CN108211136A - 基于动态光栅的旋转调强优化方法及放射治疗设备 - Google Patents
基于动态光栅的旋转调强优化方法及放射治疗设备 Download PDFInfo
- Publication number
- CN108211136A CN108211136A CN201711498168.XA CN201711498168A CN108211136A CN 108211136 A CN108211136 A CN 108211136A CN 201711498168 A CN201711498168 A CN 201711498168A CN 108211136 A CN108211136 A CN 108211136A
- Authority
- CN
- China
- Prior art keywords
- ziye
- arc
- launched field
- oar
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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
- A61N5/1042—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head
- A61N5/1045—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head using a multi-leaf collimator, e.g. for intensity modulated radiation therapy or IMRT
- A61N5/1047—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head using a multi-leaf collimator, e.g. for intensity modulated radiation therapy or IMRT with movement of the radiation head during application of radiation, e.g. for intensity modulated arc therapy or IMAT
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种基于动态光栅的旋转调强优化方法及放射治疗设备,本发明与现有技术相比的优点在于:本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点,又有效的克服了两者的缺点。利用了Conformal类型Arc的治疗效率,同时在优化过程中,充分考虑到Conformal Arc对总计划的剂量贡献,优化针对整个计划进行,采用基于射野强度分布和子野分割后的结果,转化成动态结果,最后使用共轭梯度法优化子野权重。这样既可以满足计算时间的要求,又能满足优化效果要求,同时使得射野的利用率大大提高。
Description
技术领域
本发明涉及加速器治疗装置,具体涉及一种基于动态光栅的旋转调强优化方法及放射治疗设备。
背景技术
放射治疗作为肿瘤的一种局部治疗手段,一直在不断寻求解决的一个基本问题是,如何较好地处理肿瘤组织和周围正常组织的剂量关系,使肿瘤得到最大限度的局部控制而周围正常组织和器官的放射损伤最小。临床经验证明,肿瘤的局部控制与正常组织的放射损伤有一定的关系。多数情况下,肿瘤控制率与正常组织损伤成正比例,即提高肿瘤的局部控制率必然造成对正常组织的更多的损伤。临床经验也证明,通过改进照射技术、选择合理的时间剂量因子,在保持同等水平的肿瘤控制率的情况下,可减低正常组织的放射损伤。治疗方案的优化是实现上述目的的途径之一。
旋转调强是目前发展的最先进的调强技术,能够很好的避免传统IMRT治疗时间长的缺点,同时治疗效果优于IMRT,大大提高计划执行的效率。传统的IMRT治疗,在治疗过程中,加速器大机架是静止的,每个治疗野切换时,都要停止出束,机架到位之后再重新出束,导致治疗效率相对旋转治疗较为低下;最初的旋转治疗没有优化过程,将一个弧划分成若干个方向,每个方向上的子野形状根据BEV(Beam Eye View射野方向视图)中的形状确定。后来发展了旋转调强优化,采用一些优化方法,优化得到每个方向上的子野形状和权重。但是目前旋转调强优化的难点在于优化参数众多,优化时间长,很难得到最优的方案。
发明内容
为了克服现有技术的不足,解决现有技术中优化参数众多,优化时间长,很难得到最优的方案的缺陷,本发明提供了一种基于动态光栅和肿瘤形态学特征的旋转调强优化方法和系统。能够快速解决旋转调强参数优化问题,其优化结果能够完全满足放疗计划制定的要求,而又使得计算时间能够在本领域技术人员可以接受的范围内。
本文中的Arc即弧形野或弧。
为达到上述目的,本发明的技术方案是:
一种基于动态光栅的旋转调强优化方法,包括以下步骤:
第1步,设置以下参数:弧形野数量、起始角度、角度间隔、剂量约束;
其中,将弧形野Arc(下文中简称Arc)类型分为Conformal和IMRT两种;
第2步,根据上述条件将Arc离散化,获得若干静态临时射野Beam;
第3步,基于第2步,对设置类型为Conformal类型Arc离散获得的静态临时射野Beam,根据靶区的形态学,得到光栅子野的形状;
第4步,计算Conformal类型Arc的剂量,具体如下;
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
第5步,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,且使用共轭梯度法对其进行强度优化;
第6步,对强度进行子野分割;
第7步,将得到的静态野的子野按顺序均匀分布到原来的弧形野上;
第8步,使用gDPM计算每个子野的剂量分布;
第9步,最后再使用共轭梯度法优化每个子野的权重。
然后获得最终的治疗计划。
本发明与现有技术相比的优点在于:本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点,又有效的克服了两者的缺点。利用了Conformal类型Arc的治疗效率,同时在优化过程中,充分考虑到Conformal类型Arc对总计划的剂量贡献,优化针对整个计划进行,采用基于射野强度分布和子野分割后的结果,转化成动态结果,最后使用共轭梯度法优化子野权重。这样既可以满足计算时间的要求,又能满足优化效果要求,同时使得射野的利用率大大提高。
进一步的,所述第2步具体如下:
根据Arc的起始角度G_start和结束角度G_end,角度间隔G_step、每个射野子野数SegNumOneBeam,计算:
子野个数:
NSeg=(G_end-G_start)/G_step;
射野个数:
NBeam=NSeg/SegNumOneBeam;
射野角度间隔:
Step=(G_end-G_start)/NBeam;
射野角度:
Ang(i)=G_start+i*Step-Step/2。
进一步的,所述第3步中光栅子野形状获得方法,具体如下:
首先根据静态临时射野Beam的角度,计算靶区勾画在等中心层面的投影,找到投影的外轮廓,跟据外轮廓确定光栅子野的形状。
进一步的,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,所述强度优化采用共轭梯度法,具体如下:
设定目标函数
其中,
其中,为与所有OAR有关的目标函数项;为与靶区有关的目标函数项;NOAR为OAR的个数;NTi为第i个OAR中的采样点数;Ntarget为Target(目标)的个数;δj为第j个点的约束权重,当器官中的点剂量违反约束时,δj=1,否则δj=0;Wj为第j个点的权重;dj为第j个点的IMRT性质的射野贡献的计算剂量;d′j为第j个点的Conformal性质的射野贡献的剂量;pj为第j个点的处方剂量;Nray为射束(ray,又称笔形束,pencil beam)的总个数;ajm为单位强度的第m个射束对第j个点的剂量贡献;为第m个射束的强度;
用CG方法优化出射野的强度分布,记为I(i)。
进一步的,所述第6步中的对强度进行子野分割,具体如下:
对输入的强度图,采用SlidingWindow的分割算法进行分割,得到连续运动的子野Seg1;且每个临时射野Beam的子野数量应保持一致,记为m。
进一步的,在第7步中,所述对于上述临时射野Beam,将其分割得到的SlidingWindow的Seg1,均匀的分布到当前角度的(-step/2,step/2);则整个Arc的m*n个子野的覆盖范围为:G_end-G_start。
进一步的,所述第8步中,使用gDPM计算每个子野的剂量分布,具体如下:
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i)。
进一步的,所述第9步中,最后再使用共轭梯度法优化每个子野的权重,具体如下:
设定目标函数:
F′obj(Wi)=F′target(Wi)+F′oar(Wi);其中,
其中,
F′oar(Wi)为所有与OAR有关的目标函数项,
F′target(Wi)则为与靶区有关的目标函数项,
Noar为OAR的个数,Ntarget为靶区的个数。
本发明还提供一种放射治疗设备,包括:
参数设置模块,用以设置以下参数:弧形野数量、起始角度、剂量约束;其中,将弧形野类型分为Conformal和IMRT两种;
Arc离散化模块,用于根据上述条件将Arc离散化,获得若干静态临时射野Beam;
光栅子野计算模块,用于对设置类型为Conformal类型Arc离散获得的静态临时射野Beam,根据靶区的形态学,得到光栅子野的形状;
Arc剂量分布计算模块,用于计算Conformal类型Arc的剂量,具体如下;
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
强度优化模块,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,使用共轭梯度法对其进行强度优化;
子野分割模块,对强度进行子野分割;
子野分布计算模块,将得到的静态野的子野按顺序均匀分布到原来的弧形野上;
子野剂量分布计算模块,使用gDPM计算每个子野的剂量分布;
子野权重优化模块,最后再使用共轭梯度法优化每个子野的权重。
进一步的,
所述Arc离散化模块具体工作原理如下:
根据Arc的起始角度G_start和结束角度G_end,角度间隔G_step、每个射野子野数SegNumOneBeam,计算:
子野个数:
NSeg=(G_end-G_start)/G_step;
射野个数:
NBeam=NSeg/SegNumOneBeam;
射野角度间隔:
Step=(G_end-G_start)/NBeam;
射野角度:
Ang(i)=G_start+i*Step-Step/2;
所述光栅子野计算模块的工作原理具体如下:
首先根据静态临时射野Beam的角度,计算靶区勾画在等中心层面的投影,找到投影的外轮廓,跟据外轮廓确定光栅子野的形状;
所述强度优化模块的工作原理具体如下:
设定目标函数
其中,
其中,为与所有OAR有关的目标函数项;为与靶区有关的目标函数项;NOAR为OAR的个数;NTi为第i个OAR中的采样点数;Ntarget为Target(目标)的个数;δj为第j个点的约束权重,当器官中的点剂量违反约束时,δj=1,否则δj=0;Wj为第j个点的权重;dj为第j个点的IMRT性质的射野贡献的计算剂量;d′j为第j个点的Conformal性质的射野贡献的剂量;pj为第j个点的处方剂量;Nray为射束(ray,又称笔形束,pencil beam)的总个数;ajm为单位强度的第m个射束对第j个点的剂量贡献;为第m个射束的强度;
用CG方法优化出射野的强度分布,记为I(i);
所述子野分割模块的工作原理具体如下:
对输入的强度图,采用SlidingWindow的分割算法进行分割,得到连续运动的子野Seg1;且每个临时射野Beam的子野数量应保持一致,记为m;
所述子野分布计算模块的工作原理如下:所述对于上述临时射野Beam,将其分割得到的SlidingWindow的Seg1,均匀的分布到当前角度的(-step/2,step/2);则整个Arc的m*n个子野的覆盖范围为:G_end-G_start。
所述子野剂量分布计算模块的工作原理如下,使用gDPM计算每个子野的剂量分布,具体如下:
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
所述子野权重优化模块的工作原理如下,使用共轭梯度法优化每个子野的权重,具体如下:
设定目标函数:
F′obj(Wi)=F′target(Wi)+F′oar(Wi);其中,
其中,
F′oar(Wi)为所有与OAR有关的目标函数项,
F′target(Wi)则为与靶区有关的目标函数项,
Noar为OAR的个数,Ntarget为靶区的个数。
附图说明
图1是剂量点与射野笔形束之间的关系图;
图2是本发明的过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
在实际射疗的过程中,医生需要先根据患者病症的具体情况制定治疗计划,这个治疗计划包括射线从哪几个角度进行照射,每个角度的射野形状及照射时间(剂量控制),照射次数等等。例如,医生为某一病患给出以下治疗计划:计划进行2个Arc射线,一个从90度开始至270度结束,一个从270度开始至90度结束;给定靶区最小剂量为6000cGy,最大65cGy,危及器官剂量不超过临床需求。最初,主机架旋转到某个角度后,静止下来,完成该角度的照射剂量,再旋转到下一个角度,静止并完成对应的剂量,以此类推,即静态调强。现有技术中,在每一个角度之间,开始谋求连续的调强治疗,即动态调强,在从一个角度到另一个角度之间,进行连续的调强,难度很大,现有技术还存在很多问题,如优化参数多,优化时间过长及优化的结果不是太理想等的。
本发明提出一种解决方案,一种基于动态光栅的旋转调强优化方法,包括以下步骤:
第1步,设置以下参数:弧形野数量、起始角度、剂量约束;
其中,将弧形野Arc类型分为Conforma1和IMRT两种;例如,医生为某一病患给出以下治疗计划:计划进行2个Arc射线,一个从90度开始至270度结束,一个从270度开始至90度结束;给定靶区最小剂量为6000cGy,最大65cGy,危及器官剂量不超过临床需求。我们将射野类型分为Conformal和IMRT两种,假设设定第一个弧(Arc)为Conformal,另一个为IMRT;
第2步,根据上述条件将Arc离散化,获得若干静态临时射野Beam;
第3步,基于第2步,对设置类型为Conformal类型Arc离散获得的静态临时射野Beam,根据靶区的形态学,得到光栅子野的形状;
第4步,计算Conformal类型Arc的剂量,具体如下;
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
第5步,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,且使用共轭梯度法对其进行强度优化;
第6步,对强度进行子野分割;
第7步,将得到的静态野的子野按顺序均匀分布到原来的弧形野上;
第8步,使用gDPM计算每个子野的剂量分布;
第9步,最后再使用共轭梯度法优化每个子野的权重。
然后获得最终的治疗计划。
本发明与现有技术相比的优点在于:本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点,又有效的克服了两者的缺点。利用了ConformalArc的治疗效率,同时在优化过程中,充分考虑到Conformal Arc对总计划的剂量贡献,优化针对整个计划进行,采用基于射野强度分布和子野分割后的结果,转化成动态结果,最后使用共轭梯度法优化子野权重。这样既可以满足计算时间的要求,又能满足优化效果要求,同时使得射野的利用率大大提高。
在实际应用中各步骤可以具体采用以下方案:
所述第2步具体如下:
根据Arc的起始角度G_start和结束角度G_end,角度间隔G_step、每个射野子野数SegNumOneBeam,计算:
子野个数:
NSeg=(G_end-G_start)/G_step;
射野个数:
NBeam=NSeg/SegNumOneBeam;
射野角度间隔:
Step=(G_end-G_start)/NBeam;
射野角度:
Ang(i)=G_start+i*Step-Step/2。
所述第3步中光栅子野形状获得方法,具体如下:
首先根据静态临时射野Beam的角度,计算靶区勾画在等中心层面的投影,找到投影的外轮廓,跟据外轮廓确定光栅子野的形状。
所述第5步中,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,采用共轭梯度法,具体如下:
设定目标函数
其中,
其中,为与所有OAR有关的目标函数项;为与靶区有关的目标函数项;NOAR为OAR的个数;NTi为第i个OAR中的采样点数;Ntarget为Target(目标)的个数;δj为第j个点的约束权重,当器官中的点剂量违反约束时,δj=1,否则δj=0;Wj为第j个点的权重;dj为第j个点的IMRT性质的射野贡献的计算剂量;d′j为第j个点的Conformal性质的射野贡献的剂量;pj为第j个点的处方剂量;Nray为射束(ray,又称笔形束,pencil beam)的总个数;ajm为单位强度的第m个射束对第j个点的剂量贡献;为第m个射束的强度;剂量点与射野笔形束的关系如图1所示。图1中,对应于j点(图1中标号为1的点)的为第m个强度为xm的笔形束(图1中标号为2),对应于j点的点剂量值由以下公式决定:
用CG方法优化出射野的强度分布,记为I(i)。
所述第6步中的对强度进行子野分割,具体如下:
对输入的强度图,采用SlidingWindow的分割算法进行分割,得到连续运动的子野Seg1;且每个临时射野Beam的子野数量应保持一致,记为m。
在第7步中,所述对于上述临时射野Beam,将其分割得到的SlidingWindow的Seg1,均匀的分布到当前角度的(-step/2,step/2);则整个Arc的m*n个子野的覆盖范围为:G_end-G_start。
所述第8步中,使用gDPM计算每个子野的剂量分布,具体如下:
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i)。
所述第9步中,最后再使用共轭梯度法优化每个子野的权重,具体如下:
设定目标函数:
F′obj(Wi)=F′target(Wi)+F′oar(Wi);其中,
其中,
F′oar(Wi)为所有与OAR有关的目标函数项,
F′target(Wi)则为与靶区有关的目标函数项,
Noar为OAR的个数,Ntarget为靶区的个数。
最终得到需要的治疗计划。
如图2所示,系统初始化后,依次执行以下步骤:
1、医生设置Arc数量,起始角度,角度间隔,Arc的计算类型、权重、各器官约束等参数;将弧形野类型分为Conformal和IMRT两种;
2、然后将将Arc进行离散化,得到静态临时射野Beam(i);
3、对设置类型为Conformal类型的Arc转换成的静态临时射野Beam,根据靶区的形态学,计算光栅子野形状;
4、计算Conformal类型Arc的子野剂量;
5、对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度分布优化;
6、进行子野分割,保证每个临时Beam的子野数量一致;
7、子野转换,将每个临时Beam的子野在其角度范围内均匀分布;
8、子野剂量计算;
9子野权重优化,保证剂量分布最优;
最终得到需要的治疗计划。
上述9个步骤的具体方法见前述内容。
本发明还提供一种放射治疗设备,包括:
参数设置模块,用以设置以下参数:弧形野数量、起始角度、剂量约束;其中,将弧形野类型分为Conformal和IMRT两种;
Arc离散化模块,用于根据上述条件将Arc离散化,获得若干静态临时射野Beam;
光栅子野计算模块,用于对设置类型为Conformal类型Arc离散获得的静态临时射野Beam,根据靶区的形态学,得到光栅子野的形状;
Arc剂量分布计算模块,用于计算Conformal类型Arc的剂量,具体如下;
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
强度优化模块,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,使用共轭梯度法对其进行强度优化;
子野分割模块,对强度进行子野分割;
子野分布计算模块,将得到的静态野的子野按顺序均匀分布到原来的弧形野上;
子野剂量分布计算模块,使用gDPM计算每个子野的剂量分布;
子野权重优化模块,最后再使用共轭梯度法优化每个子野的权重。
进一步的,
所述Arc离散化模块具体工作原理如下:
根据Arc的起始角度G_start和结束角度G_end,角度间隔G_step、每个射野子野数SegNumOneBeam,计算:
子野个数:
NSeg=(G_end-G_start)/G_step;
射野个数:
NBeam=NSeg/SegNumOneBeam;
射野角度间隔:
Step=(G_end-G_start)/NBeam;
射野角度:
Ang(i)=G_start+i*Step-Step/2;
所述光栅子野计算模块的工作原理具体如下:
首先根据静态临时射野Beam的角度,计算靶区勾画在等中心层面的投影,找到投影的外轮廓,跟据外轮廓确定光栅子野的形状;
所述强度优化模块的工作原理具体如下:
设定目标函数
其中,
其中,为与所有OAR有关的目标函数项;为与靶区有关的目标函数项;NOAR为OAR的个数;NTi为第i个OAR中的采样点数;Ntarget为Target(目标)的个数;δj为第j个点的约束权重,当器官中的点剂量违反约束时,δj=1,否则δj=0;Wj为第j个点的权重;dj为第j个点的IMRT性质的射野贡献的计算剂量;d′j为第j个点的Conformal性质的射野贡献的剂量;pj为第j个点的处方剂量;Nray为射束(ray,又称笔形束,pencil beam)的总个数;ajm为单位强度的第m个射束对第j个点的剂量贡献;为第m个射束的强度;
用CG方法优化出射野的强度分布,记为I(i);
所述子野分割模块的工作原理具体如下:
对输入的强度图,采用SlidingWindow的分割算法进行分割,得到连续运动的子野Seg1;且每个临时射野Beam的子野数量应保持一致,记为m;
所述子野分布计算模块的工作原理如下:所述对于上述临时射野Beam,将其分割得到的SlidingWindow的Seg1,均匀的分布到当前角度的(-step/2,step/2);则整个Arc的m*n个子野的覆盖范围为:G_end-G_start。
所述子野剂量分布计算模块的工作原理如下,使用gDPM计算每个子野的剂量分布,具体如下:
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
所述子野权重优化模块的工作原理如下,使用共轭梯度法优化每个子野的权重,具体如下:
设定目标函数:
F′obj(Wi)=F′target(Wi)+F′oar(Wi);其中,
其中,
F′oar(Wi)为所有与OAR有关的目标函数项,
F′target(Wi)则为与靶区有关的目标函数项,
Noar为OAR的个数,Ntarget为靶区的个数。
通过上述各模块的运算,获得最终的优化的治疗计划。本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点,又有效的克服了两者的缺点。利用了Conformal类型Arc的治疗效率,同时在优化过程中,充分考虑到Conformal Arc对总计划的剂量贡献,优化针对整个计划进行,采用基于射野强度分布和子野分割后的结果,转化成动态结果,最后使用共轭梯度法优化子野权重。这样既可以满足计算时间的要求,又能满足优化效果要求,同时使得射野的利用率大大提高。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于动态光栅的旋转调强优化方法,其特征在于,包括以下步骤:
第1步,设置以下参数:弧形野Arc的数量、起始角度、角度间隔、剂量约束;
其中,将弧形野类型分为Conformal和IMRT两种;
第2步,根据上述条件将Arc离散化,获得若干静态临时射野Beam;
第3步,基于第2步,对设置类型为Conformal类型的静态临时射野Beam,根据靶区的形态学,得到光栅子野的形状;
第4步,计算Conformal类型Arc的剂量,具体如下;
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
第5步,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,使用共轭梯度法对其进行强度优化;
第6步,对强度进行子野分割;
第7步,将得到的静态野的子野按顺序均匀分布到原来的弧形野上;
第8步,使用gDPM计算每个子野的剂量分布;
第9步,最后再使用共轭梯度法优化每个子野的权重。
2.根据权利要求1所述的基于动态光栅的旋转调强优化方法,其特征在于,所述第2步具体如下:
根据Arc的起始角度G_start和结束角度G_end,角度间隔G_step、每个射野子野数SegNumOneBeam,计算:
子野个数:
NSeg=(G_end-G_start)/G_step;
射野个数:
NBeam=NSeg/SegNumOneBeam;
射野角度间隔:
Step=(G_end-G_start)/NBeam;
射野角度:
Ang(i)=G_start+i*Step-Step/2。
3.根据权利要求1或2所述的基于动态光栅的旋转调强优化方法,其特征在于,所述第3步中光栅子野形状获得方法,具体如下:
首先根据静态临时射野Beam的角度,计算靶区勾画在等中心层面的投影,找到投影的外轮廓,跟据外轮廓确定光栅子野的形状。
4.根据权利要求3所述的基于动态光栅的旋转调强优化方法,其特征在于,所述第5步中,所述强度优化采用共轭梯度法,具体如下:
设定目标函数
其中,
其中,为与所有OAR有关的目标函数项;为与靶区有关的目标函数项;NOAR为OAR的个数;NTi为第i个OAR中的采样点数;Ntarget为Target(目标)的个数;δj为第j个点的约束权重,当器官中的点剂量违反约束时,δj=1,否则δj=0;Wj为第j个点的权重;dj为第j个点的IMRT性质的射野贡献的计算剂量;d′j为第j个点的Conformal性质的射野贡献的剂量;pj为第j个点的处方剂量;Nray为射束(ray,又称笔形束,pencil beam)的总个数;ajm为单位强度的第m个射束对第j个点的剂量贡献;为第m个射束的强度;
用CG方法优化出射野的强度分布,记为I(i)。
5.根据权利要求3所述的基于动态光栅的旋转调强优化方法,其特征在于,所述第6步中的对强度进行子野分割,具体如下:
对输入的强度图,采用SlidingWindow的分割算法进行分割,得到连续运动的子野Segl;且每个临时射野Beam的子野数量应保持一致,记为m。
6.根据权利要求5所述的基于动态光栅的旋转调强优化方法,其特征在于,在第7步中,所述对于上述临时射野Beam,将其分割得到的SlidingWindow的Seg1,均匀的分布到当前角度的(-step/2,step/2);则整个Arc的m*n个子野的覆盖范围为:G_end-G_start。
7.根据权利要求1所述的基于动态光栅的旋转调强优化方法,其特征在于,所述第8步中,使用gDPM计算每个子野的剂量分布,具体如下:
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i)。
8.根据权利要求7所述的基于动态光栅的旋转调强优化方法,其特征在于,所述第9步中,最后再使用共轭梯度法优化每个子野的权重,具体如下:
设定目标函数:
F′obj(Wi)=F′target(Wi)+F′oar(Wi);其中,
其中,
F′oar(Wi)为所有与OAR有关的目标函数项,
F′target(Wi)则为与靶区有关的目标函数项,
Noar为OAR的个数,Ntarget为靶区的个数。
9.一种放射治疗设备,其特征在于,包括:
参数设置模块,用以设置以下参数:弧形野数量、起始角度、剂量约束;其中,将弧形野类型分为Conformal和IMRT两种;
Arc离散化模块,用于根据上述条件将Arc离散化,获得若干静态临时射野Beam;
光栅子野计算模块,用于对设置类型为Conformal类型Arc离散获得的静态临时射野Beam,根据靶区的形态学,得到光栅子野的形状;
Arc剂量分布计算模块,用于计算Conformal类型Arc的剂量,具体如下;
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
强度优化模块,对剩余的IMRT类型的Arc所离散的静态临时射野Beam进行强度优化,使用共轭梯度法对其进行强度优化;
子野分割模块,对强度进行子野分割;
子野分布计算模块,将得到的静态野的子野按顺序均匀分布到原来的弧形野上;
子野剂量分布计算模块,使用gDPM计算每个子野的剂量分布;
子野权重优化模块,最后再使用共轭梯度法优化每个子野的权重。
10.根据权利要求9所述的放射治疗设备,其特征在于,
所述Arc离散化模块具体工作原理如下:
根据Arc的起始角度G_start和结束角度G_end,角度间隔G_step、每个射野子野数SegNumOneBeam,计算:
子野个数:
NSeg=(G_end-G_start)/G_step;
射野个数:
NBeam=NSeg/SegNumOneBeam;
射野角度间隔:
Step=(G_end-G_start)/NBeam;
射野角度:
Ang(i)=G_start+i*Step-Step/2;
所述光栅子野计算模块的工作原理具体如下:
首先根据静态临时射野Beam的角度,计算靶区勾画在等中心层面的投影,找到投影的外轮廓,跟据外轮廓确定光栅子野的形状;
所述强度优化模块的工作原理具体如下:
设定目标函数
其中,
其中,为与所有OAR有关的目标函数项;为与靶区有关的目标函数项;NOAR为OAR的个数;NTi为第i个OAR中的采样点数;Ntarget为Target(目标)的个数;δj为第j个点的约束权重,当器官中的点剂量违反约束时,δj=1,否则δj=0;Wj为第j个点的权重;dj为第j个点的IMRT性质的射野贡献的计算剂量;d′j为第j个点的Conformal性质的射野贡献的剂量;pj为第j个点的处方剂量;Nray为射束(ray,又称笔形束,pencil beam)的总个数;ajm为单位强度的第m个射束对第j个点的剂量贡献;为第m个射束的强度;
用CG方法优化出射野的强度分布,记为I(i);
所述子野分割模块的工作原理具体如下:
对输入的强度图,采用SlidingWindow的分割算法进行分割,得到连续运动的子野Segl;且每个临时射野Beam的子野数量应保持一致,记为m;
所述子野分布计算模块的工作原理如下:所述对于上述临时射野Beam,将其分割得到的SlidingWindow的Seg1,均匀的分布到当前角度的(-step/2,step/2);则整个Arc的m*n个子野的覆盖范围为:G_end-G_start。
所述子野剂量分布计算模块的工作原理如下,使用gDPM计算每个子野的剂量分布,具体如下:
对每一个子野,使用基于GPU的蒙特卡洛算法gDPM,计算剂量分布Dseg(i);
所述子野权重优化模块的工作原理如下,使用共轭梯度法优化每个子野的权重,具体如下:
设定目标函数:
F′obj(Wi)=F′target(Wi)+F′oar(Wi);其中,
其中,
F′oar(Wi)为所有与OAR有关的目标函数项,
F′target(Wi)则为与靶区有关的目标函数项,
Noar为0AR的个数,Ntarget为靶区的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498168.XA CN108211136B (zh) | 2017-12-29 | 2017-12-29 | 基于动态光栅的旋转调强优化方法及放射治疗设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498168.XA CN108211136B (zh) | 2017-12-29 | 2017-12-29 | 基于动态光栅的旋转调强优化方法及放射治疗设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108211136A true CN108211136A (zh) | 2018-06-29 |
CN108211136B CN108211136B (zh) | 2021-01-15 |
Family
ID=62642359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711498168.XA Active CN108211136B (zh) | 2017-12-29 | 2017-12-29 | 基于动态光栅的旋转调强优化方法及放射治疗设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108211136B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109499012A (zh) * | 2018-12-27 | 2019-03-22 | 苏州雷泰医疗科技有限公司 | 一种优化剂量引导的tps自动迭代优化算法 |
CN110237439A (zh) * | 2018-12-21 | 2019-09-17 | 苏州雷泰医疗科技有限公司 | 用于正交双层光栅装置的静态调强子野优化方法 |
CN110404185A (zh) * | 2019-07-09 | 2019-11-05 | 苏州雷泰智能科技有限公司 | 一种正交双层光栅的旋转调强分割方法及装置 |
WO2020125332A1 (zh) * | 2018-12-21 | 2020-06-25 | 苏州雷泰医疗科技有限公司 | 用于正交双层光栅装置的动态调强子野分割方法 |
CN113521561A (zh) * | 2021-06-22 | 2021-10-22 | 苏州雷泰医疗科技有限公司 | 正交双层光栅逆向旋转调强的实现方法、存储介质及装置 |
CN114588561A (zh) * | 2022-01-27 | 2022-06-07 | 苏州雷泰医疗科技有限公司 | 射野强度分布优化方法、装置及放射治疗设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009074288A1 (en) * | 2007-12-12 | 2009-06-18 | Varian Medical Systems International Ag | Treatment planning system and method for radiotherapy |
CN103083821A (zh) * | 2013-01-27 | 2013-05-08 | 合肥超安医疗科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 |
CN103405852A (zh) * | 2013-08-29 | 2013-11-27 | 曲桂红 | 立体定向放射治疗剂量场分布的快速计算方法 |
CN103706044A (zh) * | 2014-01-01 | 2014-04-09 | 杨金磊 | 一种放射治疗的计划设计方法 |
CN104318122A (zh) * | 2014-11-06 | 2015-01-28 | 中国科学院合肥物质科学研究院 | 一种基于扰动的旋转调强优化方法 |
CN105709341A (zh) * | 2016-01-15 | 2016-06-29 | 中国科学院合肥物质科学研究院 | 一种基于梯度法和漫水填充法的调强子野优化方法 |
CN106943679A (zh) * | 2017-04-24 | 2017-07-14 | 安徽慧软科技有限公司 | 基于gpu蒙特卡洛算法的磁场下光子和电子剂量计算方法 |
CN107050667A (zh) * | 2017-04-24 | 2017-08-18 | 安徽慧软科技有限公司 | 基于gpu蒙特卡洛算法的磁场下质子和重离子剂量计算方法 |
-
2017
- 2017-12-29 CN CN201711498168.XA patent/CN108211136B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009074288A1 (en) * | 2007-12-12 | 2009-06-18 | Varian Medical Systems International Ag | Treatment planning system and method for radiotherapy |
CN103083821A (zh) * | 2013-01-27 | 2013-05-08 | 合肥超安医疗科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 |
CN103405852A (zh) * | 2013-08-29 | 2013-11-27 | 曲桂红 | 立体定向放射治疗剂量场分布的快速计算方法 |
CN103706044A (zh) * | 2014-01-01 | 2014-04-09 | 杨金磊 | 一种放射治疗的计划设计方法 |
CN104318122A (zh) * | 2014-11-06 | 2015-01-28 | 中国科学院合肥物质科学研究院 | 一种基于扰动的旋转调强优化方法 |
CN105709341A (zh) * | 2016-01-15 | 2016-06-29 | 中国科学院合肥物质科学研究院 | 一种基于梯度法和漫水填充法的调强子野优化方法 |
CN106943679A (zh) * | 2017-04-24 | 2017-07-14 | 安徽慧软科技有限公司 | 基于gpu蒙特卡洛算法的磁场下光子和电子剂量计算方法 |
CN107050667A (zh) * | 2017-04-24 | 2017-08-18 | 安徽慧软科技有限公司 | 基于gpu蒙特卡洛算法的磁场下质子和重离子剂量计算方法 |
Non-Patent Citations (3)
Title |
---|
李永杰: "调强放射治疗中的优化技术研究", 《博士学位论文》 * |
阮长利; 宋启斌; 胡钦勇; 付敬国;: "乳腺癌根治术后适形和调强混合放疗计划与单纯调强放疗计划的剂量学比较", 《中国医疗设备》 * |
黄莹等: "基于GPU的蒙特卡洛模拟在辐射剂量计算中的研究进展及应用", 《中国医学物理学杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110237439A (zh) * | 2018-12-21 | 2019-09-17 | 苏州雷泰医疗科技有限公司 | 用于正交双层光栅装置的静态调强子野优化方法 |
WO2020125332A1 (zh) * | 2018-12-21 | 2020-06-25 | 苏州雷泰医疗科技有限公司 | 用于正交双层光栅装置的动态调强子野分割方法 |
CN110237439B (zh) * | 2018-12-21 | 2020-12-18 | 苏州雷泰医疗科技有限公司 | 用于正交双层光栅装置的静态调强子野优化方法 |
CN109499012A (zh) * | 2018-12-27 | 2019-03-22 | 苏州雷泰医疗科技有限公司 | 一种优化剂量引导的tps自动迭代优化算法 |
CN110404185A (zh) * | 2019-07-09 | 2019-11-05 | 苏州雷泰智能科技有限公司 | 一种正交双层光栅的旋转调强分割方法及装置 |
CN113521561A (zh) * | 2021-06-22 | 2021-10-22 | 苏州雷泰医疗科技有限公司 | 正交双层光栅逆向旋转调强的实现方法、存储介质及装置 |
CN114588561A (zh) * | 2022-01-27 | 2022-06-07 | 苏州雷泰医疗科技有限公司 | 射野强度分布优化方法、装置及放射治疗设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108211136B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108211136A (zh) | 基于动态光栅的旋转调强优化方法及放射治疗设备 | |
CN108175953A (zh) | 一种基于动态光栅的旋转调强优化方法及放射治疗设备 | |
Keller-Reichenbecher et al. | Intensity modulation with the “step and shoot” technique using a commercial MLC: A planning study | |
Yoo et al. | Radiotherapy treatment plans with RapidArc for prostate cancer involving seminal vesicles and lymph nodes | |
Ma et al. | Monte Carlo verification of IMRT dose distributions from a commercial treatment planning optimization system | |
Lomax | Intensity modulation methods for proton radiotherapy | |
Engwall et al. | Effectiveness of different rescanning techniques for scanned proton radiotherapy in lung cancer patients | |
Aznar et al. | Rotational radiotherapy for prostate cancer in clinical practice | |
Fu et al. | Dosimetric effects of patient rotational setup errors on prostate IMRT treatments | |
Das et al. | Beam orientation selection for intensity-modulated radiation therapy based on target equivalent uniform dose maximization | |
Bedford et al. | Constrained segment shapes in direct‐aperture optimization for step‐and‐shoot IMRT | |
Jiang et al. | An examination of the number of required apertures for step-and-shoot IMRT | |
CN104307115B (zh) | 动态电子限光筒、电子容积调强拉弧放射治疗系统 | |
Garnica-Garza | Treatment planning considerations in contrast-enhanced radiotherapy: energy and beam aperture optimization | |
Song et al. | Fully automatic volumetric modulated arc therapy plan generation for rectal cancer | |
Pérez-López et al. | Monte Carlo modeling and optimization of contrast-enhanced radiotherapy of brain tumors | |
Kung et al. | Dosimetric comparison of intensity-modulated stereotactic radiotherapy with other stereotactic techniques for locally recurrent nasopharyngeal carcinoma | |
Kan et al. | The performance of the progressive resolution optimizer (PRO) for RapidArc planning in targets with low‐density media | |
Bedford et al. | Quality of treatment plans and accuracy of in vivo portal dosimetry in hybrid intensity-modulated radiation therapy and volumetric modulated arc therapy for prostate cancer | |
Kung et al. | A method of calculating a lung clinical target volume DVH for IMRT with intrafractional motion | |
Jäkel et al. | Treatment planning for carbon ion radiotherapy in Germany: review of clinical trials and treatment planning studies | |
CN113101548A (zh) | 一种降低皮肤剂量的光子调强放疗控制方法 | |
CN107998519A (zh) | 一种用于imrt的分子动力学再优化算法 | |
Al-Yahya et al. | Monte Carlo based modulated electron beam treatment planning using a few-leaf electron collimator—feasibility study | |
Fiorino et al. | Conformal irradiation of concave-shaped PTVs in the treatment of prostate cancer by simple 1D intensity-modulated beams |
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 |