CN105413068B - 求解通量图的优化方法和放射治疗设备 - Google Patents

求解通量图的优化方法和放射治疗设备 Download PDF

Info

Publication number
CN105413068B
CN105413068B CN201511029130.9A CN201511029130A CN105413068B CN 105413068 B CN105413068 B CN 105413068B CN 201511029130 A CN201511029130 A CN 201511029130A CN 105413068 B CN105413068 B CN 105413068B
Authority
CN
China
Prior art keywords
beamlet
block
gradient
dose
optimization
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
Application number
CN201511029130.9A
Other languages
English (en)
Other versions
CN105413068A (zh
Inventor
张鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201511029130.9A priority Critical patent/CN105413068B/zh
Publication of CN105413068A publication Critical patent/CN105413068A/zh
Application granted granted Critical
Publication of CN105413068B publication Critical patent/CN105413068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
    • A61N5/1028—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy using radiation sources applied onto the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N2005/1092—Details

Abstract

本公开涉及求解通量图的优化方法和设备，其中，该优化方法包括：根据子波束beamlet的梯度选取能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；以每个所述块为变量并根据所述目标函数来迭代优化其权重；以及根据优化的结果来计算所有beamlet的权重。

Description

求解通量图的优化方法和放射治疗设备
技术领域
本申请一般涉及放疗技术，尤其涉及通量图优化(FMO)。
背景技术
放疗技术可例如向肿瘤或目标组织投放高剂量射线来杀死癌细胞或抑制其生长。但在此过程中，周围的正常、健康的组织也会受损。因此，旨在在这两者之间进行权衡，以在有效治疗的同时尽量减轻对正常组织的破坏。
用于放疗的射线以多个波束角度和多个波束强度来投放。在坐标系中的每个点(x,y)处的强度分布可称为通量图，优化并确定通量图的过程可称为通量图优化(FMO)。
一典型FMO模型如下式：
其中，所有器官离散化为体素(voxel)集合，体素i的权重为wi，接受的实际剂量为Di，目标剂量为Pi；Xkrc表征k方向r行c列的子波束(beamlet)的权重，Akrci表征方向k的r行c列的该beamlet对体素i的剂量贡献。
求解通量图优化(FMO)问题时，需要将其结果转化为子野(segment)序列，这一过程难以避免发生性能下降的问题。
首先FMO结果一般为连续值，而子野序列是离散值，取值存在舍入误差；其次，FMO优化过程难以考虑机器约束和子野形状，导致结果分布抖动强烈，而经转换的子野序列由于机器约束和数量限制，要求平滑的结果，故而转换前后存在较大差异。
为此，现有技术在优化模型中加入平滑度惩罚因子，以在优化效果与平滑度两个目标之间进行折衷，从而得到新的优化模型。结果所得的通量图具有经平滑特征，便于后续分拆成实际子野。此类现有技术的典型示例的目标函数F(x)如下式(参见NicoliniGiorgia等所著的“What is an acceptably smoothed fluence？Dosimetric anddelivery considerations for dynamic sliding window IMRT”，第3页，RadiationOncology，2007年11月23日)：
上式中右边第一项为剂量-体素约束的普通分量；Pi为每个体素i的规定剂量或称目标剂量；Di为体素i接受的实际剂量，并被表达为
Di＝d1,ix1+d2,ix2+…dj,ixj， (3)
其中xj是通量图中第j个beamlet的权重，并且dj,i是从第j个beamlet到体素i的剂量(即，对体素i的剂量是来自所有beamlet的剂量的加权和)。上式中右边第二项与平滑有关，并且作为旨在减小相邻beamlet之间的大阶跃的beamlet加权因子。在该通量图优化模型中，旨在使目标函数最小化。
其存在的问题是：(1)平滑参数wk难以选取，不具备普适性；(2)惩罚针对全部变量，而实际上允许在子野边缘变量出现较大差异，因此简单加入惩罚因子不能针对性处理这种“整体平滑，边缘差异”的情况。
发明内容
根据本发明的一个方面，公开了一种求解通量图的优化方法，包括：根据子波束beamlet的梯度选取能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；以每个所述块为变量并根据所述目标函数来迭代优化其权重；以及根据优化的结果来计算所有beamlet的权重。具体地，在所述选取beamlet的步骤之前计算所述子波束beamlet的梯度。更具体地，计算所述子波束beamlet的梯度包括以下一者或多者：将所述目标区域投影到射野方向上；对于所述射野方向，将其范围内的子波束beamlet作为优化变量；求解所述目标区域的剂量矩阵；初始化beamlet权重；以及根据当前剂量和目标剂量，计算所有作为优化变量的beamlet的梯度。
在一种实施方式中，所述计算子波束beamlet的梯度所用的梯度函数为：
其中，fkrc为方向k的r行c列的梯度函数值，wi为体素i的权重，Di为体素i的实际剂量，Pi为体素i的目标剂量，Akrci为k方向上第r行c列的beamlet对体素i的单位剂量贡献。
在一种实施方式中，所述目标函数为：
其中，wi为体素i的权重，Di为体素i的实际剂量，Pi为体素i的目标剂量，Ykm为k方向第m个块的权重；Akmi为k方向第m个块对体素i的单位剂量贡献；Akrci为k方向上第r行c列的beamlet对体素i的单位剂量贡献；δkmrc为系数，当k方向r行c列的beamlet属于第k方向第m个块时，δkmrc＝1，否则为0；Xkrc为k方向r行c列的beamlet的权重。
具体地，根据子波束beamlet的梯度来选取彼此连通的beamlet构成块的步骤中，至少包括选取以下至少一的块：每个beamlet的梯度均为正的且可连通的块；每个beamlet的梯度均为负的且可连通的块；各beamlet的梯度之和为负的而其绝对值最大的块；以及各beamlet的梯度之和为正的而其绝对值最大的块。更具体地，在根据子波束beamlet的梯度来选取彼此连通的beamlet构成块的步骤中还包括对所述块设置约束条件的步骤。进一步地，所述约束条件包括形状约束条件和/或面积约束条件。
优选地，每次迭代加入新的块以和以往的块一起构成优化变量来优化其权重。
根据本发明另一个方面，公开了一种放射治疗计划的优化方法，包括：选取数个方向；对于每个方向，根据前述的优化方法得到各方向上所有beamlet的权重；以及将各方向上所有beamlet权重分别转化为子野序列。
进一步地，包括对于每一个方向，将子野序列分配到该方向所对应的弧段的控制点上。
根据本发明的再一个方面，公开了一种放射治疗计划的优化方法，至少包括：选取数个方向作为备选方向，其中，根据目标区域在各备选方向的投影确定各备选方向的beamlet的集合；求解各备选方向上的剂量矩阵；在各备选方向，计算相应beamlet的集合内的所有beamlet的梯度；在各备选方向上，选择能使所述目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；在所有备选方向上，迭代选择能使所述目标区域的实际剂量最快地趋于目标剂量的块作为对应方向上的子野并将该方向从备选方向中删除；以及根据所述目标函数来迭代优化所述子野的权重。具体地，在迭代选择能使所述目标区域的实际剂量最快地趋于目标剂量的块作为对应方向上的子野的步骤中，能使所述目标区域的实际剂量最快地趋于目标剂量的块为各beamlet的梯度之和为负但绝对值最大的块。优选地，若在剩余的备选方向上没有各beamlet的梯度之和为负的块，则根据已有的子野通过插值方法生成新的子野并添加到对应的方向上。优选地，在选择能使所述目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块的步骤中，对所述块设置约束条件。具体地，所述约束条件包括：形状的约束条件和/或面积的约束条件。可选择地，在所有备选方向上均生成对应的子野后，继续通过插值方法在两两相邻的备选方向上生成新的子野。具体地，若根据所述目标函数来迭代优化所述子野的权重为零，则删除该子野并将对应的方向重新添加为备选方向。
根据本发明的另一个方面，还公开了一种放射治疗设备，其至少包括放射治疗计划的通量图优化模块，所述通量图优化模块被配置为当规划放射治疗计划时前述的优化方法进行优化。
附图说明
图1是根据本公开一实施例的通量图优化中某方向上的所有beamlet的梯度分布以及块的示例。
图2是根据本公开一实施例的通量图优化中的所有beamlet的梯度分布以及块的示例。
图3是根据本公开一实施例的通量图优化中的所有beamlet的梯度分布以及块的示例。
图4是根据本公开一实施例的以方式一进行通量图优化的子野分布示意图。
具体实施方式
现在参照附图描述各个方面。在以下描述中，出于解释目的阐述了众多具体细节以提供对一个或多个方面的透彻理解。然而，明显的是，没有这些具体细节也可实践此种(类)方面。
本领域技术人员通过阅读本说明书可以理解，本发明可以用于逆向放射治疗计划中，该逆向放射治疗计划包括对调强放射治疗(IMRT，Intensity Modulated RadiationTherapy)、调强弧形放射治疗(IMAT，Intensity Modulated Arc Radiation Therapy)、容积旋转调强放射治疗(VMAT，Volumetric Modulated Arc Radiation Therapy)和自适应放射治疗(ART，Adaptive Radiation Therapy)的计划，但不限制于此。
本公开的一示例性而非限定性实施例在迭代求解过程中，考虑子野形状和平滑度，将具有类似属性的变量融合在一起，逐步对通量图进行调制。由此，变量本身变化时就带有子野通量分布的效果，最终结果更适合后续转化。
在一示例性而非限定性实施例中，求解通量图的优化方法可例如包括根据子波束beamlet的梯度选取能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成集合；将每个集合定义为块，并且将该块的值定义为该块所包含的beamlet的梯度的累加；以每块为单独变量根据前述目标函数来优化其权重；以及根据优化结果来计算所有beamlet的权重。在此示例性实施例中，通过以每块为单独变量来优化权重，这样块本身反映子野通量分布，其最终结果更适合后续转化。
在一示例性而非限定性实施例中，本公开的方法可以例如包括以下步骤中的至少一些步骤的组合：
(1)确定beamlet大小；将目标区域投影到各个射野方向上，落在其范围内的beamlet作为优化变量，落在其范围之外的beamlet可以置成0。例如，这可通过设置参数δkmrc来实现，其中k表示方向，r表示行，c表示列，m表示块。例如，当k方向r行c列的beamlet属于第k方向第m个块时，δkmrc＝1，否则为0。本领域技术人员可知，其他将目标区域投影到射野方向上的办法也是可行的。本领域普通技术人员可以理解，前述目标区域一般指肿瘤区域，其可以包括大体靶区(GTV，Gross Target Volume)、临床靶区(CTV，Clinical TargetVolume)和/或计划靶区(PTV，Planning Target Volume)。
(2)求解剂量矩阵，即求解公式(1)中的Akrci。
(3)初始化各个beamlet权重。一示例性而非限定性的典型办法是令每个方向的所有变量权重相等，然后根据优化目标求解各个方向的权重。本领域技术人员可知，其他初始化权重的办法也是可行的。
(4)根据当前剂量(或称实际剂量D)和目标剂量P，计算所有beamlet的梯度。如果梯度为正，表示降低这个beamlet的权重将使得目标函数下降，如果梯度为负，表示提高这个beamlet的权重将使目标函数下降。根据一个示例，通过将公式(1)对体素i求偏导，得到的目标梯度函数如下：
其中fkrc为方向k的r行c列的目标函数值，wi为体素i的权重，Di为体素i的实际剂量，Pi为体素i的目标剂量，Akrci为k方向上第r行c列的beamlet对体素i的单位剂量贡献。在该通量图优化模型中，旨在使目标梯度函数为零。如图1，这里示意性地示出了根据公式(4)得到的在一个射野方向上的所有beamlet的梯度。如图2-图3所示，这两幅附图中的各个beamlet的梯度均与图1相同。
(5)在每一个射野方向上，根据beamlet的梯度分布，选取一个或多个联通的beamlet构成集合，定义其为一个块，其块的值与所包含的各beamlet的梯度相关联，具体地，在一种例子中，块的值可以为所包含的beamlet梯度累加，也可以对不同的梯度使用不同的权重进行累加，从而能将具有类似属性的变量融合在一起。
在一个示例性而非限定性示例中，根据beamlet的梯度分布选取一个或多个连通的beamlet构成集合以定义其为一个块，其中可包括例如这样的块：
每个beamlet的梯度均为正的且可连通的块；
每个beamlet的梯度均为负的且可连通的块；
各beamlet的梯度之和为负的而其绝对值最大的块；和/或
各beamlet的梯度之和为正的而其绝对值最大的块。
具体地，参见附图1-3，其中，在图1的示例中，将梯度均为正的且可连通的beamlet集合起来形成两个块，又将梯度均为负的且可连通的beamlet集合起来形成另两个块，这样，整个beamlet被分成4块，这几个块分别以不同的灰度和/或线条予以表示。
较优地，还可以同时考虑一些约束条件，这些约束条件例如可以为形状约束条件和/或面积约束条件，这是可以被预先定义的。举例而言，在图2中设置了这样的形状约束条件，不允许不规则的块出现，易言之，约束beamlet构成的块是规则形状的，如图2所示，加入这个约束条件后找出4个块，这几个块在图中以不同的灰度和/或线条予以表示，其余的梯度分别为-2、-3、-2、-5、-3、-4和-1的beamlet由于它们构成的形状不符合形状约束条件而不予考虑。本领域普通技术人员应当可以理解，不规则的块可以例如根据本领域常用评价方式来定义。例如，可以使用周长面积比等来评估不规则性，也可以使用其他常用图像处理算法来评估不规则性，又如，对于块的面积，可以设置相应阈值，这些仅是示例性例子。
参见图3的左图，图中第三行的梯度为4、7、8的beamlet、第四行的梯度为4、10、6、5的beamlet、第五行的梯度为-5、-3的beamlet、第六行的梯度为1、4的beamlet以及第七行的梯度为3、2的beamlet形成一个块，可以看出，虽然这个块内包含了梯度为负的两个beamlet，但总体上，这个块的梯度之和为正而其绝对值最大。再参见图3的右图，图中第一行的梯度为-12、-23的beamlet、第二行的梯度为-1、-5、-3、-6、-8的beamlet、第三行的梯度为-3、-9的beamlet、第四行的梯度为-2、5、-3、-10的beamlet、第五行的梯度为-3、-2、-5、-3、-4的beamlet以及第六行的梯度为-1的beamlet行程一个块，可以看出，虽然这个块内包含了梯度为正的一个beamlet，但总体上，这个块的梯度之和为负而其绝对值最大。
图1和图2从每个beamlet的梯度属性考虑块的构成，图3从多个beamlet的梯度之和的角度考虑块的构成，这两种方法都可以使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量，有关目标函数的具体描述参见下文。以上的这些选取方法并不是排斥性的，而且也不是限制性的，本领域普通技术人员可以根据能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量的目的以其他标准进行块的选取，这都落入到本发明的保护范围之内。
(6)如此每个方向产生若干块，以每块作为一个单独变量来优化其权重。约束可以是叠加后各个beamlet权重之和大于0。
在一个示例性而非限定性示例中，优化方式可包括但不限于：每个块单独作为变量，例如，所有梯度值均为正的beamlet构成的块叠加在一起作为变量，所有梯度值均为负的beamlet构成的块叠加在一起作为变量，优化后，在结果附近进行局部搜索，即对每一个块，尝试满足形状约束的条件下，增加或减少边缘beamlet。
在另一示例性而非限定性示例中，优化方式可包括但不限于以下任一者：仅选择负值最小的一个块；选择负值最小的一个块和正值最大的一个块；以及选择多个块，其中所述多个块各自的值为正的或负的。
在一示例性而非限定性示例中，以每块作为一个单独变量根据目标函数来优化其权重。其中，该目标函数可为下式(5)：
在上式(5)中，当k方向r行c列的beamlet属于第k方向第m个块时，δkmrc＝1，否则为0。在上式(5)中，Di为实际剂量；Pi为目标剂量；wi为体素i的权重；Ykm为k方向第m个块的权重；Akmi为该块对体素i的单位剂量贡献，其等于该块所包含的所有beamlet对体素i的单位剂量贡献Akrci之和；Pi、wi、Akrci在优化前已知；约束是所有beamlet权重非负，k方向r行c列的beamlet j权重Xkrc权重等于k方向所有包含该beamlet j的块的权重叠加。
(7)根据优化结果计算所有beamlet权重，然后计算当前剂量和目标函数，达到终止条件则退出，否则可例如返回上述根据当前剂量和目标剂量来计算所有变量的梯度的步骤来继续迭代。例如，每次迭代加入新的块以和以往的块一起构成优化变量来优化其权重。
以上是解决通量图优化的步骤，选择性地，如果希望根据通量图得到各个方向的子野，那么，还包括：
(8)将所得到的结果转化为子野序列。
本领域普通技术人员可理解，本公开的各种实施例可包括上述步骤的各种子集和/或组合，并可添加其他补充步骤，而且并不被上述步骤的描述顺序所限定，只要所得的方案能够工作即可。例如，beamlet的梯度可以从其他源输入。又如，终止条件可以是达到预定的迭代次数，或者可以是预定的误差阈值，等等。
作为示例性而非限定性实施例，针对所选取的实际放射治疗计划(例如，VMAT/IMAT/Burst ARC)，可采用例如以下两种方式：
方式一(参见图4)：
首先，选取数个方向。具体地，例如，在一种实施方式中选择15个方向，从而每个方向为例如360/15＝24度。
其次，对于每个方向，按照前述的步骤1-7进行求解通量图的优化从而得到各方向上所有beamlet的权重。
然后，将各方向上的beamlet的权重通过典型的两步法的leaf sequencing转化为子野序列。
可选择地，获得的子野序列可被分配到各方向对应的弧段上，例如，对于前述15个方向中某个方向得到三个子野的情形，可以将其分布到该方向的24度跨度的弧段的三个控制点上。
本领域普通技术人员应当可以理解，在对各方向和/或控制点分配子野序列的时候需要考虑硬件约束，该硬件约束例如包括机架的转动约束和/或多叶光栅的步进速度等。
方式二：
本方式可不使用传统的两步法中的leaf sequencing步骤进行子野序列的分配，而直接以块作为子野进行优化。
例如，本方式的示例性实施例可包括如下操作。
(A)选取若干方向，比如15个方向；确定beamlet的集合。将目标区域投影到各个方向上，其范围内的beamlet作为优化变量，之外可置成0。可以理解，这里所述的方向例如为旋转调强放射治疗计划中的弧上的各射野方向，通常，根据射野方向在弧上设置的稀疏程度，还可以进一步地在各射野方向对应的弧段上设置多个控制点以分配给更多的子野。
(B)求解各方向的剂量矩阵，即求解(1)式中的Akrci。
(C)从当前备选的方向集合中，根据当前剂量和目标剂量，计算所有变量的梯度，例如根据前式(4)来计算目标梯度函数。
(D)在各备选方向，选择能使目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块。
(E)在所有备选方向上，迭代选择能使目标区域的实际剂量趋于目标剂量最快的块作为对应方向上的子野并将该方向从备选方向中删除。其中，在一种实现方式中，能使目标区域的实际剂量趋于目标剂量最快的块为各beamlet的梯度之和为负的但绝对值最大的块。
优选地，根据步骤(D)和(E)，可以找一个形状较为规整的和/或面积满足预定范围的和/或硬件约束满足机器约束的负值最小的块，将其作为一个子野添加到对应方向上，并将该方向从备选集合中删除。这样一开始有备选方向个数为15，随着子野的添加，备选方向会越来越少。
如果在剩余的备选方向上找不到各beamlet的梯度之和为负且绝对值最大的块(即，找不到各beamlet的梯度之和为负的块)，则在备选集合方向上，根据已有的子野形状插值得到新的子野并添加到对应的方向上。
(F)各方向中所有子野的权重作为变量，根据目标函数优化。优选地，如果某个子野权重优化后值为0，说明该子野的当前形状不好，则可将其从该方向上删除，并将该方向重新添加到备选方向集合中。
(G)如果各方向子野生成满了，即备选集合已经为空，则转(H)。否则转到(C)继续在剩余方向上寻找新的子野。
可选择地，还包括如下操作：
(H)在各方向上已有子野的基础上，将中间控制点的形状插值得到。如上例，当15个方向均已有子野时，可将每个方向对应的弧段的其他控制点的形状通过插值法得到，然而，如果方向选的足够多(比如90个方向)，则无需插值得到对应方向的弧段的其他控制点的形状。
(I)在当前子野基础上迭代调整叶片和权重，直到满意或达到终止次数。
本公开的各种实施例中的至少一些在迭代求解过程中，考虑子野形状和平滑度，将具有类似属性的变量融合在一起，逐步对通量图进行调制，由此一来，变量本身变化时就带有子野通量分布的效果，最终结果更适合后续转化。本领域普通技术人员应理解，本公开的有益效果并非由任何单个实施例来全部实现。各种组合、修改和替换均为本领域普通技术人员在本公开的基础上所明了。
此外，术语“或”旨在表示包含性“或”而非排他性“或”。即，除非另外指明或从上下文能清楚地看出，否则短语“X采用A或B”旨在表示任何自然的可兼排列。即，短语“X采用A或B”藉由以下实例中任何实例得到满足：X采用A；X采用B；或X采用A和B两者。另外，本申请和所附权利要求书中所用的冠词“一”和“某”一般应当被理解成表示“一个或多个”，除非另外声明或者可从上下文中清楚看出是指单数形式。
各个方面或特征将以可包括数个设备、组件、模块、及类似物的系统的形式来呈现。应理解和领会，各种系统可包括附加设备、组件、模块等，和/或可以并不包括结合附图所讨论的全部设备、组件、模块等。也可以使用这些办法的组合。
结合本文所公开的实施例描述的各种说明性逻辑、逻辑块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其它此类配置。此外，至少一个处理器可包括可作用于执行以上描述的一个或多个步骤和/或动作的一个或多个模块。
此外，结合本文中所公开的方面描述的方法或算法的步骤和/或动作可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。
本公开中通篇描述的各种方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且意在被权利要求书所涵盖。此外，本文所公开的任何内容都并非旨在贡献给公众——无论这样的公开是否在权利要求书中被显式地叙述。

Claims (19)

1.一种用于求解通量图的优化设备，包括：
处理器，其被配置成
根据子波束beamlet的梯度选取能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；
以每个所述块为变量并根据所述目标函数来迭代优化其权重；以及
根据优化的结果来计算所有beamlet的权重。
2.如权利要求1所述的优化设备，其特征在于，包括：
在所述选取beamlet的步骤之前计算所述子波束beamlet的梯度。
3.如权利要求2所述的优化设备，其特征在于，计算所述子波束beamlet的梯度包括以下一者或多者：
将所述目标区域投影到射野方向上；
对于所述射野方向，将其范围内的子波束beamlet作为优化变量；
求解所述目标区域的剂量矩阵；
初始化beamlet权重；以及
根据当前剂量和目标剂量，计算所有作为优化变量的beamlet的梯度。
4.如权利要求2或3所述的优化设备，其特征在于，所述计算子波束beamlet的梯度所用的梯度函数为其中，fkrc为方向k的r行c列的梯度函数值，wi为体素i的权重，Di为体素i的实际剂量，Pi为体素i的目标剂量，Akrci为k方向上第r行c列的beamlet对体素i的单位剂量贡献。
5.如权利要求1所述的优化设备，其特征在于，所述目标函数为
minwi(Di-Pi)2
其中，wi为体素i的权重，Di为体素i的实际剂量，Pi为体素i的目标剂量，Ykm为k方向第m个块的权重；Akmi为k方向第m个块对体素i的单位剂量贡献；Akrci为k方向上第r行c列的beamlet对体素i的单位剂量贡献；δkmrc为系数，当k方向r行c列的beamlet属于第k方向第m个块时，δkmrc＝1，否则为0；Xkrc为k方向r行c列的beamlet的权重。
6.如权利要求1所述的优化设备，其特征在于，根据子波束beamlet的梯度来选取彼此连通的beamlet构成块的步骤中，至少包括选取以下至少一的块：每个beamlet的梯度均为正的且可连通的块；
每个beamlet的梯度均为负的且可连通的块；
各beamlet的梯度之和为负的而其绝对值最大的块；以及
各beamlet的梯度之和为正的而其绝对值最大的块。
7.如权利要求6所述的优化设备，其特征在于，在根据子波束beamlet的梯度来选取彼此连通的beamlet构成块的步骤中还包括对所述块设置约束条件的步骤。
8.如权利要求7所述的优化设备，其特征在于，所述约束条件包括：
形状约束条件和/或面积约束条件。
9.如权利要求1所述的优化设备，其特征在于：
每次迭代加入新的块以和以往的块一起构成优化变量来优化其权重。
10.一种放射治疗计划的优化设备，包括：
处理器，其被配置成
选取数个方向；
对于每个方向，得到各方向上所有beamlet的权重，包括：
根据子波束beamlet的梯度选取能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；
以每个所述块为变量并根据所述目标函数来迭代优化其权重；以及
根据优化的结果来计算所有beamlet的权重；以及
将各方向上所有beamlet权重分别转化为子野序列。
11.如权利要求10所述的优化设备，其特征在于，进一步包括：
对于每一个方向，将子野序列分配到该方向所对应的弧段的控制点上。
12.一种放射治疗计划的优化设备，至少包括：
处理器，其被配置成
选取数个方向作为备选方向，其中，根据目标区域在各备选方向的投影确定各备选方向的beamlet的集合；
求解各备选方向上的剂量矩阵；
在各备选方向，计算相应beamlet的集合内的所有beamlet的梯度；
在各备选方向上，选择能使所述目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；
在所有备选方向上，迭代选择能使所述目标区域的实际剂量最快地趋于目标剂量的块作为对应方向上的子野并将该方向从备选方向中删除；以及
根据所述目标函数来迭代优化所述子野的权重。
13.根据权利要求12所述的优化设备，其特征在于，在迭代选择能使所述目标区域的实际剂量最快地趋于目标剂量的块作为对应方向上的子野的步骤中，能使所述目标区域的实际剂量最快地趋于目标剂量的块为各beamlet的梯度之和为负但绝对值最大的块。
14.如权利要求13所述的优化设备，其特征在于，进一步包括：
若在剩余的备选方向上没有各beamlet的梯度之和为负的块，则根据已有的子野通过插值方法生成新的子野并添加到对应的方向上。
15.根据权利要求12所述的优化设备，其特征在于，进一步包括：
在选择能使所述目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块的步骤中，对所述块设置约束条件。
16.根据权利要求15所述的优化设备，其特征在于，所述约束条件包括：形状的约束条件和/或面积的约束条件。
17.根据权利要求12所述的优化设备，其特征在于，进一步包括：
在所有备选方向上均生成对应的子野后，继续通过插值方法在两两相邻的备选方向上生成新的子野。
18.如权利要求12所述的优化设备，其特征在于，进一步包括：
若根据所述目标函数来迭代优化所述子野的权重为零，则删除该子野并将对应的方向重新添加为备选方向。
19.一种放射治疗设备，其至少包括放射治疗计划的通量图优化模块，所述通量图优化模块被配置为当规划放射治疗计划时进行优化，包括：
根据子波束beamlet的梯度选取能使目标函数趋于下降从而对目标区域的实际剂量趋于目标剂量且彼此连通的beamlet构成块；
以每个所述块为变量并根据所述目标函数来迭代优化其权重；以及根据优化的结果来计算所有beamlet的权重。
CN201511029130.9A 2015-12-31 2015-12-31 求解通量图的优化方法和放射治疗设备 Active CN105413068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511029130.9A CN105413068B (zh) 2015-12-31 2015-12-31 求解通量图的优化方法和放射治疗设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511029130.9A CN105413068B (zh) 2015-12-31 2015-12-31 求解通量图的优化方法和放射治疗设备

Publications (2)

Publication Number Publication Date
CN105413068A CN105413068A (zh) 2016-03-23
CN105413068B true CN105413068B (zh) 2019-01-08

Family

ID=55491888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511029130.9A Active CN105413068B (zh) 2015-12-31 2015-12-31 求解通量图的优化方法和放射治疗设备

Country Status (1)

Country Link
CN (1) CN105413068B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3573714B1 (en) * 2017-01-27 2020-11-11 RaySearch Laboratories AB System and method for planning a radiation therapy treatment
EP3412340A1 (en) * 2017-06-08 2018-12-12 Koninklijke Philips N.V. Treatment plan generation for radiation therapy treatment
CN107469239B (zh) * 2017-08-11 2020-07-14 上海联影医疗科技有限公司 计算机可读存储介质及放射治疗计划系统
EP3530318A1 (en) * 2018-02-21 2019-08-28 Elekta Limited Methods for inverse planning
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
CN110215623B (zh) * 2019-06-11 2020-11-10 苏州雷泰智能科技有限公司 基于子野优化的正交双层光栅旋转调强的实现方法及装置
CN110975172B (zh) * 2019-12-18 2022-05-31 上海联影医疗科技股份有限公司 一种通量图重建方法和系统
CN111001097B (zh) * 2019-12-28 2022-09-16 上海联影医疗科技股份有限公司 一种放疗剂量评估系统、装置及存储介质
WO2022104497A1 (zh) * 2020-11-17 2022-05-27 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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014191204A1 (en) * 2013-05-29 2014-12-04 Koninklijke Philips N.V. Device for determining illumination distributions for imrt
CN105031819A (zh) * 2015-08-25 2015-11-11 上海联影医疗科技有限公司 一种剂量优化方法与系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014191204A1 (en) * 2013-05-29 2014-12-04 Koninklijke Philips N.V. Device for determining illumination distributions for imrt
CN105031819A (zh) * 2015-08-25 2015-11-11 上海联影医疗科技有限公司 一种剂量优化方法与系统

Also Published As

Publication number Publication date
CN105413068A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN105413068B (zh) 求解通量图的优化方法和放射治疗设备
CN105031819B (zh) 一种剂量优化系统
CN106029170B (zh) 增量治疗计划编制
CN110327554B (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
US11291856B2 (en) Method, a computer program product and a computer system for radiotherapy
US10549120B2 (en) Method, a computer program product and a computer system for radiotherapy optimization
CN105709341B (zh) 一种基于梯度法和漫水填充法的调强子野优化方法
CN104645500B (zh) 一种调强放疗优化系统
Hong et al. Multicriteria optimization in intensity-modulated radiation therapy treatment planning for locally advanced cancer of the pancreatic head
CN103083821A (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
Fredriksson Automated improvement of radiation therapy treatment plans by optimization under reference dose constraints
CN104117151A (zh) 一种在线自适应放疗计划优化方法
JP2016511117A (ja) 同位体源外部ビーム放射線治療のためのシステム及び方法
Bedford et al. Constrained segment shapes in direct‐aperture optimization for step‐and‐shoot IMRT
CN104318122B (zh) 一种基于扰动的旋转调强优化方法
CN109499012A (zh) 一种优化剂量引导的tps自动迭代优化算法
CN105246549B (zh) 用于确定针对imrt的照射分布的设备
WO2011139863A2 (en) Optimization process for volumetric modulated arc therapy
Diot et al. Biological‐based optimization and volumetric modulated arc therapy delivery for stereotactic body radiation therapy
CN105617535A (zh) 一种剂量分布估算方法以及子野优化方法
CN110215623A (zh) 基于子野优化的正交双层光栅旋转调强的实现方法及装置
CN110237439A (zh) 用于正交双层光栅装置的静态调强子野优化方法
CN114496161A (zh) 放疗剂量的优化方法及装置
CN102247660B (zh) 治疗计划逆向规划方法和治疗计划系统
Qiu et al. Online adaptive planning methods for intensity-modulated radiotherapy

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
CP03 Change of name, title or address

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 no.2258, Chengbei Road, Jiading District, Shanghai

Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CP03 Change of name, title or address