CN104645500B - 一种调强放疗优化系统 - Google Patents
一种调强放疗优化系统 Download PDFInfo
- Publication number
- CN104645500B CN104645500B CN201510075221.XA CN201510075221A CN104645500B CN 104645500 B CN104645500 B CN 104645500B CN 201510075221 A CN201510075221 A CN 201510075221A CN 104645500 B CN104645500 B CN 104645500B
- Authority
- CN
- China
- Prior art keywords
- pen core
- voxel
- core beam
- weight
- value
- 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
本发明提供了一种调强放疗优化方法及系统,该方法包括:将射束和感兴趣器官分别离散化为多个笔芯束和多个体素,确定多个笔芯束与多个体素彼此之间的关联度;根据多个笔芯束与多个体素的关联度、多个体素的当前剂量分布和理想剂量分布以及多个体素的权重,对多个笔芯束的权重进行更新,以得到多个笔芯束的权重的更新值;依据多个笔芯束的权重的更新值计算计划靶区的新剂量分布,如果新剂量分布不满足要求,则再次对多个笔芯束的权重进行更新,直至多个体素的新剂量分布满足要求。本发明可以避免预先计算、存储笔芯束剂量分布矩阵,也可以回避求解方程组的过程,至少具有优化速度快、占用内存小的优点。
Description
技术领域
本发明主要涉及调强放疗技术,尤其涉及一种调强放疗优化系统。
背景技术
调强放疗(IMRT,Intensity Modulated Radiation Therapy)是一种常用的放疗方式,其主要是通过对射野(beam)内的剂量强度进行调节和优化,以满足要求。调强放疗的优化可以通过通量图(fluence map)优化来实现。
现有技术中,通量图优化主要有两种策略:其一是建立优化模型,以通量图离散化的笔芯束(pencil beam或beamlet)权重为决策变量,以离散化体素(voxel) 的实际剂量与规定剂量差的某种函数(比如加权平方和)为最小化目标,通过适当的优化算法得到全局最优或近似全局最优解,例如,公告号/公开号为US6560311、 US6735277、WO2005/072825A1等专利文献皆采用此种方法;其二是通过求解方程组得到笔芯束权重,并通过适当的方式逐步去掉笔芯束权重中的负值,直到结果满足要求,例如,公告号为US6882702的专利文献采用的即是此种方法。
上述两种技术都存在以下缺陷:第一,必须预先计算并存储大量笔芯束的剂量分布矩阵,耗时长,需要占用计算设备中大量的内存;第二,变量数目巨大,约束众多,导致不论是求解优化模型或求解方程组的过程都十分缓慢。
发明内容
本发明要解决的技术问题是提供一种调强放疗优化方法及系统,可以避免预先计算、存储笔芯束剂量分布矩阵,也可以回避求解方程组的过程,至少具有优化速度快、占用内存小的优点。
为解决上述技术问题,本发明提供了一种调强放疗优化方法,包括:
将射束和感兴趣器官分别离散化为多个笔芯束和多个体素,并确定所述多个笔芯束与所述多个体素彼此之间的关联度,其中,所述关联度反映所述笔芯束对所述体素的剂量贡献;
根据所述多个笔芯束与所述多个体素的关联度、所述多个体素的当前剂量分布、所述多个体素的理想剂量分布以及所述多个体素的权重,对所述多个笔芯束的权重进行更新,以得到所述多个笔芯束的权重的更新值;
依据所述多个笔芯束的权重的更新值计算所述多个体素的新剂量分布,如果所述新剂量分布不满足要求,则再次对所述多个笔芯束的权重进行更新,直至所述多个体素的新剂量分布满足要求。
根据本发明的一个实施例,对所述多个笔芯束的权重进行更新包括:
根据所述多个体素的当前剂量分布和理想剂量分布,确定所述多个体素的当前剂量值和理想剂量值;
对于每一笔芯束,确定每一体素与该笔芯束的关联系数;
对于每一笔芯束,将所述多个体素与该笔芯束的关联系数依据各体素的权重进行加权平均,以得到该笔芯束的更新系数,该笔芯束的权重的更新值等于该笔芯束的权重的当前值乘以该笔芯束的更新系数。
根据本发明的一个实施例,所述关联系数为所述笔芯束与所述体素之间的关联度、所述体素的理想剂量值以及所述体素的当前剂量值的函数。
根据本发明的一个实施例,所述函数为其中,aij为笔芯束j与体素i 的关联度,pdi为体素i的理想剂量值,di为体素i的当前剂量值。
根据本发明的一个实施例,所述启发式方法采用的计算公式为:其中,M为所述体素集合,N为所述笔芯束集合,bj’为笔芯束j的权重的更新值,bj为笔芯束j的权重的当前值,aij为笔芯束j与体素i的关联度,pdi为体素i的理想剂量值,di为体素i的当前剂量值,wi为体素i的权重。
根据本发明的一个实施例,依据所述多个笔芯束的权重的更新值计算所述计划靶区的新剂量分布之后,再次对所述多个笔芯束的权重进行更新之前,所述方法还包括:将所述多个笔芯束的权重的更新值同乘以一平移系数,以使所述多个体素落入预设剂量区间范围的体积达到最大;再次对所述多个笔芯束的权重进行更新时,所述笔芯束的权重的当前值为所述笔芯束的权重的更新值乘以所述平移系数。
根据本发明的一个实施例,依据所述多个笔芯束的权重的更新值计算所述多个体素的新剂量分布包括:全部笔芯束的权重被更新后再计算所述计划靶区的新剂量分布。
根据本发明的一个实施例,依据所述多个笔芯束的权重的更新值计算所述多个体素的新剂量分布包括:所述多个笔芯束分为至少两个组,每组笔芯束的权重被更新后即计算所述计划靶区的新剂量分布。
根据本发明的一个实施例,采用关联矩阵的形式表示所述多个笔芯束与所述多个体素彼此之间的关联度,所述关联矩阵中的元素aij为笔芯束j与体素i的关联度,其中体素i为所述多个体素中的任一体素,笔芯束j为所述多个笔芯束中的任一笔芯束。
根据本发明的一个实施例,所述关联度为0或1,其中,当且仅当所述笔芯束对所述体素的沉积剂量超过预设阈值时,二者的关联度为1,否则二者的关联度为 0。
根据本发明的一个实施例,所述关联度为[0,1]区间内的连续值,所述关联度体现所述笔芯束对所述体素的沉积剂量。
为了解决上述问题,本发明还提供了一种调强放疗优化系统,包括:
数据预预处理模块,获得由射束和感兴趣器官离散化所得的多个笔芯束和多个体素,并确定所述多个笔芯束与所述多个体素彼此之间的关联度,所述关联度反映所述笔芯束对所述体素的剂量贡献;
迭代优化模块,根据所述多个笔芯束与所述多个体素的关联度、所述多个体素的当前剂量分布、所述多个体素的理想剂量分布以及所述多个体素的权重,对所述多个笔芯束的权重进行更新,以得到所述多个笔芯束的权重的更新值;
剂量计算模块,依据所述多个笔芯束的权重的更新值计算所述多个体素的新剂量分布,如果所述新剂量分布不满足要求,则指示所述迭代优化模块再次对所述多个笔芯束的权重进行更新,直至所述多个体素的新剂量分布满足要求。
根据本发明的一个实施例,所述迭代优化模块包括:
剂量值子模块,根据所述计划靶区的当前剂量分布和理想剂量分布,确定所述多个体素的当前剂量值和理想剂量值;
关联系数子模块,对于每一笔芯束,确定每一体素与该笔芯束的关联系数;
权重更新子模块,对于每一笔芯束,将所述多个体素与该笔芯束的关联系数依据各体素的权重进行加权平均,以得到该笔芯束的更新系数,该笔芯束的权重的更新值等于该笔芯束的权重的当前值乘以该笔芯束的更新系数。
根据本发明的一个实施例,所述关联系数为所述笔芯束与所述体素之间的关联度、所述体素的理想剂量值以及所述体素的当前剂量值的函数。
根据本发明的一个实施例,所述函数为其中,aij为笔芯束j与体素i 的关联度,pdi为体素i的理想剂量值,di为体素i的当前剂量值。
根据本发明的一个实施例,所述迭代优化模块采用的计算公式为:其中,M为所述体素集合,N为所述笔芯束集合,bj’为笔芯束j的权重的更新值,bj为笔芯束j的权重的当前值,aij为笔芯束j与体素i的关联度,pdi为体素i的理想剂量值,di为体素i的当前剂量值,wi为体素i的权重。
根据本发明的一个实施例,所述系统还包括:平移模块,将所述多个笔芯束的权重的更新值同乘以一平移系数,以使所述多个体素落入预设剂量区间范围的体积达到最大,所述权重更新子模块再次对所述多个笔芯束的权重进行更新时,所述笔芯束的权重的当前值为所述笔芯束的权重的更新值乘以所述平移系数。
根据本发明的一个实施例,所述剂量计算模块在全部笔芯束的权重被更新后再计算所述多个体素的新剂量分布。
根据本发明的一个实施例,所述多个笔芯束分为至少两个组,所述剂量计算模块在每组笔芯束的权重被更新后即计算所述多个体素的新剂量分布。
根据本发明的一个实施例,所述数据预处理模块采用关联矩阵的形式表示所述多个笔芯束与所述多个体素彼此之间的关联度,所述关联矩阵中的元素aij为体素i与笔芯束j的关联度,其中体素i为所述多个体素中的任一体素,笔芯束j为所述多个笔芯束中的任一笔芯束。
根据本发明的一个实施例,所述关联度为0或1,其中,当且仅当所述笔芯束对所述体素的沉积剂量超过预设阈值时,二者的关联度为1,否则二者的关联度为 0。
根据本发明的一个实施例,所述关联度为[0,1]区间内的连续值,所述关联度体现所述笔芯束对所述体素的沉积剂量。
与现有技术相比,本发明具有以下优点:
本发明实施例的调强放疗优化方法中,将射束离散化为多个笔芯束,将感兴趣器官离散化为多个体素,根据各个笔芯束与多个体素之间的关联度以及其他相关参数,对笔芯束的权重进行迭代更新,每次更新后重新计算多个体素的剂量分布,与背景技术中涉及的常规方法相比,避免了预先计算、存储笔芯束剂量分布矩阵以及求解方程组的过程,优化速度快、占用内存小。
附图说明
图1是根据本发明实施例的调强放疗优化方法的流程示意图;
图2是根据本发明实施例的调强放疗优化方法中,对笔芯束的权重进行更新的流程示意图;
图3是根据本发明实施例的调强放疗优化方法中,基于当前剂量分布和理想剂量分布确定体素的理想剂量值的一种方法的示意图;
图4是根据本发明实施例的调强放疗优化方法中,基于当前剂量分布和理想剂量分布确定体素的理想剂量值的另一种方法的示意图;
图5是根据本发明实施例的调强放疗优化方法中,计算多个体素的新剂量分布后对剂量分布进行平移的示意图;
图6是根据本发明实施例的调强放疗优化系统的结构框图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,因此本发明不受下面公开的具体实施例的限制。
参考图1,根据本发明的一个实施例,该调强放疗优化方法包括如下步骤:
步骤S11,将射束和感兴趣器官分别离散化为多个笔芯束和多个体素,并确定所述多个笔芯束与所述多个体素彼此之间的关联度;
步骤S12,对所述多个笔芯束的权重进行更新,以得到所述多个笔芯束的权重的更新值;
步骤S13,依据所述多个笔芯束的权重的更新值计算所述多个体素的新剂量分布;
步骤S14,判断新剂量分布是否满足要求,如果是,则前进至步骤S15,输出结果;如果否,则返回步骤S12,再次对所述多个笔芯束的权重进行更新。
下面对各个步骤进行详细说明。
在步骤S11中,可以接收从外部输入的用于定义射束和感兴趣器官的相关参数,然后将射束离散化为包含多个笔芯的笔芯束集合N,将感兴趣器官离散化为包含多个体素的体素集合M。其中,用于定义射束的参数包括射束数量、形状、角度等,但不限于此;用于定义计划靶区的参数包括感兴趣器官接受放疗的区域等,但不限于此。本领域技术人员应当理解,各射束的射野应当适形包围感兴趣器官。
或者,作为一种可替换的方案,也可以直接从外部接收离散化得到的笔芯束集合N和体素集合M。
进一步而言,将射束离散化为多个笔芯束时,使用的分辨率可以根据通量图的优化性能要求选取,例如2.5mm×2.5mm;或者,使用的分辨率也可以根据多叶准直器(MLC)的叶片宽度来选取,作为一个非限制性的例子,在垂直于叶片移动方向上的分辨率小于等于叶片宽度,例如,叶片宽度为10mm,则在垂直叶片移动方向上的分辨率为10mm,这样在转化为多叶准直器的叶片位置时,优化效果下降较小。
在将感兴趣器官离散化为多个体素时,使用的分辨率可以是均匀的,例如统一为5mm×5mm;或者,使用的分辨率也可以是可变的,例如,根据器官重要性、器官几何位置以及位于器官内的相对位置(例如,体素位于器官的边缘或中心)来选取不同的分辨率。
在将射束离散化为多个笔芯束之后,可以依据某种适当的规则得到各个笔芯束的初始权重,以得到初始笔芯束权重集合。作为一个非限制性的例子,可以采用均匀分布得到初始笔芯束权重集合,也即每个笔芯束的相对权重相同,而各射束对参考点的剂量贡献相等。其中,参考点可以选取在计划靶区的几何中心或重心上。或者,作为另一个非限制性的例子,也可以根据各个笔芯束影响的体素在整个计划靶区中所占的比例来确定,比例越高,该笔芯束的权重越大。
之后,可以根据各个笔芯束的初始权重计算得到计划靶区的初始剂量分布,具体计算方法可以采用现有技术中任何适当的方法。计算得到的初始剂量分布可以采用剂量-体积直方图(DVH)的形式来表示。另外,还可以确定计划靶区的理想剂量分布,例如,可以根据医生给定的约束点通过插值等方式得到理想剂量分布,该理想剂量分布也可以采用DVH的形式来表示。
接下来,可以确定多个笔芯束与多个体素之间的关联度,该关联度是一一对应的关系,体现了笔芯束对体素的剂量贡献。例如,某一笔芯束对某一体素的剂量贡献越大,则二者的关联度就越大;反之,二者的关联度就越小。
可以采用关联矩阵A来表示多个笔芯束和多个体素之间的关联度。关联矩阵A中的任一元素aij表示体素i与笔芯束j的关联度。其中,体素i为体素集合 M中的任一体素,也即i∈M;笔芯束j为笔芯束集合N中的任一笔芯束,也即j ∈N。
作为一个非限制性的例子,关联度可以为0或1这样的离散值。当笔芯束j 对体素i的沉积剂量超过预设阈值时,例如笔芯束j穿过体素i,则认为二者之间存在关联,二者之间的关联度aij为1;当笔芯束j对体素i的沉积剂量小于预设阈值时,例如笔芯束j并不穿过体素i,则认为二者之间不存在关联,二者之间的关联度aij为0。
此外,作为一个优选的例子,关联度还可以为[0,1]区间内的连续值,关联度 aij体现笔芯束j对体素i的沉积剂量。例如,当笔芯束j穿过体素i时,二者之间的关联度aij为1;当笔芯束j不穿过体素i,且笔芯束j通过散射效应对体素i的沉积剂量超过预设阈值,则二者之间的关联度aij为0至1之间的数值;当笔芯束j 不穿过体素i,而且通过散射效应对体素i的沉积剂量不超过预设阈值,则二者之间的关联度aij为0。采用这样的方式,使得计算量略大,但是可以使得计算结果更为精确。
另外,在得到体素集合M之后,还可以确定其中的各个体素i的权重wi。体素i的权重wi可以根据该体素i所属的器官重要性来确定,例如,体素i所属的器官重要性越高,其权重wi就越大。或者,体素i的权重wi也可以根据计划靶区的初始剂量分布以及理想剂量分布来确定,例如,该体素i的初始剂量值与理想剂量值之间的差距越大,则其权重wi也越大。
在步骤S12中,根据多个笔芯束与多个体素之间的关联度、多个体素的当前剂量分布、多个体素的理想分布以及多个体素的权重,采用启发式方法或者其他适当的方法对多个笔芯束的权重进行更新,将笔芯束的权重的当前值更新为更新值。
其中,首次对多个笔芯束的权重进行更新时,多个体素的当前剂量分布为初始剂量分布,笔芯束的权重的当前值为笔芯束的初始权重。后续再次对多个笔芯束的权重进行更新时,多个体素的当前剂量分布为前一次更新后计算得到的多个靶区的新剂量分布,笔芯束的权重的当前值为前一次更新后计算得到的笔芯束的权重的更新值。
参考图2,该启发式方法可以包括如下步骤:
步骤S121,确定多个体素的当前剂量值和理想剂量值;
步骤S122,对于每一笔芯束,确定每一体素与该笔芯束的关联系数;
步骤S123,对于每一笔芯束,将各体素与该笔芯束的关联系数进行加权平均,以得到该笔芯束的更新系数;
步骤S124,该笔芯束的权重的更新值等于笔芯束的权重的当前值乘以更新系数。
下面对各个步骤进行详细说明。
步骤S121中,可以根据计划靶区的当前剂量分布以及理想剂量分布得到所有体素的理想剂量值。
参考图3,图3示出了一种理想剂量值的确定方法。其中,多个体素的当前剂量分布对应的当前DVH曲线31采用实线形式,多个体素的理想剂量分布对应的理想DVH曲线30采用虚线形式。其中,理想DVH曲线30可以由医生给定的约束点通过插值的方式来形成。在DVH曲线中,点(x,y)表示剂量大于x的体积不超过y%。
根据某一体素的当前剂量值dosev,可以在当前DVH曲线31上得到其纵坐标值vol;根据该纵坐标值vol,可以在理想DVH曲线30上得到其横坐标值dosep,该横坐标值dosep即为体素的理想剂量值。
参考图4,图4示出了另一种理想剂量值的确定方法。其中,多个体素的当前剂量分布对应的当前DVH曲线41采用实线形式,多个体素的理想剂量分布对应的理想DVH曲线40采用虚线形式。其中,理想DVH曲线40可以是由医生给定的约束点限定的阶梯折线,该阶梯折线的拐点即为医生给定的约束点 (d1,v1)、(d2,v2)以及(dmax,0)。约束点的意义为剂量大于x的体积不超过 y%,因此,理想DVH曲线40是满足这些约束点的最宽松的DVH曲线。
当前DVH曲线41被理想DVH曲线40切割的部分(即,AB段和DE段) 已经满足要求,也即当前剂量值在[0,d1]区间内的体素,其理想剂量值等于当前剂量值。而当前DVH曲线41的其余部分(即,BD段)需要向理想DVH曲线40靠近,以满足要求。具体而言,对于剂量落在BC段的体素,其理想剂量值为d1;对于剂量落在CD段的体素,其理想剂量值为d2。
仍然参考图2,在步骤S122中,对于每一笔芯束,确定各个体素与该笔芯束的关联系数,该关联系数为笔芯束与体素之间的关联度、体素的理想剂量值以及体素的当前剂量值的函数。
进一步而言,对于笔芯束集合N中的任一笔芯束j,体素集合N中的任一体素i与该笔芯束j的关联系数可以为其中,aij为笔芯束j和体素i的关联度, pdi为体素i的理想剂量值,di为体素i的当前剂量值。
在步骤S123中,对于每一笔芯束,将多个体素与该笔芯束的关联系数依据各体素的权重进行加权平均,以得到该笔芯束的更新系数。例如,对于笔芯束j,其更新系数为其中,wi为体素i的权重。
在步骤S124中,计算各个笔芯束的权重的更新值,其等于该笔芯束的权重的当前值乘以该笔芯束的更新系数。例如,对于笔芯束j,其权重的更新值为其中,bj为笔芯束j的权重的当前值,bj’为笔芯束j的权重的更新值。
仍然参考图1,在步骤S13中,依据多个笔芯束的权重的更新值计算计划靶区的新剂量分布,计算方法可以采用现有技术中任何适当的方法。
在计算计划靶区的新剂量分布时,可以等待全部笔芯束的权重都被更新后,依据全部笔芯束的权重的更新值计算计划靶区的新剂量分布。
或者,作为一种替代的方案,也可以将全部笔芯束分为至少两个组,例如,属于同一个方向的笔芯束分为一组。在一组笔芯束的权重更新后,即计算计划靶区的新剂量分布;待下一组笔芯束的权重更新后,即进行下一次计划靶区的新剂量分布。只要计算得到的新剂量分布满足要求,即可完成优化,输出结果。采用这样的替代方案,计算量会略微增大,但是具有更好的优化效果。
在步骤S14中,判断计算得到的新剂量分布是否满足要求。关于是否满足要求的判断标准,可以根据实际需要进行设定。例如,如果新剂量分布与理想剂量分布之间的偏差小于预设值,则认为满足要求,否则认为不满足要求。
如果满足要求,则前进至步骤S15,输出结果,完成优化。如果不满足要求,则返回步骤S12,再次采用启发式方法对各个笔芯束的权重进行更新。再次更新时,刚计算得到的新剂量分布作为当前剂量分布,刚计算得到的笔芯束的权重的更新值作为当前值。
参考图5,作为一个优选的例子,在得到新剂量分布之后,根据新剂量分布得到对应的DVH曲线51。在再次对多个笔芯束的权重进行更新之前,还可以将各个笔芯束的权重的更新值同乘以一平移系数,使得所有体素的剂量值同比变化。在图5中,表现为DVH曲线51平移为DVH曲线51’,从而使得落入预设剂量区间范围(剂量501至剂量502)的体积达到最大。该预设剂量区间范围通常是预设的,例如医生期望计划靶区的剂量分布尽量位于剂量501至剂量502之间,则可以设定相应的剂量,例如6750cGY~7250cGY。
采用图5所示的方法,在每次重新计算剂量之后,通过DVH曲线的平移操作实现笔芯束剂量的快速调整,从而进一步加速优化过程。当然,这样的操作是可选的。
参考图6,根据本发明的一个实施例,该调强放疗优化系统60可以包括:数据预处理模块61、迭代优化模块62、剂量计算模块63以及DVH计算模块64。
其中,数据预处理模块61用于获得由射束和感兴趣器官离散化所得的多个笔芯束以及多个体素,并确定多个笔芯束与多个体素之间的关联度。例如,数据预处理模块61可以接收输入数据,输入数据可以包括病人器官的几何分布、医生给定的剂量要求、射束的角度等参数。数据预处理模块61还可以通过外部输入对其他参数的初始值进行设定,例如各个笔芯束的初始权重、各个体素的权重、多个体素的理想剂量分布等等。此外,数据预处理模块61还可以对输入数据进行预处理,例如将射束离散化,将感兴趣器官离散化,求解笔芯束与体素之间的关联度等等。
迭代优化模块62可以根据多个笔芯束与多个体素的关联度、多个体素的当前剂量分布、多个体素的理想剂量分布以及多个体素的权重,采用启发式方法或者其他适当的方法对多个笔芯束的权重进行更新,以得到多个笔芯束的权重的更新值。
迭代优化模块62可以包括:剂量值子模块621,根据多个体素的当前剂量分布和理想剂量分布,确定多个体素的当前剂量值和理想剂量值;关联系数子模块 622,对于每一笔芯束,确定每一体素与该笔芯束的关联系数,关联系数可以为笔芯束与体素之间的关联度、体素的理想剂量值以及体素的当前剂量值的函数;权重更新子模块623,对于每一笔芯束,将多个体素与该笔芯束的关联系数依据各体素的权重进行加权平均,以得到该笔芯束的更新系数,该笔芯束的权重的更新值等于该笔芯束的权重的当前值乘以该笔芯束的更新系数。
剂量计算模块63依据多个笔芯束的权重的更新值计算计划靶区的新剂量分布,如果新剂量分布不满足要求,则指示迭代优化模块62再次对多个笔芯束的权重进行更新,直至新剂量分布满足要求。剂量计算模块63计算的新剂量分布可以是三维剂量分布。
DVH计算模块64用于根据给定的剂量分布计算相应的DVH曲线。例如,可以根据多个体素的当前剂量分布和理想剂量分布计算得到对应的DVH曲线,剂量值子模块621可以根据计算得到的DVH曲线确定各个体素的当前剂量值和理想剂量值。
关于该调强放疗优化系统的更多信息,请参考前述实施例中关于调强放疗优化方法的相关描述,这里不再赘述。
图6所示的调强放疗优化系统可以采用软件的方式来实现,例如可以是运行于放疗设备上的一种程序;或者,也可以采用硬件的方式来实现,例如可以是分立元件形式或集成电路形式的硬件,作为放疗设备的一种附属设备或内部设备;或者,也可以采用软件和硬件结合的方式来实现。
虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可作出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (11)
1.一种调强放疗优化系统,其特征在于,包括:
数据预处理模块,获得由射束和感兴趣器官离散化所得的多个笔芯束和多个体素,并确定所述多个笔芯束与所述多个体素彼此之间的关联度,所述关联度反映所述笔芯束对所述体素的剂量贡献;
迭代优化模块,根据所述多个笔芯束与所述多个体素的关联度、所述多个体素的当前剂量分布、所述多个体素的理想剂量分布以及所述多个体素的权重,对所述多个笔芯束的权重进行更新,以得到所述多个笔芯束的权重的更新值;
剂量计算模块,依据所述多个笔芯束的权重的更新值计算所述多个体素的新剂量分布,如果所述新剂量分布不满足要求,则指示所述迭代优化模块再次对所述多个笔芯束的权重进行更新,直至所述多个体素的新剂量分布满足要求。
2.根据权利要求1所述的系统,其特征在于,所述迭代优化模块包括:
剂量值子模块,根据所述多个体素的当前剂量分布和理想剂量分布,确定所述多个体素的当前剂量值和理想剂量值;
关联系数子模块,对于每一笔芯束,确定每一体素与该笔芯束的关联系数;
权重更新子模块,对于每一笔芯束,将所述多个体素与该笔芯束的关联系数依据各体素的权重进行加权平均,以得到该笔芯束的更新系数,该笔芯束的权重的更新值等于该笔芯束的权重的当前值乘以该笔芯束的更新系数。
3.根据权利要求2所述的系统,其特征在于,所述关联系数为所述笔芯束与所述体素之间的关联度、所述体素的理想剂量值以及所述体素的当前剂量值的函数。
4.根据权利要求3所述的系统,其特征在于,所述函数为其中,aij为笔芯束j与体素i的关联度,pdi为体素i的理想剂量值,di为体素i的当前剂量值。
5.根据权利要求2所述的系统,其特征在于,所述迭代优化模块采用的计算公式为:其中,M为所述多个体素的集合,N为所述多个笔芯束的集合,bj’为笔芯束j的权重的更新值,bj为笔芯束j的权重的当前值,aij为笔芯束j与体素i的关联度,pdi为体素i的理想剂量值,di为体素i的当前剂量值,wi为体素i的权重。
6.根据权利要求1所述的系统,其特征在于,还包括:
平移模块,将所述多个笔芯束的权重的更新值同乘以一平移系数,以使所述多个体素落入预设剂量区间范围的体积达到最大,所述权重更新子模块再次对所述多个笔芯束的权重进行更新时,所述笔芯束的权重的当前值为所述笔芯束的权重的更新值乘以所述平移系数。
7.根据权利要求1所述的系统,其特征在于,所述剂量计算模块在全部笔芯束的权重被更新后再计算所述多个体素的新剂量分布。
8.根据权利要求1所述的系统,其特征在于,所述多个笔芯束分为至少两个组,所述剂量计算模块在每组笔芯束的权重被更新后即计算所述多个体素的新剂量分布。
9.根据权利要求1至8中任一项所述的系统,其特征在于,所述数据预处理模块采用关联矩阵的形式表示所述多个笔芯束与所述多个体素彼此之间的关联度,所述关联矩阵中的元素aij为笔芯束j与体素i的关联度,其中体素i为所述多个体素中的任一体素,笔芯束j为所述多个笔芯束中的任一笔芯束。
10.根据权利要求1至8中任一项所述的系统,其特征在于,所述关联度为0或1,其中,当且仅当所述笔芯束对所述体素的沉积剂量超过预设阈值时,二者的关联度为1,否则二者的关联度为0。
11.根据权利要求1至8中任一项所述的系统,其特征在于,所述关联度为[0,1]区间内的连续值,所述关联度体现所述笔芯束对所述体素的沉积剂量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075221.XA CN104645500B (zh) | 2015-02-12 | 2015-02-12 | 一种调强放疗优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075221.XA CN104645500B (zh) | 2015-02-12 | 2015-02-12 | 一种调强放疗优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104645500A CN104645500A (zh) | 2015-05-27 |
CN104645500B true CN104645500B (zh) | 2018-08-03 |
Family
ID=53237454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510075221.XA Active CN104645500B (zh) | 2015-02-12 | 2015-02-12 | 一种调强放疗优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104645500B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105031819B (zh) * | 2015-08-25 | 2018-11-06 | 上海联影医疗科技有限公司 | 一种剂量优化系统 |
CN106814384B (zh) * | 2015-11-27 | 2019-03-15 | 华北电力大学 | 核电厂点源辐射源强逆推方法及点源辐射源强逆推系统 |
CN105664376B (zh) * | 2015-12-31 | 2019-11-19 | 上海联影医疗科技有限公司 | 一种剂量分布确定和放射治疗计划优化的装置及设备 |
CN107961447B (zh) * | 2016-10-20 | 2020-03-24 | 上海东软医疗科技有限公司 | 一种放疗计划的获得方法和装置 |
EP3412340A1 (en) | 2017-06-08 | 2018-12-12 | Koninklijke Philips N.V. | Treatment plan generation for radiation therapy treatment |
CN107441637B (zh) * | 2017-08-30 | 2019-06-07 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
CN110246562B (zh) * | 2018-03-07 | 2021-08-06 | 有方(合肥)医疗科技有限公司 | 确定放疗系统中的子射束强度的方法、装置及计算机系统 |
CN111986777A (zh) * | 2020-07-31 | 2020-11-24 | 上海联影医疗科技股份有限公司 | 放射治疗计划优化系统、装置和存储介质 |
CN112151146B (zh) * | 2020-09-27 | 2022-08-23 | 上海联影医疗科技股份有限公司 | 通量图优化系统、装置和存储介质 |
CN116457060A (zh) * | 2020-11-17 | 2023-07-18 | 西安大医集团股份有限公司 | 靶点的权重确定方法、装置及放射治疗系统 |
CN113577581B (zh) * | 2021-08-30 | 2024-02-20 | 上海联影医疗科技股份有限公司 | 放疗剂量确定系统 |
CN117224864B (zh) * | 2023-11-13 | 2024-02-27 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗剂量的确定方法、装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1260730A (zh) * | 1997-06-19 | 2000-07-19 | 埃莱克特公司 | 自动化剂量规划法 |
US6560311B1 (en) * | 1998-08-06 | 2003-05-06 | Wisconsin Alumni Research Foundation | Method for preparing a radiation therapy plan |
US20030219098A1 (en) * | 2002-05-23 | 2003-11-27 | Koninklijke Philips Electronics N.V. | Inverse planning for intensity-modulated radiotherapy |
US20040001569A1 (en) * | 2002-04-29 | 2004-01-01 | Chunsong Luo | Intensity modulated radiotherapy inverse planning algorithm |
WO2005072825A1 (en) * | 2004-01-20 | 2005-08-11 | University Of Florida Research Foundation, Inc. | Radiation therapy system using interior-point methods and convex models for intensity modulated fluence map optimization |
CN102043909A (zh) * | 2010-12-29 | 2011-05-04 | 深圳市海博科技有限公司 | 治疗计划中靶点布置优化方法和治疗计划系统 |
CN102063569A (zh) * | 2010-12-29 | 2011-05-18 | 深圳市海博科技有限公司 | 一种治疗计划中靶点布置方法和治疗计划系统 |
CN103038669A (zh) * | 2010-06-22 | 2013-04-10 | 卡尔·奥托 | 用于估计和操作所估计的辐射剂量的系统和方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2948030B1 (fr) * | 2009-07-15 | 2012-12-14 | Commissariat Energie Atomique | Procede de calcul de doses deposees par un rayonnement ionisant |
US8249215B2 (en) * | 2009-11-10 | 2012-08-21 | Siemens Medical Solutions Usa, Inc. | Mixed-energy intensity-modulated radiation therapy |
US8492735B2 (en) * | 2010-05-27 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Method for optimization radiotherapy particle beams |
EP2808057B1 (en) * | 2013-05-31 | 2016-02-03 | RaySearch Laboratories AB | Method and system for robust radiotherapy treatment planning |
-
2015
- 2015-02-12 CN CN201510075221.XA patent/CN104645500B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1260730A (zh) * | 1997-06-19 | 2000-07-19 | 埃莱克特公司 | 自动化剂量规划法 |
US6560311B1 (en) * | 1998-08-06 | 2003-05-06 | Wisconsin Alumni Research Foundation | Method for preparing a radiation therapy plan |
US20040001569A1 (en) * | 2002-04-29 | 2004-01-01 | Chunsong Luo | Intensity modulated radiotherapy inverse planning algorithm |
US20030219098A1 (en) * | 2002-05-23 | 2003-11-27 | Koninklijke Philips Electronics N.V. | Inverse planning for intensity-modulated radiotherapy |
WO2005072825A1 (en) * | 2004-01-20 | 2005-08-11 | University Of Florida Research Foundation, Inc. | Radiation therapy system using interior-point methods and convex models for intensity modulated fluence map optimization |
CN103038669A (zh) * | 2010-06-22 | 2013-04-10 | 卡尔·奥托 | 用于估计和操作所估计的辐射剂量的系统和方法 |
CN102043909A (zh) * | 2010-12-29 | 2011-05-04 | 深圳市海博科技有限公司 | 治疗计划中靶点布置优化方法和治疗计划系统 |
CN102063569A (zh) * | 2010-12-29 | 2011-05-18 | 深圳市海博科技有限公司 | 一种治疗计划中靶点布置方法和治疗计划系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104645500A (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104645500B (zh) | 一种调强放疗优化系统 | |
CN103083821B (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 | |
CN107847757B (zh) | 用于放射疗法优化的方法、计算机存储介质和计算机系统 | |
Bedford et al. | Constrained segment shapes in direct‐aperture optimization for step‐and‐shoot IMRT | |
CN105617535A (zh) | 一种剂量分布估算方法以及子野优化方法 | |
CN110420396B (zh) | 一种放射治疗计划优化系统、装置及存储介质 | |
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 | |
CN105664376B (zh) | 一种剂量分布确定和放射治疗计划优化的装置及设备 | |
CN110570923B (zh) | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 | |
CN104318122A (zh) | 一种基于扰动的旋转调强优化方法 | |
CN105031820A (zh) | 调强放疗逆向优化方法和装置 | |
Fuchs et al. | A pencil beam algorithm for helium ion beam therapy | |
CN105709341A (zh) | 一种基于梯度法和漫水填充法的调强子野优化方法 | |
Van Haveren et al. | Lexicographic extension of the reference point method applied in radiation therapy treatment planning | |
CN109499012A (zh) | 一种优化剂量引导的tps自动迭代优化算法 | |
CN110237439A (zh) | 用于正交双层光栅装置的静态调强子野优化方法 | |
Mahmoudzadeh et al. | Constraint generation methods for robust optimization in radiation therapy | |
CN114496161A (zh) | 放疗剂量的优化方法及装置 | |
CN104636832A (zh) | 剂量分布变化估算方法及装置、直接子野优化方法及系统 | |
Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
CN110310743B (zh) | 一种蒙特卡罗剂量计算方法、设备和存储介质 | |
WO2022088341A1 (zh) | 放疗的控制方法及装置 | |
Boylan et al. | The use of a realistic VMAT delivery emulator to optimize dynamic machine parameters for improved treatment efficiency | |
CN110582325B (zh) | 用于基于离子的放射疗法治疗计划的系统 | |
CN105477789A (zh) | 基于二次规划模型抑制总出束时间的动态调强放疗方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 2258 Chengbei Road, Jiading District, Shanghai Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |