CN107823806A

CN107823806A - 一种用于调强放射治疗直接子野优化的方法及系统

Info

Publication number: CN107823806A
Application number: CN201710831100.2A
Authority: CN
Inventors: 杨婕; 崔敏; 张鹏程; 桂志国; 宋胜涛; 李瀚涛; 姚林红
Original assignee: North University of China
Current assignee: North University of China
Priority date: 2017-09-15
Filing date: 2017-09-15
Publication date: 2018-03-23
Anticipated expiration: 2037-09-15
Also published as: CN107823806B

Abstract

本发明公开了一种用于调强放射治疗直接子野优化的方法，获取病人的基本信息；计算目标函数梯度矩阵，并利用模糊器消除噪声；利用自适应阈值分割原理生成新子野形状；优化子野权重，对已有的全部子野权重进行优化；优化子野形状，对已有的全部子野形状进行优化；输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息。本发明还公开了一种包含上述方法的用于调强放射治疗直接子野优化系统，包括信息获取模块，预处理模块，生成子野模块，优化子野权重模块，优化子野形状模块，信息输出模块。本发明解决了现有优化方法及系统得到子野形状精确度低及优化效率低的问题。

Description

一种用于调强放射治疗直接子野优化的方法及系统

技术领域

本发明属于放射治疗方案优化技术领域，具体涉及一种用于调强放射治疗直接子野优化的方法。本发明还提供一种包含上述方法的用于调强放射治疗直接子野优化的系统。

背景技术

放射治疗是治疗恶性肿瘤的三大主要手段之一。调强放射治疗(Intensity-modulated radiotherapy，IMRT)采用强度不均匀的射野照射靶区，在确保靶区接受到均匀的高剂量照射时，最大限度地减少周围正常器官的辐射风险，是当前最常用的临床放射治疗技术。传统的IMRT一般采用“两步法”：先优化注量图(fluence map optimization,FMO)得到最优强度分布，再将最优强度分布分割成多叶准直器(multileaf collimator,MLC)序列。“两步法”的缺点在于优化注量图时并未考虑MLC约束，降低了剂量分布的适形度。为了克服了“两步法”照射强度分布与最优强度分布之间不一致的缺点，直接子野优化(directaperture optimization,DAO)通过逆向计划直接对子野的形状和权重进行优化，得到满足MLC约束的子野，降低了治疗的不确定性，从而成为近几年较热门的IMRT优化方法。

子野形状生成算法是DAO方法中最为关键的步骤，决定着DAO方法是否成功。目前常用的子野形状生成算法分三种。第一种据患者射野方向视图上肿瘤部位和周围危及器官的解剖结构确定每个子野的初始形状，再利用优化算法迭代优化子野形状和子野权重，从而得到可以直接交付的治疗方案，具体可以参加期刊文章：Sun J et al.“Two-stepintensity modulated arc therapy(2-step IMAT)with segment weight and widthoptimization”.Radiation Oncology,2011,6(1):57。但由于子野形状和患者体内解剖结构之间的关系非常复杂，导致在首次迭代中产生大量的子野且所生成的子野形状精度不够准确，增加了方案优化所需的时间，从而只能产生折中的治疗方案。第二种方法首先优化子射束强度，然后将其分割成子野形状，此方法类似于“两步法”，由于硬件约束难以实现最优方案。第三种是近年来备受关注的列生成方法^[10-13]。它在每次迭代中将最大程度地减小目标函数值并且同时满足放疗设备的机械约束条件的子野形状加入到当前治疗方案中。这种可以保证得到的优化结果是全局最优的，但是这种方法中的子野形状生成算法的计算量是非常大的，增加了方案优化所需的时间。

发明内容

本发明要解决现有技术的不足，提供了一种能够更加准确并快速地生成治疗方案中子野形状的用于调强放射治疗直接子野优化的优化方法。

本发明为了实现上述目的所采用的技术方案是：

一种用于调强放射治疗直接子野优化的方法，获取病人基本信息，所述病人基本信息包括三维密度信息、器官勾画信息、治疗头信息，目标函数信息，以及目标函数中所使用器官的DV限制参数；根据获取的病人基本信息，计算剂量沉积矩阵，根据剂量沉积矩阵及目标函数计算目标函数梯度矩阵，并利用模糊器消除噪声；利用自适应阈值分割原理生成新子野形状；优化子野权重，在新子野形状满足条件时，则对已有的全部子野权重进行优化；优化子野形状，在新子野形状不满足条件时，则对已有的全部子野形状进行优化；输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息。

进一步地，所述病人的三维密度信息通过硬件设备进行成像获得；器官勾画信息通过勾画方式在病人三维密度信息上进行勾画获取；所述治疗头信息依据勾画信息进行设置，所述治疗头信息包括完整的治疗头形状结构、参数信息、照射方向及等中心位置；所述目标函数由子目标函数加权求和组成，所述子目标函数包括最大剂量子目标函数、最小剂量子目标函数、均匀剂量子目标函数、DVH子目标函数、等效均一剂量子目标函数、肿瘤控制率子目标函数和正常组织并发症概率子目标函数。优选的，所述硬件设备为螺旋CT；所述勾画方式通过物理师或勾画软件进行勾画。

更进一步地，所述目标函数设置为

子函数表达式如下：

其中，H(x)为阶段函数。V_r是器官内所包含的体素数，d_i是第i个体素接受到的计量值，d^min是靶区最小剂量，d^mean是靶区平均剂量。d₁是临床规定中危及器官x％体积最多可以接受到的剂量，而d₂是当前计算中危及器官x％体积实际接受到的剂量。

进一步地，所述剂量沉积矩阵是根据病人的三维密度信息、器官勾画信息、等中心点和照射方向信息来确定每个方向需要计算的射束，根据病人的密度信息和治疗头信息，通过剂量计算引擎计算每个射束的剂量分布，从而获得剂量沉积矩阵。

进一步地，所述采用模糊器将目标函数梯度矩阵转化为梯度图G_b(m，n)，表达式为：

G_b(m，n)＝g_b(m，n)+g_avgb(m，n)

其中g_b(m，n)表示目标函数关于子射束a_mnb的梯度，g_avgb(m，n)表示子射束a_mnb的平均梯度。

进一步地，所述利用自适应阈值分割原理生成新子野形状是通过计算模糊后矩阵的自适应阈值，并利用阈值进行非小数抑制，对非小数抑制后的矩阵采用最大连通区域方法设置左右叶片位置，设置完后进行MLC约束，得到新子野形状。

更近一步地，所述自适应阈值表示为：

其中β₁是G_b(m，n)中的最小数，β₂是G_b(m，n)中的最大数，addnum是每个射束方向的子野个数，随机分布参数α∈[0，1]。

在NSS图中逐行进行最大连通区域算法。每行最大连通区域的边缘作为该行左右叶片和的位置。随后选择区域面积最大的行，作为起始点m′进行MLC约束，约束流程如下：

进一步地，所述优化子野权重是在新子野形状连续5个位置打开，且没有交错，新子野添加成功，则对已有全部子野权重进行优化，直至优化结果满足DVH约束则优化结束；所述优化子野形状是在新子野形状打开不满足上述条件，新子野未添加成功，则对已有的全部子野形状进行优化，直至优化结果满足DVH约束则满则优化结束。

本发明还提供了一种包含上述方法的用于调强放射治疗直接子野优化的系统，包括信息获取模块，用于获取病人基本信息，所述病人基本信息包括三维密度信息、器官勾画信息、治疗头信息，目标函数信息，以及目标函数中所使用器官的DV限制参数；预处理模块，计算目标函数梯度矩阵，并利用模糊器消除噪声；生成子野模块，利用自适应阈值分割原理生成新子野形状；优化子野权重模块，利用梯段算法对已有的全部子野权重进行优化；优化子野形状模块，利用梯度算法对已有的全部子野形状进行优化；信息输出模块，用于输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息，其中子野形状和子野权重分别用来控制多叶准直器的开口形状和在对应开口形状下的射线照射时间长。在这个模块中子野形状、子野权重以及其它关于射线源的信息被输入到放射治疗设备。由这些输入参数来控制放射治疗设备，对病人进行放射治疗。

进一步地，所述病人的三维密度信息通过硬件设备进行成像获得；器官勾画信息通过勾画方式在病人三维密度信息上进行勾画获取；所述治疗头信息依据勾画信息进行设置，所述治疗头信息包括完整的治疗头形状结构、参数信息、照射方向及等中心位置；所述目标函数由子目标函数加权求和组成，所述子目标函数包括最大剂量子目标函数、最小剂量子目标函数、均匀剂量子目标函数、DVH子目标函数、等效均一剂量子目标函数、肿瘤控制率子目标函数和正常组织并发症概率子目标函数。

进一步地，所述预处理模块是根据剂量沉积矩阵及目标函数获得目标函数梯度矩阵；所述剂量沉积矩阵是通过病人的三维密度信息、器官勾画信息、等中心点和照射方向信息来确定每个方向需要计算的射束，根据病人的密度信息和治疗头信息，通过剂量计算引擎计算每个射束的剂量分布，从而获得剂量沉积矩阵。

进一步地，所述生成子野模块是通过计算模糊后矩阵的自适应阈值，并利用阈值进行非小数抑制，对非小数抑制后的矩阵采用最大连通区域方法设置左右叶片位置，设置完后进行MLC约束，得到新子野形状。

进一步地，所述优化子野权重模块是在新子野形状连续5个位置打开，且没有交错，新子野添加成功，则对已有全部子野权重进行优化，直至优化结果满足DVH约束则优化结束；所述优化子野形状模块是在新子野形状打开不满足上述条件，新子野未添加成功，则对已有的全部子野形状进行优化，直至优化结果满足DVH约束则满则优化结束。

本发明采用基于阈值分割的原理生成子野形状，然后再进行子野形状和权重优化，从而得到满足临床要求的治疗方案。相比传统的，基于射野方向视图上肿瘤部位和周围危及器官的解剖结构确定每个子野的初始形状的方法，本发明的优化方法可以更为快速精准的得到子野形状，有利于提高靶区覆盖率并降低危及器官剂量，提高治疗增益比，降低晚期并发症风险；本发明的生成的子野较少，相对于传统算法，有力于缩短优化时间，明显提高了优化效率。

附图说明

下面结合附图对本发明作进一步描述，其中：

图1为基于阈值分割生成子野形状方法示意图。

图2为子野形状为二进制矩阵示意图。未被叶片遮盖(打开)的位置为1，遮挡(关闭)部分为0。

图3为用于调强放射治疗直接子野优化系统的示意图。

图4为病人CT数据图。

图5a为DVH图靶区。

图5b为DVH图危及器官。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1及2所示，一种用于调强放射治疗直接子野优化的方法，获取病人基本信息，所述病人基本信息包括三维密度信息、器官勾画信息、治疗头信息，目标函数信息，以及目标函数中所使用器官的DV限制参数；根据获取的病人基本信息，计算剂量沉积矩阵，根据剂量沉积矩阵及目标函数计算目标函数梯度矩阵，并利用模糊器消除噪声；利用自适应阈值分割原理生成新子野形状；优化子野权重，在新子野形状满足条件时，则对已有的全部子野权重进行优化；优化子野形状，在新子野形状不满足条件时，则对已有的全部子野形状进行优化；输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息。

更进一步地，所述目标函数设置为

子函数表达式如下：

G_b(m，n)＝g_b(m，n)+g_avgb(m，n)

更近一步地，所述自适应阈值表示为：

更进一步地，优化子野权重具体步骤如下：

1)设定初始点x₀＝(ξ₁₀，ξ₂₀，…，ξ_K0)，定义初始有限内存矩阵m并令q:＝0；

2)while投影梯度||P(x_q-g_q,l,u)-x_q||_∞＞10^-5

3)利用CP算法计算广义柯西点；

4)通过直接法计算搜索方向d_q；

5)在可行域内，沿着d_q方向执行限定最大步长的线搜索来计算步长λ_q，令x_q+1＝x_q+λ_qd_q，计算

6)更新L_q和R_q，并且设置

7)令q:＝q+1，转2)。

其中，满足充分下降条件，是子空间上带约束的二次型最小化的近似解，f是函数值，g_q是梯度值，{s_q,y_q}是算法的修正对，s_q＝x_q+1-x_q，y_q＝g_q+1-g_q， P(x_q-g_q,l,u)-x_q是投影梯度，L_q和R_q是m×m的矩阵。

更进一步地，所述优化子野形状的具体步骤：

1)由射野方向(beam’s eye view,BEV)上靶区的轮廓确定每个子野的初始形状，得到k_b中和的值，令并计算目标函数值F(x_best)；

2)设置初始温度T(0)，迭代次数t＝1；

3)Do whileT(t)＞T_min

4)for k＝1：K

5)form＝1：M

6)对当前最优解x_best按照公式(5)计算产生新的解

7)如果x_new不满足MLC约束，对x_bestm-1按照公式(5)产生新的解

8)计算新的目标函数值F(x_new)，并计算目标函数值的增量ΔF＝F(x_new)-F(x_best)。

7)如果ΔF＜0，则x_best＝x_new；执行10)；

8)如果ΔF＞0，则以公式(6)计算P；

9)如果rand()<p，则x_best＝x_new；否则x_best＝x_best；

10)m＝m+1，转5)；

11)k＝k+1，转4)；

12)t＝t+1，转3)。

如图3所示，本发明还提供了一种包含上述方法的用于调强放射治疗直接子野优化的系统，包括信息获取模块，用于获取病人基本信息，所述病人基本信息包括三维密度信息、器官勾画信息、治疗头信息，目标函数信息，以及目标函数中所使用器官的DV限制参数；预处理模块，计算目标函数梯度矩阵，并利用模糊器消除噪声；生成子野模块，利用自适应阈值分割原理生成新子野形状；优化子野权重模块，对已有的全部子野权重进行优化；优化子野形状模块，对已有的全部子野形状进行优化；信息输出模块，用于输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息。

进一步地，所述优化子野权重模块是根据子野形状连续打开满足连续5个位置打开，且没有交错，对已有的全部子野权重进行优化，所述优化子野形状模块不满足上述条件，则对已有的全部子野形状进行优化，直至所有子野形状优化完成结束。

优化子野权重：在具体的实施中，根据已知的目标函数、约束条件，采用梯度算法对已有的全部子野权重进行优化。权重优化后，判断是否满足DVH约束。如果满足则停止的方案优化，否则转至预处理模块。

优化子野形状：在具体的实施中，根据已知的目标函数、约束条件，采用梯度算法对已有的全部子野形状进行优化，根据输入的各器官的子目标函数限制条件对方案优化结果进行评价。如果方案优化结果不满足DVH约束，重新转至预处理模块，继续方案优化；否则，方案优化结束。

具体案例：

步骤101：

本发明在七例前列腺肿瘤病例上进行了实现，并与基于BEV的DAO算法进行了对比实验。CT数据由患者在仰卧位进行采集，然后在其上勾画靶区和危及器官。靶区主要是前列腺(不考虑盆腔淋巴结)，在临床靶区的基础上在向后的方向上外扩5mm，在其余的方向上外扩10mm得到。危及器官选取直肠壁和膀胱壁，通过将手动圈定的直肠轮廓和膀胱轮廓分别外扩5mm得到。正常组织指靶区外扩5cm外的所有组织。病人CT数据如图4所示(以病人1为例)。设置5个6MeV射束分别以34,100,180,260和324机架角度照射靶目标并采用笔形束算法计算剂量效应矩阵。

目标函数设置为：

子函数表达式如下：

目标函数权重为：5，5，5，5，8，30，180，180，5。剂量要求如表1所示：

表1

步骤102：

在使用当前信息的情况下，通过剂量计算引擎，计算目标函数梯度矩阵，并利用模糊器消除噪声。具体数据如图表2所示。(以首次次迭代结果为例。)

表2.(a)目标函数梯度矩阵,(b)模糊器,(c)模糊后的梯度矩阵G_b(m，n)

步骤103：

利用自适应阈值分割原理生成新子野形状。首先计算自适应阈值；之后利用阈值进行非小数抑制；随后采用最大连通区域算法设置左右叶片位置；最后进行MLC约束，得到子野形状。具体数据如表3所示。(以首次次迭代结果为例。)

表3.(a)非小数抑制后梯度图,(b)设置左右叶片位置，(c)MCL约束后最终子野形状。其中β₁＝-18.6,β₂＝6.78,addnum＝0,α＝0.9。

步骤104：

新子野添加成功，则利用梯度算法对已有的全部子野权重进行优化。

步骤105：

新子野添加不成功，则利用梯度算法对已有的全部子野形状进行优化。

步骤106：

输出最终可交付的治疗计划。图5a与图5b为病人1的DVH对比数据，其中图5a为DVH图靶区，图5b为DVH图危机器官。

表4为本发明与对比算法的靶区适形度(conformation number,CN),均匀指数(homogeneity index,HI)。D_98％，D_50％，D_2％分别为剂量—体积直方图中98％，50％和2％的靶区体积对应的剂量。实验表明本发明提高了靶区适形度0.05±0.022，降低了均匀指数0.01+0.00。

表4

表5为本发明与对比算法的最终函数值，生成子野数目和优化运行时间。如表所示，本发明优化时间明显减少，且目标函数值更低。

表5

表6为本发明与对比算法的其他统计数据。

表6

以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。应当理解，以上的描述意图在于说明而非限制。例如，上述实施例(和/或其方面)可以彼此组合使用。此外，根据本发明的启示可以做出很多改型以适于具体的情形或材料而没有偏离本发明的范围。通过阅读上述描述，权利要求的范围和精神内的很多其它的实施例和改型对本领域技术人员是显而易见的。

Claims

1.一种用于调强放射治疗直接子野的优化方法，其特征在于，获取病人基本信息，所述病人基本信息包括三维密度信息、器官勾画信息、治疗头信息，目标函数信息，以及目标函数中所使用器官的DV限制参数；根据获取的病人基本信息，计算剂量沉积矩阵，根据剂量沉积矩阵及目标函数计算目标函数梯度矩阵，并利用模糊器消除噪声；利用自适应阈值分割原理生成新子野形状；优化子野权重，在新子野形状满足条件时，则对已有的全部子野权重进行优化；优化子野形状，在新子野形状不满足条件时，则对已有的全部子野形状进行优化；输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息。

2.根据权利要求1所述的用于调强放射治疗直接子野的优化方法，其特征在于，所述病人的三维密度信息通过硬件设备进行成像获得；器官勾画信息通过勾画方式在病人三维密度信息上进行勾画获取；所述治疗头信息依据勾画信息进行设置，所述治疗头信息包括完整的治疗头形状结构、参数信息、照射方向及等中心位置；所述目标函数由子目标函数加权求和组成，所述子目标函数包括最大剂量子目标函数、最小剂量子目标函数、均匀剂量子目标函数、DVH子目标函数、等效均一剂量子目标函数、肿瘤控制率子目标函数和正常组织并发症概率子目标函数。

3.根据权利要求1所述的用于调强放射治疗直接子野的优化方法，其特征在于，所述剂量沉积矩阵是根据病人的三维密度信息、器官勾画信息、等中心点和照射方向信息来确定每个方向需要计算的射束，根据病人的密度信息和治疗头信息，通过剂量计算引擎计算每个射束的剂量分布，从而获得剂量沉积矩阵。

4.根据权利要求1所述的用于调强放射治疗直接子野的优化方法，其特征在于，所述利用自适应阈值分割原理生成新子野形状是通过计算模糊后矩阵的自适应阈值，并利用阈值进行非小数抑制，对非小数抑制后的矩阵采用最大连通区域方法设置左右叶片位置，设置完后进行MLC约束，得到新子野形状。

5.根据权利要求1所述的用于调强放射治疗直接子野的优化方法，其特征在于，所述优化子野权重是在新子野形状连续5个位置打开，且没有交错，新子野添加成功，则对已有全部子野权重进行优化，直至优化结果满足DVH约束则优化结束；所述优化子野形状是在新子野形状打开不满足上述条件，新子野未添加成功，则对已有的全部子野形状进行优化，直至优化结果满足DVH约束则满则优化结束。

6.一种包含权利要求1至5任一项所述方法的用于调强放射治疗直接子野优化系统，其特征在于，包括信息获取模块，用于获取病人基本信息，所述病人基本信息包括三维密度信息、器官勾画信息、治疗头信息，目标函数信息，以及目标函数中所使用器官的DV限制参数；预处理模块，计算目标函数梯度矩阵，并利用模糊器消除噪声；生成子野模块，利用自适应阈值分割原理生成新子野形状；优化子野权重模块，在新子野形状满足条件时，新子野添加成功，对已有的全部子野权重进行优化；优化子野形状模块，在新子野形状不满足条件时，新子野未添加成功，对已有的全部子野形状进行优化；信息输出模块，用于输出三维剂量分布、DVH曲线、子野个数，子野形状和子野权重信息。

7.根据权利要求6所述的用于调强放射治疗直接子野优化系统，其特征在于，所述病人的三维密度信息通过硬件设备进行成像获得；器官勾画信息通过勾画方式在病人三维密度信息上进行勾画获取；所述治疗头信息依据勾画信息进行设置，所述治疗头信息包括完整的治疗头形状结构、参数信息、照射方向及等中心位置；所述目标函数由子目标函数加权求和组成，所述子目标函数包括最大剂量子目标函数、最小剂量子目标函数、均匀剂量子目标函数、DVH子目标函数、等效均一剂量子目标函数、肿瘤控制率子目标函数和正常组织并发症概率子目标函数。

8.根据权利要求6所述的用于调强放射治疗直接子野优化系统，其特征在于，所述预处理模块是根据剂量沉积矩阵及目标函数获得目标函数梯度矩阵；所述剂量沉积矩阵是通过病人的三维密度信息、器官勾画信息、等中心点和照射方向信息来确定每个方向需要计算的射束，根据病人的密度信息和治疗头信息，通过剂量计算引擎计算每个射束的剂量分布，从而获得剂量沉积矩阵。

9.根据权利要求6所述的用于调强放射治疗直接子野优化的优化方法，其特征在于，所述生成子野模块是通过计算模糊后矩阵的自适应阈值，并利用阈值进行非小数抑制，对非小数抑制后的矩阵采用最大连通区域方法设置左右叶片位置，设置完后进行MLC约束，得到新子野形状。

10.根据权利要求6所述的用于调强放射治疗直接子野优化系统，其特征在于，所述优化子野权重模块是在新子野形状连续5个位置打开，且没有交错，则新子野添加成功，对已有全部子野权重进行优化，直至优化结果满足临床要求优化结束；所述优化子野形状模块是在新子野形状打开不满足上述条件时，则新子野未添加成功，对已有的全部子野形状进行优化，直至满足临床要求优化结束。