基于深度神经网络和进化算法的照射野优化方法

1.本发明设计照射野优化领域，具体的说是基于深度神经网络和进化算法的照射野优化方法。


背景技术：

2.调强放射系统是较为成熟且广泛应用的用于控制电子直线加速器及多页准直器的核心软件。通过改变多对独立运动的平行叶片的位置，多叶准直器可以形成非规则的射野，从而可以有效照射目标区域并同时避免对正常区域的损害。为了确定最佳的叶片位置，物理师需要根据需优化数据要求建立合适的优化模型，并利用最优化方法予以求解。照射野优化需要同时优化数千个多叶准直器叶片的位置以满足几十个区域的剂量要求，并考虑目标因实际状况所产生的动态误差。因此照射野优化是复杂的优化问题，具有大规模决策变量、超多目标、离散编码、噪声等难点，同时对优化算法的效率有很高要求。然而目前商用的优化系统主要基于数学规划的优化方法，每次仅能得到一个局部最优方案。使得物理师需要根据经验反复调整目标间的权重、不断更改目标内的参数以获得多样化的方案，并最终确定最佳的照射方案。总之如何提升优化照射效果和减低照射难度，一直是该领域的重点与难点。
3.通过将矩形的照射区域网格化并预先计算每个网格在每个体素上的剂量沉积，放射野优化旨在搜索最优的多叶准直器的叶片位置与照射强度，从而遮盖部分网络以形成非规则的目标区域，达到对目标区域进行有效处理并避免损伤正常区域的目的。注量图优化旨在根据需优化数据搜索每个网格的最优照射强度，若照射强度为零则表示该网格被遮盖。该步骤通常可由解析法、元启发式算法等实现，受电子直线加速器及多叶准直器的物理限。尽管现有计划方法能够在数学规划的支持下具有较快的收敛速度，但现有方法在一次优化过程中仅能获得单个解，导致现有计划系统的自动化程度较低、效率有待提高。


技术实现要素：

4.本发明为克服现有方法中的不足，提出一种基于深度神经网络和进化算法的照射野优化方法，以期能在没有或者较少人为干涉下得到最优照射野集合方案，从而能提高调强放射的效果和效率。
5.本发明为达到上述发明目的，采用如下技术方案：
6.本发明一种基于深度神经网络和进化算法的照射野优化方法的特点在于，是按如下步骤进行的：
7.步骤一、对数据进行预处理；
8.获取一张ct图像和h-1张器官轮廓图像并分别进行归一化处理，得到预处理后的ct图像及器官轮廓图像集；其中，h为图像总数；获取最佳剂量图gt；
9.步骤二、搭建基于3d-unet网络的剂量预测网络，用于预测每个目标区域的剂量，并根据预测剂量建立约束方程；
10.步骤2.1、所述剂量预测网络由上采样路径、下采样路径、维度为b
×b×
b的卷积层组成，并使用跳接将下采样路径中的底层特征引入上采样路径，定义输入图像的维度为y
×y×
y，其中，y为输入图像的尺寸；b表示卷积核大小尺寸；
11.步骤2.1.1、所述下采样路径由t个相同的下采样模块构成，且每个下采样模块依次由重复下采样层、卷积层，实例归一化层和整流线性单元组成，输入的特征图每经过一个下采样模块的处理后，分辨率降低一半，通道数变为两倍；
12.将所述ct图像及器官轮廓图像集输入所述剂量预测网络中，并经过所述下采样路径的编码处理后，得到2
t
·
h张(y
·
2-t
)
×
(y
·
2-t
)
×
(y
·
2-t
)的特征图；
13.步骤2.1.2、上采样路径由t个相同的上采样模块构成，且每个上采样模块是依次由重复上采样层、跳过级联、卷积层，实例归一化层和整流线性单元组成；
14.步骤2.1.3、2
t
·
h张(y
·
2-t
)
×
(y
·
2-t
)
×
(y
·
2-t
)的特征图输入所述上采样路径中进行解码处理后，得到h
×y×y×
y的特征图；
15.步骤2.1.4、h
×y×y×
y的特征图经过维度为b
×b×
b的卷积层的处理，并生成一张预测剂量图，并从所述预测剂量图中提取出所有体素的剂量值，从而得到剂量值预测集合d＝{d1，d2…dn
…dn
}；其中，dn为第n个体素预测的剂量值；n为ct图像中目标区域所使用的体素数量；
16.步骤2.2、利用式(1)构建所述预测剂量图d与最佳剂量图gt之间的损失l(n，gt)，并作为对训练所述剂量预测网络的监督损失，通过反向传播算法更新网络的权重参数，并在达到最大迭代次数时停止网络训练，从而得到最优剂量预测网络；
[0017][0018]
式(2)中，gtn为最佳剂量图gt中第n个体素的最佳剂量值；
[0019]
步骤2.3、将待预测的ct图像输入至所述最优剂量预测网络中进行处理，并得到最优剂量预测图的体素的剂量值d
pre
；
[0020]
步骤2.4、利用式(2)构建约束方程；
[0021][0022]
式(2)中，ε为优化阈值；并有：
[0023][0024]
yg＝a
jhj，g
ꢀꢀꢀꢀ
(4)
[0025]
式(3)和式(4)中，b为照射次数，d
g，n
为第n个体素的第g个采样点的剂量沉淀系数，且d
g，n
∈d，d为剂量沉淀矩阵，cj为第j次照射的采样点集合，yg为待优化的照射野方案中第g个采样点的照射强度，aj为第j次照射的照射强度，h
j，g
为第i次照射时第g个采样点的叶片遮挡情况，h
j，g
＝0表示第j次照射第g个采样点被多叶准直器的叶片遮挡；
[0026]
步骤三、确定目标函数方程，并初始化n
pop
个照射野集合方案；
[0027]
步骤3.1、构建总目标函数f(x)：
[0028]
步骤3.1.1、利用式(5)构建每个体素的最小剂量方程mindose(x，v，d
min
)：
[0029]
[0030]
式(5)中，x为采用三层编码的照射野方案，所述三层编码是指对照射强度，子野数量，叶片形状分别进行编码；d
min
为设置的剂量约束的最小剂量；
[0031]
步骤3.1.2、利用式(6)构建限制每个体素的最大剂量约束方程maxdose(x，v，d
max
)：
[0032][0033]
式(6)中，d
max
为所设置的剂量约束的最大剂量；
[0034]
步骤3.1.3、利用式(7)构建限制所有体素的剂量-体积约束方程dvc(x，v，d
dvc
，r)：
[0035][0036]
式(7)中，d
dvc
为所设置的剂量-体积约束的最大剂量，d
′r表示对d进行降序排序后的第r体素预测的剂量值；
[0037]
步骤3.1.4、利用式(8)构建第一个目标函数f1(x)：
[0038][0039]
步骤3.1.5、利用式(9)构建第二个目标函数f2(x)：
[0040][0041]
式(9)中，ptv为ct图像中目标细胞组成的规划体积；
[0042]
步骤3.1.6、利用式(10)构建第三个目标函数f3(x)：
[0043][0044]
式(10)中，oar为ct图像中的正常区域；
[0045]
步骤3.1.7、利用式(11)构建第三个目标函数f4(x)：
[0046][0047]
步骤3.1.8、利用式(12)构建总目标函数f(x)：
[0048]
minimize f(x)＝(f1(x)，
…
，f4(x))
ꢀꢀꢀ
(12)
[0049]
步骤3.2、计算子野数量变量在每个维度在目标函数上的适应度fn＝{fn1，fn2…
fns…
fns}、叶片形状变量的每个维度在目标函数上的适应度的集合fh＝{fh1，fh2…
fhs…
fhs}，叶片形状变量的第s维的每行叶片形状变量的适应度的集合fhs＝{fh
s，1
，fh
s，2
…
fh
s，k
…
fh
s，u
}，叶片形状变量的二维矩阵中第s维的第k行的每个采样点的适应度的集合fh
s，k
＝{fh
s，k，1
，fh
s，k，2
…
fh
s，k，w
…
fh
s，u，w
}，其中，fns表示第s维子野数量变量在目标函数上的适应度，fhs表示第s维叶片形状变量在目标函数上的适应度的矩阵，fh
sk
表示叶片形状变量的二维矩阵中第s维的第k行的采样点在目标函数上的适应度的集合，fh
skw
表示叶片形状变量的二维矩阵中第s维的第k行第w列的采样点在目标函数上的适应度；s为来自不同角度的照射光线总数作为维度的上限，叶片形状为u
×
w大小的矩阵，其中u为矩阵的行数，w为矩阵的列数；
[0050]
步骤3.3、定义最大迭代次数为g
max
，当前迭代次数为g，并初始化g＝1；
[0051]
定义第g代种群定义第g代种群表示第g代第i个照射野方案，且每个照射野方案由子野数量变量，叶片形状变量，照射强度变量共同构成；n
pop
为种群中方案的数目；
[0052]
步骤3.3.1、定义并随机初始化第g代种群pg的照射强度变量，其中，第g代种群pg中第i个照射野方案的照射强度变量其中，表示第g代种群pg中第i个照射野方案中第s个实数编码，且a
max
为最大照射强度；
[0053]
步骤3.3.2、定义并随机初始化第g代种群pg的子野数量变量，其中，第g代种群pg中第i个照射野方案的子野数量变量的二进制编码目.目.表示第g代种群pg中第i个照射野方案的子野数量变量的第s个二进制编码，且0表示第g代种群pg中第i个照射野方案的第s个子野不存在，1表示第g代种群pg中第i个照射野方案的第s个子野存在；
[0054]
步骤3.3.3、定义并随机第g代种群pg的叶片形状变量，其中，第g代种群pg中第i个照射野方案的叶片形状变量其中，为第i个照射野方案的叶片形状变量的第s维的二维矩阵，叶片形状变量的第s维的二维矩阵，表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行，的叶片形状变量的第s维的二维矩阵的第k行，表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行的第w列的采样点所在点位是否被多叶准直器的叶片遮挡，在值为0点表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行的第w列的采样点所在点位被多叶准直器的叶片遮挡；
[0055]
步骤四、通过进化算法得到一组最优的照射野集合；
[0056]
步骤4.1、定义第g代种群pg的子代照射野方案的个数n
off
，并初始化n
off
＝1；
[0057]
步骤4.2、对第g代种群pg的三个变量执行交叉变异操作，从而产生数目为n
pop
的第g代种群pg的子代种群og；
[0058]
步骤4.3、将第g代种群pg及其子代种群og合并后，得到第g代的新种群p
′g；
[0059]
步骤4.4、基于所述总目标函数f(x)，对第g代的新种群pg进行非支配排序，得到m个非支配前沿面，并将位于前m-1个前沿面的照射野方案的总数记为z；
[0060]
步骤4.5、计算m个非支配前沿面中每个照射野方案的拥挤距离，用于对第m个前沿面的照射野方案进行降序排列，并取降序后的前n
pop-z个照射野方案与前m-1个前沿面的照射野方案进行合并，从而得到第g+1代种群p
g+1
；
[0061]
步骤4.6、将g+1赋给g，重复步骤4.1顺序执行，直至g＞g
max
为止，从而得到第g
max
代种群
[0062]
步骤4.7、将第g
max
代种群中处于pareto第一前沿面的照射野方案作为最优照射野集合并输出。
[0063]
本发明所述的一种基于深度神经网络和进化算法的照射野优化方法的特点也在于，所述步骤4.2是按如下步骤进行：
[0064]
步骤4.2.1、将第g代种群pg的n
pop
个照射野方案随机打乱并放入交配池；
[0065]
步骤4.2.2、从交配池中随机选择两个方案和作为两个父代；
[0066]
步骤4.2.3、对和中的照射强度变量进行交叉和变异，产生变异后的第n
off
个子代的照射强度变量：其中，交叉的方式是模拟二进制交叉，变异的方式是多项式变异；
[0067]
步骤4.2.4、对和中的子野数目变量进行交叉和变异，产生变异后的第n
off
个子代的子野数目变量；其中，交叉的方式是模拟二进制交叉；变异的方式是根据步骤3.2中所得适应度fn，随机选择交叉后的第n
off
个子代的子野数目变量中两个取值为1的二进制编码，并将其中适应值较大的二进制编码进行翻转，随机选择交叉后的第n
off
个子代的子野数目变量中两个取值为0的二进制编码，将其中适应值较小的二进制编码进行翻转；
[0068]
步骤4.2.5、对和中的叶片形状变量进行交叉和变异，产生变异后的第n
off
个子代的叶片形状变量；其中，交叉的方式是将第n
off
个子代的二进制编码设置为与父代相同，根据步骤3.2中所得适应度fh，从的叶片形状掩码中随机选择两个取值为1的二进制编码，并将其中适应值大的二进制编码进行翻转，将的叶片形状掩码中随机选择两个取值为0的二进制编码，并将其中适应值小的二进制编码进行翻转；其中，表示取反后的父代
[0069]
变异的方式是与4.2.4的变异方式相同；
[0070]
步骤4.2.6、将n
off
+1赋给n
eff
，重复步骤4.2.2顺序执行，直至n
off
＞n
pop
为止。
[0071]
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述照射野优化方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
[0072]
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述照射野优化方法的步骤。
[0073]
与已有技术相比，本发明有益效果体现在：
[0074]
1、本发明不同于其他方法，对光线照射次数进行优化，取代传统通过物理师自行定义，提高了整个流程的自动化程度，同时多目标进化算法也提供了更多的解而不是单个解以供选择，极大地节约了方案制定的时间。
[0075]
2、本发明搭建的剂量预测模型加强了特征提取，能够充分利用图像上下文信息进行预测，同时上采样恢复图像能够进行目标对象的定位，符合医学图像分割和剂量预测的需求。
[0076]
3、本发明采用独特的交叉变异算子产生子代照射野方案，相比传统方法更适用于照射野优化。
[0077]
4、本发明充分考虑了多叶准直器的叶片形状与照射光线的位置关系，使照射强度优化于与叶片形状优化更符合实际。
附图说明
[0078]
图1为所采用网络架构的示意图；
[0079]
图2为本发明的流程图；
[0080]
图3为本发明的编码方式的示意图；
[0081]
图4为两步法示意图。
具体实施方式
[0082]
本实施例中，一种基于深度神经网络和进化算法的照射野优化方法，首先通过深度神经网络实现对剂量的预测，然后通过进化算法对预测过后的剂量预测图进行子野分割得到若干个供物理师选择地最优照射野集合方案，有效地提高了生成的最优照射野的方案集合的速度和准确性。具体流程，参照图2所示，包括：
[0083]
步骤一、对数据进行预处理；
[0084]
分别获取一张ct图像和h-1张器官轮廓图像，并分别进行归一化处理，得到预处理后的ct图像及器官轮廓图像集；其中，h为图像总数；获取最佳剂量图gt；
[0085]
步骤二、搭建基于3d-unet网络的剂量预测网络，用于预测每个目标区域的剂量，并根据预测剂量建立约束方程；
[0086]
步骤2.1、剂量预测网络由上采样路径、下采样路径、维度为b
×b×
b的卷积层组成，并使用跳接将下采样路径中的底层特征引入上采样路径，定义输入图像的维度为y
×y×
y，其中，y为输入图像的尺寸；b表示卷积核大小尺寸；卷积层权值根据msra方法按正态分布初始化，adam优化器的batch size设置为α，将权重衰减设置为β，将初始学习率设置为γ，定义最大迭代次数为e
max
，当前迭代次数为e。
[0087]
步骤2.1.1、下采样路径由t个相同的下采样模块构成，且每个下采样模块依次由重复下采样层、卷积层，实例归一化层和整流线性单元组成，输入的特征图每经过一个下采样模块的处理后，分辨率降低一半，通道数变为两倍；如图1所示，下采样路径的第一个模块通道数为32，则第二个模块的通道数为64；
[0088]
将ct图像及器官轮廓图像集输入剂量预测网络中，并经过下采样路径的编码处理后，得到2
t
·
h张(y
·
2-t
)
×
(y
·
2-t
)
×
(y
·
2-t
)的特征图；
[0089]
步骤2.1.2、上采样路径由t个相同的上采样模块构成，且每个上采样模块是依次由重复上采样层、跳过级联、卷积层，实例归一化层和整流线性单元组成；
[0090]
步骤2.1.3、2
t
·
h张(y
·
2-t
)
×
(y
·
2-t
)
×
(y
·
2-t
)的特征图输入上采样路径中进行解码处理后，得到h
×y×y×
y的特征图；
[0091]
步骤2.1.4、h
×y×y×
y的特征图经过维度为b
×b×
b的卷积层的处理，并生成一张预测剂量图，并从预测剂量图中提取出所有体素的剂量值，从而得到剂量值预测集合d＝{d1，d2…dn
…dn
}；其中，dn为第n个体素预测的剂量值；n为ct图像中目标区域所使用的体素数量；
[0092]
步骤2.2、利用式(1)构建预测剂量图d与最佳剂量图gt之间的损失l(n，gt)，并作为对训练剂量预测网络的监督损失，通过反向传播算法更新网络的权重参数，并在达到最大迭代次数时停止网络训练，从而得到最优剂量预测网络；
[0093][0094]
式(2)中，gtn为最佳剂量图gt中第n个体素的最佳剂量值；
[0095]
步骤2.3、将待预测的ct图像输入至最优剂量预测网络中进行处理，并得到最优剂
量预测图的体素的剂量值d
pre
；
[0096]
步骤2.4、利用式(2)构建约束方程；
[0097][0098]
式(2)中，ε为优化阈值；并有：
[0099][0100]
yg＝a
jhj，g
ꢀꢀꢀꢀ
(4)
[0101]
式(3)和式(4)中，b为照射次数，d
g，n
为第n个体素的第g个采样点的剂量沉淀系数，且d
g，n
∈d，d为剂量沉淀矩阵，cj为第j次照射的采样点集合，yg为待优化的照射野方案中第g个采样点的照射强度，aj为第j次照射的照射强度，h
j，g
为第i次照射时第g个采样点的叶片遮挡情况，h
j，g
＝0表示第j次照射第g个采样点被多叶准直器的叶片遮挡；如图4所示，剂量预测以及通过进化算法分割子野产生照射野方案的两步法过程；
[0102]
步骤三、确定目标函数方程，并初始化n
pop
个照射野集合方案；
[0103]
步骤3.1、构建总目标函数f(x)：
[0104]
步骤3.1.1、利用式(5)构建每个体素的最小剂量方程mindose(x，v，d
min
)：
[0105][0106]
式(5)中，x为采用三层编码的照射野方案，三层编码是指对照射强度，子野数量，叶片形状分别进行编码；d
min
为设置的剂量约束的最小剂量；
[0107]
步骤3.1.2、利用式(6)构建限制每个体素的最大剂量约束方程maxdose(x，v，d
max
)：
[0108][0109]
式(6)中，d
max
为所设置的剂量约束的最大剂量；
[0110]
步骤3.1.3、利用式(7)构建限制所有体素的剂量-体积约束方程dvc(x，v，ddvc，r)：
[0111][0112]
式(7)中，d
dvc
为所设置的剂量-体积约束的最大剂量，d
′r表示对d进行降序排序后的第r体素预测的剂量值；
[0113]
步骤3.1.4、利用式(8)构建第一个目标函数f1(x)：
[0114][0115]
步骤3.1.5、利用式(9)构建第二个目标函数f2(x)：
[0116][0117]
式(9)中，ptv为ct图像中目标细胞组成的规划体积；
[0118]
步骤3.1.6、利用式(10)构建第三个目标函数f3(x)：
[0119][0120]
式(10)中，oar为ct图像中的正常区域；
[0121]
步骤3.1.7、利用式(11)构建第三个目标函数f4(x)：
[0122][0123]
步骤3.1.8、利用式(12)构建总目标函数f(x)：
[0124]
minimize f(x)＝(f1(x)，
…
，f4(x))
ꢀꢀꢀꢀ
(12)
[0125]
步骤3.2、计算子野数量变量在每个维度在目标函数上的适应度fn＝{fn1，fn2…
fns…
fns}、叶片形状变量的每个维度在目标函数上的适应度的集合fh＝{fh1，fh2…
fhs…
fhs}，叶片形状变量的第s维的每行叶片形状变量的适应度的集合fhs＝{fh
s，1
，fh
s，2
…
fh
s，k
…
fh
s，u
}，叶片形状变量的二维矩阵中第s维的第k行的每个采样点的适应度的集合fh
s，k
＝{fh
s，k，1
，fh
s，k，2
…
fh
s，k，w
…
fh
s，u，w
}，其中，fns表示第s维子野数量变量在目标函数上的适应度，fhs表示第s维叶片形状变量在目标函数上的适应度的矩阵，fh
sk
表示叶片形状变量的二维矩阵中第s维的第k行的采样点在目标函数上的适应度的集合，fh
skw
表示叶片形状变量的二维矩阵中第s维的第k行第w列的采样点在目标函数上的适应度；s为来自不同角度的照射光线总数作为维度的上限，叶片形状为u
×
w大小的矩阵，其中u为矩阵的行数，w为矩阵的列数；适应度大小反映了在目标函数上维度变量的重要性，适应度的值越小表示该维变量越重要；
[0126]
步骤3.3、定义最大迭代次数为g
max
，当前迭代次数为g，并初始化g＝1；
[0127]
定义第g代种群定义第g代种群表示第g代第i个照射野方案，且每个照射野方案由子野数量变量，叶片形状变量，照射强度变量共同构成；n
pop
为种群中方案的数目；
[0128]
步骤3.3.1、定义并随机初始化种群的照射强度变量，其中第g代第i个照射野方案的照射强度变量其中，表示第i个照射野方案中第s个实数编码，且且a
max
为最大照射强度；如图3中的b部分照射强度图所示，举例的矩阵中表示第g代第i个照射野方案中第1个子野上的照射强度为0.1；
[0129]
步骤3.3.2、定义并随机初始化第g代种群pg的子野数量变量，其中，第g代种群pg中第i个照射野方案的子野数量变量的二进制编码且且表示第g代种群pg中第i个照射野方案的子野数量变量的第s个二进制编码，且0表示第g代种群pg中第i个照射野方案的第s个子野不存在，1表示第g代种群pg中第i个照射野方案的第s个子野存在；如图3中的a部分子野数量图所示，举例的矩阵中表示第g代第i个照射野方案中表示第一个子野不存在；
[0130]
步骤3.3.3、定义并随机第g代种群pg的叶片形状变量，其中，第g代种群pg中第i个照射野方案的叶片形状变量其中，为第i个照射野方案的叶片形状变量的第s维的二维矩阵，叶片形状变量的第s维的二维矩阵，表示第i个照射野方
案的叶片形状变量的第s维的二维矩阵的第k行，的叶片形状变量的第s维的二维矩阵的第k行，表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行的第w列的采样点所在点位是否被多叶准直器的叶片遮挡，在值为0点表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行的第w列的采样点所在点位被多叶准直器的叶片遮挡；如图3中的c部分叶片形状图所示，举例的矩阵中表示第g代第i个照射野方案第s维的二维矩阵的第k行的第1个采样点所在点位被多叶准直器的叶片遮挡；
[0131]
步骤四、通过进化算法得到一组最优的照射野集合；
[0132]
步骤4.1、定义最大迭代次数为g
max
，当前迭代次数为g，并初始化g＝1；
[0133]
步骤4.2、定义第g代种群pg的子代照射野方案的个数n
off
，并初始化n
off
＝1；
[0134]
步骤4.3、对第g代种群pg的三个变量执行交叉变异操作，从而产生数目为n
pop
的第g代种群pg的子代种群og；
[0135]
步骤4.3.1、将第g代种群pg的n
pop
个照射野方案随机打乱并放入交配池；
[0136]
步骤4.3.2、从交配池中随机选择两个方案和作为两个父代；
[0137]
步骤4.3.3、对和中的照射强度变量进行交叉和变异，产生变异后的第n
off
个子代的照射强度变量：
[0138]
交叉的方式是模拟二进制交叉，变异的方式是多项式变异；
[0139]
步骤4.3.4、按照步骤4.2.2的过程对和中的子野数目变量进行交叉和变异，产生变异后的第n
off
个子代的子野数目变量：
[0140]
交叉的方式是模拟二进制交叉，变异的方式是根据步骤3.2中所得适应度fn的大小进行变异，以相同的概率执行随机选择第n
off
个子代的子野数目变量中两个为1的维度，选择其中适应值较大的维度翻转，以相同的概率执行随机选择两个为0的维度，执行选择适应值较小的维度翻转；举例说明若子代的子野数量变量为(1，1，0，0，0)，若选取为1的维度翻转，则维度1，2会被选择，同时假设维度1的适应度大于维度2，则经变异后的子代个体的子野数量变量为(0，1，0，0，0)；
[0141]
步骤4.3.5、对和中的叶片形状变量进行交叉和变异，产生变异后的第n
off
个子代的叶片形状变量：
[0142]
交叉的方式是将子代的二进制编码设置为与相同，根据步骤3.4中所得适应度fh的大小，以相同的概率执行从的叶片形状掩码中随机选择两个为1的维度，选择其中适应值大的维度对第n
off
个子代的叶片形状变量进行翻转，将为1的值置为0，以相同的概率执行将掩码中随机选择两个为0的维度，选择其中适应值小的维度对第n
off
个子代的叶片形状变量翻转，将为0的值置为1。其中，表示取反后的父代
[0143]
变异的方式是与4.3.4的变异方式相同；举例说明若父代和的叶片形状变量分别为(0，1，0，1，0)，(1，0，1，0，0)，选取1的维度翻转时，维度2和4会被选择，同时假设维度2的适应度值小于维度4的适应度值，则子代的叶片形状变量为(0，1，0，0，0)；子代选取0的维度翻转时，维度1和3会被选择，同时假设维度1的适应度值小于维度3的适应度值，则子
代的叶片形状变量为(1，1，0，1，0)；
[0144]
步骤4.3.6、将n
off
+1赋给n
off
，重复步骤4.3.2顺序执行，直至n
off
＞n
pop
为止；
[0145]
步骤4.4、将第g代种群pg及其子代种群og合并后，得到第g代的新种群p
′g；
[0146]
步骤4.5、基于总目标函数f(x)，对第g代的新种群p
′g进行非支配排序，得到m个非支配前沿面，并将位于前m-1个前沿面的照射野方案的总数记为z；
[0147]
步骤4.6、计算m个非支配前沿面中每个照射野方案的拥挤距离，用于对第m个前沿面的照射野方案进行降序排列，并取降序后的前n
pop-z个照射野方案与前m-1个前沿面的照射野方案进行合并，从而得到第g+1代种群p
g+1
；
[0148]
步骤4.7、将g+1赋给g，重复步骤4.2顺序执行，直至g＞g
max
为止，从而得到第g
max
代种群
[0149]
步骤4.8、将第g
max
代种群中处于pareto第一前沿面的照射野方案作为最优照射野集合并输出。
[0150]
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
[0151]
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。

技术特征：
1.一种基于深度神经网络和进化算法的照射野优化方法，其特征在于，是按如下步骤进行的：步骤一、对数据进行预处理；获取一张ct图像和h-1张器官轮廓图像并分别进行归一化处理，得到预处理后的ct图像及器官轮廓图像集；其中，h为图像总数；获取最佳剂量图gt；步骤二、搭建基于3d-inet网络的剂量预测网络，用于预测每个目标区域的剂量，并根据预测剂量建立约束方程；步骤2.1、所述剂量预测网络由上采样路径、下采样路径、维度为b
×
b
×
b的卷积层组成，并使用跳接将下采样路径中的底层特征引入上采样路径，定义输入图像的维度为y
×
y
×
y，其中，y为输入图像的尺寸；b表示卷积核大小尺寸；步骤2.1.1、所述下采样路径由t个相同的下采样模块构成，且每个下采样模块依次由重复下采样层、卷积层，实例归一化层和整流线性单元组成，输入的特征图每经过一个下采样模块的处理后，分辨率降低一半，通道数变为两倍；将所述ct图像及器官轮廓图像集输入所述剂量预测网络中，并经过所述下采样路径的编码处理后，得到2
t
·
h张(y
·
2-t
)
×
(y
·
2-t
)
×
(y
·
2-t
)的特征图；步骤2.1.2、上采样路径由t个相同的上采样模块构成，且每个上采样模块是依次由重复上采样层、跳过级联、卷积层，实例归一化层和整流线性单元组成；步骤2.1.3、2
t
·
h张(y
·
2-t
)
×
(y
·
2-t
)
×
(y
·
2-t
)的特征图输入所述上采样路径中进行解码处理后，得到h
×
y
×
y
×
y的特征图；步骤2.1.4、h
×
y
×
y
×
y的特征图经过维度为b
×
b
×
b的卷积层的处理，并生成一张预测剂量图，并从所述预测剂量图中提取出所有体素的剂量值，从而得到剂量值预测集合d＝{d1，d2…
d
n
…
d
n
}；其中，d
n
为第n个体素预测的剂量值；n为ct图像中目标区域所使用的体素数量；步骤2.2、利用式(1)构建所述预测剂量图d与最佳剂量图gt之间的损失l(n，gt)，并作为对训练所述剂量预测网络的监督损失，通过反向传播算法更新网络的权重参数，并在达到最大迭代次数时停止网络训练，从而得到最优剂量预测网络；式(2)中，gt
n
为最佳剂量图gt中第n个体素的最佳剂量值；步骤2.3、将待预测的ct图像输入至所述最优剂量预测网络中进行处理，并得到最优剂量预测图的体素的剂量值d
pre
；步骤2.4、利用式(2)构建约束方程；式(2)中，ε为优化阈值；并有：y
g
＝a
j
h
j，g
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式(3)和式(4)中，b为照射次数，d
g，n
为第n个体素的第g个采样点的剂量沉淀系数，且d
g，n
∈d，d为剂量沉淀矩阵，c
j
为第j次照射的采样点集合，y
g
为待优化的照射野方案中第g个
采样点的照射强度，a
j
为第j次照射的照射强度，h
j，g
为第i次照射时第g个采样点的叶片遮挡情况，h
j，g
＝0表示第j次照射第g个采样点被多叶准直器的叶片遮挡；步骤三、确定目标函数方程，并初始化n
pop
个照射野集合方案；步骤3.1、构建总目标函数f(x)：步骤3.1.1、利用式(5)构建每个体素的最小剂量方程mindose(x，v，d
min
)：式(5)中，x为采用三层编码的照射野方案，所述三层编码是指对照射强度，子野数量，叶片形状分别进行编码；d
min
为设置的剂量约束的最小剂量；步骤3.1.2、利用式(6)构建限制每个体素的最大剂量约束方程maxdose(x，v，d
max
)：式(6)中，d
max
为所设置的剂量约束的最大剂量；步骤3.1.3、利用式(7)构建限制所有体素的剂量-体积约束方程dvc(x，v，d
dvc
，r)：式(7)中，d
dvc
为所设置的剂量-体积约束的最大剂量，d
′
r
表示对d进行降序排序后的第r体素预测的剂量值；步骤3.1.4、利用式(8)构建第一个目标函数f1(x)：步骤3.1.5、利用式(9)构建第二个目标函数f2(x)：式(9)中，ptv为ct图像中目标细胞组成的规划体积；步骤3.1.6、利用式(10)构建第三个目标函数f3(x)：式(10)中，oar为ct图像中的正常区域；步骤3.1.7、利用式(11)构建第三个目标函数f4(x)：步骤3.1.8、利用式(12)构建总目标函数f(x)：minimize f(x)＝(f1(x)，
…
，f4(x))
ꢀꢀꢀꢀ
(12)步骤3.2、计算子野数量变量在每个维度在目标函数上的适应度fn＝{fn1，fn2…
fn
s
…
fn
s
}、叶片形状变量的每个维度在目标函数上的适应度的集合fh＝{fh1，fh2…
fh
s
…
fh
s
}，叶片形状变量的第s维的每行叶片形状变量的适应度的集合fh
s
＝{fh
s，1
，fh
s，2
…
fh
s，k
…
fh
s，u
}，叶片形状变量的二维矩阵中第s维的第k行的每个采样点的适应度的集合fh
s，k
＝
{fh
s，k，1
，fh
s，k，2
…
fh
s，k，w
…
fh
s，u，w
}，其中，fn
s
表示第s维子野数量变量在目标函数上的适应度，fh
s
表示第s维叶片形状变量在目标函数上的适应度的矩阵，fh
sk
表示叶片形状变量的二维矩阵中第s维的第k行的采样点在目标函数上的适应度的集合，fh
skw
表示叶片形状变量的二维矩阵中第s维的第k行第w列的采样点在目标函数上的适应度；s为来自不同角度的照射光线总数作为维度的上限，叶片形状为u
×
w大小的矩阵，其中u为矩阵的行数，w为矩阵的列数；步骤3.3、定义最大迭代次数为g
max
，当前迭代次数为g，并初始化g＝1；定义第g代种群定义第g代种群表示第g代第i个照射野方案，且每个照射野方案由子野数量变量，叶片形状变量，照射强度变量共同构成；n
pop
为种群中方案的数目；步骤3.3.1、定义并随机初始化第g代种群p
g
的照射强度变量，其中，第g代种群p
g
中第i个照射野方案的照射强度变量其中，表示第g代种群p
g
中第i个照射野方案中第s个实数编码，且a
max
为最大照射强度；步骤3.3.2、定义并随机初始化第g代种群p
g
的子野数量变量，其中，第g代种群p
g
中第i个照射野方案的子野数量变量的二进制编码且且表示第g代种群p
g
中第i个照射野方案的子野数量变量的第s个二进制编码，且0表示第g代种群p
g
中第i个照射野方案的第s个子野不存在，1表示第g代种群p
g
中第i个照射野方案的第s个子野存在；步骤3.3.3、定义并随机第g代种群p
g
的叶片形状变量，其中，第g代种群p
g
中第i个照射野方案的叶片形状变量其中，为第i个照射野方案的叶片形状变量的第s维的二维矩阵，形状变量的第s维的二维矩阵，表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行，的叶片形状变量的第s维的二维矩阵的第k行，表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行的第w列的采样点所在点位是否被多叶准直器的叶片遮挡，在值为0点表示第i个照射野方案的叶片形状变量的第s维的二维矩阵的第k行的第w列的采样点所在点位被多叶准直器的叶片遮挡；步骤四、通过进化算法得到一组最优的照射野集合；步骤4.1、定义第g代种群p
g
的子代照射野方案的个数n
off
，并初始化n
off
＝1；步骤4.2、对第g代种群p
g
的三个变量执行交叉变异操作，从而产生数目为n
pop
的第g代种群p
g
的子代种群o
g
；步骤4.3、将第g代种群p
g
及其子代种群o
g
合并后，得到第g代的新种群p
′
g
；步骤4.4、基于所述总目标函数f(x)，对第g代的新种群p
g
进行非支配排序，得到m个非支配前沿面，并将位于前m-1个前沿面的照射野方案的总数记为z；步骤4.5、计算m个非支配前沿面中每个照射野方案的拥挤距离，用于对第m个前沿面的照射野方案进行降序排列，并取降序后的前n
pop-z个照射野方案与前m-1个前沿面的照射野方案进行合并，从而得到第g+1代种群p
g+1
；步骤4.6、将g+1赋给g，重复步骤4.1顺序执行，直至g＞g
max
为止，从而得到第g
max
代种群
步骤4.7、将第g
max
代种群中处于pareto第一前沿面的照射野方案作为最优照射野集合并输出。2.根据权利要求1所述的一种基于深度神经网络和进化算法的照射野优化方法，其特征在于，所述步骤4.2是按如下步骤进行：步骤4.2.1、将第g代种群p
g
的n
pop
个照射野方案随机打乱并放入交配池；步骤4.2.2、从交配池中随机选择两个方案和作为两个父代；步骤4.2.3、对和中的照射强度变量进行交叉和变异，产生变异后的第n
off
个子代的照射强度变量：其中，交叉的方式是模拟二进制交叉，变异的方式是多项式变异；步骤4.2.4、对和中的子野数目变量进行交叉和变异，产生变异后的第n
off
个子代的子野数目变量；其中，交叉的方式是模拟二进制交叉；变异的方式是根据步骤3.2中所得适应度fn，随机选择交叉后的第n
off
个子代的子野数目变量中两个取值为1的二进制编码，并将其中适应值较大的二进制编码进行翻转，随机选择交叉后的第n
off
个子代的子野数目变量中两个取值为0的二进制编码，将其中适应值较小的二进制编码进行翻转；步骤4.2.5、对和中的叶片形状变量进行交叉和变异，产生变异后的第n
off
个子代的叶片形状变量；其中，交叉的方式是将第n
off
个子代的二进制编码设置为与父代相同，根据步骤3.2中所得适应度fh，从的叶片形状掩码中随机选择两个取值为1的二进制编码，并将其中适应值大的二进制编码进行翻转，将的叶片形状掩码中随机选择两个取值为0的二进制编码，并将其中适应值小的二进制编码进行翻转；其中，表示取反后的父代变异的方式是与4.2.4的变异方式相同；步骤4.2.6、将n
off
+1赋给n
eff
，重复步骤4.2.2顺序执行，直至n
off
＞n
pop
为止。3.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1或2所述照射野优化方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。4.一种计算机可读存储介质，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运行时执行权利要求1或2所述照射野优化方法的步骤。

技术总结
本发明公开了一种基于深度神经网络和进化算法的照射野优化方法，包括：步骤一、对数据进行预处理；步骤二、模型训练，得到剂量预测图并据此确定约束方程；步骤三、确定目标函数并完成种群初始化；步骤四、通过进化算法优化照射野集合，在对种群最大迭代次数次的交叉变异以及环境选择操作后，得到子野数量、照射强度及多叶准直器的叶片形状三个变量构成的Pareto最优解所对应的照射野方案。本发明能通过神经网络和进化算法实现对照射野的优化，从而能提高调强放射的自动化程度及效率。而能提高调强放射的自动化程度及效率。而能提高调强放射的自动化程度及效率。


技术研发人员：王林彤 偶松 余俊笑 孙乐然 李惠玲
受保护的技术使用者：安徽大学
技术研发日：2023.05.08
技术公布日：2023/7/13