CN102136041B - 治疗计划系统 - Google Patents
治疗计划系统 Download PDFInfo
- Publication number
- CN102136041B CN102136041B CN201110097643.9A CN201110097643A CN102136041B CN 102136041 B CN102136041 B CN 102136041B CN 201110097643 A CN201110097643 A CN 201110097643A CN 102136041 B CN102136041 B CN 102136041B
- Authority
- CN
- China
- Prior art keywords
- population
- target body
- volume
- plan
- evolution
- 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.)
- Active
Links
Abstract
本发明公开了一种治疗计划逆向规划方法,包括:A输入患者医学图像;B勾画患者体表、靶体、危及器官的组织轮廓;C设置逆向规划目标;D创建初始治疗计划;E设置迭代优化参数;F产生个体治疗计划;G计算个体治疗计划剂量场;H计算适应度;I选择当前最优计划;J若进化次数大于种群进化次数,转到M;否则进入下一步;K将种群进化到新一代种群,转到G;M停止种群进化并输出当前最优计划。本发明还公开了一种治疗计划系统。本发明采用计算适应度的方法来进行最优计划的选择,能加快种群的进化效率,使得优化过程高效。
Description
技术领域
本发明涉及一种放射治疗规划技术,尤其涉及放射治疗计划逆向规划方法和治疗计划系统。
背景技术
立体定向放射治疗手术或立体定向放射治疗是放射治疗中常见的两种放射治疗技术,常见的设备是基于钴-60放射源的伽玛刀和基于电子加速器的X刀。前者通常采用多个钴-60放射源聚焦照射的方式,使靶体接受高剂量的均匀照射而周围健康组织受量很低以达到控制或根除病变的目的。利用伽玛刀治疗设备实施放射治疗之前,通常需要制定出一个可接受的放射治疗计划。伽玛刀的治疗计划通常通过手工采用交互迭代的方式进行。这是一个正向规划过程,即:医生或物理师根据靶体的体积和形状,采用试错方式,逐步增加靶点数目,交互调整各靶点的位置、准直器大小以及相对权重等参数,直到最终获得一个令人满意的治疗计划。由于伽玛刀可供选择的准直器大小有限,治疗计划通常需要采用多个靶点照射,这样需要调整的参数很多,尤其是当靶体的体积较大且形状不规则,或者靶体邻近有健康组织时,这是一个非常费时的过程,同时对计划设计人员的经验和技能要求很高。
为了解决这个问题提出了治疗计划的逆向规划,即由医生或物理师预先给出放射治疗的若干目标,然后通过数学优化技术,反求出满足这些放射治疗目标的最优的治疗计划。当前治疗计划的逆向规划方法通常是预设一个初始计划,然后根据计划设计人员设定的治疗目标,通过迭代优化方式,对初始计划进行优化以获得一个最优的治疗计划。因此对于逆向规划而言,其迭代过程是否高效成为一个关键问题。
发明内容
本发明要解决的技术问题是提供一种高效的治疗计划逆向规划方法;
本发明要解决的另一技术问题是提供一种基于该规划方法的治疗计划系统。
本发明要解决的技术问题通过以下技术方案加以解决:
一种治疗计划逆向规划方法,用于在放射治疗前对患者要进行放射治疗的区域进行剂量规划,包括:
步骤A:输入患者医学图像;
步骤B:根据患者医学图像勾画患者体表、靶体、危及器官的组织轮廓;
步骤C:设置治疗计划的逆向规划目标;
步骤D:创建初始治疗计划;
步骤E:设置迭代优化参数:种群大小、种群进化次数;
步骤F:对所述初始治疗计划进行随机抖动,产生种群中的个体治疗计划;
步骤G:计算所述种群所有个体治疗计划对应的剂量场;
步骤H:根据所述剂量场和所述逆向规划目标计算个体治疗计划的适应度;
步骤I:选择适应度最大的个体治疗计划作为当前最优计划;
步骤J:若当前迭代次数大于所述种群进化次数,则转到步骤M,否则进入下一步;
步骤K:将种群进化到新一代种群,转到步骤G;
步骤M:停止迭代优化并输出最优的治疗计划。
其中所述步骤B还包括:
将所述靶体体积向外扩展预设的第一范围,形成靶体第一扩展区;将所述靶体体积在所述第一扩展区向外扩展预设的第二范围,形成靶体第二扩展区;
其中所述逆向规划目标包括:处方剂量Dp、健康组织/危及器官限制剂量Dm;
所述适应度通过下式计算:
其中,k为进化代数;a、b、c是权重因子,且a+b+c=1.0;Vt是靶体中剂量值小于Dp的体积,Vs是健康组织/危及器官中剂量值大于Dm的体积,Vp是靶体中剂量值大于Dp的体积,Vtotal是靶体、第一扩展区和第二扩展区中剂量值大于Dp的总体积,V0是单位体积。
其中所述逆向规划目标包括:处方剂量Dp、各个健康组织/危及器官限制剂量Dm(i),靶体的相对性重要性因子Ka、健康组织/危及器官的相对性重要性因子Kb和健康组织/危及器官内部重要性因子Ks,其中Ka+Kb=1,∑Ks=1;
所述适应度通过下式计算:
其中,V1为靶体中Dp包络的靶体体积,V2为Dp的体积,V3为靶体的体积,Vptv为靶体中剂量值小于处方剂量Dp的体积, 为第i个健康组织/危及器官中剂量值大于Dm(i)的体积。
其中步骤K所述进化到新一代种群包括:通过交配和/或变异进化到新一代种群。
其中步骤K所述进化到新一代种群包括:通过对当前最优计划进行扰动进化到新一代种群。
一种治疗计划系统,用于在放射治疗前对患者要进行放射治疗的区域进行剂量规划,包括设置模块、优化模块、进化模块和迭代模块,
所述设置模块用于,输入患者医学图像;根据患者医学图像勾画患者体表、靶体、危及器官的组织轮廓;设置治疗计划的逆向规划目标;创建初始治疗计划;设置迭代优化参数:种群大小、种群进化次数;对所述初始治疗计划进行随机抖动,产生种群中的个体治疗计划;
所述优化模块用于计算所述种群所有个体治疗计划对应的剂量场;根据所述剂量场和所述逆向规划目标计算个体治疗计划的适应度;选择适应度最大的个体治疗计划作为当前最优计划;
所述进化模块用于将所述种群进化到新一代种群;
所述迭代模块用于若进化次数大于所述种群进化次数,输出当前最优计划并结束;否则调用进化模块产生新一代种群,再调用优化模块进行优化。
其中所述设置模块还用于将所述靶体体积向外扩展预设的第一范围,形成靶体第一扩展区;将所述靶体体积在所述第一扩展区向外扩展预设的第二范围,形成靶体第二扩展区;
其中所述逆向规划目标包括:处方剂量Dp、健康组织/危及器官限制剂量Dm;
所述优化模块还用于通过下式计算所述适应度:
其中,k为进化代数;a、b、c是权重因子,且a+b+c=1.0;Vt是靶体中剂量值小于Dp的体积,Vs是健康组织/危及器官中剂量值大于Dm的体积,Vp是靶体中剂量值大于Dp的体积,Vtotal是靶体、第一扩展区和第二扩展区中剂量值大于Dp的总体积,V0是单位体积。
其中所述逆向规划目标包括:处方剂量Dp、各个健康组织/危及器官限制剂量Dm(i),靶体的相对性重要性因子Ka、健康组织/危及器官的相对性重要 性因子Kb和健康组织/危及器官内部重要性因子Ks,其中Ka+Kb=1,∑Ks=1;
所述优化模块还用于通过下式计算所述适应度:
其中,V1为靶体中Dp包络的靶体体积,V2为Dp的体积,V3为靶体的体积,Vptv为靶体中剂量值小于处方剂量Dp的体积, 为第i个健康组织/危及器官中剂量值大于Dm(i)的体积。
其中所述进化模块还用于通过交配和/或变异进化到新一代种群。
其中所述进化模块还用于对当前最优计划进行扰动进化到新一代种群。
由于采用了以上技术方案,使本发明具备的有益效果在于:
(1)本发明采用计算适应度的方法来进行最优计划的选择,能加快种群的进化效率,使得优化过程高效。
(2)本发明针对单个及多个健康组织/危及器官以及采用相应的适应度计算方法,能增加优化的适应性并提高优化效率。
附图说明
图1示出根据本发明治疗计划逆向规划方法的一个实施例的流程图;
图2示出根据本发明方法的一个实施例的靶体及扩展区示意图;
图3示出根据本发明治疗计划逆向规划方法的另一个实施例的流程图;
图4示出根据本发明治疗计划逆向规划方法的另一个实施例的靶体外轮廓插值示意图;
图5示出根据本发明治疗计划逆向规划方法的另一个实施例的患者3D体素模型的示意图;
图6示出根据本发明方法的一个实施例的交配前示意图;
图7示出根据本发明方法的一个实施例的交配后示意图;
图8示出根据本发明方法的一个实施例的变异前示意图;
图9示出根据本发明方法的一个实施例的变异后示意图;
图10示出根据本发明治疗计划系统的一个实施例的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
图1示出根据本发明治疗计划逆向规划方法的一个实施例的流程图,包括:
步骤102:输入患者医学图像;
步骤104:根据患者医学图像勾画患者体表、靶体、危及器官的组织轮廓;
步骤106:设置治疗计划的逆向规划目标;
步骤108:创建初始治疗计划;
步骤110:设置迭代优化参数:种群大小、种群进化次数;
步骤112:对初始治疗计划进行随机抖动,产生种群中的个体治疗计划;
步骤114:计算种群所有个体治疗计划对应的剂量场;
步骤116:根据所述剂量场和所述逆向规划目标计算个体治疗计划的适应度;
步骤118:选择适应度最大的个体治疗计划作为当前最优计划;
步骤120:若进化次数达到种群进化次数,转到步骤124;否则进入下一步;
步骤122:将种群进化到新一代种群,转到步骤114;
步骤124:停止种群进化并输出当前最优计划。
种群大小是指种群中的个体个数,例如可以设为20个,种群进化次数是指从初始算起允许进化多少代,例如可以设为10。
一种实施方式,其中步骤104还包括:将靶体体积向外扩展预设的第一范围Ex1,形成靶体第一扩展区Vex1;将靶体体积在第一扩展区Vex1向外扩展预设的第二范围Ex2,形成靶体第二扩展区Vex2,如图2所示。
一种实施方式,针对单个健康组织/危及器官,逆向规划目标包括:处方剂量Dp、健康组织/危及器官限制剂量Dm;其适应度可通过下式计算:
其中,k为进化代数;a、b、c是权重因子,且a+b+c=1.0;Vt是靶体中剂量值小于Dp的体积,Vs是健康组织/危及器官中剂量值大于Dm的体积,Vp是靶体中剂量值大于Dp的体积,Vtotal是靶体、第一扩展区Vex1和第二扩展区Vex2中剂量值大于Dp的总体积,V0是单位体积,例如是一个体素的体积。上式的第三项被称为惩罚因子。
另一种实施方式,针对多个健康组织/危及器官,逆向规划目标包括:处方剂量Dp、各个健康组织/危及器官限制剂量Dm(i)、靶体的相对性重要性因子Ka、健康组织/危及器官的相对性重要性因子Kb和健康组织/危及器官内部重要性因子Ks,其中Ka+Kb=1,∑Ks=1;其适应度通过下式计算:
其中,V1为靶体中Dp包络的靶体体积,V2为Dp的体积,V3为靶体的体积,Vptv为靶体中剂量值小于处方剂量Dp的体积, 为第i个健康组织/危及器官中剂量值大于Dm(i)的体积。
一种实施方式,步骤122可通过交配和/或变异进化到新一代种群来实现。
另一种实施方式,步骤122通过对当前最优计划进行扰动进化到新一代种群来实现。
扰动可包括随机扰动和组合扰动。
随机扰动可包括以下操作:
步骤S1:随机选择当前最优计划的靶点位置和/或准直器型号和/或权重作为第一被扰动量;
步骤S2:随机选择扰动量Δ1,Δ1小于预设的第一扰动幅度,将所述扰动量Δ1与步骤S1所选择的第一被扰动量相加;
步骤S3:重复步骤S1至S2,直到形成种群大小数目的新一代个体治疗计划。
组合扰动可包括以下操作:
步骤T1:选择当前最优计划的靶点位置、准直器型号或权重的任一种作为作为第二被扰动量;
步骤T2:随机选择扰动量Δ2,Δ2小于预设的第二扰动幅度,将所述扰动量Δ2与步骤T1所选择的第二被扰动量相加;
步骤T3:重复步骤T1至T2,直到形成种群大小数目的新一代个体治疗计划。
图3示出根据本发明治疗计划逆向规划方法的另一个实施例的流程图,其使用SGS-II型立体定向伽玛治疗系统进行放射治疗,包括:
步骤302:输入患者图像,可输入患者的CT或MRI图像序列;
步骤304:勾画患者体表、靶体、危及器官等组织轮廓;
步骤306:设置治疗计划逆向规划参数
靶体PTV处方剂量Dp:一般选择50%等剂量线
靶体弹性扩展区域限制剂量DpEx1:为靶体弹性扩展区域内的剂量限制,通常由程序预先设置,不用用户设置。
靶体限制扩展区域限制剂量DpEx2:为靶体限制扩展区域内的最大剂量限 制,通常由程序预先设置,不用用户设置。
靶体弹性扩展区域限制剂量体积比Rptv:为靶体弹性扩展区域内,剂量超过限制剂量的体积与该区域体积之比的最大限制值。
健康组织/危及器官OARs限制剂量Doar(k):为危及器官/健康组织的剂量限制
健康组织/危及器官OARs最大限制剂量Dm oar(k):为危及器官/健康组织内的最大剂量限制,即不允许超过的最大限制剂量
健康组织/危及器官OARs限制剂量体积比Roar(k):为危及器官/健康组织中,剂量超过限制剂量的体积与危及器官/健康组织体积之比的最大限制值。
靶体PTV/健康组织/危及器官OARs之间相对重要性因子Ka、Kb:0≤Ka≤1,0≤Kb≤1
健康组织/危及器官之间相对重要性因子Ks(k):0≤Ks(k)≤1,∑Ks(k)=1,K为OARs数目。
步骤308:建立患者3D体素模型;
根据用户在定位序列图像上勾画的体表、靶体、危及器官等组织外轮廓,构造患者3D体素模型。具体方法如下:
A:组织外轮廓插值
通常定位扫描时,采用的层厚或层间距比定位图像的像素尺寸大很多,为了构造患者的3D体素模型,需要定位序列图像上勾画的体表、靶体、危及器官等所有外轮廓插值。插值采用线性插值,图4所示为靶体外轮廓插值示意图。体表和危及器官等的外轮廓采用相同的方法进行插值。
B:通过体素化构造患者3D体素模型
对体表、靶体、危及器官等所有外轮廓进行插值后,将这些轮廓体素化即得到患者的3D体素模型。患者3D体素模型通常需要足够高的分辨率以确保后续治疗计划逆向规划获得好的结果。一种可选择的分辨率是采用患者定位图像的分辨率,这个分辨率一般为0.5mm-1mm。另一种方法确定分辨率的方法是由用户定制分辨率大小。例如:在SGS-II的治疗计划逆向规划中,3D体素模型的分辨率采用与剂量计算网格相同的分辨率。这样用户可以通过设置剂量计算矩阵网格的分辨率来调整3D体素模型的分辨率。
图5示出一个患者3D体素模型的示意图。
步骤310:创建初始“种子”治疗计划
“种子”治疗计划用作创建一个种群的“种子”,即一个种群可以由该“种子”计划构造出来。
“种子”治疗计划可以通过手工交互的方式建立。另一种可选方法是通过自动靶点布置技术创建。在SGS的治疗计划逆向规划中,支持上述两种创建初始治疗计划方式。
步骤312:治疗计划的逆向规划
采用并行遗传算法,通过迭代优化技术进行治疗计划的逆向规划。具体流程如下:
1.设置迭代优化参数
种群大小Np:种群中个体数目
种群进化代数Nr:种群需要进化的代数
交叉概率Pc:遗传优化中个体之间的交叉概率,一般由程序预设,不用用户设置。
变异概率Pm:遗传优化中个体变异概率,一般由程序预设,不用用户设置。
2.种群初始化
种群由若干个体组成,其中每一个个体对应一个候选的治疗计划。种群初始化就是创建一个包含若干候选治疗计划的初始种群。
A:个体治疗计划编码
一个治疗计划主要包括如下参数:靶点数目Nf、靶点位置Pk(x,y,z),靶点权重Wk,靶点准直器规格Ck等。为了适应遗传优化算法,需要对上述参数进行编码。编码方式有多种,可以采用二进制编码、实数编码或者格雷码编码等。在SGS-II逆向治疗计划规划中,采用了标准的二进制编码方法。表1给出了一个个体治疗计划的二进制编码:
表1治疗计划二进制编码示例
B:构造种群
根据前述建立的“种子”治疗计划创建初始种群。为了确保种群中个体尽量 多样化,采用随机“抖动”技术来构造初始种群。这里的随机“抖动”就是按照一定的随机概率,将对应序列中的某位进行取反。具体方法如下:
(1)将前述建立的初始治疗计划进行编码,获得一个二进制0/1序列Sb。
通过迭代方式,随机对Sb0序列进行随机“扰动”,得到若干新的二进制0/1序列S’b。每一个新序列即代表一个新个体。
(2)解码每个新序列,得到初始的种群,即若干初始治疗计划。解码过程是编码过程的逆过程。
初始种群包括“种子”治疗计划。并将该“种子”治疗计划预设为上一代种群中的最优治疗计划。
步骤314:种群剂量场并行计算
采用剂量场计算引擎计算一个种群所有个体治疗计划对应的剂量场分布。
通常,剂量场可以用一个3D剂量计算网格Dm×m×n来表示,如图2所示。一个治疗计划的3D剂量场Dp m×m×n为其所有靶点的剂量场Df m×m×n(k)叠加,
Dp m×m×n=∑Df m×m×n(k)
其中:
Dp m×m×n:为某个治疗计划的3D剂量场;
Df m×m×n(k):为第k个靶点的3D剂量场;
k:为治疗计划包含的靶点数目。
这样一个治疗计划的总的剂量计算网格数目Nd可以如下计算得到:
Nd=m×m×n×k
一个大小为Np的种群的总的剂量计算网格数目Nd可以如下计算得到:
Ng=m×m×n×k×Np
这样一个种群的剂量场可以通过Ng个剂量点的并行计算快速得到。
步骤316:种群适应度计算;
适应度反映了各个体代表的治疗计划度前述逆向规划目标的满足程度。
适应度通过下式计算:
其中,V1为靶体中Dp包络的靶体体积,V2为Dp的体积,V3为靶体的体积,Vptv为靶体中剂量值小于处方剂量Dp的体积, 为第i个健康组织/危及器官中剂量值大于Dm(i)的体积。
步骤318:种群最优个体治疗计划选择;
遍历种群个体计划,搜索适应度最大的个体治疗计划,即当前迭代中最优的治疗计划。
步骤320:判断是否达到种群进化代数Nr,是则转步骤326;否则进入下一步;
步骤322:创建新一代种群;
计算当前种群中最优个体治疗计划与上一代种群中最优个体治疗计划的差异。如果差异小于给定的预设阈值,则将“种子”治疗计划更新为当前最优治疗计划,通过当代种群的交配和/或变异操作进化生成新一代种群。
1.交配操作:
随机选择两个个体治疗计划;
采用随机数生成器生成一个随机数a,当a小于交叉概率Pc,则进行后续操作,反之退出交配操作;
随机确定交配位置k;
图6示出根据本发明一个实施例的交配前示意图,图中个体为i和j,k为交配位置。
图7示出根据本发明一个实施例的交配后示意图,图中个体i和j在k位置以后的数位进行交换,形成i’和j’,如图中黑体所示。
2.变异操作:
选择个体治疗计划;
采用随机数生成器生成一个随机数b,当b小于变异概率Pm,则进行变异操作,反之退出变异操作;
随机确定变异的位置h;
将个体h位置的二进制编码取反;
图8示出根据本发明一个实施例的变异前示意图;图9示出根据本发明一个实施例的变异后示意图。
步骤324:把经过交配和/或变异后的种群作为当前种群,转步骤314;
步骤326:停止迭代并输出当前最优计划。
图10示出根据本发明治疗计划系统的一个实施例的结构示意图,用于在放射治疗前对患者要进行放射治疗的区域进行剂量规划,包括设置模块、优化模块、进化模块和迭代模块,
设置模块用于,输入患者医学图像;根据患者医学图像勾画患者体表、靶体、危及器官的组织轮廓;设置治疗计划的逆向规划目标;创建初始治疗计划;设置迭代优化参数:种群大小、种群进化次数;对初始治疗计划进行随机抖动, 产生种群中的个体治疗计划。
优化模块用于计算种群所有个体治疗计划对应的剂量场;根据剂量场和逆向规划目标计算个体治疗计划的适应度;选择适应度最大的个体治疗计划作为当前最优计划。
进化模块用于将种群进化到新一代种群;
迭代模块用于:若进化次数大于所述种群进化次数,输出当前最优计划并结束;否则调用进化模块产生新一代种群,再调用优化模块进行优化。
一种实施方式,设置模块还用于将靶体体积向外扩展预设的第一范围,形成靶体第一扩展区;将靶体体积在第一扩展区向外扩展预设的第二范围,形成靶体第二扩展区;逆向规划目标包括:处方剂量Dp、健康组织/危及器官限制剂量Dm;优化模块还用于通过下式计算所述适应度:
其中,k为进化代数;a、b、c是权重因子,且a+b+c=1.0;Vt是靶体中剂量值小于Dp的体积,Vs是健康组织/危及器官中剂量值大于Dm的体积,Vp是靶体中剂量值大于Dp的体积,Vtotal是靶体、第一扩展区和第二扩展区中剂量值大于Dp的总体积,V0是单位体积。
另一种实施方式,逆向规划目标包括:处方剂量Dp、各个健康组织/危及器官限制剂量Dm(i),靶体的相对性重要性因子Ka、健康组织/危及器官的相对性重要性因子Kb和健康组织/危及器官内部重要性因子Ks,其中Ka+Kb=1,∑Ks=1;优化模块还用于通过下式计算所述适应度:
其中,V1为靶体中Dp包络的靶体体积,V2为Dp的体积,V3为靶体的体积,Vptv为靶体中剂量值小于处方剂量Dp的体积, 为第i个健康组织/危及器官中剂量值大于Dm(i)的体积。
一种实施方式,进化模块还用于通过交配和/或变异进化到新一代种群。
另一种实施方式,进化模块还用于对当前最优计划进行扰动进化到新一代种群。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种治疗计划系统,用于在放射治疗前对患者要进行放射治疗的区域进行剂量规划,其特征在于,包括设置模块、优化模块、进化模块和迭代模块;
所述设置模块用于,输入患者医学图像;根据患者医学图像勾画患者体表、靶体、危及器官的组织轮廓;设置治疗计划的逆向规划目标;创建初始治疗计划;设置迭代优化参数:种群大小、种群进化次数;对所述初始治疗计划进行随机抖动,产生种群中的个体治疗计划;
所述优化模块用于,计算所述种群所有个体治疗计划对应的剂量场;根据所述剂量场和所述逆向规划目标计算个体治疗计划的适应度;选择适应度最大的个体治疗计划作为当前最优计划;
所述进化模块用于将所述种群进化到新一代种群;
所述迭代模块用于若进化次数大于所述种群进化次数,输出当前最优计划并结束;否则调用进化模块产生新一代种群,再调用优化模块进行优化;
其中所述设置模块还用于将所述靶体体积向外扩展预设的第一范围,形成靶体第一扩展区;将所述靶体体积在所述第一扩展区向外扩展预设的第二范围,形成靶体第二扩展区;
其中所述逆向规划目标包括:处方剂量Dp、健康组织/危及器官限制剂量Dm;
所述优化模块还用于通过下式计算所述适应度:
其中,k为进化代数;a、b、c是权重因子,且a+b+c=1.0;Vt是靶体中剂量值小于Dp的体积,Vs是健康组织/危及器官中剂量值大于Dm的体积,Vp是靶体中剂量值大于Dp的体积,Vtotal是靶体、第一扩展区和第二扩展区中剂量值大于Dp的总体积,V0是单位体积;或者,
所述逆向规划目标包括:处方剂量Dp、各个健康组织/危及器官限制剂量Dm(i),靶体的相对性重要性因子Ka、健康组织/危及器官的相对性重要性因子Kb和健康组织/危及器官内部重要性因子Ks,其中Ka+Kb=1,∑Ks=1;
所述优化模块还用于通过下式计算所述适应度:
其中,V1为靶体中Dp包络的靶体体积,V2为Dp的体积,V3为靶体的体积,Vptv为靶体中剂量值小于处方剂量Dp的体积,Vi oars为第i个健康组织/危及器官中剂量值大于Dm(i)的体积。
2.如权利要求1所述的系统,其特征在于,其中所述进化模块还用于通过交配和/或变异进化到新一代种群。
3.如权利要求1所述的系统,其特征在于,其中所述进化模块还用于对当前最优计划进行扰动进化到新一代种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110097643.9A CN102136041B (zh) | 2011-04-18 | 2011-04-18 | 治疗计划系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110097643.9A CN102136041B (zh) | 2011-04-18 | 2011-04-18 | 治疗计划系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102136041A CN102136041A (zh) | 2011-07-27 |
CN102136041B true CN102136041B (zh) | 2017-04-26 |
Family
ID=44295825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110097643.9A Active CN102136041B (zh) | 2011-04-18 | 2011-04-18 | 治疗计划系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102136041B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104025097B (zh) * | 2011-12-27 | 2017-06-13 | 皇家飞利浦有限公司 | 用于对自我护理行为进行排序的方法和系统 |
CN103083821B (zh) * | 2013-01-27 | 2015-12-23 | 合肥克瑞斯信息科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 |
CN104107062B (zh) * | 2013-04-17 | 2016-08-10 | 深圳市医诺智能科技发展有限公司 | 一种评估放射治疗效果方法及系统 |
CN105031820B (zh) * | 2015-09-01 | 2018-04-03 | 上海联影医疗科技有限公司 | 调强放疗逆向优化方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1137458A1 (en) * | 1998-10-30 | 2001-10-04 | University of Rochester | Prostate implant planning engine for radiotherapy |
EP1374949A1 (en) * | 2002-06-17 | 2004-01-02 | Nucletron B.V. | Real time radiation treatment planning system |
CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005057463A1 (en) * | 2003-12-12 | 2005-06-23 | The University Of Western Ontario | Method and system for optimizing dose delivery of radiation |
-
2011
- 2011-04-18 CN CN201110097643.9A patent/CN102136041B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1137458A1 (en) * | 1998-10-30 | 2001-10-04 | University of Rochester | Prostate implant planning engine for radiotherapy |
EP1374949A1 (en) * | 2002-06-17 | 2004-01-02 | Nucletron B.V. | Real time radiation treatment planning system |
CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和系统 |
Non-Patent Citations (2)
Title |
---|
Segment-based dose optimization using a genetic algorithm;Cristian Cotrutz 等;《Physics in Medicine and Biology》;20030903;第48卷(第18期);第2987-2998页 * |
基于遗传算法的剂量优化技术研究;周凌宏 等;《南方医科大学学报》;20070120;第27卷(第1期);第46-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102136041A (zh) | 2011-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10328282B2 (en) | System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties | |
Rodriguez et al. | PRIMO: a graphical environment for the Monte Carlo simulation of Varian and Elekta linacs | |
CN110197709A (zh) | 一种基于深度学习与先验计划的三维剂量预测方法 | |
CN100496386C (zh) | 精确放射治疗计划系统 | |
CN102247660B (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
Mao et al. | RapidBrachyDL: rapid radiation dose calculations in brachytherapy via deep learning | |
CN100432699C (zh) | 一种测量医用加速器光子束能谱的方法 | |
CN102136041B (zh) | 治疗计划系统 | |
CN105930636A (zh) | 一种自动确定目标函数权重的放射治疗方案优化系统 | |
CN110415785A (zh) | 人工智能引导放疗计划的方法及系统 | |
CN105031820A (zh) | 调强放疗逆向优化方法和装置 | |
Cao et al. | Multi-objective optimization of inverse planning for accurate radiotherapy | |
CN103083821A (zh) | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 | |
CN102481458A (zh) | 用于计算电离辐射沉积的剂量的方法 | |
CN103328044A (zh) | 用于建立辐照规划的方法和装置 | |
CN105930637A (zh) | 一种自动确定目标函数权重的放射治疗方案优化方法 | |
CN110327554A (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
Yousefi et al. | Novel Method for More Efficient Optimizing the Knowledge-Based Planning: Specific Voxels of each Structure Influenced by Dominant Beamlets (SVSIDB) | |
Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
Deng et al. | Neuro-dynamic programming for fractionated radiotherapy planning | |
CN102184319A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
CN102194054A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
Cao et al. | Continuous intensity map optimization (CIMO): a novel approach to leaf sequencing in step and shoot IMRT | |
CN102184318A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
Engel et al. | A dose optimization method for electron radiotherapy using randomized aperture beams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |