CN105592887A - 使用3d信息作为输入来预测可实现的剂量分布 - Google Patents
使用3d信息作为输入来预测可实现的剂量分布 Download PDFInfo
- Publication number
- CN105592887A CN105592887A CN201480053868.6A CN201480053868A CN105592887A CN 105592887 A CN105592887 A CN 105592887A CN 201480053868 A CN201480053868 A CN 201480053868A CN 105592887 A CN105592887 A CN 105592887A
- Authority
- CN
- China
- Prior art keywords
- patient
- dose
- target volume
- information
- computer
- 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.)
- Granted
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
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- 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
- A61N5/1042—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head
- A61N5/1045—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head using a multi-leaf collimator, e.g. for intensity modulated radiation therapy or IMRT
-
- 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
- A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
- A61N5/1065—Beam adjustment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radiation-Therapy Devices (AREA)
- Nuclear Medicine (AREA)
Abstract
基于知识的辐射治疗处置规划被扩展以包括来自例如正电子发射断层摄影(PET)的空间信息。访问特定于患者的信息。使用患者特定信息作为预测模型的输入来确定在患者中的目标体积内部的空间剂量分布的预测。使用包括从向其他患者应用其他辐射处置规划得到的数据的训练数据来建立预测模型。训练数据包括指示其他患者中的目标体积中的活动的水平的空间上分布的信息(例如,PET图像数据)。基于预测来产生剂量体积直方图和相关联的三维剂量分布信息。剂量体积直方图和三维剂量分布信息能够被用于开发针对患者的辐射处置规划。
Description
相关申请的交叉引用
本申请要求于2013年9月30日提交的序列号为61/884,363、题目为“PredictingAchievableDoseDistributionUsing3DInformationasanInput”的美国临时专利申请的优先权,通过引用将其整体并入本文。
背景技术
使用辐射治疗来处置癌症是众所周知的。通常,辐射治疗涉及将高能量质子、光子或电子辐射(“治疗辐射”)的射束引导到目标体积(例如,肿瘤或病灶)中。
在利用辐射处置患者之前,开发特定于患者的处置规划。该规划使用基于过去经验的仿真和优化来定义治疗的各个方面。例如,对于强度调制辐射治疗(IMRT),该规划能够指定合适的射束类型(例如,平坦滤波器自由类型)和合适的射束能量。规划的其他部分能够指定例如射束相对于患者的角度、射束形状、丸药和屏蔽的放置、等等。总体上,处置规划的目的是在使周围健康组织对辐射的暴露最小化的同时将充分的辐射递送到目标体积。处置规划通常借助于剂量体积直方图(DVH)来访问,一般而言,剂量体积直方图(DVH)在二维中表示三维(3D)剂量分布。
发明内容
基于知识的规划(KBP)基于已知的与新患者有关的几何信息使用来自先前的和现有的辐射治疗/处置规划的数据来预测针对新患者的临床上最佳的或可接受的结果。诸如患者的解剖结构(例如,器官)的轮廓的几何信息能够是适于患者的(例如,与患者配准的)预定义信息,或者其能够例如基于患者的计算机断层摄影(CT)扫描。KBP的实际实施方式包括模型训练阶段后跟有估计阶段,在模型训练阶段中来自先前的和现有的处置规划的历史信息被用于生成通用预测模型,在估计阶段中通用模型被用于基于针对特定患者的集合信息来确定(例如,估计或预测)针对该患者的可实现的剂量分布。
使用诸如但不限于正电子发射断层摄影(PET)的技术获得的图像能够被用于提供与生物活动或化学活动的空间分布有关的信息。PET提供用于诊断和监测癌症的已知技术;其能够被用于检测癌变肿瘤和肿瘤的范围(例如,大小),并且能够被用于确定肿瘤对处置的响应。空间信息能够被用于在辐射处置规划期间调谐目标结构的期望的剂量水平,该过程被知晓为“剂量绘图”。“剂量绘图”辐射治疗允许在目标体积内(例如在肿瘤体积内)的辐射的非均匀递送;能够应用将更高剂量递送到体积内的某些区域的强度调制辐射治疗(IMRT)的策略。换言之,代替将均匀剂量水平应用到整个目标体积,剂量被重新分布使得例如一些区域接收更高剂量。
在根据本发明的实施例中,基于知识的规划被补充有空间上分布的(3D)生物或化学活动信息以促进创建处置规划并改善那些规划的质量。更具体地,在模型训练阶段中使用的信息被扩展以包括这样的空间信息。在实施例中,KBP被扩展以包括来自例如PET图像的空间信息。然而,根据本发明的实施例不限于PET图像;能够使用其他类型的图像,例如但不限于功能磁共振成像(MRI)图像。一般地,根据本发明的实施例能够利用KBP结合得到与目标体积的组成有关的信息的任何3D成像技术。
在实施例中,访问特定于患者的信息。使用患者特定信息作为预测模型的输入来确定在患者中的目标体积内部的空间剂量分布的预测。使用包括从向其他患者应用其他辐射处置规划得到的数据的训练数据来建立预测模型。训练数据包括指示其他患者中的目标体积中的活动的水平的空间上分布的信息(例如,PET图像数据)。基于预测来产生剂量体积直方图和相关联的三维剂量分布信息。剂量体积直方图和三维剂量分布信息能够被用于开发针对患者的辐射处置规划。
因此,关于例如在使周围健康组织对辐射的暴露最小化的同时将充分的辐射递送到目标体积的能力来改善处置规划的质量。还改善了通用预测模型的质量,从而方便创建处置规划。
提供本发明内容从而以简化的形式介绍下面在随后的具体实施方式中进一步描述的一系列概念。本发明内容不旨在标识要求保护的主体的关键特征或必要特征,也不旨在用于限制要求保护的主体的范围。
附图说明
附图图示本公开内容的实施例并且连同具体实施方式一起用于解释本公开内容的原理,附图被并入到本说明书中并形成本说明书的一部分,并且在附图中类似的附图标记描绘类似的元件。
图1示出本文描述的实施例可以被实施在其上的计算系统的示例的方框图。
图2示出在根据本发明的实施例中的能够被实施以创建和使用预测模型的过程。
图3是图示在根据本发明的实施例中的自动辐射治疗处置规划系统的示例的方框图。
图4图示在根据本发明的实施例中的基于知识的规划系统的实施例。
图5是在根据本发明的实施例中的用于生成辐射治疗处置规划的计算机实施的方法的示例的流程图。
具体实施方式
现在将对本公开内容的各种实施例详细进行引用,本公开内容的各种实施例的示例被图示在附图中。在结合这些实施例进行描述时,将理解它们不旨在将本公开内容限于这些实施例。相反,本公开内容旨在覆盖可以被包含在如由所附权利要求限定的本公开内容的精神和范围内的备选、修改和等同方案。另外,在本公开内容的下面的具体实施方式中,阐述了许多具体细节以便提供对本公开内容的透彻理解。然而,将理解本公开内容可以在没有这些具体细节的情况下来实践。在其他实例中,没有详细描述众所周知的方法、流程、部件和电路从而不使本公开内容的各方面不必要地模糊。
下面的具体实施方式的一些部分以在计算机存储器内的数据位上的操作的流程、逻辑块、处理和其他符号表示的形式来呈现。这些描述和表示是由数据处理领域的技术人员用于将其工作的内容最有效地传达给其他领域技术人员使用的技术手段。在本申请中,流程、逻辑块、过程、等等被设想为得到期望结果的步骤或指令的自洽序列。步骤是利用物理量的物理操纵的步骤。通常,尽管不一定必需,这些量采取能够被存储、被转移、被组合、被比较和以其他方式被操纵在计算系统中的电信号或磁信号的形式。已经证实有时主要出于常见用法的原因将这些信号指代为事务、位、值、元素、符号、字符、样本、像素、等等是方便的。
然而,应当牢记,这些术语和类似的术语中的全部应与合适的物理量相关联并且仅仅是被应用到这些量的方便标签。除非另行明确陈述,如从下面的讨论显而易见的,应认识到,在本说明书中,利用诸如“确定”、“访问”、“产生”、“使用”、“输入”、“计算”、“生成”、等等的术语的讨论是指计算系统或类似的电子计算设备或处理器(例如,图1的计算系统100)的动作和过程(例如,图5的流程图500)。计算系统或类似的电子计算设备操纵并转变在计算系统存储器、寄存器或其他这样的信息存储装置、发送或显示设备内被表示为物理(电子)量的数据。
以方法的形式来呈现和讨论下面的具体实施方法的部分。尽管其步骤和序列被公开在本文的描述该方法的操作的图(例如,图5)中,但是这样的步骤和序列是示范性的。实施例很好地适于执行各种其他步骤或在本文的图的流程图中记载的步骤的变型,并且以除了本文描绘和描述的序列以外的序列。
本文描述的实施例可以在驻留在某种形式的计算机可读存储介质上的计算机可执行指令(诸如由一个或多个计算机或其他设备执行的程序模块)的一般上下文中进行讨论。通过举例而非限制性的方式,计算机可读存储介质可以包括非暂态计算机存储介质和通信介质。一般地,程序模块包括执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构、等等。在各种实施例中,可以根据需要来组合或分布程序模块的功能。
计算机存储介质包括在用于存储诸如计算机可读指令、数据结构、程序模块或其他数据的信息的任何方法或技术中实施的易失性介质和非易失性介质、可移除介质和不可移除介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦可编程ROM(EEPROM)、闪速存储器或其他存储器技术、紧凑盘ROM(CD-ROM)、数字多用盘(DVD)或其他光学存储装置、磁盘、磁带、磁盘存储装置或其他磁性存储设备或能够被用于存储期望信息并且能够被访问以检索该信息的任何其他介质。
通信介质能够实现计算机可执行指令、数据结构和程序模块,并且包括任何信息递送介质。通过举例而非限制性的方式,通信介质包括诸如有线网络或直接有线连接的有线介质和诸如声学介质、射频(RF)介质和其他无线介质的无线介质。以上中的任何的组合还能够被包含在计算机可读介质的范围内。
图1示出本文描述的实施例可以被实施在其上的计算系统100的示例的方框图。在其最基本的配置中,系统100包括至少一个处理单元102和存储器104。该最基本的配置在图1中由虚线106图示。系统100还具有额外的特征/功能。例如,系统100还可以包括额外的存储装置(可移除的和/或不可移除的),包括但不限于磁盘或光盘或者磁带。这样的额外的存储装置在图1中由可移除存储装置108和不可移除存储装置120图示。系统100还可以包含例如在使用到一个或多个远程计算机的逻辑连接的网络化环境中允许设备与其他设备通信的(多个)通信连接122。
系统100还可以具有(多个)输入设备124,诸如键盘、鼠标、笔、语言输入设备、触摸输入设备、等等。还可以包括(多个)输出设备126,诸如显示器、扬声器、打印机、等等。
在图1的示例中,存储器104包括与预测模型150相关联的计算机可读指令、数据结构、程序模块、等等。然而,预测模型150可以代替地驻留在由系统100使用的计算机存储介质中的任何一个中,或者可以被分布在计算机存储介质的一些组合上,或者可以被分布在网络化计算机的一些组合上。
图2示出在根据本发明的实施例中的能够被实施以创建和使用预测模型150的过程200。过程200能够被实施为存储在计算机可用介质中的计算机可读指令。
基于知识的规划(KB)数据202包括用于基于已知的与新患者有关的几何信息来预测针对该患者的临床上最佳的或可接受的结果的来自先前的和现有的辐射治疗规划的数据。
图像数据204包括使用能够被用于基于例如目标体积中的生物活动或化学活动的空间分布提供与目标体积(例如肿瘤)的组成有关的信息的技术来获得的数据。这样的技术包括但不限于正电子发射断层摄影(PET)和功能磁共振成像(MRI)。
根据本发明的实施例将KBP扩展为包括来自例如PET图像的空间信息。更具体地,在模型训练阶段210中使用的信息被扩展以包括这样的空间信息。这样的信息还可以在模型验证阶段212中被使用。
在模型训练阶段210中,使用训练数据来开发并训练预测模型150。训练数据基于针对各种患者开发的不同处置规划的第一样本;训练数据可以包括例如针对处置规划的第一样本的剂量体积直方图(DVH)。在模型训练阶段210中的处置规划使用空间信息(例如PET图像)来开发。在模型验证阶段212中,基于预测模型150在训练数据上的性能(其准确地对训练数据和针对训练数据的DVH进行建模的能力)以及其基于处置规划的另一(第二样本)令人满意地预测验证数据的能力(其准确地对验证数据和针对验证数据的DVH进行建模的能力)来评价预测模型150。预测模型150的适当性通过其令人满意地对训练数据和验证数据两者建模和预测的能力来证明。
在模型训练阶段210中能够使用KBP数据202和图像数据204来创建针对在目标内部的空间剂量分布的预测模型150以从剂量绘图反映空间剂量分布变化。在实施例中,能够发现在图像像素强度与将在空间上使用的剂量之间的回归模型,即能够发现在例如PET空间信息与在目标剂量水平中的变化之间的关系。在另一实施例中,其他结构信息(诸如从目标结构的边缘的距离)能够被用于确定空间剂量信息。预测模型150还能够基于某些图像处理步骤(例如对PET图像的平滑)或其他类似的操纵。
模型训练阶段210中包含的训练数据能够使用例如回归模型来适当地考虑和评估,直到产生预测模型150。一旦训练数据能够使用模型150令人满意地来预测,则验证阶段212中包含的数据能够被用于独立地测试和核验模型的准确度。模型开发是前进直到令人满意地预测到验证数据的在训练与验证之间的迭代过程。
预测模型150能够根据需要来更新。当使用模型来获得经验时,结果能够反馈回到训练数据或验证数据中以连续地细化预测模型。
临床医师能够选择他们的“最好的”处置规划以包含在能够被用于改进模型150和/或创建新模型的训练集中。模型150能够跨健康护理网络被共享以创建标准的且更全面的模型。
以这种方式,包括由3D图像(例如,PET图像)辅助的KBP的预测模型(模型150)能够被用于自动地创建剂量绘图目标作为辐射治疗处置规划的部分。预测模型150能够被用于通过估计在患者内部的目标体积(例如,肿瘤)中的可实现的剂量分布来开发针对新患者的处置规划。该估计能够通过将患者特定信息(例如,几何信息)输入到预测模型150中来进行,预测模型150能够基于模型的在训练数据和/或验证数据中使用的处置规划的结果的精华来预测剂量分布。
输入患者特定信息可以包含能够实际上影响辐射处置治疗规划的参数的任何组合。例如,患者特定信息可以被组织为包括针对以下的特征元素的向量或数据结构:目标体积的大小和形状;目标体积的位置;有风险器官的大小和形状;有风险器官的类型;目标体积的与器官重叠的部分;以及器官的与目标体积重叠的部分。
图3是图示在根据本发明的实施例中的自动辐射治疗处置规划系统300的示例的方框图。系统300包括用于接收患者特定信息(数据)301的输入接口310、实施预测模型150的数据处理部件320、以及输出接口330。系统300整体或部分地可以在计算系统100(图1)上/使用计算系统100(图1)被实施为软件程序、硬件逻辑、或它们的组合。
患者特定信息被提供到预测模型150并由预测模型150处理。预测模型150得到预测结果,例如可实现的剂量分布预测。之后能够基于预测结果来生成处置规划。在实施例中,预测结果伴随有指示预测的质量的参数,诸如(例如受训练数据的内部一致性影响的)结果的可靠性、所预测的规划的复杂度以及结果的可能性。
图4图示在根据本发明的实施例中的并入患者记录和统计模型的组合以简化对辐射治疗剂量分布处置规划的生成的基于知识的规划系统400的实施例。在图4的示例中,系统400包括知识库402和处置规划工具集410。知识库402包括患者记录404(例如辐射处置规划)、处置类型406和统计模型408。图4的示例中的处置规划工具集410包括当前患者记录412、处置类型414、医学图像处理模块416、优化器418、剂量分布模块420和完成的患者记录422(例如最终批准的处置规划)。
处置规划工具集410在知识库402中(在患者记录404中)搜索类似于当前患者记录412的先前患者记录。统计模型408能够被用于将当前处置规划的所预测的结果与统计患者进行比较。使用当前患者信息、所选择的处置类型406和所选择的统计模型408,工具集410生成能够由临床医师批准的优化的处置规划。
基于过去的临床经验,当患者呈现特定诊断信息、阶段、年龄、体重、性别、共存病症、等等时,能够存在最常使用的处置类型。通过选择临床医师已经在过去针对类似的患者使用的处置类型,能够选出第一步骤处置类型414。医学图像处理模块416提供对(例如,来自CT或MRI的)二维横截面切片的自动轮廓化和自动分割以利用当前患者记录412中的医学图像形成三维图像。剂量分布映射图由剂量分布模块420来计算。
能够针对能够由优化器418应用的目标的组合来搜索知识库402以确定剂量分布。例如,能够从知识库402中选择平均有风险器官剂量体积直方图、平均群组有风险器官剂量体积直方图、以及平均有风险器官目标。在根据本发明的实施例中,优化器418使用预测模型150来帮助形成剂量分布。因此,优化器418能够提供针对当前患者的三维剂量分布、积分通量、以及相关联的剂量体积直方图。通过使用基于如以上所描述的历史数据来训练和验证的预测模型150,期望那些结果落入针对具有类似疾病类型和处置类型的患者的历史上接受的范围内。
图5是在根据本发明的实施例中的用于生成辐射治疗处置规划的计算机实施的方法的示例的流程图500。流程图500能够(例如使用图1的计算系统100)被实施为驻留在某种形式的计算机可读存储介质上的计算机可执行指令。
在图5的方框502中,访问存储在基于知识的规划系统中的数据库中的辐射处置规划。使用指示在与处置规划相关联的患者中的目标体积中的活动的水平的空间上分布的信息(例如,PET图像数据)来开发辐射处置规划。
在方框504中,使用包括来自向患者应用辐射处置规划的结果的训练数据来生成预测模型。在实施例中,训练数据被用于找到在图像数据像素强度与在目标体积内部的空间剂量水平之间的关系。
在方框506中,将特定于另一(新)患者的信息输入到预测模型中。
在方框508中,预测模型计算在患者中的目标体积内部的空间剂量分布。
在方框510中,基于空间剂量分布来产生剂量体积直方图和相关联的三维剂量分布信息。剂量体积直方图和三维剂量分布信息能够随后被用于开发特定于患者的处置规划。辐射处置规划调谐针对目标体积的辐射映射图的三维剂量分布信息,使得非均匀剂量分布在辐射处置期间被应用到目标体积。
在方框512中,从处置规划的应用到患者的反馈能够被并入到训练数据或验证数据中以细化或改善预测模型。
总之,根据本发明的实施例使用3D图像(例如,PET图像)作为输入数据的部分连同KBP数据一起来训练并验证预测模型,并且还在预测模型中使用3D图像连同KBP一起来估计可实现的剂量分布。所估计的剂量分布能够被用于自动地提供空间上不同的目标剂量水平(以用于剂量绘图)。
根据本发明的实施例能够被用于规划不同类型的外部射束辐射治疗,包括例如IMRT、图像引导辐射治疗(IGRT)、RapidArcTM辐射治疗、立体定向辐射治疗(SBRT)、以及立体定向消融辐射治疗(SABR)。
尽管已经以对结构特征和/或方法动作特定的语言描述了本主题,但是应理解在权利要求中限定的主题不必限于以上描述的特定特征或动作。相反,以上描述的特定特征和动作被公开为实施权利要求的示例形式。
Claims (20)
1.一种计算机实施的方法,包括:
访问特定于患者的信息;
使用患者特定信息作为预测模型的输入来确定在所述患者中的目标体积内部的空间剂量分布的预测,所述预测模型使用包括从向其他患者应用其他辐射处置规划得到的数据的训练数据来建立,所述训练数据包括指示所述其他患者中的目标体积中的活动的水平的空间上分布的信息;以及
基于所述预测来产生剂量体积直方图和相关联的三维剂量分布信息,所述剂量体积直方图和所述三维剂量分布信息用于开发针对所述患者的辐射处置规划。
2.根据权利要求1所述的方法,其中所述空间上分布的信息包括正电子发射断层摄影(PET)图像数据。
3.根据权利要求1所述的方法,还包括使用所述训练数据来找到在所述空间上分布的信息的图像数据像素强度与在所述目标体积内部的空间剂量水平之间的关系。
4.根据权利要求1所述的方法,其中所述患者特定信息是从包括以下的组中选择的:所述目标体积的大小和形状;有风险器官的大小和形状;有风险器官的类型;所述目标体积的与器官重叠的部分;以及器官的与所述目标体积重叠的部分。
5.根据权利要求1所述的方法,其中所述剂量体积直方图和所述三维剂量分布信息还使用所述预测模型来产生。
6.根据权利要求1所述的方法,其中所述辐射处置规划调谐所述三维剂量分布信息至所述目标体积,其中非均匀剂量分布在辐射处置期间被应用到所述患者中的所述目标体积。
7.根据权利要求1所述的方法,还包括将来自所述辐射处置规划的应用的反馈并入到所述预测模型中。
8.一种计算机系统,包括:
中央处理单元(CPU);以及
存储器,其耦合到所述CPU并且具有存储在其中的指令,所述指令在由所述计算机系统执行时使所述计算机系统执行包括以下的操作:
访问特定于患者的信息;
将患者特定信息输入到预测模型中,所述预测模型使用包括来自向其他患者应用其他辐射处置规划的结果的训练数据来建立,所述训练数据包括指示所述其他患者中的目标体积中的活动的水平的空间上分布的信息;
利用所述预测模型来计算在所述患者中的目标体积内部的空间剂量分布;以及
基于所述空间剂量分布来产生剂量体积直方图和相关联的三维剂量分布信息,所述剂量体积直方图和所述三维剂量分布信息随后能用于开发和访问特定于所述患者的处置规划。
9.根据权利要求8所述的系统,其中所述空间上分布的信息包括正电子发射断层摄影(PET)图像数据。
10.根据权利要求8所述的系统,其中所述操作还包括使用所述训练数据来找到在所述空间上分布的信息的图像数据像素强度与在所述目标体积内部的空间剂量水平之间的关系。
11.根据权利要求8所述的系统,其中所述患者特定信息是从包括以下的组中选择的:所述目标体积的大小和形状;有风险器官的大小和形状;有风险器官的类型;所述目标体积的与器官重叠的部分;以及器官的与所述目标体积重叠的部分。
12.根据权利要求8所述的系统,其中所述辐射处置规划调谐所述三维剂量分布信息至所述目标体积,其中非均匀剂量分布在辐射处置期间被应用到所述患者中的所述目标体积。
13.根据权利要求8所述的系统,其中所述操作还包括将来自所述辐射处置规划的应用的反馈并入到所述预测模型中。
14.一种计算机可读存储介质,具有用于使计算机系统执行一种方法的计算机可执行指令,所述方法包括:
访问针对多个患者的多个辐射处置规划,所述辐射处置规划被存储在基于知识的规划系统中的数据库中,所述辐射处置规划使用指示所述患者中的目标体积中的活动的水平的空间上分布的信息来开发;
使用包括来自向所述患者应用所述辐射处置规划的结果的训练数据来生成预测模型;
将特定于另一患者的信息输入到所述预测模型中;
利用所述预测模型来计算在所述患者中的目标体积内部的空间剂量分布;以及
基于所述空间剂量分布来产生剂量体积直方图和相关联的三维剂量分布信息,所述剂量体积直方图和所述三维剂量分布信息随后用于开发特定于所述患者的处置规划。
15.根据权利要求14所述的计算机可读存储介质,其中所述空间上分布的信息包括正电子发射断层摄影(PET)图像数据。
16.根据权利要求14所述的计算机可读存储介质,其中所述方法还包括使用所述训练数据来找到在所述空间上分布的信息的图像数据像素强度与在所述目标体积内部的空间剂量水平之间的关系。
17.根据权利要求14所述的计算机可读存储介质,其中所述患者特定信息是从包括以下的组中选择的:所述目标体积的大小和形状;有风险器官的大小和形状;有风险器官的类型;所述目标体积的与器官重叠的部分;以及器官的与所述目标体积重叠的部分。
18.根据权利要求14所述的计算机可读存储介质,其中所述剂量体积直方图和所述三维剂量分布信息还使用所述预测模型来产生。
19.根据权利要求14所述的计算机可读存储介质,其中所述辐射处置规划调谐所述三维剂量分布信息至所述目标体积,其中非均匀剂量分布在辐射处置期间被应用到所述患者中的所述目标体积。
20.根据权利要求14所述的计算机可读存储介质,其中所述方法还包括将来自所述辐射处置规划的应用的反馈并入到所述预测模型中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361884363P | 2013-09-30 | 2013-09-30 | |
US61/884,363 | 2013-09-30 | ||
PCT/CH2014/000139 WO2015042727A1 (en) | 2013-09-30 | 2014-09-30 | Predicting achievable dose distribution using 3d information as an input |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105592887A true CN105592887A (zh) | 2016-05-18 |
CN105592887B CN105592887B (zh) | 2018-11-16 |
Family
ID=51661822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480053868.6A Active CN105592887B (zh) | 2013-09-30 | 2014-09-30 | 使用3d信息作为输入来预测可实现的剂量分布 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20150094519A1 (zh) |
EP (1) | EP3052188B1 (zh) |
CN (1) | CN105592887B (zh) |
BR (1) | BR112016006998A2 (zh) |
WO (1) | WO2015042727A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108721792A (zh) * | 2017-04-24 | 2018-11-02 | 光线搜索实验室公司 | 用于放射疗法治疗计划的系统和方法 |
CN113226459A (zh) * | 2018-12-24 | 2021-08-06 | 皇家飞利浦有限公司 | 用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自动化检测 |
CN115054835A (zh) * | 2017-07-21 | 2022-09-16 | 瓦里安医疗系统国际股份公司 | 由计算机实现的辐射治疗计划的方法以及计算系统 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10046177B2 (en) * | 2014-06-18 | 2018-08-14 | Elekta Ab | System and method for automatic treatment planning |
US10607738B2 (en) * | 2015-05-15 | 2020-03-31 | University Health Network | System and method for minimally invasive thermal ablation treatment planning |
JP6865765B2 (ja) * | 2016-03-09 | 2021-04-28 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 強度変調放射線治療における臨床目標の達成可能性を迅速に予測する事前最適化方法 |
WO2018048575A1 (en) * | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
US10346593B2 (en) * | 2016-12-13 | 2019-07-09 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning |
US10342994B2 (en) * | 2016-12-13 | 2019-07-09 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
US11648418B2 (en) | 2017-06-22 | 2023-05-16 | Reflexion Medical, Inc. | Systems and methods for biological adaptive radiotherapy |
US10744342B2 (en) | 2017-07-28 | 2020-08-18 | Varian Medical Systems International Ag | Apparatus to facilitate the administration of a knowledge-based radiation treatment plan |
US10653893B2 (en) * | 2017-08-30 | 2020-05-19 | Varian Medical Systems International Ag | Radiation treatment based upon user specification of at least one custom DVH estimation model training feature |
US11475991B2 (en) | 2018-09-28 | 2022-10-18 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
US10984902B2 (en) | 2018-09-28 | 2021-04-20 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
US11013936B2 (en) | 2018-12-21 | 2021-05-25 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
US20200286601A1 (en) * | 2019-03-06 | 2020-09-10 | Varian Medical Systems | Graphical display of dose rate information for radiation treatment planning |
US20220362577A1 (en) * | 2019-06-20 | 2022-11-17 | University Of Vermont And State Agricultural College | Methods for guiding direct delivery of drugs and/or energy to lesions using computational modeling |
JP7355370B2 (ja) * | 2019-09-10 | 2023-10-03 | Ams企画株式会社 | 情報処理装置、プログラム及びコンピュータの作動方法 |
US11537912B2 (en) | 2020-02-19 | 2022-12-27 | Varian Medical Systems International Ag | Generating and applying robust dose prediction models |
WO2021230882A1 (en) * | 2020-05-15 | 2021-11-18 | MyWoundDoctor, LLC | System amd method of wound assessment and treatment |
CN116096461A (zh) * | 2020-09-02 | 2023-05-09 | 医科达(上海)科技有限公司 | 基于深度学习的自动束建模 |
CN115957453B (zh) * | 2022-12-16 | 2023-07-21 | 中国科学院近代物理研究所 | 一种用于重离子放射治疗的三维在体剂量重建方法及装置 |
CN116072263B (zh) * | 2023-03-06 | 2023-06-09 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于放疗的计划参数预测装置 |
CN117323584B (zh) * | 2023-10-18 | 2024-03-29 | 迈胜医疗设备有限公司 | 用于放射治疗计划调整的电子设备、放射治疗系统及相关装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103282967A (zh) * | 2010-08-17 | 2013-09-04 | 德克萨斯州立大学董事会 | 用于放射疗法的自动化治疗计划 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7400755B2 (en) * | 2005-06-02 | 2008-07-15 | Accuray Incorporated | Inverse planning using optimization constraints derived from image intensity |
US7668291B2 (en) * | 2007-05-18 | 2010-02-23 | Varian Medical Systems International Ag | Leaf sequencing |
CN102132280A (zh) * | 2008-08-15 | 2011-07-20 | 皇家飞利浦电子股份有限公司 | 模型增强的成像 |
-
2014
- 2014-09-30 EP EP14781047.7A patent/EP3052188B1/en active Active
- 2014-09-30 WO PCT/CH2014/000139 patent/WO2015042727A1/en active Application Filing
- 2014-09-30 US US14/502,332 patent/US20150094519A1/en not_active Abandoned
- 2014-09-30 BR BR112016006998A patent/BR112016006998A2/pt not_active Application Discontinuation
- 2014-09-30 CN CN201480053868.6A patent/CN105592887B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103282967A (zh) * | 2010-08-17 | 2013-09-04 | 德克萨斯州立大学董事会 | 用于放射疗法的自动化治疗计划 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108721792A (zh) * | 2017-04-24 | 2018-11-02 | 光线搜索实验室公司 | 用于放射疗法治疗计划的系统和方法 |
CN108721792B (zh) * | 2017-04-24 | 2022-04-26 | 光线搜索实验室公司 | 用于放射疗法治疗计划的方法、程序存储器和系统 |
CN115054835A (zh) * | 2017-07-21 | 2022-09-16 | 瓦里安医疗系统国际股份公司 | 由计算机实现的辐射治疗计划的方法以及计算系统 |
CN113226459A (zh) * | 2018-12-24 | 2021-08-06 | 皇家飞利浦有限公司 | 用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自动化检测 |
Also Published As
Publication number | Publication date |
---|---|
EP3052188B1 (en) | 2021-12-01 |
WO2015042727A1 (en) | 2015-04-02 |
US20150094519A1 (en) | 2015-04-02 |
EP3052188A1 (en) | 2016-08-10 |
BR112016006998A2 (pt) | 2017-08-01 |
CN105592887B (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105592887A (zh) | 使用3d信息作为输入来预测可实现的剂量分布 | |
Wang et al. | Learning‐based automatic segmentation of arteriovenous malformations on contrast CT images in brain stereotactic radiosurgery | |
JP7199226B2 (ja) | 放射線治療のインタラクティブ計画 | |
US10159851B2 (en) | Systems and methods for automatic training of dose prediction models and treatment plans as a cloud service | |
CN109069858B (zh) | 一种放射治疗系统及计算机可读存储装置 | |
JP6620116B2 (ja) | 自動治療計画のためのシステム及び方法 | |
US20230173303A1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
JP6782051B2 (ja) | オンライン学習により強化されたアトラスベース自動セグメンテーション | |
CN108771794B (zh) | 用于生成辐射处理计划中的剂量计算的系统和方法 | |
US10512790B2 (en) | Systems and methods for generating radiation treatment plans | |
WO2012172454A1 (en) | Hybrid point-based registration | |
US20180304097A1 (en) | System and method for radiation therapy treatment planning | |
Schlachter et al. | State‐of‐the‐Art Report: Visual Computing in Radiation Therapy Planning | |
US20150095051A1 (en) | Automated algorithm and framework for multi-patient treatment plan access in radiation therapy | |
US11504548B2 (en) | Systems and methods for quality control in image-guided radiotherapy | |
CN103959345A (zh) | 使用颜色的剂量分布显示方法 | |
Beaulieu et al. | Multicriteria optimization in brachytherapy | |
Valdes et al. | Artificial Intelligence in Radiation Oncology and Biomedical Physics | |
Cros et al. | Combining dense elements with attention mechanisms for 3D radiotherapy dose prediction on head and neck cancers | |
CN117642211A (zh) | 评估用于放射辐射处理计划的处理参数 | |
Park et al. | scuda: A software platform for cumulative dose assessment | |
Kim et al. | Development of a radiobiological evaluation tool to assess the expected clinical impacts of contouring accuracy between manual and semi-automated segmentation algorithms | |
WO2023196533A1 (en) | Automated generation of radiotherapy plans | |
Documet et al. | A DICOM-RT radiation oncology ePR with decision support utilizing a quantified knowledge base from historical data |
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 |