CN101663069A - 通过随机分析描绘不确定性在放疗中改进治疗计划评价 - Google Patents

通过随机分析描绘不确定性在放疗中改进治疗计划评价 Download PDF

Info

Publication number
CN101663069A
CN101663069A CN200880010853A CN200880010853A CN101663069A CN 101663069 A CN101663069 A CN 101663069A CN 200880010853 A CN200880010853 A CN 200880010853A CN 200880010853 A CN200880010853 A CN 200880010853A CN 101663069 A CN101663069 A CN 101663069A
Authority
CN
China
Prior art keywords
radiotherapy planning
processor
radiotherapy
plan
model
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.)
Pending
Application number
CN200880010853A
Other languages
English (en)
Inventor
T·维克
J·塞内加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101663069A publication Critical patent/CN101663069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1037—Treatment planning systems taking into account the movement of the target, e.g. 4D-image based planning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本申请关注使用采样技术来拓展分割的不确定性，以便对放射计划中的可变性进行评估的思想。放疗计划装置(10)生成对象感兴趣区的诊断图像数据。也可使用来自其他来源的图像数据。将所述图像数据进行分割(44)，并于以前的成像模型数据进行合并。为每个图像数据的分割产生诸如剂量体积直方图的目标度量。这些度量随后合并到所述目标度量的统计量化(图3)中。所述信息呈现(52)给用户，以便给用户放疗计划的可能结果，以及例如这些结果的置信水平。

Description

通过随机分析描绘不确定性在放疗中改进治疗计划评价
技术领域
本申请涉及放射治疗领域。其在对放射治疗的方案进行计划中具有特别的应用，并根据有关其的特定的参考而进行描述。然而将会意识到其在涉及诊断成像计划的其他治疗中也具有功效。
背景技术
在放射治疗中，射线从多个方向聚焦在肿瘤或其他目标上。理想地，所述射束将用所选的辐射剂量照射整个目标，而避免或最低限度地照射到周围的关键组织。为了计划尽可能靠近理想的放疗期，生成并分割3D诊断图像。即确定并描绘了目标、关键的周围组织、骨或其他高密度辐射吸收结构的轮廓和边界。
在放射治疗计划(放疗)中手动勾勒轮廓单调乏味且易于出错。放疗计划各方面的自动控制如在本领域中以前工作所描述的那样是所期望的。Monte Carlo技术在强度可调放疗的剂量学领域中是公知的。例如，见：Fix.M.，“Monte Carlo Models for Dosimetry in Photon Beam Radiotherapy”，Dissertation 2001，ETHZ，Zuerich。用于分割的采样算法在计算机视觉的学术界中是公知的。例如，见Isard，M.和Blake，A.“Condensation-ConditionalDensity Propagation for Visual Tracking”，International Journal of Computer Vision，vol 28(1)pp5-28。已经建议使用采样算法来分析(心脏)功能参数中的不确定性。例如，见授予J.Sénégas的、题目为“Stochastic Analysis ofCardiac Function”的国际公开WO 2005/071615A1。更多的努力已经投入到精确的自动和/或半自动分割算法的研发中。然而，不能确定在勾勒轮廓中需要如何的精确以及在描绘中稍微的变化对所述计划会产生多大的影响。结果，为了评价从给定计划中获得的度量，必须拓展分割(描绘)中的不确定性。
即使可得到对目标器官的完美描绘，为了评价所述计划，也要考虑治疗期间由于器官运动(诸如呼吸)引起的误差、设置误差(例如用于治疗的患者定位)、剂量学的计算(例如，各Hounsfield值中的误差或者需要计算剂量的其他患者或放射治疗设备所依赖的参数中的误差)以及输送的不准确性。在下文中，本申请的说明书关注于描绘的不确定性，除此以外前述各种不确定性也能以相同的方式进行解决。
通过对从计划的剂量分布中得到的不同度量(例如，累积剂量体积直方图(DVHs)、等剂量曲线、剂量分布统计等)进行研究，评价放疗中的治疗计划。然而，这些度量忽略了轮廓勾勒中的不确定性和不准确性。因此，在计划所依据的初始轮廓中存在小变化的情况下，度量(例如，目标计划体积中的最小剂量)可能发生相当大地变化。这种变化在报告给放射肿瘤学家或其他临床医生或保健提供者的度量中可能反映不出来。即使自动分割算法正在日益发展的情况下，由于前述效果导致的其余不确定性，仍会影响治疗计划的质量。治疗计划的评价需要反映这些不确定性，从而最终改进所述治疗计划。
发明内容
本申请为放疗计划提供了新的和改进的方法和装置，其克服了上面提到的问题以及其他问题。
根据一个方面，提供了一种对放射治疗制定计划的方法。创建患者体内的目标结构的初始描绘。根据所述目标的初始描绘创建最佳的放疗计划。生成最佳放疗计划多个备选的描绘。为每种备选的分割(保持确定的计划)产生诸如剂量体积直方图的目标度量。从各备选描绘的目标度量中计算目标度量的统计量，诸如均值和标准偏差。给用户显示所述目标度量统计量。
根据另一方面，提供了一种放疗计划装置。计划图像数据存储器存储在创建对象放疗计划中所用的对象诊断图像。模型数据库含有感兴趣区的以前构建的模型，诸如器官统计形状模型。放疗计划处理器根据对象的图像和至少一个感兴趣区的模型构建放疗计划。最后，显示器给放疗计划装置的用户显示所述放疗计划的至少一个方面。一种装置提供了新的最优化标准，从而优化所述治疗计划。例如，用户可准备两套计划，并优选平均起来性能最佳、或具有最少极端错误结果或具有最好90％置信区间的其中一套。
根据另一方面，提供了一种肿瘤治疗方法。将目标结构进行初始分割，界定所述目标结构的轮廓。根据所述目标结构的初始分割计算初始治疗计划。为分割目标结构的每部分计算目标度量。为整个目标结构计算目标度量的统计量。请求用户批准所述初始治疗计划。在所述计划批准后，用批准的计划治疗所述目标结构。
一个优势在于放疗计划的改进评价。
另一优势在于量化组织轮廓勾勒和放疗中的不确定性。
另一优势在于拓展分割的不确定性，以便评价放疗计划中的可变性。
在阅读并理解了下列详细说明后，本领域技术人员将会意识到本发明其他别的优势。
附图说明
本发明将采取不同的组件和组件安排的形式，以及不同的步骤和步骤安排的形式。各附图仅为了阐述各优选的实施例，不能解释为限制本发明。
图1是根据本申请的放疗计划设备的图解阐述；
图2是根据本申请的放疗计划创建中各步骤的流程图；
图3是示范性直方图范围显示。
具体实施方式
通过计算剂量分布度量的概率分布，放疗计划可说明器官轮廓勾勒中内在的不确定性、由于器官运动、患者定位和输送不准确造成的剂量分布中内在的不确定性以及剂量分布计算中内在的不确定性。这相当大地改善了计划的评价和比较。例如，目标体积中最小剂量是50±10格雷(均值±标准偏差)的计划将比目标体积中最小剂量是48±2格雷的计划差。即，后一计划中用至少45格雷碰撞目标的概率较高。此外，这种分析给出了有关自动分割算法(例如，关于精度)必要条件的重要信息。
当为患者规划放疗时，通常患者接收较长时段上(大约几周)定期(例如，每天)施予的大剂量辐射。由于几个原因对治疗进行这样的分布。一个原因是通过在长时期内分布所述剂量，减少系统冲击和对健康组织的间接损害。另外，它给身体一个对死亡的目标细胞进行新陈代谢的机会，更好地使剩余的目标细胞暴露于辐射。在治疗期间，将患者置于放疗设备的瞄准区域。该设备有时候称之为线性加速器或“直线性加速器”。对于患者相对于放疗设备的位置而言，最多只知道给定的准确性。而且，在定位后患者的运动和/或目标器官的运动是可能的。结果，输送给目标器官的剂量会不同于最佳计算的剂量。例如，对于在左右方向上随呼吸一同运动的肿瘤而言，用前后射束进行的治疗比用侧向射束进行的治疗将会导致更差的目标覆盖。这一误差来源是通过例如在配准的4D CT图像基础上对呼吸运动进行建模造成的。所述设备通常施予X线射束，但是根据诊断，其他形式的高能、电离和穿透辐射或加速粒子也是合适的，诸如伽马射线、电子、阿尔法粒子、质子等。将射线发射器安装在可移动的扫描架上，以便给患者提供具有恰当角度的宽弧发射器。对象支撑平台优选由辐射透过材料制造，使得直线性加速器还能从患者的下方以及上方实施治疗。
在放射治疗期间，使用通向目标的几个进路角度。这能够使治疗期内对患者施予的总剂量在与所述目标相交的几个进路上进行分布。这使向目标施予的辐射最大，而对沿所述进路的健康组织的间接损害最小。根据患者的特殊需求，所述辐射发射器可与对象特定准直器进行准直，所述对象特定准直器进行准直将射束限制成一定的几何形状或将射束分成几个更小的“子束波”的。对于每个进路的角度可使用不同的准直器，因为根据目标和任何邻近辐射敏感组织的大小和形状，每个视图可具有所述目标稍微不同的轮廓视图。用于辐射发射的角度中的其他误差导致了剂量分布中的不准确。
参考图1，在对患者施予辐射治疗之前，患者首先经受为其特定疾病指定最佳治疗策略的计划操作。放疗计划通常在与实际放疗设备分离的场所进行。这能够使所述放疗设备不受干扰地操作，增大患者的通过量。放疗计划通常在远离放疗机器实际位置的分离成像套间中进行。然而，还在对已经成形的放疗计划的细微调整中利用适应性计划。在已经为患者创建计划、但在辐射治疗实际开始之前，物理上将患者带到治疗套间。为了方便，这一般恰好发生在他们首次安排的治疗之前。在患者位于直线性加速器的情况下，拍摄一幅或多幅所述区域的低功耗投影图像。这些图像用于校验所述放疗计划，并对所述放疗计划进行微小调整，从而说明患者定位中的微小差异、由于制定计划导致患者解剖结构中的微小变化等。类似地，放疗计划可按照正在进行的治疗进行调整。例如，照射后的肿瘤在放射治疗过程中常常萎缩。在整个治疗中定期拍摄投影图像可用于校验所述治疗的功效，并可能根据新的肿瘤形状改变射束宽度或形状。
通常，使用一个或多个成像模态(例如，CT、X射线、MRI、PET)10生成在计划操作中使用的支架12上的患者图像。常见地，不止使用一个模态，以及使用融合图像来完善所述放疗计划。这些模态在物理上可位于计划套间内，但也可位于它们自己指定的套间内。例如，CT扫描器在物理上可位于计划套间内，但是如果放射肿瘤学家需要来自不同模态的附加图像以帮助制定计划，则这些图像也可在其他地方产生。在需要之前，可将计划图像存储在计划图像存储器14中。任选地，图像组合处理器16可将来自不同模态的图像进行融合，以产生混合图像。PET/CT组合图像是混合图像的一个示例，但可以理解多个图像合并是可能的。常常，图像的组合借助于配准算法来实现，其易于出错。所述混合图像常常在有关肿瘤计划中的使用是有益的，因为多种模态的好处能够使目标更明确，使其与周围组织形成对照。目标在预治疗计划中界定的越好，其轮廓确定地就越精确以及关于剂量、射束几何形状、进路等的治疗计划就越准确。
然后计划图像由放疗计划处理器20进行分析。最终结果给放射肿瘤学家提供治疗计划，并且所述治疗计划可被肿瘤学家按照适用来同意、修改或拒绝。放疗计划处理器20的更详细讨论如下。
一旦肿瘤学家确定所述治疗计划，可使用以前生成和勾勒的图像或通过一组补充的患者图像对所述计划进行检验。患者位于放射治疗设备或模拟器中。在降低的功率操作下，在每个建议的角度投影射线束。探测器位于患者的另一侧以生成阴影图，即沿每个建议射束角生成兆电子伏(MeV)图像或投影图像。该阴影图用于对各射束角和横截面进行精细调整。对所述各角度和横截面进行标记以便在随后的治疗期中使用。在每个治疗期前或期间使用阴影图进行检验和精细调节。
可确定输送给经分割的器官的剂量。但是输送给所述目标的剂量精度取决于分割目标轮廓所用的精度。此外，输送的剂量精度受治疗期间器官运动的影响、受辐射期间患者实际位置的影响，以及受辐射系统输送精度的影响。它还取决于剂量计算系统所用其他输入参数(诸如Hounsfield值)的精度。得到源自剂量分布的度量的概率密度是期望的。所述概率密度反映了由于器官轮廓勾勒中的不确定性和其他前述不确定性导致的可变性。剂量分布度量的统计量可从所述概率密度中进行计算。所述可计算的概率密度包括均值和标准偏差、剂量的分位数(1％、5％、中间、95％、99％)、剂量的置信区间等。这些密度可作为图形或数字展现。它们也可作为叠置于诊断图像上的彩色绘图展现。为了计算治疗计划的概率密度，分割处理器24首先对计划图像进行分割。所述分割优选在贝叶斯分割框架内进行，在所述框架中通过轮廓的先验模型(例如器官模型)和计划图像本身的概率模型(观察模型)来描述所描绘轮廓的不确定性。在授予McNutt等人的美国专利6,735,277以及授予Kaus等人的共同未决的临时申请60/807,531中描述了可能的分割框架。可将这些器官模型和概率模型存储在模型数据库22中，并在分割处理器24需要时检索。
在对计划图像进行分割后，计划计算处理器25对治疗计划进行计算，并由目标度量处理器26创建目标度量，例如剂量体积直方图。一般在贝叶斯分割框架内，各种当前的自动分割方法利用概率模型。一般而言，随分割精度的增加，得到的剂量目标度量在置信度上也将提高。在该框架中，给定用于分割的计划图像的分割器官概率模型是期望的。这样，使用贝叶斯框架、先验和似然模型，概率模型生成器28生成概率模型。该概率模型也称之为后验概率。将有关器官/肿瘤/目标体积的知识嵌入到分割形状的先验模型中，其例如可在模型数据库24的基础上由先验模型处理器30得出。此外，在给定分割形状下的观察(图像)的似然模型由似然模型处理器31进行阐明。如果将来自几种模态的图像用于制定计划中，则所述似然模型考虑所有可得到的图像，以及有可能说明由于图像组合导致的误差，诸如配准误差。将先验模型和似然模型进行组合以形成后验概率模型。
其次，样本生成器32从以前生成的概率模型中生成样本。这确保直接考虑了有关分割的内在不确定性。可将样本生成器32生成的每个样本理解为似然分割。即，存在所述分割将表示实际状况的不可忽略的概率。可使用不同的方法(诸如重要性采样或马尔可夫链)来生成遵从所述概率模型的样本。见Doucet等人的“Sequential Monte Carlo in Practice”，Springer，2001；和Gilks等人的“Markov Chains Monte Carlo in Practice”，Chapman and Hall，1996。例如，在重要性采样中，从先验模型中直接采集所述样本并根据所述似然模型进行加权。此外，对生成的样本可能进行修改以考虑别的误差，诸如辐射散射、运动、设置误差、剂量学和输送的不准确性。这优选由误差核算处理器33来执行。例如，通过为每个样本增加随机扰动(诸如随机平移、旋转等)，可考虑由于患者定位和/或偏移以及器官运动造成的误差。这种随机扰动可由作为误差核算处理器一部分的概率模型进行描述。每个生成的分割存储在分割存储器34中。对于每个生成的样本，由目标度量处理器26计算所述目标度量(例如，剂量体积直方图(DVH)的分位数)。这得到所述目标度量的样本。在这一阶段可说明剂量输送或剂量计算中的不确定性。这可通过使用描述每个所涉及参数(诸如Hounsfield值或辐发射的进路角度)的精度的概率模型来实现。生成遵从所述参数概率模型的数值，并且对于这些数值的每一个而言，计算当前样本的对应剂量分布。从所述剂量分布中，获得目标度量的样本。最后，将所有目标度量的样本反馈给统计处理器47，从而计算直方图(或任何其他统计描述符)。这被称为Monte Carlo积分。所述直方图或其他描述符反映了由于分割中的不确定性导致的目标度量中的可变性。可在显示设备54上给用户显示该描述符。
现在参考图2，所述放疗计划将通过参考流程图进行描述。获得目标40(即，肿瘤、存在风险的器官等)的初始描绘。优选地，这可自动进行，诸如通过使用执行上述分割步骤的算法进行，但在备选方案中，它也可由临床医生通过定点设备用手对区域进行轮廓勾画来手动实现。从该初始轮廓勾勒中，使用恰当的计划软件计算42最佳放疗计划。之后，使用上述概率模型，生成44备选分割的总体。每个样本与概率相结合。从轮廓的初始自动描绘中执行所述采样。在45说明其他误差，诸如辐射散射、运动、设置误差、剂量学和输送的不准确性。这由误差核算处理器33来执行，其相应地修改所述样本。对于每个样本而言，根据初始放疗计划计算46任何合适的目标度量(诸如DVH)。从所述目标度量的样本总体中，由统计处理器47计算体现这一度量的合适的统计量(诸如平均目标度量48)，以及所述目标度量的置信区间。还可估计目标器官中的最小剂量在给定水平以下的概率，或者风险器官中最大剂量在给定阈值50之上的概率。这一附加信息最终在显示器54上以图表的方式52呈现给临床医生。
图3表现了该信息的示范性显示。将两条曲线呈现给临床医生。第一曲线60代表剂量最小值，即根据本放疗计划所述目标区域将接受的最小射线量。第二曲线62代表所述目标区域将接受的最大射线量。所述曲线考虑了由于在诊断图像中进行器官轮廓勾勒所造成的可能不准确性，以及由误差核算处理器33分析的其他不准确性。给用户的输出可采用图3的曲线形式，或者叠置于器官诊断图像上的剂量分布统计图的形式等。目标结构的累积剂量体积直方图介于最小和最大曲线60，62之间将是期望的。临床医生可根据这些统计量决定所述计划是否能够接受。此外，在统计假设检验的基础上可计算不同的计划。例如，临床医生可研究由所述计划某些方面稍微地变化产生的统计差异。临床医生可调整所选的进路轨迹、角度、器官轮廓勾勒的方法等。通过改变这些部件，统计剂量概率同样将稍微地发生改变。通过研究所述计划中的细微调节，统计假设可帮助临床医生在各备选计划之间进行选择。例如，临床医生可从统计上评估一个计划是否明显比另一个计划好(安全、更有效、更得力等)。
在备选方案中，治疗计划可根据生成的轮廓进行调整。在从初始分割中计算治疗计划并评估所述计划的可行性之后，可结合反馈循环来计算/选择具有更低可变性的治疗计划。同样，生成的样本以类似于模拟退火的方式用于治疗计划的优化中。
即使创建放疗计划的整个操作是优选自动进行，但是对所述计划的批准还是在于放射肿瘤学家或其他健康护理人员。肿瘤学家能够接受所述计划、修改所述计划或拒绝所述计划。假设所述各项计算严重地依赖于各基础诊断图像，则肿瘤学家可能希望采用患者新的图像，以试图生成更令人满意的放疗计划。
参考各优选实施例已经对本发明进行了描述。在阅读并理解了前面详细描述后，其他人能够想到多种修改或变更。本发明拟解释为包括所有这种修改和变更，只要它们落在附加权利要求或其等同物的范围内。

Claims (30)

1、一种对放射治疗制定计划的方法，包括：
生成患者体内的目标结构的初始描绘；
根据所述目标的所述初始描绘创建最佳的放疗计划；
创建所述目标的多个备选描绘；
针对每个备选描绘产生目标度量；
根据所述备选描绘的所述目标度量计算至少一个统计量；
向用户显示所述统计量。
2、如权利要求1所述的方法，还包括：
通过计算剂量超过给定阈值的概率来评估治疗计划的可行性。
3、如权利要求2所述的方法，还包括：
根据所述至少一个统计量，调整所述治疗计划以创建更加可行的治疗计划。
4、如权利要求1所述的方法，还包括：
说明在计算输送剂量、器官运动、设置参数、患者定位和辐射散射中的至少一种中的误差。
5、如权利要求1所述的方法，其中，创建多个备选描绘的步骤包括：
使每个描绘与概率相关联。
6、如权利要求1所述的方法，其中，生成初始描绘的步骤包括：
用户手动定义所述初始描绘。
7、如权利要求1所述的方法，其中，生成初始描绘的步骤包括：
用自动或半自动分割算法生成所述初始描绘。
8、如权利要求7所述的方法，其中，所述自动分割算法基于目标的先验模型和在给定所述目标下图像数据的似然模型而利用所述目标的知识。
9、如权利要求7所述的方法，其中，所述分割算法使后验分布最大化。
10、如权利要求9所述的方法，其中，从所述后验分布中生成样本。
11、如权利要求1所述的方法，其中，计算所述目标度量的至少一个统计量的步骤包括：
对所述备选描绘的所述目标度量的值取平均，以获得平均目标度量；
计算所述目标度量的标准偏差、分位数和置信区间；以及
在所计算的目标度量上执行统计检验。
12、如权利要求11所述的方法，其中，显示步骤包括为所述至少一个统计量进行显示图形、显示数值、显示平均剂量等轮廓线的覆盖图、显示最小剂量等轮廓线和显示最大剂量等轮廓线的至少其中之一。
13、一种计算机处理器或介质，将其编程为控制处理器以执行权利要求1所述的方法。
14、一种放疗计划装置，包括执行权利要求1每个步骤的器件。
15、一种放疗计划装置，包括：
计划图像数据存储器(14)，用于存储对象的诊断图像以在为对象创建放疗计划中使用；
模型数据库(22)，其含有以前构建的感兴趣区的模型；
放疗计划处理器(20)，其基于所述对象的所述图像和至少一个所述感兴趣区的模型构建放疗计划；
显示器(54)，用于向所述放疗计划装置的用户显示所述放疗计划的至少一个方面。
16、如权利要求15所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
分割处理器(24)，其对来自所述计划图像数据存储器(14)的所述诊断图像进行分割，以生成所述目标的描绘。
17、如权利要求16所述的放疗计划装置，其中，所述分割处理器(24)在贝叶斯分割框架内执行分割运算。
18、如权利要求16所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
概率模型生成器(28)，其产生用于计算所述放疗计划的所述至少一个方面的统计量的备选分割。
19、如权利要求16所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
似然模型处理器(34)，其创建在给定的所述分割下描述用于制定计划的所述诊断图像的可变性的似然模型。
20、如权利要求19所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
概率模型生成器(28)，其根据给定的先验模型和给定的似然模型生成概率模型。
21、如权利要求20所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
样本生成器(32)，其根据所述概率模型生成样本，以说明所述分割处理中的不确定性。
22、如权利要求21所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
分割存储器(34)，其存储所述目标的每个经处理的描绘。
23、如权利要求22所述的放疗计划装置，其中，所述统计处理器(47)根据所述分割存储器(34)中存储的所有所述经处理的描绘，创建所述目标度量的统计量。
24、如权利要求15所述的放疗计划装置，其中，所述放疗计划处理器(20)包括：
误差核算处理器(33)，其说明器官运动误差、设置误差、患者定位误差、辐射散射误差和输送误差中的至少一个。
25、如权利要求15所述的放疗计划装置，其中，所述显示器(54)给用户显示由所述放疗计划处理器(20)创建的所述目标度量的统计量。
26、如权利要求15所述的放疗计划装置，还包括：
图像组合处理器(16)，其将不同的诊断图像进行组合，以形成用于所述放疗计划的混合图像。
27、如权利要求26所述的放疗计划装置，其中，所述似然模型处理器(31)说明由于所述图像组合造成的误差。
28、如权利要求26所述的放疗计划装置，其中，图像组合处理器(16)将PET和CT图像进行组合。
29、一种肿瘤治疗方法，包括：
对目标结构进行初始分割，界定所述目标结构的轮廓；
根据所述目标结构的所述初始分割计算初始治疗计划；
为经分割的目标结构的每一部分计算目标度量；
为整个目标结构计算平均目标度量的统计量；
征求用户批准所述初始治疗计划；
用批准后的计划治疗所述目标结构。
30、如权利要求29所述的方法，还包括：
根据所计算的统计量，调整所述初始治疗计划，以形成更加可行的治疗计划。
CN200880010853A 2007-03-30 2008-03-06 通过随机分析描绘不确定性在放疗中改进治疗计划评价 Pending CN101663069A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US90901307P 2007-03-30 2007-03-30
US60/909,013 2007-03-30

Publications (1)

Publication Number Publication Date
CN101663069A true CN101663069A (zh) 2010-03-03

Family

ID=39615733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880010853A Pending CN101663069A (zh) 2007-03-30 2008-03-06 通过随机分析描绘不确定性在放疗中改进治疗计划评价

Country Status (5)

Country Link
US (1) US9616247B2 (zh)
EP (1) EP2129435A1 (zh)
KR (1) KR20100016039A (zh)
CN (1) CN101663069A (zh)
WO (1) WO2008120116A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103328044A (zh) * 2011-01-18 2013-09-25 Gsi亥姆霍兹重离子研究中心有限责任公司 用于建立辐照规划的方法和装置
CN106163612A (zh) * 2013-11-28 2016-11-23 光线搜索实验室公司 基于不确定性的放疗治疗计划的方法和系统
TWI610086B (zh) * 2015-12-08 2018-01-01 Neuboron Medtech Ltd 射束的照射角度評價方法
CN108648811A (zh) * 2018-05-11 2018-10-12 南方医科大学 一种基于指征项预测的自动放疗计划质量评价方法
CN108697905A (zh) * 2016-03-09 2018-10-23 皇家飞利浦有限公司 强度调制辐射治疗中临床目标的可实现性的快速预测的预优化方法
CN110869086A (zh) * 2017-06-22 2020-03-06 反射医疗公司 生物自适应放射疗法的系统和方法
CN111182943A (zh) * 2017-10-03 2020-05-19 皇家飞利浦有限公司 近距离放射治疗处置计划的鲁棒评估
CN113262390A (zh) * 2021-06-28 2021-08-17 真实维度科技控股(珠海)有限公司 一种基于放射性粒子植入的肿瘤放疗效果评价方法

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110268339A1 (en) * 2010-04-30 2011-11-03 Lana Volokh Systems and methods for determining a location of a lesion in a breast
CN103119626B (zh) * 2010-09-17 2016-08-03 皇家飞利浦电子股份有限公司 用于辐射治疗规划的具有实时轮廓片段影响绘制的轮廓勾画
JP6210972B2 (ja) 2011-03-31 2017-10-11 リフレクション メディカル， インコーポレイテッド 放射誘導型放射線療法における使用のためのシステムおよび方法
JP2013240443A (ja) * 2012-05-18 2013-12-05 Toshiba Corp 治療計画支援装置、及び、放射線治療システム
CN104603840B (zh) 2012-07-27 2018-03-30 皇家飞利浦有限公司 剂量形变误差计算方法和系统
WO2014049595A1 (en) * 2012-09-25 2014-04-03 P-Cure Ltd. Method and apparatus for evaluating a change in radiation distribution within a target tissue
DE102013203917B4 (de) * 2013-03-07 2014-12-24 Siemens Aktiengesellschaft Vorrichtung und Verfahren zur Planung der Behandlung mit einem auf zumindest einen Zielbereich gerichteten Behandlungsstrahl
CN105142724B (zh) 2013-03-19 2018-11-06 皇家飞利浦有限公司 用于rt计划评估的视听总结系统
JP6557227B2 (ja) 2013-07-31 2019-08-07 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 治療計画の自動化
JPWO2017017721A1 (ja) * 2015-07-24 2018-01-25 三菱電機株式会社 治療計画装置
WO2017137527A1 (en) 2016-02-10 2017-08-17 Brainlab Ag Sorting the sequential arrangement of radiation treatment beams regarding well-distributed unobstructed lines of sight
JP6827730B2 (ja) * 2016-07-14 2021-02-10 キヤノンメディカルシステムズ株式会社 放射線治療計画装置、放射線治療装置及び放射線治療計画方法
WO2018093849A1 (en) 2016-11-15 2018-05-24 Reflexion Medical, Inc. Methods for radiation delivery in emission-guided radiotherapy
CN110997063B (zh) 2017-05-30 2022-04-29 反射医疗公司 用于计算放射注量的方法的放射治疗系统
US10456600B2 (en) 2017-07-26 2019-10-29 Reflexion Medical, Inc. Graphical representation of radiation therapy
DE102018215034A1 (de) * 2018-09-04 2020-03-05 Siemens Healthcare Gmbh Medizinischer Bilddatensatz für eine Radiotherapieplanung
WO2020150505A1 (en) 2019-01-16 2020-07-23 Reflexion Medical, Inc. Methods for setup corrections in radiation therapy
US11090508B2 (en) * 2019-03-08 2021-08-17 Varian Medical Systems Particle Therapy Gmbh & Co. Kg System and method for biological treatment planning and decision support
US11103727B2 (en) * 2019-03-08 2021-08-31 Varian Medical Systems International Ag Model based PBS optimization for flash therapy treatment planning and oncology information system
WO2021011207A1 (en) 2019-07-12 2021-01-21 Reflexion Medical, Inc. Multi-target treatment planning and delivery and virtual localization for radiation therapy
JP2023512214A (ja) 2020-01-28 2023-03-24 リフレクション メディカル， インコーポレイテッド 放射性核種および外部ビーム放射線療法の共同最適化
KR102365068B1 (ko) * 2020-06-17 2022-02-17 연세대학교 산학협력단 방사선 치료 장비의 환자 정도관리용 선량 평가 방법 및 시스템

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602892A (en) 1996-03-21 1997-02-11 Llacer; Jorge Method for optimization of radiation therapy planning
US5859891A (en) 1997-03-07 1999-01-12 Hibbard; Lyn Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning
US7046762B2 (en) 1999-11-05 2006-05-16 Georgia Tech Research Corporation Systems and methods for global optimization of treatment planning for external beam radiation therapy
US6438401B1 (en) * 2000-04-28 2002-08-20 Alpha Intervention Technology, Inc. Indentification and quantification of needle displacement departures from treatment plan
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
JP4509115B2 (ja) * 2003-09-29 2010-07-21 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 放射線治療を計画するための方法及び装置
AU2004279424A1 (en) * 2003-10-07 2005-04-21 Nomos Corporation Planning system, method and apparatus for conformal radiation therapy
CN1946339A (zh) * 2004-02-20 2007-04-11 佛罗里达大学研究基金会公司 用于提供适形放射治疗同时对软组织进行成像的系统
EP1622085A1 (en) * 2004-07-19 2006-02-01 Deutsches Krebsforschungszentrum Method of producing x-ray computer tomography images from limited data of an image object
EP1778353B1 (en) * 2004-08-13 2012-09-12 Koninklijke Philips Electronics N.V. Radiotherapeutic treatment plan adaptation
CA2616316A1 (en) * 2005-07-22 2007-02-01 Tomotherapy Incorporated Method and system for adapting a radiation therapy treatment plan based on a biological model

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103328044A (zh) * 2011-01-18 2013-09-25 Gsi亥姆霍兹重离子研究中心有限责任公司 用于建立辐照规划的方法和装置
CN106163612A (zh) * 2013-11-28 2016-11-23 光线搜索实验室公司 基于不确定性的放疗治疗计划的方法和系统
TWI610086B (zh) * 2015-12-08 2018-01-01 Neuboron Medtech Ltd 射束的照射角度評價方法
US10643761B2 (en) 2015-12-08 2020-05-05 Neuboron Medtech Ltd. Method for evaluating irradiation angle of beam
CN108697905A (zh) * 2016-03-09 2018-10-23 皇家飞利浦有限公司 强度调制辐射治疗中临床目标的可实现性的快速预测的预优化方法
CN108697905B (zh) * 2016-03-09 2021-04-06 皇家飞利浦有限公司 放射治疗规划设备、方法和存储介质
CN110869086A (zh) * 2017-06-22 2020-03-06 反射医疗公司 生物自适应放射疗法的系统和方法
CN111182943A (zh) * 2017-10-03 2020-05-19 皇家飞利浦有限公司 近距离放射治疗处置计划的鲁棒评估
CN108648811A (zh) * 2018-05-11 2018-10-12 南方医科大学 一种基于指征项预测的自动放疗计划质量评价方法
CN113262390A (zh) * 2021-06-28 2021-08-17 真实维度科技控股(珠海)有限公司 一种基于放射性粒子植入的肿瘤放疗效果评价方法
CN113262390B (zh) * 2021-06-28 2022-06-21 真实维度科技控股(珠海)有限公司 一种基于放射性粒子植入的肿瘤放疗效果评价方法

Also Published As

Publication number Publication date
KR20100016039A (ko) 2010-02-12
EP2129435A1 (en) 2009-12-09
WO2008120116A1 (en) 2008-10-09
US20100086183A1 (en) 2010-04-08
US9616247B2 (en) 2017-04-11

Similar Documents

Publication Publication Date Title
CN101663069A (zh) 通过随机分析描绘不确定性在放疗中改进治疗计划评价
JP2023068087A (ja) 生物学的適合放射線療法のためのシステムおよび方法
CN104548372B (zh) 放射治疗的剂量确定装置
US8238516B2 (en) Radiotherapy support apparatus
EP2785416B1 (en) Beam segment-level dose computation and temporal motion tracking for adaptive treatment planning
JP5197025B2 (ja) 放射線治療システム、放射線治療支援装置及び放射線治療支援プログラム
EP2686068B1 (en) Studying dosimetric impact of motion to generate adaptive patient-specific margins in ebrt planning
US9463336B2 (en) Benchmark system for radiation therapy planning
JP5197026B2 (ja) 放射線治療システム、放射線治療支援装置及び放射線治療支援プログラム
JP5197024B2 (ja) 放射線治療システム、放射線治療支援装置及び放射線治療支援プログラム
CN110960805A (zh) 对强度调制质子疗法执行照射时间优化的方法和装置
CN101512547A (zh) 用于预测剂量实施的方法和系统
Czerska et al. Clinical practice vs. state-of-the-art research and future visions: Report on the 4D treatment planning workshop for particle therapy–Edition 2018 and 2019
CN117651586A (zh) 针对辐射处理计划中的不确定性的剂量率稳健性分析
TWI597618B (zh) 治療計畫裝置
Knäusl et al. A review of the clinical introduction of 4D particle therapy research concepts
EP4213935A1 (en) Techniques for detecting movement during radiotherapy treatment
Martins et al. Towards real-time EPID-based 3D in vivo dosimetry for IMRT with Deep Neural Networks: A feasibility study
Voet Automation of contouring and planning in radiotherapy
Verhaegen Treatment planning for small animals
Hyytiäinen 4D dose calculation in pencil beam scanning proton therapy
Roussakis Strategies for adaptive radiotherapy: towards clinically efficient workflows
Smith Using deep learning generated CBCT contours for on-line dose assessment of prostate SABR treatments
Al-Roumi Verification of patient position during intensity modulated radiotherapy by electronic portal imaging devices using Monte Carlo techniques
Khodadadegan Radiation dose optimization for critical organs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20100303