CN105031819A - 一种剂量优化方法与系统 - Google Patents

Abstract

本发明提供了一种剂量优化方法与系统。该方法包括：获取第一剂量体积直方图，所述第一剂量体积直方图为通量图优化的结果；提供第二优化模型，以所述第一剂量体积直方图为优化目标优化所述第二优化模型的参数，获得第二剂量体积直方图，其中若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

Description

一种剂量优化方法与系统

技术领域

本发明涉及放射治疗设备的优化，尤其涉及基于理想剂量体积直方图的优化。

背景技术

放射治疗作为肿瘤的一种局部治疗手段，一直在不断寻求解决的一个基本问题是，如何较好地处理肿瘤组织和周围正常组织的剂量关系，使肿瘤得到最大限度的局部控制而周围正常组织和器官的放射损伤最小。临床经验证明，肿瘤的局部控制与正常组织的放射损伤有一定的关系。多数情况下，肿瘤控制率与正常组织损伤成正比例，即提高肿瘤的局部控制率必然造成对正常组织的更多的损伤。临床经验也证明，通过改进照射技术、选择合理的时间剂量因子，在保持同等水平的肿瘤控制率的情况下，可减低正常组织的放射损伤。治疗方案的优化是实现上述目的的途径之一。

治疗方案优化就是治疗方案的个体化，优化的过程就是利用优化算法求解优化模型获得最优化方案的过程。优化方法是通过建立目标函数与约束条件建立优化模型，利用优化算法求解获得最优化方案的方法。在建立模型过程中，根据求解问题的需要，可以将约束条件并入目标函数使用，以便将问题简化，形成减少约束条件或者无约束条件的优化模型。因此，治疗方案优化是利用优化算法求解优化模型在约束条件下的趋近目标的过程。

目前，放射治疗中采用的模式包括适形放射治疗(ConformalRadiationTherapy,CRT)、调强放射治疗(IntensityModulatedRadiationTherapy,IMRT)、旋转调强放射治疗(IntensityModulatedArcRadiationTherapy,IMAT)、断层调强放射治疗(Tomotherapy)、爆发式调强放射治疗(BurstModeRadiationTherapy)以及容积调强放射治疗(VolumatricArcRadiationTherapy,VMAT)以及其混合模式。这些模式下一般包括两种优化方法：通量图(FluenceMap，也称为注量图或强度图)优化方法、直接子野优化方法。

通量图优化(FluenceMapOptimization，FMO)方法，是根据医生给定的处方剂量与器官约束(肿瘤靶区/正常器官/危及器官等)，建立数学优化模型，并利用优化算法求解该模型，获得各个射线束的强度分布的方法。由于各个射线束的强度分布，使用多叶准直器无法直接执行，需要离散为多个多叶准直器形状(子野)的叠加。

直接子野优化方法，除了考虑医生处方剂量与器官约束之外，引进了机器参数尤其是用于执行计划的多叶准直器的叶片约束条件，建立数学优化模型，并利用优化算法求解该模型，获得各个射线束下多个多叶准直器形状(子野)的方法。

通量图优化方法速度很快，且在建立优化模型时，不需要考虑实际照射中的多叶准直器的限制，因此，该优化结果是最理想的结果，所产生的剂量体积直方图是一种理想剂量体积直方图。但是，该理想结果无法直接使用，现有技术将其优化获得的通量分布转换为子野使用，但由于形成子野的多叶准直器的形状受到尺寸限制，将通量分布转换为子野使用的过程中损失了精度。如图1的A曲线为通量图优化得到的理想剂量体积直方图，如果能理想执行该强度分布，则被照射对象所受到的辐射剂量满足A曲线分布；但是，现有技术是FMO的结果离散化后生成可用于放射治疗机器执行的多个子野，多个子野叠加后获得总的强度，与理想强度相比将会出现较大的偏差。因此通量图优化方法的最主要缺点是不够精准。现有技术的直接子野优化方法虽然所得到的解可以直接执行，但是与理想的效果仍然有一定距离。

另外，由于这两种优化方法最终得到的优化结果均是对应各自放射治疗模式的子野的形状与强度分布，而不同放射治疗模式下，子野是不同的，因此对应的子野的剂量分布也应是不同的，所以在现有技术中这两种优化方法最终得到的优化结果在不同放射治疗模式下无法通用，需要重新优化。

发明内容

为了解决现有技术中的理想剂量体积直方图无法直接被放射治疗设备执行、优化结果精度较差、且在各治疗模式间通用性差的缺陷，本发明提供了一种剂量优化方法和系统。

本发明提供了一种剂量优化方法。所述方法包括以下步骤：

获取第一剂量体积直方图，所述第一剂量体积直方图为通量图优化的结果；

提供第二优化模型，以所述第一剂量体积直方图为优化目标优化所述第二优化模型的参数，获得第二剂量体积直方图，其中若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

在一个实施例中，所述获取第一剂量体积直方图包括：通过求解通量图优化模型获取所述第一剂量体积直方图。

在一个实施例中，所述获取第一剂量体积直方图包括：从数据库中获取所述第一剂量体积直方图。

在一个实施例中，所述数据库中存储至少一个剂量体积直方图，所述剂量体积直方图为通量图优化的结果。

在一个实施例中，在提供所述第二优化模型之前，还包括以下步骤：

选择治疗模式，所述治疗模式包括适形放射治疗模式、调强放射治疗模式、旋转调强放射治疗模式、断层调强放射治疗模式、爆发式调强放射治疗模式以及容积调强放射治疗模式中的至少一种。

在一个实施例中，以所述第一剂量体积直方图为优化目标优化所述第二优化模型的参数，获得第二剂量体积直方图的步骤包括：

通过修改所述第二优化模型的参数来调整所述第二剂量体积直方图，从而使得所述第二剂量体积直方图不断逼近所述第一剂量体积直方图，其中所述第二优化模型的参数包括子野形状与子野权重。

在一个实施例中，所述第二优化模型的参数还包括子野角度和/或子野个数。

在一个实施例中，所述第二优化模型采用直接子野优化模型。

本发明还提供了一种剂量优化系统，所述系统包括：

获取单元，被配置成获取第一剂量体积直方图，所述第一剂量体积直方图为通量图优化的结果；

第二优化单元，被配置成提供第二优化模型，以所述第一剂量体积直方图为优化目标优化第二优化模型的参数，获得第二剂量体积直方图，其中若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

在一个实施例中，所述获取单元包括通量图优化单元，被配置成提供通量图优化模型以获取所述第一剂量体积直方图。

在一个实施例中，所述获取单元被配置成从数据库中获取所述第一剂量体积直方图。

在一个实施例中，所述数据库中存储至少一个剂量体积直方图，所述剂量体积直方图为通量图优化的结果。

在一个实施例中，所述系统还包括：

选择单元，被配置成用于选择治疗模式，所述治疗模式包括适形放射治疗模式、调强放射治疗模式、旋转调强放射治疗模式、断层调强放射治疗模式、爆发式调强放射治疗模式以及容积调强放射治疗模式中的至少一种。

在一个实施例中，所述第二优化单元被配置成通过修改所述第二优化模型的参数来调整所述第二剂量体积直方图，从而使得所述第二剂量体积直方图不断逼近所述第一剂量体积直方图，其中所述第二优化模型的参数包括子野形状与子野权重。

在一个实施例中，所述第二优化模型的参数还包括子野角度和/或子野个数。

本发明还提供了又一种剂量优化方法，所述方法包括：

采用通量图优化方法获得第一剂量体积直方图；

以所述第一剂量体积直方图为目标采用直接子野优化方式获得第二剂量体积直方图，若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

在一个实施例中，以所述第一剂量体积直方图为目标采用直接子野优化方式获得第二剂量体积直方图的步骤包括：

通过修改直接子野优化方式中的子野来调整所述第二剂量体积直方图，从而使得所述第二剂量体积直方图不断逼近所述第一剂量体积直方图，其中修改直接子野优化方式中的子野包括修改子野形状与子野权重。

在一个实施例中，所述修改直接子野优化方式中的子野还包括子野角度和/或子野个数。

本发明利用通量图优化模型快速优化，或者从数据库中获得理想剂量体积直方图(DoseVolumeHistogram)，其他优化方法以此理想剂量体积直方图为目标进行优化，快速获得优化的最终结果。本发明的技术效果在于引入了理想剂量体积直方图概念，优化方向以理想剂量体积直方图为目标，在方向确定的情况下，加快其他复杂优化方法的收敛速度。本发明提出以理想剂量体积直方图为目标的优化方法，可实现各种放射治疗模式下的计划互相快速转化，包括将适形计划、调强计划、容积调强计划、旋转调强计划等各种计划的快速互相转换。

附图说明

本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的发明的示例。在附图中，相同的附图标记代表相同或类似的元素。

图1示出根据本发明的一实施例的剂量体积直方图；

图2示出根据本发明的一实施例的剂量优化系统；以及

图3示出根据本发明的一实施例的剂量优化方法。

具体实施方式

以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。

本发明提出了一种剂量优化方法与系统。剂量体积直方图(DVH)是用于定量表述所定义的体积内吸收剂量的三维分布信息。如图1所示，直方图的横轴为吸收剂量，可为百分剂量或绝对剂量；纵轴为体积，可为百分体积或绝对体积。DVH的一个重要功能是帮助分析一个治疗计划是否达到临床治疗的要求，即确定关心的结构有多少体积受到多大剂量的照射；另一个功能是进行治疗计划的比较和优选。下述实施例介绍了利用剂量体积直方图进行治疗计划优化的系统与方法。

图2示出了根据本发明的一实施例的剂量优化系统。该剂量优化系统包括输入单元201、获取单元202、选择单元203、第二优化单元204、和输出单元205。

该输入单元201被配置成设置第一初始条件和/或第二初始条件。所述第一初始条件以及第二初始条件由操作者根据实际情况设定或者机器根据获取的图片进行自动设定。

该获取单元202，被配置成获取第一剂量体积直方图。在一个实施例中，该获取单元202包括第一优化单元，该第一优化单元被配置成根据上述第一初始条件求解第一优化模型获得第一剂量体积直方图，其中第一初始条件包括第一感兴趣区域、预设的第一感兴趣区域的剂量目标、第一射野角度，其中第一感兴趣区域包括第一肿瘤靶区域、第一危及器官区域。该第一初始条件还可以包括初始通量图，尤其是，当该初始通量图为医生的经验值时，则该初始通量图可能非常接近希望得到的优化结果，以该初始通量图为起点进行优化从而会节省第一优化单元的优化时间。

在本实施例中，该第一优化模型可采用通量图优化模型。在通量图优化模型中，可根据第一初始条件求解该通量图优化模型得到对应第一感兴趣区域的通量分布，然后根据该通量分布进行剂量计算并统计感兴趣区域的器官栅元的剂量获得第一感兴趣区域的各个器官的剂量体积直方图。

在通量图优化(FMO)模型中，目标函数有多种，可以是生物目标函数、物理目标函数、或者是二者的结合。一般采用物理目标函数，定义为：

$O\left(I\right)=C\underset{n=1}{\overset{N_v}{\Σ}}{w}_n{(\underset{i=1}{\overset{N_p}{\Σ}}{I}_i{d}_n^{\left(i\right)}-{\stackrel{\‾}{d}}_n)}^2---\left(1\right)$

其中，I_i为第i个射束元的强度，是第i个单位强度射束元对第n个体积元的剂量贡献，是第n个体积元的处方剂量，w_n是第n个体积元的权重，N_v和N_p分别代表体积元和射束元的数目，C是归一化的常数。根据器官对辐射的响应特性，约束条件有两种。对于串行器官(例如脊髓)要采用最大值约束，即器官上任何体积元的吸收剂量不超过容忍值

$d_n\≤d_n^{\left(max\right)},n\∈O^{\left(k\right)}---\left(2\right)$

这里，O^(k)表示第k个器官的体积元集合。对于并行器官(例如肺)，要采用剂量体积约束，即器官内吸收剂量超过容忍值的体积与器官总体体积之比不大于某一容忍值

$\underset{n\∈O^{\left(k\right)}}{\Σ}H(d_n-d_{\max }^{\left(k\right)})\frac{V_n}{V^{\left(k\right)}}\≤{\mathrm{\γ}}_{max}^{\left(k\right)}---\left(3\right)$

$H\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\≤0\end{array}\right.$

这里，V_n是体积元n的体积，V^(k)是器官k的总体积，H(x)是海维赛德阶梯函数(Heavisidestepfunction)。在(1)式中，如果危及器官体积元的权重为零，则危及器官的剂量分布由(2)式和(3)式的约束条件控制。如果不考虑(2)式和(3)式表示的约束条件，危及器官上的剂量分布也可以通过危及器官的体积元权重控制。

在本实施例中，根据第一初始条件构建第一感兴趣区域对应的目标函数和/或约束条件，获取对应的第一剂量体积直方图。

如图1所示，A曲线为通过通量图优化方法获得的对应某个器官的第一剂量体积直方图，其中横坐标表示剂量，纵坐标表示体积。该第一剂量体积直方图反映了该器官在不同剂量下所占的绝对体积或者相对体积，其中在归一化情况下，获得的体积即相对积体。由于在通量分布优化过程中，不需要考虑多叶准直器本身所包含的一些约束条件，因此计算得到的剂量体积直方图是一种理想的剂量体积直方图，即A曲线代表的第一剂量体积直方图是一种理想的剂量体积直方图。

在另一实施方式中，理想剂量体积直方图可以从数据库中直接获取。这种情况下，可以针对不同的肿瘤类型、根据不同的初始条件、采用通量图优化方法事先计算多种剂量体积直方图并存储在放疗系统的数据库中，操作者可以根据当前需要放疗的肿瘤类型，利用相关算法计算当前需要放疗的肿瘤和数据库中存储的肿瘤的特征相关性，找到放射治疗效果最好的剂量体积直方图作为理想剂量体积直方图。一般情况下，如果数据库中的剂量体积直方图对应的放射治疗效果好于平均水平，则可以提取该剂量体积直方图作为理想剂量体积直方图；如果有多个可用的剂量体积直方图对应的放射治疗效果都好于平均水平，则可以采用统计方法提取平均的剂量体积直方图为理想剂量体积直方图。这种方式中，省去了第一剂量体积直方图的实时计算时间，从而节省第一优化单元的优化时间。

当然，只要可以获得理想的剂量体积直方图，本领域技术人员可以采用其它方法获取，不限于本发明的实施例。

选择单元203被配置成用于选择治疗模式。治疗模式包括，但不限于，适形放射治疗(ConformalRadiationTherapy,CRT)、调强放射治疗(IntensityModulatedRadiationTherapy,IMRT)、旋转调强放射治疗(IntensityModulatedArcRadiationTherapy,IMAT)、断层调强放射治疗(Tomotherapy，Tomo)、爆发式调强放射治疗(BurstModeRadiationTherapy，BMRT)以及容积调强放射治疗(VolmaticArcRadiationTherapy,VMAT)中的至少一种。用户可以通过此单元实现不同治疗模式的切换：例如，第一优化模型为IMRT，则第二优化模型可以选择为CRT、IMRT、IMAT，BMRT，TMRT，VMAT模式的一种或者多种的混合。在一个实施例中，选择单元也可以不进行选择，即保持与第一优化模型的治疗模式一致。

第二优化单元204被配置成提供第二优化模型，以所述第一剂量体积直方图为优化目标优化第二优化模型的参数，获得第二剂量体积直方图，其中若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

具体而言，第二优化单元204首先根据第二初始条件获得初始的第二剂量体积直方图。第二初始条件包括第二感兴趣区域、预设的第二感兴趣区域的剂量目标、准直器叶片约束、第二射野角度、第一剂量体积直方图，其中第二感兴趣区域包括第二肿瘤靶区域、第二危及器官区域。该第二初始条件还可以包括初始子野权重与子野形状，尤其是，当该初始子野权重与子野形状是根据医生的经验值提供时，则该初始子野权重与子野形状可能非常接近希望得到的优化结果，从而节省第二优化单元的优化时间。

需要指出的是，在本发明中，第二初始条件的第二感兴趣区域(包括肿瘤靶区域、危及器官区域)及其对应的剂量目标与第一初始条件的第一感兴趣区域及其对应的剂量目标是相同的，但是第二射野角度与第一射野角度可能是不同的。

接着，该第二优化单元204被配置成以第一剂量体积直方图为优化目标来优化初始的第二剂量体积直方图，以使得优化后的第二剂量体积直方图最大程度地逼近所述第一剂量体积直方图。在一个实施例中，可通过构造目标函数的方式使得优化后的第二剂量体积直方图最大程度地逼近所述第一剂量体积直方图。例如，可以构造凸函数(ConcaveFunction，也就是曲线向上开口的)，也可以构造凹函数(convexfunction，也就是曲线向下开口的)。根据凸函数性质，凸函数的局部极小值就是全局最小值；同理，根据凹函数的性质，凹函数的局部极大值就是全局的最大值。换言之，如果凸函数有一个“底”，在底的任意点就是它的极小值。如果凹函数有一个“顶点”，那么那个顶点就是函数的极大值。当目标函数达到最小值或最大值时，优化后的第二剂量体积直方图与作为目标的第一剂量体积直方图最为逼近。

以IMRT模式切换为VMAT模式为例，保持第一剂量体积直方图为VMAT的约束条件，通过构造凸函数或者凹函数来建立优化模型。举例如下，如图1所示，作为初始的第二剂量体积直方图的B曲线为当前VMAT治疗模式下对应的器官的初始剂量体积直方图。在A曲线和B曲线上找若干点(包括整个曲线上的点)，例如在图1中，选取D₁、D₂两点，通过不断调整第二优化模型的参数，使得B曲线上的D₁、D₂之间的线段逐步接近A曲线上D₁、D₂之间的线段。为了实现两曲线的逼近，可构造目标函数f。在B曲线上取N个采样点，剂量分别为D_i(i＝1，2，…N)，构造的目标函数f可以表示如下：

$f=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}H(D_i-D_1)\·H(D_2-D_i){(D_i-D_1)}^2$

$H\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\≤0\end{array}\right.$

其中，H为海维赛德阶梯函数，此处目标函数f为凸函数。

第二优化单元的目标是要使采样点剂量D_i接近目标剂量D₁，在有N个采样点的情况下，则求方差，即为上述方程。当方差最小时，即为采样点的剂量值离目标剂量D₁分散程度最小的时候，也就是当f取最小值时，B曲线最接近A曲线。从上述等式中可以看出，仅当D_i取值在D₁和D₂之间时，目标函数f不为0，即目标函数f才有意义。通过不断调整第二优化模型的参数，例如，可调整第二优化模型的参数中的各子野的形状与权重，通过模拟退火算法或梯度算法等找到最优的权重使剂量满足要求，并使目标函数f最小，在不断调整各子野的形状与权重的过程中，B曲线不断接近理想的A曲线(两个曲线越接近，对应的f也越小)，当f达到最小值时，即为优化的结果。其中，第二优化模型的参数还可以包括子野个数和/或子野角度。如果医生限定了子野角度，则子野角度不需要优化，但一般情况下，医生限定的是射野角度，而每个射野会被分解成一系列子野依次照射，因此还需要优化子野角度；医生也可能限定子野个数，例如限定子野的个数小于某个阈值，则优化的时候，必须满足该条件。此外，使剂量满足要求是指剂量满足设定的约束条件，例如第二初始条件，还可以包括设定的其它约束条件，例如危及器官的剂量上限、肿瘤区域的剂量下限和剂量上限、区域的剂量均匀性等。

在另一个实施例中，也可以优化多个线段，分别使得每个线段逼近A曲线上对应的线段。例如，选取多个点：D₁,D₂,D₁’,D₂’,D₁”,D₂”，并设定多个目标剂量，例如：D₁，D₁’,D₁”，分别优化B曲线上对应D₁-D₂,D₁’-D₂’,D₁”-D₂”之间的线段，使感兴趣区域的不同采样点分别趋近于不同的目标剂量，则相比只有一个目标剂量而言，优化结果会更加逼近A曲线。例如，可列出如下方程组：

$\left\{\begin{array}{c}f=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}H(D_i-D_1)\·H(D_2-D_i){(D_i-D_1)}^2\\ f=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}H(D_i-D_1^{\′})\·H(D_2^{\′}-D_i){(D_i-D_1^{\′})}^2\\ f=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}H(D_i-D_1^{\′\′})H(D_2^{\′\′}-D_i){(D_i-D_1^{\′\′})}^2\end{array}\right.$

其中，D_i是感兴趣区域的采样点的剂量值，是B曲线上的采样点的剂量值；H为海维赛德阶梯函数；目标函数f被构造成一个凸函数，因此局部极小值也就是全局最小值。在上述方程组中，B曲线上对应D₁-D₂,D₁’-D₂’,D₁”-D₂”之间的线段可为相同的线段，也可为不同的线段。目标值可以取D₁，D₁’,D₂”，也可以分别取A曲线上线段D₁-D₂,D₁’-D₂’,D₁”-D₂”上的其它剂量值。

需要注意的是，本申请的目标函数f并不限于上述的二次函数，还可以是例如偶次方根函数，只要满足目标函数f是一个凸函数或者凹函数即可。

此外，为了使得第二剂量体积直方图逼近第一剂量体积直方图，除了上述构造目标函数的方法之外，也可基于两曲线来构造约束条件。例如，可在B曲线上取N个采样点，剂量分别为D_i(i＝1，2，…N)，限定每个采样点的剂量均小于D₀，其中，D₀根据A曲线选取，且D₁<D₀<D₂，构造的约束条件可以表示如下：

D₁<D_i<D₀

此时，第二优化单元的目标函数为操作者根据放疗计划的其它要求而建立的，在目标函数趋近于极小值或极大值的时候，且满足上述的约束条件时，B曲线最接近A曲线，即第二剂量体积直方图最逼近理想剂量体积直方图。

为了实现两曲线的逼近，还可根据两曲线同时构造目标函数和约束条件。在B曲线上取N个采样点，剂量分别为D_i(i＝1，2，…N)，构造的目标函数f可以表示如下：

$f=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}H(D_i-D_1)\&CenterDot;H(D_2-D_i){(D_i-D_1)}^2$

$H\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\&le;0\end{array}\right.$

其中，H为海维赛德阶梯函数，此处函数f为凸函数。

对于每个采样点的剂量，限定剂量均小于D₀，其中，D₀根据A曲线选取，且D₁<D₀<D₂，构造的约束条件可以表示如下：

D_i<D₀

在上述目标函数f趋近于极小值或极大值的时候，且满足上述的约束条件，B曲线最接近A曲线。

在上述实施例中，仅给出一种约束条件的示例，但不限于此，本领域技术人员可以设置其它的约束条件，均在本发明的保护范围内。

在对第二剂量体积直方图进行了优化后，该第二优化单元204将优化后的第二剂量体积直方图与第一剂量体积直方图的比较结果与一阈值做比较，当比较结果小于该阈值范围，则所得到的优化后的第二剂量体积直方图所对应的优化结果为最终结果，否则继续优化第二剂量体积直方图。在上述这个例子中，作为第二剂量体积直方图的B曲线不断向作为第一剂量体积直方图的A曲线逼近，反映在目标函数f和/约束条件上。对于目标函数f，则表现为目标函数f值不断在变小，比较单元将约束函数f值与一个预先设定的阈值进行比较，如果目标函数f值小于该阈值，则当前得到的第二剂量体积直方图所对应的优化结果为最终可以供放射治疗设备执行的结果，否则继续优化，直至目标函数f值小于该阈值。对于约束条件，则表现为采样点的剂量与限定剂量之间的差别的大小，当该差别满足要求，则当前得到的第二剂量体积直方图所对应的优化结果为最终可以供放射治疗设备执行的结果，否则继续优化，直至该差别满足要求。

输出单元205被配置成将所得到的第二剂量体积直方图所对应的优化结果为最终结果输出。

输出的结果与用户选择的治疗模式的个数一致，当选择了多种模式，则每个模式下都会以第一剂量体积直方图为目标进行优化，并输出对应模式下的优化结果。图3示出了根据本发明的一实施例的基于理想剂量体积直方图的优化方法。该优化方法包括以下步骤。

步骤301：获取第一剂量体积直方图。

在一实施方式中，在步骤301中，通过第一优化模型，获取第一剂量体积直方图。

该第一优化模型采用通量图优化方法，根据第一初始条件获取的第一剂量体积直方图为理想的剂量体积直方图。其中，第一初始条件包括第一感兴趣区域、预设的第一感兴趣区域的剂量目标、第一射野角度，其中第一感兴趣区域包括第一肿瘤靶区域、第一危及器官区域。第一初始条件还可以包括初始通量图。

在另一实施方式中，从数据库中直接获取第一剂量体积直方图。

这种情况下，可以针对不同的肿瘤类型、根据不同的初始条件、采用通量图优化方法事先计算多种剂量体积直方图并存储在放疗系统的数据库中，操作者可以根据当前需要放疗的肿瘤类型，利用相关算法计算当前需要放疗的肿瘤和数据库中存储的肿瘤的特征相关性，找到放射治疗效果最好的剂量体积直方图作为理想剂量体积直方图。一般情况下，如果数据库中的剂量体积直方图对应的放射治疗效果好于平均水平，则可以提取该剂量体积直方图作为理想剂量体积直方图；如果有多个可用的剂量体积直方图对应的放射治疗效果都好于平均水平，则可以采用统计方法提取平均的剂量体积直方图为理想剂量体积直方图。这种方式中，省去了第一剂量体积直方图的实时计算时间，从而节省第一优化单元的优化时间。

当然，只要可以获得理想的剂量体积直方图，本领域技术人员可以采用其它方法获取，不限于本发明的实施例。

图3示出了根据本发明的一实施例的剂量优化方法的流程图。该剂量优化方法包括以下步骤。

步骤302：选择治疗模式。治疗模式包括，但不限于，适形放射治疗(ConformalRadiationTherapy,CRT)、调强放射治疗(IntensityModulatedRadiationTherapy,IMRT)、旋转调强放射治疗(IntensityModulatedArcRadiationTherapy,IMAT)、断层调强放射治疗(Tomotherapy，TMRT)、爆发式调强放射治疗(BurstModeRadiationTherapy，BMRT)以及容积调强放射治疗(VolmaticArcRadiationTherapy,VMAT)中的至少一种。

步骤303：提供第二优化模型，以获取初始的第二剂量体积直方图。在一个实施例中，可以根据第二初始条件求解该第二优化模型，其中，该第二初始条件包括第二感兴趣区域、预设的第二感兴趣区域的剂量目标、准直器叶片约束、第二射野角度、第一剂量体积直方图，其中第二感兴趣区域包括第二肿瘤靶区域、第二危及器官区域。该第二初始条件还可以包括初始子野权重与子野形状。

需要指出的是，在本发明中，第二初始条件的第二感兴趣区域(包括肿瘤靶区域、危及器官区域)及其对应的剂量目标与第一初始条件的第一感兴趣区域包括肿瘤靶区域、危及器官区域)及其对应的剂量目标是相同的，但是第二射野角度与第一射野角度可能是不同的。

步骤304：以第一剂量体积直方图为优化目标来优化第二剂量体积直方图，以使得第二剂量体积直方图逼近所述第一剂量体积直方图。

在一个实施例中，可通过构造目标函数f的方式使得第二剂量体积直方图逼近所述第一剂量体积直方图。

以IMRT模式切换为VMAT模式为例，保持第一剂量体积直方图为VMAT的约束条件，通过构造目标函数(凸函数或者凹函数)来建立优化模型。举例如下，如图1所示，作为初始的第二剂量体积直方图的B曲线为当前VMAT治疗模式下对应的器官的初始剂量体积直方图。在A曲线和B曲线上找若干点(包括整个曲线上的点)，例如在图1中，选取D₁、D₂两点，通过不断调整第二优化模型的参数，使得B曲线上的点D₁、D₂之间的线段逐步接近A曲线上D₁、D₂之间的线段。为了实现两曲线的逼近，可构造目标函数f。在B曲线上取N个采样点，剂量分别为D_i(i＝1，2，…N)，构造的目标函数f可以表示如下：

$f=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}H(D_i-D_1)\&CenterDot;H(D_2-D_i){(D_i-D_1)}^2$

$H\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\&le;0\end{array}\right.$

其中，H为海维赛德阶梯函数，此处目标函数f为凸函数。

步骤304的目标是要使采样点剂量D_i接近目标剂量D₁，在有N个采样点的情况下，则求方差，即为上述方程，当方差最小时，即为采样点的剂量值离目标剂量D₁分散程度最小的时候，也就是当f取最小值时，B曲线最接近A曲线。从上述等式中可以看出，仅当D_i取值在D₁和D₂之间时，目标函数f不为0，即目标函数才有意义。通过不断调整第二优化模型的参数，例如，可调整第二优化模型的参数中的各子野的形状与权重，通过模拟退火算法或梯度算法等找到最优的权重使剂量满足要求，并使目标函数f最小，在不断调整各子野的形状与权重的过程中，B曲线不断接近理想的A曲线(两个曲线越接近，对应的f也越小)，当f达到最小值时，即为优化的结果。其中，第二优化模型的参数还可以包括子野个数和/或子野角度。如果医生限定了子野角度，则子野角度不需要优化，但一般情况下，医生限定的是射野角度，而每个射野会被分解成一系列子野依次照射，因此还需要优化子野角度；医生也可能限定子野个数，例如限定子野的个数小于某个阈值，则优化的时候，必须满足该条件。此外，使剂量满足要求是指剂量满足设定的约束条件，例如第二初始条件，还可以包括设定的其它约束条件，例如危及器官的剂量上限、肿瘤区域的剂量下限和剂量上限、区域的剂量均匀性等。

在另一个实施例中，也可以优化多个线段，分别使得每个线段逼近A曲线上对应的线段。例如，可选取多个点，D₁,D₂,D₁’,D₂’,D₁”,D₂”，并设定多个目标剂量，例如：D₁，D₁’,D₁”，分别优化B曲线上对应D₁-D₂,D₁’-D₂’,D₁”-D₂”之间的线段，使感兴趣区域的不同采样点分别趋近于不同的目标剂量，则相比只有一个目标剂量,优化结果会更加逼近A曲线。例如，可列出如下方程组：

$\left\{\begin{array}{c}f=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}H(D_i-D_1)\&CenterDot;H(D_2-D_i){(D_i-D_1)}^2\\ f=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}H(D_i-D_1^{\&prime;})\&CenterDot;H(D_2^{\&prime;}-D_i){(D_i-D_1^{\&prime;})}^2\\ f=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}H(D_i-D_1^{\&prime;\&prime;})H(D_2^{\&prime;\&prime;}-D_i){(D_i-D_1^{\&prime;\&prime;})}^2\end{array}\right.$

其中，D_i是感兴趣区域的采样点的剂量值，是B曲线上的采样点的剂量值；H为海维赛德阶梯函数；目标函数f被构造成一个凸函数，因此局部极小值也就是全局最小值。在上述方程组中，B曲线上对应D₁-D₂,D₁’-D₂’,D₁”-D₂”之间的线段可为相同的线段，也可为不同的线段。目标值可以取D₁，D₁’,D₂”，也可以分别取A曲线上线段D₁-D₂,D₁’-D₂’,D₁”-D₂”上的其它剂量值。

需要注意的是，本申请的目标函数f并不限于上述的二次函数，还可以是例如偶次方根函数，只要满足目标函数f是一个凸函数或者凹函数即可。

此外，为了使得第二剂量体积直方图逼近第一剂量体积直方图，除了上述构造目标函数的方法之外，也可基于两曲线来构造约束条件。例如，可在B曲线上取N个采样点，剂量分别为D_i(i＝1，2，…N)，限定每个采样点的剂量均小于D₀，其中，D₀根据A曲线选取，且D₁<D₀<D₂，构造的约束条件可以表示如下：

D₁<D_i<D₀

此时，第二优化单元的目标函数为操作者根据放疗计划的其它要求而建立的，在目标函数趋近于极小值或极大值的时候，且满足上述的约束条件时，B曲线最接近A曲线，即第二剂量体积直方图最逼近理想剂量体积直方图。

为了实现两曲线的逼近，还可根据两曲线同时构造目标函数和约束条件。在B曲线上取N个采样点，剂量分别为D_i(i＝1，2，…N)，构造的目标函数f可以表示如下：

$f=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}H(D_i-D_1)\&CenterDot;H(D_2-D_i){(D_i-D_1)}^2$

$H\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\&le;0\end{array}\right.$

其中，H为海维赛德阶梯函数，此处函数f为凸函数。

对于每个采样点的剂量，限定剂量均小于D₀，其中，D₀根据A曲线选取，且D₁<D₀<D₂，构造的约束条件可以表示如下：

D_i<D₀

在上述目标函数f趋近于极小值或极大值的时候，且满足上述的约束条件，B曲线最接近A曲线。

在上述实施例中，仅给出一种约束条件的示例，但不限于此，本领域技术人员可以设置其它的约束条件，均在本发明的保护范围内。

步骤305：将第二剂量体积直方图与第一剂量体积直方图的比较结果与一阈值做比较，当比较结果小于该阈值范围，则所得到的第二剂量体积直方图所对应的优化结果为最终结果，否则由步骤304继续优化第二剂量体积直方图，即继续调整第二优化模型的参数。在上述这个例子中，作为第二剂量体积直方图的B曲线不断向作为第一剂量体积直方图的A曲线逼近，反映在目标函数f和/约束条件上。对于目标函数f，则表现为目标函数f值不断在变小。将目标函数f值与一个预先设定的阈值进行比较，如果目标函数f值小于该阈值，则当前得到的第二剂量体积直方图所对应的优化结果为最终可以供放射治疗设备执行的结果，否则继续优化，直至目标函数f值小于该阈值。对于约束条件，则表现为采样点的剂量与限定剂量之间的差别的大小，当该差别满足要求，则当前得到的第二剂量体积直方图所对应的优化结果为最终可以供放射治疗设备执行的结果，否则继续优化，直至该差别满足要求。

步骤306：将所得到的第二剂量体积直方图所对应的优化结果为最终结果输出。

输出的结果与用户选择的治疗模式的个数一致，当选择了多种模式，则每个模式下都会以第一剂量体积直方图为目标进行优化，并输出对应模式下的优化结果。

相比于现有技术中需要将优化结果进行离散化后才能由放射治疗设备执行，本发明的优势在于，本发明的第二优化模型获得的第二剂量体积直方图在被进一步优化后，不需要再进行离散化便可由放射治疗设备执行。在本发明中，以理想剂量体积直方图为优化目标，相比现有技术，提高了优化结果的精确度。此外，不同于现有技术，在本发明中，可以通过在优化之前选择多种治疗模式，从而得到多种治疗模式对应的优化结果且因此，相当于本发明的优化结果可在不同治疗模式间转换，通用性强。

这里采用的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。

同样，需要指出的是，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做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 (18)

1.一种剂量优化方法，其特征在于，所述方法包括：

获取第一剂量体积直方图，所述第一剂量体积直方图为通量图优化的结果；

提供第二优化模型，以所述第一剂量体积直方图为优化目标优化所述第二优化模型的参数，获得第二剂量体积直方图，其中若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

2.如权利要求1所述的剂量优化方法，其特征在于，所述获取第一剂量体积直方图包括：通过求解通量图优化模型获取所述第一剂量体积直方图。

3.如权利要求1所述的剂量优化方法，其特征在于，所述获取第一剂量体积直方图包括：从数据库中获取所述第一剂量体积直方图。

4.如权利要求3所述的剂量优化方法，其特征在于，所述数据库中存储至少一个剂量体积直方图，所述剂量体积直方图为通量图优化的结果。

5.如权利要求1所述的剂量优化方法，其特征在于，在提供所述第二优化模型之前，还包括以下步骤：

选择治疗模式，所述治疗模式包括适形放射治疗模式、调强放射治疗模式、旋转调强放射治疗模式、断层调强放射治疗模式、爆发式调强放射治疗模式以及容积调强放射治疗模式中的至少一种。

6.如权利要求1所述的剂量优化方法，其特征在于，以所述第一剂量体积直方图为优化目标优化所述第二优化模型的参数，获得第二剂量体积直方图的步骤包括：

通过修改所述第二优化模型的参数来调整所述第二剂量体积直方图，从而使得所述第二剂量体积直方图不断逼近所述第一剂量体积直方图，其中所述第二优化模型的参数包括子野形状与子野权重。

7.如权利要求6所述的剂量优化方法，其特征在于，所述第二优化模型的参数还包括子野角度和/或子野个数。

8.如权利要求1所述的剂量优化方法，其特征在于，所述第二优化模型采用直接子野优化模型。

9.一种剂量优化系统，其特征在于，所述系统包括：

获取单元，被配置成获取第一剂量体积直方图，所述第一剂量体积直方图为通量图优化的结果；

第二优化单元，被配置成提供第二优化模型，以所述第一剂量体积直方图为优化目标优化第二优化模型的参数，获得第二剂量体积直方图，其中若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

10.如权利要求9所述的剂量优化系统，其特征在于，所述获取单元包括通量图优化单元，被配置成提供通量图优化模型以获取所述第一剂量体积直方图。

11.如权利要求9所述的剂量优化系统，其特征在于，所述获取单元被配置成从数据库中获取所述第一剂量体积直方图。

12.如权利要求11所述的剂量优化系统，其特征在于，所述数据库中存储至少一个剂量体积直方图，所述剂量体积直方图为通量图优化的结果。

13.如权利要求9所述的剂量优化系统，其特征在于，所述系统还包括：

选择单元，被配置成用于选择治疗模式，所述治疗模式包括适形放射治疗模式、调强放射治疗模式、旋转调强放射治疗模式、断层调强放射治疗模式、爆发式调强放射治疗模式以及容积调强放射治疗模式中的至少一种。

14.如权利要求9所述的剂量优化系统，其特征在于，所述第二优化单元被配置成通过修改所述第二优化模型的参数来调整所述第二剂量体积直方图，从而使得所述第二剂量体积直方图不断逼近所述第一剂量体积直方图，其中所述第二优化模型的参数包括子野形状与子野权重。

15.如权利要求14所述的剂量优化系统，其特征在于，所述第二优化模型的参数还包括子野角度和/或子野个数。

16.一种剂量优化方法，其特征在于，所述方法包括：

采用通量图优化方法获得第一剂量体积直方图；

以所述第一剂量体积直方图为目标采用直接子野优化方式获得第二剂量体积直方图，若所述第二剂量体积直方图与所述第一剂量体积直方图的比较结果小于一阈值，则优化结束；否则，继续优化。

17.如权利要求16所述的剂量优化方法，其特征在于，以所述第一剂量体积直方图为目标采用直接子野优化方式获得第二剂量体积直方图的步骤包括：

通过修改直接子野优化方式中的子野来调整所述第二剂量体积直方图，从而使得所述第二剂量体积直方图不断逼近所述第一剂量体积直方图，其中修改直接子野优化方式中的子野包括修改子野形状与子野权重。

18.如权利要求17所述的剂量优化方法，其特征在于，所述修改直接子野优化方式中的子野还包括子野角度和/或子野个数。