(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111457485.3 (22)申请日 2021.12.02 (71)申请人 深圳市医诺智能科技发展 有限公司 地址 518000 广东省深圳市南 山区西丽 街 道中山园路1001号TCL国际E城G4栋B 单元1001 (72)发明人 金晶　梁军　陈志坚　李宁　 代智涛　赵漫　谢宝文　王俊　 李建东　 (74)专利代理 机构 深圳市博锐专利事务所 44275 代理人 欧阳燕明 (51)Int.Cl. G06T 7/00(2017.01) G06T 3/40(2006.01)G06N 3/04(2006.01) G06Q 10/04(2012.01) G06V 10/82(2022.01) (54)发明名称 一种基于CT图像的放射剂量分布预测方法 及装置 (57)摘要 本发明公开一种基于CT图像的放射剂量分 布预测方法及装置， 通过卷积神经网络对待预测 CT图像进行处理得到与待预测CT图像对应的不 同分辨率的第一特征图和第二特征图以及第一 初始微分场和第二初始微分场， 并进一步通过解 码器流对特征图和初始微分场进行预测得到第 一微分场和第二微分场， 再通连续微分场对先验 图像形状进行连续采样， 从而通过连续微分场变 形一个具有正确拓扑特征的先验来保持拓扑， 由 于第一微分场和第二微分场为微分同态场是一 种导致一对一映射的连续变形场， 其导数是可逆 的， 能够得到正的雅可比行列式， 从而在剂量配 准中给出先验形状与预测图像坐标之间的明确 映射， 达到100％保持拓扑， 提高放射剂量分布预 测的准确性。 权利要求书2页 说明书7页 附图3页 CN 114119587 A 2022.03.01 CN 114119587 A 1.一种基于 CT图像的放 射剂量分布预测方法， 其特 征在于， 包括 步骤： 获取待预测CT图像； 通过卷积神经网络提取所述待预测CT图像中两种不同分辨率的第一特征图和第二特 征图， 以及所述第一特征图对应的第一初始 微分场和所述第二特征图对应的第二初始微分 场； 通过解码器流对所述第一初始微分场和第二初始微分场进行预测得到第一微分场和 第二微分场； 所述第一 微分场和第二 微分场为同态微分场； 获取先验图像， 通过所述第一微分场对所述先验图像形状进行采样， 得到第一采样数 据； 通过第二 微分场对所述第一采样数据进行二次采样， 得到预测值； 将所述预测值下采样到与所述待预测CT图像相同的分辨 率， 得到预测图像。 2.根据权利要求1所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 通过卷积神经网络提取所述待 预测CT图像中两种不同分辨率的第一特征图和 第二特征图， 以及所述第一特征图对应的第一初始微分场和所述第二特征图对应的第二初始微分场包 括： 所述卷积神经网络包括第一卷积流、 第二卷积流和第三卷积流； 所述第一卷积流对所述待预测CT图像依次进行第 一预设次数的卷积和最大池化， 得到 降维特征图； 所述第二卷积流对所述降维特征图依次进行第 二预设次数的上采样以及矩阵拼接， 得 到所述第一特 征图和第一初始微分场； 所述第三卷积流对所述降维特征图进行一 次上采样以及矩阵拼接， 得到所述第 二特征 图和第二初始微分场。 3.根据权利要求2所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 通过解码器流对所述第一初始微分场和第二初始微分场进行预测得到第一微分场和第二 微分场包括： 对所述第一初始微分场和第二初始微分场进行缩放操作和平方操作； 通过解码器流对经过所述缩放操作和平方操作的所述第一初始微分场和第二初始微 分场进行 预测得到第一 微分场和第二 微分场， 并设置所述 解码器流的激活函数为v： 其中， u(x)表示第一初始微分场或第二初始微分场。 4.根据权利要求3所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 通过卷积神经网络提取所述待 预测CT图像中两种不同分辨率的第一特征图和 第二特征图， 以及所述第一特征图对应的第一初始微分场和所述第二特征图对应的第二初始微分场还 包括： 通过高斯平 滑法对所述卷积神经网络中每一卷积块的输出 结果进行处 理。 5.根据权利要求3所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 通过解码器流对所述第一初始微分场和第二初始微分场进行预测得到第一微分场和第二 微分场包括：权　利　要　求　书 1/2 页 2 CN 114119587 A 2通过双线性插值对输出的所述第一 微分场和第二 微分场进行超上采样。 6.根据权利要求1所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 还包 括： 设置损失函数： L ＝LDice(Y， Ylabel)+LGrad(φFT)+LGrad(φBulk)； 其中， LDice为dice损 失函数、 Y为比对样本、 Ylabel为预测样本、 φFT为所述第一微分场、 φBulk为所述第二 微分场， LGrad为： 其中， h和w 为所述第一特 征图和第二特 征图对应的参数。 7.根据权利要求6所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 损失函数还 包括加权参数β； 则L＝LDice(Y， Ylabel)+β(LGrad(φFT)+LGrad(φBulk))。 8.根据权利要求1所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 模型更新数据执行所述通过卷积神经网络提取所述待预测CT图像中两种不同分辨率的第 一特征图和第二特征图， 以及所述第一特征图和 第二特征图对应的第一初始 微分场和 第二 初始微分场之前包括： 判断是否 接收到模型 更新数据； 若是， 根据所述模型更新数据 执行所述通过卷积神经网络提取所述待预测CT图像中两 种不同分辨率的第一特征图和 第二特征图， 以及所述第一特征图和第二特征图对应的第一 初始微分场和第二初始微分场的步骤。 9.根据权利要求1所述的一种基于CT图像的放射剂量分布预测方法， 其特征在于， 所述 获取先验图像之后包括： 对所述先验图像进行 预处理， 包括： 从三个方向对所述先验图像形状进行采样， 得到目标 数据； 根据所述目标 数据建立优先级列表； 对所述目标 数据进行重采样， 得到 重采样数据； 根据所述优先级列表以及重采样数据得到剂量 值数据。 10.一种基于CT图像的放射剂量分布预测装置， 包括存储器、 处理器及存储在存储器上 并可在处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现 如权利要求1 ‑9任意一项所述的一种基于 CT图像的放 射剂量分布预测方法中的各个步骤。权　利　要　求　书 2/2 页 3 CN 114119587 A 3