CN102184318A - 治疗计划逆向规划方法和治疗计划系统 - Google Patents
治疗计划逆向规划方法和治疗计划系统 Download PDFInfo
- Publication number
- CN102184318A CN102184318A CN2011100976710A CN201110097671A CN102184318A CN 102184318 A CN102184318 A CN 102184318A CN 2011100976710 A CN2011100976710 A CN 2011100976710A CN 201110097671 A CN201110097671 A CN 201110097671A CN 102184318 A CN102184318 A CN 102184318A
- Authority
- CN
- China
- Prior art keywords
- population
- treatment plan
- individual treatment
- plan
- iteration
- 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
Links
Images
Landscapes
- Radiation-Therapy Devices (AREA)
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根据剂量场选择当前最优计划；I若当前最优计划与逆向规划目标的差值小于预设第一阈值，转L；否则进入下一步；J若进化次数达到种群进化次数，转到L；否则进入下一步；K将种群通过交配和/或变异进化到新一代种群，转到G；L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。本发明采用基于基因算法的种群进化方法，并通过交配或变异的方法进行迭代，使得整个迭代过程简单、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：根据所述剂量场选择与所述逆向规划目标最接近的个体治疗计划作为当前最优计划；
步骤I：若所述当前最优计划与所述逆向规划目标的差值小于预设的第一阈值，转步骤M；否则进入下一步；
步骤J：若进化次数达到所述种群进化次数，转到步骤M；否则进入下一步；
步骤K：将所述种群通过交配和/或变异进化到新一代种群，转到步骤G；
步骤M：停止种群进化并输出当前最优计划。
其中所述步骤F包括：
步骤F1：对所述初始治疗计划所包含的参数进行编码形成第一序列；
步骤F2：对所述第一序列的位进行随机取反操作形成第二序列；
步骤F3：对所述第二序列进行解码，获得个体治疗计划；
步骤F4：重复F2至F3，直到形成种群大小数目的个体治疗计划。
其中所述编码包括二进制编码、实数编码或格雷码编码中的任意一种。
其中所述步骤K中所述的交配执行以下操作：
步骤S1：在种群个体治疗计划中随机选择两个个体治疗计划；
步骤S2：随机选择正整数M，M大于0且小于等于个体治疗计划的位长，将所述随机选择的两个个体治疗计划的第M位之后数位互换；
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。
其中所述步骤K中所述变异执行以下操作：
步骤T1：在种群个体治疗计划中选择一个体治疗计划；
步骤T2：随机选择正整数N，N大于0且小于等于个体治疗计划的位长，将所述选择的个体治疗计划的第N位数位取反；
步骤T3：重复步骤T1至T2，直到遍历种群中的所有个体治疗计划。
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；
根据所述剂量场选择与所述逆向规划目标最接近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通过交配和/或变异进化到新一代种群；
所述迭代模块用于
若所述当前最优计划与所述逆向规划目标的差值小于于预设的第一阈值，或进化次数达到所述种群进化次数，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。
其中所述设置模块包括抖动单元和第一迭代单元，
所述抖动单元用于对所述初始治疗计划所包含的参数进行编码形成第一序列，对所述第一序列的位进行随机取反操作形成第二序列，对所述第二序列进行解码，获得个体治疗计划；
所述第一迭代单元用于迭代调用所述抖动单元，直到形成种群大小数目的个体治疗计划。
其中所述编码包括二进制编码、实数编码或格雷码编码中的任意一种。
其中所述进化模块包括交配单元和第二迭代单元，
所述交配单元用于在种群个体治疗计划中随机选择两个个体治疗计划，随机选择正整数M，M大于0且小于等于个体治疗计划的位长，将所述随机选择的两个个体治疗计划的第M位之后数位互换；
所述第二迭代单元用于迭代调用所述交配单元，直到形成种群大小数目的新一代个体治疗计划。
其中所述进化模块包括变异单元和第三迭代单元，
所述变异单元用于在种群个体治疗计划中选择一个体治疗计划，随机选择正整数N，N大于0且小于等于个体治疗计划的位长，将所述选择的个体治疗计划的第N位数位取反；
所述第三迭代单元用于迭代调用所述变异单元，直到遍历种群中的所有个体治疗计划。
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)本发明由于采用了基于基因算法的种群进化方法，并通过交配或变异的方法进行迭代，使得整个迭代过程简单、高效。
(2)本发明对初始计划进行抖动形成种群中的个体计划，使得初始计划的敏感度降低，从而降低了对初始治疗计划的要求，提高了适应性。
(3)本发明采用随机子代交配或随机数位取反变异来产生新一代种群，实现简单、高效。
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示出根据本发明治疗计划逆向规划方法的另一个实施例的流程图；
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靶体外轮廓插值示意图；
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患者3D体素模型的示意图；
图5示出根据本发明方法的一个实施例的交配前示意图；
图6示出根据本发明方法的一个实施例的交配后示意图；
图7示出根据本发明方法的一个实施例的变异前示意图；
图8示出根据本发明方法的一个实施例的变异后示意图；
图9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：根据剂量场选择与逆向规划目标最接近的个体治疗计划作为当前最优计划；
步骤118：若当前最优计划与所述逆向规划目标的差值小于预设的第一阈值，转步骤124；否则进入下一步；
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：将种群通过交配和/或变异进化到新一代种群，转到步骤114；
步骤124：停止种群进化并输出当前最优计划。
剂量规划目标可包括靶体处方剂量、健康组织/危及器官的限制剂量等，也可以通过适形度等指标来表示。第一阈值是预先定义的可容许优化结果与剂量规划目标的差，例如可定义为0.1等。
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，步骤112包括：
步骤1120：对初始治疗计划所包含的参数进行编码形成第一序列；
步骤1122：对第一序列的位进行随机取反操作形成第二序列；
步骤1124：对第二序列进行解码，获得个体治疗计划；
步骤1126：重复1120至1124，直到形成种群大小数目的个体治疗计划。
上述编码可包括二进制编码、实数编码或格雷码编码中的任意一种。
一种实施方式，交配可执行以下操作：
步骤S1：在种群个体治疗计划中随机选择两个个体治疗计划；
步骤S2：随机选择正整数M，M大于0且小于等于个体治疗计划的位长，将随机选择的两个个体治疗计划的第M位之后数位互换；
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。
本领域技术人员应该理解，交配操作中采用其他的规则选择两个个体治疗计划也是可以实现的。
一种实施方式，变异可执行以下操作：
步骤T1：在种群个体治疗计划中选择一个体治疗计划；
步骤T2：随机选择正整数N，N大于0且小于等于个体治疗计划的位长，将所述选择的个体治疗计划的第N位数位取反；
步骤T3：重复步骤T1至T2，直到遍历种群中的所有个体治疗计划。
该遍历可顺序或采用其他规则来进行。
图2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202：输入患者图像，可输入患者的CT或MRI图像序列；
步骤204：勾画患者体表、靶体、危及器官等组织轮廓；
步骤206：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
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
步骤208：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3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4示出一个患者3D体素模型的示意图。
步骤210：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212：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214：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216：种群最优个体治疗计划选择
遍历种群个体计划，搜索所有治疗计划中剂量场与规划目标最接近的治疗计划，即当前迭代中最优的治疗计划。
步骤218：判断最优计划与逆向规划目标的差是否满足预设的阈值，即判断最优计划是否达到规划目标，是则转步骤226；否则进入下一步；
步骤220：判断是否达到种群进化代数Nr，是则转步骤226；否则进入下一步；
步骤222：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5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6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7示出根据本发明一个实施例的变异前示意图；图8示出根据本发明一个实施例的变异后示意图。
步骤224：把经过交配和/或变异后的种群作为当前种群，转步骤214；
步骤226：停止迭代并输出当前最优计划。
图9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；根据剂量场选择与逆向规划目标最接近的个体治疗计划作为当前最优计划。
进化模块用于将种群通过交配和/或变异进化到新一代种群；
迭代模块用于：若当前最优计划与逆向规划目标的差值小于预设的第一阈值，或进化次数达到所述种群进化次数，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，设置模块进一步包括抖动单元和第一迭代单元。抖动单元用于对初始治疗计划所包含的参数进行编码形成第一序列，对第一序列的位进行随机取反操作形成第二序列，对第二序列进行解码，获得个体治疗计划。第一迭代单元用于迭代调用抖动单元，直到形成种群大小数目的个体治疗计划。该编码包括二进制编码、实数编码或格雷码编码中的任意一种。
进化模块包括交配单元、第二迭代单元、变异单元和第三迭代单元。交配单元用于在种群个体治疗计划中随机选择两个个体治疗计划，随机选择正整数M，M大于0且小于等于个体治疗计划的位长，将随机选择的两个个体治疗计划的第M位之后数位互换。第二迭代单元用于迭代调用交配单元，直到形成种群大小数目的新一代个体治疗计划。变异单元用于在种群个体治疗计划中选择一个体治疗计划，随机选择正整数N，N大于0且小于等于个体治疗计划的位长，将选择的个体治疗计划的第N位数位取反。第三迭代单元用于迭代调用所述变异单元，直到遍历种群中的所有个体治疗计划。
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 (10)
1.一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，其特征在于，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：根据所述剂量场选择与所述逆向规划目标最接近的个体治疗计划作为当前最优计划；
步骤I：若所述当前最优计划与所述逆向规划目标的差值小于预设的第一阈值，转步骤M；否则进入下一步；
步骤J：若进化次数达到所述种群进化次数，转到步骤M；否则进入下一步；
步骤K：将所述种群通过交配和/或变异进化到新一代种群，转到步骤G；
步骤M：停止种群进化并输出当前最优计划。
2.如权利要求1所述的方法，其特征在于，其中所述步骤F包括：
步骤F1：对所述初始治疗计划所包含的参数进行编码形成第一序列；
步骤F2：对所述第一序列的位进行随机取反操作形成第二序列；
步骤F3：对所述第二序列进行解码，获得个体治疗计划；
步骤F4：重复F2至F3，直到形成种群大小数目的个体治疗计划。
3.如权利要求2所述的方法，其特征在于，其中所述编码包括二进制编码、实数编码或格雷码编码中的任意一种。
4.如权利要求1所述的方法，其特征在于，其中所述步骤K中所述的交配执行以下操作：
步骤S1：在种群个体治疗计划中随机选择两个个体治疗计划；
步骤S2：随机选择正整数M，M大于0且小于等于个体治疗计划的位长，将所述随机选择的两个个体治疗计划的第M位之后数位互换；
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。
5.如权利要求1至4任一所述的方法，其特征在于，其中所述步骤K中所述变异执行以下操作：
步骤T1：在种群个体治疗计划中选择一个体治疗计划；
步骤T2：随机选择正整数N，N大于0且小于等于个体治疗计划的位长，将所述选择的个体治疗计划的第N位数位取反；
步骤T3：重复步骤T1至T2，直到遍历种群中的所有个体治疗计划。
6.一种治疗计划系统，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；
根据所述剂量场选择与所述逆向规划目标最接近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通过交配和/或变异进化到新一代种群；
所述迭代模块用于
若所述当前最优计划与所述逆向规划目标的差值小于于预设的第一阈值，或进化次数达到所述种群进化次数，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。
7.如权利要求6所述的系统，其特征在于，其中所述设置模块包括抖动单元和第一迭代单元，
所述抖动单元用于对所述初始治疗计划所包含的参数进行编码形成第一序列，对所述第一序列的位进行随机取反操作形成第二序列，对所述第二序列进行解码，获得个体治疗计划；
所述第一迭代单元用于迭代调用所述抖动单元，直到形成种群大小数目的个体治疗计划。
8.如权利要求7所述的系统，其特征在于，其中所述编码包括二进制编码、实数编码或格雷码编码中的任意一种。
9.如权利要求6所述的系统，其特征在于，其中所述进化模块包括交配单元和第二迭代单元，
所述交配单元用于在种群个体治疗计划中随机选择两个个体治疗计划，随机选择正整数M，M大于0且小于等于个体治疗计划的位长，将所述随机选择的两个个体治疗计划的第M位之后数位互换；
所述第二迭代单元用于迭代调用所述交配单元，直到形成种群大小数目的新一代个体治疗计划。
10.如权利要求6至9任一所述的系统，其特征在于，其中所述进化模块包括变异单元和第三迭代单元，
所述变异单元用于在种群个体治疗计划中选择一个体治疗计划，随机选择正整数N，N大于0且小于等于个体治疗计划的位长，将所述选择的个体治疗计划的第N位数位取反；
所述第三迭代单元用于迭代调用所述变异单元，直到遍历种群中的所有个体治疗计划。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100976710A CN102184318A (zh) | 2011-04-18 | 2011-04-18 | 治疗计划逆向规划方法和治疗计划系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100976710A CN102184318A (zh) | 2011-04-18 | 2011-04-18 | 治疗计划逆向规划方法和治疗计划系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102184318A true CN102184318A (zh) | 2011-09-14 |
Family
ID=44570495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011100976710A Pending CN102184318A (zh) | 2011-04-18 | 2011-04-18 | 治疗计划逆向规划方法和治疗计划系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102184318A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104117151B (zh) * | 2014-08-12 | 2017-01-25 | 章桦 | 一种在线自适应放疗计划优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6200255B1 (en) * | 1998-10-30 | 2001-03-13 | University Of Rochester | Prostate implant planning engine for radiotherapy |
| CN101209367A (zh) * | 2006-12-25 | 2008-07-02 | 深圳市海博科技有限公司 | 一种放射治疗中病人靶区剂量反演的方法 |
| 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 |
-
2011
- 2011-04-18 CN CN2011100976710A patent/CN102184318A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6200255B1 (en) * | 1998-10-30 | 2001-03-13 | University Of Rochester | Prostate implant planning engine for radiotherapy |
| CN101209367A (zh) * | 2006-12-25 | 2008-07-02 | 深圳市海博科技有限公司 | 一种放射治疗中病人靶区剂量反演的方法 |
| 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 (4)
| Title |
|---|
| 唐木涛: "遗传算法优化调强放射治疗计划射野参数研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》, 15 February 2007 (2007-02-15) * |
| 唐木涛等: "调强放射治疗计划系统的设计与软件实现", 《中国辐射卫生》, vol. 15, no. 4, 31 December 2006 (2006-12-31), pages 415 - 417 * |
| 於文雪等: "基于遗传算法的γ刀治疗计划优化", 《东南大学学报》, vol. 29, no. 3, 31 May 1999 (1999-05-31), pages 111 - 112 * |
| 李永杰: "调强放射治疗中的优化技术研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》, 15 March 2007 (2007-03-15), pages 072 - 24 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104117151B (zh) * | 2014-08-12 | 2017-01-25 | 章桦 | 一种在线自适应放疗计划优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110603075B (zh) | 凸逆计划方法 | |
| Holder | Designing radiotherapy plans with elastic constraints and interior point methods | |
| CN110197709A (zh) | 一种基于深度学习与先验计划的三维剂量预测方法 | |
| CN101120871A (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 | |
| CN110124214A (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 | |
| 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 | |
| Cao et al. | Multi-objective optimization of inverse planning for accurate radiotherapy | |
| CN105031820A (zh) | 调强放疗逆向优化方法和装置 | |
| 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 | |
| US20180111005A1 (en) | Method of selecting beam geometries | |
| CN102136041A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
| CN102024097A (zh) | 一种治疗计划中靶点布置优化方法和治疗计划系统 | |
| CN102063569A (zh) | 一种治疗计划中靶点布置方法和治疗计划系统 | |
| Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
| Yousefi et al. | Novel Method for More Efficient Optimizing the Knowledge-Based Planning: Specific Voxels of each Structure Influenced by Dominant Beamlets (SVSIDB) | |
| D D'Souza et al. | A nested partitions framework for beam angle optimization in intensity-modulated radiation therapy | |
| Ahmad et al. | A genetic algorithm approach to the inverse problem of treatment planning for intensity-modulated radiotherapy | |
| CN102184318A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
| Zhang et al. | Action levels on dose and anatomic variation for adaptive radiation therapy using daily offline plan evaluation: preliminary results | |
| 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 | |
| Deng et al. | Neuro-dynamic programming for fractionated radiotherapy planning | |
| Cao et al. | Continuous intensity map optimization (CIMO): a novel approach to leaf sequencing in step and shoot IMRT | |
| 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110914 |
|
| RJ01 | Rejection of invention patent application after publication |