模型，缩短模型的训练时长。
71.在小样本训练阶段，基于小样本数据集，使用预训练阶段得到的第一编码器和第一解码器，加上经过随机初始化的剂量梯度图解码器（对应第三解码器）和等剂量线图解码器（对应第二解码器），实行三任务学习进行微调，在三任务学习过程中，还加入第三编码器输出的第二预测剂量变化梯度图和gt-剂量变化梯度图之间的像素级差异信息、第二编码器输出的第二预测等剂量线区域图和gt-等剂量线区域图之间的像素级差异信息来作为额外的训练约束条件，由于gt-等剂量线区域图中的多粒度信息对应的鲁棒性高于gt-剂量图
中的多粒度信息对应的鲁棒性，gt-剂量变化梯度图中的轮廓信息对应的精准度高于gt-剂量图中的轮廓信息对应的精准度，因此相当于通过第二预测剂量变化梯度图和gt-剂量变化梯度图之间的像素级差异信息在模型训练过程中提供了边缘先验知识，通过第二预测等剂量线区域图和gt-等剂量线区域图之间的像素级差异信息在模型训练过程中提供了射野对剂量分布影响的先验知识，有利于提高模型的预测准确度。
72.在一种可选的实施例中，在将目标编码器和目标解码器作为剂量预测模型之后，生成装置还会获取目标对象对应的医学图像，并将目标对象对应的医学图像输入至剂量预测模型中，得到剂量预测模型输出的目标对象对应的剂量分布图。
73.可选地，目标对象对应的医学图像至少包括目标对象的放疗靶区对应的轮廓图像、目标对象的危及器官对应的轮廓图像以及目标对象对应的多模态医学图像，其中，目标对象为准备进行放射治疗的对象，并且目标对象与第一参照对象、第二参照对象对应相同的癌种。
74.可选地，图3是根据本技术实施例的一种剂量预测模型的使用过程示意图，如图3所示，在剂量预测模型的使用过程中，可以将目标对象对应的医学图像输入至剂量预测模型的目标编码器中，由目标编码器提取目标对象对应的医学图像的图像特征，随后目标编码器将提取到的图像特征传输至目标解码器中，目标解码器基于接收到的图像特征生成目标对象对应的剂量分布图。
75.在一种可选的实施例中，本技术还提出了一种评估训练得到的剂量预测模型的性能的方法，具体如下：
76.准备测试样本，其中，测试样本包括测试对象对应的医学图像和测试对象的实际剂量分布图，通过剂量预测模型依据测试对象对应的医学图像得到测试对象对应的预测剂量分布图，根据测试对象对应的预测剂量分布图和测试对象对应的实际剂量分布图，计算平均绝对误差（mean absolute error）（所有的roi以及整体图像的mae），设前后平均绝对误差之比为x，x越小说明剂量预测模型的预测性能越好。
77.另外，还可以根据测试对象对应的预测剂量分布图和测试对象对应的实际剂量分布图进行可视化对比，从而根据对比结果衡量预测模型性能，衡量方式为在测试对象对应的预测剂量分布图中加入等剂量线，从等剂量线的弯曲细节中观测剂量分布精细度是否存在优化。若存在肉眼可见的细节变化优化，则计数加一，假设计数与测试样本中的实际剂量分布图的数量之比为y，则y越大说明剂量预测模型的预测性能越好。
78.由上述内容可知，本技术通过依据n个第二参照对象对应的医学图像和剂量分布图预训练得到第一编码器和第一解码器，从而给模型设置了较为合适的初始权重，进而在此基础上，可以使用更少数据量的小样本数据集更高效率地训练得到剂量预测模型，缩短模型的训练时长。其次，本技术在剂量预测模型的训练过程中还加入了第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图作为训练约束条件，由于实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度，因此相当于利用实际剂量变化梯度图在模型训练过程中提供了边缘先验知识，利用实际等剂量线区域图在模型训练过程中提供了射野对剂量分布影响的先验知识，有利于提高模型的预测准确度。
79.实施例2
80.根据本技术实施例，提供了一种剂量预测模型的生成装置的实施例。图4是根据本技术实施例的一种可选的剂量预测模型的生成装置的示意图，如图4所示，剂量预测模型的生成装置包括：获取单元401、确定单元402、训练单元403以及处理单元404。
81.可选地，获取单元401，用于获取小样本数据集，其中，小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数；确定单元402，用于基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，实际等剂量线区域图中的多粒度信息对应的鲁棒性高于实际剂量分布图中的多粒度信息对应的鲁棒性，实际剂量变化梯度图中的轮廓信息对应的精准度高于实际剂量分布图中的轮廓信息对应的精准度；训练单元403，用于依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，第一编码器和第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m；处理单元404，用于将目标编码器和目标解码器作为剂量预测模型。
82.可选地，剂量预测模型的生成装置包括：第一预训练单元和第二预训练单元。其中，第一预训练单元，用于依据n个第二参照对象对应的医学图像和剂量分布图对预设的初始编码器和初始解码器进行预训练操作，其中，预训练操作用于通过初始编码器提取第二参照对象对应的医学图像的图像特征，并通过初始解码器依据初始编码器提取到的图像特征生成第二参照对象对应的预测剂量分布图，并依据第二参照对象对应的预测剂量分布图和第二参照对象对应的剂量分布图更新初始编码器的权重和初始解码器的权重；第二预训练单元，用于对初始编码器和初始解码器执行多次预训练操作，得到第一编码器和第一解码器。
83.可选地，训练单元403包括：提取子单元、第一执行子单元、第二执行子单元、第三执行子单元以及第四执行子单元。其中，提取子单元，用于通过第一编码器提取小样本数据集中的第一参照对象对应的医学图像的图像特征；第一执行子单元，用于执行第一任务操作，其中，第一任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际剂量分布图更新第一编码器的权重和第一解码器的权重；第二执行子单元，用于执行第二任务操作，其中，第二任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际等剂量线区域图更新第一编码器的权重和第二解码器的权重；第三执行子单元，用于执行第三任务操作，其中，第三任务操作用于依据第一编码器提取到的图像特征和第一参照对象对应的实际剂量变化梯度图更新第一编码器和第三解码器的权重，第一解码器、第二解码器以及第三解码器为相互独立的解码器；第四执行子单元，用于通过并行的方式执行多次第一任务操作、第二任务操作以及第三任务操作，并将最后一次更新权重后的第一编码器作为目标编码器，将最后一次更新权重后的第一解码器作为目标解码器。
84.可选地，第一执行子单元，包括：第一生成模块、第一处理模块、第二处理模块以及第一更新模块。其中，第一生成模块，用于通过第一解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第一预测剂量分布图；第一处理模块，用于对第一参照对象对应的第一预测剂量分布图进行等剂量线化处理，得到第一参照对象对应的第一预测等剂量
线区域图；第二处理模块，用于对第一参照对象对应的第一预测剂量分布图进行剂量变化梯度处理，得到第一参照对象对应的第一预测剂量变化梯度图；第一更新模块，用于根据第一参照对象对应的第一预测剂量分布图、第一预测等剂量线区域图、第一预测剂量变化梯度图以及第一参照对象对应的实际剂量分布图更新第一编码器的权重和第一解码器的权重。
85.可选地，第一更新模块，包括：第一参数确定子模块、第二参数确定子模块、第三参数确定子模块以及第一更新子模块。其中，第一参数确定子模块，用于将第一参照对象对应的第一预测剂量分布图和第一参照对象对应的实际剂量分布图之间的像素级差异信息作为第一参数；第二参数确定子模块，用于将第一参照对象对应的第一预测等剂量线区域图和第一参照对象对应的实际等剂量线区域图之间的像素级差异信息作为第二参数；第三参数确定子模块，用于将第一参照对象对应的第一预测剂量变化梯度图和第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息作为第三参数；第一更新子模块，用于依据第一参数、第二参数以及第三参数更新第一编码器的权重和第一解码器的权重。
86.可选地，第二执行子单元，包括：第二生成模块、第二更新模块。第三执行子单元，包括：第三生成模块、第三更新模块。其中，第二生成模块，用于通过第二解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测等剂量线区域图；第二更新模块，用于依据第一参照对象对应的第二预测等剂量线区域图和第一参照对象对应的实际等剂量线区域图之间的像素级差异信息更新第二解码器的权重和第一编码器的权重。第三生成模块，用于通过第三解码器依据第一编码器提取到的图像特征生成第一参照对象对应的第二预测剂量变化梯度图；第三更新模块，用于依据第一参照对象对应的第二预测剂量变化梯度图和第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息更新第三解码器的权重和第一编码器的权重。
87.可选地，剂量预测模型的生成装置，包括：第二获取单元和第一输入单元，第二获取单元，用于获取目标对象对应的医学图像；第一输入单元，用于将目标对象对应的医学图像输入至剂量预测模型中，得到剂量预测模型输出的目标对象对应的剂量分布图。
88.可选地，第一参照对象对应的医学图像至少包括第一参照对象的放疗靶区对应的轮廓图像、第一参照对象的危及器官对应的轮廓图像以及第一参照对象对应的多模态医学图像。
89.实施例3
90.根据本技术实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述实施例1中任意一项的剂量预测模型的生成方法。
91.实施例4
92.根据本技术实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述实施例1中任意一项的剂量预测模型的生成方法。
93.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
94.在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
95.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
96.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
97.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
98.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
99.以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。

技术特征：
1.一种剂量预测模型的生成方法，其特征在于，包括：获取小样本数据集，其中，所述小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数；基于所述第一参照对象对应的实际剂量分布图确定所述第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，所述实际等剂量线区域图中的多粒度信息对应的鲁棒性高于所述实际剂量分布图中的多粒度信息对应的鲁棒性，所述实际剂量变化梯度图中的轮廓信息对应的精准度高于所述实际剂量分布图中的轮廓信息对应的精准度；依据所述小样本数据集、所述第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，所述第一编码器和所述第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m；将所述目标编码器和所述目标解码器作为剂量预测模型。2.根据权利要求1所述的剂量预测模型的生成方法，其特征在于，在依据所述小样本数据集、所述第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器之前，所述剂量预测模型的生成方法还包括：依据n个所述第二参照对象对应的医学图像和剂量分布图对预设的初始编码器和初始解码器进行预训练操作，其中，所述预训练操作用于通过所述初始编码器提取所述第二参照对象对应的医学图像的图像特征，并通过所述初始解码器依据所述初始编码器提取到的图像特征生成所述第二参照对象对应的预测剂量分布图，并依据所述第二参照对象对应的预测剂量分布图和所述第二参照对象对应的剂量分布图更新所述初始编码器的权重和所述初始解码器的权重；对所述初始编码器和所述初始解码器执行多次所述预训练操作，得到所述第一编码器和所述第一解码器。3.根据权利要求1所述的剂量预测模型的生成方法，其特征在于，依据所述小样本数据集、所述第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，包括：通过所述第一编码器提取所述小样本数据集中的第一参照对象对应的医学图像的图像特征；执行第一任务操作，其中，所述第一任务操作用于依据所述第一编码器提取到的图像特征和所述第一参照对象对应的实际剂量分布图更新所述第一编码器的权重和所述第一解码器的权重；执行第二任务操作，其中，所述第二任务操作用于依据所述第一编码器提取到的图像特征和所述第一参照对象对应的实际等剂量线区域图更新所述第一编码器的权重和第二解码器的权重；执行第三任务操作，其中，所述第三任务操作用于依据所述第一编码器提取到的图像特征和所述第一参照对象对应的实际剂量变化梯度图更新所述第一编码器和第三解码器的权重，所述第一解码器、所述第二解码器以及所述第三解码器为相互独立的解码器；通过并行的方式执行多次所述第一任务操作、所述第二任务操作以及所述第三任务操
作，并将最后一次更新权重后的第一编码器作为所述目标编码器，将最后一次更新权重后的第一解码器作为所述目标解码器。4.根据权利要求3所述的剂量预测模型的生成方法，其特征在于，所述第一任务操作包括如下步骤：通过所述第一解码器依据所述第一编码器提取到的图像特征生成所述第一参照对象对应的第一预测剂量分布图；对所述第一参照对象对应的第一预测剂量分布图进行等剂量线化处理，得到所述第一参照对象对应的第一预测等剂量线区域图；对所述第一参照对象对应的第一预测剂量分布图进行剂量变化梯度处理，得到所述第一参照对象对应的第一预测剂量变化梯度图；根据所述第一参照对象对应的所述第一预测剂量分布图、所述第一预测等剂量线区域图、所述第一预测剂量变化梯度图以及所述第一参照对象对应的实际剂量分布图更新所述第一编码器的权重和所述第一解码器的权重。5.根据权利要求4所述的剂量预测模型的生成方法，其特征在于，根据所述第一参照对象对应的所述第一预测剂量分布图、所述第一预测等剂量线区域图、所述第一预测剂量变化梯度图以及所述第一参照对象对应的实际剂量分布图更新所述第一编码器的权重和所述第一解码器的权重，包括：将所述第一参照对象对应的第一预测剂量分布图和所述第一参照对象对应的实际剂量分布图之间的像素级差异信息作为第一参数；将所述第一参照对象对应的第一预测等剂量线区域图和所述第一参照对象对应的实际等剂量线区域图之间的像素级差异信息作为第二参数；将所述第一参照对象对应的第一预测剂量变化梯度图和所述第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息作为第三参数；依据所述第一参数、所述第二参数以及所述第三参数更新所述第一编码器的权重和所述第一解码器的权重。6.根据权利要求3所述的剂量预测模型的生成方法，其特征在于，所述第二任务操作包括如下步骤：通过所述第二解码器依据所述第一编码器提取到的图像特征生成所述第一参照对象对应的第二预测等剂量线区域图；依据所述第一参照对象对应的第二预测等剂量线区域图和所述第一参照对象对应的实际等剂量线区域图之间的像素级差异信息更新所述第二解码器的权重和所述第一编码器的权重；和/或，所述第三任务操作包括如下步骤：通过所述第三解码器依据所述第一编码器提取到的图像特征生成所述第一参照对象对应的第二预测剂量变化梯度图；依据所述第一参照对象对应的第二预测剂量变化梯度图和所述第一参照对象对应的实际剂量变化梯度图之间的像素级差异信息更新所述第三解码器的权重和所述第一编码器的权重。
7.根据权利要求1所述的剂量预测模型的生成方法，其特征在于，在将所述目标编码器和所述目标解码器作为剂量预测模型之后，所述剂量预测模型的生成方法还包括：获取目标对象对应的医学图像；将所述目标对象对应的医学图像输入至所述剂量预测模型中，得到所述剂量预测模型输出的所述目标对象对应的剂量分布图。8.根据权利要求1所述的剂量预测模型的生成方法，其特征在于，所述第一参照对象对应的医学图像至少包括所述第一参照对象的放疗靶区对应的轮廓图像、所述第一参照对象的危及器官对应的轮廓图像以及所述第一参照对象对应的多模态医学图像。9.一种剂量预测模型的生成装置，其特征在于，包括：获取单元，用于获取小样本数据集，其中，所述小样本数据集至少包括m个第一参照对象对应的医学图像和实际剂量分布图，m为大于1的整数；确定单元，用于基于所述第一参照对象对应的实际剂量分布图确定所述第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图，其中，所述实际等剂量线区域图中的多粒度信息对应的鲁棒性高于所述实际剂量分布图中的多粒度信息对应的鲁棒性，所述实际剂量变化梯度图中的轮廓信息对应的精准度高于所述实际剂量分布图中的轮廓信息对应的精准度；训练单元，用于依据所述小样本数据集、所述第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器，其中，所述第一编码器和所述第一解码器为依据n个第二参照对象对应的医学图像和剂量分布图训练得到的编码器和解码器，其中，n为大于1的整数，并且n大于m；处理单元，用于将所述目标编码器和所述目标解码器作为剂量预测模型。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的剂量预测模型的生成方法。11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的剂量预测模型的生成方法。

技术总结
本申请公开了一种剂量预测模型的生成方法、装置、电子设备及存储介质。其中，该方法包括：获取小样本数据集，其中，小样本数据集至少包括M个第一参照对象对应的医学图像和实际剂量分布图；基于第一参照对象对应的实际剂量分布图确定第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图；依据小样本数据集、第一参照对象对应的实际等剂量线区域图和实际剂量变化梯度图对第一编码器和第一解码器进行迭代训练，得到目标编码器和目标解码器；将目标编码器和目标解码器作为剂量预测模型。本申请解决了由于现有的剂量预测模型的训练方法对数据集的数据量要求较高，导致的剂量预测模型在大部分场景训练效果较差的技术问题。题。题。


技术研发人员：周琦超 冷子轩
受保护的技术使用者：福建自贸试验区厦门片区Manteia数据科技有限公司
技术研发日：2023.09.01
技术公布日：2023/10/8