CN108899093A - 基于智能学习的调强放疗计划剂量学指征项预测方法 - Google Patents
基于智能学习的调强放疗计划剂量学指征项预测方法 Download PDFInfo
- Publication number
- CN108899093A CN108899093A CN201810450873.0A CN201810450873A CN108899093A CN 108899093 A CN108899093 A CN 108899093A CN 201810450873 A CN201810450873 A CN 201810450873A CN 108899093 A CN108899093 A CN 108899093A
- Authority
- CN
- China
- Prior art keywords
- dosimeter
- patient
- radiation therapy
- intensity modulated
- modulated radiation
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种调强放疗计划中剂量学指征项的预测方法,步骤如下:(1)收集有效的调强放疗计划数据形成病例数据库;(2)计算患者危及器官的与靶区距离微分分布图(dDTH)作为患者的几何特征;(3)确定感兴趣的剂量学指征项;(4)建立患者几何特征和剂量学特征之间的线性关联模型;(5)构建目标函数;(6)使用改进的bagging集成学习算法,以患者几何特征和剂量学特征作为输入,求解目标函数,从而训练出二者的关联模型;(7)使用该线性关联模型预测新患者的计划剂量学指征项值。通过上述方式,本发明能够实现调强放疗计划的剂量学指征项预测,并可应用于质量控制环节。
Description
技术领域
本发明涉及医学放射治疗技术领域,具体是基于智能学习的调强放疗计划剂量学指征项预测方法。
背景技术
容积调强放射治疗(VMAT)技术是一种先进的肿瘤放疗技术,该技术可以满足高剂量分布与靶区高度适性的同时有效地保护周围正常组织和危及器官不受或少受不必要的照射,因此成为了当今多种肿瘤类型的主要治疗方式之一。由于每个患者均具有几何结构特异性,相应的放疗计划表现应有所不同,因此要想有效保证患者接受到最佳治疗,放疗计划的设计过程应将该特异性考虑其中,做到患者针对性设计。
近些年来,有不少研究团队致力于从既往经验中总结患者几何结构与计划剂量学特性间的规律这一课题。2011年,zhu等人在Med Phys刊物上发表的A planning qualityevaluation tool for prostate adaptive IMRT based on machine learning,提出了一个类似用以刻画患者几何结构持性的描述子,与靶区距离分布图(DTH),通过机器学习的方法建立了一个DTH与DVH的关联模型。代入新患者的DTH后,模型可预测出针对该患者的高质量水平计划DVH,通过比较预测出的DVH以及当前计划所得DVH便可判定计划质量优劣。除此之外,Appenzoller等人于2012年在Medical Physics发表的文章Predicting dose‐volumehistograms for organs‐at‐risk in IMRT planning中,提出了一个子DVH的概念并在该概念的基础上建立了-个用以预测患者危及器官可达DVH的数学模型。实验结果表明,该模型可有效识别出质量不合格的患者计划。然而这些方法依旧存在改进空间。首先以上方法均采用某OAR的整条DVH作为患者计划质量评判依据。尽管当前临床上常将PTV与OARs的DVH用作表达患者计划的方式,但整条DVH曲线依旧包含信息过多,与临床疗效不太相关的占大多数。因此使用整条DVH作为方法模型的输出,会造成以下问题:1)根据模型信息对等原理,多输出要求多输入,因此要训练出较为准确的模型需要的样本量也随之增大,增加了病例样本的获取难度,尤其当样本为某类不常见肿瘤时,该弊端尤为突出;2)即便建立了规模足够的样本数据库,解决了样本的获取问题,但由于整条DVH曲线包含的大量临床不相关信息,而模型又对临床相关信息与不相关信息等同对待,因此会造成临床巧效导向性的大大削弱;3)除此之外,以上绝大部分几何结构与剂量学特性研究的模型都只考虑单个危及器官的几何特性对计划剂量学特性的影响,认为计划中某危及器官的DVH特性仅由该器官相对靶区的几何结构决定,与其他危及器官无关。然而实际临床计划设计中,往往在降低某一危及器官剂量的同时会造成另一危及器官的剂量増大,放疗物理师/剂量师经常需要在不同OARs间进行剂量权衡。因此,某一危及器官的剂量特性不仅是与自身相对靶区的位置结构有关,同时也与其他需要兼顾的危及器官几何特性有关,是多种危及器官几何特性共同作用的结果,仅考虑单一危及器官几何特性是片面的,不完善的。
为了根据每个患者自身几何学结构特征,发明人提出了一种根据患者特有的几何结构预测出相应计划可达的剂量学目标,并在此基础上有效开展放射治疗计划质量控制的方法。其中根据患者特有几何结构预测相应放疗计划可达到的剂量学目标的规律应可从既往类似计划样本中挖掘得出。
因此基于以上几点,发明人提出了基于bagging集成学习算法的一种智能学习方法,使用与临床疗效最相关的计划剂量学指征项(Dosimetric Endpoints,DEs)作为目标向导及模型输出项,并以多个危及器官的微分DTH(dDTHs)的组合作为患者几何特性及模型输入,学习得到患者几何特性与放疗计划剂量学特性间的关联模型,用以预测放疗计划的临床疗效。
发明内容
本发明的目的在于公开了一种适用于基于智能学习的调强放疗计划剂量学指征项预测方法,以解决现有技术中难以定量评估放疗计划质量等的问题。
为达到上述目的,本发明提供了一种调强放疗计划中剂量学指征项的预测方法,包括以下步骤:
(1)收集临床中可实施于患者的调强放疗计划数据形成病例数据库;
(2)计算患者危及器官的与靶区距离微分分布图(dDTH)作为患者的几何特征;
(3)确定感兴趣的剂量学指征项;
(4)建立患者的几何特征和剂量学指征项之间的线性关联模型;
(5)构建目标函数;
(6)使用改进的bagging集成学习算法,以患者的几何特征和剂量学指征项作为输入,求解目标函数,从而训练出几何特征和剂量学指征项的关联模型;
(7)使用步骤(6)得到的关联模型预测待测患者的剂量学指征项。
在本发明的技术方案中,所述步骤(2)中,与靶区距离微分分布图(dDTH)的具体公式为:
其中,O表示某一危及器官,T表示靶区,符号||表示某一对象的体积,d(p,T)为体元p到靶区T表面的距离,代表所有体元中与靶区T表面距离d(p,T)属于范围[,(r+dr)]内的p的集合,dr是人为定义的距离单元,该距离r的边界限定在[Blower,Bupper]mm,其中Blower为步骤(1)中病例数据库内所有患者的该危及器官的所有体素与靶区边界的最小距离,Bupper为步骤(1)中病例数据库内所有患者的某一危及器官接受50%处方剂量的体素与靶区边界的最大距离外扩10mm。
在本发明的技术方案中,所述步骤(3)中,剂量学指征项(DEs)选自整个计划的最大剂量、整个计划的剂量均值、器官体积接受到的最大剂量(Dx)、或接受剂量超过某值的器官体积百分比(Vx)等。
在本发明的技术方案中,所述步骤(4)中,每个线性关联模型建立单个计划中多个危及器官的与靶区距离微分分布图(dDTH)与危及器官的单个剂量学指征项的关联,具体的公式如下:
其中N是计划设计时需考虑的危及器官(OARs)总个数,m为每一危及器官需提取的dDTH距离单元总数,代表第n个危及器官中第m份dDTH对应的体积百分比,则为第n个OAR的第i个DE项;则代表了线性模型中项与项对应的模型系数,上标On→On′代表了该系数指示的是第n′个OAR的dDTH对第n个OAR的DE项的影响;
将N个患者放疗计划进行模型代入,则可写成以下一系列等式:
其中分别对应患者计划1、计划2……至计划N,可将公式3写成矩阵公式:
Xa=y (公式4)
X表示维度为的所有患者几何特性构成的矩阵,每一行代表一个患者的dDTH,列数代表患者数目;y代表所有患者放疗计划某一DE项组成的长度为的一维矢量,a为需要求解的模型系数。
在本发明的技术方案中,所述步骤(5)中,目标函数中添加了一个二次泛函正则项和一个二次泛函平滑项,可表达为:
其中,是正则项,是平滑项,λ1、λ2是超参数。argmin表示使{}中的目标函数取最小值,Xa-y由公式4:Xa=y得来。
在本发明的技术方案中,所述步骤(6)中,改进的bagging集成学习算法在进行子模型汇总时采用了加权汇总的方式,对每个子模型权重系数的确定步骤为:
(a)从样本数为n的训练样本集D中,有放回地均匀抽样出样本数为n′的子训练集Dk,抽取m次;
(b)对每一个子训练集Dk进行模型训练,得到当前子训练集下的子系数解;
(c)査看每个子模型在非训练样本数为(n-n′)的样本中的模型拟合误差其中代表了第k次子模型训练后,将子模型代入非训练样本的(n-n′)个样本中得到的第i个DE项的预测值。
(d)计算每个子模型的权重系数。
作为一种优选,所述步骤(d)中,每个子模型的权重系数为:
在本发明的技术方案中,所述步骤(7)中使用线性关联模型预测新患者的计划剂量学指征项值的具体步骤为:
A)通过放疗系统得到新患者的当前计划之后,计算患者危及器官的与靶区距离微分分布图(dDTH)作为患者的几何特征;
B)将几何特征输入到模型系数a已知的线性关联模型(公式4)中计算出相应的剂量特征预测值。
本预测方法的工作原理为,根据每个患者均具有几何结构特异性,而造成相应的放疗计划表现应有所不同这一实情,使用一个线性关联模型表达剂量学指征项和患者几何信息之间所存在关联,再通过改进的bagging集成学习算法求解出模型的系数,由此,新患者的剂量学指征项值可从患者几何信息中预测出来。
本发明的技术方案主要用于确定计量学指征项值,而不在于将特定的剂量学指征用于治疗过程中。其可以用于临床应用,也可以用于非诊断和非治疗目的的研究用途。
有益效果
(1)使用DVH上某些特殊点而非整条DVH作为患者的剂量特征,从而减少与临床疗效不太相关的冗余信息参与计划质量的评估。
(2)所建立的患者计划DEs目标值的预测方法,不仅可以有效准确地进行患者放疗计划质量的评估和控制,还能在放疗计划设计过程引导和帮助放疗物理师/剂量师进行快速高效的剂量优化参数设置和调整。
(3)使用了一种量化患者治疗计划质量的机制,将主观的计划质量评估过程转化成定量计算过程,减少了质量评估过程中人为因素带来的不确定性。
附图说明
图1是基于智能学习的调强放疗计划剂量学指征项预测方法的流程图。
图2是训练样本在每个DE项上的模型拟合误差分布。分别对应直肠DEs项V75Gy,V70Gy,V65Gy,V60Gy和膀胱DEs项V80Gy,V75Gy,V70Gy,V65Gy。误差均值μ和置信区间位置如实线所示。
图3某个患者的原计划、再优化及模型预测的DEs值比较。
图4样本1的原计划、再优化及模型预测的DEs值比较.
具体实施方式
下面结合实施例对本发明的方法作进一步的详细说明,但本发明的适用肿瘤类型不局限于此,在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的范围内。
实施例1:
本实施例对前列腺癌患者的膀胱进行剂量学指征项预测,从美国德州大学西南医学中心收集了50例前列腺癌患者的VMAT计划用于线性关联模型的训练。
首先,提取的患者几何特征,本实施例使用直肠与膀胱的dDTHs组合作为患者的几何特征,使用公式1计算出患者危及器官(直肠和膀胱)的与靶区距离微分分布图(dDTH)。其中dDTH离散化后距离单元dr设置为5mm,直肠和膀胱dDTH的边界距离r分别限定在范围[-25,55]mm和[-30,80]mm内。
然后,根据美国西南医学中心为前列腺肿瘤患者设计VMAT计划的临床规范,选取8个感兴趣的计划剂量学指征项,包括4个直肠的体积指征项V75Gy、V70Gy、V65Gy、V60GyV,以及4个膀胱的体积指征项V80Gy、V75Gy、V70Gy和V65Gy。
再者,使用之前所述的带权重的bagging算法进行模型训练。训练分10次进行,每次从总样本量50中有放回地随机抽取45个样本进行子模型训练,剩余5个样本作为子模型验证样本。子模型构成的线性方程(公式4)将根据公式5给出的方法解出,之后计算当前子模型下验证样本的拟合误差,根据该误差的大小决定子模型对最终模型的贡献大小,即权重因子。举例来讲,经过第k次子模型训练,可以得到当次子模型系数矢量ak(40),将该子模型系数代入剰余的5个验证样本,得到子模型对验证样本的DEs项预测值,将所有预测值与实际值进行做差后求平均得到平均拟合误差Rk,具体计算方式为10次模型训练结束后,计算不同子模型的权重系数Wk(公式6),最终模型参数便可通过将各子模型进行加权求和得到至此,模型训练完毕。
为验证模型的可靠性,将训练所得最终模型系数a代入回50例原始训练样本(公式4),计算最终模型所得训练样本的拟合值。通过将模型拟合值与样本实际值进行做差,得到每一个DE项的误差分布,如图2所示,每幅小图对应了一个DE项下的训练样本拟合误差分布。数据显示,绝大多数拟合误差值均小于2.2%,充分说明了模型拟合的准确性。
最后,将新患者的几何特征输入到训练好的该线性关联模型中,便可预测新患者的计划剂量学指征项值。本实施例中使用的20例训练样本以外的病例,亦来自美国德州大学西南医学中心。具体步骤为:
A)对于训练样本以外的新患者,在放疗系统(TPS)生成该患者的计划之后,使用公式1计算出患者危及器官(直肠和膀胱)的与靶区距离微分分布图(dDTH)作为几何特征。其中dDTH离散化后距离单元dr设置为5mm,直肠和膀胱dDTH的边界距离r分别限定在范围[-25,55]mm和[-30,80]mm内;
B)将几何特征值输入训练好的线性关联模型中,计算出预测剂量特征值;
在20例训练样本中,发现样本1的各DE项预测值与实际值相差较大,经过对该计划进行再优化,计划的质量得到进一步提升。图3中,黑色实线和虚线分别表示该样本中直肠的原始DVH和再优化后的DVH,灰色实线和虚线分别表示膀胱的原始DVH和再优化后的DVH,黑色三角实线和虚线分别表示PTV的原始DVH和再优化后的DVH。可见再优化后的直肠和膀胱DVH均处在各自原始DVH的下方,表明再优化之后危及器官的受照面积以及接受到的剂量显著减小。图4为该样本相应的原计划、再优化及模型预测DEs项值的比较,“*”点为原始计划中的DEs值,“o”点为再优化后的DEs值,“△”为预测的DEs值。可见再优化后计划的DEs项值与模型预测DEs项值间的吻合程度较初始计划的DEs项值和模型预测DEs项值间的吻合程度有了较大的改善。
Claims (10)
1.一种调强放疗计划中剂量学指征项的预测方法,其特征在于,包括以下步骤:
(1)收集可实施于患者的调强放疗计划数据形成病例数据库;
(2)计算患者危及器官的与靶区距离微分分布图(dDTH)作为患者的几何特征;
(3)确定感兴趣的剂量学指征项;
(4)建立患者几何特征和剂量学特征之间的线性关联模型;
(5)构建目标函数;
(6)使用改进的bagging集成学习算法,以患者几何特征和剂量学特征作为输入,求解目标函数,从而训练出几何特征和剂量学指征项的关联模型;
(7)使用步骤(6)得到的线性关联模型预测患者的计划剂量学指征项值。
2.根据权利要求1所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(2)中,与靶区距离微分分布图(dDTH)的具体公式为:
其中,O表示某一危及器官,T表示靶区,符号||表示某一对象的体积,d(p,T)为体元p到靶区T表面的距离,代表所有体元中与靶区T表面距离d(p,T)属于范围[r,(r+dr)]内的p的集合,dr是人为定义的距离单元。
3.根据权利要求2所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,边界的距离r限定在[Blower,Bupper]mm,其中Blower为数据库中所有患者的该危及器官所有体素与靶区边界的最小距离,Bupper为数据库中所有患者的某一危及器官接受50%处方剂量的体素与靶区边界的最大距离外扩10mm。
4.根据权利要求1所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(3)中,剂量学指征项(DEs)选自放疗计划的最大剂量、剂量均值、器官某体积接受到的最大剂量(Dx)或接受剂量超过某值的器官体积百分比(Vx)等。
5.根据权利要求1所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(4)中,每个线性关联模型建立单个计划中多危及器官dDTHs与某OAR的单个剂量学指征项的关联,具体的公式如下:
其中N是计划设计时需考虑的OARs总个数,m为每一OAR需提取的dDTH距离单元总数,代表第n个OAR中第m份dDTH对应的体积百分比,则为第n个OAR的第i个DE项。则代表了线性模型中项与项对应的模型系数,上标On→On′代表了该系数指示的是第n′个OAR的dDTH对第n个OAR的DE项的影响。
6.根据权利要求1所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(5)中,目标函数中添加了一个二次泛函正则项和一个二次泛函平滑项,表达为:
其中,是正则项,是平滑项,λ1、λ2是超参数。argmin表示使{}中的目标函数取最小值,Xa-y由公式4:Xa=y得来。
7.根据权利要求1所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(6)中,改进的bagging集成学习算法在进行子模型汇总时采用了加权汇总的方式。
8.根据权利要求7所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,对每个子模型权重系数的确定步骤为:
A)从样本数为n的训练样本集D中,有放回地均匀抽样出样本数为n′的子训练集Dk,抽取m次;
B)对每一个子训练集Dk进行模型训练,得到当前子训练集下的子系数解;
C)査看每个子模型在非训练样本数为(n-n′)的样本中的模型拟合误差其中代表了第k次子模型训练后,将子模型代入非训练样本的(n-n′)个样本中得到的第i个DE项的预测值;
D)计算每个子模型的权重系数。
9.根据权利要求8所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(d)中,每个子模型的权重系数为:
10.根据权利要求1所述的一种调强放疗计划中剂量学指征项的预测方法,其特征在于,所述步骤(7)中使用线性关联模型预测新患者的计划剂量学指征项值的具体步骤为:
A)通过TPS得到新患者的当前计划之后,计算患者危及器官的与靶区距离微分分布图(dDTH)作为患者的几何特征;
B)输入线性关联模型中计算出相应的感兴趣剂量特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450873.0A CN108899093A (zh) | 2018-05-11 | 2018-05-11 | 基于智能学习的调强放疗计划剂量学指征项预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450873.0A CN108899093A (zh) | 2018-05-11 | 2018-05-11 | 基于智能学习的调强放疗计划剂量学指征项预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108899093A true CN108899093A (zh) | 2018-11-27 |
Family
ID=64342845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810450873.0A Pending CN108899093A (zh) | 2018-05-11 | 2018-05-11 | 基于智能学习的调强放疗计划剂量学指征项预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108899093A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671499A (zh) * | 2018-10-22 | 2019-04-23 | 南方医科大学 | 一种直肠毒性预测系统构建方法 |
CN110141801A (zh) * | 2019-05-17 | 2019-08-20 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
CN110841205A (zh) * | 2019-10-21 | 2020-02-28 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证方法、装置及设备 |
CN111462916A (zh) * | 2020-04-03 | 2020-07-28 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106039599A (zh) * | 2016-07-05 | 2016-10-26 | 西南医科大学附属医院 | 调强放疗中危及器官平均剂量的预测方法及其应用 |
CN107441637A (zh) * | 2017-08-30 | 2017-12-08 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
-
2018
- 2018-05-11 CN CN201810450873.0A patent/CN108899093A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106039599A (zh) * | 2016-07-05 | 2016-10-26 | 西南医科大学附属医院 | 调强放疗中危及器官平均剂量的预测方法及其应用 |
CN107441637A (zh) * | 2017-08-30 | 2017-12-08 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
Non-Patent Citations (3)
Title |
---|
KEVIN L.MOORE: "Predicting dose-volume histograms for organs-at-risk in IMRT planning", 《MEDICAL PHYSICS》 * |
TING SONG,DAVID STAUB,ZHEN TIAN,XUN JIA: "Patient-specific dosimetric endpoints based treatment plan quality control in radiotherapy", 《PHYSICS IN MIDICINE AND BIOLOGY》 * |
XIAOFENG ZHU,YAORONG GE,TAORAN LI,DANTHAI THONGPHIEW: "A planning quality evaluation tool for prostate adaptive IMRT based on machine learning", 《MEDICAL PHYSICS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671499A (zh) * | 2018-10-22 | 2019-04-23 | 南方医科大学 | 一种直肠毒性预测系统构建方法 |
CN110141801A (zh) * | 2019-05-17 | 2019-08-20 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
CN110141801B (zh) * | 2019-05-17 | 2021-04-27 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
CN110841205A (zh) * | 2019-10-21 | 2020-02-28 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证方法、装置及设备 |
CN110841205B (zh) * | 2019-10-21 | 2021-06-22 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证装置 |
CN111462916A (zh) * | 2020-04-03 | 2020-07-28 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
CN111462916B (zh) * | 2020-04-03 | 2024-03-26 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108899093A (zh) | 基于智能学习的调强放疗计划剂量学指征项预测方法 | |
Glide-Hurst et al. | Adaptive radiation therapy (ART) strategies and technical considerations: a state of the ART review from NRG oncology | |
Cusumano et al. | A deep learning approach to generate synthetic CT in low field MR-guided adaptive radiotherapy for abdominal and pelvic cases | |
Palma et al. | Normal tissue complication probability (NTCP) models for modern radiation therapy | |
CN104117151B (zh) | 一种在线自适应放疗计划优化方法 | |
CN104338240B (zh) | 一种在线自适应放疗计划自动优化装置 | |
Francolini et al. | Artificial Intelligence in radiotherapy: state of the art and future directions | |
Craig et al. | Limitations of a convolution method for modeling geometric uncertainties in radiation therapy. I. The effect of shift invariance | |
CN107708808B (zh) | 用于在放射治疗期间使用质量指标进行靶追踪的系统和方法 | |
CN103394167B (zh) | 一种基于生物效应剂量的肿瘤放射治疗并发症的预测方法 | |
Piperdi et al. | Adaptive radiation therapy in the treatment of lung cancer: An overview of the current state of the field | |
Li et al. | Artificial intelligence in radiotherapy | |
Infusino et al. | Initial experience of ArcCHECK and 3DVH software for RapidArc treatment plan verification | |
Al‐Ward et al. | The development of a 4D treatment planning methodology to simulate the tracking of central lung tumors in an MRI‐linac | |
Geneser et al. | Quantifying variability in radiation dose due to respiratory-induced tumor motion | |
CN117116421B (zh) | 放疗计划的确定方法和装置 | |
Mavroidis et al. | Analysis of fractionation correction methodologies for multiple phase treatment plans in radiation therapy | |
Miften et al. | Influence of dose calculation model on treatment plan evaluation in conformal radiotherapy: a three-case study | |
Reijtenbagh et al. | Multi-center dosimetric predictions to improve plan quality for brachytherapy for cervical cancer treatment | |
CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
Men et al. | An efficient approach to incorporating interfraction motion in IMRT treatment planning | |
Boussion et al. | A machine-learning approach based on 409 treatments to predict optimal number of iodine-125 seeds in low-dose-rate prostate brachytherapy | |
Kostovski | Artificial Intelligence in Radiotherapy | |
Huang et al. | Automated Radiation Therapy Treatment Planning Using Meta-Optimization | |
Mzenda et al. | A simulation technique for computation of the dosimetric effects of setup, organ motion and delineation uncertainties in radiotherapy |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |