一种基于遗传算法的放疗机器人交付方向优化方法和系统与流程

1.本技术涉及医疗机器人技术领域，尤其涉及一种基于遗传算法的放疗机器人交付方向优化方法和系统，能够解决立体定向放疗机器人射束交付方向选择的问题。

背景技术：

2.射束交付方向选择是放疗机器人制定计划的重要组成部分。对于周围存在较多风险组织(oar)的肿瘤，传统共面射束交付会对风险组织造成严重威胁。在放疗过程中，使用非共面射束交付，并对射束交付方向进行选择优化，可以显著降低靶区实际交付剂量与目标剂量的差异，同时满足风险组织的剂量约束，确保肿瘤周围重要组织的安全，改善计划的质量。
3.当前可以通过手动射束角度选择(bas)和自动bas两种策略。随着设备智能化程度的提高，根据患者肿瘤的几何结构、反复试验以及医师的经验手动执行射束选择的方案已经基本被淘汰，智能bas策略开始大量涌现。自动bas也可以分为两大类：第一类将bas问题从通量图优化(fmo)中分离，通量图优化即优化不同方向射束的权重，使得选定交付方向集合的实际交付剂量更加接近期望值。该类方法首先基于几何分布或潜在射束集的剂量测量解决bas问题，然后再通过数学优化的方法解决fmo问题。第二类同时求解bas和fmo，即将两者的目标函数进行融合，根据一个总目标函数在选择交付方向的同时，解决fmo问题。射束角度选择优化是一个组合优化问题，在n各候选集合中选出n个最佳交付方向，但目前没有有效的算法能够在多项式时间复杂度内解决bas问题，即bas是一个np-hard问题，使用枚举搜索在临床上是不切实际的。所以目前所有解决方法都可以看成是仅探索搜索空间一小部分的启发式方法。
4.虽然当前针对bas已经提出了很多有效的解决方案，但是大部分都是针对静态肿瘤的bas方法，而有些在交付过程中需要对肿瘤呼吸运动进行补偿的临床场景，很少有研究者将其考虑在内。因此，研究一种能够将肿瘤呼吸运动考虑在内的交付方向优化方法，对于提高放疗机器人的精度有着重要意义。

技术实现要素：

5.有鉴于此，本技术目的是：提供一种基于遗传算法的放疗机器人交付方向优化方法，用以解决立体定向放疗机器人射束交付方向选择的问题。
6.本技术的技术方案是：一种基于遗传算法的放疗机器人交付方向优化方法，包括如下步骤：
7.步骤1、根据放疗期间使用机械臂驱动射束补偿呼吸运动的空间可达性，在体表上构建一个放射球面，其候选交付节点在上半放射球面之内，并在所述上半放射球面内选取候选交付节点集合；
8.步骤2、根据期望交付剂量分布约束，制定交付方向优化的剂量分布目标函数；
9.步骤3、分析肿瘤呼吸运动约束，基于粒子算法拟合肿瘤呼吸运动准周期性特
征；
10.步骤4、根据肿瘤呼吸运动对剂量交付的影响，融合所述肿瘤呼吸运动准周期性特性和期望交付剂量分布约束建立优化的目标函数；
11.步骤5、基于遗传算法设计交付方向优化方案，根据目标函数优化射束方向的选择。
12.进一步地，所述步骤1中在所述上半放射球面上，用方向角表示球面上任意一点，其中θ∈[0
°
,90
°
)，则按方向每隔6
°
、θ方向每隔5
°
选定所述候选交付节点集合，共选定1080个候选节点集。
[0013]
进一步地，所述步骤2中，设定一个优化函数h(ω)，优化每个节点的剂量权重ω；所述剂量分布目标函数f(x)设置为迭代优化过后的h(ω)的值：
[0014][0015]
其中x代表交付过程中的放射角度集合该集合包含n个放射球面的交付节点，交付节点由方向角表示，ω是每个交付节点处的剂量权重；
[0016]
所述优化函数定义为：
[0017][0018]
且：ω≥0
[0019]
其中，射线下暴露的人体组织分为ns个，对于不同的组织s选定不同的目标函数pk(ω)，λk表示第k个组织的优化函数的权重。
[0020]
进一步地，所述步骤3中，所述肿瘤呼吸运动准周期性特征的准周期运动模型用下式表示：
[0021][0022]
上式中，c0，c1，a和分别表示位姿参数的基线位置、基线漂移速度、振荡幅值以及相位偏移，不同参数对应的值均不相同；fi表示振荡频率和周期，所有位姿参数具有相同的振荡频率；n决定了模型形状的陡度和平整度。
[0023]
进一步地，所述步骤4中，将所述候选交付节点的空间位置分布在呼吸运动的峰值和峰谷处。
[0024]
进一步地，所述步骤4中，当交付过程中射束运动的速度恒定时，通过控制两节点间间距接近半个呼吸运动周期，使得节点空间分布靠近肿瘤呼吸运动的峰值和峰谷；
[0025]
所述优化的目标函数保证节点分布间距在接近个呼吸周期内交付完成，根据步骤3拟合出的所述肿瘤呼吸运动准周期性特征，得到肿瘤运动频率，并计算个呼吸周期射束的运动距离，并将所述运动距离作为优化的目标函数中的约束阈值，确保交付节点分布间距接近该约束阈值。
[0026]
进一步地，所述步骤5中，基于遗传算法设计交付节点优化方案，根据目标函数，在步骤1中的候选交付节点集合中选出n个交付方向；针对步骤4建立的目标函数，采用遗传算
法进行优化；根据射束个数将放射球面平均划分，在每个方向的平面内各选一个优化节点，得到最优交付节点集合。
[0027]
基于上述目的，本技术还提出了一种基于遗传算法的放疗机器人交付方向优化系统，包括：
[0028]
节点集合模块，用于根据放疗期间使用机械臂驱动射束补偿呼吸运动的空间可达性，在体表上构建一个放射球面，其候选交付方向节点在上半放射球面之内，并在所述上半放射球面内选取候选节点集合；
[0029]
函数构建模块，用于根据期望交付剂量分布约束，制定交付方向优化的剂量分布目标函数；
[0030]
特征拟合模块，用于分析肿瘤呼吸运动约束，基于粒子算法拟合肿瘤呼吸运动准周期性特征；
[0031]
函数优化模块，用于根据肿瘤呼吸运动对剂量交付的影响，融合所述肿瘤呼吸运动准周期性特性和期望交付剂量分布约束建立优化的目标函数；
[0032]
方向优化模块，用于基于遗传算法设计交付方向优化方案，根据目标函数优化射束方向的选择。
[0033]
总的来说，本技术的优势及给用户带来的体验在于：本技术提供了一种解决放疗机器人交付方向优化的方法，将交付方向选择和通量图优化问题结合，在优化节点分布的同时优化各个方向射束的权重，并将肿瘤呼吸运动的影响考虑在，制定了融合肿瘤呼吸运动特性和期望交付剂量分布约束的优化目标函数；为解决np-hard组合优化问题，本技术提出了基于遗传算法的优化策略，同时为了射束能够全面照射肿瘤各个方向，根据射束个数将放射球面平均划分，在每个方向的平面内各选一个节点，从而确保肿瘤能够被全面照射。
附图说明
[0034]
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本技术公开的一些实施方式，而不应将其视为是对本技术范围的限制。
[0035]
图1为本技术实施例一的基于遗传算法的放疗机器人交付方向优化方法流程图。
[0036]
图2为本技术实施例一的候选节点集合。
[0037]
图3为基于本技术提出方法选出的一组交付方向集。
[0038]
图4示出根据本技术实施例的基于遗传算法的放疗机器人交付方向优化系统的构成图。
[0039]
图5示出了本技术一实施例所提供的一种电子设备的结构示意图。
[0040]
图6示出了本技术一实施例所提供的一种存储介质的示意图。
具体实施方式
[0041]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0042]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相
互组合。下面将参考附图并结合实施例来详细说明本技术。
[0043]
为了达到本技术的目的，如图1所示，在本技术的其中一种实施方式中一种基于遗传算法的放疗机器人交付方向优化方法，包括如下步骤：
[0044]
步骤1中使用机械臂驱动射束补偿肿瘤的呼吸运动，为防止医疗床对射束剂量和机械臂运动避障的影响，将交付方向考虑在患者体表上部；同时考虑到放射源到肿瘤中心的距离(源轴距)恒定，所以将候选交付方向节点集合选定在以肿瘤为中心的上半放射球面内。
[0045]
在以肿瘤为中心的上半辐射球面上，用方向角表示球面上任意一点，其中θ∈[0
°
,90
°
)，则按方向每隔6
°
、θ方向每隔5
°
选定候选交付节点集合，最终的候选节点集合如图2所示。
[0046]
步骤2中根据目标交付剂量制定节点选择的评价函数，其确保交付方向的分布能够达到靶区剂量要求的同时满足风险组织(oar)的剂量约束。
[0047]
保证射束剂量分布接近预期值的目标函数f(x)涉及通量图优化(fmo)问题，即通过剂量计算和fmo优化后可以评定当前选出的一组交付节点x的实际交付剂量与期望交付剂量的差值，并可将风险组织(oar)的剂量约束考虑其中，评定该组节点对oar组织的影响。在fmo优化过程中设定一个优化函数h(ω)，目的是优化每个节点的剂量权重ω，使得实际交付过程中的剂量累积与期望剂量差值最小，同时会将风险组织的约束考虑在内。
[0048]
迭代优化过后h(ω)的大小会受到节点空间分布位置的影响，节点分布位置越优越最终优化函数h(ω)的值越小，所以保证射束剂量分布接近预期值的目标函数f(x)可以设置为迭代优化过后的h(ω)的值：
[0049][0050]
其中x代表交付过程中的放射角度集合该集合包含n个放射球面的交付节点，球面交付节点由方向角表示，ω是每个交付节点处的剂量权重。
[0051]
fmo优化函数定义为：
[0052][0053]
且：ω≥0
[0054]
射线下暴露的人体组织可以分为ns个(靶区、肺、心脏、肝等)，对于不同的组织s可选定不同的目标函数pk(ω)，λk表示第k个组织的优化函数的权重，靶区和高风险组织的λ较高，非高风险组织权重较低。正性约束ω≥0确保只考虑正的辐射影响。
[0055]
组织s中靶区目标函数定义为：
[0056][0057]
其中k∈s
target
表示pk是靶区目标函数；为组织s的期望剂量；将组织s划分为许多体素块计算剂量，d
ij
表示第j个射束对第i个体素块的交付剂量，ωj为第j个射束的权重；θ(
·
)为赫维赛德(heaviside)函数。
[0058]
oar组织采用最大剂量约束，其约束函数定义为：
[0059][0060]
且：
[0061]
其中k∈s
oar
表示pk是oar约束函数，d
max
是oar组织所能承受的最大约束剂量。和表示第k个约束函数pk(ω)的下界和上界，κ为lse(logsumexp)函数参数，可取κ＝10-3
。
[0062]
普通组织采用均值剂量约束，其约束函数定义为：
[0063][0064]
且：
[0065]
其中k∈s
others
表示pk是普通组织约束函数，和表示第k个约束函数pk(ω)的下界和上界，ns是组织s分割的体素块数量。
[0066]
步骤3中为考虑肿瘤呼吸运动对剂量交付的影响，基于粒子算法(pso)拟合肿瘤呼吸运动的周期特性，并分析肿瘤运动的幅值、相位和频率。
[0067]
以肿瘤位姿的一个维度为例，考虑其基线漂移的影响，其准周期运动模型可以用下式表示：
[0068][0069]
上式中，c0，c1，a和分别表示位姿参数的基线位置、基线漂移速度、振荡幅值以及相位偏移，不同参数对应的值均不相同；fi表示振荡频率和周期，所有位姿参数具有相同的振荡频率；n表示运动模型中所包含不同频率和相位的sin函数的个数，其值表现了模型形状的陡度和平整度。在实例中，通过自适应惯性因子的粒子算法(pso)拟合出肿瘤的准周期运动模型。
[0070]
步骤4中分析交付过程中肿瘤呼吸运动预测存在的问题，通过优化交付节点的空间分布补偿肿瘤位置预测的缺陷。在放疗过程中为补偿肿瘤的呼吸运动，通常做法是通过外部信号建立肿瘤运动的关联模型并实时预测肿瘤的运动位置。但关联模型预测肿瘤位置时在肿瘤运动的峰值和峰谷处预测精度较低，相反肿瘤在峰值到峰谷之间的运动预测精度较高。所以考虑将节点的空间位置分布在呼吸运动的峰值和峰谷处，从而可以确保在补偿呼吸运动的交付过程更加精确的交付剂量。
[0071]
考虑肿瘤呼吸运动影响制定交付节点空间分布的评价函数，融合步骤2中交付剂量分布约束和交付节点空间分布约束，制定最终交付方向优化的目标函数。为了使交付节点空间位置分布在肿瘤呼吸运动的峰值和峰谷处，当交付过程中射束运动的速度恒定时，通过控制两节点间间距接近半个呼吸运动周期，即可使得节点空间分布靠近肿瘤呼吸运动的峰值和峰谷。保证节点分布间距在接近个呼吸周期内交付完成的目标函数设为g(x)，根据步骤3拟合出肿瘤准周期运动特性，得到肿瘤运动频率，并计算个呼吸周期射束的运动距离dc，并将此距离作为目标函数中的约束阈值，确保交付节点分布间距接近该阈值。
[0072]
[0073]
其中是射束投影在方向的角速度，f
t
为肿瘤呼吸运动拟合的频率。g(x)作用是控制两节点间间距更接近阈值dc，则g(x)定义为：
[0074][0075]
最后，融合肿瘤呼吸运动特性和期望交付剂量分布约束的总目标函数定义为：
[0076][0077]
其中α、β为目标函数的权重。
[0078]
步骤5中基于遗传算法设计交付节点优化方案，根据目标函数，在步骤1中的候选交付节点集合中选出n个交付方向。在临床应用上通常选出20个交付方向进行剂量交付，所以本实施方式在1080个候选节点中选出20个作为优化目标。针对步骤4建立的目标函数，采用遗传算法进行优化。同时，为了使肿瘤各个方向都能被射束照射到，根据射束个数将放射球面平均划分，在每个方向的平面内各选一个较优节点，最终规划出最优交付节点集合。本技术在开源仿真平台matrad上进行实验，选出的一组交付方向集如图3所示。
[0079]
申请实施例提供了一种基于遗传算法的放疗机器人交付方向优化系统，该系统用于执行上述实施例所述的基于遗传算法的放疗机器人交付方向优化方法，如图4所示，该系统包括：
[0080]
节点集合模块501，用于根据放疗期间使用机械臂驱动射束补偿呼吸运动的空间可达性，在体表上构建一个放射球面，其候选交付方向节点在上半放射球面之内，并在放射球面内选取候选节点集合；
[0081]
函数构建模块502，用于根据期望交付剂量分布约束，制定交付方向优化的剂量分布目标函数；
[0082]
特征拟合模块503，用于分析肿瘤呼吸运动约束，基于粒子算法拟合肿瘤呼吸运动准周期性特征；
[0083]
函数优化模块504，用于根据肿瘤呼吸运动对剂量交付的影响，融合所述肿瘤呼吸运动准周期性特性和期望交付剂量分布约束建立优化的目标函数；
[0084]
方向优化模块505，用于基于遗传算法设计交付方向优化方案，根据目标函数优化射束方向的选择。
[0085]
本技术的上述实施例提供的基于遗传算法的放疗机器人交付方向优化系统与本技术实施例提供的基于遗传算法的放疗机器人交付方向优化方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0086]
本技术实施方式还提供一种与前述实施方式所提供的基于遗传算法的放疗机器人交付方向优化方法对应的电子设备，以执行上基于遗传算法的放疗机器人交付方向优化方法。本技术实施例不做限定。
[0087]
请参考图5，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的基于遗传算法的放疗机器人交付方向优化方法。
[0088]
其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
[0089]
总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述基于遗传算法的放疗机器人交付方向优化方法可以应用于处理器200中，或者由处理器200实现。
[0090]
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
[0091]
本技术实施例提供的电子设备与本技术实施例提供的基于遗传算法的放疗机器人交付方向优化方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
[0092]
本技术实施方式还提供一种与前述实施方式所提供的基于遗传算法的放疗机器人交付方向优化方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的基于遗传算法的放疗机器人交付方向优化方法。
[0093]
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0094]
本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的基于遗传算法的放疗机器人交付方向优化方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0095]
需要说明的是：
[0096]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本
申请的最佳实施方式。
[0097]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0098]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0099]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0100]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0101]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0102]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0103]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：

1.一种基于遗传算法的放疗机器人交付方向优化方法，其特征在于，包括如下步骤：步骤1、根据放疗期间使用机械臂驱动射束补偿呼吸运动的空间可达性，在体表上构建一个放射球面，其候选交付节点在上半放射球面之内，并在所述上半放射球面内选取候选交付节点集合；步骤2、根据期望交付剂量分布约束，制定交付方向优化的剂量分布目标函数；步骤3、分析肿瘤呼吸运动约束，基于粒子算法拟合肿瘤呼吸运动准周期性特征；步骤4、根据肿瘤呼吸运动对剂量交付的影响，融合所述肿瘤呼吸运动准周期性特性和期望交付剂量分布约束建立优化的目标函数；步骤5、基于遗传算法设计交付方向优化方案，根据目标函数优化射束方向的选择。2.根据权利要求1所述的基于遗传算法的放疗机器人交付方向优化方法，其特征在于：所述步骤1中在所述上半放射球面上，用方向角表示球面上任意一点，其中则按方向每隔6
°
、θ方向每隔5
°
选定所述候选交付节点集合，共选定1080个候选节点集。3.根据权利要求1或2所述的基于遗传算法的放疗机器人交付方向优化方法，其特征在于：所述步骤2中，设定一个优化函数h(ω)，优化每个节点的剂量权重ω；所述剂量分布目标函数f(x)设置为迭代优化过后的h(ω)的值：其中x代表交付过程中的放射角度集合该集合包含n个放射球面的交付节点，交付节点由方向角表示，ω是每个交付节点处的剂量权重；所述优化函数定义为：且：ω≥0其中，射线下暴露的人体组织分为n
s
个，对于不同的组织s选定不同的目标函数p
k
(ω)，λ
k
表示第k个组织的优化函数的权重。4.根据权利要求3所述的基于遗传算法的放疗机器人交付方向优化方法，其特征在于：所述步骤3中，所述肿瘤呼吸运动准周期性特征的准周期运动模型用下式表示：上式中，c0，c1，a和分别表示位姿参数的基线位置、基线漂移速度、振荡幅值以及相位偏移，不同参数对应的值均不相同；f
i
表示振荡频率和周期，所有位姿参数具有相同的振荡频率；n决定了模型形状的陡度和平整度。5.根据权利要求1所述的基于遗传算法的放疗机器人交付方向优化方法，其特征在于：所述步骤4中，将所述候选交付节点的空间位置分布在呼吸运动的峰值和峰谷处。6.根据权利要求5所述的基于遗传算法的放疗机器人交付方向优化方法，其特征在于：所述步骤4中，当交付过程中射束运动的速度恒定时，通过控制两节点间间距接近半个呼吸运动周期，使得节点空间分布靠近肿瘤呼吸运动的峰值和峰谷；
所述优化的目标函数保证节点分布间距在接近个呼吸周期内交付完成，根据步骤3拟合出的所述肿瘤呼吸运动准周期性特征，得到肿瘤运动频率，并计算个呼吸周期射束的运动距离，并将所述运动距离作为优化的目标函数中的约束阈值，确保交付节点分布间距接近该约束阈值。7.根据权利要求1所述的基于遗传算法的放疗机器人交付方向优化方法，其特征在于：所述步骤5中，基于遗传算法设计交付节点优化方案，根据目标函数，在步骤1中的候选交付节点集合中选出n个交付方向；针对步骤4建立的目标函数，采用遗传算法进行优化；根据射束个数将放射球面平均划分，在每个方向的平面内各选一个优化节点，得到最优交付节点集合。8.一种基于遗传算法的放疗机器人交付方向优化系统，其特征在于，包括：节点集合模块，用于根据放疗期间使用机械臂驱动射束补偿呼吸运动的空间可达性，在体表上构建一个放射球面，其候选交付节点在上半放射球面之内，并在所述上半放射球面内选取候选交付节点集合；函数构建模块，用于根据期望交付剂量分布约束，制定交付方向优化的剂量分布目标函数；特征拟合模块，用于分析肿瘤呼吸运动约束，基于粒子算法拟合肿瘤呼吸运动准周期性特征；函数优化模块，用于根据肿瘤呼吸运动对剂量交付的影响，融合所述肿瘤呼吸运动准周期性特性和期望交付剂量分布约束建立优化的目标函数；方向优化模块，用于基于遗传算法设计交付方向优化方案，根据目标函数优化射束方向的选择。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。

技术总结

本申请提供一种基于遗传算法的放疗机器人交付方向优化方法和系统，方法包括：基于粒子算法建立肿瘤准周期性呼吸运动模型，从而获得肿瘤运动幅值、相位、频率等特性；融合肿瘤呼吸运动特性和期望交付剂量分布约束建立目标函数，优化交付剂量的同时考虑肿瘤运动补偿的约束；设计遗传算法策略，优化放射球面交付方向集合的选择。与现有方法相比，本申请考虑了肿瘤呼吸运动对交付方向优化的影响，同时优化交付节点的空间分布；优化过后可以减小实际交付剂量与期望剂量的误差，并减小射束对风险组织的照射剂量，为放射机器人提供更精准的精度。的精度。的精度。