CN106503429A - 一种采样方法及放射治疗计划优化方法 - Google Patents
一种采样方法及放射治疗计划优化方法 Download PDFInfo
- Publication number
- CN106503429A CN106503429A CN201610891860.8A CN201610891860A CN106503429A CN 106503429 A CN106503429 A CN 106503429A CN 201610891860 A CN201610891860 A CN 201610891860A CN 106503429 A CN106503429 A CN 106503429A
- Authority
- CN
- China
- Prior art keywords
- interest
- area
- sampling
- sampled
- sampled point
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Radiation-Therapy Devices (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种采样方法,包括获取各感兴趣区域的权重与采样点总数量的上限,根据所述权重及所述采样点总数量的上限确定各感兴趣区域采样点的目标数量,按照所述采样点的目标数量对各感兴趣区域进行采样。本发明提供的采样方法可以使得迭代优化结果与最终剂量计算后的结果吻合较好。
Description
技术领域
本发明涉及放射治疗领域,尤其涉及一种对感兴趣区域进行采样的方法及放射治疗计划优化方法。
背景技术
放射治疗是利用放射线如放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其它粒子束等治疗恶性肿瘤的一种方法。
由于射束能量高,在肿瘤细胞被杀死的同时正常细胞也会受到影响。为了尽可能地减少对正常组织的伤害,需要制定放射治疗计划。为了减少制定放射治疗计划的时间,一般先对感兴趣区域(Region of Interest,简称ROI,可以为肿瘤靶区或危及器官)进行采样,放射治疗计划系统(Treatment Planning System,简称TPS)在迭代优化过程中只对感兴趣区域中的采样点进行剂量计算,并计算剂量体积直方图(Dose Volume Histogram,简称DVH),而不是计算所有体素上的剂量。只有在迭代优化过程结束后,放射治疗计划系统才会对所有体素做一次剂量计算,生成剂量分布并计算DVH。
但是采样点只是从所有体素中选择的较少的体素,其并不能完全代表所有体素,因此,对采样点进行剂量计算得到的DVH与迭代优化过程结束后对所有体素点进行剂量计算得到的DVH可能会产生较大偏差。
通常,对感兴趣区域的采样点越密集、分布越均匀,该感兴趣区域在优化后的结果与最终剂量计算后的结果便吻合得越好,反之则会产生优化效果好、但是剂量分布不均匀的情况。但为了保证优化速度不会太慢,一般以一定的采样频率对感兴趣区域进行均匀采样,并限制每个感兴趣区域的最大采样点数量。医生无法直接对感兴趣区域内的采样点数量以及分布做出修改,只能通过调整感兴趣区域的权重系数对每个感兴趣区域内的采样点的惩罚系数做出修改。
感兴趣区域的权重作为医生可调整参数,代表感兴趣区域的重要程度。现有技术中的权重系数显示在目标函数中,直接影响采样点处的剂量惩罚。权重越大,该感兴趣区域违反约束条件的惩罚越大,该感兴趣区域内的体素点的剂量对目标函数值的影响越大,优化算法更倾向于将该感兴趣区域内的体素点的剂量控制到满足约束条件的范围内。
然而由于采样算法的缺陷,优化算法虽然能够对高权重的采样点处剂量控制的很好,但并不能保证未被采样的区域同样具有采样点处的优化效果。
另一方面,若感兴趣区域内的采样点数量远小于其他感兴趣区域内的采样点数量,则会出现需要足够大的权重系数才会使该感兴趣区域内的采样点的剂量差对目标函数值产生影响。
发明内容
为了解决上述技术问题,本发明提出了一种采样方法,可以将各感兴趣区域的权重与采样点的数量进行关联,从而可以控制各感兴趣区域内的采样点数量,有助于改善优化后的剂量分布的均匀性。
根据本发明的实施例,提出了一种采样方法,包括:获取各感兴趣区域的权重与采样点总数量的上限,根据所述权重及所述采样点总数量的上限确定各感兴趣区域采样点的目标数量,按照所述采样点的目标数量对各感兴趣区域进行采样。
可选的,所述权重越大,则所述采样点的目标数量越多。
可选的,所述权重与所述采样点的目标数量成正比关系。
可选的,所述按照所述采样点的目标数量对各感兴趣区域进行采样,包括对各感兴趣区域进行自适应采样。
可选的,所述自适应采样包括根据所述各感兴趣区域的形状和/或体积大小选择采样方法进行采样。
可选的,所述自适应采样包括:对感兴趣区域进行采样,将感兴趣区域分割成多个子区域,计算每个子区域的采样密度,判断是否对子区域继续采样,若是,则对子区域继续采样,若否,则采样结束。
可选的,至少一个感兴趣区域中采样点的实际数量不等于目标数量。
可选的,各感兴趣区域的采样点的实际数量之和不大于所述采样点总数量的上限。
根据本发明另一实施例,提出了一种放射治疗计划优化方法,包括获取各感兴趣区域的剂量目标,利用上述任一项所述的采样方法对各感兴趣区域进行采样,对各感兴趣区域的剂量进行优化,使得采样点的剂量满足所述剂量目标。
根据本发明另一实施例,提出了一种放射治疗计划优化方法,包括获取各感兴趣区域的剂量目标、权重,对各感兴趣区域进行采样,对各感兴趣区域的剂量进行优化,使得采样点的剂量满足所述剂量目标,其中,各感兴趣区域的权重与对应的采样点的数量关联。
相对于现有技术,本发明提出的采样方法,将感兴趣区域的权重与采样点的数量进行关联,通过调整感兴趣区域的权重系数对采样点数量进行灵活调整,使得关键区域的采样点较多,有助于改善优化效果;
进一步地,根据各感兴趣区域的形状进行采样,有助于使得采样点在各感兴趣区域内均匀分布,有助于改善优化后剂量分布的均匀性;
本发明提出的放射治疗计划优化方法,对重要性较高的感兴趣区域的采样点数量较多,有助于使得基于采样点优化的剂量分布与基于全部体素计算的剂量分布吻合较好。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例中的采样方法的流程图;
图2是本发明一实施例中的自适应采样方法的流程图;
图3是本发明一实施例中的多层采样方法的流程图;
图4是本发明一实施例中的适用于细长形区域的采样方法的流程图;
图5是本发明一实施例中对细长形区域进行采样的示意图;
图6是本发明另一实施例中的自适应采样方法流程图;
图7是本发明另一实施例中的适用于小体积区域的采样方法的流程图;
图8是本发明再一实施例中的自适应采样方法流程图;
图9是本发明再一实施例中的自适应采样方法流程图;
图10是本发明实施例中的放射治疗优化方法流程图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的方式来实施,因此本发明不受下面公开的具体实施例的限制。
在放射治疗中,要求高剂量的辐射尽可能地被输送至肿瘤靶区,尽量减少对危及器官的伤害。因此,在制定放射治疗计划时,感兴趣区域包括肿瘤靶区及危及器官,要求肿瘤靶区内的剂量尽可能高,危及器官内的剂量尽可能低。
由于剂量分布受采样影响较大,为了更好地控制各区域内的剂量分布,本发明提出了一种新的采样方法。图1是本发明实施例中的采样方法的流程图。参考图1所示,本发明提供的采样方法包括:
步骤S102,获取各感兴趣区域的权重与采样点总数量的上限。
各感兴趣区域的权重代表了各感兴趣区域的重要程度,由医生进行设定。
采样点总数量的上限限制了各感兴趣区域采样点数量的总和,可以由医生进行设定。
步骤S104,根据所述权重及所述采样点总数量的上限确定各感兴趣区域采样点的目标数量。
在本实施例中,通过将各感兴趣区域的权重与采样点数量进行关联,从而使得通过权重可以控制各感兴趣区域的采样点数量。尤其对于重要的器官,剂量要求比较严格,希望其可以获得更好的剂量覆盖或者保护。因此,在本发明的实施例中,权重越大,对应的感兴趣区域的采样点数量越多。优选地,所述权重与所述采样点数量成正比关系。
假设共有n个感兴趣区域,第s个感兴趣区域的权重为ws,采样点的目标数量为Vs,其中1≤s≤n,采样点总数量的上限为Vmax,则
且
步骤S106,按照所述采样点的目标数量对各感兴趣区域进行采样。
在本步骤中,对各感兴趣区域进行采样,其中第s个感兴趣区域中采样点的目标数量为Vs,受到采样方法的限制,实际的采样点数量可能会在距离Vs的一定范围内浮动,但只要满足实际的采样点数量之和不大于所述采样点总数量的上限即可。
由图1的实施例可以看出,各感兴趣区域的采样点数量与对应的权重进行关联,从而可以对各感兴趣区域内的采样点数量进行调整。例如,对于相对重要的器官或者较难达到约束条件的器官,设置的权重值较高,从而该器官内的采样点数量较多,对于相对不重要的器官或较容易达到约束条件的器官,设置的权重值较低,从而该器官内的采样点数量较少。因此,通过调整各感兴趣区域的权重系数,使得可以在多个感兴趣区域之间合理分配采样点,从而可以提高关键区域的采样密度,有助于改善优化效果。
对感兴趣区域进行采样的方法很多,在本发明中不限制具体的采样方法。当然,对于相同的区域,利用不同的采样方法进行采样的效果可能不同。为了使得各感兴趣区域内的剂量分布更加均匀,优选地对各感兴趣区域进行自适应采样,例如根据感兴趣区域的形状进行采样。
图2示出了本发明一实施例中的自适应采样方法的流程图。参考图2所示,本实施例提供的自适应采样方法包括:
步骤S202,识别感兴趣区域的形状。
本实施例中以CT图像为例进行介绍,但并不以此限定本发明的保护范围。在其它实施例中,图像可以为MR图像,PET图像或者其它单模或多模融合图像。
在CT图像上对感兴趣区域内各器官进行勾画,得到多个感兴趣区域。物理师可以对勾画得到的不同区域的形状进行标识,可以赋予不同区域对应的角色,该角色可以为该区域所对应的形状。在这种情况下,只需获取感兴趣区域的角色,即可识别其形状。
例如,物理师在进行勾画的过程中通常会为治疗计划体积PTV增加一个环形的辅助器官(称为ring)。通过限定辐射到该辅助器官ring上的剂量来防止加在治疗计划体积PTV上的高剂量泄漏到周围的正常组织上,从而起到保护的作用。该辅助器官ring是通过对治疗计划体积PTV做外扩后得到的外扩部分,因此,该辅助器官ring为环状,物理师可以为将辅助器官的角色设置为ring,从而在该步骤中只需通过角色信息识别该辅助器官的形状为环状。
当然,物理师也可能没有为每个感兴趣区域的形状进行标识,在这种情况下,可以通过图形识别算法,例如模式识别算法,对感兴趣区域的形状进行判断。
例如,对于C型的靶区器官或者危及器官,可以通过模式识别算法对该器官进行识别。
可以判断该器官是否成细长形及器官是否明显弯曲,例如通过计算该器官轮廓的变化来判断其是否明显弯曲,例如在该器官轮廓上取一系列点,如果相邻两点处的切线之间的夹角超过预设的第一阈值,则认为该器官明显弯曲;或对相邻两点进行连线,如果相邻两根连线之间的夹角超过预设的第一阈值,则认为该器官明显弯曲。如果器官成细长形但不明显弯曲,则判断该器官形状为细长形;如果器官成细长形且明显弯曲,则判断该器官形状为C型。模式识别算法用于识别形状为现有技术,在此不作过多赘述。其它任何可以应用于本实施例中的识别图形形状的方案均在本发明的保护范围之内。该预设的第一阈值为医生根据经验进行设置。
步骤S204,根据所述形状选择采样方法。
由步骤S202得到感兴趣区域的形状,在本步骤中,根据识别的形状选择与之相适应的采样方法。
在本实施例中,不同的采样方法可以事先进行分类存储,由计算机按需调用。即,当感兴趣区域被识别为方形时,则计算机调用等距离网格点的采样方法,当感兴趣区域被识别为环形或C型或细长形,则计算机调用与环形或C型或细长形相适应的采样方法,当然,当感兴趣区域被识别为其它形状时,则调用与之相适应的采样方法进行采样,在本发明中不对感兴趣区域的形状、数量及对应的采样方法的数量做限制。
步骤S206,利用所述采样方法对所述感兴趣区域进行采样。
利用步骤S204中选择的采样方法对所述感兴趣区域进行采样。
如果感兴趣区域被识别为方形,优选地采用等距离网格点的采样方法进行采样。在对每一层CT图像的采样过程中,首先限定采样点的数量以及采样间隔,然后按照CT图像中的直角坐标系,沿X轴方向以采样间隔为等距离间隔计算格数,同样沿Y轴方向以采样间隔为等距离间隔计算格数,以此建立等距离网格;再对等距离网格上的每个候选采样点,判断其是否在该感兴趣区域内,若该点属于该感兴趣区域,则选取该点作为采样点,否则该点不作为采样点。
若总的采样点超过限定的采样点数量,则按照比例缩放采样间隔并重新采样,直至满足要求为止。
如果感兴趣区域被识别为环形,则采用与环形相适应的采样方法进行采样。
在本实施例提出一种新的采样方法,即多层采样方法,适用于环形的感兴趣区域,参考图3所示,具体步骤如下:
步骤S302,区分环形的感兴趣区域的内圈与外圈,并计算所述内圈和外圈的长度,记所述内圈的长度为L1。
步骤S304,对所述内圈和外圈进行分段。
假设限定的步长为B,则内圈被分成相等长度B的N份,其中同样将外圈也分成等长的N份。内圈和外圈的分段节点分别记为
I={i1,i2,…,iN}和O={o1,o2,…,oN}
步骤S306,确定采样的层数。
假设采样点的数量上限为M,则对环形的感兴趣区域进行采样的层数为
步骤S308,确定采样点。
将内圈和外圈的分段节点依次连接,即i1与o1连接,i2与o2连接,iN与oN连接;然后将ik与ok的每一个连线均分成C+1段,其中k=1,2,…,N,则连线的分段点即为采样点。按照该采样方法可以得到N*C个沿着环形感兴趣区域的轮廓均匀分布的采样点,形成多层采样的分布。
如上采样方法中,将ik和ok的每一个连线均分成C+1段是因为没有对环形感兴趣区域的内圈和外圈轮廓进行采样,如果需要对环形感兴趣区域的内圈和外圈轮廓进行采样,则将ik和ok的每一个连线均分成C-1段,当然,技术人员也可以根据实际需要进行等效的变形,均在本发明的保护范围之内。
对于物理师勾画得到的靶区器官或危及器官,也会出现C型的形状,对于该形状的区域可以采用上述多层采样方法进行采样,得到沿轮廓线均匀分布的一系列采样点,其中,在确定采样层数的时候,假设采样点的数量上限为M,C型区域的内圈和外圈均被分成等长的N份,则根据是否对内圈和外圈的边缘点进行采样,对C型区域进行采样的层数为或除了上述的多层采样方法,也可以按照下述对细长形区域的采样方法对C型区域进行采样。
参考图4所示,具体包括如下步骤:
步骤S402,将感兴趣区域的轮廓上每两个相邻的点作为一组数据点。
勾画得到的感兴趣区域的轮廓由一系列数据点构成,将每两个相邻的数据点作为一组,如图5中的(p1,p2)。
步骤S404,将其中一组数据点进行连接并在该线段长度范围内建立网格,使得网格覆盖该线段长度的感兴趣区域。
如图5所示,以p1为原点,p1与p2的连线为x轴,p1与p2连线的垂直方向为y轴,建立坐标系,并在线段p1p2的长度范围内建立网格,使得该网格可以覆盖感兴趣区域在线段p1p2的部分。在该步骤中,技术人员可以根据采样点数量的限制设置网格的大小。当然,图5中的网格仅为示例,并不限定本发明的保护范围。
步骤S406,判断网格点是否在感兴趣区域内。
判断该网格内的每一个网格点是否在感兴趣区域内,如果是,则保留该网格点作为采样点,否则该网格点不作为采样点。
步骤S408,网格点是否全部判断完成,若是,则进入步骤S410,若否,则继续判断网格点。
步骤S410,判断感兴趣区域是否采样完成,若是,则结束,若否,则进入步骤S404继续处理下一组数据点。
当所有数据点均被遍历之后,则感兴趣区域采样完成。当然,在这种情况下,可能会出现重复采样的情况。此时,可以只判断沿细长形感兴趣区域一边的数据点是否遍历完成,若是,则采样结束,若否,则进入步骤S404。判断沿细长形感兴趣区域一边的数据点是否遍历完成,可通过现有技术实现,在此不再赘述。
当然,图4中的采样方法不仅适用于细长形的感兴趣区域,其它任何形状的感兴趣区域均适用。因此,在图2的采样方法中,对于方形区域,优选采用等距离网格点的采样方法进行采样,对于环形区域,优选采用图3中的采样方法进行采样,对于其他形状的区域,优选采用图4中的采样方法进行采样。
在一些实施例中,可以将同一感兴趣区域分成多个子区域,每个子区域可以采用不同的采样方法进行采样,例如对于非环形的感兴趣区域,还可以将该感兴趣区域分成两部分,一部分为沿着轮廓向区域内部内缩一定距离得到的环形区域,另一部分为环形所围绕的内部区域,对于环形区域,可以利用图3所示的多层采样方法进行采样,对于内部区域,可以利用等距离网格点的采样方法进行采样。这样可以避免感兴趣区域的边缘采样过于稀疏的问题。因此,在图2的采样方法中,对于方形区域,优选采用等距离网格点的采样方法进行采样,对于环形区域,优选采用图3中的采样方法进行采样,对于其他形状的区域,优选将感兴趣区域分成多个子区域,每个子区域可以根据形状选择合适的采样方法进行采样。
由此可见,本实施例中根据感兴趣区域的形状选择与之相适应的采样方法,使得采样点分布较均匀,有助于使得优化后的放射治疗计划得到的剂量分布更加均匀;并且利用与感兴趣区域的形状相适应的采样方法进行采样,使得高剂量集中在肿瘤靶区,减少对危及器官的伤害。
但是,影响采样效果的因素不止有感兴趣区域的形状,还有感兴趣区域的体积大小。如果感兴趣区域的体积太小,可能导致采样的效果不好。因此,本发明还提出了另一种自适应采样方法,其根据感兴趣区域的体积大小选择相适应的采样方法进行采样。
图6是本发明另一实施例中的自适应采样方法的流程图。参考图6所示,本实施例提供的自适应采样方法包括:
步骤S602,计算感兴趣区域的体积。
仍以CT图像为例,计算CT图像中的感兴趣区域的体积。
步骤S604,根据所述体积选择采样方法。
如果步骤S602中计算得到的体积小于或等于预设的第二阈值,则选择适合小体积区域采样的采样方法,否则选择适合大体积区域采样的采样方法。适合小体积区域采样的采样方法及适合大体积区域采样的采样方法可以事先进行分类存储,根据对应的体积信号,进行选择。
步骤S606,利用所述采样方法对所述感兴趣区域进行采样。
可以利用随机算法对小体积区域进行采样,参考图7所示,包括如下步骤:
步骤S702,获取采样点数量的上限。
步骤S704,在包含全部感兴趣区域的范围内,产生一个随机点。
在包含全部感兴趣区域的范围内,利用随机数生成器分别生成随机点的x轴坐标值、y轴坐标值及z轴坐标值,随机数生成器可以按照正态分布、高斯分布、均匀分布、泊松分布或其它的分布产生随机值,在本发明中不对随机数生成器做限制。
步骤S706,判断所述随机点是否在感兴趣区域内,如果是,则保留该随机点作为采样点,否则该随机点不作为采样点。
步骤S708,判断采样点数量是否达到上限,若是,则采样结束,若否,则进入步骤S704。
对于体积大于所述第二阈值的感兴趣区域,可以采用同一种采样方法进行采样,例如图4中的采样方法,也可以参考前述实施例中根据感兴趣区域的形状选择合适的采样方法,如图8所示,包括如下步骤:
步骤S802,计算感兴趣区域的体积。
步骤S804,判断所述体积是否大于一阈值,若是,则进入步骤S808,若否,则进入步骤S806。
步骤S806,利用随机算法对感兴趣区域进行采样。
步骤S808,识别感兴趣区域的形状。
步骤S810,根据所述形状选择采样方法。
步骤S812,利用所述采样方法对所述感兴趣区域进行采样。
在本实施例的自适应采样方法的具体技术细节请参考前述实施例。
在前述的实施例中介绍了根据感兴趣区域的形状和/或体积大小进行采样的自适应采样方法,在如下实施例中,本发明还提出来另一种自适应采样方法。
参考图9所示,一种自适应采样方法包括:
步骤S902,对感兴趣区域进行采样。
在该步骤中,采用任一种采样方法对感兴趣区域进行采样,该任一种采样方法可预先进行设置,在该步骤中,只需直接调用该采样方法对感兴趣区域进行一次采样。
步骤S904,将感兴趣区域分割成多个子区域。
在该步骤中,将感兴趣区域分割成多个子区域,分割的方法在本实施例中不受限制。优选地,将感兴趣区域分割成多个规则形状的子区域,例如方形,圆形,环形等。
步骤S906,计算每个子区域中的采样密度。
在该步骤中,计算每个子区域的面积及采样点数量,从而得到各子区域中的单位面积下的采样点数量,即各子区域的采样密度。
步骤S908,判断是否继续采样。
在该步骤中,将各子区域的采样密度与一阈值进行比较,如果小于或等于该阈值,则采样密度过小,需要继续采样,进入步骤S910,如果大于该阈值,则采样密度达到要求,无需继续采样。
步骤S910,对子区域继续采样。
在该步骤中,可以利用单一的采样方法对采样密度过小的子区域进行继续采样,例如利用图4中的采样方法,也可以根据各子区域的形状或体积大小对各子区域进行采样。前述实施例中的技术细节可以结合到本实施例,在此不再赘述。
在本发明的实施例中,一方面可以根据各感兴趣区域的重要程度调整各感兴趣区域内的采样点数量,使得在各感兴趣区域之间合理分配采样点,从而提高关键区域的采样密度,有助于改善优化效果,另一方面还可以对各感兴趣区域进行自适应采样,使得各感兴趣区域内的采样点分布更加均匀,有助于优化后剂量分布更加均匀。
在本发明的实施例中,还提出了一种放射治疗计划优化方法,包括:
步骤S1002,获取各感兴趣区域的剂量目标。
各感兴趣区域的剂量目标可以由医生进行设置。在放射治疗计划之前,医生会为各感兴趣区域设置处方剂量,例如危及器官的剂量上限以及肿瘤靶区的剂量下限。在放射治疗计划时,放射治疗计划系统接收该处方剂量作为剂量目标。
步骤S1004,对各感兴趣区域进行采样。
根据各感兴趣区域的权重与采样点总数量的上限确定各感兴趣区域的采样点的目标数量,依照各感兴趣区域的采样点的目标数量对各感兴趣区域进行采样。采样方法在本实施例中不受限制,可以利用预设的采样方法进行采样,也可以利用本发明实施例中所述的自适应采样方法进行采样。
由于受到采样方法的影响,各感兴趣区域内实际的采样点数量可能不等于目标数量,例如在目标数量的一定范围内浮动,但只要满足实际的采样点数量之和不大于所述采样点总数量的上限即可。
步骤S1006,对各感兴趣区域的剂量进行优化,使得采样点的剂量满足所述剂量目标。
在本发明实施例中,基于采样点的放射治疗计划优化的目标函数可以如公式(1)所示:
其中,T表示所有感兴趣区域的集合,s为其中一个感兴趣区域,vs为感兴趣区域s内采样点的集合,j为采样点集合vs内的其中一个采样点,Fj为第j个采样点对应的代价函数,Dj为第j个采样点的剂量沉积矩阵,x为待优化的辐射通量图,其中vs内采样点的总数量为Vs,且Vs与感兴趣区域s的权重ws进行关联,例如Vs与ws成正比关系。
利用优化算法(例如模拟退火算法、梯度算法、蚁群算法等)对上述目标函数进行优化,使得各采样点的剂量满足剂量约束并得到优化后的辐射通量图。
在本实施例的目标函数中,感兴趣区域的重要程度通过在采样点的数量来体现,即各感兴趣区域的权重通过采样点的数量间接影响目标函数值,感兴趣区域的权重越大,该感兴趣区域内的采样点数量越多,从而有越多的采样点参与优化,使得基于采样点的迭代优化结果与基于全部体素的最终剂量计算结果吻合越好。
并且,本发明的放射治疗计划优化方法中,医生同样需要输入各感兴趣区域的权重,符合医生的操作习惯,体验度好。
具体技术细节可参考前述对采样方法的介绍。
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作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 (10)
1.一种采样方法,包括:
获取各感兴趣区域的权重与采样点总数量的上限,
根据所述权重及所述采样点总数量的上限确定各感兴趣区域采样点的目标数量,
按照所述采样点的目标数量对各感兴趣区域进行采样。
2.如权利要求1所述的采样方法,其特征在于,所述权重越大,则所述采样点的目标数量越多。
3.如权利要求2所述的采样方法,其特征在于,所述权重与所述采样点的目标数量成正比关系。
4.如权利要求1所述的采样方法,其特征在于,所述按照所述采样点的目标数量对各感兴趣区域进行采样,包括对各感兴趣区域进行自适应采样。
5.如权利要求4所述的采样方法,其特征在于,所述自适应采样包括根据所述各感兴趣区域的形状和/或体积大小选择采样方法进行采样。
6.如权利要求4所述的采样方法,其特征在于,所述自适应采样包括:
对感兴趣区域进行采样,
将感兴趣区域分割成多个子区域,
计算每个子区域的采样密度,
判断是否对子区域继续采样,
若是,则对子区域继续采样,若否,则采样结束。
7.如权利要求1所述的采样方法,其特征在于,至少一个感兴趣区域中采样点的实际数量不等于目标数量。
8.如权利要求7所述的采样方法,其特征在于,各感兴趣区域的采样点的实际数量之和不大于所述采样点总数量的上限。
9.一种放射治疗计划优化方法,包括:
获取各感兴趣区域的剂量目标,
利用权利要求1-8任一项所述的采样方法对各感兴趣区域进行采样,
对各感兴趣区域的剂量进行优化,使得采样点的剂量满足所述剂量目标。
10.一种放射治疗计划优化方法,包括:
获取各感兴趣区域的剂量目标、权重,
对各感兴趣区域进行采样,
对各感兴趣区域的剂量进行优化,使得采样点的剂量满足所述剂量目标,
其中,各感兴趣区域的权重与对应的采样点的数量关联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610891860.8A CN106503429B (zh) | 2016-10-12 | 2016-10-12 | 一种采样方法及放射治疗计划优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610891860.8A CN106503429B (zh) | 2016-10-12 | 2016-10-12 | 一种采样方法及放射治疗计划优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503429A true CN106503429A (zh) | 2017-03-15 |
CN106503429B CN106503429B (zh) | 2021-12-28 |
Family
ID=58294722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610891860.8A Active CN106503429B (zh) | 2016-10-12 | 2016-10-12 | 一种采样方法及放射治疗计划优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503429B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149669A (zh) * | 2020-09-23 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 放疗计划生成系统、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011157395A1 (en) * | 2010-06-18 | 2011-12-22 | Roche Diagnostics Gmbh | Systems and methods for optimizing insulin dosage |
CN102567731B (zh) * | 2011-12-06 | 2014-06-04 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
CN104677909A (zh) * | 2015-02-10 | 2015-06-03 | 北京理工大学 | 一种血管光动力治疗剂量评价方法 |
CN104815392A (zh) * | 2015-04-10 | 2015-08-05 | 石峰 | 一种交互式放射治疗计划系统优化方法及系统 |
CN105404789A (zh) * | 2015-12-28 | 2016-03-16 | 上海联影医疗科技有限公司 | 剂量控制点的选取方法及选取系统、放疗计划系统 |
-
2016
- 2016-10-12 CN CN201610891860.8A patent/CN106503429B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011157395A1 (en) * | 2010-06-18 | 2011-12-22 | Roche Diagnostics Gmbh | Systems and methods for optimizing insulin dosage |
CN102567731B (zh) * | 2011-12-06 | 2014-06-04 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
CN104677909A (zh) * | 2015-02-10 | 2015-06-03 | 北京理工大学 | 一种血管光动力治疗剂量评价方法 |
CN104815392A (zh) * | 2015-04-10 | 2015-08-05 | 石峰 | 一种交互式放射治疗计划系统优化方法及系统 |
CN105404789A (zh) * | 2015-12-28 | 2016-03-16 | 上海联影医疗科技有限公司 | 剂量控制点的选取方法及选取系统、放疗计划系统 |
Non-Patent Citations (4)
Title |
---|
曹鹏等: "基于概率分布估计的混合采样算法", 《控制与决策》 * |
朱孔凤等: "用高斯非均匀采样解决自动聚焦中的误判", 《光学技术》 * |
李光耀: "基于图像邻域结构特征的压缩感知算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王超学等: "基于聚类权重分阶段的SVM解不平衡数据集分类", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149669A (zh) * | 2020-09-23 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 放疗计划生成系统、装置及存储介质 |
CN112149669B (zh) * | 2020-09-23 | 2023-05-23 | 上海联影医疗科技股份有限公司 | 放疗计划生成系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106503429B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545137A (zh) | 肿瘤放射治疗计划智能优化方法 | |
US9289627B2 (en) | System and method for estimating and manipulating estimated radiation dose | |
CN108348771B (zh) | 在辐射疗法中基于知识的空间剂量度量和生成射束定向的方法 | |
CN110124214B (zh) | 预测剂量分布引导的调强放疗计划优化系统、介质及设备 | |
EP3300769B1 (en) | Radiation therapy planning optimization and visualization | |
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 | |
CN105389811A (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
CN106682409B (zh) | 采样方法及放射治疗计划优化方法、剂量计算方法 | |
Xing et al. | Boosting radiotherapy dose calculation accuracy with deep learning | |
CN110232964A (zh) | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 | |
WO2015080647A1 (en) | Method and system for uncertainty based radiotherapy treatment planning | |
CN109069861A (zh) | 质子疗法中的剂量分布估计 | |
CN106875367A (zh) | 一种基于互关联规则的鼻咽癌原发病灶临床靶区自动勾画方法 | |
Matney et al. | Perturbation of water‐equivalent thickness as a surrogate for respiratory motion in proton therapy | |
CN115620870A (zh) | 一种基于剂量预测和参数优化的自动计划方法及系统 | |
CN113795303A (zh) | 用于放射治疗规划的质量感知持续学习的方法和系统 | |
CN107480445A (zh) | 基于隐马尔可夫模型的肿瘤临床靶区侵犯概率计算方法 | |
Wang et al. | An integrated solution of deep reinforcement learning for automatic IMRT treatment planning in non-small-cell lung cancer | |
CN106503429A (zh) | 一种采样方法及放射治疗计划优化方法 | |
D D'Souza et al. | A nested partitions framework for beam angle optimization in intensity-modulated radiation therapy | |
CN111888665B (zh) | 基于自适应对抗网络的三维剂量分布预测模型的构建方法 | |
CN111798463B (zh) | 一种头颈部ct图像中多器官自动分割方法 | |
CN107845106A (zh) | 利用改进的nndr策略的医学图像配准方法 | |
CN107469239B (zh) | 计算机可读存储介质及放射治疗计划系统 | |
CN106485244A (zh) | 采样方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |