CN108057177A - 一种基于模糊推理的混合准则放疗参数自动优化方法 - Google Patents
一种基于模糊推理的混合准则放疗参数自动优化方法 Download PDFInfo
- Publication number
- CN108057177A CN108057177A CN201711310790.3A CN201711310790A CN108057177A CN 108057177 A CN108057177 A CN 108057177A CN 201711310790 A CN201711310790 A CN 201711310790A CN 108057177 A CN108057177 A CN 108057177A
- Authority
- CN
- China
- Prior art keywords
- parameter
- dose
- prescribed dose
- fuzzy reasoning
- specific item
- 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.)
- Pending
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
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
Abstract
本发明涉及一种基于模糊推理的混合准则放疗参数自动优化方法，该方法包括基于模糊推理的参数自动优化系统和进一步改善计划系统两个功能模块。基于模糊推理的参数自动优化系统包括基于模糊推理的权重因子自动调整模块、基于模糊推理的处方剂量自动调整模块、注量图优化模块和计划评估模块四部分。本发明的混合准则放疗参数自动优化方法结合物理师的模糊推理经验，能有效地确定目标函数中的处方剂量和权重因子，有利于缩短放疗优化时间。
Description
技术领域
本发明涉及一种基于模糊推理的混合准则放疗参数自动优化方法，属于自动放疗优化技术领域。
背景技术
在放射治疗逆向计划的优化过程中，通常通过最小化子目标函数加权和的形式获得最优注量图分布。子目标函数分为物理子目标函数和生物子目标函数。与物理子目标函数相比，由于生物子目标函数能够合理地预测肿瘤和正常组织的放射生物效应，生物子目标函数将逐渐得到广泛应用，基于生物子目标函数的放疗优化是放疗的发展趋势和研究热点。基于混合子目标函数即混合准则放疗的有效性已经得到了好多研究者的证实。本发明的研究对象是混合准则放疗中使用的目标函数中处方剂量和权重因子的自动调整。
处方剂量和权重因子是目标函数中的两类重要优化参数。通常，在治疗计划优化之前，物理师根据自己的经验预先设定目标函数中的处方剂量和权重因子，在注量图优化过程中他们是不变的。逆向治疗计划优化结束后，物理师从三维剂量分布、DVH(DoseVolume Histogram)曲线等多个方面对优化计划进行质量评估。如果当前计划不满足放射治疗要求，物理师将根据自身经验和优化结果，重新调整处方剂量或者权重因子，或者同时调整处方剂量和权重因子，然后重新进行注量图优化。该操作过程由物理师参与循环进行，直至生成临床上满意计划。在这种人工试误的手动调整处方剂量和权重因子方法中，在生成临床接受的计划之前往往需循环进行多次优化过程，增加了放射治疗计划的时间和物理师的工作量；同时对物理师的经验要求较高。这个过程是繁重的和费事的，应该由临床知识和经验引导的自动方法替代。
针对权重因子的自动优化，已有学者进行了研究。Craft将多目标优化引入放射治疗计划优化过程(具体见D.Craft,T.Hong,H.Shih,and T.Bortfeld,Improved planningtime and plan quality through multi-criteria optimization for intensitymodulated radiation therapy,Int.J.Radiat.Oncol.，2012，82(1),e83–e90.)，首先求出目标函数参数的帕累托前沿最优边界，然后在帕最优边界上选取最优的优化结果。多目标优化是非常耗时的，而且子目标函数越多优化过程越耗时。Zhu等基于机器学习理论进行权重因子的自动优化(具体见X.Zhu,Y.Ge,T.Li,D.Thongphiew,F.-F.Yin,and Q.J.Wu,Aplanning quality evaluation tool for prostate adaptive IMRT based on machinelearning,Med.Phys.,2011,38,719–726 2011)，该方法需要大量的临床实践病例训练权重因子预测模型，这对于稀有的肿瘤病例是非常不利的。还有一种基于预知DVH分布的自动优化方法(具体见L.Nan,Z.Masoud,U-S.Andres,et al.Automatic treatment plan re-optimization for adaptive radiotherapy guided with the initial planDVHs.Phys.Med.Biol.,2013,58:8725–8738；D.Good et al.A knowledge based approachto improving and homogenizing intensity modulated radiation therapy planningquality among treatment centers:an example application to prostate cancerplanning,Int.J.Radiat.Oncol.,Biol.,Phys.,2013,87:176–181.)，由于病人解剖结构之间的差异和病人分次放疗期间解剖结构的变化，这种方法的可行性变差。上述自动优化方法既没有将物理师的经验纳入自动优化过程中，又没有实现目标函数中处方剂量和权重因子的同时优化,而且仅限于物理优化场合。Li等(具体见R.P.Li，F.F.Yin.Optimization ofinverse planning using a fuzzy weight function,Med.Phys.,2000,27,4:691-700)和Yan等(具体见H.Yan,F.F.Yin,H.Q.Guan,J.H.Kim.Fuzzy logic guided inversetreatment planning,Phys.Med.Biol.,2003,30:2675-2685)将模糊推理引入物理放疗优化中，仅限于物理目标函数中权重因子的自动优化。综上所述，鉴于混合准则放疗的优势，需要为混合准则放疗发明一种既能高效地同时优化目标函数中处方剂量和权重因子的方法，又能将物理师的参数调整推理经验纳入混合准则放疗计划过程的自动放疗优化方法，本发明是将这两者目的合二为一的自动混合准则放疗参数优化方法。
放疗优化中，可以根据物理师的推理过程和经验构建模糊推理系统，实现混合准则放疗中目标函数的处方剂量和权重因子的自动优化，而且不需要预知DVH曲线，也不需要大量的临床案例训练模型。
发明内容
本发明针对现有技术的不足，提供一种基于模糊推理的混合准则放疗参数自动优化方法，是一种能同步自动优化混合准则放疗目标函数中处方剂量和权重因子的方法。
本发明的技术方案为：
一种基于模糊推理的混合准则放疗参数自动优化方法，包括以下步骤：
步骤一、根据处方剂量变化的改变量参数与处方剂量变化引起实际剂量变化的改变量参数关系、权重因子改变量参数与权重因子变化引起实际剂量变化的改变量参数的关系，建立模糊推理规则，利用模糊推理工具箱构造一个模糊推理权重因子自动调整模块和一个模糊推理处方剂量自动调整模块；
步骤二、人工初始化混合准则目标函数中处方剂量参数和权重因子参数，进行混合准则放疗参数的优化，使用注量图优化模块进行注量图参数的优化，根据优化得到的注量图参数剂量计算，然后根据步骤一中的模糊推理权重因子自动调整模块和模糊推理处方剂量自动调整模块进行处方剂量参数和权重因子参数的自动迭代模糊调整，得到调整后处方剂量参数和调整后权重因子参数；
步骤三、再利用步骤二中调整后处方剂量参数和调整后权重因子参数对混合准则目标函数进行注量图优化得到注量图参数；
步骤四、如果步骤三得到的注量图参数不符合临床剂量要求，此时通过模糊推理权重因子自动调整模块和模糊推理处方剂量自动调整模块分别对步骤二得到的调整后权重因子参数和调整后处方剂量参数进行自动迭代模糊调整，得到二次调整后处方剂量参数和二次调整后权重因子参数，利用二次调整后处方剂量参数和二次调整后权重因子参数对生物目标函数进行注量图优化得到注量图参数，如果此时得到的注量图参数仍然不符合临床剂量要求，则再次通过模糊推理权重因子自动调整模块和模糊推理处方剂量自动调整模块分别对相邻上一次得到的调整后权重因子参数和调整后处方剂量参数进行自动迭代模糊调整，如此反复进行处方剂量参数与权重因子参数调整和注量图参数优化，直到得到满足临床剂量要求的注量图参数以使靶区的剂量覆盖特性、正常组织和危及器官的剂量满足临床剂量要求；
步骤五、以步骤四中优化得到的最后一次调整后处方剂量参数为基础，通过收紧靶区的剂量约束参数，在保证正常组织和危及器官的剂量满足临床剂量要求下，进一步改善靶区的剂量覆盖特性以提高肿瘤控制率。
作为本发明的一种优选实施方式，本发明步骤一所述模糊推理规则采用if…then…的结构。
作为本发明的一种优选实施方式，本发明步骤一所述模糊推理工具箱为Matlab工具箱。
作为本发明的一种优选实施方式，本发明步骤一中的模糊推理权重因子自动调整模块包括一个输入，一个输出，实际剂量参数和处方剂量参数之间的偏差百分比作为模糊推理权重因子自动调整模块的输入，权重因子参数的改变量作为模糊推理权重因子自动调整模块的输出；所述的模糊推理处方剂量自动调整模块也包括一个输入，一个输出，实际剂量参数和处方剂量参数之间的偏差百分比作为模糊推理处方剂量自动调整模块的输入，处方剂量参数的改变量作为模糊推理处方剂量自动调整模块的输出。
作为本发明的一种优选实施方式，本发明步骤二中的混合准则放疗参数的优化包括以下步骤：
步骤A、通过注量图优化模块进行注量图优化得到注量图参数；
步骤B、以实际剂量参数和处方剂量参数之间的偏差百分比作为模糊推理权重因子自动调整模块的输入，模糊推理权重因子自动调整模块输出目标函数中各子目标函数权重因子参数的改变量；再利用各子目标函数权重因子参数的改变量与当前各子目标函数权重因子参数进行求和计算，即若当前子目标函数权重因子为ωold，修改后的子目标函数权重因子为ωnew，二者的关系为，
ωnew＝ωold+ωchange，
其中ωchange为模糊推理权重因子自动调整模块输出的权重因子参数的改变量；所述的子目标函数包含用于危及器官的等效均匀剂量子目标函数、正常组织并发症概率子目标函数和肿瘤控制率子目标函数，用于靶区的最小剂量子目标函数、最大剂量子目标函数、均匀剂量子目标函数、最小剂量体积子目标函数和最大剂量体积子目标函数；
步骤C：以实际剂量和处方剂量之间的偏差百分比作为模糊推理处方剂量自动调整模块的输入，模糊推理处方剂量自动调整模块输出目标函数中各子目标函数中处方剂量参数的改变量，不同的子目标函数，处方剂量参数的修正方法不一样，当前子目标函数的处方剂量为Dold，修改后的处方剂量为Dnew，对于等效均匀剂量子目标函数、正常组织并发症概率子目标函数、肿瘤控制率子目标函数、最大剂量体积子目标函数和最大剂量体积子目标函数中的处方剂量，二者的关系为，
Dnew＝Dold-Dchange,
其中Dchange为模糊推理处方剂量自动调整模块输出的处方剂量改变量；对于最小剂量子目标函数、均匀剂量子目标函数和最小剂量体积子目标函数中的处方剂量，二者的关系为,
Dnew＝Dold-Dchange。
作为本发明的一种优选实施方式，本发明步骤五中的收紧靶区的剂量约束参数包括以下步骤：
步骤A、如果靶区子目标函数的处方剂量参数为Dold，修改后的子目标函数的处方剂量参数为Dnew，人工定义处方剂量的变化量△D，对于约束靶区的最小剂量子目标函数、平均剂量子目标函数和最小剂量体积子目标函数中的处方剂量，二者的关系为,
Dnew＝Dold+△D；
步骤B、如果靶区子目标函数的处方剂量为Dold，修改后的子目标函数为Dnew，人工定义处方剂量的变化量△D，对于约束靶区的最大子目标函数和最大剂量体积子目标函数中的处方剂量，二者的关系为,
Dnew＝Dold+△D。
与现有技术相比，本发明具有以下有益效果：
1、能有效地为混合准则放疗优化中使用的目标函数确定处方剂量和目标函数权重，而且能方便拓展应用到其它类型目标函数的参数优化过程中；
2、对于混合准则目标函数的参数优化，本发明所提出的自动方法结合了物理师的参数调整和推理经验；
3、能有效的同步自动优化处方剂量和权重因子；
4、有利于降低放疗计划时间，使物理师有更多的时间从事其它工作；
5、本发明方法不需要提前预知理想DVH曲线，不需要大量的临床病例训练模型。
附图说明
图1是基于模糊推理的混合准则放疗参数自动优化的框图；
图2是模糊推理处方剂量和权重因子参数调整模块的模糊器；
图3是危及器官权重因子参数调整模块去模糊器；
图4是危及器官处方剂量参数调整模块去模糊器；
图5是靶区权重因子参数调整模块去模糊器；
图6是靶区处方剂量参数调整模块去模糊器；
图7是前列腺癌病例1上第一个满足剂量要求计划和进一步改善后计划；
图8是10例病例上手动计划与自动计划在靶区剂量覆盖特性方面的比较(基于等效均匀剂量)；
图9是10例病例上手动计划与自动计划在危及器官直肠保护方面的比较(基于等效均匀剂量)；
图10是10例病例上手动计划与自动计划在危及器官膀胱保护方面的比较(基于等效均匀剂量)；
图11是一例头颈癌病例上第一个满足临床剂量要求计划和进一步改善后计划(基于等效均匀剂量)；
图12是一例头颈癌病例上手动计划与自动计划的DVH曲线比较(基于等效均匀剂量)；
图13是一例前列腺癌病例上第一个满足临床剂量要求计划和进一步改善后计划(基于正常组织并发症概率)；
图14是一例前列腺癌病例上手动计划与自动计划的DVH曲线比较(基于正常组织并发症概率)；
图15是一例头颈癌病例上第一个满足临床剂量要求计划和进一步改善后计划(基于正常组织并发症概率)；
图16是一例头颈癌病例上手动计划与自动计划的DVH曲线比较(基于正常组织并发症概率)。
具体实施方式
为进一步展示本发明的特点、目的和优点，本发明的基于模糊推理的混合准则放疗参数自动优化方法实施例如下：
实施例1.以得到临床应用的基于等效均匀剂量的混合准则放疗方案优化为例，放疗方案优化中危及器官采用等效均匀剂量子目标函数约束，靶区采用最小剂量子目标函数和最大剂量子目标函数约束，以10例前列腺癌病例为测试病例，下面结合图1至图10对本发明作进一步的详细描述。
步骤一、对基于等效均匀剂量的混合准则放疗方案优化，根据各子目标函数中处方剂量变化的改变量参数与处方剂量变化引起实际剂量变化的改变量参数的关系和各子目标函数中权重因子改变量参数与权重因子变化引起实际剂量变化的改变量参数的关系，建立模糊推理规则，利用Matlab中模糊推理工具箱，构造一个模糊推理权重因子自动调整模块和一个模糊推理处方剂量自动调整模块。
每个模糊推理模块包括三个要素：模糊器，推理引擎和去模糊器。根据各子目标函数中处方剂量变化的改变量参数与处方剂量变化引起实际剂量变化的改变量参数的关系和各子目标函数中权重因子改变量参数与权重因子变化引起实际剂量变化的改变量参数的关系，采用if…then…的结构，提前定义模糊推理规则：
if实际剂量与处方剂量参数的偏差百分比低，then处方剂量参数改变量则小；
if实际剂量与处方剂量参数的偏差百分比中，then处方剂量参数改变量则中；
if实际剂量与处方剂量参数的偏差百分比高，then处方剂量参数该变量则大；
if实际剂量与处方剂量参数的偏差百分比低，then权重因子参数改变量则小；
if实际剂量与处方剂量参数的偏差百分比中，then权重因子参数改变量则中；
if实际剂量与处方剂量参数的偏差百分比高，then权重因子参数该变量则大。
模糊器和去模糊器是隶属度函数的集合。生物子目标函数和物理子目标函数采用不同的去模糊器，即采用不同的隶属度函数；相同的子目标函数，权重因子自动调整模块和处方剂量自动调整模块中去模糊器采用不同的隶属度函数。实施例中采用三角形和梯形混合隶属度函数，图2是模糊推理处方剂量和权重因子参数调整模块的模糊器，实际剂量和处方剂量参数之间的偏差百分比作为模糊器输入；图3是调整约束危及器官的等效均匀剂量子目标函数中权重因子参数的去模糊器；图4是调整约束危及器官的等效均匀剂量子目标函数中处方剂量参数的去模糊器；图5是调整约束靶区的子目标函数中权重因子参数的去模糊器；图6是调整约束靶区子目标函数中处方剂量参数的去模糊器。
步骤二、人工初始化混合目标函数中处方剂量参数和权重因子参数，进行混合准则放疗参数的优化，使用注量图优化模块进行注量图参数的优化，使用优化得到的注量图参数和步骤一中的模糊推理权重因子自动调整模块和模糊推理权重因子自动调整模块进行处方剂量参数和权重因子参数的自动迭代模糊调整，得到调整后处方剂量参数和调整后权重因子参数。
具体步骤如下：
步骤A、人工初始化混合准则目标函数中处方剂量参数和权重因子参数，通过注量图优化模块进行注量图优化。
目标函数的初始化需要人工设置处方剂量参数和权重因子参数，物理师根据经验设置初始处方剂量参数，优化采用均匀初始权重因子参数，注量图优化采用基于梯度的确定性优化算法。
步骤B、根据步骤A得到的注量图参数进行剂量计算，模糊推理权重因子自动调整模块输出目标函数中各子目标函数权重因子的改变量。以实际剂量和处方剂量之间的偏差百分比作为图2模糊推理权重因子自动调整模块的输入，模糊推理权重因子自动调整模块中模糊器输出对应变化量的隶属度，以该隶属度值作为图3或图5模糊推理权重因子自动调整模块中去模糊器的输入，权重因子调整模块中去模糊器为各子目标函数输出权重因子的改变量。若当前子目标函数的权重值为ωold，修改后的子目标函数权重值为ωnew，二者的关系为，
ωnew＝ωold+ωchange，
其中ωchange为模糊推理权重因子自动调整模块输出的权重因子参数的变化量；
以实际剂量和处方剂量参数之间的偏差百分比作为图2模糊推理处方剂量自动调整模块的输入，模糊推理处方剂量自动调整模块中模糊器输出对应变化量的隶属度，以该隶属度值作为图4或图6模糊推理处方剂量自动调整模块中去模糊器的输入，处方剂量调整模块中去模糊器输出处方剂量的变化量。模糊模糊推理处方剂量自动调整模块为各子目标函数中输出处方剂量的改变量。混合准则放疗优化中，不同的子目标函数，处方剂量的修正方法不一样，当前子目标函数的处方剂量为Dold，修改后的子目标函数为Dnew，对于EUD子目标函数和最大剂量子目标函数二者的关系为，
Dnew＝Dold-Dchange,
其中Dchange为模糊推理处方剂量自动调整模块输出的处方剂量参数的改变量。对于最小剂量子目标函数，二者的关系为
Dnew＝Dold-Dchange,；
步骤三、采用步骤二中步骤B得到的权重因子参数和处方剂量参数，以步骤二中步骤A注量图优化模块得到的注量图参数为初始值，再次执行注量图优化模块；
步骤四、根据步骤三中注量图优化模块得到的注量图常数进行剂量计算，计划评估模块对当前计划进行评估，如果当前计划满足临床剂量要求，则进入步骤五；否则判断当前迭代次数是否达到预先设定的上限，如果是，则基于模糊推理的权重因子参数和处方剂量参数自动调整结束，否则，重复步骤一到三，进行下一次迭代训练，直至生成满足临床剂量要求的计划。
计划评估模块包括对靶区剂量覆盖特性的评估和对危及器官保护性的评估。实施例中对靶区95％体积的剂覆盖特性和危机器官剂量特性进行评估。
步骤五、以步骤四中优化得到的最后一次调整后处方剂量参数为基础，通过收紧靶区的剂量约束参数，在保证正常组织和危及器官的剂量满足临床剂量要求下，进一步改善靶区的剂量覆盖特性以提高肿瘤控制率。
具体步骤如下：
步骤A、在步骤四中优化得到的最后一次调整后处方剂量参数为基础上，收紧靶区的剂量约束参数改善靶区剂量特性，步骤四中得到的靶区子目标函数的处方剂量参数为Dold，修改后的子目标函数的处方剂量参数为Dnew，对于约束靶区的最小剂量子目标函数，二者的关系为
Dnew＝Dold+△D，
其中△D为人工定义处方剂量参数的变化量。对于约束靶区的最大子目标函数，二者的关系为
Dnew＝Dold-△D；
△D由人工设定，其大小会影响优化时间，本发明实施例中采用0.5Gy。
步骤B、修改靶区剂量后，通过注量图优化模块进行注量图参数优化；
在步骤四得到的权重因子参数和步骤A得到的处方剂量参数的基础上，通过注量图优化模块执行进一步改善靶区剂量特性的注量图参数优化。
步骤C、根据步骤B得到的注量图参数进行剂量计算，然后评估当前计划是否为满足临床剂量要求的计划，如果是，重复步骤A至B；否则，保留原放疗计划，优化结束。
对于病例1，图7中实线为步骤四得到的满足临床剂量要求的计划，虚线为经过步骤五得到的进一步改善靶区剂量覆盖特性的计划。与物理师采用人工试误方法得到的计划进行对比，进一步测试本发明方法的混合准则放疗参数自动调整性能。图8所示为手动计划和自动计划在靶区剂量覆盖特性方面的比较，图9和图10分别为两类计划对直肠和膀胱保护方面的比较，由比较可知，自动计划的质量总体上优于手动计划的质量。
实施例2.以得到临床应用的基于等效均匀剂量的混合准则放疗方案优化为例，放疗方案优化中危及器官采用等效均匀剂量子目标函数约束，靶区采用最小剂量子目标函数和最大剂量子目标函数约束，以1例头颈癌病例为测试病例，结合图11-12对本发明进行详细描述。所述基于模糊推理的混合准则放疗参数自动优化方法的具体步骤和模糊推理系统与实施例1中所述的相同，不再重述。
图11中虚线为步骤四优化得到的满足临床剂量要求的计划，实线为经过步骤五优化得到的进一步改善靶区剂量覆盖特性的计划。图12所示为手动计划和自动计划的DVH曲线比较。
实施例3.以基于正常组织并发症概率的混合准则放疗方案优化为例，放疗方案优化中危及器官采用正常组织并发症概率子目标函数约束，靶区采用最小剂量子目标函数和最大剂量子目标函数约束，以1例前列腺癌病例为测试病例，结合图13-14对本发明进行详细描述。所述基于模糊推理的混合准则放疗参数自动优化方法的具体步骤和模糊推理系统与实施例1中所述的相同，不再重述。
图13中实线为步骤四优化得到的满足临床剂量要求的计划，虚线为经过步骤五优化得到的进一步改善靶区剂量覆盖特性的计划。图14所示为手动计划和自动计划的DVH曲线比较。
实施例4.以基于正常组织并发症概率的混合准则放疗方案优化为例，放疗方案优化中危及器官采用正常组织并发症概率子目标函数约束，靶区采用最小剂量子目标函数和最大剂量子目标函数约束，以1例头颈癌病例为测试病例，结合图15-16对本发明进行详细描述。所述基于模糊推理的混合准则放疗参数自动优化方法的具体步骤和模糊推理系统与实施例3中所述的相同，不再重述。
图15中虚线为步骤四优化得到的满足临床剂量要求的计划，实线为经过步骤五优化得到的进一步改善靶区剂量覆盖特性的计划。图16所示为手动计划和自动计划的DVH曲线比较。
本发明实例中仅采用病人的临床CT数据做仿真研究，未对病人进行实际实施，遵守医学伦理道德相关规范。
本发明书中实施的仅为未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于模糊推理的混合准则放疗参数自动优化方法，其特征在于，包括以下步骤：
步骤一、根据处方剂量变化的改变量参数与处方剂量变化引起实际剂量变化的改变量参数关系、权重因子改变量参数与权重因子变化引起实际剂量变化的改变量参数的关系，建立模糊推理规则，利用模糊推理工具箱构造一个模糊推理权重因子自动调整模块和一个模糊推理处方剂量自动调整模块；
步骤二、人工初始化混合准则目标函数中处方剂量参数和权重因子参数，进行混合准则放疗参数的优化，使用注量图优化模块进行注量图参数的优化，根据优化得到的注量图参数剂量计算，然后根据步骤一中的模糊推理权重因子自动调整模块和模糊推理处方剂量自动调整模块进行处方剂量参数和权重因子参数的自动迭代模糊调整，得到调整后处方剂量参数和调整后权重因子参数；
步骤三、再利用步骤二中调整后处方剂量参数和调整后权重因子参数对混合准则目标函数进行注量图优化得到注量图参数；
步骤四、如果步骤三得到的注量图参数不符合临床剂量要求，此时通过模糊推理权重因子自动调整模块和模糊推理处方剂量自动调整模块分别对步骤二得到的调整后权重因子参数和调整后处方剂量参数进行自动迭代模糊调整，得到二次调整后处方剂量参数和二次调整后权重因子参数，利用二次调整后处方剂量参数和二次调整后权重因子参数对生物目标函数进行注量图优化得到注量图参数，如果此时得到的注量图参数仍然不符合临床剂量要求，则再次通过模糊推理权重因子自动调整模块和模糊推理处方剂量自动调整模块分别对相邻上一次得到的调整后权重因子参数和调整后处方剂量参数进行自动迭代模糊调整，如此反复进行处方剂量参数与权重因子参数调整和注量图参数优化，直到得到满足临床剂量要求的注量图参数以使靶区的剂量覆盖特性、正常组织和危及器官的剂量满足临床剂量要求；
步骤五、以步骤四中优化得到的最后一次调整后处方剂量参数为基础，通过收紧靶区的剂量约束参数，在保证正常组织和危及器官的剂量满足临床剂量要求下，进一步改善靶区的剂量覆盖特性以提高肿瘤控制率。
2.根据权利要求1所述的一种基于模糊推理的混合准则放疗参数自动优化方法，其特征在于步骤一所述模糊推理规则采用if…then…的结构。
3.根据权利要求1所述的一种基于模糊推理的混合准则放疗参数自动优化方法，其特征在于步骤一所述模糊推理工具箱为Matlab工具箱。
4.根据权利要求1所述的一种基于模糊推理的混合准则放疗参数自动优化方法，其特征在于步骤一中的模糊推理权重因子自动调整模块包括一个输入，一个输出，实际剂量参数和处方剂量参数之间的偏差百分比作为模糊推理权重因子自动调整模块的输入，权重因子参数的改变量作为模糊推理权重因子自动调整模块的输出；所述的模糊推理处方剂量自动调整模块也包括一个输入，一个输出，实际剂量参数和处方剂量参数之间的偏差百分比作为模糊推理处方剂量自动调整模块的输入，处方剂量参数的改变量作为模糊推理处方剂量自动调整模块的输出。
5.根据权利要求1所述的一种基于模糊推理的混合准则放疗参数自动优化方法，其特征在于步骤二中的混合准则放疗参数的优化包括以下步骤：
步骤A、通过注量图优化模块进行注量图优化得到注量图参数；
步骤B、以实际剂量参数和处方剂量参数之间的偏差百分比作为模糊推理权重因子自动调整模块的输入，模糊推理权重因子自动调整模块输出目标函数中各子目标函数权重因子参数的改变量；再利用各子目标函数权重因子参数的改变量与当前各子目标函数权重因子参数进行求和计算，即若当前子目标函数权重因子为ωold，修改后的子目标函数权重因子为ωnew，二者的关系为，
ωnew＝ωold+ωchange，
其中ωchange为模糊推理权重因子自动调整模块输出的权重因子参数的改变量；所述的子目标函数包含用于危及器官的等效均匀剂量子目标函数、正常组织并发症概率子目标函数和肿瘤控制率子目标函数，用于靶区的最小剂量子目标函数、最大剂量子目标函数、均匀剂量子目标函数、最小剂量体积子目标函数和最大剂量体积子目标函数；
步骤C：以实际剂量和处方剂量之间的偏差百分比作为模糊推理处方剂量自动调整模块的输入，模糊推理处方剂量自动调整模块输出目标函数中各子目标函数中处方剂量参数的改变量，不同的子目标函数，处方剂量参数的修正方法不一样，当前子目标函数的处方剂量为Dold，修改后的处方剂量为Dnew，对于等效均匀剂量子目标函数、正常组织并发症概率子目标函数、肿瘤控制率子目标函数、最大剂量体积子目标函数和最大剂量体积子目标函数中的处方剂量，二者的关系为，
Dnew＝Dold-Dchange,
其中Dchange为模糊推理处方剂量自动调整模块输出的处方剂量改变量；对于最小剂量子目标函数、均匀剂量子目标函数和最小剂量体积子目标函数中的处方剂量，二者的关系为,
Dnew＝Dold-Dchange。
6.根据权利要求1所述的一种基于模糊推理的混合准则放疗参数自动优化方法，其特征在于步骤五中的收紧靶区的剂量约束参数包括以下步骤：
步骤A、如果靶区子目标函数的处方剂量参数为Dold，修改后的子目标函数的处方剂量参数为Dnew，人工定义处方剂量的变化量ΔD，对于约束靶区的最小剂量子目标函数、平均剂量子目标函数和最小剂量体积子目标函数中的处方剂量，二者的关系为,
Dnew＝Dold+ΔD；
步骤B、如果靶区子目标函数的处方剂量为Dold，修改后的子目标函数为Dnew，人工定义处方剂量的变化量ΔD，对于约束靶区的最大子目标函数和最大剂量体积子目标函数中的处方剂量，二者的关系为,
Dnew＝Dold+ΔD。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711310790.3A CN108057177A (zh) | 2017-12-11 | 2017-12-11 | 一种基于模糊推理的混合准则放疗参数自动优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711310790.3A CN108057177A (zh) | 2017-12-11 | 2017-12-11 | 一种基于模糊推理的混合准则放疗参数自动优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108057177A true CN108057177A (zh) | 2018-05-22 |
Family
ID=62136389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711310790.3A Pending CN108057177A (zh) | 2017-12-11 | 2017-12-11 | 一种基于模糊推理的混合准则放疗参数自动优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108057177A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111035860A (zh) * | 2018-10-11 | 2020-04-21 | 海创时代(深圳)医疗科技有限公司 | 一种计划系统的自动优化方法及装置 |
| CN113164757A (zh) * | 2018-12-20 | 2021-07-23 | 光线搜索实验室公司 | 用于优化至少一个治疗计划的方法、计算机程序和计算机系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070081629A1 (en) * | 2003-08-28 | 2007-04-12 | Fang-Fang Yin | Fuzzy logic guided inverse treatment planning |
| US20100189329A1 (en) * | 2004-10-07 | 2010-07-29 | Zonare Medical Systems Inc. | Ultrasound Imaging System Parameter Optimization Via Fuzzy Logic |
| CN102316930A (zh) * | 2008-10-27 | 2012-01-11 | 断层放疗公司 | 用于递送放射治疗的运动自适应优化的系统和方法 |
| CN105930637A (zh) * | 2016-04-02 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化方法 |
| CN105930636A (zh) * | 2016-03-29 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化系统 |
| CN106471507A (zh) * | 2014-06-30 | 2017-03-01 | 皇家飞利浦有限公司 | 辐射治疗规划系统和方法 |
| US20170091574A1 (en) * | 2014-05-16 | 2017-03-30 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
-
2017
- 2017-12-11 CN CN201711310790.3A patent/CN108057177A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070081629A1 (en) * | 2003-08-28 | 2007-04-12 | Fang-Fang Yin | Fuzzy logic guided inverse treatment planning |
| US20100189329A1 (en) * | 2004-10-07 | 2010-07-29 | Zonare Medical Systems Inc. | Ultrasound Imaging System Parameter Optimization Via Fuzzy Logic |
| CN102316930A (zh) * | 2008-10-27 | 2012-01-11 | 断层放疗公司 | 用于递送放射治疗的运动自适应优化的系统和方法 |
| US20170091574A1 (en) * | 2014-05-16 | 2017-03-30 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
| CN106471507A (zh) * | 2014-06-30 | 2017-03-01 | 皇家飞利浦有限公司 | 辐射治疗规划系统和方法 |
| CN105930636A (zh) * | 2016-03-29 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化系统 |
| CN105930637A (zh) * | 2016-04-02 | 2016-09-07 | 中北大学 | 一种自动确定目标函数权重的放射治疗方案优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| LI RP,YIN FF: "Optimization of inverse treatment planning using a fuzzy weight function", 《MED PHYS》 * |
| STIELER F,YAN H,LOHRF,WENZ F,YIN FF: "Development of a neuro-fuzzy technique for automated parameter optimization of inverse treatment planning", 《RADIAT ONCOL》 * |
| YANH, YIN FF,GUAN H,KIM JH: "Fuzzy logic guided inverse treatment planning", 《MED PHYS》 * |
| 郭彩萍；舒华忠；桂志国；张鹏程: "基于正则化的混合准则放疗规划模型的改进", 《计算机工程与应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111035860A (zh) * | 2018-10-11 | 2020-04-21 | 海创时代(深圳)医疗科技有限公司 | 一种计划系统的自动优化方法及装置 |
| CN111035860B (zh) * | 2018-10-11 | 2022-02-18 | 海创时代(深圳)医疗科技有限公司 | 一种计划系统的自动优化装置 |
| CN113164757A (zh) * | 2018-12-20 | 2021-07-23 | 光线搜索实验室公司 | 用于优化至少一个治疗计划的方法、计算机程序和计算机系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN105930636B (zh) | 一种自动确定目标函数权重的放射治疗方案优化系统 | |
| Cagni et al. | Knowledge-based treatment planning: An inter-technique and inter-system feasibility study for prostate cancer | |
| US7804935B2 (en) | Fuzzy logic guided inverse treatment planning | |
| 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 | |
| CN107823806B (zh) | 一种用于调强放射治疗直接子野优化的方法及系统 | |
| Deist et al. | High-dose-rate prostate brachytherapy inverse planning on dose-volume criteria by simulated annealing | |
| CN105930637A (zh) | 一种自动确定目标函数权重的放射治疗方案优化方法 | |
| Oud et al. | Fast and fully-automated multi-criterial treatment planning for adaptive HDR brachytherapy for locally advanced cervical cancer | |
| CA3082229A1 (en) | Radiation treatment planning with multiple target subset optimization | |
| Van Haveren et al. | Fast and fuzzy multi-objective radiotherapy treatment plan generation for head and neck cancer patients with the lexicographic reference point method (LRPM) | |
| Song et al. | Fully automatic volumetric modulated arc therapy plan generation for rectal cancer | |
| CN109499012A (zh) | 一种优化剂量引导的tps自动迭代优化算法 | |
| CN108057177A (zh) | 一种基于模糊推理的混合准则放疗参数自动优化方法 | |
| Boylan et al. | Simulation of realistic linac motion improves the accuracy of a Monte Carlo based VMAT plan QA system | |
| Hansen et al. | Plan quality in radiotherapy treatment planning–Review of the factors and challenges | |
| Wahl et al. | Physically constrained voxel‐based penalty adaptation for ultra‐fast IMRT planning | |
| Georg et al. | Patient-specific IMRT verification using independent fluence-based dose calculation software: experimental benchmarking and initial clinical experience | |
| Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
| Kallis et al. | Automated treatment planning framework for brachytherapy of cervical cancer using 3D dose predictions | |
| Deufel et al. | Quality assurance for high dose rate brachytherapy treatment planning optimization: using a simple optimization to verify a complex optimization | |
| Shende et al. | Geometrical source modeling of 6MV flattening-filter-free (FFF) beam from TrueBeam linear accelerator and its commissioning validation using Monte Carlo simulation approach for radiotherapy | |
| Andersson | Mathematical optimization of radiation therapy goal fulfillment | |
| CN113870976A (zh) | 一种基于剂量预评估的自适应放疗剂量调强优化计算方法 | |
| Ghanbarzadeh et al. | The scatter search based algorithm for beam angle optimization in intensity-modulated radiation therapy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180522 |
|
| WD01 | Invention patent application deemed withdrawn after publication |