CN107072624A - 用于自动治疗计划的系统和方法 - Google Patents

用于自动治疗计划的系统和方法 Download PDF

Info

Publication number
CN107072624A
CN107072624A CN201580032255.9A CN201580032255A CN107072624A CN 107072624 A CN107072624 A CN 107072624A CN 201580032255 A CN201580032255 A CN 201580032255A CN 107072624 A CN107072624 A CN 107072624A
Authority
CN
China
Prior art keywords
patient
data
probability density
training
radiation therapy
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
CN201580032255.9A
Other languages
English (en)
Other versions
CN107072624B (zh
Inventor
延斯·奥洛夫·舍隆德
韩骁
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.)
Elekta AB
Impac Medical Systems Inc
Original Assignee
Elekta AB
Impac Medical Systems Inc
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 Elekta AB, Impac Medical Systems Inc filed Critical Elekta AB
Publication of CN107072624A publication Critical patent/CN107072624A/zh
Application granted granted Critical
Publication of CN107072624B publication Critical patent/CN107072624B/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
    • A61N5/103—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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computational Linguistics (AREA)
  • Pulmonology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本公开涉及用于放射疗法的系统、方法和计算机可读存储介质。本公开的实施例可以接收多个训练数据，并且基于训练数据确定一个或多个预测模型。一个或多个预测模型可以基于在给定一个或多个选择的输入变量的条件下与选择的输出特性相关联的条件概率密度、或联合概率密度中的至少一者来确定。本公开的实施例还可以接收患者特异性测试数据。另外，本公开的实施例可以基于一个或多个预测模型和患者特异性测试数据来预测与特性输出相关联的概率密度。此外，本公开的实施例可以基于预测生成新的治疗计划，并且可以使用新的治疗计划来验证先前的治疗计划。

Description

用于自动治疗计划的系统和方法
技术领域
本公开总体涉及放射治疗或放射疗法。更具体地，本公开涉及用于制定待在放射疗法期间所使用的放射治疗的治疗计划的用于训练和/或预测数据的系统和方法。
背景技术
放射疗法被用于治疗哺乳动物(例如人和动物)组织中的癌症和其它疾病。一种这样的放射疗法技术是伽玛刀，通过该伽马刀，患者在靶(例如，肿瘤)处被以高强度和高精度会聚的大量低强度伽马射线照射。在另一个实施例中，放射疗法被设置为使用线性加速器，由此通过高能粒子(例如，电子，质子，离子等)照射肿瘤。必须精确地控制辐射束的布置和剂量以确保肿瘤接收规定的辐射，并且射束的布置应当使得诸如最小化对周围健康组织(通常称为(一个或多个)危及器官(OAR))的损害。
传统上，对于每个患者，可以使用基于临床的和剂量测定的目标和约束条件(例如，对肿瘤和关键器官的最大，最小和平均剂量)的优化技术来创建放射治疗的治疗计划(“治疗计划”)。治疗计划程序可以包括使用患者的三维图像来识别靶区(例如，肿瘤)并且识别肿瘤附近的关键器官。治疗计划的创建可能是耗时的过程，其中计划者试图遵从各种治疗目标或约束条件(例如，剂量体积直方图(DVH)目标)，考虑它们的个体重要性(例如，加权)以便产生临床上可接受的治疗计划。该任务可能是一个耗时的试错过程，其由于各种危及器官(OARs)而变复杂，由于随着OARs的数量增加(例如，对于头颈部治疗，多达十三个)，过程的复杂性也增加。远离肿瘤的OARs可以容易地避免辐射，而接近或与靶肿瘤重叠的OARs可能难以避免辐射。可以执行分割以识别OARs和待治疗的区域，例如，计划靶体积(PTV)。在分割之后，可以为患者创建指示待由PTV(例如，靶)和/或OARs接收的期望辐射量的剂量计划。PTV可以具有不规则体积，并且就其大小、形状和位置可以是唯一的。能够在优化大量计划参数之后计算治疗计划，以确保向PTV提供最大剂量，同时向周围的健康组织提供尽可能低的剂量。因此，通过平衡剂量的有效控制而避开任何OAR来治疗肿瘤，可以确定放射治疗的治疗计划。通常，放射治疗计划的质量可以取决于计划者的经验水平。进一步的难题可能由患者之间的解剖学变化引起。
目前，大多数计划治疗程序将考虑的参数限制为与特定患者或特定治疗疗程相关联的那些参数。然而，由为相同患者先前制定的治疗计划产生的经验、或考虑潜在结果(例如，施加的剂量、成功率、存活时间等)而对具有相似大小和位置的相同类型的肿瘤的患者的相似治疗程序，在制定新计划的过程中没有得到有效利用。需要的是利用先前的治疗计划来预测可用于生成放射治疗的治疗计划的一个或多个结果的目标参数的能力，其可以提供待传递以治疗肿瘤的最佳剂量，同时使对一个或多个OARs的暴露最小化。
发明内容
本公开的一些实施例涉及一种放射疗法系统，所述放射疗法系统可以包括：存储器，其存储计算机可执行指令；以及处理器装置，其通信地联接到所述存储器。所述处理器装置可以被配置为执行所述计算机可执行指令以接收多个训练数据并且基于所述训练数据确定一个或多个预测模型。所述一个或多个所述预测模型可以基于给定一个或多个选择的输入变量的条件下与选择的输出特性相关联的条件概率密度或联合概率密度中的至少一种来确定。所述处理器装置还可以被配置为执行所述计算机可执行指令以用于接收患者特异性测试数据。另外，所述处理器装置还可以被配置为执行所述计算机可执行指令以基于一个或多个所述预测模型和所述患者特异性测试数据来预测与特性输出相关联的概率密度。此外，所述处理器装置还可以被配置为执行所述计算机可执行指令以用于基于所述预测生成新的治疗计划。
本公开的某些实施例涉及一种用于在放射疗法系统中预测的方法。所述方法可以由执行多个计算机可执行指令的处理器装置实现。所述方法可以包括接收多个训练数据。所述训练数据可以包括多个训练样本。各所述训练样本可以包括特征向量和输出向量。所述方法还可以包括确定与所述特征向量和对应的所述输出向量相关联的联合概率密度。另外，所述方法可以包括基于所述联合概率密度生成一个或多个预测模型，并且将所述一个或多个所述预测模型存储在存储器中。所述方法还可以包括接收多个患者特异性测试数据。所述患者特异性测试数据可以包括多个测试样本。所述方法还可以包括确定与所述患者特异性测试数据的各测试样本相关联的特征向量的概率密度。另外，所述方法可以包括使用(1)与所述患者特异性测试数据相关联的所述特征向量的所述概率密度和(2)所述一个或多个所述预测模型，来预测与所述患者特异性测试数据的各测试样本相关联的输出向量的概率密度。此外，所述方法可以包括基于所述预测来生成新的治疗计划。
本公开的一些实施例涉及一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有存储在其上的计算机可执行指令。当所述计算机可执行指令由处理器装置执行时，可以指示所述处理器装置接收多个训练数据。所述训练数据可以包括多个训练样本。各所述训练样本可以包括特征向量和输出向量。所述计算机可执行指令还可以指示所述处理器装置确定与所述特征向量和对应的所述输出向量相关联的联合概率密度，并且确定给定所述特征向量的条件下与所述输出向量相关联的条件概率密度。另外，所述计算机可执行指令可以指示所述处理器装置基于所述联合概率密度或所述条件概率密度中的至少一种来生成一个或多个预测模型，并且将所述一个或多个所述预测模型存储在存储器中。此外，所述计算机可执行指令可以指示所述处理器装置接收多个患者特异性测试数据。所述患者特异性测试数据可以包括多个测试样本。所述计算机可执行指令还可以指示所述处理器装置为与所述患者特异性测试数据的每个测试样本相关联的特征向量确定相关联的概率密度。另外，所述计算机可执行指令可以指示所述处理器装置使用(1)与所述患者特异性测试数据相关联的所述特征向量的概率密度和(2)所述一个或多个所述预测模型，来预测与所述患者特异性测试数据的各测试样本相关联的输出向量的概率密度。此外，所述计算机可执行指令可以指示所述处理器装置基于所述预测来生成新的治疗计划，并且基于所述新的治疗计划验证先前的治疗计划。
本公开的另外的目的和优点将在下面的详细描述中在某种程度上阐明，并且在某种程度上从描述中将是显而易见的，或者可以通过本公开的实践而习得。本公开的目的和优点将通过在所附权利要求中特别指出的元件和组合来实现和获得。
应当理解，前述一般性描述和以下详细描述仅是示例性和解释性的，并且不限制所要求保护的本发明。
附图说明
构成本说明书一部分的附图示出了若干实施例，并且与说明书一同用于解释所公开的原理。
图1示出了根据本公开的一些实施例的示例性放射疗法系统。
图2A示出了根据本公开的一些实施例的放射疗法装置，伽玛刀。
图2B示出了根据本公开的一些实施例的另一放射疗法装置，线性加速器。
图2C示出了根据本公开的一些实施例的在放射疗法系统中使用的数据处理装置和数据库。
图3A示出了根据本公开的一些实施例的靶肿瘤和OAR。
图3B示出了根据本公开的一些实施例的靶的示例性剂量-体积直方图(DVH)及OAR的示例性DVH。
图4是示出了根据本公开的一些实施例的数据训练过程和预测过程的示例性方法的流程图。
图5是示出了根据本公开的一些实施例的利用患者特异性测试数据的示例性方法的流程图。
具体实施方式
参照附图描述示例性实施例。在附图中，附图标记的最左边的(一个或多个)数字标识附图标记首次出现的附图。在方便的地方，在整个附图中使用相同的附图标记来指代相同或相似的部件。虽然在此描述了所公开的原理的示例和特征，但是在不脱离所公开的实施例的精神和范围的情况下，修改、适应及其它实现是可能的。而且，词语“包括”，“具有”，“包含”和“包括有”以及其它类似形式意图在意义上等同，并且被解释为开放式的，因为在任一这些词语后的一个或多个项不意味着是该一个或多个项的穷举式罗列，也不意味着仅限于所列出的一个或多个项。单数形式“个(a/an)”和“该(the)”旨在包括复数引用，除非上下文另有明确规定。
与本公开一致的系统和方法旨在使用从过去或先前的治疗计划得出的统计信息来生成放射疗法治疗计划或验证放射疗法治疗计划。如在此使用的，过去/先前的治疗计划是指在当前治疗生成之前的任意时间进行的对同一患者或不同患者的放射疗法治疗的计划。例如，在自适应放射疗法的情况下，可以在最初为患者准备治疗计划，但是对于治疗的每个分次，可以更新计划；因此，在更新之前创建的任意计划可以被认为是过去/先前的治疗计划。由于可以提取和利用新的计划和过去的计划之间的相似性，统计信息的使用可以提高治疗计划过程中的一致性、准确性和效率。例如，具有相似大小并位于相似身体部位(例如，前列腺、头颈部、肺、脑等)的相同种类的肿瘤的患者可以共享相似的治疗程序。过去的治疗计划可以提供关于观察(例如，肿瘤的种类、肿瘤的大小或肿瘤的位置)和过去治疗中的参数/结果(例如，施加的剂量、成功率、存活时间等)之间的联系的有价值的信息。
训练模块可以使用过去的治疗计划的信息来得出各种参数和/或这些参数之间的关系的统计估计。预测模块然后可以使用一个或多个预测模块来预测能够用于制定治疗计划的一个或多个目标参数(例如，结果)。如在此使用的，训练数据可以指关于过去治疗计划的信息；预测模型是指从过去的治疗计划提取或计算的统计估计或推导；测试数据是指关于新的治疗计划的信息；预测数据是指新的治疗计划的参数或可能结果的预测。
图1示出了根据本公开的一些实施例的示例性放射疗法系统100。放射疗法系统100可以包括训练模块112、预测模块114、训练数据库122、测试数据库124、放射疗法装置130和图像采集装置140。放射疗法系统100还可以连接到治疗计划系统(TPS)142和肿瘤学信息系统(OIS)144，其可以提供患者信息。另外，放射疗法系统100可以包括显示装置和用户界面(未示出)。
如图1所示，训练模块112可以与训练数据库122通信以接收训练数据。可以从治疗计划系统142获得存储在训练数据库122中的训练数据，治疗计划系统142可以存储先前放射治疗疗程的数据(例如，治疗计划系统142可以存储针对特定的待治疗患者和其他患者的先前制定的治疗计划，以及其它放射治疗信息)。例如，治疗计划系统142可以提供关于要施加于患者的特别剂量的信息和其它与放射疗法相关的信息(例如，治疗的类型：诸如图像引导的放射治疗(IGRT)，调强放射治疗(IMRT)；立体定向放射疗法；射束的数量；射束角度；每射束的剂量等)。另外，训练数据还可以包括要从图像采集装置140获得的图像数据。例如，图像采集装置140可以提供患者的医学图像(例如，磁共振成像(MRI)图像、3D MRI、2D流式MRI、4D体积MRI、计算机断层扫描(CT)图像、锥形射束CT、正电子发射断层扫描(PET)图像、功能性MRI图像(例如，fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光图像、超声图像、放射疗法射野图像、单光子发射计算机断层扫描(SPECT)图像等)。在一些实施例中，可以从肿瘤学信息系统(OIS 144(例如，患者信息、医学实验室结果等))收集训练数据。
训练模块112可以使用从训练数据库122接收的训练数据来生成已训练的数据。已训练的数据可以用于确定可以由预测模块114利用的预测模型。如上所述，预测模型可以指从过去的治疗计划提取或计算的推导。另外，预测模型可以包括，例如，结果(例如，由空间体积或体素接收的某个剂量)在给定某个属性(例如，诸如肿瘤的靶的体素和边界之间的距离)的观察下的条件概率。在另一实例中，预测模型可以包括给定肿瘤大小某个存活时间的条件概率。
预测模块114可以从训练模块112接收一个或多个预测模型，并使用该一个或多个预测模型来预测诸如属性或结果的某些目标参数，以便生成新的治疗计划。例如，预测模块114可以从测试数据库124接收测试数据。测试数据可以包括诸如成像数据(例如，MRI、CT、X射线、PET、SPECT等)、关注器官或体积的分割数据、功能器官建模数据(例如，串行vs并行器官、以及适当的剂量响应模型)、辐射剂量(例如，还包括剂量-体积直方图(DVH)信息)、实验室数据(例如，血红蛋白、血小板、胆固醇、甘油三酸酯、肌酸酐、钠、葡萄糖、钙、体重)、生命体征(血压、体温、呼吸频率等)、基因组数据(例如，基因谱)、人口统计数据(年龄、性别、种族)、其它影响患者的疾病(例如心血管疾病、呼吸疾病、糖尿病、辐射超敏综合征等)、用药和药物反应、饮食和生活方式(例如，吸烟或不吸烟)、环境风险因素、肿瘤特性(组织学类型、肿瘤等级、激素和其它受体状态、肿瘤大小、血管细胞类型、癌症分期、格里森评分)、先前的治疗(例如，手术、放射、化疗、激素疗法)、淋巴结和远处转移状态、基因/蛋白质生物标记(例如，诸如MYC、GADD45A、PPM1D、BBC3、CDKN1A、PLK3、XPC、AKT1、RELA、BCL2L1、PTEN、CDK1、XIAP等)、单核苷酸多态性(SNP)分析(例如，XRCC1、XRCC3、APEX1、MDM2、TNFR、MTHFR、MTRR、VEGF、TGFβ、TNFα)等的信息。
存储在测试数据库124中的测试数据可以进一步包括可以从图像采集装置140获得的图像数据。例如，图像采集装置140可以提供新患者的医学图像(例如，MRI图像、CT图像、PET图像、MRI图像、X射线图像、超声波图像、放射疗法射野图像、单光子发射计算机断层扫描(SPECT)图像等)。
如上所述，存储在测试数据库124中的测试数据和其它放射疗法信息也可以从治疗计划系统142和肿瘤学信息系统144获得。测试数据可以在其被预测模块114接收之前存储在测试数据库124中。
可替换地，在自适应放射疗法期间，测试数据可由预测模块114直接地从放射疗法装置130接收。在一些实施例中，例如，当放射疗法装置130处于执行放射疗法治疗的激活操作中的同时，可以在在线模式下从放射疗法装置130取回测试数据(例如，传递给患者的实际剂量)。在其它实施例中，例如，当放射疗法装置130不处于执行放射治疗的激活操作的同时，可以在离线模式下从放射疗法装置130取回测试数据。
在预测模块114基于测试数据和预测模型生成多个目标参数之后，多个目标参数可用于制定治疗计划。所制定的治疗计划可以用于当前正在经受放射疗法的患者(例如，可以基于当前参数更新(适应性调整)治疗计划)。可替换地，所制定的治疗计划可以用于新患者。治疗计划可以由放射疗法装置130使用，以依照治疗计划执行治疗。
在一些实施例中，放射疗法装置130可以相对于预测模块114是本地的。例如，放射疗法装置130和预测模块114可以位于医疗机构/诊所的同一房间中。在其它实施例中，放射疗法装置130可以相对于预测模块114是远程的，并且可以通过网络(例如，局域网(LAN)；无线网络；诸如软件作为服务、平台作为服务、基础结构作为服务的云计算环境；客户端服务器；广域网(WAN)等)实现经由治疗计划系统142的在放射疗法装置130和预测模块114之间的数据通信。类似地，在训练模块112和训练数据库122之间、在训练模块112和预测模块114之间、在预测模块114和测试数据库124之间、在测试数据库124和治疗计划系统142之间、在训练数据库122和肿瘤学信息系统144之间、在治疗计划系统142和肿瘤学信息系统144之间、在治疗计划系统142和放射疗法装置130之间、在图像采集装置140和测试数据库124之间、在图像采集装置140和治疗计划系统142之间、在图像采集装置140和训练数据库122之间的通信链路也可以以本地或远程方式实现。
在一些实施例中，训练模块112和预测模块114可以在单个数据处理装置110中实现。例如，如将稍后参照图2C更加详细描述的，训练模块112和预测模块114可以实现为在相同硬件装置上运行的不同软件程序。类似地，训练数据库122和测试数据库124可以实现为单个数据库120。例如，单个数据库可以存储训练数据和测试数据两者。预期的是，可以将训练模块112、预测模块114、训练数据库122和测试数据库124中的任何一个实现为独立模块。
图像采集装置140可以包括MRI成像装置、CT成像装置、PET成像装置、超声波装置、荧光镜装置、SPECT成像装置或用于获得患者的一个或多个医学图像的其它医学成像装置。图像采集装置140可以向治疗计划系统142、测试数据库124和/或训练数据库122提供医学图像。
图2A示出了根据本公开的一些实施例的一种类型的放射疗法装置130的实例(例如，Leksell伽玛刀)。如图2A所示，在放射疗法治疗疗程中，患者202可佩戴坐标框架220以使经受手术或放射疗法的患者的身体部分(例如，头部)保持稳定。坐标框架220和患者定位系统222可以建立空间坐标系，其可在对患者成像的同时或在放射手术期间使用。放射疗法装置130可以包括保护壳体214以封装多个放射源212。放射源212可以通过射束通道216生成多个辐射束(例如，子束)。多个辐射束可以被配置为从不同方向聚焦在等中心218。虽然每个单独的辐射束可以具有相对低的强度，但是当来自不同辐射束的多个剂量在等中心218处累积时，等中心218可能接收相对高水平的辐射。在某些实施例中，等中心218可以对应于诸如肿瘤的手术或治疗下的靶。
图2B示出了根据本公开的一些实施例的放射疗法装置130(的另一实例例如，线性加速器10)。使用线性加速器10，患者42可以被定位于患者台43上以接收由治疗计划确定的辐射剂量。线性加速器10可以包括生成辐射束46的辐射头45。整个辐射头45可以围绕水平轴线47旋转。另外，可以在患者台43下方设置有平板闪烁体检测器44，平板闪烁体检测器44可以与辐射头45围绕等中心41同步旋转。轴线47与由辐射头45产生的射束46的中心的交点通常被称为“等中心”。患者台43可以被机动化，使得患者42可以定位为使得肿瘤部位在等中心41处或附近。辐射头45可以绕台架47旋转，以根据治疗计划向患者42提供多个变化剂量的辐射。
图2C示出了通信地联接到数据库120和医院数据库121的数据处理装置110的实施例。如图2C所示，数据处理装置110可以包括处理器250、存储器或存储装置260和通信接口270。存储器/存储装置260可以存储计算机可执行指令，诸如操作系统262，训练/预测软件264，治疗计划软件265，以及将由处理器250执行的任何其他计算机可执行指令。
处理器250可以通信地联接到存储器/存储装置260，并且处理器250被配置为执行存储在其上的计算机可执行指令。例如，处理器250可以执行训练/预测软件264以实现训练模块112和/或预测模块114的功能。另外，处理器装置250可以执行可以与训练/预测软件264交互的治疗计划软件265(例如，诸如由Elekta制造的软件)。
处理器250可以通过通信接口270与数据库120通信以向数据库120发送数据/从数据库120接收数据。数据库120可以包括训练数据库122和测试数据库124中的一种或两种。本领域技术人员将领会，数据库120可以包括以集中或分布式方式定位的多个装置。另外，处理器250可以与医院数据库121通信以实现如图1所示的肿瘤学信息系统144的功能。
处理器250可以是处理装置，包括一个或多个通用处理装置，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更特别地，处理器装置250可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其它指令集的处理器或实现指令集组合的处理器。处理器250还可以是一个或多个专用处理装置，诸如特定用途集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。如本领域技术人员将领会的，在一些实施例中，处理器250可以是专用处理器，而不是通用处理器。
存储器/存储装置260可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、静态存储器等。在一些实施例中，存储器/存储装置260可以包括机器可读存储介质。尽管实施例中的机器可读存储介质可以是单个介质，但是术语“机器可读存储介质”应当被认为包括存储一组或多组计算机可执行指令或数据的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的缓存和服务器)。术语“机器可读存储介质”还能被认为包括能够存储或编码用于由机器执行的一组指令并且使得机器执行任意一个或多个本公开的方法的任意介质。因此，术语“机器可读存储介质”应被理解为包括但不限于固态存储器、光介质和磁介质。
通信接口270可以包括：网络适配器，电缆连接器，串行连接器，USB连接器，并行连接器，诸如光纤、USB 3.0、Thunderbolt等的高速数据传输适配器，诸如WiFi适配器、电信(3G、4G/LTE等)适配器等的无线网络适配器，等等。通信接口270可以提供局域网(LAN)、无线网络、云计算环境(例如，软件作为服务、平台作为服务、基础结构作为服务)、客户端服务器、广域网(WAN)等的功能。处理器250可以经由通信接口270与数据库120或其他装置或系统通信。
在放射疗法治疗中，生成治疗计划可以包括勾画诸如肿瘤的靶。在一些实施例中，可能需要勾画一个或多个OAR，肿瘤周围的或紧邻肿瘤的健康组织。因此，当OAR接近靶肿瘤时，可以执行OAR的分割。此外，如果肿瘤接近OAR(例如，接近膀胱和直肠的前列腺)，OAR的分割可以允许不仅在靶中而且在OAR中研究剂量分布。
图3A示出了根据本公开的一些实施例的靶302和OAR 304。注意的是，图3A中所示的靶302和OAR 304表示分割的靶和OAR的3D重建。为了从OAR 304勾画靶肿瘤302，可以由图像采集装置140非侵入地获得经受放射疗法的患者的诸如MRI图像、CT图像、PET图像、fMRI图像、X射线图像、超声波图像、放射疗法射野图像、SPECT图像等的医学图像，以显露身体部位的内部结构。基于来自医学图像的信息，可以获得与图3A中所示相似的3D结构。例如，3D结构可以通过在MRI或CT图像的各2D层或切片中勾画靶轮廓或勾画OAR轮廓，并且组合各2D层或切片的轮廓来获得。可以手动地(例如，由医生、剂量师或医护人员)或自动地(例如，使用诸如基于图谱(Atlas)的自动分割软件，由Elekta制造的)来生成轮廓。在某些实施例中，靶肿瘤或OAR的3D结构可以由预测模块114自动地生成。
在已经勾画了靶肿瘤和OAR之后，剂量师、医生或医护人员可以确定要施加到靶肿瘤和接近肿瘤的任何OAR(例如，左右腮腺、视神经、眼睛、晶状体、内耳、脊髓、脑干等)的辐射剂量。在为各解剖结构(例如，靶肿瘤、OAR)确定剂量之后，可以执行作为逆向计划被已知的过程以确定一个或多个计划参数，诸如体积勾画(例如，限定靶体积、画敏感结构的轮廓)、靶肿瘤和OAR周围的边缘、剂量约束(例如，对肿瘤靶全剂量且对任意OAR零剂量；对PTV95％的剂量的同时对脊髓≤45Gy，脑干≤55Gy并且视觉结构<54Gy)、射束角度选择、准直器设置和射束开启时间。逆向计划的结果可以构成可以存储在治疗计划系统142中的放射治疗的治疗计划。然后，放射疗法装置130可以使用所生成的具有这些参数的治疗计划来向患者传递放射治疗。
在治疗计划过程期间，可以考虑许多参数以实现靶肿瘤的高效治疗(例如，使得靶肿瘤接收用于高效治疗的足够的辐射剂量)与(一个或多个)OAR的低辐射(例如，该(一个或多个)OAR接收尽可能低的辐射剂量)之间的平衡。这些参数中的一些可以是相关的。例如，试图改变治疗计划而调整一个参数(例如，不同目标的权重，诸如使到靶肿瘤的剂量增加)可能影响至少一个其它参数，这又可能导致制定不同的治疗计划。
创建治疗计划的过程可能是耗时的。另外，不同的用户(例如，医生、医护人员、剂量师等)可以不同地区分参数的优先级。例如，不同的用户可以创建相同靶肿瘤或相同(一个或多个)OAR的不同轮廓，对各种解剖结构(例如，肿瘤和OAR)使用不同的剂量方案等。因此，可能难以就评估特定治疗方案的客观标准达成共识。在这种情况下，有效使用从先前治疗得出的信息(例如，训练数据)，诸如各种参数的统计估计或这些参数之间的关系，可以提高生成治疗计划的一致性、准确性和效率。
预测模块114可以在自动治疗计划的情况下使用。在这种情况下，预测模块114可以确定诸如剂量-体积直方图(DVH)的目标参数。预测的DVH可以用于制定用于患者的实际治疗的治疗计划。可替换地，预测模块114可以预测第一DVH，并且治疗计划系统142可以确定第二DVH。作为质量保证过程的一部分，预测的第一DVH可以与第二DVH进行比较。因此，在一些实施例中，预测模块114可以评估诸如DVH的参数作为保护措施，以降低制订导致由OAR接收的高水平的辐射的治疗计划的可能性。如果OAR在初始剂量计划下接收太多辐射，则初始剂量计划可被拒绝或可能需要改变以满足期望的辐射水平要求。
DVH通常示出将用高于或等于预定特定辐射值的辐射剂量照射的靶(例如，肿瘤或OAR)的某个体积的量(见图3B，在下文中讨论)。例如，在靶或器官中给定特定的体素集V，(v是在V中的体素)和剂量D，DVH可以定义如下：
其中，d(v)是在某个体素v中的实际剂量，并且|·|表示体积V中的体素的总数。
DVH还可以从概率的观点来解释。例如，如果D表示特定剂量，并且d表示随机变量，则累积分布函数可以被定义为FD(D)＝P(d≤D)，其为d小于或等于D的概率。如下所示，可以通过对概率密度函数pD(d)进行积分来计算P(d≤D)：
进一步，由于剂量D总是为正，因此最小值必定总是0。通过结合等式(1)和(2)，DHV还能够解释如下：
如上所述，DVH随后可以用于评估位于与治疗相关的身体的不同部位的关注区域的剂量。图3B示出了两个DVH的实施例，例如，基于用于治疗靶肿瘤和位于邻近靶肿瘤的OAR的治疗计划。可以取决于要照射的关注区域(例如，前列腺、头颈部、脑、肺、心脏等)提供多个DVH曲线。如图3B所示，曲线302是OAR的DVH，其中OAR的大部分体积(例如，体素)接收小于5Gy剂量的辐射。曲线304是靶肿瘤(例如，PTV)的DVH，其中靶肿瘤的大部分体积接收大于15Gy剂量的辐射。在治疗时期期间，根据治疗计划，靶肿瘤将优选地接收高且均匀剂量的辐射，同时任何周围健康组织(例如，OAR)将优选地接收尽可能小的辐射剂量。
如上文所述并且在下文中更详细地描述的，本公开提供了一种使用从一个或多个先前的治疗计划获得的信息以提高新的治疗计划过程的效率和有效性的方法。该方法可以由放射疗法系统100执行。在一些实施例中，该方法可以包括数据训练过程，其中训练模块112访问训练数据库122以从先前的治疗计划中选择数据，并且随后利用训练数据来生成一个或多个预测模型。该方法还可以包括数据预测过程，其中预测模块114利用测试数据结合一个或多个预测模型来预测一个或多个结果(例如，输出向量和输出元素)。然后可以使用预测的结果来制定治疗计划。
在一些实施例中，训练过程和预测过程可以合并到单个过程中，其中数据流需要这两个过程的协作。在一些实施例中，这两个过程可以例如在分别的机器上和/或在不同的时间分别操作，其中一个过程的操作不一定需要另一过程的协作。在此种实施例中，两个过程之间的数据共享可以使用数据库，或者可以在离线模式下执行。
数据训练
图4是示出了根据本公开的一些实施例的数据训练和数据预测的方法的流程图。图4包括两个过程：数据训练过程400和数据预测过程420。如上文所述，数据训练过程400和数据预测过程420可以合并到单个过程中，或者可以是分别的过程。在一些实施例中，数据训练过程400可以由训练模块112实现。类似地，数据预测过程420可以由预测模块114实现。
数据训练过程400可以包括步骤402，其中训练模块112可以从训练数据库122接收训练数据。训练数据可以包括存储在训练数据库122中的多个先前的治疗计划。例如，存储的训练数据可以包括与一个或多个先前的治疗计划相关联的诊断图像、治疗图像(剂量图)、分割信息等。训练数据可以包括多个训练样本。各训练样本可以包括特征向量和相应的输出向量。
特征向量可以包括一个或多个特征元素。各特征元素可以指示在过去的放射疗法疗程中使用的医学图像的观测(例如，由图像采集装置140提供或存储在训练数据库122中)。观测可以是体积(例如，体素)和解剖区域(诸如靶或医学图像中的身体部位的表面)之间的距离。在另一实例中，观测可以包括解剖区域的空间坐标或解剖区域包括特定组织类型的概率。在另一实例中，特征元素可以包括患者特异性信息、负责医生、关注器官或体积的分割数据、功能器官建模数据(例如，串行vs并行器官、以及适当的剂量响应模型)、辐射剂量(例如，还包括剂量-体积直方图(DVH)信息)、实验室数据(例如，血红蛋白、血小板，胆固醇、甘油三酸酯、肌酸酐、钠、葡萄糖，钙、体重)、生命体征(血压、体温、呼吸频率等)、基因组数据(例如，基因谱)、人口统计数据(年龄，性别)、其它影响患者的疾病(例如心血管疾病或呼吸疾病、糖尿病、辐射超敏综合征等)、用药和药物反应、饮食和生活方式(例如，吸烟或不吸烟)、环境风险因素、肿瘤特性(组织学类型、肿瘤等级、激素和其它受体状态、肿瘤大小、血管细胞类型、癌症分期、格里森评分)、先前的治疗(例如，手术、放射、化疗、激素疗法)、淋巴结和远处转移状态、遗传/蛋白质生物标记(例如，诸如MYC、GADD45A、PPM1D、BBC3、CDKN1A、PLK3、XPC、AKT1、RELA、BCL2L1、PTEN、CDK1、XIAP等)、单核苷酸多态性(SNP)分析(例如，XRCC1、XRCC3、APEX1、MDM2、TNFR、MTHFR、MTRR、VEGF、TGFβ、TNFα)等。特征向量可以包括一个或多个这样的特征元素而不管这些特征元素是否彼此相关。
输出向量可以包括一个或多个输出元素。各输出元素可以基于包括在特征向量中的(一个或多个)观测来指示在过去的放射疗法疗程中的相应的计划结果或参数。例如，输出元素可以包括在特定空间位置(例如，体素)处施加或接收的剂量。在另一实例中，输出元素可以包括基于诸如治疗类型、治疗参数、患者病史和/或患者解剖结构的观测的患者存活时间。输出元素的另外的实例包括但不限于正常组织并发症概率(NTCP)、治疗期间的区域位移概率、或将基准图像中的一组坐标映射到目标图像中的另一组坐标的概率。输出向量可以包括一个或多个此种输出元素而不管这些输出元素是否彼此相关。
作为实施例的实例，输出元素可以包括要施加至特定OAR的体素的剂量。进一步，特征元素可以用于确定输出元素。特征元素可以包括OAR中的体素与靶肿瘤中最近的边界体素之间的距离。因此，特征元素可以包括带符号的距离x，其指示OAR中的体素与放射治疗的靶中的最近的边界体素之间的距离的。输出元素可以包括在OAR的体素中的剂量D，从该体素测量到x。在一些其他实施例中，各训练样本可以对应于靶或OAR中的特定体素，使得训练数据内的多个训练样本对应于靶或OAR、以及经受放射疗法治疗的其它解剖部分的整个体积。
在步骤404，训练模块112可以基于训练数据确定与特征向量和对应的输出向量相关联的联合概率密度。联合概率密度可以指示由特征向量指示的观测和由对应的输出向量指示的计划结果两者都存在于训练数据中的可能性。
例如，特征向量可以包括诸如指定距离x的单个元素，并且对应的输出向量可以包括诸如剂量D的单个输出元素。训练模块112可以用诸如核密度估计(KDE)算法的密度估计方法来确定联合概率密度p(x,D)。KDE是一种非参数算法，它将核函数应用于每个数据点，然后对核求和。核可以被定义为满足以下属性的函数：
∫k(x)dx＝1，∫xk(x)dx＝0，∫x2k(x)dx＞0
具体地，KDE用于给定N个观测xi和核kh(x)对一些参数x的密度函数f(x)做出估计f'(x)。单变量KDE(例如，一维KDE)可以表示如下：
其中，h指示带宽参数且
联合概率分布f'(x)的KDE，其中x＝(x1,x2)T通常定义为：
其中第i个观测xi＝(x1i,x2i)T，并且
κH(x-xi)＝det(H)-1/2κ(H-1/2(x-xi)) (8)
是对称和正定矩阵。
在一些实施例中，H可以简化为对角矩阵。然后KDE可以表示为
其中，并且和能够被识别作为H中的对角元素。因此，当特征元素包括带符号的距离x并且对应的输出元素包括剂量D时，训练模块112可以使用KDE算法来确定联合概率密度p(x,D)。
在训练过程400的一些实施例中，下面描述的步骤406和步骤408可以是可选的。因此，在一个实施例中，训练过程400可以包括步骤402、步骤404和步骤410。在另一个实施例中，训练过程可以包括步骤402、步骤404、步骤406、步骤408和步骤410。
在步骤406，训练模块112可以基于训练数据确定与特征向量或特征向量内的各个元素相关联的概率密度。概率密度可以指示由特征向量或特征向量内的各个元素(例如，符号距离x)指示的观测存在于训练数据中的可能性。例如，如上所述，当特征向量包括符号距离x时，训练模块112可以使用一维KDE算法来确定整个训练数据的概率密度p(x)。
在步骤408，训练模块112可基于与特征向量x相关联的确定的概率密度(例如，P(x))和确定的联合概率(例如，(P(y,x)＝P(y|x)P(x))来确定与特征向量(例如，向量x)相关联的条件概率密度(例如，P(y|x))以及对应的输出向量(例如，向量y)。在一些实施例中，特征向量x可以对应于距离、空间坐标、患者特异性信息等。在一些实施例中，输出向量y可对应于剂量、肿瘤控制概率、正常组织并发症概率、患者存活时间、治疗期间的区域位移概率等。
特征向量可以包括多个特征元素(例如，x＝[x1,x2,x3,…])，并且输出向量可以包含多个输出元素(例如y＝[y1,y2,y3,…]。在一个实施例中，训练模块112可以基于所有特征元素和所有输出元素来确定联合概率分布。在另一个实施例中，训练模块112可以基于所有特征元素和每个输出元素来确定联合概率分布。
条件概率密度可以指示：在训练数据中给定特征向量或元素(例如，符号距离x)的存在的情况下，由对应的输出向量或元素(例如，剂量D)指示的计划结果存在于训练数据中的可能性。例如，当特征向量包括符号距离x并且对应的输出向量包括剂量D时，训练模块112可以确定在给定距离x的情况下的剂量D的条件概率密度如下：
如上所述，在输入和输出都是单个标量变量的一个实施例中，使用距离x来确定剂量D的概率密度。在其他实施例中，可以创建模型以使用x的多个变量(诸如，到OAR的多个距离坐标、到肿瘤的多个距离坐标、空间坐标、组织概率、来自原始图像的信息、来自后处理图像的信息)来估计特定变量y的概率密度(例如，确定剂量的概率密度或确定肿瘤控制概率的概率密度等)。因此，在实施例中，可以确定基于多个组织概率的肿瘤控制概率的概率密度(例如，P(y|x1,x2,x3,…))。
可以离线或在线地执行一个或多个预测模型的训练。例如，可以在开始治疗过程之前(例如离线地)估计和存储联合概率，或者可以在治疗过程期间(例如，在线地)实时估计联合概率。在另一个实施例中，可以检测到与先前治疗计划明显不同的治疗计划。在这种情况下，可以离线进行训练过程。
在实施例中，训练过程可以或可以不使用来自其他患者的数据。在一些实施例中，训练数据可以用于通过比较为同一患者制定的多个先前的治疗计划来适应性调整患者的治疗计划。在另一个实施例中，训练数据可以包括有来自具有相同或相似医学诊断的多个其他患者的治疗计划。
生成预测模型
在步骤410，训练模块112可以在训练数据库122中存储可以构成训练过程400的结果的条件概率(例如，P(y|x))。例如，训练模块112可以将一个或多个条件概率(例如，p(D|x)，其中D是剂量)存储在训练数据库122中以作为预测模型。在实施例中，训练模块112可将一个或多个联合概率(例如，p(y,x))存储在训练数据库122中以作为预测模型。因此，可以通过使用所述一个或多个联合概率、或者使用所述一个或多个条件概率来确定预测模型。
如上所述，该预测模型可以指示从一个或多个过去的放射疗法疗程获得或得出的信息。例如，预测模型可以包括有在过去的放射疗法疗程中使用的参数的统计估计。预测模型还可以包括有在过去的放射疗法疗程中使用的参数之间的关系的统计估计。预测模型还可以包括有对过去的放射疗法疗程的结果的统计估计。
将(一个或多个)预测模型应用于测试数据
一旦获得预测模型，就可以在预测过程420中使用它们来预测与输出向量或输出元素相关联的概率密度，用于制定新的治疗计划。
在步骤422，预测模块114可以接收包括有多个测试样本的测试数据。在一些实施例中，测试数据和测试样本可以类似于上述训练数据和训练样本。各测试样本可以包括特征向量，特征向量可以包括一个或多个特征元素。各测试样本可以包括有输出向量，输出向量可以包括有一个或多个输出元素。例如，虽然训练数据和训练样本可以涉及先前或过去的治疗，但是测试数据可以涉及新患者或同一患者的新的治疗疗程。例如，在过去的治疗疗程中使用的医学图像的观测可以形成训练数据中的特征向量的一部分。另一方面，在新的治疗疗程中使用的医学图像的观测可以形成测试数据中的特征向量的一部分。换言之，虽然训练数据和测试数据的格式可能相似，但是训练数据可以涉及过去的治疗并且测试数据可以涉及新的治疗。
在步骤424，预测模块114可以从训练模块112接收一个或多个预测模型。测试数据可以与一个或多个预测模型协同使用以预测一个或多个结果的目标参数。为了预测目标参数(例如，特征向量、特征元素、输出向量和输出元素)，可以将测试数据应用于一个或多个预测模型。然后可以使用预测的结果来制定治疗计划。
例如，当特征向量包括符号距离x并且对应的输出向量包括剂量D时，条件概率密度可以是如在步骤408确定并且在步骤410存储的p(D|x)。可替换地，当特征向量包括空间坐标和组织概率时，相应的输出向量可以是治疗期间的区域位移概率(例如，p(rx,ry,rz|x,y,z,t)，其中(rx,ry,rz)是给定空间坐标(x,y,z)和组织概率t的区域位移向量)。
在步骤426，预测模块114可以基于测试数据确定与每个测试样本的特征向量相关联的概率密度。概率密度可以指示由特征向量指示的观测存在于测试数据中的可能性。例如，当特征向量包括符号距离x时，预测模块114可以估计新计划的概率密度p*(x)。在实施例中，特征向量可以被作为狄拉克脉冲(Dirac pulses)序列来处理，其表示为δ(x)，以便估计概率密度p(x*)：
其中|S|代表S中的元素的数量。
在一些实施例中，特征向量可以包括任意维度和/或多种类型的数据(例如，连续的、顺序的、离散的等)。在一些实施例中，在训练过程和预测过程中使用的图像可以包括诊断图像、治疗图像(剂量图)和/或分割图像。在一些实施例中，特征向量可以包括到诸如靶或(一个或多个)OAR或患者表面的预定解剖区域的距离。此种信息可以使用重叠体积直方图来概括。到多个关注区域的距离还可以被包括在特征向量中。在一些实施例中，特征向量可以包括诸如空间坐标和/或组织概率的全局信息。在一些实施例中，特征向量可以包括从图像与至少一个线性滤波器(例如，局部相位、梯度、边缘或角检测器)的卷积得出的特征。在一些实施例中，特征向量可以包括通过一个或多个图像的变换(例如，傅立叶变换、希尔伯特变换、拉东变换、距离变换、离散余弦变换、小波变换)得出的特征。在上文所述的关于特征向量的这些实施例的每一个中，可以应用对输出概率密度的相应变换。
在一些实施例中，特征向量可以包括基于“信息理论度量”(例如，互信息、归一化互信息、熵、Kullback-Leibler距离等)的信息。在一些实施例中，特征向量可以包括提供如计算机视觉领域中所使用的更高维表示的特征描述符，这种特征描述符可以包括诸如SIFT(尺度不变特征变换)、SURF(加速鲁棒特征)、GLOH(梯度位置和定向直方图)或HOG(定向梯度直方图)的图像的特定体素的特性。在另一个实施例中，能够使用更高维的表示来捕获多个图像区域(例如，两个或更多个体素)之间的协方差/相关性。在一些实施例中，例如，特征向量可以包括患者信息，诸如，年龄、性别、肿瘤大小、负责医生等。
在步骤428，预测模块114可以基于为多个测试样本确定的概率密度和所述一个或多个预测模型来确定与输出向量或其元素相关联的概率密度的预测。具体地，能够用输出向量检测用于有利结果的一个或多个重要特征。概率密度的预测可以指示由输出向量或其(一个或多个)元素指示的计划结果在新的治疗计划中产生的可能性。
在一些实施例中，输出向量可以包括：任意维度的概率分布；剂量；在微观或宏观尺度上的肿瘤控制概率(TCP)或正常组织并发症概率(NTCP)；或患者存活时间，其例如基于治疗类型、治疗参数、患者病史或解剖结构。
在一些实施例中，可以在空间域中执行与输出向量相关联的概率密度的预测的确定。在一些实施例中，该过程可以在频域(例如，傅里叶域，对MRI采集是天然的)中执行。在一些实施例中，该过程可以在拉东变换空间中执行，例如，对于CT采集是天然的。在一些实施例中，可以在使用例如小波变换的压缩的图像上使用预测，并且可以在小波变换空间中执行该过程。
预测的概率分布可以用于得出点估计和相应的变化的量度，例如表示为概率分布的矩。在一个实施例中，可以通过取得分布的均值(即，一阶矩)来计算估计的空间剂量图。在另一个实施例中，空间剂量变化性可以由标准差(即，中心二阶矩的平方根)表示。
在一些实施例中，输出向量可以用于预测各种特性的概率密度。例如，输出向量可以包括诸如肺、心脏或前列腺的关注的解剖区域可能在治疗期间移动的概率。在一些实施例中，输出向量(例如，3D向量)可以用于通过对患者的解剖结构的相关性建模来引导可变形配准，例如，输出向量可以包括将图谱图像中的一组坐标映射到目标图像中的另一组坐标的概率，或反之亦然。在一些实施例中，输出向量可以通过辐射传输的蒙特卡罗仿真进行采样，并用于加速在随后的剂量计算中的计算。在一些实施例中，预测的概率密度可以用于检测放射疗法系统的调试中的异常值。
预测过程420可以允许在步骤430通过利用一个或多个结果的多个目标参数来制定治疗计划。例如，预测模块114可以基于所确定的与输出元素相关联的概率密度的预测来确定剂量-体积直方图(DVH)。在这种情况下，特征向量包括符号距离x，并且对应的输出向量包括剂量D。可以确定概率密度的预测p*(D)如下：
p*(D)＝∫p(D|x)p*(x)dx (11)
并且相应的DVH(D)可以计算如下：
在一个实施例中，在步骤430，预测过程420可以允许治疗计划的验证，例如，出于质量保证或训练的目的。例如，步骤430可以允许用新生成的治疗计划来验证一个或多个先前生成的治疗计划。
图5是利用患者特异性测试数据来选择训练数据以执行训练过程500和数据预测过程520的另一实施例的流程图。在一些实施例中，过程500和过程520可以分别地类似于先前参照图4描述的过程400和过程420，有一些差异将在下文中描述。参照图5，测试数据501可以用在训练过程500和预测过程520中。在一些实施例中，测试数据501可以包括多个测试样本。在一些实施例中，测试数据501及其测试样本可以类似于在图4中的步骤424接收的测试数据。如上文所述，图5可类似于图4。图4和图5之间的区别包括利用患者特异性测试数据(例如，测试数据501)的方式。例如，参照图5，训练过程500可以利用患者特异性测试数据501来生成一个或多个预测模型。在一些实施例中，可以在步骤502使用患者特异性测试数据501，其中训练模块110可以基于测试数据501从训练数据库122选择训练数据的子集。
在步骤504，训练模块112可以基于在步骤502选择的训练数据来确定与特征向量和相应的输出向量相关联的联合概率密度。除了步骤504中使用的训练数据可以基于测试数据501来选择以外，步骤504可以类似于步骤404。
在训练过程500的一些实施例中，可以省略下文描述的步骤506和步骤508。因此，在一个实施例中，训练过程500可以包括步骤502、步骤504和步骤510。在另一个实施例中，训练过程可以包括步骤502、步骤504、步骤506、步骤508和步骤510。
在步骤506，类似于步骤406，可以确定与特征向量相关联的概率密度。在步骤508，类似于步骤408，可以确定在给定特征向量的情况下与输出向量相关联的条件概率。
在步骤510，训练模块112可将一个或多个条件概率存储在训练数据库122中作为预测模型。在一些实施例中，训练模块112可将一个或多个联合概率存储在训练数据库122中作为预测模型。因此，可以基于一个或多个联合概率或者基于一个或多个条件概率来确定预测模型。
一旦由训练模块112(例如，通过训练过程500)产生具体特用于特定患者的(一个或多个)预测模型，就可以由预测模块114协同一个或多个预测模型进一步使用测试数据501，以预测一个或多个结果(例如，输出向量或输出元素)。
例如，在步骤522，测试数据501可以被接收并且与从训练模块112接收的(例如，在步骤524接收的)一个或多个预测模型一起在预测过程520中使用。
在步骤526，类似于步骤426，预测模块114可以基于测试数据确定与每个测试样本的特征向量相关联的概率密度。
在步骤528，类似于步骤428，预测模块114可以基于为多个测试样本确定的概率密度和一个或多个预测模型来确定与输出向量或其元素相关联的概率密度的预测。
在步骤530，一旦预测结果生成，则预测的结果随后可以用于制定治疗计划或用于验证先前生成的治疗计划。
在一些实施例中，可以在在线模式或离线模式下从治疗计划系统142接收多个测试数据。
除了上文描述的KDE方法之外，还可以使用其它密度估计方法来确定与训练样本相关联的联合概率密度或与测试样本的特征向量相关联的概率密度。密度估计方法的实例包括但不限于：
非参数方法—非参数方法可以用最小假设来估计密度。实例包括上文描述的KDE以及人工神经网络，其将未知函数建模为若干个S函数(sigmoid)的加权和，每个S函数都是所有相关解释变量的函数。
参数方法—参数方法假定参数化的概率分布并将其拟合到数据。一个实例是高斯混合模型。
基于蒙特卡罗的方法—这种类型的方法使用重复的随机采样来估计概率分布，并且因此能够在诸如仿真的有限的实例下使用。
机器学习方法—机器学习方法能够扩展以执行密度估计。实例包括转导支持向量机(SVM)、决策树、随机森林、回归模型和密度估计树。一些密度估计方法可以特别适用于异常值检测或相关性确定，诸如，密度估计树。基于蒙特卡罗的方法和一些机器学习方法，诸如，密度估计树，可以更好地胜任处理高维数据。
本文描述了各种操作或功能，其可以被实现或定义为软件代码或指令。这样的内容可以是直接地可执行的(“对象”或“可执行”形式)、源代码或不同的代码(“增量(delta)”或“补丁(patch)”代码)。可以经由具有存储在其上的代码或指令的制品或者经由操作通信接口以经该通信接口发送数据的方法来提供在此描述的实施例的软件实现。机器或计算机可读存储介质可以使得机器执行所描述的功能或操作，并且包括以机器(例如，计算装置、电子系统等)可访问的形式存储信息的任何机构，诸如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存装置等)。通信接口包括接口到硬连线的、无线的、光学等的介质中的任一种的任一机构，以与诸如存储器总线接口、处理器总线接口、因特网连接器、磁盘控制器等的另一装置通信。通信接口能够通过提供配置参数和/或发送信号来配置，以使通信接口准备好提供描述软件内容的数据信号。可以经由发送到通信接口的一个或多个命令或信号来访问通信接口。
本发明还涉及用于执行本文的操作的系统。该系统可以是为了所需目的而专门构造的，或者它可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中，诸如但不限于：任意类型的盘，包括软盘、光盘、CDROM和磁光盘，只读存储器(ROM)，随机存取存储器(RAM)，EPROM，EEPROM，磁卡或光卡，或适于存储电子指令的任意类型的介质，每个介质联接到计算机系统总线。
除非另有规定，否则本文所示出和描述的本发明的实施例中的操作的实行或执行的顺序不是必需的。也就是说，除非另有规定，操作可以以任何顺序执行，并且本发明的实施例可以包括比本文公开的操作额外的或更少的操作。例如，预期的是，在另一操作之前、同时或之后实行或执行特定操作在本发明的方案的范围内。
本发明的实施例可以用计算机可执行指令来实现。计算机可执行指令可以被组织成一个或多个计算机可执行组件或模块。本发明的方案可以用任意数量和组织的这种组件或模块来实现。例如，本发明的方案不限于图中所示和本文所描述的特定计算机可执行指令或特定组件或模块。本发明的其它实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
当介绍本发明或其实施例的方案的元件时，冠词“个(a/an)”，“该”和“所述”旨在表示存在一个或多个元件。术语“包括”，“包括有”和“具有”旨在是包括性的，并且意味着可以存在除所列出的元素之外的附加元素。
已经详细描述了本发明的方案，明白的是，在不脱离如所附权利要求中限定的本发明的方案的范围的情况下，修改和变化是可能的。由于能够在不脱离本发明的方案的范围的情况下对上述结构、产品和方法进行各种改变，因此旨在将上述描述中包含的和附图中所示的所有内容解释为说明性的，而不具有限制的意义。

Claims (23)

1.一种放射疗法系统，其包括：
存储器，其存储计算机可执行指令；以及
处理器装置，其通信地联接到所述存储器，其中，所述处理器装置被配置为执行所述计算机可执行指令，用于：
接收多个训练数据；
基于所述训练数据确定一个或多个预测模型；
接收患者特异性测试数据；
基于所述一个或多个预测模型和所述患者特异性测试数据来预测与特性输出相关联的概率密度；和
基于所述预测生成新的治疗计划，
其中，所述一个或多个预测模型基于给定一个或多个选择的输入变量的条件下与选择的输出特性相关联的条件概率密度或联合概率密度中的至少一种来确定。
2.根据权利要求1所述的放射疗法系统，其中，所述处理器装置进一步被配置为执行用于基于所述新的治疗计划来验证先前的治疗计划的所述计算机可执行指令。
3.根据权利要求1所述的放射疗法系统，其中，所述训练数据包括多个训练样本。
4.根据权利要求1所述的放射疗法系统，其中，所述训练数据包括多个图像。
5.根据权利要求4所述的放射疗法系统，其中，所述训练数据包括训练样本，并且所述训练样本对应于图像中的体素。
6.根据权利要求1所述的放射疗法系统，其中，所述训练数据包括多个放射疗法治疗计划，其中所述放射疗法治疗计划来自当前患者、多个其他患者、或其组合。
7.根据权利要求1所述的放射疗法系统，其中，所述训练数据从单个患者或多个患者中的至少一种获得。
8.根据权利要求4所述的放射疗法系统，其中，所述多个图像包括以下图像中的至少一种：磁共振成像(MRI)图像、3D MRI图像、2D流式MRI图像、4D体积MRI图像、计算机断层扫描(CT)图像、锥形射束CT图像、正电子发射断层扫描(PET)图像、功能性MRI(fMRI)图像、X射线图像、荧光图像、超声图像、放射疗法射野图像、或单光子发射计算机断层成像(SPECT)图像。
9.根据权利要求1所述的放射疗法系统，其中，确定所述预测模型包括：
确定一个或多个变量和特定输出特性的联合概率密度；和
确定在给定所述一个或多个变量的条件下与所述特定输出特性相关联的条件概率密度。
10.根据权利要求9所述的放射疗法系统，其中，确定所述联合概率密度或所述条件概率密度包括使用非参数方法、参数方法、基于蒙特卡罗的方法、回归方法、机器学习方法或其组合中的至少一种。
11.一种由执行多个计算机可执行指令的处理器装置实现的用于在放射疗法系统中预测的方法，包括：
接收多个训练数据，所述训练数据包括多个训练样本，其中每个所述训练样本包括特征向量和输出向量；
确定与所述特征向量和对应的所述输出向量相关联的联合概率密度；
基于所述联合概率密度生成一个或多个预测模型；
将所述一个或多个预测模型存储在存储器中；
接收多个患者特异性测试数据，所述患者特异性测试数据包括多个测试样本；
确定与所述患者特异性测试数据的每个测试样本相关联的特征向量的概率密度；
使用(1)与所述患者特异性测试数据相关联的所述特征向量的所述概率密度和(2)所述一个或多个预测模型，来预测与所述患者特异性测试数据的每个测试样本相关联的输出向量的概率密度；以及
基于所述预测生成新的治疗计划。
12.根据权利要求11所述的方法，进一步包括：
确定给定所述特征向量的条件下与所述输出向量相关联的条件概率密度；和
基于所述条件概率密度生成所述一个或多个预测模型。
13.根据权利要求12所述的方法，进一步包括基于所述新的治疗计划验证先前的治疗计划。
14.根据权利要求11所述的方法，其中，确定所述联合概率密度包括使用非参数方法、参数方法、基于蒙特卡罗的方法、回归方法、机器学习方法或其组合中的至少一种。
15.根据权利要求12所述的方法，其中，确定所述条件概率密度包括使用非参数方法、参数方法、基于蒙特卡罗的方法、回归方法、机器学习方法或其组合中的至少一种。
16.根据权利要求11所述的方法，其中，所述患者特异性测试数据包括以下至少一种：成像数据、关注器官或体积的分割数据、功能器官建模数据、辐射剂量、实验室数据、基因组数据、人口统计数据、其它影响患者的疾病、用药和药物反应、饮食和生活方式、环境风险因素、肿瘤特性、遗传/蛋白质生物标记、或患者的先前的医疗。
17.根据权利要求11所述的方法，其中，所述特征向量包括以下中的至少一种：到关注解剖区域的距离、组织概率、多个空间坐标、从图像与至少一个线性滤波器的卷积得出的信息、从图像与至少一个非线性滤波器的卷积得出的信息、从一个或多个图像的变换得出的信息、基于理论度量的信息、计算机视觉中使用的类型的特征描述符、肿瘤大小、肿瘤类型、肿瘤位置、患者年龄、患者性别、患者种族、患者的体重指数(BMI)、患者信息、或负责医生的信息。
18.根据权利要求11所述的方法，其中，所述输出向量包括以下中的至少一种：剂量、肿瘤控制概率(TCP)、正常组织并发症概率(NTCP)、患者存活时间、治疗期间的区域位移概率、或将基准图像中的一组坐标映射到目标图像中的另一组坐标的概率。
19.根据权利要求11所述的方法，其中，所述训练数据包括多个图像或多个放射疗法治疗计划中的至少一种，其中，所述多个放射疗法治疗计划来自当前患者、多个其他患者、或其组合。
20.根据权利要求11所述的方法，其中，所述训练数据基于所述患者特异性测试数据从所有可用训练数据的子集中选择。
21.根据权利要求11所述的方法，其中，所述训练数据获取自单个患者。
22.根据权利要求11所述的方法，其中，所述训练数据获取自多个患者。
23.一种非暂时性计算机可读存储介质，其具有存储在其上的计算机可执行指令，其中，当所述计算机可执行指令由处理器装置执行时，指示所述处理器装置执行：
接收多个训练数据，所述训练数据包括多个训练样本，其中，每个所述训练样本包括特征向量和输出向量；
确定与所述特征向量和对应的所述输出向量相关联的联合概率密度；
确定在给定所述特征向量的条件下与所述输出向量相关联的条件概率密度；
基于所述联合概率密度或所述条件概率密度中的至少一种来生成一个或多个预测模型；
将所述一个或多个预测模型存储在存储器中；
接收多个患者特异性测试数据，所述患者特异性测试数据包括多个测试样本；
为与所述患者特异性测试数据的每个测试样本相关联的特征向量确定相关联的概率密度；
使用(1)与所述患者特异性测试数据相关联的所述特征向量的概率密度和(2)所述一个或多个预测模型，来预测与所述患者特异性测试数据的每个测试样本相关联的输出向量的概率密度；
基于所述预测生成新的治疗计划；以及
基于所述新的治疗计划验证先前的治疗计划。
CN201580032255.9A 2014-06-18 2015-06-11 用于自动治疗计划的系统和方法 Active CN107072624B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/308,450 2014-06-18
US14/308,450 US10046177B2 (en) 2014-06-18 2014-06-18 System and method for automatic treatment planning
PCT/IB2015/054440 WO2015193776A1 (en) 2014-06-18 2015-06-11 System and method for automatic treatment planning

Publications (2)

Publication Number Publication Date
CN107072624A true CN107072624A (zh) 2017-08-18
CN107072624B CN107072624B (zh) 2020-11-06

Family

ID=53487393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580032255.9A Active CN107072624B (zh) 2014-06-18 2015-06-11 用于自动治疗计划的系统和方法

Country Status (7)

Country Link
US (2) US10046177B2 (zh)
EP (1) EP3157627B1 (zh)
JP (1) JP6620116B2 (zh)
CN (1) CN107072624B (zh)
AU (1) AU2015275750B2 (zh)
RU (1) RU2684173C2 (zh)
WO (1) WO2015193776A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107715314A (zh) * 2017-11-20 2018-02-23 徐榭 基于深度学习的放射治疗系统及方法
CN107767947A (zh) * 2017-09-28 2018-03-06 北京全域医疗技术有限公司 放疗计划评估方法及装置
CN107785068A (zh) * 2017-11-20 2018-03-09 深圳市医诺智能科技发展有限公司 治疗计划系统与医用加速器的数据传输方法及接口平台
CN109166613A (zh) * 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法
CN109248385A (zh) * 2018-08-20 2019-01-22 北京东方瑞云科技有限公司 基于蒙特卡洛树搜索的放射治疗计划优化系统及方法
CN109350092A (zh) * 2018-12-06 2019-02-19 余姚德诚科技咨询有限公司 发生强度选择平台
CN109637669A (zh) * 2018-11-22 2019-04-16 中山大学 基于深度学习的治疗方案的生成方法、装置及存储介质
CN109771842A (zh) * 2017-11-10 2019-05-21 北京连心医疗科技有限公司 基于机器学习的云放疗质量控制方法、设备和存储介质
CN109801696A (zh) * 2017-11-17 2019-05-24 北京连心医疗科技有限公司 一种人工智能的云放疗计划方法、设备、存储介质和系统
CN110232964A (zh) * 2019-06-04 2019-09-13 苏州雷泰智能科技有限公司 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
CN110418665A (zh) * 2017-12-30 2019-11-05 上海联影医疗科技有限公司 放射治疗计划的自适应系统、存储介质以及装置
CN110705103A (zh) * 2019-09-30 2020-01-17 中国人民解放军海军工程大学 一种伽玛型通用件的备件保障概率计算方法及装置
CN111068187A (zh) * 2018-10-18 2020-04-28 瓦里安医疗系统国际股份公司 流线型引导式榻上适应性工作流
CN111312341A (zh) * 2020-01-17 2020-06-19 中南大学湘雅三医院 华法林剂量预测方法及预测装置
CN111833988A (zh) * 2020-07-14 2020-10-27 北京安德医智科技有限公司 放射参数确定方法及装置、电子设备和存储介质
CN112041026A (zh) * 2018-04-30 2020-12-04 医科达有限公司 使用生成式对抗网络的放射疗法治疗计划建模
CN112242936A (zh) * 2019-07-19 2021-01-19 瞻博网络公司 用于回放和调试网络设备的实时状态的装置、系统和方法
WO2022036631A1 (en) * 2020-08-20 2022-02-24 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for radiotherapy
US11896847B2 (en) 2020-02-07 2024-02-13 Elekta, Inc. Adversarial prediction of radiotherapy treatment plans
US12133992B2 (en) 2023-12-04 2024-11-05 Siemens Healthineers International Ag Streamlined, guided on-couch adaptive workflow

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11568982B1 (en) 2014-02-17 2023-01-31 Health at Scale Corporation System to improve the logistics of clinical care by selectively matching patients to providers
US10046177B2 (en) 2014-06-18 2018-08-14 Elekta Ab System and method for automatic treatment planning
US10395759B2 (en) 2015-05-18 2019-08-27 Regeneron Pharmaceuticals, Inc. Methods and systems for copy number variant detection
US10252081B2 (en) * 2015-09-25 2019-04-09 Varian Medical Systems International Ag Apparatus and method using automatic generation of a base dose
US11056243B2 (en) * 2015-12-21 2021-07-06 Elekta Ab (Publ) Systems and methods for optimizing treatment planning
NZ745249A (en) 2016-02-12 2021-07-30 Regeneron Pharma Methods and systems for detection of abnormal karyotypes
EP3426343B1 (en) 2016-03-09 2020-09-16 Koninklijke Philips N.V. Pre-optimization method for quick prediction of achievability of clinical goals in intensity modulated radiation therapy
US10744344B2 (en) * 2016-03-30 2020-08-18 Koninklijke Philips N.V. Adaptive radiation therapy planning
CN105893772B (zh) * 2016-04-20 2018-09-18 上海联影医疗科技有限公司 用于放射治疗计划的数据获取方法和装置
WO2017186610A1 (en) * 2016-04-28 2017-11-02 Koninklijke Philips N.V. Image guided treatment delivery
US11850445B2 (en) 2016-09-07 2023-12-26 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
US20180089581A1 (en) * 2016-09-27 2018-03-29 Futurewei Technologies, Inc. Apparatus and method for dataset model fitting using a classifying engine
DE102016219496A1 (de) * 2016-10-07 2018-04-26 Siemens Healthcare Gmbh Verfahren zur Unterstützung einer Planung einer Bestrahlung eines Patienten
DE102016220093A1 (de) 2016-10-14 2018-04-19 Siemens Healthcare Gmbh Bestimmen eines Aufnahmeparameters für ein bildgebendes Verfahren
WO2018077705A1 (en) * 2016-10-25 2018-05-03 Koninklijke Philips N.V. Radiotherapy system for accurate locating of 3d objects from magnetic resonance images
JP6823299B2 (ja) * 2016-11-08 2021-02-03 株式会社日立製作所 放射線治療計画装置および放射線治療システム
US10850120B2 (en) 2016-12-27 2020-12-01 Varian Medical Systems International Ag Selecting a dose prediction model based on clinical goals
CN106920234B (zh) * 2017-02-27 2021-08-27 北京连心医疗科技有限公司 一种复合式自动放疗计划的方法
US10188873B2 (en) * 2017-03-22 2019-01-29 Varian Medical Systems International Ag Systems and methods for dose calculation in generating radiation treatment plans
EP3395405B1 (en) * 2017-04-24 2021-10-13 RaySearch Laboratories AB System and method for radiation therapy treatment planning
US11517768B2 (en) * 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
US12089930B2 (en) 2018-03-05 2024-09-17 Marquette University Method and apparatus for non-invasive hemoglobin level prediction
WO2019213169A1 (en) * 2018-05-01 2019-11-07 B.yond, Inc. Synchronized distributed processing in a communications network
CN108766563A (zh) * 2018-05-25 2018-11-06 戴建荣 基于剂量组学的放射治疗结果预测方法和系统
US11173323B2 (en) * 2018-07-27 2021-11-16 Reshma Munbodh Computer-implemented method of evaluating a protocol for radiation therapy including a pre-treatment physics chart review (TPCR)
US10332035B1 (en) * 2018-08-29 2019-06-25 Capital One Services, Llc Systems and methods for accelerating model training in machine learning
US11615873B2 (en) 2018-08-31 2023-03-28 The Board Of Regents Of The University Of Texas System Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy
KR102131742B1 (ko) * 2019-01-04 2020-07-08 사회복지법인 삼성생명공익재단 가상현실을 이용하여 환자의 호흡동조 방사선 치료를 최적화하는 방법 및 시스템
US10834306B2 (en) * 2019-01-15 2020-11-10 International Business Machines Corporation Method for a remote control of a radiation detection apparatus
JP7389445B2 (ja) * 2019-04-25 2023-11-30 国立大学法人東北大学 線量分布判定システム、深層学習装置、線量分布判定方法及びコンピュータプログラム
US11410766B2 (en) * 2019-06-06 2022-08-09 Varian Medical Systems International Ag Methods and systems for radiotherapy treatment planning based on continuous deep learning
US11929170B2 (en) 2019-08-22 2024-03-12 Kpn Innovations, Llc Methods and systems for selecting an ameliorative output using artificial intelligence
US20230001234A1 (en) * 2019-11-22 2023-01-05 Cognitivecare India Labs Llp A system and method for generation and use of radiation outcome prediction score in patients undergoing radiotherapy
US11610679B1 (en) 2020-04-20 2023-03-21 Health at Scale Corporation Prediction and prevention of medical events using machine-learning algorithms
CN111528918B (zh) * 2020-04-30 2023-02-21 深圳开立生物医疗科技股份有限公司 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质
EP3919123A1 (en) 2020-06-05 2021-12-08 RaySearch Laboratories AB Radiation therapy treatment planning
US11654299B2 (en) * 2020-07-02 2023-05-23 Siemens Healthineers International Ag Methods and apparatus pertaining to radiation treatment plans
US12094582B1 (en) 2020-08-11 2024-09-17 Health at Scale Corporation Intelligent healthcare data fabric system
US12080428B1 (en) 2020-09-10 2024-09-03 Health at Scale Corporation Machine intelligence-based prioritization of non-emergent procedures and visits
US11992702B2 (en) 2020-09-21 2024-05-28 Elekta, Inc. Machine learning optimization of fluence maps for radiotherapy treatment
CN112420142A (zh) * 2020-11-20 2021-02-26 上海梅斯医药科技有限公司 数据获取方法、装置、计算机设备和存储介质
US11848097B2 (en) 2020-12-17 2023-12-19 Evicore Healthcare MSI, LLC Machine learning models for automated request processing
JP7489667B2 (ja) 2021-03-30 2024-05-24 株式会社日立製作所 治療計画装置、治療計画生成方法及びコンピュータプログラム
AU2022289030A1 (en) * 2021-06-07 2023-11-16 DasiSimulations, LLC Systems and methods for optimizing medical interventions using predictive models
CN113499091B (zh) * 2021-08-19 2023-08-15 四川大学华西医院 一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统
WO2023072364A1 (en) * 2021-10-25 2023-05-04 Elekta Ab (Publ) Continuum radiotherapy treatment planning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267858A (zh) * 2005-07-22 2008-09-17 断层放疗公司 根据生物学模型修改放射疗法治疗计划的方法和系统
US20100057651A1 (en) * 2008-09-03 2010-03-04 Siemens Medicals Solutions USA, Inc. Knowledge-Based Interpretable Predictive Model for Survival Analysis
CN102365111A (zh) * 2009-03-27 2012-02-29 皇家飞利浦电子股份有限公司 标志适配的正常组织并发症概率
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 (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430307B1 (en) 1996-06-18 2002-08-06 Matsushita Electric Industrial Co., Ltd. Feature extraction system and face image recognition system
US7630750B2 (en) * 2001-02-05 2009-12-08 The Research Foundation For The State University Of New York Computer aided treatment planning
US7206377B2 (en) * 2003-01-27 2007-04-17 Siemens Medical Solutions Usa, Inc. Predictive organ dynamics database and code
JP2007509644A (ja) * 2003-10-07 2007-04-19 ノモス・コーポレーシヨン 等角放射線治療のための計画システム、方法及び装置
US7362848B2 (en) 2005-06-27 2008-04-22 Accuray Incorporated Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans
US20080008291A1 (en) 2006-07-06 2008-01-10 Varian Medical Systems International Ag Spatially-variant normal tissue objective for radiotherapy
US8032308B2 (en) 2008-03-13 2011-10-04 Siemens Medical Solutions Usa, Inc. Modeling lung cancer survival probability after or side-effects from therapy
US20090234628A1 (en) 2008-03-14 2009-09-17 Siemens Medical Solutions Usa, Inc. Prediction of complete response given treatment data
WO2010045463A2 (en) * 2008-10-15 2010-04-22 Government Of The United States As Represented By The Secretary Of The Army Clinical decision model
US7986768B2 (en) 2009-02-19 2011-07-26 Varian Medical Systems International Ag Apparatus and method to facilitate generating a treatment plan for irradiating a patient's treatment volume
US8121252B2 (en) 2009-03-11 2012-02-21 Varian Medical Systems, Inc. Use of planning atlas in radiation therapy
US8688618B2 (en) 2009-06-23 2014-04-01 The Johns Hopkins University Method and system for determining treatment plans
JP5706901B2 (ja) * 2009-10-06 2015-04-22 コーニンクレッカ フィリップス エヌ ヴェ 放射線量の遡及的計算、及び改善された治療プランニング
JP5767242B2 (ja) 2009-12-16 2015-08-19 コーニンクレッカ フィリップス エヌ ヴェ 処理方法及び画像処理装置
US8976929B2 (en) 2010-07-16 2015-03-10 Duke University Automatic generation of patient-specific radiation therapy planning parameters
JP6018077B2 (ja) * 2010-12-20 2016-11-02 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 初回放射線治療計画を自動生成するためのシステムおよび方法
US9679110B2 (en) 2011-06-03 2017-06-13 Washington University Developing predictive dose-volume relationships for a radiotherapy treatment
US8774358B2 (en) 2011-09-28 2014-07-08 Varian Medical Systems, Inc. Radiation therapy treatment plan improvement through use of knowledge base
US20130085343A1 (en) 2011-09-30 2013-04-04 Lasse Toimela Semantic radiation treatment plan optimization guidance
WO2015042727A1 (en) 2013-09-30 2015-04-02 Varian Medical Systems International Ag Predicting achievable dose distribution using 3d information as an input
US10046177B2 (en) 2014-06-18 2018-08-14 Elekta Ab System and method for automatic treatment planning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267858A (zh) * 2005-07-22 2008-09-17 断层放疗公司 根据生物学模型修改放射疗法治疗计划的方法和系统
US20100057651A1 (en) * 2008-09-03 2010-03-04 Siemens Medicals Solutions USA, Inc. Knowledge-Based Interpretable Predictive Model for Survival Analysis
CN102365111A (zh) * 2009-03-27 2012-02-29 皇家飞利浦电子股份有限公司 标志适配的正常组织并发症概率
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 (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767947A (zh) * 2017-09-28 2018-03-06 北京全域医疗技术有限公司 放疗计划评估方法及装置
CN109771842A (zh) * 2017-11-10 2019-05-21 北京连心医疗科技有限公司 基于机器学习的云放疗质量控制方法、设备和存储介质
CN109801696A (zh) * 2017-11-17 2019-05-24 北京连心医疗科技有限公司 一种人工智能的云放疗计划方法、设备、存储介质和系统
CN107785068A (zh) * 2017-11-20 2018-03-09 深圳市医诺智能科技发展有限公司 治疗计划系统与医用加速器的数据传输方法及接口平台
CN107715314A (zh) * 2017-11-20 2018-02-23 徐榭 基于深度学习的放射治疗系统及方法
CN107785068B (zh) * 2017-11-20 2021-04-23 深圳市医诺智能科技发展有限公司 治疗计划系统与医用加速器的数据传输方法及接口平台
CN110418665B (zh) * 2017-12-30 2021-06-29 上海联影医疗科技股份有限公司 放射治疗计划的自适应系统、存储介质
CN110418665A (zh) * 2017-12-30 2019-11-05 上海联影医疗科技有限公司 放射治疗计划的自适应系统、存储介质以及装置
CN112041026B (zh) * 2018-04-30 2023-02-28 医科达有限公司 用于生成放射疗法剂量分布的方法和系统
CN112041026A (zh) * 2018-04-30 2020-12-04 医科达有限公司 使用生成式对抗网络的放射疗法治疗计划建模
US11557390B2 (en) 2018-04-30 2023-01-17 Elekta, Inc. Radiotherapy treatment plan modeling using generative adversarial networks
CN109166613A (zh) * 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法
CN109248385A (zh) * 2018-08-20 2019-01-22 北京东方瑞云科技有限公司 基于蒙特卡洛树搜索的放射治疗计划优化系统及方法
US11865366B2 (en) 2018-10-18 2024-01-09 Siemens Healthineers International Ag Streamlined, guided on-couch adaptive workflow
US11583700B2 (en) 2018-10-18 2023-02-21 Siemens Healthineers International Ag Streamlined, guided on-couch adaptive workflow
CN111068187B (zh) * 2018-10-18 2024-03-12 西门子医疗国际股份有限公司 用于执行适应性放射疗法阶段的自动化工作流的系统
CN111068187A (zh) * 2018-10-18 2020-04-28 瓦里安医疗系统国际股份公司 流线型引导式榻上适应性工作流
CN109637669A (zh) * 2018-11-22 2019-04-16 中山大学 基于深度学习的治疗方案的生成方法、装置及存储介质
CN109350092A (zh) * 2018-12-06 2019-02-19 余姚德诚科技咨询有限公司 发生强度选择平台
CN110232964B (zh) * 2019-06-04 2023-11-14 苏州雷泰智能科技有限公司 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
CN110232964A (zh) * 2019-06-04 2019-09-13 苏州雷泰智能科技有限公司 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
CN112242936B (zh) * 2019-07-19 2024-02-09 瞻博网络公司 用于回放和调试网络设备的实时状态的装置、系统和方法
CN112242936A (zh) * 2019-07-19 2021-01-19 瞻博网络公司 用于回放和调试网络设备的实时状态的装置、系统和方法
CN110705103A (zh) * 2019-09-30 2020-01-17 中国人民解放军海军工程大学 一种伽玛型通用件的备件保障概率计算方法及装置
CN110705103B (zh) * 2019-09-30 2022-06-14 中国人民解放军海军工程大学 一种伽玛型通用件的备件保障概率计算方法及装置
CN111312341B (zh) * 2020-01-17 2022-06-28 中南大学湘雅三医院 华法林剂量预测方法及预测装置
CN111312341A (zh) * 2020-01-17 2020-06-19 中南大学湘雅三医院 华法林剂量预测方法及预测装置
US11896847B2 (en) 2020-02-07 2024-02-13 Elekta, Inc. Adversarial prediction of radiotherapy treatment plans
CN111833988A (zh) * 2020-07-14 2020-10-27 北京安德医智科技有限公司 放射参数确定方法及装置、电子设备和存储介质
CN111833988B (zh) * 2020-07-14 2024-02-06 北京安德医智科技有限公司 放射参数确定方法及装置、电子设备和存储介质
CN115968497A (zh) * 2020-08-20 2023-04-14 上海联影医疗科技股份有限公司 放射治疗的系统和方法
WO2022036631A1 (en) * 2020-08-20 2022-02-24 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for radiotherapy
US12133992B2 (en) 2023-12-04 2024-11-05 Siemens Healthineers International Ag Streamlined, guided on-couch adaptive workflow

Also Published As

Publication number Publication date
JP6620116B2 (ja) 2019-12-11
US10046177B2 (en) 2018-08-14
US20180311510A1 (en) 2018-11-01
WO2015193776A1 (en) 2015-12-23
JP2017522097A (ja) 2017-08-10
RU2684173C2 (ru) 2019-04-04
US20150367145A1 (en) 2015-12-24
RU2017101161A3 (zh) 2018-07-18
CN107072624B (zh) 2020-11-06
US10765888B2 (en) 2020-09-08
AU2015275750B2 (en) 2019-04-11
AU2015275750A1 (en) 2016-12-01
RU2017101161A (ru) 2018-07-18
EP3157627B1 (en) 2022-12-21
EP3157627A1 (en) 2017-04-26

Similar Documents

Publication Publication Date Title
US10765888B2 (en) System and method for automatic treatment planning
CN109069858B (zh) 一种放射治疗系统及计算机可读存储装置
US10507337B2 (en) Radiotherapy treatment plan optimization workflow
AU2018380124B2 (en) Determining beam model parameters using deep convolutional neural networks
RU2696428C2 (ru) Система и способ отслеживания целевого объекта с использованием показателя качества во время лучевой терапии
US20210016109A1 (en) Radiotherapy treatment plans using differentiable dose functions
US11358003B2 (en) Generation of realizable radiotherapy plans
CN116391234A (zh) 放射治疗的注量图的机器学习优化
CN114401768A (zh) 使用机器学习的放射疗法治疗计划优化
US11141609B2 (en) Dose guided real-time adaptive radiotherapy
CN115666717A (zh) 用于导出和利用虚拟体积结构来预测在实施治疗的放射时的潜在碰撞的方法和装置
GB2627771A (en) Machine learning approach to segmentation of an organ image

Legal Events

Date Code Title Description
PB01 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