CN107278303A - 基于形状的初始化以及渐进式自动计划的qa - Google Patents

基于形状的初始化以及渐进式自动计划的qa Download PDF

Info

Publication number
CN107278303A
CN107278303A CN201580065654.5A CN201580065654A CN107278303A CN 107278303 A CN107278303 A CN 107278303A CN 201580065654 A CN201580065654 A CN 201580065654A CN 107278303 A CN107278303 A CN 107278303A
Authority
CN
China
Prior art keywords
target
disposal
plan
dosage
disposal plan
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
CN201580065654.5A
Other languages
English (en)
Other versions
CN107278303B (zh
Inventor
K·A·布兹杜泽克
P·库马尔
T·麦克纳特
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.)
Koninklijke Philips NV
Johns Hopkins University
Original Assignee
Koninklijke Philips Electronics NV
Johns Hopkins 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 Koninklijke Philips Electronics NV, Johns Hopkins University filed Critical Koninklijke Philips Electronics NV
Publication of CN107278303A publication Critical patent/CN107278303A/zh
Application granted granted Critical
Publication of CN107278303B publication Critical patent/CN107278303B/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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

一种用于自动地生成放射治疗处置计划的系统和方法，包括一个或多个处理器，所述一个或多个处理器被配置为采集特定于对象的风险器官和靶体积的几何形状，并且使用基于形状的算法来针对与所述对象类似的几何形状挖掘(152)先前地构建的处置计划的知识库(38)。所述系统和方法接合(154)来自具有类似几何形状的规划的剂量测定信息作为患者特定起始点，用于导致更少的迭代的近渐式调谐优化算法。所述渐进式调谐算法(156、158、162)生成经优化的处置计划。经优化的所述计划是相对于处置目标来评价的。生成(164)折衷计划以根据未满足的处理目标创建备选计划。

Description

基于形状的初始化以及渐进式自动计划的QA
技术领域
本申请总体涉及放射治疗。其具体结合放射治疗计划应用，并且将具体参考其进行描述。然而，应理解到，其也适用于其他使用场景并且不一定限于前述应用。
背景技术
在放射治疗计划中，创建患者特定的处置计划可以是耗费时间并且繁琐的任务。许多步骤是冗余的并且从患者到患者或从计划到计划很少变化。许多这些步骤可以使用宏语言或脚本自动化，但是某些方面在没有用于写逻辑表达式、循环和其他常见编程功能性的工具的情况下是困难的。
在过去十年中，技术进步已经提供了强度调制辐射治疗(IMRT)、强度调制质子治疗(IMPT)等的领域中的大的跳跃，以改进剂量递送。难以在当前处置计划中自动化的一个领域是强度调制放射治疗(IMRT)或体积调制弧治疗(VMAT)优化。最近地，研究兴趣已经向自动化被包括在计划生成中的各种任务、从射束放置开始到剂量优化、辅助并且降低临床用户的工作量负担的方法移动。优化是用户尝试指定以剂量的形式的计划目标或生物目标以创建对靶结构的理想剂量(通常地一致的高剂量)并且最小化对紧要结构的剂量的迭代过程。
计划评价被分类为三个阶段：1.物理评价，2.技术评价以及3.临床评价。计划的物理和技术方面通常在计划的完成之后由技术人员检查。计划的临床方面由放射肿瘤医师研究。当前，IMRT计划是基于覆盖计划的物理、技术和临床方面的五个类别来评价的：1.几何分析，2.剂量分布分析，3.剂量体积直方图(DVH)分析，4.参数分析以及5.递送能力分析。
几何分析被执行以评价射束放置的最佳性。射束放置是非常重要的步骤。优化的质量由射束的数目和其角度影响。针对IMRT中的最佳射束放置，鉴于增加IMRT计划的最佳性和递送能力，规则已经被公式化。
剂量分布分析定性地验证横截面、冠状面和矢状面中的剂量分布的最佳性。该分析还可以分离为2D分析和3D分析。2D剂量分布分析需要逐切片的对剂量分布的评价。该类型的分析被用于评价规定剂量关于每个切片中的靶体积的符合性。该类型的分析还可以揭示靶体积中和周围的冷点或热点的分布。冷点或热点是接收比预期辐射剂量更少或更多的靶和风险器官内的区域。3D分布分析在确定关于一组射束取向剂量分布对于总体靶体积有多符合时是有用的。
剂量体积直方图(DVH)是用于评价计划的最佳性的强大的工具。DVH图形2维格式表示3维剂量分布。靶体积的DVH关于覆盖、一致性和均匀性图形地表示剂量分布的质量。风险器官(OAR)的DVH曲线表示关于平均和最大剂量分配OAR的效率。
参数分析被执行以定量地验证剂量的最佳性。在该分析中使用的参数是：(a)针对靶体积和OAR的最小、平均和最大剂量以及(b)针对靶体积的覆盖、一致性和均匀性指数。除用于计划评价的物理度量外，多个生物度量被使用在计划评价中。这些生物度量包括等效均匀剂量(EUD)、肿瘤控制概率(TCP)和正常组织并发症概率(NTCP)等。
执行递送能力分析以便评价计划在剂量递送方面有多鲁棒。该分析包含参数的验证，诸如分割数量、每分割的最小或平均监测单元(MU)、最小分割面积(MSA)、总递送时间等。MU是放射治疗中的线性加速器的机器输出的度量。递送能力分析揭示计划是否是实际可递送的。
计划生成的各种阶段已经利用不同的技术自动化。这些技术通过自动化计划生成过程(诸如剂量目标操纵和IMRT/VMAT优化)来降低临床用户(即，辐射技术人员)的负担。给定放射治疗处置计划生成所涉及的复杂性，用户想要一定量的手动控制和检查但是其同时停止这些技术完全自动是必要的。当前自动计划方案提供用户定义模板的一个时间配置，其可以稍后应用于新患者以自动地生成处置计划。
特别地，由于针对相同用户从患者到患者最好的定义是主观并且可变的，因而确定满足目标的最好计划是困难的。在计划生成之后，用户权衡靶目标与风险目标处的器官之间的各种折衷并且针对每个患者决定什么是可接受的。对折衷的理解已经是若干技术的焦点。然而，关于该方法的一个问题在于，用户具有比所需要的多得多的灵活性，这使得工作流对内科医师太一般化并且较少聚焦。本申请总体涉及医学成像。其具体结合正电子发射断层摄影(PET)探测器的校准应用，并且将具体参考其进行描述。然而，应理解到，其也适用于其他使用场景并且不一定限于前述应用。本申请组合利用优化参数的渐进式调谐初始化辐射处置计划优化参数的基于形状的方法。其还使用基于形状的DVH预测标识潜在的折衷并且提供计划质量QA。
使用基于形状的方法确定优化参数是受限的，使得所检索的参数仅是在先验计划(或模型)中使用的那些并且要求针对期望的处理的类型可用的特定知识。知识源不一定是最佳的或驱动到极限。然而，基于形状的方法获取在批准的计划中做出的折衷并且是相对快速的。
优化参数的渐进式调谐具有以下限制：初始条件对于每个患者而言相同并且可能花费大量的时间来实现最后的方案。然而，算法努力将优化参数驱动到极限。
发明内容
利用渐进式调谐使用基于形状的优化参数将提供一种全部相对快速地获取折衷、当存在足够的知识时移除定义一般优化目标的需要并且将优化参数驱动到极限的方法。其还提供用于折衷计划生成和质量保证的机制。
根据一个实施例，一种用于生成最佳处置计划的治疗规划系统，所述系统包括至少一个处理器，所述至少一个处理器被编程为：接收多个处置计划目标；基于所述多个目标来优化多个处置规划参数以生成处置计划；重新制定所述多个目标，包括以下中的至少一项，修改所述多个目标的参数和/或将一个或多个额外目标添加到所述多个目标；并且基于经重新制定的多个目标来重复所述优化以生成经重新制定的处置计划。
根据本申请的一个优选的方法，一种用于生成最佳处置计划的方法，包括：接收多个处置计划目标；基于所述多个目标优化所述多个处置规划参数以生成处置计划；重新制定所述多个目标，包括以下中的至少一项，修改所述多个目标的参数和/或将一个或多个额外目标添加到所述多个目标；并且基于经重新制定的所述多个目标重复所述优化以生成经重新制定的处置计划。
根据本申请的另一实施例，一种具有一个或多个处理器的处置规划系统，所述一个或多个处理器被编程为：通过基于OAR与靶之间的形状关系在知识库中进行查找来确定初始优化目标；在当前患者的形状关系和所述知识库上执行基于形状关系的算法以利用类似形状关系找到先前地生成的计划并且检索归档的剂量体积直方图；基于所述归档的剂量体积直方图来确定优化目标；利用渐进式算法优化所述处置计划目标以生成经优化的处置计划；并且将经优化的所述处置计划与所述知识库中的先前生成的计划的处置计划目标进行比较；并且将最终计划存储在所述知识库中。
一个优点是对于内科医师而言流水线式的处置计划分析。
另一优点在于，所述计划是基于所述知识库中获取的折衷来优化的。
另一优点在于，渐进式算法的更少的迭代是必要的，这导致增加的效率。
另一优点在于，IMRT/VMAT计划复杂性被降低。
另一优点在于，可以容易地创建可递送的折衷计划，其提供在临床目标未由初始优化计划满足时的备选计划。
本领域技术人员在阅读和理解了以下详细说明之后，将领会到更进一步的优点。
附图说明
图1描绘了实现用于自动化计划生成的经改进的方法的IMRT规划系统；
图2描绘了用于生成治疗计划的方法；并且
图3描绘了具有拐点的DVH曲线。
具体实施方式
参考图1，治疗系统10(诸如强度调制放射治疗(IMRT)系统或体积调制弧治疗(VMAT)系统)包括生成患者的感兴趣区域的一个或多个规划图像的成像系统12。图像体积(即，规划图像)是体积的(即，三维的)并且通常被存储在治疗系统10的规划图像存储器14中。感兴趣区域包括一个或多个靶结构并且通常地一个或多个临床结构或风险器官(OAR)。靶结构中的每个是要被辐射的病变或其他组织区域(诸如肿瘤)。紧要结构中的每个是有风险被旨在用于靶结构的辐射的损害的器官或其他组织区域，所述辐射例如是行进到靶结构的辐射，其已经穿过靶结构或其接近地经过靶结构附近。
成像系统12使用一个或多个成像模态(例如计算机断层摄影(CT)、正电子发射断层摄影(PET)、磁共振(MR)、单光子发射计算机断层摄影(SPECT)、锥形束计算机断层摄影(CBCT)等)来生成规划图像。因此，成像系统12包括对应于成像模态的一个或多个扫描器16以及将来自扫描器的原始图像数据重建为规划图像的后端系统。在所图示的实施例中，成像系统12使用例如CT来生成规划图像，并且包括CT扫描器16。
治疗系统10的规划系统14包括规划图像上生成患者的最佳处置计划，规划图像通常从规划图像存储器14接收。最佳处置计划适合地包括多个处理部分，其各自识别针对靶结构的规划靶体积(PTV)、靶结构周围的裕度、针对靶结构的剂量概况、针对紧要结构的剂量限制以及治疗射束方向和强度，并且通常被存储在治疗系统10的处置计划存储器20中。规划系统18包括至少一个处理器22和至少一个程序存储器24。程序存储器24包括处理器可执行指令，所述处理器可执行指令在由处理器22运行时生成最佳处置计划。处理器22运行处理器可执行指令以生成最佳处置计划。规划系统18还包括至少一个系统总线26，系统总线26将处理器22、程序存储器24和规划系统18的任何其他部件互连。
控制模块、计算机例程、处理器、处理器可执行指令的类似单元28控制规划系统18的总体操作，其包括最佳处置计划的生成。控制模块28适合地使用规划系统18的显示设备30将图形用户接口(GUI)显示给规划系统18的用户。而且，控制模块28适合地允许用户使用规划系统18的用户输入设备32与GUI交互。例如，用户可以与GUI交互以指定参数，控制最佳处置计划的生成。特别地，用户经由用户输入设备32来指定定位在规划图像存储器14上的图像体积内的感兴趣区域和风险器官和其他独特的参数。在一个实施例中，使用用于存储用户定义的临床目标的存储器。显示设备30还显示折衷值、满足的和未满足的目标、以及折衷的特定区域的视觉呈现。
治疗射束设置模块、计算机或软件例程、处理器、或者处理器的类似单元34对被用于治疗递送的一个或多个治疗射束进行配置。这可以自动地和/或手动地执行。关于自动治疗射束设置，适当的例程被用于对配置治疗射束的参数自动地进行配置。还应预期到，可以使用自动治疗射束设置和手动治疗射束设置的组合来执行治疗射束设置。射束放置是使用射束角优化或选择方法以及标准临床实践中所遵循的射束配置来实现的，例如对于头部和颈部而言，标准相等间隔的7-9射束共面配置通常是足够的。额外地提供接受从用户输入的射束的数目的也是可能的，在该情况下，系统仅对射束角进行优化。在自动计划结果不是如所期望的情况下，射束放置的迭代调节也是可能性。自动地配置的参数可以然后使用显示设备30被显示给用户并且用户可以视情况使用用户输入设备32修改射束参数。
一旦参数最后定下来，则自动规划模块、计算机或软件例程、处理器等36生成候选处置计划。自动规划模块36包括接收输入参数用于生成处理参数。输入参数包括规划图像内的结构(即，靶结构和通常地临床结构)的边界以及治疗射束配置参数，其是使用治疗射束设置模块34来确定的。
自动规划模块36操作性地耦合到机器学习数据库38。机器学习数据库38是存储先前生成的放射治疗计划的知识库，其包括靶体积、OAR、患者特性、剂量测定信息等。
参考图2，自动规划模块36使用基于形状的算法来获取OAR与靶体积之间的形状关系。形状关系被用于匹配己经针对具有类似几何形状的患者创建的计划152。自动规划模块36确定靶体积与OAR之间的交叠并且将接近度信息表征为诸如交叠体积直方图(OVH)的形状度量。自动规划模块36针对具有相类的形状度量的计划搜索机器学习数据库38。自动规划模块36根据匹配的几何形状和计划来构建剂量体积直方图(DVH)值154。从现有的计划信息和模板的机器学习数据库38检索DVH值或与OAR有关的其他剂量测定信息。参考图3，可以从DVH曲线204中的拐点202导出剂量体积目标。取决于针对OAR的目标，还可以使用DVH的其他特性，例如平均剂量、等效均匀剂量(EUD)、最大剂量等。在一个实施例中，不同的数据挖掘算法被用于寻找机器学习数据库38中的类似计划。
自动规划模块36将剂量体积目标154接合到渐进式优化算法作为初始起始点而非目标的固定模板。通常地，渐进式算法将固定模板用作初始起始点并且然后在大量的迭代之后创建患者特定有计划。在本申请中，自动规划模块36接合匹配的计划，特别是DVH值，从基于形状的算法变为渐进式算法，以生成优化的放射治疗计划。渐进式算法将基于形状的算法输出用作患者特定起始点并且对输出迭代地操作以生成最佳处置计划。基于形状的算法输出提供针对渐进式算法的更好的定义起始点，其导致渐进式算法的减少的迭代并且节省处理能力和时间。
渐进式算法根据基于形状的算法渐进地改进剂量目标的集合以朝着复多维空间中的最佳方案驱动逆向计划优化。最佳处置计划通常被存储在治疗系统10的处置计划存储器20中。
继续参考图2，渐进式算法包括逆向计划优化156以生成处置计划。逆向计划优化例程可以是任何数目的众所周知的例程。目标是将到临床结构和其他非靶结构的剂量降低到仅在靶结构的显著的覆盖被折衷之前的点，同时维持靶结构的预期剂量覆盖。
逆向计划优化例程包括确定针对剂量目标中的每个的调谐力。调谐力基于以下各项中的一项或多项：剂量、权重、当前值(即，对优化器的方案的目标评估)和任何数目的生物参数(诸如“a”值)。如果调谐力对应于紧要结构，则调谐力将对应的区域的剂量推向更低的水平。然而，如果调谐力对应于靶结构，则调谐力将对应的区域的剂量推向靶结构的剂量概况。然后基于比较做出关于临床目标是否得以满足的确定。例如，只要处置计划与临床目标之间的相似性超过预定水平，处置计划就表示最佳处置计划。否则，重新制定剂量目标。
在处置计划被生成之后，将处置计划与临床目标(诸如结构或均匀性指数的剂量剖面)相比较158以定量地评估处置计划多好地实现临床目标。比较和定量评估可以例如通过被设计为对处置计划多好地实现临床目标进行评分的评分例程来执行。临床目标被合并到规划参数中或否则由规划参数定义。然后关于临床目标是否基于比较158得以满足来做出确定160。例如，只要处置计划与临床目标之间的相似性超过预定水平，处置计划就表示最佳处置计划。否则，重新制定162剂量目标。
重新制定剂量目标通过驱动调谐力同时维持平衡状态而向最佳方案引导(按照用户优先级)。如果紧要结构不满足临床目标，则对应的剂量目标的调谐力被调节向更低的剂量或权重。否则，调谐力基于紧要结构的优先级和临床指南要求来调节以实现最佳折衷。
为了重新制定剂量目标，确定目标函数中的每一个的当前值。如上文所指出的，当前值是针对优化器的方案(即，处置计划)的目标评估。当前值与例如由使用用户输入设备的用户所指定的预定收敛值相比较。如果当前值小于预定收敛值，则剂量目标的参数被修改为将剂量目标的当前值增加到近似预定收敛值。如果当前值大于预定收敛值，则剂量目标的参数被修改为将剂量目标的当前值减小到近似预定收敛值。
除了修改剂量目标的参数外，可以针对高优先级结构添加额外剂量目标和/或可以调节现有目标的权重。例如，目标可以被添加以实现对应的临床目标但不超过目标。作为另一范例，可以识别热点和/或冷点并且对应于这些点的目标可以被添加以实现到靶结构的适形剂量分布。作为另一范例，可以识别到靶结构外部的剂量溢出并且目标可以被添加以降低所识别的溢出。
在一些实施例中，由渐进式算法所生成的最佳处置计划不满足如由基于形状的算法阐述的每个目标和目的。折衷模块40使用临床目标和来自自动规划模块36的优化的处置计划来生成备选的折衷计划164。折衷模块40从自动规划模块36接收候选处置计划。折衷模块40相对于输入临床目标评价候选处置计划并且确定目标是否是令人满意的。如果目标是令人满意的，则选择优化的处置计划，而无需折衷模块40生成备选的折衷计划。
如果目标不是令人满意的，则生成备选计划以示出在每个目标或目标的组合是否得以满足的结果。由折衷模块40将候选计划与从知识库所检索的DVH和/或其他剂量信息进行比较。还使用关于数据库中的所有类似知识的统计。如果由针对OAR的计划所实现的剂量分配比由基于形状的算法所预测的剂量更差(或统计地显著地更差)，则该OAR是用于折衷分析的候选。呈现实现所预测的剂量的备选计划。如果当前计划基于当前知识改进，则知识库(或模型)被改进并且基线变得更严格。另外，折衷计划还可以被生成用于选择未满足的处理目标，如下面详细定义的。
如果折衷模块40确定处置计划不满足所有临床目标，那么执行折衷分析。用户检查由折衷模块40所做出的折衷确定。在一个实施例中，折衷模块40控制自动规划模块36以生成候选处置计划，其中，未满足的目标被约束为要被满足或更完全地满足。在另一实施例中，折衷模块将用户满足或不满足目标的确定显示在显示器上。用户还经由折衷分析使用用户输入探索备选的处置计划。在另一实施例中，由折衷模块40自动地选择风险器官。
用户具有输入针对特定目标的优先级排序的选项。在一个实施例中，优先级排序被分类(即，低、中和高)。在另一实施例中，优先级排序是相对数值(即，1-10)。用户可以通过用户输入32选择目标和优先级并且自动规划模块36尝试以更低的优先级目标作为代价满足更高的优先级目标。在一个实施例中，折衷模块40努力满足显著地在其他目标之上的未满足的目标以示出候选处置计划如何改变。在一个实施例中，优先级和所选择的风险器官被选择为预定的计划模板。
在一个实施例中，折衷模块40通过将已经生成的处置计划用作起始点生成至少一个备选计划来执行折衷分析。使用所生成的计划节省了从一开始重新创建计划的时间和努力。在一个实施例中，折衷模块40复制针对每个风险器官的或未满足或未选择的其他目标的原始所生成的计划。折衷模块40驱动优化算法以通过改变针对特定风险器官的优化参数满足或更接近地满足未满足的目标。一旦针对特定风险器官满足目标，则折衷模块40尝试满足针对剩余的风险器官的目标的剩余部分。在一个实施例中，折衷模块40尝试满足剩余的目标，同时优化以满足针对特定风险器官的目标。折衷模块40创建对应于针对每个所选择的风险器官的每个未满足的目标的多个备选折衷计划。所生成的折衷目标示出满足目标中的一个对针对靶和风险器官结构的目标的剩余部分的影响。在一个实施例中，针对未满足的风险器官目标的组合生成折衷计划。
在折衷计划被生成之后，折衷模块40执行用于将计划彼此比较的另外的折衷分析。用户使用计划比较特征(例如DVH交叠或并排式试验剂量)来评价折衷目标中的折衷。在一个实施例中，通过使用混合参数来控制内插的水平在两个剂量网格之间的内插创建用于计划的剂量估计。
在一个实施例中，用户从备选折衷计划或候选计划中的一个中进行选择以递送给患者。在另一实施例中，最后的计划是由折衷模块40自动地选择的。在计划被选择之后，折衷模块40任选地利用用于使用在未来IMRT计划中的所选择的计划来更新机器学习数据库38。例如，在针对风险器官的目标未被满足时，被存储在数据库中的所选择的计划可以被用作未来的已经生成的折衷计划。
递送系统42运行所选择的处置计划以将治疗(诸如消融治疗、外部射束放射治疗和/或近距离治疗)递送给患者。治疗通常包括辐射，诸如以下各项中的一项或多项：X射线、质子、高强度聚焦超声(HIFU)等。递送系统42包括递送装置44(诸如线性粒子加速器)和控制系统46，其根据最佳处置计划控制递送装置44。最佳处置计划通常从处置计划存储器20接收，但是预期其他源。
将理解到，用户可以通过在步骤的一些或全部之后确认自动地所确定的选择来练习对自动计划生成的增加的控制。如本文所使用的，存储器包括以下中的一项或多项：非瞬态计算机可读介质；磁盘或其他磁存储介质；光盘或其他光存储介质；随机存取存储器(RAM)、只读存储器(ROM)、或其他电子存储器设备或芯片或操作性地互连的芯片的集合；可以经由互联网/内联网或局域网从其检索所存储的指令的互联网/内联网服务器；等等。而且，如本文所使用的，处理器包括以下各项中的一项或多项：微处理器、微控制器、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)等；控制器包括：(1)处理器和存储器，处理器运行存储器上的实现控制器的功能的计算机可执行指令；或(2)模拟和/或数字硬件；用户输入设备包括以下各项中的一项或多项：鼠标、键盘、触摸屏显示器、一个或多个按钮、一个或多个开关、一个或多个切换器、语音识别引擎等；数据库包括一个或多个存储器；并且显示设备包括以下中的一项或多项：液晶显示器(LCD)、发光二极管(LED)显示器、等离子显示器、投影显示器、触摸屏显示器等。
虽然已经参考其示范性实施例描述了本公开的系统和方法，但是本公开不限于这样的示范性实施例。相反，在不脱离其精神或范围的情况下，本文所公开的系统和方法允许各种修改、增强和/或变型。因此，本公开实现并且涵盖在随附权利要求的范围内的这样的修改、增强和/或变型。

Claims (20)

1.一种用于生成最佳处置计划的治疗规划系统(18)，所述系统(18)：
至少一个处理器(36)，其被编程为：
接收(154)多个处置计划目标；
基于所述多个目标来优化(156)多个处置规划参数以生成处置计划；
重新制定(162)所述多个目标，包括以下中的至少一项：修改所述多个目标的参数以及将一个或多个额外目标添加到所述多个目标；并且，
基于经重新制定的多个目标来重复所述优化(156)以生成经重新制定的处置计划。
2.根据权利要求1所述的系统，其中，所述自动规划模块(36)被配置为：
访问知识库(38)并且执行对所述多个处置计划目标的基于形状的检索。
3.根据权利要求2所述的系统，其中，所述知识库(38)包括多个先前生成的处置计划；并且
至少一个处理器(36)还被编程为：
接收对象的诊断成像数据；
获取特定于所述对象的风险器官和靶体积的几何形状；
访问所述知识库(38)；
使用接近度信息、交叠和计算的形状度量来将所获取的几何形状匹配到从所述知识库(38)返回的先前生成的一个或多个处置计划；并且
根据所述先前生成的处置计划来构建对象特定的剂量测定信息。
4.根据权利要求1-3中的任一项所述的系统，其中，所述处理器(36)还被编程为：
接合所述剂量测定信息作为对象特定的处置计划目标用于优化，其中，所述接合包括计算一条或多条DVH曲线的拐点并且根据计算出的拐点来导出所述剂量测定信息。
5.根据权利要求1-4中的任一项所述的系统，其中，所述重新制定(162)和所述优化(156)被重复预定的迭代次数或者直到临床目标得以满足。
6.根据权利要求1-5中的任一项所述的治疗规划系统(18)，其中，所述优化(156)包括：
确定针对每个目标的调谐力，所述调谐力基于以下中的一项或多项：剂量、权重和当前值，所述当前值评估当前方案实现所述目标的程度；并且
调节对应于多个结构的区域的剂量，其中，对应于紧要结构的调谐力推向更低的剂量，而对应于靶结构的调谐力同时地推向均匀的或更高的剂量。
7.根据权利要求1-6中的任一项所述的系统，包括：
规划图像存储器(14)，其存储体积诊断图像；
用于存储临床目标的存储器(32)，其被配置用于用户输入定义风险器官的数据和关于递送到靶和风险器官的目标辐射剂量的临床目标；以及
所述一个或多个处理器(36、40)，其被配置为：
通过将所述目标辐射剂量与通过所述第一处置计划递送到所述风险器官中的每个的所述剂量进行比较来评价所述处置计划；
生成一个或多个后续处置计划，所述一个或多个后续处置计划约束所述临床目标以使所述目标辐射剂量与递送的辐射剂量之间的差异针对所述风险器官中的至少一个更加接近；并且
将第一处置计划和一个或多个后续处置计划显示给用户以从所述第一处置计划和至少一个后续处置计划中选择最终计划。
8.根据权利要求1-7中的任一项所述的系统，其中，所述处理器(36)还被配置为：
接收针对递送到所述风险器官中的每个的所述目标辐射剂量的优先级排序；并且
生成调节所述优先级排序的所述至少一个后续处置计划。
9.一种用于生成最佳处置计划的方法，包括：
接收(154)多个处置计划目标；
基于所述多个目标来优化(156)多个处置规划参数以生成处置计划；
重新制定(162)所述多个目标，包括以下中的至少一项：修改所述多个目标的参数并且将一个或多个额外目标添加到所述多个目标；并且
基于经重新制定的多个目标来重复所述优化(156)以生成经重新制定的处置计划。
10.根据权利要求9所述的方法，还包括：
访问知识库(38)；并且
执行对所述多个处置计划目标的基于形状的检索。
11.根据权利要求10所述的方法，其中，所述其中，所述知识库(38)包含多个先前生成的处置计划，并且所述方法还包括：
接收对象的诊断成像数据；
获取特定于所述对象的风险器官和靶体积的几何形状；
访问所述知识库(38)；
使用接近度信息、交叠和所计算的形状度量来将所获取的几何形状匹配到先前生成的一个或多个处置计划；并且
根据先前生成的所述处置计划来构建对象特定的剂量测定信息。
12.根据权利要求9-11中的任一项所述的方法，还包括：
接合所述剂量测定信息作为对象特定的处置计划目标用于优化，其中，所述接合包括计算一条或多条DVH曲线的拐点并且根据计算出的拐点来导出所述剂量测定信息。
13.根据权利要求9-12中的任一项所述的方法，其中，所述重新制定(162)和所述优化(156)被重复预定的迭代次数或者直到所述临床目标得以满足。
14.根据权利要求9-13中的任一项所述的方法，其中，其中，所述优化(156)包括：
确定针对每个目标的调谐力，所述调谐力基于以下中的一项或多项：剂量、权重和当前值，所述当前值评估当前方案实现所述目标的程度；并且
调节到对应于多个结构的区域的剂量，其中，对应于紧要结构的调谐力推向更低的剂量，而对应于靶结构的调谐力同时推向更高的剂量。
15.根据权利要求9-14中的任一项所述的方法，还包括：
通过将所述目标辐射剂量与通过第一处置计划递送到所述风险器官中的每个的剂量进行比较来评价所述处置计划；
生成一个或多个后续处置计划，所述一个或多个后续处置计划约束所述临床目标以使所述目的辐射剂量与所递送的辐射剂量之间的差异针对所述风险器官中的至少一个更加接近；
将所述第一处置计划和一个或多个后续处置计划显示给用户以从所述第一处置计划和至少一个后续处置计划中选择最终计划。
16.根据权利要求10-15中的任一项所述的成像方法，还包括：
接收针对递送到所述风险器官中的每个的所述目标辐射剂量的优先级排序；并且
生成调节所述优先级排序的所述至少一个后续处置计划。
17.一种承载有软件的非瞬态计算机可读介质，所述软件用于控制一个或多个处理器以执行根据权利要求9-16中的任一项所述的方法。
18.一种具有一个或多个处理器(36、40)的处置规划系统，其被配置为：
挖掘知识库(38)以产生形状关系；
对所述形状关系和所述知识库(38)执行基于形状的算法以找到类似于具有处置计划目标的所述形状关系的先前生成的计划；
利用渐进性算法优化所述处置计划以生成经优化的处置计划；并且
将经优化的所述处置计划与所述知识库(38)中的先前生成的计划的处置计划目标进行比较；并且
将最终计划存储在所述知识库(38)中。
19.根据权利要求1-3中的任一项所述的系统，其中，所述处理器(36)还被编程为：
接合所述剂量测定信息作为对象特定的处置计划目标用于优化，其中，所述接合包括计算一条或多条DVH曲线的拐点并且根据计算出的拐点来导出所述剂量测定信息。
20.根据权利要求18所述的系统，所述处理器(36、40)还被编程为：
生成折衷处置计划以满足用户选择的优先的目标；
将所述最终计划选择为经优化的处置计划或所生成的折衷处置计划中的一个。
CN201580065654.5A 2014-12-04 2015-12-03 一种用于生成最佳处置计划的治疗规划系统和方法 Active CN107278303B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462087264P 2014-12-04 2014-12-04
US62/087,264 2014-12-04
PCT/IB2015/059327 WO2016088075A1 (en) 2014-12-04 2015-12-03 Shape based initialization and qa of progressive auto-planning

Publications (2)

Publication Number Publication Date
CN107278303A true CN107278303A (zh) 2017-10-20
CN107278303B CN107278303B (zh) 2021-06-29

Family

ID=55066690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580065654.5A Active CN107278303B (zh) 2014-12-04 2015-12-03 一种用于生成最佳处置计划的治疗规划系统和方法

Country Status (5)

Country Link
US (1) US10603511B2 (zh)
EP (1) EP3227809B1 (zh)
JP (1) JP6845136B2 (zh)
CN (1) CN107278303B (zh)
WO (1) WO2016088075A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113453752A (zh) * 2019-02-21 2021-09-28 皇家飞利浦有限公司 调制电弧治疗(mat)计划中最优分割电弧的方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016144915A1 (en) * 2015-03-06 2016-09-15 Duke University Automatic determination of radiation beam configurations for patient-specific radiation therapy planning
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
WO2017153211A1 (en) * 2016-03-09 2017-09-14 Koninklijke Philips N.V. Pre-optimization method for quick prediction of achievability of clinical goals in intensity modulated radiation therapy
US10639501B2 (en) 2016-09-23 2020-05-05 Varian Medical Systems International Ag Creating treatment field using initial field and patient specific geometry and achievable dose
US10556125B2 (en) 2017-04-13 2020-02-11 Varian Medical Systems International Ag Knowledge based treatment planning corrected for biological effects
US10661097B2 (en) * 2017-09-21 2020-05-26 Varian Medical Systems, Inc. VMAT treatment planning using multicriteria optimization and a progressive optimization scheme
EP3486913A1 (en) * 2017-11-15 2019-05-22 Koninklijke Philips N.V. Evaluation of dose accuracy of radiation therapy treatment plans
US10493299B2 (en) * 2017-12-08 2019-12-03 Elekta, Inc. Determining parameters for a beam model of a radiation machine using deep convolutional neural networks
US11173322B2 (en) * 2018-12-31 2021-11-16 Varian Medical Systems International Ag Systems and methods for treatment planning using continuous quality metrics
JP7383391B2 (ja) * 2019-04-17 2023-11-20 キヤノンメディカルシステムズ株式会社 医用検査管理システム、オーダリングシステム及びプログラム
EP3744394A1 (en) * 2019-05-27 2020-12-02 Koninklijke Philips N.V. Intensity modulated particle therapy plan normalization scheme
FR3095332B1 (fr) * 2019-06-27 2023-07-21 Quantum Surgical Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond
US11529531B2 (en) 2020-06-09 2022-12-20 Siemens Healthineers International Ag Using reinforcement learning in radiation treatment planning optimization to locate dose-volume objectives

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060293583A1 (en) * 2005-06-27 2006-12-28 Saracen Michael J Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans
US20110153547A1 (en) * 2009-06-23 2011-06-23 The Johns Hopkins University System and method for shape based retrieval of prior patients for automation and quality control of radiation therapy treatment plans
CN102232835A (zh) * 2010-04-21 2011-11-09 清华大学 一种影像引导放射治疗的定位方法
CN103119626A (zh) * 2010-09-17 2013-05-22 皇家飞利浦电子股份有限公司 用于辐射治疗规划的具有实时轮廓片断影响绘制的轮廓勾画
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
US20130268547A1 (en) * 2010-12-16 2013-10-10 Koninklijke Philips N.V. System and method for clinical decision support for therapy planning using case-based reasoning
US20130272593A1 (en) * 2010-12-20 2013-10-17 Koninklijke Phillips N.V. System and method for automatic generation of initial radiation treatment plans
WO2013179221A1 (en) * 2012-05-29 2013-12-05 Koninklijke Philips N.V. Elasticity imaging-based methods for improved gating efficiency and dynamic margin adjustment in radiation therapy
WO2014068435A2 (en) * 2012-10-29 2014-05-08 Koninklijke Philips N.V. Automatic optimal imrt/vmat treatment plan generation.
CN103810670A (zh) * 2014-01-24 2014-05-21 兰州交通大学 基于cuda流和共享内存的dvh图并行统计方法
CN103857439A (zh) * 2011-09-30 2014-06-11 瓦里安医疗系统国际股份公司 语义放射治疗计划优化指导
WO2014167461A1 (en) * 2013-04-11 2014-10-16 Koninklijke Philips N.V. Isodose optimization

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7880154B2 (en) 2005-07-25 2011-02-01 Karl Otto Methods and apparatus for the planning and delivery of radiation treatments
EP2318970A2 (en) * 2008-08-15 2011-05-11 Koninklijke Philips Electronics N.V. Model enhanced imaging
US8180020B2 (en) 2008-10-23 2012-05-15 Accuray Incorporated Sequential optimizations for treatment planning
CA2813643C (en) 2010-10-06 2017-01-03 Thomas G. Purdie Methods and systems for automated planning of radiation therapy
US8774358B2 (en) 2011-09-28 2014-07-08 Varian Medical Systems, Inc. Radiation therapy treatment plan improvement through use of knowledge base
US20140378736A1 (en) * 2013-06-21 2014-12-25 Emory University Methods, systems and computer readable storage media storing instructions for generating a radiation therapy treatment plan

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060293583A1 (en) * 2005-06-27 2006-12-28 Saracen Michael J Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans
US20110153547A1 (en) * 2009-06-23 2011-06-23 The Johns Hopkins University System and method for shape based retrieval of prior patients for automation and quality control of radiation therapy treatment plans
CN102232835A (zh) * 2010-04-21 2011-11-09 清华大学 一种影像引导放射治疗的定位方法
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
CN103119626A (zh) * 2010-09-17 2013-05-22 皇家飞利浦电子股份有限公司 用于辐射治疗规划的具有实时轮廓片断影响绘制的轮廓勾画
US20130268547A1 (en) * 2010-12-16 2013-10-10 Koninklijke Philips N.V. System and method for clinical decision support for therapy planning using case-based reasoning
US20130272593A1 (en) * 2010-12-20 2013-10-17 Koninklijke Phillips N.V. System and method for automatic generation of initial radiation treatment plans
CN103857439A (zh) * 2011-09-30 2014-06-11 瓦里安医疗系统国际股份公司 语义放射治疗计划优化指导
WO2013179221A1 (en) * 2012-05-29 2013-12-05 Koninklijke Philips N.V. Elasticity imaging-based methods for improved gating efficiency and dynamic margin adjustment in radiation therapy
WO2014068435A2 (en) * 2012-10-29 2014-05-08 Koninklijke Philips N.V. Automatic optimal imrt/vmat treatment plan generation.
WO2014167461A1 (en) * 2013-04-11 2014-10-16 Koninklijke Philips N.V. Isodose optimization
CN103810670A (zh) * 2014-01-24 2014-05-21 兰州交通大学 基于cuda流和共享内存的dvh图并行统计方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109771843B (zh) * 2017-11-10 2021-10-22 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
CN113453752A (zh) * 2019-02-21 2021-09-28 皇家飞利浦有限公司 调制电弧治疗(mat)计划中最优分割电弧的方法

Also Published As

Publication number Publication date
EP3227809A1 (en) 2017-10-11
US20170259082A1 (en) 2017-09-14
US10603511B2 (en) 2020-03-31
WO2016088075A1 (en) 2016-06-09
EP3227809B1 (en) 2020-09-16
JP6845136B2 (ja) 2021-03-17
CN107278303B (zh) 2021-06-29
JP2017536190A (ja) 2017-12-07

Similar Documents

Publication Publication Date Title
CN107278303A (zh) 基于形状的初始化以及渐进式自动计划的qa
CN105120949B (zh) 用于自动最优imrt/vmat处置计划生成的系统
US10232192B2 (en) Efficient treatment plan trade-off analysis
CN105473182B (zh) 治疗规划的自动化
US9827445B2 (en) Automatic creation and selection of dose prediction models for treatment plans
US9507886B2 (en) Multi-objective radiation therapy optimization method
US10076673B2 (en) Interactive dose gradient based optimization technique to control IMRT delivery complexity
CN105451817A (zh) 用于自动估计自适应辐射治疗重新规划的效用的方法和系统
US20180111005A1 (en) Method of selecting beam geometries
US11607560B2 (en) System, computer program product and method for radiation therapy treatment planning
CN108697905B (zh) 放射治疗规划设备、方法和存储介质
CN117642211A (zh) 评估用于放射辐射处理计划的处理参数
CN117651586A (zh) 针对辐射处理计划中的不确定性的剂量率稳健性分析

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