CN102194054A - 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
- CN102194054A CN102194054A CN201110096817XA CN201110096817A CN102194054A CN 102194054 A CN102194054 A CN 102194054A CN 201110096817X A CN201110096817X A CN 201110096817XA CN 201110096817 A CN201110096817 A CN 201110096817A CN 102194054 A CN102194054 A CN 102194054A
- Authority
- CN
- China
- Prior art keywords
- population
- treatment plan
- plan
- disturbance
- planning
- 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M;否则进入下一步;J.若进化次数达到种群进化次数,转到M;否则进入下一步;K.将当前最优计划通过扰动进化到新一代种群,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。本发明采用基于基因算法的种群进化方法,并通过扰动方法进行迭代,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:将所述当前最优计划通过扰动进化到新一代种群,转到步骤G;
步骤M:停止种群进化并输出当前最优计划。
其中步骤K所述扰动包括随机扰动,所述随机扰动包括:
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。
其中所述步骤K所述扰动包括组合扰动:
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。
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。
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,将所述当前最优计划通过扰动进化到新一代种群;
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。
其中所述进化模块包括随机扰动单元和第二迭代单元,
所述随机扰动单元用于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;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与所述第一被扰动量相加;
所述第二迭代单元用于迭代调用所述随机扰动单元,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组合扰动单元和第三迭代单元,
所述组合扰动单元用于选择当前最优计划的靶点位置、准直器型号或权重作为被扰动量的任一种作为第二被扰动量;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与所述第二被扰动量相加;
所述第三迭代单元用于迭代调用所述组合扰动单元,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。
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,并通过扰动方法进行迭代,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)本发明采用对最优计划进行随机扰动或组合扰动的方式来产生新一代种群,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:将当前最优计划通过扰动进化到新一代种群,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,该扰动可以是随机扰动:
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,将扰动量Δ1与第一被扰动量相加;
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。
本领域技术人员应该理解,步骤S1的随机选择可以是某一个参数,也可以是某几个参数的任意组合。
一种实施方式,该扰动也可以是组合扰动:
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。
第二扰动幅度要大于第一扰动幅度,其目的在于种群子代进化后变化不明显,其需要加大扰动幅度减少变化维数。
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。
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。
其中:
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,对当前最优治疗计划进行扰动进化生成新一代种群。
1.随机扰动;
对优化变量<准直器大小、靶点位置、射束权重>采用二进制编码方式,对二进制编码中的一位或多位进行取反操作,再进行解码获得经扰动的种群。
2.组合扰动;
对优化变量<准直器大小、靶点位置、射束权重>采用二进制编码方式, 对二进制编码中某些指定一位或多位进行取反操作,再进行解码获得经扰动的种群。其目的是为了获得指定参数的变化。
步骤224:把经过扰动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5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。
进化模块用于将所述当前最优计划通过扰动进化到新一代种群;
所述迭代模块用于:若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。
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。
进化模块包括随机扰动单元、第二迭代单元、组合扰动单元和第三迭代单元。随机扰动单元用于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;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与第一被扰动量相加。第二迭代单元用于迭代调用随机扰动单元,直到形成种群大小数目的新一代个体治疗计划。组合扰动单元用于选择当前最优计划的靶点位置、准直器型号或权重作为被扰动量的任一种作为第二被扰动量;随机选择扰动量Δ2,Δ2小于预设的第二扰动幅度,将扰动量Δ2与第二被扰动量相加。第三迭代单元用于迭代调用所述组合单元,直到形成种群大小数目的新一代个体治疗计划。
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:将所述当前最优计划通过扰动进化到新一代种群,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,其中步骤K所述扰动包括随机扰动,所述随机扰动包括:
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。
3.如权利要求1所述的方法,其特征在于,其中所述步骤K所述扰动包括组合扰动:
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。
4.如权利要求1至3任一所述的方法,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。
5.如权利要求4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。
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,将所述当前最优计划通过扰动进化到新一代种群;
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,其中所述进化模块包括随机扰动单元和第二迭代单元;
所述随机扰动单元用于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;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与所述第一被扰动量相加;
所述第二迭代单元用于迭代调用所述随机扰动单元,直到形成种群大小数目的新一代个体治疗计划。
8.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组合扰动单元和第三迭代单元;
所述组合扰动单元用于选择当前最优计划的靶点位置、准直器型号或权重作为被扰动量的任一种作为第二被扰动量;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与所述第二被扰动量相加;
所述第三迭代单元用于迭代调用所述组合扰动单元,直到形成种群大小数目的新一代个体治疗计划。
9.如权利要求6至8任一所述的系统,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。
10.如权利要求9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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110096817XA CN102194054A (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 |
---|---|---|---|
CN201110096817XA CN102194054A (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 |
---|---|
CN102194054A true CN102194054A (zh) | 2011-09-21 |
Family
ID=44602114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110096817XA Pending CN102194054A (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) | CN102194054A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105120949A (zh) * | 2012-10-29 | 2015-12-02 | 皇家飞利浦有限公司 | 自动最优imrt/vmat处置计划生成 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000025865A1 (en) * | 1998-10-30 | 2000-05-11 | University Of Rochester | Prostate implant planning engine for radiotherapy |
WO2007002642A2 (en) * | 2005-06-27 | 2007-01-04 | Accuray Incorporated | Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans |
US7369645B2 (en) * | 2004-06-21 | 2008-05-06 | Derek Graham Lane | Information theoretic inverse planning technique for radiation treatment |
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 CN201110096817XA patent/CN102194054A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000025865A1 (en) * | 1998-10-30 | 2000-05-11 | University Of Rochester | Prostate implant planning engine for radiotherapy |
US7369645B2 (en) * | 2004-06-21 | 2008-05-06 | Derek Graham Lane | Information theoretic inverse planning technique for radiation treatment |
WO2007002642A2 (en) * | 2005-06-27 | 2007-01-04 | Accuray Incorporated | Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans |
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 |
---|
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》, no. 2, 15 February 2007 (2007-02-15) * |
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) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105120949A (zh) * | 2012-10-29 | 2015-12-02 | 皇家飞利浦有限公司 | 自动最优imrt/vmat处置计划生成 |
CN105120949B (zh) * | 2012-10-29 | 2019-05-03 | 皇家飞利浦有限公司 | 用于自动最优imrt/vmat处置计划生成的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110603075B (zh) | 凸逆计划方法 | |
Zenklusen et al. | A study on repainting strategies for treating moderately moving targets with proton pencil beam scanning at the new Gantry 2 at PSI | |
EP3549636B1 (en) | System and method for radiotherapy treatment planning and delivery | |
US20170014642A1 (en) | System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties | |
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 | |
CN105031820A (zh) | 调强放疗逆向优化方法和装置 | |
CN102481458A (zh) | 用于计算电离辐射沉积的剂量的方法 | |
CN102247660B (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
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 | |
Cao et al. | Incorporating deliverable monitor unit constraints into spot intensity optimization in intensity-modulated proton therapy treatment planning | |
Cao et al. | Multi-objective optimization of inverse planning for accurate radiotherapy | |
CN107708807A (zh) | 用于放射疗法优化的方法、计算机程序产品和计算机系统 | |
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 | |
D D'Souza et al. | A nested partitions framework for beam angle optimization in intensity-modulated radiation therapy | |
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) | |
CN102194054A (zh) | 治疗计划逆向规划方法和治疗计划系统 | |
CN107998519A (zh) | 一种用于imrt的分子动力学再优化算法 | |
CN102184319A (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 | |
CN102184318A (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 |
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: 20110921 |
|
RJ01 | Rejection of invention patent application after publication |