CN106215334B - 一种后装放疗剂量的逆向调强优化计算方法及系统 - Google Patents
一种后装放疗剂量的逆向调强优化计算方法及系统 Download PDFInfo
- Publication number
- CN106215334B CN106215334B CN201610708836.6A CN201610708836A CN106215334B CN 106215334 B CN106215334 B CN 106215334B CN 201610708836 A CN201610708836 A CN 201610708836A CN 106215334 B CN106215334 B CN 106215334B
- Authority
- CN
- China
- Prior art keywords
- stationary point
- residence time
- dosage
- point
- stationary
- 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.)
- Expired - Fee Related
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 61
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 49
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 26
- 210000000056 organ Anatomy 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 11
- 230000000977 initiatory effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 3
- 230000002285 radioactive effect Effects 0.000 abstract description 5
- 210000003484 anatomy Anatomy 0.000 abstract description 3
- 230000004913 activation Effects 0.000 abstract 1
- 239000002131 composite material Substances 0.000 abstract 1
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 231100000987 absorbed dose Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000019065 cervical carcinoma Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- A61N5/103—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
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种后装放疗剂量的逆向调强优化计算方法及系统，方法包括在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；计算每张图像上选取剂量参考点的个数；通过内外双循环的模式计算得出最佳的驻点位置和驻留时间。系统包括图像生成单元、驻点激活单元、统计单元和循环计算单元。本发明通过个性化的解剖结构为基础，采用内外双循环的搜索模式得出一种放射源驻留位置和驻留时间的最佳组合方式，能满足个体化后装放疗剂量的逆向调强优化需求，其中外循环采用松弛法求解出一个初步组合，内循环则结合对肿瘤靶区的预期剂量和危及器官的约束剂量，进一步优化驻点位置和驻留时间的梯度。本发明可广泛应用于后装放疗剂量计算中。
Description
技术领域
本发明涉及剂量优化计算领域，尤其涉及一种后装放疗剂量的逆向调强优化计算方法及系统。
背景技术
近距离后装放疗技术主要被应用于治疗宫颈癌、前列腺癌、鼻咽癌等肿瘤，疗效肯定。近年来，随着图像引导放疗技术和施源器的发展，个体化的后装治疗成为当前研究的热点，而后装放疗剂量的调强优化是个体化治疗的关键技术，该技术依据放疗临床对肿瘤靶区的预期剂量和危及器官的约束剂量，通过数学算法逆向寻找出一种后装放射源驻留位置和驻留时间的最佳组合方式，由此得到的剂量分布能满足个体化后装治疗的需求。
目前一些基于CT、MRI、PET等图像的近距离后装放疗计划系统已经在临床使用，其中最具代表性的是荷兰核通公司开发的Oncentra GYN，它采用模拟退火算法实现后装放疗剂量的逆向调强优化功能，但是这些国外公司开发的系统价格昂贵，在国内难于推广。而国内的大多数放疗单位仍采用传统的基于X光片的二维近距离后装放疗计划系统，其剂量分布不考虑个体化的解剖结构，不具备后装放疗剂量的逆向调强优化功能，不能满足个体化后装放疗的需求。
发明内容
为了解决上述技术问题，本发明的目的是提供一种能有效进行后装放疗剂量优化计算的一种后装放疗剂量的逆向调强优化计算方法及系统。
本发明所采取的技术方案是：
一种后装放疗剂量的逆向调强优化计算方法，包括以下步骤：
A、在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
B、按预设的间隔ΔL，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
C、统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
D、通过内外双循环的模式计算得出最佳的驻点位置和驻留时间。
作为所述的一种后装放疗剂量的逆向调强优化计算方法的进一步改进，所述步骤D包括：
D1、设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
D2、根据肿瘤靶区图像和被激活的驻点，初步计算出每个被激活驻点的驻留时间；
D3、启动内循环搜索模式，进一步优化计算驻点位置和驻留时间；
D4、判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行步骤D5；反之，则对外循环的搜索次数k进行自加1，并返回执行步骤D2；
D5、根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
作为所述的一种后装放疗剂量的逆向调强优化计算方法的进一步改进，所述步骤D2包括：
D21、在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；
D22、判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
D23、根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；
D24、根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间。
作为所述的一种后装放疗剂量的逆向调强优化计算方法的进一步改进，所述步骤D3包括：
D31、在N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
D32、设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
D33、根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；
D34、随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
D35、判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行步骤D34；
D36、判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行步骤D4；反之，则对搜索次数r进行自加1，并返回执行步骤D34。
作为所述的一种后装放疗剂量的逆向调强优化计算方法的进一步改进，所述的步骤D21，其具体为：
在每一张肿瘤靶区图像中，若肿瘤靶区轮廓与危及器官轮廓没有交集，则P个剂量参考点均在靶区轮廓上随机取点；反之，若有交集，则P个剂量参考点均在交集中危及器官的轮廓上随机取点。
作为所述的一种后装放疗剂量的逆向调强优化计算方法的进一步改进，所述的惩罚因子CF(r)的计算公式为：
其中，a为临床约束条件个数，b为在每一个约束条件中参与计算惩罚因子的点个数。
本发明所采用的另一技术方案是：
一种后装放疗剂量的逆向调强优化计算系统，包括：
图像生成单元，用于在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
驻点激活单元，用于按预设的间隔ΔL，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
统计单元，用于统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
循环计算单元，用于通过内外双循环的模式计算得出最佳的驻点位置和驻留时间。
作为所述的一种后装放疗剂量的逆向调强优化计算系统的进一步改进，所述循环计算单元包括：
外循环初始化单元，用于设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
初步计算单元，用于根据肿瘤靶区图像和被激活的驻点，初步计算出每个被激活驻点的驻留时间；
内循环计算单元，用于启动内循环搜索模式，进一步优化计算驻点位置和驻留时间；
外循环结束判断单元，用于判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行最优计算单元；反之，则对外循环的搜索次数k进行自加1，并返回执行初步计算单元；
最优计算单元，用于根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
作为所述的一种后装放疗剂量的逆向调强优化计算系统的进一步改进，所述初步计算单元包括：
参考点选取单元，用于在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；
参考点调整单元，用于判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
剂量计算单元，用于根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；
驻留时间初步计算单元，用于根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间。
作为所述的一种后装放疗剂量的逆向调强优化计算系统的进一步改进，所述内循环计算单元包括：
驻点标示单元，用于在N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
内循环初始化单元，用于设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
起始惩罚因子计算单元，用于根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；
驻留时间优化单元，用于随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
惩罚因子判断单元，用于判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行驻留时间优化单元；
内循环结束判断单元，用于判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行外循环结束判断单元；反之，则对搜索次数r进行自加1，并返回执行驻留时间优化单元。
本发明的有益效果是：
本发明一种后装放疗剂量的逆向调强优化计算方法及系统通过个性化的解剖结构为基础，采用内外双循环的搜索模式，由粗到精寻找一种放射源驻留位置和驻留时间的最佳组合方式，能满足个体化后装放疗剂量的逆向调强优化需求，其中外循环采用松弛法求解出一个初步的组合方式，内循环则结合放疗临床对肿瘤靶区的预期剂量和危及器官的约束剂量，进一步优化放射源驻留位置和驻留时间的梯度。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明：
图1是本发明一种后装放疗剂量的逆向调强优化计算方法的步骤流程图；
图2是本发明一种后装放疗剂量的逆向调强优化计算方法中步骤D的步骤流程图；
图3是本发明一种后装放疗剂量的逆向调强优化计算方法中步骤D2的步骤流程图；
图4是本发明一种后装放疗剂量的逆向调强优化计算方法中步骤D3的步骤流程图；
图5是本发明一种后装放疗剂量的逆向调强优化计算系统的模块方框图。
具体实施方式
参考图1，本发明一种后装放疗剂量的逆向调强优化计算方法，包括以下步骤：
A、在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
B、按预设的间隔ΔL，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
C、统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
D、通过内外双循环的模式计算得出最佳的驻点位置和驻留时间。
参考图2，进一步作为优选的实施方式，所述步骤D包括：
D1、设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
D2、根据肿瘤靶区图像和被激活的驻点，初步计算出每个被激活驻点的驻留时间；
D3、启动内循环搜索模式，进一步优化计算驻点位置和驻留时间；
D4、判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行步骤D5；反之，则对外循环的搜索次数k进行自加1，并返回执行步骤D2；
D5、根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
参考图3，进一步作为优选的实施方式，所述步骤D2包括：
D21、在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；
D22、判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
D23、根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；
D24、根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间。
参考图4，进一步作为优选的实施方式，所述步骤D3包括：
D31、在N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
D32、设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
D33、根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；
D34、随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
D35、判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行步骤D34；
D36、判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行步骤D4；反之，则对搜索次数r进行自加1，并返回执行步骤D34。
进一步作为优选的实施方式，所述的步骤D21，其具体为：
在每一张肿瘤靶区图像中，若肿瘤靶区轮廓与危及器官轮廓没有交集，则P个剂量参考点均在靶区轮廓上随机取点；反之，若有交集，则P个剂量参考点均在交集中危及器官的轮廓上随机取点。
进一步作为优选的实施方式，所述的惩罚因子CF(r)的计算公式为：
其中，a为临床约束条件个数，b为在每一个约束条件中参与计算惩罚因子的点个数。
参考图5，本发明一种后装放疗剂量的逆向调强优化计算系统，包括：
图像生成单元，用于在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
驻点激活单元，用于按预设的间隔ΔL，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
统计单元，用于统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
循环计算单元，用于通过内外双循环的模式计算得出最佳的驻点位置和驻留时间。
进一步作为优选的实施方式，所述循环计算单元包括：
外循环初始化单元，用于设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
初步计算单元，用于根据肿瘤靶区图像和被激活的驻点，初步计算出每个被激活驻点的驻留时间；
内循环计算单元，用于启动内循环搜索模式，进一步优化计算驻点位置和驻留时间；
外循环结束判断单元，用于判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行最优计算单元；反之，则对外循环的搜索次数k进行自加1，并返回执行初步计算单元；
最优计算单元，用于根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
进一步作为优选的实施方式，所述初步计算单元包括：
参考点选取单元，用于在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；
参考点调整单元，用于判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
剂量计算单元，用于根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；
驻留时间初步计算单元，用于根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间。
进一步作为优选的实施方式，所述内循环计算单元包括：
驻点标示单元，用于在N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
内循环初始化单元，用于设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
起始惩罚因子计算单元，用于根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；
驻留时间优化单元，用于随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
惩罚因子判断单元，用于判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行驻留时间优化单元；
内循环结束判断单元，用于判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行外循环结束判断单元；反之，则对搜索次数r进行自加1，并返回执行驻留时间优化单元。
本发明的具体实施例如下：
S1、在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
S2、按预设的间隔ΔL＝2.5mm，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
S3、统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
S4、设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
S5、在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；其中，若肿瘤靶区轮廓与危及器官轮廓没有交集，则P个剂量参考点均在靶区轮廓上随机取点；反之，若有交集，则P个剂量参考点均在交集中危及器官的轮廓上随机取点；这些点的目标剂量为处方剂量；
S6、判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
S7、根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；其数学表达式为：Di＝ΣSij·Tj,式中Tj为第j个驻点的驻留时间，Sij为第j个驻点对此剂量参考点的吸收剂量率，由美国医学物理学会(AAPM)推荐的剂量计算模型得到；
S8、根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间；
S9、N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm＝10mm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
S10、设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
S11、根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；CF(r)的数学表达式如下：
式中，a为临床约束条件个数，b为在每一个约束条件中参与计算惩罚因子的点个数。例如：若肿瘤靶区的剂量小于最小约束剂量Dmin，则点i的惩罚因子CFi＝Wmin·|Di-Dmin|，Wmin为最小约束剂量的权重；若某一个危及器官的剂量大于最大约束剂量Dmax，则点i的惩罚因子CFi＝Wmax·|Di-Dmax|，Wmax为最大约束剂量的权重；
S12、随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
S13、判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行步骤S12；
S14、判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行步骤S15；反之，则对搜索次数r进行自加1，并返回执行步骤S12；
S15、判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行步骤S16；反之，则对外循环的搜索次数k进行自加1，并返回执行步骤S5；
S16、根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
从上述内容可知，本发明一种后装放疗剂量的逆向调强优化计算方法及系统通过个性化的解剖结构为基础，采用内外双循环的搜索模式，由粗到精寻找一种放射源驻留位置和驻留时间的最佳组合方式，能满足个体化后装放疗剂量的逆向调强优化需求，其中外循环采用松弛法求解出一个初步的组合方式，内循环则结合放疗临床对肿瘤靶区的预期剂量和危及器官的约束剂量，进一步优化放射源驻留位置和驻留时间的梯度。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种后装放疗剂量的逆向调强优化计算方法，其特征在于，包括以下步骤：
A、在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
B、按预设的间隔ΔL，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
C、统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
D、通过内外双循环的模式计算得出最佳的驻点位置和驻留时间；所述步骤D包括：
D1、设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
D2、根据肿瘤靶区图像和被激活的驻点，初步计算出每个被激活驻点的驻留时间；
D3、启动内循环搜索模式，进一步优化计算驻点位置和驻留时间；
D4、判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行步骤D5；反之，则对外循环的搜索次数k进行自加1，并返回执行步骤D2；
D5、根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
2.根据权利要求1所述的一种后装放疗剂量的逆向调强优化计算方法，其特征在于：所述步骤D2包括：
D21、在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；
D22、判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
D23、根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；
D24、根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间。
3.根据权利要求1所述的一种后装放疗剂量的逆向调强优化计算方法，其特征在于：所述步骤D3包括：
D31、在N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
D32、设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
D33、根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；
D34、随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
D35、判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行步骤D34；
D36、判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行步骤D4；反之，则对搜索次数r进行自加1，并返回执行步骤D34。
4.根据权利要求2所述的一种后装放疗剂量的逆向调强优化计算方法，其特征在于：所述的步骤D21，其具体为：
在每一张肿瘤靶区图像中，若肿瘤靶区轮廓与危及器官轮廓没有交集，则P个剂量参考点均在靶区轮廓上随机取点；反之，若有交集，则P个剂量参考点均在交集中危及器官的轮廓上随机取点。
5.根据权利要求3所述的一种后装放疗剂量的逆向调强优化计算方法，其特征在于：所述的惩罚因子CF(r)的计算公式为：
其中，a为临床约束条件个数，b为在每一个约束条件中参与计算惩罚因子的点个数。
6.一种后装放疗剂量的逆向调强优化计算系统，其特征在于，包括：
图像生成单元，用于在后装CT图像上，勾画出肿瘤靶区范围，得到若干肿瘤靶区图像，并进而进行施源器的三维重建；
驻点激活单元，用于按预设的间隔ΔL，在施源器上计算所有的驻点位置，并激活在肿瘤靶区范围内的驻点；
统计单元，用于统计被激活驻点个数N和在肿瘤靶区范围内的肿瘤靶区图像张数M，并计算每张图像上选取剂量参考点的个数P＝int(N/M)；
循环计算单元，用于通过内外双循环的模式计算得出最佳的驻点位置和驻留时间；
所述循环计算单元包括：
外循环初始化单元，用于设置外循环的最大搜索次数kmax，并设置起始搜索次数k＝1；
初步计算单元，用于根据肿瘤靶区图像和被激活的驻点，初步计算出每个被激活驻点的驻留时间；
内循环计算单元，用于启动内循环搜索模式，进一步优化计算驻点位置和驻留时间；
外循环结束判断单元，用于判断外循环的搜索次数k是否达到最大搜索次数kmax，若是，则执行最优计算单元；反之，则对外循环的搜索次数k进行自加1，并返回执行初步计算单元；
最优计算单元，用于根据外循环的最大搜索次数kmax，逐一对记录的kmax个驻点位置和驻留时间所对应的惩罚因子CF进行计算，并查找出一个最小的CF值，得出其对应的驻点位置和驻留时间为最佳组合方式。
7.根据权利要求6所述的一种后装放疗剂量的逆向调强优化计算系统，其特征在于：所述初步计算单元包括：
参考点选取单元，用于在每一张肿瘤靶区图像中，各随机选取P个剂量参考点；
参考点调整单元，用于判断剂量参考点的总个数H是否与被激活的驻点个数N相同，若H<N,则继续随机取点以增加剂量参考点的总个数H，使得H＝N；若H>N，则随机删除若干个剂量参考点，使得H＝N；
剂量计算单元，用于根据得到的剂量参考点，通过剂量计算模型计算所有被激活驻点分别对各剂量参考点的剂量贡献之和；
驻留时间初步计算单元，用于根据H个剂量参考点和N个被激活驻点，组成线性方程组，并采用松弛法求解该方程组的非负解，得到每个被激活驻点的驻留时间。
8.根据权利要求6所述的一种后装放疗剂量的逆向调强优化计算系统，其特征在于：所述内循环计算单元包括：
驻点标示单元，用于在N个被激活驻点中，检查有效驻点的间隔，若间隔超过预设距离Lm，则每隔Lm，标示一个没有驻留时间的驻点，得到标示驻点，其中，有效驻点表示已有驻留时间的驻点；
内循环初始化单元，用于设置内循环的最大搜索次数rmax，起始的搜索次数r＝1；
起始惩罚因子计算单元，用于根据计算得到的驻留时间，以及预设的对肿瘤靶区的预期剂量和危及器官的约束剂量，计算起始的惩罚因子CF(r)；
驻留时间优化单元，用于随机选取一个标示驻点，将它的驻留时间增加预设的时间ΔT，并从相邻的两个有效驻点中，选取一个驻留时间较多的有效驻点，将它的驻留时间减少ΔT，并判断该标示驻点的驻留时间是否小于该有效驻点的驻留时间，若是，则计算新的驻留时间下对应的惩罚因子CF(r+1)；反之，则撤销本步骤的操作，选取另一个标示驻点并重新执行本步骤；
惩罚因子判断单元，用于判断CF(r+1)<CF(r)是否成立，若是，则接受新的驻留时间；反之，则选取另一个标示驻点并返回执行驻留时间优化单元；
内循环结束判断单元，用于判断内循环的搜索次数r是否达到最大搜索次数rmax，若是，则记录当前内循环的驻点位置和驻留时间，并执行外循环结束判断单元；反之，则对搜索次数r进行自加1，并返回执行驻留时间优化单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610708836.6A CN106215334B (zh) | 2016-08-23 | 2016-08-23 | 一种后装放疗剂量的逆向调强优化计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610708836.6A CN106215334B (zh) | 2016-08-23 | 2016-08-23 | 一种后装放疗剂量的逆向调强优化计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106215334A CN106215334A (zh) | 2016-12-14 |
| CN106215334B true CN106215334B (zh) | 2019-04-16 |
Family
ID=57553995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610708836.6A Expired - Fee Related CN106215334B (zh) | 2016-08-23 | 2016-08-23 | 一种后装放疗剂量的逆向调强优化计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106215334B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106902477B (zh) * | 2017-01-23 | 2019-08-09 | 福建省肿瘤医院 | 一种宫颈癌内外放疗剂量的非线性融合方法 |
| CN107041998A (zh) * | 2017-02-16 | 2017-08-15 | 西南医科大学附属医院 | 一种用于提高宫颈癌后装放射治疗计划准确度的制定方法 |
| CN109499014B (zh) * | 2018-12-29 | 2021-03-23 | 王世广 | 一种妇科肿瘤后装手术辅助装置的制作方法 |
| CN117152442B (zh) * | 2023-10-27 | 2024-02-02 | 吉林大学 | 影像靶区自动勾画方法、装置、电子设备和可读存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361253A (zh) * | 2014-11-28 | 2015-02-18 | 四川大学 | 一种利用规则化方法确定后装源驻留时间的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105833434A (zh) * | 2016-06-08 | 2016-08-10 | 浙江省肿瘤医院 | 一种近距离治疗施源器模板的制作方法 |
-
2016
- 2016-08-23 CN CN201610708836.6A patent/CN106215334B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361253A (zh) * | 2014-11-28 | 2015-02-18 | 四川大学 | 一种利用规则化方法确定后装源驻留时间的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《CT图像快速施源器重建技术在三维后装放射治疗中的应用》;朱琳，王学涛;《临床医学工程》;20140615;全文 * |
| 《后装调强放疗计划系统的软件实现》;余辉，张书旭;《中国医疗设备》;20140625;论文摘要、正文第3栏-第5栏 * |
| 《基于CT图像的三维后装腔内治疗计划系统的研制》;余辉，徐海荣，张书旭，石玉生，钱剑杨;《中国医疗器械杂志》;20080331;第32卷;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106215334A (zh) | 2016-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Deep learning for automated contouring of primary tumor volumes by MRI for nasopharyngeal carcinoma | |
| Ahn et al. | Deep learning method for prediction of patient-specific dose distribution in breast cancer | |
| CN106215334B (zh) | 一种后装放疗剂量的逆向调强优化计算方法及系统 | |
| Francolini et al. | Artificial Intelligence in radiotherapy: state of the art and future directions | |
| Song et al. | Dose prediction using a deep neural network for accelerated planning of rectal cancer radiotherapy | |
| Chung et al. | Clinical feasibility of deep learning-based auto-segmentation of target volumes and organs-at-risk in breast cancer patients after breast-conserving surgery | |
| Zhang et al. | Respiratory liver motion estimation and its effect on scanned proton beam therapy | |
| Zhou et al. | A method of using deep learning to predict three‐dimensional dose distributions for intensity‐modulated radiotherapy of rectal cancer | |
| Fan et al. | Data-driven dose calculation algorithm based on deep U-Net | |
| Kieselmann et al. | Geometric and dosimetric evaluations of atlas-based segmentation methods of MR images in the head and neck region | |
| Wu et al. | Improving proton dose calculation accuracy by using deep learning | |
| Sheng et al. | Atlas-guided prostate intensity modulated radiation therapy (IMRT) planning | |
| Zhong et al. | Adaptive radiotherapy for NSCLC patients: utilizing the principle of energy conservation to evaluate dose mapping operations | |
| Veiga et al. | A comprehensive evaluation of the accuracy of CBCT and deformable registration based dose calculation in lung proton therapy | |
| Wang et al. | DeepEC: An error correction framework for dose prediction and organ segmentation using deep neural networks | |
| Fu et al. | Artificial intelligence in radiation therapy | |
| Dong et al. | Optimal surface marker locations for tumor motion estimation in lung cancer radiotherapy | |
| Yue et al. | Dose prediction via distance-guided deep learning: Initial development for nasopharyngeal carcinoma radiotherapy | |
| Zhong et al. | Evaluation of adaptive treatment planning for patients with non-small cell lung cancer | |
| Ravkilde et al. | Fast motion-including dose error reconstruction for VMAT with and without MLC tracking | |
| Dhou et al. | 3D fluoroscopic image estimation using patient-specific 4DCBCT-based motion models | |
| Martin et al. | Impact of target volume segmentation accuracy and variability on treatment planning for 4D-CT-based non-small cell lung cancer radiotherapy | |
| Li et al. | A deep learning-based self-adapting ensemble method for segmentation in gynecological brachytherapy | |
| Wei et al. | Real‐time 3D MRI reconstruction from cine‐MRI using unsupervised network in MRI‐guided radiotherapy for liver cancer | |
| Kallis et al. | Automated treatment planning framework for brachytherapy of cervical cancer using 3D dose predictions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190416 |