CN103083821A - 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 - Google Patents

Abstract

本发明公开了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。该系统包括输入模块、数据处理模块、优化模块及优化结果输出模块，本该发明主要是根据放疗计划制定者要求，自动建立相应的目标函数，然后采用遗传算法进行子野形状的调整，采用共轭梯度算法进行子野权重的优化，两种算法交替优化，最后得到满足要求子野形状及其对应机器跳数权重。该方法可以快速的得到满足要求的每个射野方向的各个子野形状及其机器跳数，优化结果就是直接可以实施的子野序列。本发明不仅可以有效的解决传统方法存在的精度的问题，而且操作简单，可以提高制定计划和实施计划效率。

Description

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

技术领域

本发明涉及到精确放疗中，采用多叶光栅进行调强时，最小化多叶光栅对应的子野个数及总的机器跳数的系统和方法。

背景技术

静态调强放疗中得到可以实施的子野形状及其机器跳数的一般步骤是首先借助优化算法优化得到每个方向上满足期望剂量分布的最优强度，然后对优化后的强度进行子野分割，转换为MLC可以实施的子野，这种方式简称为“二步法”。由于在强度分布优化时，并没有考虑多叶光栅本身所包含的一些约束限制，这些限制只有在子野分割时考虑，因此导致子野分割会产生很多个子野形状和及其对应的权重。长期的临床应用表明，“二步法”存在的缺陷，可以总结为：(1)每个照射野的子野数目多，总的照射跳数(MU)往往是常规/适形照射野的数倍，这种情况不仅会增加照射的时间，还将增加产生漏射、机头散射和tongue-groove效应的概率；(2)可能会生成一些小的、形状很不规则的子野，这些子野在实施过程中产生的误差较大，射线利用率低，因此可能影响患者受照剂量的准确度；(3)在将理想的强度分布转换为可以实施的强度分布时，两个强度会有差别，这种差别往往使计划质量变差，本已满足的临床要求的计划可能不再满足。

发明内容

本发明技术解决问题：为了克服“二步法”的缺陷，提供一种根据期望的剂量分布，直接优化每个射野方向上各个子野的形状及其机器跳数的系统和方法，可以快速得到满足要求的每个射野方向的各个子野形状及其机器跳数，不仅可以有效的解决传统“二步法”存在的精度问题，而且操作简单，还提高了计划制定和计划实施的效率。

本发明的技术方案是：一种直接优化静态调强子野形状及其机器跳数的系统，如图1所示，包括：

（1）数据导入模块，用于导入从放疗计划系统中输出的人体影像CT数据、靶区及感兴趣区域定义信息、射野方向信息、多叶光栅信息及计划设计者对计划的要求信息；

（2）数据处理模块，根据数据导入模块导入的靶区信息，射野方向信息，计算靶区在射野方向上的投影，向外扩一定的大小得到对应射野方向的射野形状，然后根据多叶光栅类型，对每个射野形状进行网格化，在多叶光栅运动方向上网格大小为0.5cm，在多叶光栅运动垂直方向，网格大小为多叶光栅叶片在等中心平面厚度，最后采用基于蒙卡的快速有限笔形束剂量计算方法计算射野内每个单元野对各个计算采样点的剂量影响；

（3）优化模块，主要是进行优化模型的建立及采用优化算法进行优化；根据导入模块导入的计划设计者对计划的要求，通过二次目标函数形式转化为优化的目标函数，然后供步骤优化过程使用；采用基于物理剂量或剂量-体积约束的目标函数及约束，表达为：

$\left.\begin{array}{c}f=w_{\mathrm{PTV}}{f}_{\mathrm{PTV}}\left(x^k\right)+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}{f}_{{\mathrm{OAR}}_j}\left(x^k\right)\\ w_{\mathrm{PTV}}+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}=1\end{array}\right\}---\left(1\right)$

$d_i\left(x^k\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\Σ}}}{a}_{\mathrm{im}}\×{x_m}^k---\left(3\right)$

此时，x_m ^k为待优化的各子野的权重，a_im为第m个子野对第i个采样点的剂量影响，由剂量计算方法计算得到；第一个式子为优化的目标函数，优化的目标是使该目标函数值最小，

为靶区对目标函数的贡献，

为第j个危及器官对目标函数的贡献；w_PTV和

分别是靶区和第j个危及器官的权重归一化因子；式（2）中d_i是通过（3）式计算出来的第i个计算采样点的剂量，D_PTV是靶区的处方剂量，

是第j个危及器官的剂量限值，n_PTV和

分别为靶区和第j个危及器官的计算采样点数，N_OAR是优化中考虑的危及器官的个数；式（3）中，N_ray为子野的总个数，a_im为单位强度的第m个子野对第i个采样点的剂量贡献，x_m ^k为向量的第m个分量即第m个子野的权重，因此第i个采样点的剂量是所有子野对该点剂量贡献的总和；所有的a_im构成的矩阵事先由剂量计算模块计算好供优化计算时直接调用；x_m ^k即为优化时待调整的参数，优化的目标即为找到最优的x_m ^k使得各点的剂量满足医生给定的剂量要求，其中K为当前迭代的次数；

根据数据处理模块中得到的射野形状对应的多叶光栅位置来初始化遗传算法群体，遗传算法通过交叉变异得到新的个体，即每个个体对应一组子野形状，采用共轭梯度算法进行每个子野的权重优化，共轭梯度算法优化的目标函数为根据计划设计者的要求建立的优化模型，如公式（1）～（3）表达式，然后评估遗传算法群体中每个个体，计算目标函数的值，根据目标函数值采用联赛选择方式选择好的个体进入下一代进化过程中；重复上述步骤直到遗传算法群体最优个体的目标函数值满足要求，终止优化计算；

（4）数据输出模块，将遗传算法优化得到的最优个体通过解码得到对应的最优的子野形状，最后输出子野形状、机器跳数及根据子野形状及机器跳数计算出的剂量分布结果。

一种直接优化静态调强子野形状及其机器跳数的方法，实现步骤如下：

（1）按照Dicom-RT格式导入人体CT影像数据、靶区及感兴趣区域定义信息、射野方向信息，根据靶区在射野方向上的投影并向外扩一定的大小作为对应射野方向的射野形状，然后供步骤（4）使用；根据CT影像数据、靶区及感兴趣区域定义信息对各区域进行采样得到各区域的计算点信息供步骤（4）和步骤（5）使用；

（2）导入每个方向的子野个数、采用的多叶光栅（Multi-Leaf Collimator，MLC）类型供步骤（5）中遗传算法初始化个体时使用，多叶光栅类型信息还供步骤（4）中射野网格化使用；

（3）导入计划设计者对计划的要求，通过二次目标函数形式转化为优化的目标函数，然后供步骤（5）使用；采用基于物理剂量或剂量-体积约束的目标函数及约束，表达为：

$\left.\begin{array}{c}f=w_{\mathrm{PTV}}{f}_{\mathrm{PTV}}\left(x^k\right)+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}{f}_{{\mathrm{OAR}}_j}\left(x^k\right)\\ w_{\mathrm{PTV}}+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}=1\end{array}\right\}---\left(4\right)$

$d_i\left(x^k\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\Σ}}}{a}_{\mathrm{im}}\×{x_m}^k---\left(6\right)$

此时，x_m ^k为待优化的各子野的权重，a_im为第m个子野对第i个采样点的剂量影响，由剂量计算方法计算得到；第一个式子为优化的目标函数，优化的目标是使该目标函数值最小，为靶区对目标函数的贡献，

为第j个危及器官对目标函数的贡献；w_PTV和

分别是靶区和第j个危及器官的权重归一化因子；式（5）中d_i是通过（6）式计算出来的第i个计算采样点的剂量，D_PTV是靶区的处方剂量，

是第j个危及器官的剂量限值，n_PTV和

分别为靶区和第j个危及器官的计算采样点数，N_OAR是优化中考虑的危及器官的个数；式（6）中，N_ray为子野的总个数，a_im为单位强度的第m个子野对第i个采样点的剂量贡献，x_m ^k为向量的第m个分量即第m个子野的权重，因此第i个采样点的剂量是所有子野对该点剂量贡献的总和；所有的a_im构成的矩阵事先由剂量计算模块计算好供优化计算时直接调用；x_m ^k即为优化时待调整的参数，优化的目标即为找到最优的x_m ^k使得各点的剂量满足医生给定的剂量要求，其中K为当前迭代的次数；

（4）根据步骤（1）中的射野形状及步骤（2）中的多叶光栅类型，对每个射野进行网格化，在多叶光栅运动方向上网格大小为0.5cm，在多叶光栅运动垂直方向，网格大小为多叶光栅叶片在等中心平面厚度，然后采用基于蒙卡的快速有限笔形束剂量计算方法计算射野内每个单元野，即笔形束对各个计算采用点的剂量影响；此步骤是根据步骤（1）中射野方向信息将射野划分成网格，然后每个网格即为本步骤中的每个单元野，即笔形束；

（5）根据步骤（1）中得到的射野形状对应的多叶光栅位置来初始化遗传算法群体，遗传算法通过交叉变异得到新的个体，即每个个体对应一组子野形状，采用共轭梯度算法进行每个子野的权重优化，共轭梯度算法优化步骤（3）中的目标函数，评估遗传算法群体中每个个体，计算目标函数的值，根据目标函数值采用联赛选择方式选择好的个体进入下一代进化过程中；重复上述步骤直到遗传算法群体最优个体的目标函数值满足要求，终止优化计算；

（6）最后输出最优的子野形状、机器跳数及剂量分布结果。

所述步骤（5）中遗传算法群体初始化，每个个体对应的子野序列中每个子野初始形状为根据靶区当前射野方向上投影外扩0.1cm～1cm对应的MLC形状。

所述遗传算法的编码方式采用二维二进制编码，且每行中的编码为1的位置连续；交叉和变异采用常规的二进制编码方式下的交叉变异方式，不满足每行中1的位置连续的交叉变异被放弃。

所述共轭梯度算法在迭代过程中，迭代次数小于20，当迭代出现负值时，直接将其赋值为0，并继续优化。

本发明与现有技术相比的优点在于：

（1）本发明通过优化可以直接得到满足计划设计者要求的子野形状及其机器跳数，从而提高了优化后计划的可实施性；

（2）本发明采用遗传算法和共轭梯度算法相结合的方法进行优化，利用两个算法的优点，优化速度快，比原来的两步法得到最终结果的速度及效果好。

附图说明

图1为本发明系统的组成框图；

图2为本发明方法实现流程图。

具体实施方式

如图2所示，本发明一种直接优化静态调强子野形状及其机器跳数的方法，具体实现如下：

（1）按照Dicom-RT格式导入CT影像数据、靶区及感兴趣区域定义信息、射野方向信息，根据靶区在射野方向上的投影并向外扩一定的大小作为对应射野方向的射野形状，根据CT影像数据靶区及感兴趣区域定义信息对计算点进行采样得到各区域的计算点信息；

比如，针对鼻炎测试模型，导入57张CT影像数据及对应各张勾画好的感兴趣区域（左右眼睛、脊髓、脑干和左右腮腺）及靶区信息（GTV、PTV）、射野方向信息采用常规的360度范围内均匀分布9个野的方式。

（2）计划设计者设定每个方向上的子野个数为7、采用的多叶光栅（Multi-Leaf CollimatorMLC）类型为瓦里安40对多叶光栅，本系统将多叶光栅的叶片对数、每个叶片的厚度及约束限制输入给优化模块使用；

（3）导入计划设计者对计划的要求，针对鼻炎测试模型，靶区PTV的处方剂量为6000cGy，GTV的处方剂量为7000cGy，脊髓最大剂量为4500cGy，脑干最大剂量不大于5400cGy，左右腮腺超过35cGy的体积不大于50%，左右眼睛的最大剂量为1000cGy。并将其通过二次目标函数形式转化为优化的目标函数，详见权利要求1中的步骤3，然后供步骤5使用；

（4）根据步骤1中的射野形状及步骤2中的多叶光栅类型，对每个射野进行网格化，在多叶光栅运动方向上网格大小为0.5cm，在多叶光栅运动垂直方向，网格大小为多叶光栅叶片在等中心平面厚度，然后采用基于有限笔形束剂量计算方法计算射野内每个单元野对各个计算采用点的剂量影响；根据步骤1中得到的射野形状对应的多叶光栅位置来初始化遗传算法群体，遗传算法通过交叉变异得到新的个体（每个个体对应一组子野形状），采用共轭梯度算法进行每个子野的权重优化，共轭梯度算法优化步骤3中的目标函数，评估遗传算法群体中每个个体，计算目标函数的值，根据目标函数值采用联赛选择方式选择好的个体进入下一代进化过程中。重复上述步骤直到遗传算法群体最优个体的目标函数值满足要求，终止优化计算；最后输出最优的子野形状、机器跳数及剂量分布结果。

表1为针对同一个测试模型，设置相同的射野大小及方向、靶区和各器官的约束剂量或剂量体积约束，用本发明确定出的子野个数及其子野权重，与传统“二步法”确定出的子野个数及权重进行对比。对本例检验表明，得到几乎同样的剂量分布情况下，本发明计算得到的子野个数及总的MU分别为63和2833，而传统“两步法”得到的子野个数和总的MU分别为327和4369。可以看出本发明比传统方法子野个数减少了81%，MU减少了35%。如果两个计划均采用剂量率为400MU/min的加速器照射，那么“二步法”与本发明对应的机器出束时间分别为10.92min和7.08min。如果每个子野间的切换时间为7s，那么“二步法”切换子野形状所需要的时间总共为38.15min，而本发明切换子野只需要7.35min，因此本发明将大大缩短实施时间。

表1常规两步法与直接子野所用子野个数和MU对比表

总之，本发明可以快速的得到满足要求的每个射野方向的各个子野形状及其机器跳数，优化结果就是直接可以实施的子野序列。因此，不仅可以有效的解决传统方法存在的精度的问题，而且操作简单，可以提高制定计划和实施计划效率。

本发明未详细阐述部分属于本领域公知技术。

以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种直接优化静态调强子野形状及其机器跳数的系统，其特征在于包括：

（1）数据导入模块，用于导入从放疗计划系统中输出的人体影像CT数据、靶区及感兴趣区域定义信息、射野方向信息、多叶光栅信息及计划设计者对计划的要求信息；

（2）数据处理模块，根据数据导入模块导入的靶区信息，射野方向信息，计算靶区在射野方向上的投影，向外扩一定的大小得到对应射野方向的射野形状，然后根据多叶光栅类型，对每个射野形状进行网格化，在多叶光栅运动方向上网格大小为0.5cm，在多叶光栅运动垂直方向，网格大小为多叶光栅叶片在等中心平面厚度，最后采用基于蒙卡的快速有限笔形束剂量计算方法计算射野内每个单元野对各个计算采样点的剂量影响；

（3）优化模块，根据计划设计者对计划的要求进行优化模型的建立及采用优化算法进行优化；根据导入模块导入的计划设计者对计划的要求，通过二次目标函数形式转化为优化的目标函数，然后供步骤优化过程使用；采用基于物理剂量或剂量-体积约束的目标函数及约束，表达为：

$\left.\begin{array}{c}f=w_{\mathrm{PTV}}{f}_{\mathrm{PTV}}\left(x^k\right)+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}{f}_{{\mathrm{OAR}}_j}\left(x^k\right)\\ w_{\mathrm{PTV}}+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{O{\mathrm{AR}}_j}=1\end{array}\right\}---\left(1\right)$

$d_i\left(x^k\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\Σ}}}{a}_{\mathrm{im}}\×{x_m}^k---\left(3\right)$

此时，x_m ^k为待优化的各子野的权重，a_im为第m个子野对第i个采样点的剂量影响，由剂量计算方法计算得到；第一个式子为优化的目标函数，优化的目标是使该目标函数值最小，

为靶区对目标函数的贡献，

为第j个危及器官对目标函数的贡献；w_PTV和

分别是靶区和第j个危及器官的权重归一化因子；式（2）中d_i是通过（3）式计算出来的第i个计算采样点的剂量，D_PTV是靶区的处方剂量，

是第j个危及器官的剂量限值，n_PTV和

分别为靶区和第j个危及器官的计算采样点数，N_OAR是优化中考虑的危及器官的个数；式（3）中，N_ray为子野的总个数，a_im为单位强度的第m个子野对第i个采样点的剂量贡献，x_m ^k为

向量的第m个分量即第m个子野的权重，因此第i个采样点的剂量是所有子野对该点剂量贡献的总和；所有的a_im构成的矩阵事先由剂量计算模块计算好供优化计算时直接调用；x_m ^k即为优化时待调整的参数，优化的目标即为找到最优的x_m ^k使得各点的剂量满足医生给定的剂量要求，其中K为当前迭代的次数；

根据数据处理模块中得到的射野形状对应的多叶光栅位置来初始化遗传算法群体，遗传算法通过交叉变异得到新的个体，即每个个体对应一组子野形状，采用共轭梯度算法进行每个子野的权重优化，共轭梯度算法优化的目标函数为根据计划设计者的要求建立的优化模型，如公式（1）～（3）表达式，然后评估遗传算法群体中每个个体，计算目标函数的值，根据目标函数值采用联赛选择方式选择好的个体进入下一代进化过程中；重复上述步骤直到遗传算法群体最优个体的目标函数值满足要求，终止优化计算；

（4）数据输出模块，将遗传算法优化得到的最优个体通过解码得到对应的最优的子野形状，最后输出子野形状、机器跳数及根据子野形状及机器跳数计算出的剂量分布结果。

2.一种直接优化静态调强子野形状及其机器跳数的方法，其特征在于实现步骤如下：

（1）按照Dicom-RT格式导入人体CT影像数据、靶区及感兴趣区域定义信息、射野方向信息，根据靶区在射野方向上的投影并向外扩一定的大小作为对应射野方向的射野形状，然后供步骤（4）使用；根据CT影像数据、靶区及感兴趣区域定义信息对各区域进行采样得到各区域的计算点信息供步骤（4）和步骤（5）使用；

（2）导入每个方向的子野个数、采用的多叶光栅（Multi-Leaf Collimator，MLC）类型供步骤（5）中遗传算法初始化个体时使用，多叶光栅类型信息还供步骤（4）中射野网格化使用；

（3）导入计划设计者对计划的要求，通过二次目标函数形式转化为优化的目标函数，然后供步骤（5）使用；采用基于物理剂量或剂量-体积约束的目标函数及约束，表达为：

$\left.\begin{array}{c}f=w_{\mathrm{PTV}}{f}_{\mathrm{PTV}}\left(x^k\right)+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}{f}_{\mathrm{OA}{R}_j}\left(x^k\right)\\ w_{\mathrm{PTV}}+\underset{j=1}{\overset{N_{\mathrm{OAR}}}{\mathrm{\Σ}}}{w}_{{\mathrm{OAR}}_j}=1\end{array}\right\}---\left(4\right)$

$d_i\left(x^k\right)=\underset{m=1}{\overset{N_{\mathrm{ray}}}{\mathrm{\Σ}}}{a}_{\mathrm{im}}\×{x_m}^k---\left(6\right)$

此时，x_m ^k为待优化的各子野的权重，a_im为第m个子野对第i个采样点的剂量影响，由剂量计算方法计算得到；第一个式子为优化的目标函数，优化的目标是使该目标函数值最小，

为靶区对目标函数的贡献，

为第j个危及器官对目标函数的贡献；w_PTV和

分别是靶区和第j个危及器官的权重归一化因子；式（4）中d_i是通过（5）式计算出来的第i个计算采样点的剂量，D_PTV是靶区的处方剂量，是第j个危及器官的剂量限值，n_PTV和

分别为靶区和第j个危及器官的计算采样点数，N_OAR是优化中考虑的危及器官的个数；式（6）中，N_ray为子野的总个数，a_im为单位强度的第m个子野对第i个采样点的剂量贡献，x_m ^k为

向量的第m个分量即第m个子野的权重，因此第i个采样点的剂量是所有子野对该点剂量贡献的总和；所有的a_im构成的矩阵事先由剂量计算模块计算好供优化计算时直接调用；x_m ^k即为优化时待调整的参数，优化的目标即为找到最优的x_m ^k使得各点的剂量满足医生给定的剂量要求，其中K为当前迭代的次数；

（4）根据步骤（1）中的射野形状及步骤（2）中的多叶光栅类型，对每个射野进行网格化，在多叶光栅运动方向上网格大小为0.5cm，在多叶光栅运动垂直方向，网格大小为多叶光栅叶片在等中心平面厚度，然后采用基于蒙卡的快速有限笔形束剂量计算方法计算射野内每个单元野，即笔形束对各个计算采用点的剂量影响；此步骤是根据步骤（1）中射野方向信息将射野划分成网格，然后每个网格即为本步骤中的每个单元野，即笔形束；

（5）根据步骤（1）中得到的射野形状对应的多叶光栅位置来初始化遗传算法群体，遗传算法通过交叉变异得到新的个体，即每个个体对应一组子野形状，采用共轭梯度算法进行每个子野的权重优化，共轭梯度算法优化步骤（3）中的目标函数，评估遗传算法群体中每个个体，计算目标函数的值，根据目标函数值采用联赛选择方式选择好的个体进入下一代进化过程中；重复上述步骤直到遗传算法群体最优个体的目标函数值满足要求，终止优化计算；

（6）最后输出最优的子野形状、机器跳数及剂量分布结果。

3.根据权利要求2所述的直接优化静态调强子野形状及其机器跳数的方法，其特征在于：所述步骤（5）中遗传算法群体初始化，每个个体对应的子野序列中每个子野初始形状为根据靶区当前射野方向上投影外扩0.1cm～1cm对应的MLC形状。

4.根据权利要求2所述的直接优化静态调强子野形状及其机器跳数的方法，其特征在于：所述遗传算法的编码方式采用二维二进制编码，且每行中的编码为1的位置连续；交叉和变异采用常规的二进制编码方式下的交叉变异方式，不满足每行中1的位置连续的交叉变异被放弃。

5.根据权利要求2所述的直接静态调强优化子野形状及其机器跳数的方法，其特征在于：所述共轭梯度算法在迭代过程中，迭代次数小于20，当迭代出现负值时，直接将其赋值为0，并继续优化。

Images