CN106169028A - 调强放疗中危及器官吸收剂量预测数学模型的构建方法 - Google Patents

调强放疗中危及器官吸收剂量预测数学模型的构建方法 Download PDF

Info

Publication number
CN106169028A
CN106169028A CN201610529290.8A CN201610529290A CN106169028A CN 106169028 A CN106169028 A CN 106169028A CN 201610529290 A CN201610529290 A CN 201610529290A CN 106169028 A CN106169028 A CN 106169028A
Authority
CN
China
Prior art keywords
organ
prediction model
ring
jeopardizing
intensity modulated
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
Application number
CN201610529290.8A
Other languages
English (en)
Other versions
CN106169028B (zh
Inventor
庞皓文
孙小杨
杨波
唐涛
石翔翔
陈斌
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.)
Affiliated Hospital of Southwest Medical University
Original Assignee
Affiliated Hospital of Southwest Medical University
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 Affiliated Hospital of Southwest Medical University filed Critical Affiliated Hospital of Southwest Medical University
Priority to CN201610529290.8A priority Critical patent/CN106169028B/zh
Publication of CN106169028A publication Critical patent/CN106169028A/zh
Application granted granted Critical
Publication of CN106169028B publication Critical patent/CN106169028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明公开了调强放疗中危及器官吸收剂量预测数学模型的构建方法，包括以下步骤：1）将危及器官划分成n个子器官，获取第n个子器官的归一化体积Vn /VOAR；2）根据调强治疗计划，获得危及器官的归一化吸收剂量Dn10~n100；3）根据第n个子器官的归一化体积Vn /VOAR和危及器官的归一化吸收剂量Dn10~n100，获得预测数学模型。本发明现在制作调强治疗计划前对危及器官的吸收剂量进行预测；简单实用，数据易于采集，大多数放疗单位均可在通过本发明的方法在现有治疗计划系统的基础上建立起调强放疗中危及器官吸收剂量的预测数学模型，适宜广泛推广应用。

Description

调强放疗中危及器官吸收剂量预测数学模型的构建方法
技术领域
本发明涉及医用放射治疗技术领域，具体是指调强放疗中构建危及器官吸收剂量预测数学模型的方法。
背景技术
肿瘤放射治疗是利用放射线治疗肿瘤的一种局部治疗方法，主要用于恶性肿瘤，与手术治疗、化学药物治疗组成了肿瘤三大治疗手段。统计数字表明，约有50％-70％的癌症患者需要不同程度地接收放射治疗。放射治疗的基本目的是提高放射治疗的治疗增益比，即最大限度地将放射线的剂量集中到靶区内，杀灭肿瘤细胞，而使周围正常组织少受或免受不必要的照射。适形放射治疗是一种提高治疗增益比的较为有效的物理方法。调强放疗即调强适形放射治疗是适形放疗的一种，它要求满足在照射方向上，照射野的形状必须与靶区形状一致、靶区内及表面剂量处处相等，每一个射野内诸点的输出剂量率能按要求的方式进行调整。
调强放疗技术提高了患者的疗效，改善了患者治疗后的生活质量，有效地提高了治疗增益比，但受优化方法、手段以及人为等因素影响，大多数放疗中心虽然危及器官控制在限定范围内，但由于缺少有效的预测评估方法，危及器官的最终吸收剂量更多地依赖于各放疗单位的经验，并未使其吸收剂量达到最小。
现有的预测评估方法通过提取治疗计划中危及器官每个采样点的剂量信息，建立调强放疗的预测模型，通过该模型在制作调强放疗计划前提前预测危及器官的剂量体积曲线，以保证调强计划的质量，其方法较为复杂，且作为商业软件出售价格高昂，难以在调强放疗计划制作中得到广泛具体的应用。
发明内容
本发明的目的在于提供调强放疗中构建危及器官吸收剂量预测数学模型的方法，通过此数学模型实现制作调强治疗计划前，对危及器官的吸收剂量进行预测。
本发明通过下述技术方案实现：调强放疗中危及器官吸收剂量预测数学模型的构建方法，包括以下步骤：
(1)将危及器官划分成n个子器官，获取第n个子器官的归一化体积Vn/VOAR，其中，Vn为第n个子器官的体积，VOAR为危及器官的体积；
(2)根据调强治疗计划，获得危及器官的归一化吸收剂量Dn10～n100，其中，Dn10～ n100为D10～100/Dp的比值，Dp为处方剂量，D10：是指10％的该危及器官体积所得到的吸收剂量；D20：是指20％的该危及器官体积所得到的吸收剂量；以此类推，D10～D100在放疗中专门用于评价危及器官吸收剂量；
(3)根据第n个子器官的归一化体积Vn/VOAR和危及器官的归一化吸收剂量Dn10～ n100，获得预测数学模型。
为了更好地实现本发明的方法，进一步地，所述步骤(1)中，将危及器官划分成n个子器官的具体过程包括以下步骤：
(1.1)勾画低危区计划肿瘤靶区PCTV2以及危及器官；
(1.2)以低位区计划肿瘤靶区PCTV2为外扩源，创建一个宽度为0.2～0.5cm的环，得到第一个环ring1，再以ring1+PCTV2为外扩源，以相同宽度创建第二个环ring2，以此类推，以ring1+···+ringn-1+PCTV2为外扩源，以相同宽度即可创建第n个环ringn；
(1.3)每个环与危及器官的相交区域即为该危及器官的子器官。
为了更好地实现本发明的方法，进一步地，所述步骤(1.1)中勾画低危区 计划肿瘤靶区PCTV2以及危及器官的具体过程，包括以下步骤：
(1.1.1)通过CT机扫描出患者相应部位的横断面图像；
(1.1.2)将扫描出的CT图像传输至放疗计划软件；
(1.1.3)利用放疗计划软件中的勾画工具，在各CT横断面图像上勾画出各个危及器官与计划靶区，即得，并可通过放疗计划软件得出器官体积VOAR和靶区体积VTatget的体积大小。
使用的放疗计划软件为Pinnacle软件。
为了更好地实现本发明的方法，进一步地，所述步骤(1.2)中，创建的环的宽度为0.3cm。
为了更好地实现本发明的方法，进一步地，所述步骤(3)中，获得预测数学模型采用的方法为多元线性拟合方法或神经网络的数据拟合方法中的至少一种。
为了更好地实现本发明的方法，进一步地，所述多元线性拟合方法主要采用SPSS19软件进行预测数学模型的构建。
为了更好地实现本发明的方法，进一步地，采用多元线性拟合方法进行预测数学模型的构建，所得数学模型为：
Y＝Pc+P0×(V0/VOAR)+P1×(V1/VOAR)+…+Pn×(Vn/VOAR)；
其中，Y为危及器官的归一化吸收剂量Dn10～n100；
V0/VOAR为低危区计划肿瘤靶区PCTV2与危及器官的归一化相交体积，V1/VOAR为ring1与危及器官的归一化相交体积，以此类推，Vn为ringn与危及器官的归一化相交体积；
通过SPSS19软件，进行回归线性分析，即可得到该危及器官P1～Pn，以及Pc的取值。
为了更好地实现本发明的方法，进一步地，所述预测数学模型采用的方法主要采用Matlab神经网络工具箱进行基于BP神经网络的数据拟合。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明探索调强放疗计划中临近靶区的危及器官吸收剂量预测的数学模型，实现在制作调强治疗计划前对危及器官的吸收剂量进行预测；
(2)本发明方法简单，数据易于采集，大多数放疗单位均可在通过本发明的方法在现有治疗计划系统的基础上建立起调强放疗中危及器官吸收剂量的预测数学模型，适宜广泛推广应用。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此，在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的范围内。
实施例1：
本实施例中选取鼻咽癌调强患者病历55份，并以内耳、口腔、腮腺、声门喉、环后区咽、食管六种危及器官作为模板进行研究，寻求调强放疗中危及器官吸收剂量的预测数学模型。
一、针对鼻咽癌靶区的处方剂量与计划评估要求：
(1)处方剂量定义为98％的计划靶区所接收的最低吸收剂量；
(2)PGTVnx，PGTVrnp单次剂量2.10-2.25Gy，总剂量66-70Gy；
PGTVnd单次剂量2.00-2.25Gy，总剂量66-70Gy；
PCTV1单次剂量1.80-2.05Gy，总剂量60-66Gy；
PCTV2单次剂量1.80Gy，总剂量54-56Gy。
(3)计划评估要求：
(3.1)PTV接受≥110％处方剂量的体积＜2％；
(3.2)PTV接受＜93％的处方剂量的体积＜1％。
二、针对选定危及器官的限定剂量：
单侧内耳平均剂量(Dme)≤45Gy；
口腔平均剂量(Dmo)≤40Gy；
腮腺平均剂量(Dmpa)≤26Gy，对于腮腺与PCTV2相交体积过大的情况至少单侧D50％<30Gy或剂量尽量低；
声门喉平均剂量(Dml)≤45Gy；
环后区咽平均剂量(Dmph)≤45Gy；
食管平均剂量(Dmes)≤45Gy。
三、治疗计划设计：
55例鼻咽癌病历中调强治疗计划均采用Pinnacle8.0治疗计划系统计划进行回顾性优化分析，鼻咽癌采用6兆伏X射线共面9野均分直接子野优化的设计方法。
具体探寻过程如下：
首先，病历中低危区计划肿瘤靶区PCTV2以及选定的危及器官的进行勾画，通过CT机扫描出患者相应部位的横断面图像；将扫描出的CT图像传输至pinnacle放疗计划软件；利用pinnacle软件中的勾画工具，在各CT横断面图像上勾画出各个危及器官与计划靶区，点击Volume工具，可计算出危及器官和靶区体积的体积大小。所有入组病历均由同一医师对靶区进行勾画。
其次，将PCTV2外扩为宽度为0.3cm的多个环ring1～ringn，将ring1～ringn与不同危及器官相交区域(ring1～ringn∩OAR)作为该危及器官独立的子器官进行参数优化。
最后，通过对各个患者的子器官的均匀剂量大小与权重的不断调整，在危及器官与靶区相交区域剂量认定为靶区处方剂量与保证靶区处方剂量满足评估要求的前提下，使得各个危及器官吸收剂量尽量低，由于优化时子器官数量较多，其权重参数应调整到相对于靶区权重较小的值。
四、鼻咽癌危及器官吸收剂量预测模型建立：
从55例鼻咽癌患者病历中的调强治疗计划得出各个危及器官的子器官归一化体积以及各个危及器官的归一化吸收剂量。
主要采用多元线性拟合方法进行数据拟合，具体通过SPSS19软件实现：点击SPSS19软件中分析-回归-线性工具，因变量选取需要分析的危及器官的归一化吸收剂量，自变量选取ring1～ringn与该危及器官相交区域的归一化体积，点击确定按钮，即可得到该危及器官P1～Pn，以及Pc的取值。
所得预测数学模型为：
Y＝Pc+P0×(V0/VOAR)+P1×(V1/VOAR)+…+Pn×(Vn/VOAR)；
其中，Y为危及器官的归一化吸收剂量Dn10～n100；
V0/VOAR为低危区计划肿瘤靶区PCTV2与危及器官的归一化相交体积，V1/VOAR为ring1与危及器官的归一化相交体积，以此类推，Vn为ringn与危及器官的归一化相交体积；
内耳的P0～Pn、Pc的取值为，如表1所示，
表1内耳
其中，Dn10为是指10％的该危及器官体积所得到的吸收剂量；
Dn20为是指10％的该危及器官体积所得到的吸收剂量；
以此类推，Dn10～Dn100专门用于评价危及器官的吸收剂量。
口腔的P1～Pn的取值为，如表2所示，
表2口腔
腮腺的P1～Pn的取值为，如表3所示，
表3腮腺
喉的P1～Pn的取值为，如表4所示，
表4喉
环后区咽的P1～Pn的取值为，如表5所示，
表5环后区咽
食管的P1～Pn的取值为，如表6所示，
表6食管
将表1～表6中的数据带入预测数学模型，通过SPSS19软件可得出所有方程模型的F统计量的p值均小于0.05，说明该数学模型是有效的，并测得该预 测数学模型的拟合优度值r，如表7所示。
表7不同危及器官采用SPSS19软件构建的预测数学模型预测危及器官吸收剂量的拟合优度r
由表7中拟合优度r可知，基于鼻咽癌而最终建立的数学模型的拟合程度非常好。
可以根据多元线性拟合方法建立预测数学模型，即可在已知危及器官的子器官归一化体积的前提下对危及器官的归一化吸收剂量进行预测。
实施例2：
本实施例在上述实施例的基础上，使用神经网络的进行数据拟合，具体过程为，采用Matlab神经网络工具箱进行数据拟合的具体过程为：matlab软件中输入nftool，打开神经网络数据拟合工具箱，点击next，Inputs选取需要分析的危及器官的归一化吸收剂量，Target选取ring1～ringn与该危及器官相交区域的归一化体积，点击next，点击Train按钮对数据进行训练，即可得数据拟合的Networks。
根据建立的Networks获得与实际危及器官的吸收剂量进行拟合，所得拟合优度，如表8所示，
表8不同危及器官通过BP神经网络构建的预测数学模型预测危及器官吸收剂量的拟合优度r
由表8中相关系数r可知，基于鼻咽癌而最终建立的BP神经网络数据拟合方式数学模型为拟合程度非常好，略好于多元线性拟合方法。
根据BP神经网络进行数据拟合后所得到的Networks，即可在已知危及器官的子器官归一化体积的前提下对危及器官的归一化吸收剂量进行预测。本实施例其他部分与上述实施例相同，这里不再赘述。本实施例其他部分与上述实施例相同，这里不再赘述。
实施例3：
本实施例公开了以PCTV2为外扩源，向外扩环的具体过程，将PCTV2外扩为宽度为0.3cm的多个环ring1～ringn的具体过程，首先利用Pinnacle8.0软件的感兴趣区(ROI)外扩程序，以PCTV2为外扩源，创建一个宽度为0.3的环，即可得到第1个环(ring1)；以PCTV2+ring1为外扩源，创建一个宽度为0.3的环，即可得到第2个环(ring2)；以此类推，以PCTV2+ring1+·+ringn-1为外扩源，创建一个宽度为0.3的环，即可得到第n个环(ringn)。
在Pinnacle软件具体的操作过程包括以下步骤：
(a)在Pinnacle软件中点击ROI Expansion/Contraction工具；
(b)source选取PCTV2，Create new ROI Name输入ring1，Uniform margin(cm)输入0.3，点击Create Ring ROI工具，即可得到一个新的感兴趣区ring1；
(c)点击ROI Expansion/Contraction工具；source选取PCTV2与ring1，Createnew ROI Name输入ring2，Uniform margin(cm)输入0.3，点击Create Ring ROI工具，即可得到一个新的感兴趣区ring2；
(d)以此类推点击ROI Expansion/Contraction工具；
(e)source选取PCTV2、ring1、…、ringn-1，Create new ROI Name输入ringn，Uniform margin(cm)输入0.3，点击Create Ring ROI按钮，即可得到一个新的感兴趣区ringn。
本实施例其他部分与上述实施例相同，这里不再赘述。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，包括以下步骤：
（1）将危及器官划分成n个子器官，获取第n个子器官的归一化体积Vn /VOAR，其中，Vn为第n个子器官的体积，VOAR为危及器官的体积；
（2）根据调强治疗计划，获得危及器官的归一化吸收剂量Dn10~n100，其中，Dn10~n100为D10~100/Dp的比值，Dp为处方剂量，D10：是指10%的该危及器官体积所得到的吸收剂量；D20：是指20%的该危及器官体积所得到的吸收剂量；以此类推，D10~D100在放疗中专门用于评价危及器官吸收剂量；
（3）根据第n个子器官的归一化体积Vn /VOAR和危及器官的归一化吸收剂量Dn10~n100，获得预测数学模型。
2.根据权利要求1所述的调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，所述步骤（1）中，将危及器官划分成n个子器官的具体过程包括以下步骤：
（1.1）勾画低危区计划肿瘤靶区PCTV2以及危及器官；
（1.2）以低位区计划肿瘤靶区PCTV2为外扩源，创建一个宽度为0.2~0.5cm的环，得到第一个环ring1 ，再以ring1 + PCTV2为外扩源，以相同宽度创建第二个环ring2 ，以此类推，以ring1 +···+ringn - 1 +PCTV2为外扩源，以相同宽度即可创建第n个环ringn ；
（1.3）每个环与危及器官的相交区域即为该危及器官的子器官。
3.根据权利要求2所述的调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，所述步骤（1.1）中勾画低危区计划肿瘤靶区PCTV2以及危及器官的具体过程，包括以下步骤：
（1.1.1）通过CT机扫描出患者相应部位的横断面图像；
（1.1.2）将扫描出的CT图像传输至放疗计划软件；
（1.1.3）利用放疗计划软件中的勾画工具，在各CT横断面图像上勾画出各个危及器官与计划靶区，即得。
4.根据权利要求2或3所述的调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，所述步骤（1.2）中，创建的环的宽度为0.3cm。
5.根据权利要求1或2所述的调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，所述步骤（3）中，获得预测数学模型采用的方法为多元线性拟合方法或神经网络的数据拟合方法中的至少一种。
6.根据权利要求5所述的调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，所述多元线性拟合方法主要采用SPSS19软件进行预测数学模型的构建。
7.根据权利要求6所述的调强放疗中危及器官吸收剂量预测数学模型的构建方法，其特征在于，采用多元线性拟合方法进行预测数学模型的构建，所得数学模型为：
Y=Pc+ P0×（V0 /VOAR）+P1×（V1/VOAR） +…+Pn×（Vn/VOAR）；
其中，Y为危及器官的归一化吸收剂量Dn10~n100；
V0 /VOAR为低危区计划肿瘤靶区PCTV2与危及器官的归一化相交体积，V1 /VOAR为ring1与危及器官的归一化相交体积，以此类推，Vn为ringn 与危及器官的归一化相交体积；
通过SPSS19软件，进行回归线性分析，即可得到该危及器官P1~Pn，以及Pc的取值。
8.根据权利要求5所述的调强放疗中构建危及器官吸收剂量预测数学模型的方法，所述预测数学模型采用的方法主要采用Matlab神经网络工具箱进行基于BP神经网络的数据拟合。
CN201610529290.8A 2016-07-05 2016-07-05 调强放疗中构建危及器官吸收剂量预测系统 Active CN106169028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610529290.8A CN106169028B (zh) 2016-07-05 2016-07-05 调强放疗中构建危及器官吸收剂量预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610529290.8A CN106169028B (zh) 2016-07-05 2016-07-05 调强放疗中构建危及器官吸收剂量预测系统

Publications (2)

Publication Number Publication Date
CN106169028A true CN106169028A (zh) 2016-11-30
CN106169028B CN106169028B (zh) 2020-11-03

Family

ID=58065164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610529290.8A Active CN106169028B (zh) 2016-07-05 2016-07-05 调强放疗中构建危及器官吸收剂量预测系统

Country Status (1)

Country Link
CN (1) CN106169028B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107731298A (zh) * 2017-09-28 2018-02-23 北京全域医疗技术有限公司 基于放疗计划系统的射野设置方法及装置
CN109771843A (zh) * 2017-11-10 2019-05-21 北京连心医疗科技有限公司 云放射治疗计划评估方法、设备与存储介质
CN110604550A (zh) * 2019-09-24 2019-12-24 广州医科大学附属肿瘤医院 一种肿瘤放疗后正常组织器官并发症的预测方法
CN112037885A (zh) * 2020-09-07 2020-12-04 平安科技（深圳）有限公司 放疗计划中的剂量预测方法、装置、计算机设备及存储介质
CN112419338A (zh) * 2020-12-08 2021-02-26 深圳大学 一种基于解剖先验知识的头颈部危及器官的分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011125238A1 (ja) * 2010-04-07 2011-10-13 国立大学法人東北大学 モニタリング装置、モニタリング方法、放射線治療システム及びファントム
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
CN105358219A (zh) * 2013-05-21 2016-02-24 瓦里安医疗系统国际股份公司 用于自动产生剂量预测模型以及作为云服务的疗法治疗计划的系统和方法
CN105709341A (zh) * 2016-01-15 2016-06-29 中国科学院合肥物质科学研究院 一种基于梯度法和漫水填充法的调强子野优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011125238A1 (ja) * 2010-04-07 2011-10-13 国立大学法人東北大学 モニタリング装置、モニタリング方法、放射線治療システム及びファントム
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
CN105358219A (zh) * 2013-05-21 2016-02-24 瓦里安医疗系统国际股份公司 用于自动产生剂量预测模型以及作为云服务的疗法治疗计划的系统和方法
CN105709341A (zh) * 2016-01-15 2016-06-29 中国科学院合肥物质科学研究院 一种基于梯度法和漫水填充法的调强子野优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
庞皓文等: "宫颈癌根治性调强放疗期间膀胱直肠体积与其吸收剂量的关系", 《肿瘤防治研究》 *
曹彦坤，等: "食管癌IMRT计划设计降低子野数及MU数方法研究", 《中国医学物理学杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107731298A (zh) * 2017-09-28 2018-02-23 北京全域医疗技术有限公司 基于放疗计划系统的射野设置方法及装置
CN109771843A (zh) * 2017-11-10 2019-05-21 北京连心医疗科技有限公司 云放射治疗计划评估方法、设备与存储介质
CN110604550A (zh) * 2019-09-24 2019-12-24 广州医科大学附属肿瘤医院 一种肿瘤放疗后正常组织器官并发症的预测方法
CN112037885A (zh) * 2020-09-07 2020-12-04 平安科技（深圳）有限公司 放疗计划中的剂量预测方法、装置、计算机设备及存储介质
CN112037885B (zh) * 2020-09-07 2022-05-17 平安科技（深圳）有限公司 放疗计划中的剂量预测方法、装置、计算机设备及存储介质
CN112419338A (zh) * 2020-12-08 2021-02-26 深圳大学 一种基于解剖先验知识的头颈部危及器官的分割方法

Also Published As

Publication number Publication date
CN106169028B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN106169028A (zh) 调强放疗中危及器官吸收剂量预测数学模型的构建方法
Kudchadker et al. Utilization of custom electron bolus in head and neck radiotherapy
Emami Tolerance of normal tissue to therapeutic radiation
Krayenbuehl et al. Evaluation of an automated knowledge based treatment planning system for head and neck
Ding et al. A study on adaptive IMRT treatment planning using kV cone-beam CT
WO2022142770A1 (zh) 放射治疗自动计划系统、自动计划方法及计算机程序产品
Myers et al. Evaluation of localization errors for craniospinal axis irradiation delivery using volume modulated arc therapy and proposal of a technique to minimize such errors
CN102184330A (zh) 一种基于影像特征和智能回归模型的优化调强放疗计划的方法
Ren et al. Actual anatomical and dosimetric changes of parotid glands in nasopharyngeal carcinoma patients during intensity modulated radiation therapy
CN110349665A (zh) 基于深度学习的直肠癌放疗计划自动化设计方法
Cheung et al. Dose recalculation and the dose-guided radiation therapy (DGRT) process using megavoltage cone-beam CT
Lafond et al. Impact of MLC leaf width on volumetric‐modulated arc therapy planning for head and neck cancers
Dai et al. Volumetric-modulated arc therapy for oropharyngeal carcinoma: a dosimetric and delivery efficiency comparison with static-field IMRT
CN110404184A (zh) 一种测算放疗射线剂量分布和剂量目标函数的方法和系统
Perumal et al. Evaluation of plan quality improvements in PlanIQ-guided Autoplanning
TW202007364A (zh) 用以產生對位影像的系統及方法
Zhu et al. Preliminary clinical study of the differences between interobserver evaluation and deep convolutional neural network-based segmentation of multiple organs at risk in CT images of lung cancer
Serra et al. SBRT for localized prostate cancer: CyberKnife vs. VMAT-FFF, a dosimetric study
CN112263788B (zh) 在放射治疗过程中形态变化的定量探测系统
Chen et al. Intensity-modulated radiotherapy, volume-modulated arc therapy and helical tomotherapy for locally advanced nasopharyngeal carcinoma: a dosimetric comparison
Mai et al. Voxel-based automatic multi-criteria optimization for intensity modulated radiation therapy
Grelewicz et al. Combined MV+ kV inverse treatment planning for optimal kV dose incorporation in IGRT
CN109499013B (zh) 一种肿瘤放射治疗中生物效应剂量确定方法及系统
CN103977498B (zh) 一种放射性粒子锥形布源的三维构建方法
Miki et al. Evaluation of optimization workflow using design of experiment (DoE) for various field configurations in volumetric-modulated arc therapy

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