JP2020130790A - Treatment plan support device and method - Google Patents
Treatment plan support device and method Download PDFInfo
- Publication number
- JP2020130790A JP2020130790A JP2019030621A JP2019030621A JP2020130790A JP 2020130790 A JP2020130790 A JP 2020130790A JP 2019030621 A JP2019030621 A JP 2019030621A JP 2019030621 A JP2019030621 A JP 2019030621A JP 2020130790 A JP2020130790 A JP 2020130790A
- Authority
- JP
- Japan
- Prior art keywords
- information
- treatment plan
- treatment
- prognosis prediction
- prediction information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims description 17
- 238000001959 radiotherapy Methods 0.000 claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims abstract description 32
- 238000004393 prognosis Methods 0.000 claims description 121
- 230000000694 effects Effects 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 19
- 206010028980 Neoplasm Diseases 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 42
- 230000006870 function Effects 0.000 description 38
- 238000007408 cone-beam computed tomography Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 5
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 206010035742 Pneumonitis Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 201000010536 head and neck cancer Diseases 0.000 description 1
- 208000014829 head and neck neoplasm Diseases 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Radiation-Therapy Devices (AREA)
Abstract
Description
本発明の実施形態は、治療計画支援装置及び方法に関する。 Embodiments of the present invention relate to treatment planning support devices and methods.
放射線治療（Radiation Therapy: RT）では、最初に決定した治療計画に基づいて最後までやりきる治療が一般的である。したがって、最初に決定する治療計画の良し悪しが、ＲＴ後の治療効果や副作用の発生に影響する。情報技術の発展に伴い、治療計画時のＣＴ画像から得られる画像情報と線量などの情報に基づき、ＲＴ後の治療効果や副作用の発生確率の予測結果を得ることが可能となってきている。しかし近年、治療計画を容易にする技術の発展に伴い、治療期間中における治療効果や副作用の発生に基づいて治療計画を見直す治療方法（以下、Adaptive RTという）が注目されている。上述の予測結果は、治療計画時に作成した治療計画の良し悪しの意思決定支援を目的としているため、治療期間中の治療効果や副作用の発生に基づいてAdaptive RTを適用の判断することは難しい。 In Radiation Therapy (RT), it is common to complete the treatment based on the treatment plan decided at the beginning. Therefore, the quality of the treatment plan to be decided first affects the therapeutic effect and the occurrence of side effects after RT. With the development of information technology, it has become possible to obtain prediction results of therapeutic effects and side effects after RT based on image information and information such as dose obtained from CT images at the time of treatment planning. However, in recent years, with the development of technology for facilitating treatment planning, a treatment method (hereinafter referred to as Adaptive RT) for reviewing treatment planning based on the occurrence of treatment effects and side effects during the treatment period has attracted attention. Since the above-mentioned prediction results are intended to support the decision-making of good or bad of the treatment plan created at the time of treatment planning, it is difficult to judge the application of Adaptive RT based on the treatment effect and the occurrence of side effects during the treatment period.
本発明が解決しようとする課題は、治療期間中のAdaptive RTの適用判断を高精度かつ容易に支援できることである。 The problem to be solved by the present invention is that it is possible to easily and accurately support the determination of application of Adaptive RT during the treatment period.
本実施形態に係る治療計画支援装置は、取得部と、生成部とを含む。取得部は、放射線治療に係る第１の治療計画に関する情報を取得する。生成部は、前記第１の治療計画に関する情報と、前記第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第２の治療計画に関する情報を生成する。 The treatment plan support device according to the present embodiment includes an acquisition unit and a generation unit. The acquisition department acquires information on the first treatment plan related to radiation therapy. The generation unit generates information on the second treatment plan by using the information on the first treatment plan and the medical image acquired when performing the radiotherapy based on the first treatment plan.
以下、図面を参照しながら本実施形態に係わる治療計画支援装置及び方法を説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。 Hereinafter, the treatment planning support device and the method according to the present embodiment will be described with reference to the drawings. In the following embodiments, the parts with the same reference numerals perform the same operation, and duplicate description will be omitted as appropriate. Hereinafter, one embodiment will be described with reference to the drawings.
（第１の実施形態）
図１は、第１の実施形態に係る治療計画支援装置１の構成を示すブロック図である。治療計画支援装置１は、処理回路１１と、メモリ１３とを含む。処理回路１１は、ハードウェア資源として、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等のプロセッサで構成される。処理回路１１は、取得機能１１１と、生成機能１１３と、予測機能１１５と、学習機能１１７と、提示機能１１９とを含む。なお、処理回路１１は、上記機能を実現可能なＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）、ＣＰＬＤ（Complex Programmable Logic Device）、ＳＰＬＤ（Simple Programmable Logic Device）などにより実現されてもよい。
(First Embodiment)
FIG. 1 is a block diagram showing a configuration of a treatment plan support device 1 according to the first embodiment. The treatment plan support device 1 includes a processing circuit 11 and a memory 13. The processing circuit 11 is composed of processors such as a CPU (Central Processing Unit) and a GPU (Graphics Processing Unit) as hardware resources. The processing circuit 11 includes an acquisition function 111, a generation function 113, a prediction function 115, a learning function 117, and a presentation function 119. Even if the processing circuit 11 is realized by an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate Array), a CPLD (Complex Programmable Logic Device), a SPLD (Simple Programmable Logic Device), etc., which can realize the above functions. Good.
取得機能１１１は、放射線治療に係る第１の治療計画に関する情報を取得する。第１の治療計画は、最初に立てた治療計画でもよいし、Adaptive RTにより変更された治療計画であってもよい。 The acquisition function 111 acquires information regarding the first treatment plan related to radiation therapy. The first treatment plan may be an initial treatment plan or a treatment plan modified by Adaptive RT.
生成機能１１３は、第１の治療計画に関する情報と、第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、想定される第２の治療計画に関する情報を生成する。医用画像としては、コーンビームＣＴ装置やＸ線コンピュータ断層撮影装置、磁気共鳴イメージング装置、核医学診断装置等により生成される画像が用いられればよい。以下、生成機能１１３により用いられる医用画像は、コーンビームＣＴ装置やＸ線コンピュータ断層撮影装置等のＣＴ撮影装置により生成されたコーンビームＣＴ画像（以下、ＣＢＣＴ画像とも呼ぶ）又はＣＴ画像であるとする。生成機能１１３は、ＣＴ画像およびＣＢＣＴ画像から画像特徴量を算出してもよい。画像特徴量の算出方法としては、一般的な手法を用いればよい。また、画像特徴量の具体例は後述する。また生成機能１１３は、最初に立てられる治療計画を含む第１の治療計画を設計してもよい。 The generation function 113 generates information on the assumed second treatment plan by using the information on the first treatment plan and the medical image acquired when performing the radiation therapy based on the first treatment plan. To do. As the medical image, an image generated by a cone beam CT apparatus, an X-ray computed tomography apparatus, a magnetic resonance imaging apparatus, a nuclear medicine diagnostic apparatus, or the like may be used. Hereinafter, the medical image used by the generation function 113 is said to be a cone beam CT image (hereinafter, also referred to as a CBCT image) or a CT image generated by a CT imaging device such as a cone beam CT apparatus or an X-ray computed tomography apparatus. To do. The generation function 113 may calculate the image feature amount from the CT image and the CBCT image. As a method of calculating the image feature amount, a general method may be used. A specific example of the image feature amount will be described later. The generation function 113 may also design a first treatment plan that includes a treatment plan that is initially created.
予測機能１１５は、第１の治療計画に沿って治療を進めた場合に想定される予後予測である第１の予後予測情報と、生成機能１１３により生成された第２の治療計画に沿って治療を進めた場合に想定される予後予測である第２の予後予測情報とを生成する。予後予測は、例えば、放射線照射後の縮小の度合いを予測する腫瘍レスポンスや副作用の有無である。腫瘍レスポンスは、例えば、腫瘍の完治確率または治療前の大きさからの縮小度合いにより示される。なお、治療前よりも腫瘍が拡大している場合はマイナス値で表せばよい。副作用の有無は、例えば、体重減少の有無により示される。 The prediction function 115 performs treatment according to the first prognosis prediction information, which is a prognosis prediction assumed when the treatment is advanced according to the first treatment plan, and the second treatment plan generated by the generation function 113. A second prognosis prediction information, which is a prognosis prediction expected when the above is advanced, is generated. Prognosis prediction is, for example, the presence or absence of tumor response and side effects that predict the degree of shrinkage after irradiation. Tumor response is indicated, for example, by the probability of cure of the tumor or the degree of shrinkage from its pretreatment size. If the tumor is larger than before the treatment, it may be expressed as a negative value. The presence or absence of side effects is indicated by, for example, the presence or absence of weight loss.
学習機能１１７は、第１の予後予測情報および第２の予後予測情報を生成するためのモデルを学習させる。ここでは、ニューラルネットワークに代表される機械学習モデルを学習することで学習済みモデルを生成することを想定する。なお、機械学習に限らず、学習機能１１７により生成されるモデルはルックアップテーブル（ＬＵＴ）であってもよい。 The learning function 117 trains a model for generating a first prognosis prediction information and a second prognosis prediction information. Here, it is assumed that a trained model is generated by learning a machine learning model represented by a neural network. Not limited to machine learning, the model generated by the learning function 117 may be a look-up table (LUT).
提示機能１１９は、第１の予後予測情報および第２の予後予測情報をユーザに提示する。提示方法としては、第１の予後予測情報および第２の予後予測情報をディスプレイ（図示せず）に表示してもよいし、第１の予後予測情報および第２の予後予測情報をスピーカ（図示せず）を介して音声により出力（再生）してもよい。 The presentation function 119 presents the first prognosis prediction information and the second prognosis prediction information to the user. As a presentation method, the first prognosis prediction information and the second prognosis prediction information may be displayed on a display (not shown), or the first prognosis prediction information and the second prognosis prediction information may be displayed on a speaker (FIG. It may be output (reproduced) by voice via (not shown).
メモリ１３は、ハードウェア資源として、例えば、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等で構成される。メモリ１３は、第１の治療計画に関する情報、機械学習モデル、学習用データを記憶することを想定する。また、予測機能１１５により算出された第１の予後予測情報および第２の予後予測情報を記憶してもよい。処理回路１１とメモリ１３とは、互いにバスを介して通信可能に接続されている。 The memory 13 is composed of, for example, a ROM (Read Only Memory), a RAM (Random Access Memory), an HDD (Hard Disk Drive), an SSD (Solid State Drive), or the like as hardware resources. It is assumed that the memory 13 stores information about the first treatment plan, a machine learning model, and learning data. Further, the first prognosis prediction information and the second prognosis prediction information calculated by the prediction function 115 may be stored. The processing circuit 11 and the memory 13 are communicably connected to each other via a bus.
次に、治療計画支援装置１で利用する機械学習モデルの学習時の概念について図２を参照して説明する。
図２は、学習前の機械学習モデル２１０に対する学習用データの入力を示す。学習用データは、第１の治療計画時に得られる各種情報と、第１の治療終了後の治療効果や副作用発生の情報との組である。
Next, the concept at the time of learning the machine learning model used in the treatment plan support device 1 will be described with reference to FIG.
FIG. 2 shows the input of learning data to the machine learning model 210 before learning. The learning data is a set of various information obtained at the time of the first treatment planning and information on the treatment effect and the occurrence of side effects after the completion of the first treatment.
機械学習モデル２１０には、第１の治療計画時における、治療計画情報２０１、ＣＴ画像特徴量２０３および患者関連情報２０５が入力データとして入力される。治療計画情報２０１は、治療計画情報に含まれる項目は、例えば、治療部位や放射線の線量分布、放射線の照射角度や照射回数などの照射方法、放射線の治療条件が挙げられる。ＣＴ画像特徴量２０３は、第１の治療計画を立てる場合に用いたＣＴ画像についての輝度値またはＣＴ値、形状、テクスチャ、統計量などの数値データを想定する。なお、ＣＴ画像は、治療計画を立てる場合に放射線治療開始前に撮影されるマルチスライスＣＴ画像である。患者関連情報２０５は、例えば患者の年齢、性別、治療部位、体型情報、ガンのステージ情報、既往歴、および患者の家族の病例などが挙げられる。 The treatment plan information 201, the CT image feature amount 203, and the patient-related information 205 at the time of the first treatment plan are input to the machine learning model 210 as input data. The items included in the treatment plan information 201 include, for example, a treatment site, a radiation dose distribution, an irradiation method such as an irradiation angle and an irradiation frequency, and radiation treatment conditions. The CT image feature amount 203 assumes numerical data such as a brightness value or a CT value, a shape, a texture, and a statistic of the CT image used when making a first treatment plan. The CT image is a multi-slice CT image taken before the start of radiotherapy when making a treatment plan. The patient-related information 205 includes, for example, the age, sex, treatment site, body type information, cancer stage information, medical history, and patient's family disease cases.
一方、機械学習モデル２１０の学習に使われる正解データは、第１の予後情報２０７である。第１の予後情報２０７は、第１の治療計画に基づいて、上述した予後の情報を含み、すなわち患者に副作用が発生したか否かの副作用に関する情報、および、腫瘍の大きさが縮小したか、現状維持なのか、または再発したかといった治療効果に関する情報を含む。第１の予後情報２０７としては、第１の治療計画に基づいて患者に対して放射線治療を行い、当該患者を経過観察することで得られる予後の情報を用いればよい。 On the other hand, the correct answer data used for learning the machine learning model 210 is the first prognosis information 207. The first prognosis information 207 includes the above-mentioned prognosis information based on the first treatment plan, that is, information on side effects of whether or not the patient has side effects, and whether the tumor size has been reduced. Includes information on therapeutic effects such as whether the status quo or recurrence. As the first prognosis information 207, the prognosis information obtained by performing radiotherapy on a patient based on the first treatment plan and observing the patient may be used.
メモリ１３は、ある患者の治療計画の事例から生成された学習用データを記憶する。つまり、メモリ１３は、第１の治療計画に基づいて患者を放射線治療する際の治療計画情報２０１、ＣＴ画像特徴量２０３および患者関連情報２０５を入力データとし、当該患者に関する予後情報２０７を正解データとした１組の学習用データを記憶すればよい。 The memory 13 stores learning data generated from a case of a treatment plan of a patient. That is, the memory 13 uses the treatment plan information 201, the CT image feature amount 203, and the patient-related information 205 when radiating the patient based on the first treatment plan as input data, and the prognosis information 207 regarding the patient as correct answer data. It suffices to store one set of training data.
学習機能１１７により処理回路１１が、モデル学習プログラムに従い、学習用データを用いて機械学習モデル２１０を機械学習し、学習済みモデルを生成する。機械学習モデル２１０としては、ニューラルネットワーク、ディープラーニング、Random Forest、サポートベクタマシンまたはカーネル回帰等を想定するが、これに限らず他の機械学習モデルであってもよい。 By the learning function 117, the processing circuit 11 machine-learns the machine learning model 210 using the learning data according to the model learning program, and generates a learned model. The machine learning model 210 is assumed to be a neural network, deep learning, Random Forest, a support vector machine, kernel regression, or the like, but is not limited to this, and other machine learning models may be used.
なお、学習済みモデルは、例えば工場出荷時において予め用意した学習用データに基づいて機械学習モデル２１０を学習させることで生成してもよいし、工場出荷時には未学習の状態で、出荷先（例えば病院）において、治療計画支援装置１が医用情報サーバに接続することで当該学習用データを取得し、取得した学習用データに基づいて、学習機能１１７により機械学習モデル２１０を学習させてもよい。さらに、学習機能１１７により、新たに生成した学習用データに基づいて学習済みモデルを更新できるようにしてもよい。 The trained model may be generated by training the machine learning model 210 based on the learning data prepared in advance at the time of shipment from the factory, or may be generated at the time of shipment from the factory in an unlearned state (for example, the shipping destination (for example) In a hospital), the treatment planning support device 1 may acquire the learning data by connecting to the medical information server, and the machine learning model 210 may be trained by the learning function 117 based on the acquired learning data. Further, the learning function 117 may be able to update the trained model based on the newly generated training data.
次に、治療計画支援装置１で利用する学習済みモデルの利用時の概念について図３を参照して説明する。
図２の機械学習により得られた学習済みモデル３０７の利用時には、第２の治療計画を想定した治療計画情報３０３と、第１の治療計画に基づく放射線治療中に撮影したＣＢＣＴ画像特徴量３０５と、第１の治療計画時の患者関連情報２０５とが、学習済みモデル３０７に入力される。
Next, the concept at the time of using the trained model used in the treatment plan support device 1 will be described with reference to FIG.
When the trained model 307 obtained by the machine learning of FIG. 2 is used, the treatment plan information 303 assuming the second treatment plan and the CBCT image feature amount 305 taken during the radiotherapy based on the first treatment plan , Patient-related information 205 at the time of the first treatment planning is input to the trained model 307.
ここで生成機能１１３により処理回路１１が、第１の治療計画時の治療計画情報２０１と、第１の治療計画に基づく放射線治療中のＣＢＣＴ画像３０１とを用いて第２の治療計画を想定した治療計画情報３０３を生成する。具体的には、ＣＢＣＴ画像３０１を治療計画用のＣＴ画像とみなし、第１の治療計画情報２０１において考慮した腫瘍の大きさなどの画像特徴量（パラメータ）や照射位置を決める輪郭情報をＣＢＣＴ画像３０１に基づいて更新することで、第２の治療計画を想定した治療計画情報３０３が生成されればよい。輪郭情報の更新には、第１の治療計画時のＣＴ画像とＣＢＣＴ画像３０１とのレジストレーション（画像の位置合わせ）を用いても良い。なお、第２の治療計画は、第２の治療計画を生成する直前の第１の治療計画に沿った治療状況（放射線の積算照射量など）を勘案し、第１の治療計画における残りの照射量を元に計画される。
ＣＢＣＴ画像特徴量３０５は、例えば、生成機能１１３により、ＣＴ画像特徴量２０３と同様の特徴量をＣＢＣＴ画像３０１から算出することで生成される。
Here, the processing circuit 11 assumes a second treatment plan by the generation function 113 using the treatment plan information 201 at the time of the first treatment plan and the CBCT image 301 during the radiotherapy based on the first treatment plan. Generate treatment plan information 303. Specifically, the CBCT image 301 is regarded as a CT image for treatment planning, and the image feature amount (parameter) such as the size of the tumor considered in the first treatment planning information 201 and the contour information that determines the irradiation position are the CBCT image. By updating based on 301, the treatment plan information 303 assuming the second treatment plan may be generated. For updating the contour information, registration (alignment of images) between the CT image and the CBCT image 301 at the time of the first treatment planning may be used. In the second treatment plan, the remaining irradiation in the first treatment plan is taken into consideration in consideration of the treatment situation (accumulated radiation dose, etc.) in line with the first treatment plan immediately before the generation of the second treatment plan. Planned based on quantity.
The CBCT image feature amount 305 is generated, for example, by calculating the feature amount similar to the CT image feature amount 203 from the CBCT image 301 by the generation function 113.
このように、機械学習モデルを学習させた入力データの種類は変えずに、入力データの値を第２の治療計画情報３０３に関するデータとすることで、学習済みモデル３０７自体は第１の治療計画に基づく第１の予後情報２０７の予測結果を出力するように学習されているものの、学習済みモデル３０７からの出力として、結果的に第２の治療計画における予後予測情報３０９（以下、第２の予後予測情報３０９）を出力することができる。
なお、本実施例では第２の治療計画を想定した第２の治療計画情報３０３を用いて、第２の治療計画における予後予測情報３０９を出力することを説明したが、第２の治療計画情報３０３の代わりに第１の治療計画情報２０１を学習済みモデル３０７に入力することで、第１の治療計画での治療を継続した場合の、予後予測情報を出力することができる。
In this way, by using the value of the input data as the data related to the second treatment plan information 303 without changing the type of the input data trained by the machine learning model, the trained model 307 itself is the first treatment plan. Although it is trained to output the prediction result of the first prognosis information 207 based on the above, as an output from the trained model 307, as a result, the prognosis prediction information 309 in the second treatment plan (hereinafter, the second Prognosis prediction information 309) can be output.
In this embodiment, it has been explained that the prognosis prediction information 309 in the second treatment plan is output by using the second treatment plan information 303 assuming the second treatment plan, but the second treatment plan information. By inputting the first treatment plan information 201 into the trained model 307 instead of the 303, it is possible to output the prognosis prediction information when the treatment in the first treatment plan is continued.
次に本実施形態に係る治療計画支援装置１の動作例について図４のフローチャートを参照して説明する。
ステップＳ４０１では、ＣＴ撮影装置（図示せず）により、治療計画用のＣＴ画像を撮影する。
ステップＳ４０２では、ステップＳ４０１で撮影したＣＴ画像に基づいて、第１の治療計画が立てられる。なお、第１の治療計画については、生成機能により処理回路１１が第１の治療計画を設計してもよいし、外部（例えば、治療計画装置）で設計されてもよい。
第１の治療計画が立てられた後、当該第１の治療計画に沿って患者に対する治療が実施される。ここでは、患者が病院に来院し、治療室に入ったとする（ステップＳａ）。
ステップＳ４０３では、ＣＴ撮影装置により、当該放射線治療を実施する前のＣＢＣＴ画像が撮影される。
Next, an operation example of the treatment plan support device 1 according to the present embodiment will be described with reference to the flowchart of FIG.
In step S401, a CT image for treatment planning is taken by a CT imaging device (not shown).
In step S402, a first treatment plan is made based on the CT image taken in step S401. Regarding the first treatment plan, the processing circuit 11 may design the first treatment plan by the generation function, or may be designed externally (for example, a treatment planning device).
After the first treatment plan is made, the patient is treated according to the first treatment plan. Here, it is assumed that the patient visits the hospital and enters the treatment room (step Sa).
In step S403, the CT imaging device captures a CBCT image before performing the radiotherapy.
ステップＳ４０４では、第１の治療計画に基づき、その日分の放射線治療が実施される。例えば、１日何分間の所定線量の照射を、何日おきに何回実施するといった計画に沿って行われる。なお、治療計画情報は、放射線治療装置（図示せず）に伝送される。放射線治療装置は、治療計画に従い放射線を患者の腫瘍に対して照射する。
ステップＳ４０５では、ユーザからのAdaptive RTの適用可能性の判断指示があるか否かが判定される。例えば、取得機能１１１により、ユーザからのAdaptive RTのために治療計画を立て直す指示、またはユーザからAdaptive RTを適用した方が良いのかどうかを検討するための予後予測実行指示を取得した場合に、Adaptive RTの適用可能性の判断指示があったと判定すればよい。ユーザからの判断指示があればステップＳ４０７に進み、ユーザからのAdaptive RTの適用可能性の判断指示がなければステップＳ４０６に進む。
In step S404, radiation therapy for the day is performed based on the first treatment plan. For example, irradiation of a predetermined dose for several minutes a day is performed according to a plan such as how many times every other day. The treatment plan information is transmitted to a radiotherapy device (not shown). The radiation therapy device irradiates the patient's tumor with radiation according to the treatment plan.
In step S405, it is determined whether or not there is an instruction from the user to determine the applicability of Adaptive RT. For example, when the acquisition function 111 acquires an instruction from the user to redesign the treatment plan for Adaptive RT, or an instruction from the user to determine whether or not Adaptive RT should be applied, the prognosis prediction execution instruction is acquired. It may be determined that there is an instruction to determine the applicability of RT. If there is a judgment instruction from the user, the process proceeds to step S407, and if there is no judgment instruction from the user regarding the applicability of Adaptive RT, the process proceeds to step S406.
ステップＳ４０６では、第１の治療計画に基づく放射線治療が終了したか、つまり第１の治療計画により計画される規定回数の放射線照射を終了したかどうかが判定される。例えば、処理回路１１が、規定回数に対する放射線照射回数の情報を取得し、規定回数と放射線照射回数とが一致していれば、規定回数の放射線照射が終了したと判定すればよい。規定回数の放射線照射が終了した場合は、処理を終了し、規定回数の放射線照射が終了していない場合は、次の治療のためステップＳａに戻り、第１の治療計画に基づく放射線治療を継続する。 In step S406, it is determined whether the radiation therapy based on the first treatment plan has been completed, that is, whether or not the predetermined number of irradiations planned by the first treatment plan has been completed. For example, the processing circuit 11 may acquire information on the number of times of irradiation with respect to the specified number of times, and if the specified number of times and the number of times of irradiation match, it may be determined that the specified number of times of irradiation has been completed. When the specified number of irradiations is completed, the treatment is completed, and if the specified number of irradiations is not completed, the patient returns to step Sa for the next treatment and continues the radiation therapy based on the first treatment plan. To do.
ステップＳ４０７では、予測機能１１５により処理回路１１が、Adaptive RTを適用するか否かを判定するために、予後予測が実施される。具体的には、予測機能１１５により処理回路１１は、ユーザからの指示の直前に実施された放射線治療の際に撮影されたＣＢＣＴ画像に基づいて、第２の治療計画を想定した治療計画情報を生成する。予測機能１１５により処理回路１１は、第１の治療計画に基づく治療計画情報、ＣＴ画像特徴量および患者関連情報を学習済みモデルに入力し、学習済みモデルの出力として第１の予後予測情報を得る。また、予測機能１１５により処理回路１１は、第２の治療計画に基づく治療計画情報、ステップＳ４０３で取得したＣＢＣＴ画像に関するＣＢＣＴ画像特徴量および患者情報を学習済みモデルに入力し、学習済みモデルの出力として第２の予後予測情報とを取得する。 In step S407, the prediction function 115 performs prognosis prediction in order to determine whether or not Adaptive RT is applied by the processing circuit 11. Specifically, the processing circuit 11 by the prediction function 115 provides treatment plan information assuming a second treatment plan based on the CBCT image taken during the radiotherapy performed immediately before the instruction from the user. Generate. With the prediction function 115, the processing circuit 11 inputs the treatment plan information, the CT image feature amount, and the patient-related information based on the first treatment plan into the trained model, and obtains the first prognosis prediction information as the output of the trained model. .. Further, the processing circuit 11 inputs the treatment plan information based on the second treatment plan, the CBCT image feature amount and the patient information regarding the CBCT image acquired in step S403 into the trained model by the prediction function 115, and outputs the trained model. As a result, the second prognosis prediction information is acquired.
ステップＳ４０８では、提示機能１１９により処理回路１１が、第１の予後予測情報と第２の予後予測情報とを提示する。第１の予後予測と第２の予後予測との提示は、例えばディスプレイに表示することを想定するが、これに限らず音声で通知してもよいし、ハードコピーされ紙媒体で出力されてもよい。 In step S408, the processing circuit 11 presents the first prognosis prediction information and the second prognosis prediction information by the presentation function 119. The presentation of the first prognosis prediction and the second prognosis prediction is assumed to be displayed on a display, for example, but the present invention is not limited to this, and may be notified by voice or may be hard-copied and output on a paper medium. Good.
ステップＳ４０９では、処理回路１１が、Adaptive RTを適用するか否かの指示を取得する。言い換えれば、ユーザがAdaptive RTを適用するため、例えばディスプレイに表示されるAdaptive RTの文字または決定ボタンをタッチするあるいは操作ボタンを押下することにより発生する指示信号に基づき、処理回路１１は、Adaptive RTを適用する指示を取得した（第２の治療計画が選択された）と判定する。Adaptive RTを適用する指示を取得した場合はステップＳ４１０に進み、Adaptive RTを適用する指示を取得しない、すなわちAdaptive RTが適用されない場合はステップＳ４０６に戻り、処理を繰り返す。
なお、治療計画支援装置１がAdaptive RTを適用するか否かを自動的に判定してもよい。例えば、処理回路１１が、第１の予後予測情報と第２の予後予測情報とに基づいて、第２の予後予測情報が第１の予後予測情報よりも結果が良好な場合（例えば、副作用の発生確率が閾値以下の場合）に、Adaptive RTを適用すると判定し、ユーザにAdaptive RTの適用を推奨する旨を提示してもよい。
In step S409, the processing circuit 11 acquires an instruction as to whether or not Adaptive RT is applied. In other words, in order for the user to apply Adaptive RT, the processing circuit 11 is based on an instruction signal generated by, for example, touching the character of Adaptive RT displayed on the display or pressing the enter button or pressing the operation button. It is determined that the instruction to apply is obtained (the second treatment plan has been selected). If the instruction to apply Adaptive RT is acquired, the process proceeds to step S410, and if the instruction to apply Adaptive RT is not acquired, that is, if Adaptive RT is not applied, the process returns to step S406 and the process is repeated.
In addition, whether or not the treatment plan support device 1 applies Adaptive RT may be automatically determined. For example, when the processing circuit 11 bases on the first prognosis prediction information and the second prognosis prediction information, the result of the second prognosis prediction information is better than that of the first prognosis prediction information (for example, of side effects). When the occurrence probability is less than or equal to the threshold value), it may be determined that Adaptive RT is applied, and the user may be suggested to apply Adaptive RT.
ステップＳ４１０では、生成機能１１３により処理回路１１が、第１の治療計画から第２の治療計画に切り換える。その後、第２の治療計画に基づいて放射線治療が実施される。なお、第２の治療計画は、ステップＳ４０７で用いたＣＢＣＴ画像に基づく第２の治療計画として想定した治療計画情報を用いてもよいし、新たに治療計画用としてマルチスライスＣＴ画像を撮影し、当該マルチスライスＣＴ画像に基づいて第２の治療計画を立ててもよい。 In step S410, the generation function 113 switches the processing circuit 11 from the first treatment plan to the second treatment plan. Radiation therapy is then performed based on the second treatment plan. For the second treatment plan, the treatment plan information assumed as the second treatment plan based on the CBCT image used in step S407 may be used, or a multi-slice CT image is newly taken for the treatment plan. A second treatment plan may be made based on the multi-slice CT image.
なお、図４のフローチャートでは、ユーザの指示をトリガとして予後予測を実施することを想定するが、バックグラウンドで自動的に予後予測を実施してもよい。 In the flowchart of FIG. 4, it is assumed that the prognosis is predicted by using the user's instruction as a trigger, but the prognosis may be automatically predicted in the background.
予後予測をバックグラウンドで実施する場合の治療計画支援装置の動作例について図５のフローチャートを参照して説明する。ステップＳ４０１〜ステップＳ４０４，ステップＳ４０６，ステップＳ４０８〜ステップＳ４１０については図４と同様の処理であるので説明を省略する。 An operation example of the treatment plan support device when prognosis prediction is performed in the background will be described with reference to the flowchart of FIG. Since steps S401 to S404, step S406, and steps S408 to S410 are the same processes as those in FIG. 4, description thereof will be omitted.
ステップＳ５０１では、予測機能１１５により処理回路１１が、ステップＳ４０３における放射線治療前のＣＢＣＴ画像を用いて、例えば、放射線照射用のＣＢＣＴ画像が撮影される度に、当該ＣＢＣＴ画像を用いて第１の予後予測および第２の予後予測を実施し、第１の予後予測情報および第２の予後予測情報をそれぞれ得る。 In step S501, the processing circuit 11 uses the CBCT image before the radiotherapy in step S403 by the prediction function 115, and for example, every time a CBCT image for irradiation is taken, the first CBCT image is used. The prognosis prediction and the second prognosis prediction are performed, and the first prognosis prediction information and the second prognosis prediction information are obtained, respectively.
ステップＳ５０２では、例えば予測機能１１５により処理回路１１が、第１の予後予測情報および第２の予後予測情報を提示するか否かを判定する。例えば、第１の予後予測と第２の予後予測との差分が閾値以上である場合に第１の予後予測情報および第２の予後予測情報を提示すると判定されればよい。具体的には、予後予測が副作用の発生確率である場合、２つの発生確率の差分が閾値以上（例えば、１５％以上）である場合に、第１の予後予測情報及び第２の予後予測情報を提示する。または、第１の予後予測よりも第２の予後予測の方が結果が好ましい場合（副作用の発生確率が低いなど）に、第１の予後予測情報及び第２の予後予測情報を提示すると判定されてもよい。さらには、第１の予後予測情報及び第２の予後予測情報のうちの少なくともどちらか一方が、予後予測が閾値以下、例えば副作用の発生確率が閾値以下となった場合に、第１の予後予測情報および第２の予後予測情報を提示すると判定されてもよい。
第１の予後予測情報および第２の予後予測情報を提示すると判定された場合、ステップＳ４０８に進む。一方、第１の予後予測の方が第２の予後予測よりも状況が好ましい場合は、このまま第１の治療計画に基づいて治療を進めればよいため、ステップＳ４０６に戻り処理を繰り返す。
In step S502, for example, the prediction function 115 determines whether or not the processing circuit 11 presents the first prognosis prediction information and the second prognosis prediction information. For example, when the difference between the first prognosis prediction and the second prognosis prediction is equal to or greater than the threshold value, it may be determined that the first prognosis prediction information and the second prognosis prediction information are presented. Specifically, when the prognosis prediction is the occurrence probability of a side effect, and when the difference between the two occurrence probabilities is equal to or more than a threshold value (for example, 15% or more), the first prognosis prediction information and the second prognosis prediction information To present. Alternatively, when the result of the second prognosis prediction is preferable to the first prognosis prediction (such as when the probability of occurrence of side effects is low), it is determined that the first prognosis prediction information and the second prognosis prediction information are presented. You may. Furthermore, when at least one of the first prognosis prediction information and the second prognosis prediction information has a prognosis prediction below the threshold value, for example, the probability of occurrence of side effects is below the threshold value, the first prognosis prediction information It may be determined to present information and second prognostic information.
If it is determined to present the first prognosis prediction information and the second prognosis prediction information, the process proceeds to step S408. On the other hand, when the situation is preferable to the first prognosis prediction than the second prognosis prediction, the treatment can be proceeded based on the first treatment plan as it is, so that the process returns to step S406 and the process is repeated.
なお、予後予測の結果に限らず、予後予測の実施後は常に第１の予後予測情報および第２の予後予測情報を提示するようにしてもよいし、所定回数の治療が完了するごと（例えば、２回ごと、５回ごと）に第１の予後予測および第２の予後予測を提示するようにしてもよい。 Not limited to the result of prognosis prediction, the first prognosis prediction information and the second prognosis prediction information may be always presented after the execution of the prognosis prediction, and every time a predetermined number of treatments are completed (for example, The first prognosis prediction and the second prognosis prediction may be presented every two times (every two times, every five times).
次に、予後予測情報の第１の提示例について図６を参照して説明する。
図６は、第１の予後予測における副作用の発生確率と、Adaptive RTを適用した場合の第２の予後予測における副作用の発生確率とを表示させる例である。図６の例では、第１の予後予測を＜重篤な副作用発生確率＞として表示しており、治療後３ヶ月での重篤な肺臓炎の発生確率が「８７％」である。一方、第２の予後予測を＜Adaptive RTを適用した場合＞として表示しており、治療後３ヶ月での重篤な肺臓炎の発生確率が「６５％」である。よってこの場合、Adaptive RTを適用した方が副作用の発生確率が低くなることが分かる。これにより、治療計画支援装置のユーザは、提示された２つの発生確率を参照して、Adaptive RTを適用するか否かを容易に判断することができる。
Next, a first presentation example of the prognosis prediction information will be described with reference to FIG.
FIG. 6 is an example of displaying the probability of occurrence of a side effect in the first prognosis prediction and the probability of occurrence of a side effect in the second prognosis prediction when Adaptive RT is applied. In the example of FIG. 6, the first prognosis prediction is displayed as <probability of occurrence of serious side effects>, and the probability of occurrence of serious pneumonitis 3 months after treatment is "87%". On the other hand, the second prognosis prediction is displayed as <when Adaptive RT is applied>, and the probability of serious pneumonitis occurring 3 months after treatment is "65%". Therefore, in this case, it can be seen that the probability of side effects occurring is lower when Adaptive RT is applied. This allows the user of the treatment planning support device to easily determine whether or not to apply Adaptive RT by referring to the two probabilities presented.
次に、予後予測情報の第２の提示例について図７を参照して説明する。
図７は、第１の予後予測情報と第２の予後予測情報とのうち、予測結果が良好な予後予測のみを提示するようにする。すなわち、例えば、第２の予後予測の方が第１の予後予測よりも副作用の発生確率が低ければ、Adaptive RTを適用した場合である第２の予後予測のみを提示する。一方、第１の予後予測の方が第２の予後予測よりも副作用の発生確率が低ければ、第１の予後予測のみを提示する。
Next, a second presentation example of the prognosis prediction information will be described with reference to FIG. 7.
FIG. 7 presents only the prognosis prediction with a good prediction result among the first prognosis prediction information and the second prognosis prediction information. That is, for example, if the second prognosis prediction has a lower probability of occurrence of side effects than the first prognosis prediction, only the second prognosis prediction when Adaptive RT is applied is presented. On the other hand, if the first prognosis prediction has a lower probability of occurrence of side effects than the second prognosis prediction, only the first prognosis prediction is presented.
なお、処理回路１１は、第１の予後予測のほうが第２の予後予測よりも副作用の発生確率が低ければ、現状の治療計画のまま治療を進めればよいため、予後予測情報の提示を行わずともよい。また、処理回路１１は、第２の予後予測のほうが第１の予後予測よりも副作用の発生確率が低い場合に第２の予後予測を提示してもよく、さらに、ユーザにAdaptive RTの適用を推奨する旨のメッセージ（または音声など）を行ってもよい。
図７に示す別例によれば、ユーザは２つの予後予測を比較することなく、提示された１つの予後予測に基づいて、Adaptive RTの適用判断を行うことができる。
If the first prognosis prediction has a lower probability of occurrence of side effects than the second prognosis prediction, the processing circuit 11 presents prognosis prediction information because the treatment can be proceeded with the current treatment plan. It doesn't have to be. Further, the processing circuit 11 may present the second prognosis prediction when the second prognosis prediction has a lower probability of occurrence of side effects than the first prognosis prediction, and further, the application of Adaptive RT to the user may be applied. You may send a message (or voice, etc.) to the effect that it is recommended.
According to another example shown in FIG. 7, the user can make an application decision of Adaptive RT based on one presented prognostic prediction without comparing two prognostic predictions.
以上に示した第１の実施形態によれば、第１の治療計画に基づく治療を実施中に撮影されるＣＢＣＴ画像に基づいて、Adaptive RTを適用した場合の第２の治療計画を想定した予後予測を学習済みモデルを用いて生成する。すなわち、再度治療計画用のＣＴ画像を撮像することなく、第２の治療計画に基づく予後予測を得ることが可能になる。これによって、医師などのユーザは、Adaptive RTを適用すると予後予測がどのように変化するかを容易に把握することができる。また、第２の治療計画に基づく予後予測を得る際に再度ＣＴ画像を撮像する必要がないので、患者の負担を軽減することも可能である。よって、ユーザがAdaptive RTに関して精通したものでなくとも提示される結果から正確かつ容易に、治療計画を変更の是非について判断することができる。結果として、より適切な治療計画を立てることができ、患者のＱＯＬも向上させることができる。すなわち、治療期間中のAdaptive RTの適用判断を高精度かつ容易に支援できる。 According to the first embodiment shown above, the prognosis assuming the second treatment plan when Adaptive RT is applied based on the CBCT image taken during the treatment based on the first treatment plan. Generate predictions using a trained model. That is, it is possible to obtain a prognosis prediction based on the second treatment plan without taking a CT image for the treatment plan again. This allows users such as doctors to easily understand how the prognostic prediction changes when Adaptive RT is applied. Further, since it is not necessary to take a CT image again when obtaining the prognosis prediction based on the second treatment plan, it is possible to reduce the burden on the patient. Therefore, even if the user is not familiar with Adaptive RT, it is possible to accurately and easily judge whether or not to change the treatment plan from the results presented. As a result, a more appropriate treatment plan can be made and the patient's QOL can be improved. That is, it is possible to easily and accurately support the decision to apply Adaptive RT during the treatment period.
（第２の実施形態）
第２の実施形態では、第１の実施形態に係る治療計画支援装置の実装例として、治療計画装置に第１の実施形態に係る治療計画支援装置を含めた例を図８のブロック図に示す。なお、第２の実施形態では、治療計画支援装置を治療計画装置に搭載する例を示すが、これに限らず、放射線治療情報管理システム（ＯＩＳ：Oncology Information System）、および治療装置に搭載されてもよい。
(Second Embodiment)
In the second embodiment, as an implementation example of the treatment plan support device according to the first embodiment, an example in which the treatment plan support device according to the first embodiment is included in the treatment plan device is shown in the block diagram of FIG. .. In the second embodiment, an example in which the treatment planning support device is mounted on the treatment planning device is shown, but the present invention is not limited to this, and is mounted on the radiotherapy information management system (OIS: Oncology Information System) and the treatment device. May be good.
図８に示すように、第２の実施形態に係る治療計画装置２は、処理回路１１、画像処理回路５０、通信インタフェース（ＩＦ）６０、ディスプレイ７０、入力インタフェース（ＩＦ）８０およびメモリ９０を有する。処理回路１１、画像処理回路５０、通信インタフェース６０、ディスプレイ７０、入力インタフェース８０及びメモリ９０は、互いにバスを介して通信可能に接続されている。 As shown in FIG. 8, the treatment planning apparatus 2 according to the second embodiment includes a processing circuit 11, an image processing circuit 50, a communication interface (IF) 60, a display 70, an input interface (IF) 80, and a memory 90. .. The processing circuit 11, the image processing circuit 50, the communication interface 60, the display 70, the input interface 80, and the memory 90 are communicably connected to each other via a bus.
処理回路１１は、治療計画支援装置１に含まれる各機能を実現する。
患者情報データベース３０は、複数の患者の患者情報を記憶するデータベースである。患者情報は、患者基本情報と治療結果情報とを含む。患者基本情報は、患者を特定するための基本的な情報であり、例えば、患者ＩＤ、患者名、性別及び年齢の項目を含む。治療結果情報は、患者に実際に施された治療の結果に関する情報である。
The processing circuit 11 realizes each function included in the treatment planning support device 1.
The patient information database 30 is a database that stores patient information of a plurality of patients. The patient information includes basic patient information and treatment result information. The basic patient information is basic information for identifying a patient, and includes, for example, items of patient ID, patient name, gender, and age. The treatment result information is information about the result of the treatment actually given to the patient.
画像処理回路５０は、ハードウェア資源として、ＣＰＵやＧＰＵ等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。画像処理回路５０は、治療計画画像に種々の画像処理を施す。例えば、画像処理回路５０は、３次元の治療計画画像にボリュームレンダリングや、サーフェスボリュームレンダリング、画像値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理等の３次元画像処理を施して表示用の２次元の医用画像を生成する。なお、画像処理回路５０は、上記画像処理を実現可能なＡＳＩＣやＦＰＧＡ、ＣＰＬＤ、ＳＰＬＤにより実現されても良い。 The image processing circuit 50 has a processor such as a CPU and a GPU and a memory such as a ROM and a RAM as hardware resources. The image processing circuit 50 performs various image processing on the treatment plan image. For example, the image processing circuit 50 performs three-dimensional image processing such as volume rendering, surface volume rendering, image value projection processing, MPR (Multi-Planer Reconstruction) processing, and CPR (Curved MPR) processing on a three-dimensional treatment plan image. To generate a two-dimensional medical image for display. The image processing circuit 50 may be realized by an ASIC, FPGA, CPLD, or SPLD that can realize the above image processing.
通信インタフェース６０は、図示しない有線又は無線を介して、放射線治療装置や画像保存通信システム（ＰＡＣＳ：Picture Archiving and Communication System）、病院情報システム（ＨＩＳ：Hospital Information System）、放射線科情報システム（ＲＩＳ：Radiology Information System）、放射線治療情報管理システム（ＯＩＳ：Oncology Information System）等との間でデータ通信を行う通信インタフェースを有する。 The communication interface 60 includes a radiological treatment device, a picture archiving and communication system (PACS), a hospital information system (HIS), and a radiological information system (RIS:) via a wired or wireless device (not shown). It has a communication interface for data communication with the Radiology Information System), Oncology Information System (OIS), and the like.
ディスプレイ７０は、種々の情報を表示する。具体的には、ディスプレイ７０は、表示インタフェース回路と表示機器とを有する。表示インタフェース回路は、表示対象を表すデータを映像信号に変換する。映像信号は、表示機器に供給される。表示機器は、表示対象を表す映像信号を表示する。表示機器としては、例えば、ＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ、ＬＥＤディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイが適宜利用可能である。 The display 70 displays various information. Specifically, the display 70 has a display interface circuit and a display device. The display interface circuit converts data representing a display target into a video signal. The video signal is supplied to the display device. The display device displays a video signal representing the display target. As the display device, for example, a CRT display, a liquid crystal display, an organic EL display, an LED display, a plasma display, or any other display known in the art can be appropriately used.
入力インタフェース８０は、具体的には、入力機器と入力インタフェース回路とを有する。入力機器は、ユーザからの各種指令を受け付ける。入力機器としては、キーボードやマウス、各種スイッチ等が利用可能である。入力インタフェース回路は、入力機器からの出力信号をバスを介して処理回路１１に供給する。 Specifically, the input interface 80 includes an input device and an input interface circuit. The input device receives various commands from the user. As an input device, a keyboard, a mouse, various switches and the like can be used. The input interface circuit supplies the output signal from the input device to the processing circuit 11 via the bus.
メモリ９０は、種々の情報を記憶するＨＤＤやＳＳＤ、集積回路記憶装置等の記憶装置である。例えば、メモリ９０は、学習前の機械学習モデル、学習済みモデル、学習用データを記憶する。ハードウェアとしてメモリ９０は、ＣＤ−ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であっても良い。 The memory 90 is a storage device such as an HDD, an SSD, or an integrated circuit storage device that stores various information. For example, the memory 90 stores a machine learning model before learning, a trained model, and learning data. As hardware, the memory 90 may be a drive device or the like that reads and writes various information to and from a portable storage medium such as a CD-ROM drive, a DVD drive, or a flash memory.
以上に示した第２の実施形態によれば、治療計画支援装置を治療計画装置に搭載することで、第１の実施形態と同様に、Adaptive RTを適用すると予後予測がどのように変化するかをより正確に判断し、必要がある場合は治療計画を変更することができる。 According to the second embodiment shown above, how the prognosis prediction changes when the Adaptive RT is applied by mounting the treatment planning support device on the treatment planning device as in the first embodiment. Can be judged more accurately and the treatment plan can be changed if necessary.
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Although some embodiments of the present invention have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These novel embodiments can be implemented in various other embodiments, and various omissions, replacements, and changes can be made without departing from the gist of the invention. These embodiments and modifications thereof are included in the scope and gist of the invention, and are included in the scope of the invention described in the claims and the equivalent scope thereof.
１ 治療計画支援装置
２ 治療計画装置
１１ 処理回路
１３ メモリ
３０ 患者情報データベース
５０ 画像処理回路
６０ 通信インタフェース
７０ ディスプレイ
８０ 入力インタフェース
９０ メモリ
１１１ 取得機能
１１３ 生成機能
１１５ 予測機能
１１７ 学習機能
１１９ 提示機能
２０１，３０３ 治療計画情報
２０３ ＣＴ画像特徴量
２０５ 患者関連情報
２０７ 予後情報
２１０ 機械学習モデル
３０１ ＣＢＣＴ画像
３０５ ＣＢＣＴ画像特徴量
３０７ 学習済みモデル
３０９ 予後予測情報
1 Treatment planning support device 2 Treatment planning device 11 Processing circuit 13 Memory 30 Patient information database 50 Image processing circuit 60 Communication interface 70 Display 80 Input interface 90 Memory 111 Acquisition function 113 Generation function 115 Prediction function 117 Learning function 119 Presentation function 201,303 Treatment plan information 203 CT image feature amount 205 Patient-related information 207 Prognosis information 210 Machine learning model 301 CBCT image 305 CBCT image feature amount 307 Trained model 309 Prognosis prediction information
Claims (12)
前記第１の治療計画に関する情報と、前記第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第２の治療計画に関する情報を生成する生成部と、
を具備する治療計画支援装置。 The acquisition department that acquires information on the first treatment plan related to radiation therapy,
A generation unit that generates information on the second treatment plan by using the information on the first treatment plan and the medical image acquired when performing the radiotherapy based on the first treatment plan.
A treatment planning support device equipped with.
前記第１の治療計画に関する情報と、前記第１の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第２の治療計画に関する情報を生成する、治療計画支援方法。 Get information about the first treatment plan for radiation therapy
A treatment plan support method for generating information on a second treatment plan using the information on the first treatment plan and the medical image acquired when performing radiotherapy based on the first treatment plan. ..
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019030621A JP7412083B2 (en) | 2019-02-22 | 2019-02-22 | Treatment planning support device and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019030621A JP7412083B2 (en) | 2019-02-22 | 2019-02-22 | Treatment planning support device and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020130790A true JP2020130790A (en) | 2020-08-31 |
| JP7412083B2 JP7412083B2 (en) | 2024-01-12 |
Family
ID=72277063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019030621A Active JP7412083B2 (en) | 2019-02-22 | 2019-02-22 | Treatment planning support device and method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7412083B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114849089A (en) * | 2022-06-08 | 2022-08-05 | 上海联影医疗科技股份有限公司 | Radiotherapy guiding method and system |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009502252A (en) * | 2005-07-22 | 2009-01-29 | トモセラピー・インコーポレーテッド | Method and system for adapting a radiation therapy treatment plan based on a biological model |
| JP2009533782A (en) * | 2006-04-17 | 2009-09-17 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | Personal prognostic modeling in medical planning |
| JP2013012025A (en) * | 2011-06-29 | 2013-01-17 | Fujifilm Corp | Medical examination support system, method, and program |
| JP2015512670A (en) * | 2012-02-21 | 2015-04-30 | コーニンクレッカ フィリップス エヌ ヴェ | Adaptive radiotherapy using spectral imaging and tracking of tissues of interest |
| JP2018514021A (en) * | 2015-03-10 | 2018-05-31 | エレクタ、インク.Elekta, Inc. | Adaptive treatment management system including workflow management engine |
| JP2018522683A (en) * | 2015-08-13 | 2018-08-16 | シリス メディカル インコーポレイテッドＳｉｒｉｓ Ｍｅｄｉｃａｌ，Ｉｎｃ． | Radiation therapy treatment plan based on results |
-
2019
- 2019-02-22 JP JP2019030621A patent/JP7412083B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009502252A (en) * | 2005-07-22 | 2009-01-29 | トモセラピー・インコーポレーテッド | Method and system for adapting a radiation therapy treatment plan based on a biological model |
| JP2009533782A (en) * | 2006-04-17 | 2009-09-17 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | Personal prognostic modeling in medical planning |
| JP2013012025A (en) * | 2011-06-29 | 2013-01-17 | Fujifilm Corp | Medical examination support system, method, and program |
| JP2015512670A (en) * | 2012-02-21 | 2015-04-30 | コーニンクレッカ フィリップス エヌ ヴェ | Adaptive radiotherapy using spectral imaging and tracking of tissues of interest |
| JP2018514021A (en) * | 2015-03-10 | 2018-05-31 | エレクタ、インク.Elekta, Inc. | Adaptive treatment management system including workflow management engine |
| JP2018522683A (en) * | 2015-08-13 | 2018-08-16 | シリス メディカル インコーポレイテッドＳｉｒｉｓ Ｍｅｄｉｃａｌ，Ｉｎｃ． | Radiation therapy treatment plan based on results |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114849089A (en) * | 2022-06-08 | 2022-08-05 | 上海联影医疗科技股份有限公司 | Radiotherapy guiding method and system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7412083B2 (en) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111356930B (en) | Method and system for locating anatomical landmarks of a predefined anatomical structure | |
| US10645259B2 (en) | Machine learning based real-time radiation dose assessment | |
| WO2018119766A1 (en) | Multi-modal image processing system and method | |
| US10672128B2 (en) | Online learning enhanced atlas-based auto-segmentation | |
| US20130222415A1 (en) | Calculation of a medical image using templates | |
| JP2019121390A (en) | Diagnosis support device, diagnosis support system and diagnosis support program | |
| US11626209B2 (en) | Diagnosis support apparatus, diagnosis support system, diagnosis support method, and non-transitory storage medium | |
| WO2020216307A1 (en) | Method, system and device for acquiring radiological image, and storage medium | |
| US20190214138A1 (en) | Diagnosis support apparatus, diagnosis support system, and diagnosis support method | |
| EP3748648A1 (en) | Artificial intelligence dispatch in healthcare | |
| US20220399107A1 (en) | Automated protocoling in medical imaging systems | |
| JP7412083B2 (en) | Treatment planning support device and method | |
| JP2018005317A (en) | Medical data processing device, terminal device, information processing method, and system | |
| JP7412191B2 (en) | Imaging condition output device and radiation therapy device | |
| US11056241B2 (en) | Radiotherapy planning apparatus and clinical model comparison method | |
| JP7330665B2 (en) | Treatment planning device and clinical model comparison method | |
| JP6843892B2 (en) | Clustering of anatomical or physiological state data | |
| US20240037739A1 (en) | Image processing apparatus, image processing method, and image processing program | |
| WO2022209500A1 (en) | Machine-learning model creation assistance device, operation method of machine-learning model creation assistance device, and operation program of machine-learning model creation assistance device | |
| US20230094690A1 (en) | Incorporating clinical and economic objectives for medical ai deployment in clinical decision making | |
| CN111275762B (en) | System and method for patient positioning | |
| JP7368592B2 (en) | Document creation support device, method and program | |
| JP6838971B2 (en) | Medical image storage device and medical image storage system | |
| US20240136068A1 (en) | Method and device for providing medical prediction by using artificial intelligence model | |
| EP4315239A2 (en) | Using radiation dose information for automatic organ segmentation model training |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211216 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221031 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230106 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230106 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230411 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230606 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230627 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230927 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20231004 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231128 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7412083 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |