CN101422640A - 优化放射治疗射束强度分布的多目标优化方法和系统 - Google Patents

Abstract

本发明公开了一种优化放射治疗射束强度分布的多目优化方法和系统，该方法包括：优化模型的建立，用于将计划设计者的要求及临床限制转化为优化的数学模型；改进的快速非支配多目遗传算法进行多目标优化，用来优化每个射束的强度分布图。本发明的系统包括：数据输入模块，优化模型建立模块，多目标优化模块，数据输出模块。本发明不仅准确的建立优化问题的数学模型，求解速度快，而且多目标优化一次优化可以得到多个非劣解，计划设计者可以从中挑选满足需求的最优解。

Description

优化放射治疗射束强度分布的多目标优化方法和系统

技术领域

本发明涉及优化放射治疗射束强度分布的多目标优化方法和系统。

背景技术

调强放射治疗(intensity modulated radiation therapy，IMRT)是21世纪放射治疗技术发展的一个热点。在调强放疗中，通过调节射束剖面上的小射束的强度分布，使高剂量区覆盖靶区，同时靶区附近的危及器官或其它正常组织得到很好保护。射束剖面上的单元野强度分布需要由逆向治疗计划给出。逆向治疗计划指：计划设计者给出靶区所需剂量和周围正常组织剂量限制，建立相应目标函数和约束条件，由优化算法来调整射束剖面上的照射强度分布，使得靶区的吸收剂量满足计划设计者的要求，而且周围正常组织的吸收剂量尽可能地小，由此得到最优的照射强度分布。这是一个包含一组目标函数和约束条件的多目标优化的问题，同时由于优化过程中涉及到的变量多达上千甚至数千个，因而是一个大规模多目标优化问题。

在IMRT中，通常是将各个目标函数进行加权求和来作为一个总的目标函数，再运用各种优化方法进行寻优，这样就将一个多目标优化问题转化为一个单目标优化问题，其优化的结果与各个目标函数的权重的选择密切相关，即权重越大，相应目标受到的约束越大，优化结果将更好地满足该目标的约束条件。由于通常治疗计划包含多个目标函数，且相互冲突，因而目前选择权重仍依赖于主观因素，这是一个反复试误(trial and error)的过程，这种方法不仅很繁琐，并需要相当的临床经验，通常很难作出合适的判断和选择，而且权重确定后再进行优化，往往很难得到满意的解，即使可以得到，满足一个好地剂量分布的满意解，但是在对强度分布离散化时，可能会给子野化但来很多的麻烦，甚至需要重新进行射束度的优化。

发明内容

为了克服现有技术的不足之处，保证放疗的精度，本发明的目的在于提供一种优化放射治疗射束强度分布的多目标优化方法和系统，使得该优化系统能够快速的得到满足要求的多个最优射野强度分布(非劣解集)，计划设计者可以从中选择易于实施的强度分布。因此，本发明的方法不仅可以提高放疗的精度，而且可以辅助计划设计者快速方便的获得可实施的最优强度分布，避免了计划设计者反复试误的麻烦，从而提高了计划设计者的工作效率。

本发明的技术方案如下：

一种优化放射治疗射野强度分布的多目标优化方法，其特征在于包括以下步骤：

(1)、优化模型的建立

获取计划设计者借助放疗计划系统对靶区和危及器官定义后的信息、射野设置参数和期望剂量分布信息，然后将计划设计者的期望剂量转化如下形式的优化的目标和约束条件：

$\left.\begin{array}{c}\min o{\mathrm{bj}}_1=\frac{1}{N_{{\mathrm{PTV}}^2}}\underset{i=1}{\overset{N_{\mathrm{PTV}}}{\mathrm{\Σ}}}{(d_i^{\mathrm{PTV}}-D_{\mathrm{ref}}^{\mathrm{PTV}})}^2\\ \min o{\mathrm{bj}}_2=\frac{1}{N_{\mathrm{NT}}}\underset{i=1}{\overset{N_{\mathrm{NT}}}{\mathrm{\Σ}}}{d}_i^{\mathrm{NT}}\end{array}\right\}---\left(1\right)$

$\left.\begin{array}{c}{V}_{\mathrm{PTV}}^L>\mathrm{obj}{V}_{\mathrm{PTV}}^L\\ V_{\mathrm{OAR}}^{\mathrm{Hd}}<\mathrm{obj}{V}_{\mathrm{OAR}}^{\mathrm{Hd}}\\ D_{\mathrm{avg}}^{\mathrm{OAR}}=\frac{1}{N_{\mathrm{OAR}}}\underset{i=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\&Sigma;}}}{d}_i^{\mathrm{OAR}}<{D_{\mathrm{obj}}}^{\mathrm{OAR}}\end{array}\right\}---\left(2\right)$

$d_i\left(x\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\&Sigma;}}}{a}_{\mathrm{im}}\&times;x_m---\left(3\right)$

式中，

和分别为计划靶区PTV、正常组织NT和危及器官OAR中第i个采样点的剂量计算值，由式(3)计算得到；x为待调整的射野强度分布，是一个向量；a_im为单位强度的第m个小射束对第i个点的影响，所有a_im组成的矩阵称为特征矩阵，由剂量计算方法事先计算得到。

为靶区的目标剂量值，D_obj ^OAR为危及器官平均剂量的最大值；优化的目标可以概括为：靶区计算点的剂量值接近目标剂量值，正常组织的平均剂量越小越好；

为靶区中相对剂量值大于L的相对体积的计算值，

靶区中相对剂量大于L允许的最小相对体积，这是一个剂量-体积约束，表示PTV中至少有

的体积受照剂量达剂量值L；

为危及器官中相对剂量值大于Hd的计算体积，

为危及器官中相对剂量值大于Hd允许的最大体积，这是一个剂量-体积约束，表示OAR中至多有

的体积受照剂量达剂量值Hd。

(2)、采用基于快速非支配排序的多目标遗传算法进行多目标优化，计算得到每个小射束的强度即向量x：模拟自然界生物的优胜劣汰，交叉和变异的进化过程，进化得到最优的射野强度分布x，设进化群体大小为N，即为每代有N组射野强度分布参数，最大进化代数为gen，首先随机产生N个射野强度分布作为进化的初始群体P0；则进化的过程为：

采用竞争选择的方法选择N个体进入下一代群体Pn，其步骤：从当前群体中随机选择两个个体，首先判断两个个体的可行性，即是否满足约束条件，如果两个个体中只有一个是可行解，可行解进入下一代；如果两个个体均为不可行解，则判断其偏离约束条件的程度，选择偏离约束条件小的个体进入下一代，如果两个个体偏离程度相同或两个均为可行解，比较两个个体的非支配关系，支配另一个个体的个体占优，如果两者均不被对方支配，判断两个个体的拥挤距离，拥挤距离大的个体占优，如果拥挤距离相同则随机选择一个个体进入下一代；

然后对选择得到的群体模拟生物染色体交叉和变异过程对个体进行交叉，变异操作得到新群体Qn，将新群体和交叉变异前的群体进行混合得群体大小为2N的群体Rn，采用上述竞争选择方法选择N个体作为下一次进化的群体Pn，n＝n+1；重复上述进化过程直到进化代数达到设置的代数；

最后得到使各目标相互平衡的且分布均匀的非劣解集，决策者可以从中选取满足要求的最优的强度分布。

一种优化放射治疗射束强度分布的多目标优化系统，其特征在于包括：

数据输入模块，用于从放疗系统中读取靶区和危及器官数据、射束设置参数和处方剂量；

优化模型建立模块，用于将计划设计者的处方剂量和给定的剂量-体积约束关系转化为具有多约束多目标的优化问题；

多目标优化模块，调用多目标优化算法对上述建立的多目标优化问题进行多目标优化得到满足要求的多个非劣解；

数据输出模块，将多目标优化得到的非劣解对应的目标函数值、约束条件值和射束强度分布提供给放疗系统进行可视化，辅助计划设计者进行计划的选择。

计划设计者设置好剂量分布要求，便可得到满足要求的多个解，不需要进行优化前的权重选择，不存在反复试误(trial and error)的问题。

附图说明

图1是本发明系统结构示意图。

具体实施方式

1.一种优化放射治疗射束强度分布的多目标优化方法，包括以下步骤：

(1)、优化模型的建立

已有技术中，当患者的治疗靶区和危及器官被精确确定后，治疗计划系统可以对其进行三维重建，放疗计划设计者可以借助治疗计划系统的可视化平台进行射束个数、射束大小和方向的选择，但对每个射束的强度的分布则无能为力。

本发明首先获取计划设计者借助放疗计划系统对靶区和危及器官定义后的信息、射束设置参数和期望剂量分布信息，然后将计划设计者的期望剂量转化如下形式的优化的目标和约束条件：

$\left.\begin{array}{c}\min o{\mathrm{bj}}_1=\frac{1}{N_{{\mathrm{PTV}}^2}}\underset{i=1}{\overset{n_{\mathrm{PTV}}}{\mathrm{\&Sigma;}}}{(d_i^{\mathrm{PTV}}-D_{\mathrm{ref}}^{\mathrm{PTV}})}^2\\ \min o{\mathrm{bj}}_2=\frac{1}{N_{\mathrm{VT}}}\underset{i=1}{\overset{N_{\mathrm{NT}}}{\mathrm{\&Sigma;}}}{d}_i^N\end{array}\right\}---\left(1\right)$

$\left.\begin{array}{c}{V}_{\mathrm{PTV}}^L>\mathrm{obj}{V}_{\mathrm{PTV}}^L\\ V_{\mathrm{OAR}}^{\mathrm{Hd}}<\mathrm{obj}{V}_{\mathrm{OAR}}^{\mathrm{Hd}}\\ D_{\mathrm{avg}}^{\mathrm{OAR}}=\frac{1}{N_{\mathrm{OAR}}}\underset{i=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\&Sigma;}}}{d}_i^{\mathrm{OAR}}<{D_{\mathrm{obj}}}^{\mathrm{OAR}}\end{array}\right\}---\left(2\right)$

$d_i\left(x\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\&Sigma;}}}{a}_{\mathrm{im}}\&times;x_m---\left(3\right)$

式中，

和

分别为计划靶区PTV、正常组织NT和危及器官OAR中第i个采样点的剂量计算值，由式(3)计算得到，x为待调整的射野强度分布，是一个向量，a_im为所有小射束对第i个点的影响，所有a_im组成的矩阵称为特征矩阵，由剂量计算方法事先计算得到。

为靶区的目标剂量值，D_obj ^OAR为危及器官平均剂量的最大值；优化的目标可以概括为：靶区计算点的剂量值接近目标剂量值，正常组织的平均剂量越小越好；

为靶区中相对剂量值大于L的相对体积的计算值，

靶区中相对剂量大于L允许的最小相对体积；这是一个剂量-体积约束，表示PTV中至少有

的体积受照剂量达剂量值L；

为危及器官中相对剂量值大于Hd的计算体积，

为危及器官中相对剂量值大于Hd允许的最大体积；这是一个剂量-体积约束，表示OAR中至多有

的体积受照剂量达剂量值Hd；

(2)、采用基于快速非支配排序的多目标遗传算法进行多目标优化，计算得到每个小射束的强度即向量x：模拟自然界生物的优胜劣汰，交叉和变异的进化过程，进化得到最优的射野强度分布x，设进化群体大小为N，即为每代有N组射野强度分布参数，最大进化代数为gen，首先随机产生N个射野强度分布作为进化的初始群体P0；则进化的过程为：

采用竞争选择的方法选择N个体进入下一代群体Pn，其步骤：从当前群体中随机选择两个个体，首先判断两个个体的可行性，即是否满足约束条件，如果两个个体中只有一个是可行解，可行解进入下一代；如果两个个体均为不可行解，则判断其偏离约束条件的程度，选择偏离约束条件小的个体进入下一代，如果两个个体偏离程度相同或两个均为可行解，比较两个个体的非支配关系，支配另一个个体的个体占优，如果两者均不被对方支配，判断两个个体的拥挤距离，拥挤距离大的个体占优，如果拥挤距离相同则随机选择一个个体进入下一代；

然后对选择得到的群体模拟生物染色体交叉和变异过程对个体进行交叉，变异操作得到新群体Qn，将新群体和交叉变异前的群体进行混合得群体大小为2N的群体Rn，采用上述竞争选择方法选择N个体作为下一次进化的群体Pn，n＝n+1；重复上述进化过程直到进化代数达到设置的代数；

最后得到使各目标相互平衡的且分布均匀的非劣解集，决策者可以从中选取满足要求的最优的强度分布。

2.一种优化放射治疗射束强度分布的多目标优化系统，其特征在于包括：

数据输入模块，用于从放疗系统中读取靶区和危及器官数据、射束设置参数和处方剂量；

优化模型建立模块，用于将计划设计者的处方剂量和给定的剂量-体积约束关系转化为具有多约束多目标的优化问题；

多目标优化模块，调用多目标优化算法对上述建立的多目标优化问题进行多目标优化得到满足要求的多个非劣解；

数据输出模块，将多目标优化得到的非劣解对应的目标函数值、约束条件值和射束强度分布提供给放疗系统进行可视化，辅助计划设计者进行计划的选择。

Claims (3)

1、一种优化放射治疗射野强度分布的多目标优化方法，其特征在于包括以下步骤：

(1)、优化模型的建立

获取计划设计者借助放疗计划系统对靶区和危及器官定义后的信息、射野设置参数和期望剂量分布信息，然后将计划设计者的期望剂量转化如下形式的优化的目标和约束条件：

$\left.\begin{array}{c}\min {\mathrm{obj}}_1=\frac{1}{N_{\mathrm{PT}{V}^2}}\underset{i=1}{\overset{N_{\mathrm{PTV}}}{\mathrm{\&Sigma;}}}{(d_i^{\mathrm{PTV}}-D_{\mathrm{ref}}^{\mathrm{PTV}})}^2\\ \min {\mathrm{obj}}_2=\frac{1}{N_{\mathrm{NT}}}\underset{i=1}{\overset{N_{\mathrm{NT}}}{\mathrm{\&Sigma;}}}{d}_i^{\mathrm{NT}}\end{array}\right\}---\left(1\right)$

$\left.\begin{array}{c}{V}_{\mathrm{PTV}}^L>\mathrm{obj}{V}_{\mathrm{PTV}}^L\\ V_{\mathrm{OAR}}^{\mathrm{Hd}}<\mathrm{obj}{V}_{\mathrm{OAR}}^{\mathrm{Hd}}\\ D_{\mathrm{avg}}^{\mathrm{OAR}}=\frac{1}{N_{\mathrm{OAR}}}\underset{i=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\&Sigma;}}}{d}_i^{\mathrm{OAR}}<{D_{\mathrm{obj}}}^{\mathrm{OAR}}\end{array}\right\}---\left(2\right)$

$d_i\left(x\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\&Sigma;}}}{a}_{\mathrm{im}}\&times;x_m---\left(3\right)$

式中，

和

分别为计划靶区PTV、正常组织NT和危及器官0AR中第i个采样点的剂量计算值，由式(3)计算得到；x为待调整的射野强度分布，是一个向量；a_im为单位强度的第m个小射束对第i个点的影响，所有a_im组成的矩阵称为特征矩阵，由剂量计算方法事先计算得到。

为靶区的目标剂量值，D_obj ^OAR为危及器官平均剂量的最大值；优化的目标可以概括为：靶区计算点的剂量值接近目标剂量值，正常组织的平均剂量越小越好；

为靶区中相对剂量值大于L的相对体积的计算值，

靶区中相对剂量大于L允许的最小相对体积，这是一个剂量-体积约束，表示PTV中至少有

的体积受照剂量达剂量值L；

为危及器官中相对剂量值大于Hd的计算体积，

为危及器官中相对剂量值大于Hd允许的最大体积，这是一个剂量-体积约束，表示0AR中至多有的体积受照剂量达剂量值Hd。

(2)、采用基于快速非支配排序的多目标遗传算法进行多目标优化，计算得到每个小射束的强度即向量x：模拟自然界生物的优胜劣汰，交叉和变异的进化过程，进化得到最优的射野强度分布x，设进化群体大小为N，即为每代有N组射野强度分布参数，最大进化代数为gen，首先随机产生N个射野强度分布作为进化的初始群体P0；则进化的过程为：

采用竞争选择的方法选择N个体进入下一代群体Pn，其步骤：从当前群体中随机选择两个个体，首先判断两个个体的可行性，即是否满足约束条件，如果两个个体中只有一个是可行解，可行解进入下一代；如果两个个体均为不可行解，则判断其偏离约束条件的程度，选择偏离约束条件小的个体进入下一代，如果两个个体偏离程度相同或两个均为可行解，比较两个个体的非支配关系，支配另一个个体的个体占优，如果两者均不被对方支配，判断两个个体的拥挤距离，拥挤距离大的个体占优，如果拥挤距离相同则随机选择一个个体进入下一代；

然后对选择得到的群体模拟生物染色体交叉和变异过程对个体进行交叉，变异操作得到新群体Qn，将新群体和交叉变异前的群体进行混合得群体大小为2N的群体Rn，采用上述竞争选择方法选择N个体作为下一次进化的群体Pn，n＝n+1；重复上述进化过程直到进化代数达到设置的代数；

最后得到使各目标相互平衡的且分布均匀的非劣解集，决策者可以从中选取满足要求的最优的强度分布。

2、一种优化放射治疗射束强度分布的多目标优化系统，其特征在于包括：

数据输入模块，用于从放疗系统中读取靶区和危及器官数据、射束设置参数和处方剂量；

优化模型建立模块，用于将计划设计者的处方剂量和给定的剂量-体积约束关系转化为具有多约束多目标的优化问题；

多目标优化模块，调用多目标优化算法对上述建立的多目标优化问题进行多目标优化得到满足要求的多个非劣解；

数据输出模块，将多目标优化得到的非劣解对应的目标函数值、约束条件值和射束强度分布提供给放疗系统进行可视化，辅助计划设计者进行计划的选择。

Images