CN108721792A - 用于放射疗法治疗计划的系统和方法 - Google Patents
用于放射疗法治疗计划的系统和方法 Download PDFInfo
- Publication number
- CN108721792A CN108721792A CN201810366347.6A CN201810366347A CN108721792A CN 108721792 A CN108721792 A CN 108721792A CN 201810366347 A CN201810366347 A CN 201810366347A CN 108721792 A CN108721792 A CN 108721792A
- Authority
- CN
- China
- Prior art keywords
- dvh
- dvh curves
- curves
- plan
- clinical
- 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
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- 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
-
- 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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- A61N2005/1035—Simulated annealing
-
- 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)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
用于放射疗法治疗计划的系统和方法。本发明通过基于使用标准化方法获得的简化DVH曲线训练临床DVH曲线的预测模型来促进放射疗法治疗计划中的可实现剂量分布的预测。机器学习应用于临床和简化DVH曲线配对,以基于简化DVH曲线实现实际临床DVH曲线的进一步预测。
Description
技术领域
本发明涉及用于放射疗法治疗计划的自动计划系统、方法以及计算机程序产品。
背景技术
放射疗法治疗计划通常在患者的一个或多个计算机断层扫描(CT)或其它合适图像上执行,并且涉及手动步骤和自动步骤。希望使用自动步骤执行尽可能多的治疗计划,因为手动处理非常耗时并且构成人为错误以及不同操作者之间的不一致性的来源。当为患者准备治疗计划时,可以利用患者的可实现的剂量度量的预测是有利的。尤其对于新患者,基于先前治疗的患者的这种预测是有用的。这种预测可以用作在手动治疗计划期间引导操作者的参考,或用作在最大可能程度上重新创建预测度量的自动治疗计划生成方法的输入。基于先前治疗的患者计算新患者的可实现的剂量度量的准确预测是具有挑战性的问题。
用于治疗计划的图像利用结构集增强,结构集中的每个结构定义感兴趣区域,如器官、目标体积或帮助区域,例如,器官或目标周围的几何边缘。结构集可以通过计划图像的图像切片的手动轮廓化,或通过自动子野化(segmentation)方法来产生,所述自动子野化方法适合于从解剖图谱到计划图像的器官模型。
剂量体积直方图(DVH)是通常用于放射疗法计划的图表,所述DVH建立放射剂量与累积结构体积的关系以确定结构集的特定结构的总剂量覆盖率。在自动放射疗法治疗计划中,能够预测当前患者的可实现的DVH值以确保计划基于实际目标将是有用的。存在一些先前方法,这些方法基于患者几何形状的分析以及从具有与当前患者类似的几何形状的先前患者中选择数据。
例如,US2014/0350863 A1公开一种用于基于来自先前患者的数据来预测当前患者的危及器官的DVH曲线的模型。该模型基于先前患者的距离体积直方图(DTH),每个此DTH直方图表示从区域或结构,例如,危及器官到目标结构的距离。还检索与先前治疗的患者的临床剂量分布相关联的DVH曲线。对DTH和DVH曲线执行主成分分析(PCA),由此提取描述DTH与DVH之间的关系的低维特征。随后将机器学习应用于所提取特征以训练回归模型,以基于DTH曲线预测DVH曲线。在训练之后,回归模型可以用于基于患者的DTH曲线获得新患者的可实现的DVH曲线的预测。
在US 2011/0153547中公开用于基于先前患者几何形状数据预测DVH信息的另一模型,该模型提出基于重叠体积直方图(OVH)计算危及器官的DVH点。结构的OVH是提供在与目标的指定距离内的结构体积的百分比的曲线图。这些OVH用于识别具有类似或更具挑战性几何形状的早期患者。对于给定的累积体积,获得DVH点作为已针对早期更具挑战性或类似患者的最低剂量。
这两个模型具有一些缺点。所述模型基于几何距离的修改以获得可实现剂量的预测因子。这是难以实现的。
发明内容
本发明的目的是促进特定患者的可实现的DVH曲线的预测。
本发明提出一种用于放射疗法治疗计划中的方法,包括:
a.获得草拟计划,其中,通过将计划生成草拟应用于当前患者的患者数据集而创建所述草拟计划,所述患者数据集包括至少一个计划图像;
b.计算至少一个草拟DVH曲线,每个草拟DVH曲线建立草拟计划的剂量分布与关联于至少一个计划图像的结构集中结构的体积的关系;
c.通过把至少一个草拟DVH曲线作为查询发送到预测模型来获得估计的临床DVH曲线,其中,基于一批先前患者的草拟DVH曲线与临床DVH曲线之间的关系,所述预测模型被布置成根据所述当前患者的草拟DVH曲线确定估计的临床DVH曲线;
d.在当前患者的治疗计划中使用估计的临床DVH曲线中的至少一个。
本发明还提出一种训练用于放射疗法治疗计划的预测模型的方法,所述预测模型能够基于结构的草拟DVH曲线到结构的估计的临床DVH曲线来创建估计的临床DVH曲线。预测模型的训练包括以下步骤:
e.获得先前患者的患者数据集,所述患者数据集包括至少一个计划图像,以及;
f.获得计划生成草拟;
g.通过将计划生成草拟应用于所述患者数据集来获得草拟计划;
h.计算该患者的至少一个草拟DVH曲线,每个草拟DVH曲线建立该先前患者的草拟计划的剂量分布与关联于至少一个计划图像的结构集中结构的体积的关系;
i.获得关联于每个草拟DVH曲线的临床DVH曲线,每个临床DVH曲线建立该患者的临床剂量分布与所述体积的关系;
j.针对多个先前患者中的每一者,重复步骤e-i,以获得包括草拟DVH曲线和所关联的临床DVH曲线的多个配对;
k.选择DVH曲线的配对的子集;
l.基于先前患者的草拟DVH曲线与所关联的临床DVH曲线的每个配对之间的关系来定义草拟DVH与估计的临床DVH之间的函数关系。
训练预测模型的方法基于具有相关联的临床剂量分布的一批先前治疗的患者。然而,所述方法基于剂量分布数据的分析,而不是几何数据的分析。优选地,计划生成草拟的执行可以通过完全自动的方式实施。
根据本发明,基于来自具有类似草拟DVH的先前患者的数据来计算估计的临床DVH,其中先前患者的草拟DVH优选地使用与用于产生当前患者的草拟DVH相同的草拟产生,并且相对于对应结构集来定义。这与前述的现有技术相反,其中临床DVH的预测基于来自具有类似几何形状的先前患者的数据。
相对于现有技术中使用的简单几何距离,草拟剂量是可实现剂量的更现实的预测因子。基于从剂量分布导出的信息而预测DVH曲线导致与基于几何信息的预测相比从若干观点的简化处理。具体来说,并未在几何信息如DTH或OVH曲线中反映的以下方面在草拟DVH曲线中反映,并且因此不需要特殊处理:
●由钳口(jaw)遮蔽的危及器官的场外部分的剂量为零(或很小);
●从给定射束至患者体积中某一点的剂量取决于该点相对于射束的放射深度,这种关系随着光子束的放射深度增加而以指数方式减小,并且所述关系增加至带电粒子束的布拉格峰值深度,随后减小至零;以及
●某一点的剂量不仅取决于到目标体积的几何距离,而且还取决于目标的处方剂量水平。因此,定义用于同时补量照射(SIB)治疗的预测点剂量并非不重要,其中多个目标同时接受不同剂量处方。
草拟剂量分布作为DVH预测的基础的使用直接适用于SIB治疗,因为草拟可以被配置成产生所需形式的SIB治疗。由此,低剂量目标附近的患者体积中的某一点的剂量将相对低于高剂量目标附近的类似点的剂量的特性并入草拟计划的剂量中,因为计划生成草拟被配置成产生低剂量目标的期望低剂量。
通过类似推理,将草拟DVH用作预测度量还扩展到多模态治疗,其中利用至少两种不同治疗模态,例如,光子和质子的射束。对于此应用,计划生成草拟可以被配置成产生多模态治疗计划,所述计划生成草拟优选地并入到所有放射束的同时优化。由此,草拟计划中患者体积中的某一点的所计算剂量将反映出该点的实际剂量取决于该点主要从哪种模态接收剂量。此信息未在该点相对于目标或目标组的并集的几何位置中反映出,并且因此无法通过现有技术方法获得。
在上述方法的每一者中,计划生成草拟可以涉及所提供输入数据的分析,以及草拟执行进展的监视以及适应性修改。例如,草拟可以针对结构的模板集查询结构集,并且随后产生模板集中尚未定义的所有结构。如果在输入的患者数据中不存在预选射束配置,则计划生成草拟可以根据一组模板射束类似地添加射束定义。
计划生成草拟中所包括的任务通常包括以下项中的一个或多个:
●手动地或通过自动图像子野化来利用附加结构增强结构集,
●至少一个治疗技术的选择,
●针对每个治疗技术(如选择多个)的放射束的定义,
●例如剂量网格分辨率和容差的计算设定的定义,
●容差的定义,如射束段最大数目和优化期间迭代的最大次数,
●优化问题和/或优化功能的定义,
●相对于优化问题优化放射束的剂量,
●基于剂量分布的评估更新优化功能,
●计算临床剂量分布。
草拟DVH与估计的临床DVH之间的函数关系可以被用于根据关联于至少一个计划图像的结构集的结构的草拟DVH曲线来估计临床DVH。草拟DVH与估计的临床DVH之间的函数关系优选地把关联于至少一个计划图像的结构集的结构的草拟DVH曲线作为参量,并且返回结构的估计的临床DVH曲线。估计的临床DVH曲线可以通过一系列坐标对(x,y)加以描述,每个坐标对(x,y)根据下述之一计算:
●针对与结构相关联的DVH曲线配对的选择的子集之中的DVH曲线配对中的临床DVH曲线,将y设为固定值Y,并将x设定为在累积体积Y处的获得的剂量值的范围中的值;或
●针对与结构相关联的DVH曲线配对的选择的子集之中的DVH曲线配对中的临床DVH曲线,将x设定为固定值X,并将y设定为在剂量X处的获得的累积体积值的范围中的值。
针对与至少一个计划图像相关联的结构集的结构选择的DVH曲线配对的选择的子集可以包括所有可获得DVH曲线配对,或仅其中一些。在后一情况下,可以根据下述之一确定子集:
●满足下述条件的DVH曲线配对的子集:DVH曲线配对中的草拟DVH曲线与当前患者的草拟DVH曲线之间的距离小于设定容差值,或
●满足下述条件的DVH曲线配对的子集:DVH曲线配对中的草拟DVH曲线与期望DVH曲线之间的距离大于或等于当前患者的草拟DVH曲线与期望DVH曲线之间的距离。
如果结构是目标,则结构的期望DVH曲线通常对应于在处方剂量水平的均匀剂量,否则对应于均匀剂量零。
在DVH曲线配对的选择的子集的获得值的范围中的选择值通常是广义平均值,例如,算术平均值、均方值、最小值或最大值;或百分位数,例如,中位数。
为了简化训练步骤,在DVH曲线配对的选择的子集中的每个DVH曲线可以通过应用特征提取方法将每个曲线映射到降维空间来简化,所述特征提取方法例如有:
●线性分解方法,如主成分分析或奇异值分解;
●非线性流形学习方法;或
●某些形式的基函数,如高斯函数或多项式函数的曲线拟合。
从草拟DVH到估计的临床DVH的函数关系可以基于回归模型,通过在DVH曲线配对的选择的子集或由特征提取获得的此类曲线配对的简化集合上应用机器学习算法来生成回归模型。
预测模型可以基于同时提供的多个DVH曲线配对一次计算出,或可以通过更新先前患者的患者数据集以及重新训练预测模型而随时间逐渐改进。
本发明还涉及一种包括计算机可读代码装置的计算机程序产品,所述计算机可读代码装置在计算机中运行时将使计算机执行根据以上实施例中的任一者所述的方法,以及涉及一种计算机系统,包括用于执行计算机程序的处理器以及保存此计算机程序产品的程序存储器。计算机程序产品可以包括具有存储于其上的代码装置的非暂时性存储媒体。本发明还涉及一种用于计算放射疗法治疗计划的治疗计划系统,包括根据上文的计算机系统。
附图说明
下文将借助于示例并参考附图更详细地描述本发明,在附图中:
图1是适用于获得当前患者的可实现的DVH的预测的方法的实施例的流程图,
图2是创建预测模型的方法的实施例的流程图,所述预测模型可以基于图1的方法中的先前治疗患者的库针对可实现的DVH进行查询,
图3是用于执行所述方法的计算机系统的概述。
具体实施方式
定义
在此文献中,使用以下概念:
计划生成草拟(plan generation protocol):计划生成草拟是根据给定的患者数据集生成治疗计划的过程,患者数据集例如是成像数据和相关联的结构集。计划生成草拟包括按顺序执行的若干个治疗计划任务。优选地,计划生成草拟的所有步骤应可以通过完全自动的方式执行。计划生成草拟考虑到要使用的治疗设备以及患者的不同部位的期望剂量。计划生成草拟可以是不考虑关于不同治疗计划目标之间的权衡的任何信息——例如用于不同危及器官防护的优先级——的简化过程,草拟因此被配置成生成反映给药方法的物理限制但不是任何临床决策的治疗计划。计划生成草拟的优化配方可以例如是在每个目标结构的足够剂量约束下最小化患者整体剂量,或最大化目标剂量的均匀性和目标的剂量的一致性。计划生成草拟还可以包含关于不同计划目标的优先级信息,例如,要避免放射损害的不同危及器官的优先级,草拟因此被配置成生成临床上适用于治疗的治疗计划。
草拟治疗计划:草拟治疗计划(在本文中有时称为草拟计划)是通过把计划生成草拟应用于患者数据集而生成的治疗计划。
草拟DVH是与草拟治疗计划的剂量分布相关联的DVH。用于给定患者图像和结构集的草拟DVH包括一个或多个草拟DVH曲线,每个草拟DVH曲线是与结构集中的结构以及在计划图像上计算出的草拟计划的剂量分布相关联的DVH曲线。
详细描述
图1示出概述用于确定当前患者的计划参数的根据本发明的第一方法的实施例的流程图。
在第一步骤S11,通过把计划生成草拟应用于患者数据如患者图像来生成当前患者的草拟计划。
在步骤S12,基于草拟计划获得与草拟计划的剂量分布相关联的草拟DVH曲线。
在步骤S13,草拟DVH曲线作为查询被传输到预测模型,所述预测模型被训练成把草拟DVH曲线映射到临床DVH(cDVH)曲线的估计。将结合图2论述训练此预测模型的方法。
在步骤S14,预测模型被用于根据在步骤S13获得的草拟DVH曲线获得临床DVH曲线的估计。这些估计的临床DVH曲线可以被输出到用户界面,和/或作为输入被传输到自动计划生成方法,所述自动计划生成方法尝试在用于治疗当前患者的治疗计划中重新创建DVH估计。
图2公开训练预测模型的方法的实施例,用于把草拟DVH曲线映射到临床DVH曲线的估计,从而创建预测模型以例如与图1中概述的方法一起使用。预测模型可以同时考虑来自一批一定数量的早期患者的数据一下子创建,或可以随时间逐渐建立。
在步骤S21,从一批早期患者中选择先前患者,并且获得此患者的患者数据。患者数据包括用于该患者的计划图像数据以及优选地用于计划图像数据的相关联的结构集。或者,可以在稍后提供结构集。通常,在此步骤中还检索先前患者的相关联的临床剂量分布。
在步骤S22,计划生成草拟被应用于患者数据以获得草拟计划。计划生成草拟优选地通过完全自动的方式应用。可能可以出于治疗先前患者的目的,已经在更早时候计算了该先前患者的临床剂量,或者可以出于训练预测模型的目的而计算该先前患者的临床剂量。
在步骤S23,基于在步骤S22获得的草拟计划检索先前患者的草拟DVH曲线。
在步骤S24,检索先前患者的临床DVH曲线。临床DVH曲线相对于对应的结构集来定义,并且可能结合先前患者的治疗计划已经被计算,或可以结合当前方法来计算。对期望数目的先前患者,重复或并行执行步骤S21到S24。
在步骤S25,这些草拟DVH和临床DVH曲线已被确定的先前患者的全部或子集的草拟DVH曲线和临床DVH曲线被用于训练预测模型,使得把草拟DVH映射到估计的临床DVH。机器学习算法可以用于使用从先前患者的草拟DVH与临床DVH之间的关系提取的特征来训练从草拟DVH到估计的临床DVH的函数关系。
为此,先前患者的草拟DVH与临床DVH之间的关系可以简化到可管理尺度的特征空间。这可以使用一些特征提取技术来实现,例如,主成分分析(PCA)或使用一组基本多项式的曲线拟合。如果在训练预测模型之前,把先前患者的草拟DVH曲线和临床DVH曲线的配过滤成DVH曲线配对的子集,则该子集可以例如是其中草拟DVH曲线类似于当前患者的对应草拟DVH曲线的DVH曲线配对。这可以确定为DVH曲线配对的子集,其中DVH曲线配对中的草拟DVH曲线与当前患者的草拟DVH曲线之间的距离小,例如小于指定阈值。或者,可以选择其中草拟DVH曲线比当前患者的DVH曲线更困难的DVH曲线配对。在此语境中“更困难”表示与当前患者的对应草拟DVH曲线相比,先前患者的草拟DVH曲线具有到期望DVH曲线的更大距离。或者,用于训练的DVH曲线配对的子集可以是所有DVH曲线配对的集合。如果结构是目标,则确定期望DVH曲线的简单方式是以处方水平设置均匀剂量,并且如果结构不是目标,则设置零均匀剂量。
存在各种机器学习算法。例如,支持向量回归(SVR)模型可以用作机器学习算法。或者,不执行特征提取,并且预测模型替代地被配置成通过将草拟DVH点映射到估计的临床DVH点来产生估计的临床DVH曲线,这种映射基于先前患者的草拟DVH与临床DVH之间的函数关系。对于草拟DVH点(x1,y1),其中x1表示剂量并且y1表示累积体积,通过针对先前患者的选择子集,设y2=y1,随后将x2设成在累积体积y2处的所获得临床剂量值的范围中的剂量值,可以将草拟DVH点(x1,y1)映射到估计的临床DVH点(x2,y2)。在获得值的范围中选择的值可以是广义平均值,例如,算术平均值、最小值或最大值,或百分位数,例如,中位数或第三四分位值。或者,可以通过设x2=x1以及将y2设成基于针对先前患者的所选择子集在x2的临床剂量处的累积体积的获得范围的值,可以将点(x1,y1)映射到点(x2,y2)。
给定当前治疗计划,放射疗法治疗计划的优化功能通常测量结构的期望剂量与结构的剂量之间的一定距离。距离测量的示例是针对恒定剂量水平的单侧或双侧平方差,或结构的剂量的统计矩与期望值之间的差。多个优化功能一起定义可以通过数学编程技术解决的当前患者的优化问题,以便获得当前患者的治疗计划。如果优化功能是计划剂量的非线性度量,则可适用的优化算法的示例是内点法以及序列二次规划法。具有均匀通量分布的放射束可以用作优化处理的初始点,所述放射束按比例缩放,使得目标的平均剂量等于处方剂量水平。
图3是其中可以执行本发明方法的计算机系统的示意性表示。计算机31包括处理器33、第一和第二数据存储器34、35,以及第一和第二程序存储器36、37。优选地,还存在采用键盘、鼠标、操纵杆、语音识别装置形式的一个或多个用户输入装置38、39或任何其它可用的用户输入装置。用户输入装置还可以被布置成从外部存储器单元接收数据。
第一数据存储器34包括用于先前患者的多个草拟DVH、用于相同先前患者的多个对应临床DVH,以及用于这些草拟DVH与临床DVH之间的所计算关系的存储装置。第二数据存储器35保存与待开发治疗计划的一个或多个当前患者有关的数据。第一程序存储器保存被布置成使计算机执行结合图1所论述的方法步骤的计算机程序。第二程序存储器保存被布置成使计算机执行结合图2所论述的方法步骤的计算机程序。
将理解,示意性地示出和论述数据存储器34、35以及程序存储器。可以存在若干数据存储器单元,每个保存一种或多种不同类型的数据,或一个数据存储器以适当构造方式保存所有数据,并且程序存储器也是如此。例如,可以存在用于与身体的不同部位有关的数据的单独存储器或存储器区段,以促进基于待治疗的身体部位搜索特定患者的相关DVH和关系数据。一个或多个存储器还可以存储在其它计算机上。例如,计算机可以被布置成执行所述方法中的仅一个方法,存在用于执行其他方法的另一计算机。
Claims (15)
1.一种用于放射疗法治疗计划的方法,包括:
a.获得草拟计划,其中通过把计划生成草拟应用于当前患者的患者数据集而创建所述草拟计划,所述患者数据集包括至少一个计划图像;
b.计算至少一个草拟DVH曲线,每个草拟DVH曲线建立所述草拟计划的剂量分布与关联于所述至少一个计划图像的结构集中结构的体积的关系;
c.通过把所述至少一个草拟DVH曲线作为查询发送到预测模型来获得估计的临床DVH曲线,其中,基于一批先前患者的草拟DVH曲线与临床DVH曲线之间的关系,所述预测模型被布置成根据所述当前患者的草拟DVH曲线确定估计的临床DVH曲线;
d.在所述当前患者的治疗计划中使用所述估计的临床DVH曲线中的至少一个。
2.一种训练用于放射疗法治疗计划的预测模型的方法,所述预测模型能够根据结构的草拟DVH曲线创建该结构的估计的临床DVH曲线,所述预测模型的所述训练包括以下步骤:
e.获得先前患者的患者数据集,该患者数据集包括至少一个计划图像;
f.获得计划生成草拟;
g.通过把所述计划生成草拟应用于所述患者数据集来获得草拟计划;
h.计算用于该患者的至少一个草拟DVH曲线,每个草拟DVH曲线建立该先前患者的草拟计划的剂量分布与关联于所述至少一个计划图像的结构集中结构的体积的关系;
i.获得每个草拟DVH曲线所关联的临床DVH曲线,每个临床DVH曲线建立该患者的临床剂量分布与所述体积的关系;
j.对一定数量的先前患者中的每一个,执行步骤e-i以获得一定数量的配对,所述配对包括草拟DVH曲线和所关联的临床DVH曲线;
k.选择DVH曲线的所述配对的子集;
l.根据先前患者的草拟DVH曲线与所关联的临床DVH曲线的每个配对之间的关系来定义草拟DVH与估计的临床DVH之间的函数关系。
3.根据权利要求1或2所述的方法,其中所述计划生成草拟涉及以下任务中的至少一个:
●手动地或通过自动图像子野化来利用附加结构增强所述结构集;
●定义放射束;
●定义例如分辨率和容差的设定;
●定义优化问题;
●相对于优化问题优化所述放射束的剂量;
●计算临床剂量分布;
●基于至少一个剂量分布更新所述优化问题。
4.根据权利要求2,或从属于权利要求2的权利要求3所述的方法,其中所选择的子集包括所有DVH配对。
5.根据权利要求2或4,或从属于权利要求2的权利要求3所述的方法,其中草拟DVH与估计的临床DVH之间的函数关系把关联于所述至少一个计划图像的结构集的结构的草拟DVH曲线作为参量,并且返回该结构的估计的临床DVH曲线,所述估计的临床DVH曲线利用一系列坐标对(x,y)描述,每个坐标对(x,y)根据下述之一计算:
●针对关联于所述结构的DVH曲线配对的选择的子集之中的DVH曲线配对中的临床DVH曲线,把y设为固定值Y,并把x设为累积体积Y处的获得的剂量值的范围中的值;或
●针对关联于所述结构的DVH曲线配对的选择的子集之中的DVH曲线配对中的临床DVH曲线,把x设为固定值X,并把y设为剂量X处的获得的累积体积值的范围中的值。
6.根据权利要求2、4或5所述的方法,其中针对关联于所述至少一个计划图像的结构集的结构选择的DVH曲线配对的所述选择的子集被确定为满足下述条件的DVH曲线配对的子集:所述DVH曲线配对中的草拟DVH曲线与所述当前患者的草拟DVH曲线之间的距离小于或等于容差值。
7.根据权利要求2、4或5所述的方法,其中针对关联于所述至少一个计划图像的结构集的结构选择的DVH曲线配对的选择的子集被确定为满足下述条件的DVH曲线配对的子集:DVH曲线配对中的草拟DVH曲线与期望DVH曲线之间的距离大于或等于所述当前患者的草拟DVH曲线与所述期望DVH曲线之间的距离。
8.根据权利要求7所述的方法,其中如果结构是目标,则所述结构的所述期望DVH曲线对应于处方剂量水平的均匀剂量,否则对应于零的均匀剂量。
9.根据权利要求5所述的方法,其中用于所述DVH曲线配对的选择的子集的获得的累积剂量值或累积体积值的范围中的选择值是以下项中的一个:
●广义平均值,如算术平均值、均方值、最小值或最大值;或
●百分位数,如中位数。
10.根据权利要求2所述的方法,在所述训练步骤之前,还包括通过应用特征提取方法把所述曲线映射到降维的空间来简化DVH曲线配对的选择的子集中的每个DVH曲线的步骤,所述特征提取方法例如为,
●线性分解方法,如主成分分析或奇异值分解;
●非线性流形学习方法;或
●某些形式的基函数如高斯函数或多项式函数的曲线拟合。
11.根据权利要求2、4到10,或从属于权利要求2的权利要求3中任一项所述的方法,其中从草拟DVH到估计的临床DVH的函数关系基于回归模型,通过在所述DVH曲线配对的选择的子集或由特征提取获得的此类曲线配对的简化集合上应用机器学习算法来生成所述回归模型。
12.根据权利要求2所述的方法,进一步包括通过更新先前患者的患者数据集以及重新训练所述预测模型来随时间改进所述预测模型。
13.一种包括计算机可读代码装置的计算机程序产品,所述计算机可读代码装置在计算机中运行时将使所述计算机执行根据前述权利要求中任一项所述的方法。
14.一种计算机系统,包括用于执行计算机程序的处理器以及保存根据权利要求13所述的计算机程序产品的程序存储器。
15.一种用于计算放射疗法治疗计划的治疗计划系统,包括根据权利要求14所述的计算机系统。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17167731.3 | 2017-04-24 | ||
EP17167731.3A EP3395405B1 (en) | 2017-04-24 | 2017-04-24 | System and method for radiation therapy treatment planning |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108721792A true CN108721792A (zh) | 2018-11-02 |
CN108721792B CN108721792B (zh) | 2022-04-26 |
Family
ID=58606174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366347.6A Active CN108721792B (zh) | 2017-04-24 | 2018-04-23 | 用于放射疗法治疗计划的方法、程序存储器和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10864382B2 (zh) |
EP (1) | EP3395405B1 (zh) |
CN (1) | CN108721792B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114904164A (zh) * | 2022-05-10 | 2022-08-16 | 苏州雷泰医疗科技有限公司 | 基于人工智能的放疗自动计划生成方法及装置 |
CN116569190A (zh) * | 2020-12-09 | 2023-08-08 | 光线搜索实验室公司 | 用于放疗治疗计划的剂量图预测的方法和计算机程序产品 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754860B (zh) * | 2018-12-21 | 2020-11-10 | 苏州雷泰医疗科技有限公司 | 一种基于dvh预测模型的自动预测计划难易程度的方法 |
US11393579B2 (en) * | 2019-07-25 | 2022-07-19 | Ge Precision Healthcare | Methods and systems for workflow management |
US11433258B2 (en) * | 2019-10-18 | 2022-09-06 | Uih-Rt Us Llc | System and method for dose measurement in radiation therapy |
US11537912B2 (en) * | 2020-02-19 | 2022-12-27 | Varian Medical Systems International Ag | Generating and applying robust dose prediction models |
CN118366614B (zh) * | 2024-06-19 | 2024-09-13 | 华硼中子科技(杭州)有限公司 | 硼中子俘获治疗计划疗效预测模型构建方法和装置 |
Citations (8)
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 |
US20120310615A1 (en) * | 2011-06-03 | 2012-12-06 | Moore Kevin L | Developing predictive dose-volume relationships for a radiotherapy treatment |
CN105031819A (zh) * | 2015-08-25 | 2015-11-11 | 上海联影医疗科技有限公司 | 一种剂量优化方法与系统 |
WO2015193776A1 (en) * | 2014-06-18 | 2015-12-23 | Elekta Ab | System and method for automatic treatment planning |
CN105358219A (zh) * | 2013-05-21 | 2016-02-24 | 瓦里安医疗系统国际股份公司 | 用于自动产生剂量预测模型以及作为云服务的疗法治疗计划的系统和方法 |
CN105358217A (zh) * | 2013-06-18 | 2016-02-24 | 杜克大学 | 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法 |
CN105592887A (zh) * | 2013-09-30 | 2016-05-18 | 瓦里安医疗系统国际股份公司 | 使用3d信息作为输入来预测可实现的剂量分布 |
WO2016144915A1 (en) * | 2015-03-06 | 2016-09-15 | Duke University | Automatic determination of radiation beam configurations for patient-specific radiation therapy planning |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8688618B2 (en) | 2009-06-23 | 2014-04-01 | The Johns Hopkins University | Method and system for determining treatment plans |
US10762167B2 (en) * | 2013-09-27 | 2020-09-01 | Varian Medical Systems International Ag | Decision support tool for choosing treatment plans |
US9827445B2 (en) * | 2013-09-27 | 2017-11-28 | Varian Medical Systems International Ag | Automatic creation and selection of dose prediction models for treatment plans |
-
2017
- 2017-04-24 EP EP17167731.3A patent/EP3395405B1/en active Active
-
2018
- 2018-04-23 US US15/959,470 patent/US10864382B2/en active Active
- 2018-04-23 CN CN201810366347.6A patent/CN108721792B/zh active Active
Patent Citations (9)
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 |
US20120310615A1 (en) * | 2011-06-03 | 2012-12-06 | Moore Kevin L | Developing predictive dose-volume relationships for a radiotherapy treatment |
CN105358219A (zh) * | 2013-05-21 | 2016-02-24 | 瓦里安医疗系统国际股份公司 | 用于自动产生剂量预测模型以及作为云服务的疗法治疗计划的系统和方法 |
US9409039B2 (en) * | 2013-05-21 | 2016-08-09 | Varian Medical Systems International Ag | Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
CN105358217A (zh) * | 2013-06-18 | 2016-02-24 | 杜克大学 | 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法 |
CN105592887A (zh) * | 2013-09-30 | 2016-05-18 | 瓦里安医疗系统国际股份公司 | 使用3d信息作为输入来预测可实现的剂量分布 |
WO2015193776A1 (en) * | 2014-06-18 | 2015-12-23 | Elekta Ab | System and method for automatic treatment planning |
WO2016144915A1 (en) * | 2015-03-06 | 2016-09-15 | Duke University | Automatic determination of radiation beam configurations for patient-specific radiation therapy planning |
CN105031819A (zh) * | 2015-08-25 | 2015-11-11 | 上海联影医疗科技有限公司 | 一种剂量优化方法与系统 |
Non-Patent Citations (1)
Title |
---|
FOGLIATA A等: "On the pre-clinical validation of a commercial model-based optimisation engine: Application to volumetric modulated arc therapy for patients with lung or prostate cancer", 《RADIOTHERAPY AND ONCOLOGY》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116569190A (zh) * | 2020-12-09 | 2023-08-08 | 光线搜索实验室公司 | 用于放疗治疗计划的剂量图预测的方法和计算机程序产品 |
US11931599B2 (en) | 2020-12-09 | 2024-03-19 | Raysearch Laboratories Ab (Publ) | Method and computer program product for dose map prediction for radiotherapy treatment planning |
CN116569190B (zh) * | 2020-12-09 | 2024-04-30 | 光线搜索实验室公司 | 用于放疗治疗计划的剂量图预测的方法和计算机程序产品 |
CN114904164A (zh) * | 2022-05-10 | 2022-08-16 | 苏州雷泰医疗科技有限公司 | 基于人工智能的放疗自动计划生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP3395405B1 (en) | 2021-10-13 |
EP3395405A1 (en) | 2018-10-31 |
US10864382B2 (en) | 2020-12-15 |
US20180304097A1 (en) | 2018-10-25 |
CN108721792B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108721792A (zh) | 用于放射疗法治疗计划的系统和方法 | |
US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
US11878184B2 (en) | Knowledge-based spatial dose metrics and methods to generate beam orientations in radiotherapy | |
US10328282B2 (en) | System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties | |
CN114423494B (zh) | 使用可微剂量函数的放疗治疗计划 | |
US11996178B2 (en) | Parameter search in radiotherapy treatment plan optimization | |
US11738211B2 (en) | Dose-distribution estimation in proton therapy | |
US20230173303A1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
CN114375216A (zh) | 压缩放射疗法治疗计划优化问题 | |
CN108771794A (zh) | 用于生成辐射处理计划中的剂量计算的系统和方法 | |
JP2022524239A (ja) | 放射線治療計画作成のためのシステム、コンピュータプログラム製品、及び方法 | |
Vazquez et al. | A deep learning-based approach for statistical robustness evaluation in proton therapy treatment planning: a feasibility study | |
EP4288146A1 (en) | Parameter search in radiotherapy treatment plan optimization |
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 |