CN110201319A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110201319A CN110201319A CN201910516005.2A CN201910516005A CN110201319A CN 110201319 A CN110201319 A CN 110201319A CN 201910516005 A CN201910516005 A CN 201910516005A CN 110201319 A CN110201319 A CN 110201319A
- Authority
- CN
- China
- Prior art keywords
- data
- curves
- prediction model
- model
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
-
- 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
- A61N5/1042—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head
- A61N5/1043—Scanning the radiation beam, e.g. spot scanning or raster scanning
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
-
- 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
- A61N2005/1074—Details of the control system, e.g. user interfaces
-
- 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
- A61N2005/1085—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy characterised by the type of particles applied to the patient
- A61N2005/1087—Ions; Protons
Abstract
本公开涉及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。本发明提出了一种用于基于从多个源累积的现有的临床知识来自动产生剂量预测模型而没有合作者在彼此之间建立通信链接的方法。根据要求保护的主题的实施例,诊所可以通过将其治疗计划提交到远程计算机系统(诸如基于云的系统)中来在产生剂量预测模型时合作,远程计算机系统从各种合作者聚合信息并且产生从所有提交的治疗计划中捕获临床信息的模型。根据另外的实施例,该方法可以包含其中使得由诊所提交的所有患者数据匿名或者先于通过通信链路提交相关参数来提取和浓缩相关参数以便遵守地方性法规的步骤。
Description
本申请是国际申请日为2014年5月21日、于2015年12月29日进入中国国家阶段、中国国家申请号为201480037517.6、发明名称为“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”的发明专利申请的分案申请。
优先权的要求
本申请要求2013年5月21日提交的Hartman等人的题为“SYSTEM AND METHODS FORAUTOMATIC CREATION OF DOSE PREDICTION MODELS AND THERAPY TREATMENT PLANS AS ACLOUD SERVICE”的美国临时申请第61/798,852号的权益,其全部内容通过引用并入本文。
背景技术
放射学是出于诊断和治疗目的来处理医学成像的医学科学的一个分支。放射学的实践通常涉及使用X射线机器或其它放射设备来执行诊断或管理治疗。其它放射学实践采用没有涉及放射的技术,诸如磁共振成像(MRI)和超声波。作为医学领域,放射学可以涉及两个子领域——诊断放射学和治疗放射学。
诊断放射学处理各种成像模式的用以帮助诊断主体(subject)中的疾病或症状的用途。通常,相对低剂量的X射线的宽的射束从放射源来生成并且朝着成像靶标(target)被定向。关于成像靶标定位在源的相对侧的成像器接收入射放射并且图像基于所接收的辐射被生成。更新的技术和先进的技术使得能够通过将计算机断层摄影术(CT)应用于医疗成像技术来实现改进的图像采集。涉及CT扫描的传统的医疗成像过程通常产生靶标区域的一系列2维图像,其随后可以使用计算机化的算法被组合以生成靶标区域的3维图像或模型。
治疗放射学或者放射肿瘤学涉及使用放射以通过向靶标区域定向施加放射来治疗疾病(诸如癌症)。在放射疗法中,放射以预先规定的剂量被施加(通常作为射束)到靶标区域的一个或多个区域。由于放射可能存在潜在危害,所以可以进行昂贵的治疗计划,有时是在实际治疗过程之前,以查明要施加射束的精确位置并且限制对于主体中的其它区域的不必要的放射暴露。治疗计划阶段可以包括执行CT扫描或者其它成像技术以获取图像数据,图像数据能够在随后用于精确地计算主体的正确的位置和方位、主体内的一个或多个靶标区域的位置,以及预测要在疗法期间施加的放射的剂量。
传统上,放射治疗计划由人工操作者通过手动定义实现临床可接受的计划的最优目标(objective)来产生。近来,人工操作者可以通过利用现有的临床知识来自动产生治疗计划,现有的临床知识是由算法通过使用训练阶段来捕获的,训练阶段要求人工操作者选择用于算法的示例。
通过现有的系统实现的自动计划依赖于人工操作者来训练算法,这要求人工操作者能够访问现有的放射治疗计划。然而,这对于仅开始建立放射治疗的诊所来说可能是禁止的。这一问题已经激化,因为用于训练算法的所有数据必须由负责训练算法的人工操作者可访问并且要求在所有患者与知识库之间建立通信链路。对于其中这样的信息不可用的开始的诊所和实践,自动计划可能完全不是一个选项。
另外,一旦产生,治疗计划通常还基于各种因素(诸如治疗情况、患者和可用资源)进一步被优化。然而,手动地优化治疗计划很耗时,因为优化目标被迭代地变化并且所得到的剂量分布可以被重复地重新评估直到实现最优计划。
治疗计划的关键部分是预测要向患者施加的放射的剂量和剂量分布。在基于知识的剂量预测中,使用来自先前计划的放射治疗的信息来获取作为在新的案例中的可实现的剂量分布的知识而没有执行实际计划。基于知识的剂量预测的一种方法是使用先前计划的案例的集合来产生预测模型,预测模型然后可以用于预测用于新的案例的剂量(而不需要存储与这一训练集合相关的所有信息)。
通常,如果根据模型所描述的技术、目标和权衡来执行计划,则预测模型包含预测针对给定的患者几何结构所实现的剂量分布所需要的信息。这些预测可以被转换成优化目标,优化目标在结合优化算法使用时产生完整的放射治疗计划。然而,累积覆盖单个诊所的患者种类的代表性部分的治疗计划的库对于某些治疗技术而言由于其罕见性而很难。在多个患者之间传输患者敏感数据可能由于地方性法规而很难。
每个模型通常具有其中模型的预测是有效的某些区域;然而,如果新的案例的几何结构参数远不同于由训练集合计划的几何结构参数,则剂量预测可能不再可信。在一些情况下,诊所可以具有若干模型以覆盖大量不同的区域。样本治疗计划和模型也可以在诊所之间共享,从而更多地增加可用模型的数目。然而,在多个诊所之间共享各个模型导致诊所可能具有几十或几百个不同但是可能交叠的模型。这可能使得共享的模型的临床应用乏味和低效。
发明内容
提供本“发明内容”以介绍下面在“具体实施例”中进一步详细描述的简化形式的概念的选择。本“发明内容”并非意在识别要求保护的主题的关键特征或基本特征,也并非意在用于限制要求保护的主题的范围。
提出了一种用于基于从多个源积累的现有的临床知识来自动产生剂量预测模型而没有合作者在彼此之间建立通信链接的方法。根据要求保护的主题的实施例,诊所可以通过将其治疗计划提交到远程计算机系统(诸如基于云的系统)中来在产生剂量预测模型时合作,远程计算机系统从各种合作者聚合信息并且产生从所有提交的治疗计划中捕获临床信息的模型。根据另外的实施例,该方法可以包含其中使得由诊所提交的所有患者数据匿名或者先于通过通信链路提交相关参数来提取和浓缩相关参数以便遵守地方性法规的步骤。
根据本发明的另一方面,提出了一种方法,其中用户能够向驻留在远程计算机系统(稍后称为云服务)的软件程序中提交患者几何结构描述,远程计算机系统基于预测模型来自动生成和向用户返回放射治疗计划。根据这样的实施例,基于例如患者案例的几何结构特性来从所存储的预测模型的库中选择预测模型。基于所选择的预测模型来预测剂量分布。然后基于所预测的剂量分布来确定优化目标并且基于所确定的优化目标来生成治疗计划。
在另外的实施例中,该方法还可以包含其中由诊所来产生剂量预测模型并且使得剂量预测模型可用作用于其它诊所的云服务而不需要共享机密的患者信息的步骤。根据这些实施例,可以在远程计算机系统上自动产生治疗计划而不需要终端用户(end-user)对剂量预测模型的任何配置或手动训练,从而减少由于不可用的治疗计划者所产生的潜在的延迟和低效率。
附图说明
附图被包括在本说明书中并且形成本说明书的部分。附图图示实施例。附图连同描述用于解释实施例的原理:
图1描绘根据本发明的各种实施例的用于选择用于剂量预测模型的训练数据的集合的示例性过程的流程图。
图2描绘根据本发明的各种实施例的用于训练剂量预测模型的示例性过程的流程图。
图3描绘用于基于剂量预测模型来自动生成治疗计划的示例性过程的流程图。
图4描绘根据本发明的实施例的示例性计算环境。
具体实施方式
现在将详细参考要求保护的主题——用于放射治疗系统的使用的方法和系统——的优选实施例,其示例在附图中图示。虽然将结合优选实施例来描述要求保护的主题,然而应当理解,它们并非意在限制这些实施例。相反,要求保护的主题意在覆盖能够被包括在如所附权利要求所定义的精神和范围内的替选、修改和等同方案。
另外,在对要求保护的主题的实施例的以下详细描述中,给出大量具体细节以便提供对要求保护的主题的透彻理解。然而,本领域普通技术人员应当认识到,能够在没有这些具体细节的情况下来实践要求保护的主题。在其它情况下,没有详细描述众所周知的方法、过程、部件和电路以免不必要地模糊要求保护的主题的方面。
在对能够在计算机存储器上执行的数据比特的操作的过程、步骤、逻辑块、处理以及其它符号表示方面来呈现随后的详细描述的一些部分。这些描述和表示是数据处理领域的技术人员使用以最有效地向本领域其它技术人员传达其工作的实质的手段。过程、计算机生成的步骤、逻辑块、处理等在此并且通常被认为是产生期望的结果的步骤或指令的自相合的序列。步骤是那些需要物理量的物理操纵的步骤。通常,虽然并非必须,然而这些量采用能够在计算机系统中被存储、传送、组合、比较以及以其它方式操纵的电信号或磁信号的形式。有时证明很方便的是,原则上出于一般使用的原因,将这些信号称为比特、值、元素、符号、字符、术语、数字等。
然而,应当牢记,所有这些以及相似的术语要与适当的物理量相关联并且仅是应用于这些量的方便的符号。除非如根据下面的讨论清楚地那样另外具体指出,否则应当理解,遍及本要求保护的主题,使用诸如“存储”、“产生”、“保护”、“接收”、“加密”、“解密”、“销毁”等术语的讨论是指计算机系统或集成电路或者类似的电子计算设备(包括嵌入式系统)以下动作和处理:将被表示为计算机系统的寄存器和存储器内的物理(电子)量的数据操纵和变换成类似地被表示为计算机系统存储器或寄存器或者其它这样的信息存储、传输或显示设备内的物理量的其它数据。
因此,要求保护的主题的实施例提供一种用于在远程云计算部件上自动生成治疗计划和剂量预测模型的方法和系统。
配置DVH估计模型
图1描绘用于配置剂量预测模型的过程100的流程图。步骤101到107描述根据本文中所描述的各种实施例的包括图1中所描绘的过程100的示例性步骤。在一个实施例中,过程100可以整体或部分实现为存储在计算机可读介质中并且由计算设备中的处理器来执行的计算机可执行指令。
根据一个方面,剂量预测模型可以用于预测用于与放射疗法患者对应的治疗计划的剂量参数。在一个或多个实施例中,剂量预测模型可以实现为剂量-体积直方图(DVH)估计模型,其中所预测的量是剂量-体积直方图。在另外的实施例中,预测模型还可以基于距离到靶标(DTH)直方图来生成预测,DTH表示从区域或结构(诸如危及器官)到放射靶标的距离。在另外的实施例中,剂量预测模型可以实现为适合用于预测用于放射治疗计划的剂量(如剂量直方图或空间三维剂量分布)的任何其它模型。
在一个或多个实施例中,可以通过从治疗计划数据库中选择适当的治疗计划的组来配置DVH估计模型(步骤101)。理想地,该计划应当是高质量的并且例如关于治疗区域、现场几何形状和分级(fractionation)足够类似于计划用于放射靶标/患者的治疗。系统分析从这一计划的训练集合选择的患者解剖结构(在一些情况下包括用于每个危及器官(OAR)的解剖信息)和DVH值(步骤103),并且基于患者解剖和剂量-体积直方图值来训练数学DVH估计模型(步骤105)。患者解剖可以包括经由医疗成像设备获取的数据。一旦被训练,预测模型可以用于预测(109)用于放射疗法患者的治疗计划的剂量参数。根据一个或多个实施例,过程对训练集合中的计划进行均匀性检查,并且报告任何显著的偏差。在将模型应用于计划时,该算法还检查计划中的患者解剖是否与训练集合匹配。
DVH估计模型训练
一旦选择训练数据的集合,则可以训练(即细化)预测模型以生成用于计划对主体施加的放射疗法治疗的更精确的剂量估计。图2描绘用于训练预测模型的过程200。步骤201到211描述根据本文中所描述的各种实施例的包括图2中所描绘的过程200的示例性步骤。在一个实施例中,过程200可以整体或部分实现为存储在计算机可读介质中并且由计算设备中的处理器来执行的计算机可执行指令。
在一个或多个实施例中,DVH估计的实现通过分析数据的训练集合(在步骤101选择的)并且解析数据以根据数据的训练集合从多个患者采集结构集合(包含各种器官和靶标的空间信息)、先前优化的治疗计划、以及对应的3D剂量分布来开始(步骤201)。在另外的实施例中,估计模型可以用于将结构集合变换成(203)一个或多个数据曲线。例如,可以将结构集合中的几何结构信息变换成器官特定的DTH曲线。同样,可以将剂量矩阵变换成器官特定的DVH曲线。还可以通过首先确定曲线的主分量(例如结构)并且基于所确定的主分量对曲线参数化(步骤207)来对这些曲线进行参数化(步骤205)。一旦执行参数化,可以确定(209)回归模型并且使用回归模型来识别如何能够基于DTH参数来预测DVH参数(211)。在一个或多个实施例中,经训练DVH模型可以包括:1)模型训练集合中所包括的治疗计划的列表;2)用于模型中的所有危及器官(OAR)结构的DVH和DTH的所识别的多个主分量;3)用于回归模型的系数;以及4)用于训练集合中的每个解剖特征的平均和标准偏差。
根据各种实施例,治疗计划中的结构的参数化可以包括生成距离到靶标的直方图(DTH)。与每个结构相关的参数集合可以包括DTH的主分量;解剖特征,诸如相对交叠体积、相对出界(out-of-field)体积、绝对OAR体积和绝对靶标体积。根据另外的实施例,回归模型可以被生成为训练集合中的结构参数与计量参数之间的关系。在另外的实施例中,用于每个DVH主分量(例如每个结构和剂量)以及用于每个OAR结构的分离的回归模型。
在一个或多个实施例中,除了产生DVH模型,可以引用系统内的预先构建的模型用于在计划、验证和优化时使用。在一种实施例中,可以在诊所内或者与其它诊所存储和共享模型。可以通过将所存储的数据集合和/或所构造的模型托管(host)在远程用户/诊所可访问的网络(诸如云基础架构)中来执行共享。通过将数据存储在云服务基础架构中,可以在更大数目的治疗计划者和提供者之间共享数据,而不需要每个治疗中心高昂地获取和维护设备。另外,每个治疗中心可以控制所共享的数据的量和性质,以保存例如用于其患者的匿名和机密性。
基于知识的计划
一旦被构造,DVH估计模型可以用于帮助基于知识的治疗计划。基于知识的治疗计划使得从现有的临床患者案例得到的知识能够用于治疗新的患者。知识可以是(用于轮廓和治疗计划的)临床协议、模板和模型库的形式。特别地,DVH估计模型在产生新的治疗计划和/或评估所施加的治疗计划时可以特别地有用。
在一种实施例中,一种治疗计划系统包括DVH估计工具,DVH估计工具使用来自现有的计划的剂量和患者解剖信息来估计新的计划中的剂量分布。通过使用这一工具,用户能够生成用于治疗计划中的结构(例如组织)的优化目标和所估计的DVH范围以例如经由放射疗法设备来向患者应用放射疗法。所估计的DVH值也可以用作用于治疗计划者的开始点并且提供治疗计划与过去的经验一致的保证。通过应用本文中所提供的DVH估计解决方案,能够在治疗计划之间简单且有效地维持恒定的质量水平。工具还减少了通常在治疗计划的生成期间所需要的优化和评估迭代的数目。
图3描绘用于基于预测模型来自动生成治疗计划的过程300的流程图。步骤301到309描述根据本文中所描述的各种实施例的包括图3中所描绘的过程300的示例性步骤。在一个实施例中,过程300可以整体或部分实现为存储在计算机可读介质中并且由计算设备中的处理器来执行的计算机可执行指令。
在一种实施例中,从预先生成的预测模型的库或存储库中选择(步骤301)预测模型。预测模型可以包括例如DVH估计模型。预测模型的选择可以基于所生成的治疗计划的靶标与用于生成所选择的预测模型的治疗计划的治疗靶标之间的共享特性来自动执行。这些特性可以包括例如共享的治疗类型、靶标结构或区域、以及危及器官的集合等。根据替选实施例,用户还可以手动选择用于所计划的治疗的适当的模型。
一旦选择,可以使用模型来自动产生用于剂量分布的优化目标(步骤303),并且自动预测用于治疗计划的剂量分布(步骤305)。在一个实施例中,剂量分布可以被预测为用于基于所预测的剂量分布的治疗中所涉及的相关解剖学结构的一个或多个所估计的DVH范围。在一个或多个实施例中,所估计的DVH可用于治疗计划(放射)靶标以及危及器官(OAR)二者。可以随后在当前治疗计划中细化剂量参数的计算以便实现优化目标。一旦优化完成,可以计算所预测的剂量(步骤307),之后可以将治疗计划的形状和剂量与所估计的DVH范围相比较(步骤309)用于在例如经由放射疗法设备施加到患者之前的另外的验证。
自动化的基于云的服务
根据各种实施例,剂量预测模型的自动创建以及自动治疗计划过程每个(或二者)可以由在执行计算的存储器和处理中心(例如服务器)的远处的用户来执行。在这样的实施例中,计算设备的授权用户可以经由网络连接(例如因特网)来访问和操纵DVH建模以及所存储的治疗计划数据。在另外的实施例中,可以将数据在其中处理和/或信息(预先构造的模型、训练数据集、疗法计划)存储在其中的计算系统实现为云计算部件。根据这些实施例,可以动态地提供并且根据需要以及资源需求随着使用的波动来简单地减少托管、维持以及服务数据和应用所需要的计算资源。
根据实施例,可以通过向远程计算机系统(诸如云计算服务的服务器或虚拟服务器)提交治疗计划来生成(如以上所描述地)剂量预测模型。一旦已经采集来自各个合作者的数据,则开采数据并且组织数据(根据与患者情况、几何结构等相关的各种属性)。然后生成从全部或部分所提交的治疗计划捕获临床信息的模型。根据另外的实施例,可以通过先于治疗计划的提交或者经由自动化的数据过滤过程提取或浓缩某些参数来保存患者隐私和匿名。
一旦生成剂量预测模型,可以在自动治疗计划过程期间使用模型。根据实施例,可以通过在用户与云服务提供商之间建立连接使用远程计算设备(诸如云服务器)上所托管的数据和/或在远程计算设备上执行的处理来自动生成治疗计划。然后可以提示用户(如果被授权)从预先构造的预测模型的组成存储库中选择预测模型。选择可以至少部分基于患者案例与预测模型之间的特性相似性(诸如几何结构、情况等)。
一旦选择预测模型,可以基于所选择的模型来预测剂量分布。随后,可以产生基于剂量预测的优化目标,并且然后可以产生基于优化目标的治疗计划。
示例性计算系统
如图4中所呈现的,本发明的实施例能够在其上实现的示例性系统400包括通用计算系统环境,诸如由远程用户操作的计算机或者云计算基础架构的服务器或虚拟服务器。图4中所描述以及以上所描述的成像设备409可以实现为例如计算系统。在其最基本的配置中,计算系统400通常包括至少一个处理单元401和存储器、以及用于通信信息的地址/数据总线409(或其它接口)。取决于计算系统环境的精确配置和类型,存储器可以是易失性的(诸如RAM 402)、非易失性的(诸如ROM 403、闪存存储器等)或者这两者的某种组合。
计算机系统400还可以包括可选的图形子系统405,图形子系统405用于通过例如在用视频线缆411连接的所附接的显示设备410上显示信息来向计算机用户呈现信息。根据本要求保护的发明的实施例,图形子系统405可以通过视频线缆411直接耦合到显示设备410。例如可以在图形子系统405中生成用于显示由以上关于图1所描述的医疗成像设备生成的图像以及用于在计算机系统400中执行的应用的图形用户接口。在替选实施例中,显示设备410可以集成到计算系统(例如膝上型或上网本显示面板)中并且不需要视频线缆411。
另外,计算系统400还可以具有另外的特征/功能。例如,计算系统400还可以包括另外的存储装置(可移除的和/或非可移除的),包括但不限于磁盘或光盘或者磁带。这样的另外的存储装置在图4中用数据存储设备407来图示。计算机存储介质包括使用用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术实现的易失性和非易失性、可移除和非可移除介质。RAM 402、ROM 403和数据存储设备407都是计算机存储介质的示例。
计算机系统400还包括可选的字母数字输入设备406、可选的光标控制或定向设备407、以及一个或多个信号通信接口(输入/输出设备,例如网络接口卡)409。可选的字母数字输入设备406可以向中央处理器401通信信息和命令选择。可选的光标控制或定向设备407耦合到总线409用于向中央处理器401通信用户输入信息和命令选择。也耦合到总线409的信号通信接口(输入/输出设备)409可以是串行端口。通信接口409还可以包括无线通信机制。使用通信接口409,计算机系统400可以通过通信网络(诸如因特网或以太网(例如局域网))在通信上耦合到其它计算机系统,或者可以接收数据(例如数字电视信号)。
在以上说明书中,已经参考可以随着实现的不同而变化的大量具体细节描述了实施例。因此,本发明以及申请人意在作为本发明的单独的以及排他性的指示符是由本申请产生的权利要求的集合,其是这样的权利要求的发布所采用的具体的形式,包括任何随后的修正。因此,在权利要求中没有明确给出的任何限制、元素、属性、特征、优点或性质都不应当以任何方式限制这样的权利要求的范围。因此,应当在说明意义上而非限制意义上来考虑说明书和附图。
Claims (63)
1.一种用于预测剂量分布的系统,所述系统包括:
第一计算设备,包括:
用户输入设备,可操作以接收用户输入,所述用户输入对应于从多个剂量预测模型对所选择的剂量预测模型的用户选择;以及
处理器,可操作以基于所述所选择的剂量预测模型来生成至少一个优化目标,并且基于所述至少一个优化目标来预测放射计划的至少一个剂量参数,
其中所述第一计算设备被包括在通信耦合的计算设备的网络中。
2.根据权利要求1所述的系统,其中所述剂量预测模型包括剂量-体积直方图(DVH)估计模型,所述剂量-体积直方图(DVH)估计模型包括至少一个DVH值,进一步地其中所述至少一个剂量参数包括所述至少一个DVH值。
3.根据权利要求2所述的系统,其中所述处理器还可操作以基于所述至少一个优化目标来细化所述至少一个剂量参数。
4.根据权利要求1所述的系统,其中所述至少一个剂量参数包括针对与所述放射计划相对应的多个解剖结构的至少一个DVH范围。
5.根据权利要求4所述的系统,其中所述多个解剖结构包括以下中的至少一项:
所述放射计划的靶标;以及
关联至所述放射计划的靶标的至少一个危及器官(OAR)。
6.根据权利要求5所述的系统,其中所述处理器还可操作以通过以下来执行所述放射计划的分析:识别所述放射计划中所包括的至少一个OAR,分析用于所述至少一个OAR的解剖信息,以及基于所述至少一个DVH值来建模对所述至少一个OAR的影响。
7.根据权利要求1所述的系统,其中所述第一计算设备还包括存储器设备,所述存储器设备可操作以存储以下中的至少一项:
与所述放射计划的靶标相对应的患者解剖数据;
与所述放射计划的所述靶标相对应的绝对剂量数据;
与所述放射计划的所述靶标相对应的结构集合;以及
训练数据的集合。
8.根据权利要求7所述的系统,其中所述训练数据的集合包括来自由以下项组成的组的至少一个数据集:
至少一个结构集合,包括至少一个OAR的空间信息和所述放射计划的靶标;
至少一个先前优化的放射计划;以及
来自至少一个先前优化的放射计划的至少一个靶标的对应的3D剂量分布。
9.根据权利要求1所述的系统,其中所述剂量预测模型与存储在远程知识库中的至少一个预先生成的剂量预测模型相对应,所述知识库被包括在第二计算设备的存储设备中,通过到包括所述第一计算设备的多个计算设备的网络可访问所述第二计算设备。
10.根据权利要求9所述的系统,其中所述多个计算设备被布置在多个远程分布的站点处。
11.根据权利要求10所述的系统,其中所述至少一个预先生成的剂量预测模型包括从所述多个远程分布的站点中的至少一个站点被生成的至少一个DVH估计模型。
12.根据权利要求7所述的系统,其中所述处理器还可操作以通过以下来训练所述剂量预测模型:分析所述训练数据的集合,将所述训练数据的集合变换成多个数据曲线,基于所述多个数据曲线来确定多个主分量,对所述多个数据曲线执行参数化,以及确定用于所述多个数据曲线的回归模型。
13.根据权利要求12所述的系统,其中所述处理器可操作以基于所述回归模型来预测所述多个剂量参数。
14.根据权利要求12所述的系统,其中所述处理器还可操作以通过将所述结构集合中的几何学信息变换成多个器官特定的距离-到-靶标直方图曲线,来变换所述多个数据曲线。
15.根据权利要求12所述的系统,其中所述处理器还可操作以通过将所述结构集合中所包括的多个剂量矩阵变换成多个器官特定的剂量-体积直方图曲线,来变换所述多个数据曲线。
16.根据权利要求12所述的系统,其中所述处理器还可操作以通过从所述剂量预测模型生成经训练的剂量预测模型,来训练所述剂量预测模型,所述经训练的剂量预测模型包括由以下项组成的数据组中的至少一项:
所述训练数据的集合中所包括的治疗计划的列表;
用于DVH的所识别的多个主分量、以及用于所述剂量预测模型中所包括的多个OAR结构的距离到靶标直方图(DTH);
用于基于所述经训练的剂量预测模型的回归模型的多个系数;以及
用于所述训练数据的集合中所包括的多个解剖特征的平均和标准偏差。
17.根据权利要求16所述的系统,其中所述处理器还可操作以通过生成与所述结构集合中的结构相对应的参数集合,来对所述多个数据曲线执行所述参数化,所述参数集合包括来自由以下项组成的数据组中的至少一个:
所述DTH的多个主分量;
相对交叠体积;
相对出界体积;
绝对危及器官体积;以及
绝对靶标体积。
18.根据权利要求1所述的系统,还包括放射疗法设备,所述放射疗法设备被配置为应用具有根据所述放射计划的剂量参数的放射疗法射束。
19.根据权利要求18所述的系统,其中所述放射疗法设备包括质子疗法设备。
20.根据权利要求18所述的系统,其中所述放射疗法设备包括点扫描质子疗法设备。
21.一种用于训练剂量预测模型的方法,所述方法包括:
分析数据的训练集合,以确定与放射治疗的靶标相对应的空间信息、至少一个预先存储的治疗计划、以及针对至少一个预先存储的治疗计划的至少一个剂量分布;
将所述空间信息变换成至少一个数据曲线;
参数化所述至少一个数据曲线;
响应于所述参数化来确定回归模型;以及
基于所述回归模型,识别用于至少一个剂量分布参数的预测模型。
22.根据权利要求21所述的方法,其中所述空间信息被包括在与以下中的至少一项相对应的至少一个结构集合中:
放射治疗的所述靶标;以及
接近放射治疗的所述靶标的至少一个危及器官(OAR)。
23.根据权利要求21所述的方法,其中所述至少一个预先存储的治疗计划包括至少一个先前优化的治疗计划。
24.根据权利要求21所述的方法,其中所述至少一个剂量分布包括来自放射治疗的另一靶标的三维(3D)剂量分布。
25.根据权利要求21所述的方法,其中变换所述空间信息包括:使用估计模型将所述空间信息变换成所述至少一个数据曲线。
26.根据权利要求25所述的方法,其中所述空间信息包括几何学信息,并且其中所述至少一个数据曲线包括器官特定的距离到靶标直方图(DTH)。
27.根据权利要求21所述的方法,其中参数化所述至少一个数据曲线包括:确定与所述至少一个数据曲线相对应的至少一个主结构。
28.根据权利要求27所述的方法,其中参数化所述至少一个数据曲线包括:生成针对与所述至少一个数据曲线相对应的每个主结构的DTH和参数集合。
29.根据权利要求28所述的方法,其中针对主结构的所述参数集合包括来自由以下项组成的参数组中的至少一个参数:
与所述DTH相对应的主分量的识别;以及
与所述主结构相对应的至少一个解剖特征。
30.根据权利要求29所述的方法,其中所述至少一个解剖特征包括来自由以下项组成的特征组的至少一个特征:
与所述主结构相对应的相对交叠体积;
与所述主结构相对应的相对出界体积;
与所述主结构相对应的绝对OAR体积;以及
与所述主结构相对应的绝对靶标体积。
31.一种用于训练多个剂量预测模型的系统,所述系统包括:
共享的治疗数据库,所述治疗数据库包括多个预先生成的治疗计划;
第一计算设备,包括:
存储器,被配置为存储患者解剖数据;以及
处理器,被配置为执行应用,所述应用被配置为分析所述治疗数据库所包括的数据的训练集合,以将所述数据的训练集合变换成至少一个数据曲线,参数化所述至少一个数据曲线,基于所述至少一个数据曲线的所述参数化来确定回归模型,并且基于所述回归模型来识别针对至少一个剂量分布参数的预测模型,
其中共享的所述治疗数据库包括通信地耦合到多个计算设备的云存储部件。
32.根据权利要求31所述的系统,其中所述处理器还被配置为确定与放射治疗的靶标相对应的空间信息,其中所述空间信息被包括在与以下中的至少一项相对应的至少一个结构集合中:
放射治疗的所述靶标;以及
接近放射治疗的所述靶标的至少一个危及器官(OAR)。
33.根据权利要求31所述的系统,其中预先生成的治疗计划包括至少一个先前优化的治疗计划。
34.根据权利要求31所述的系统,其中所述至少一个剂量分布参数包括来自放射治疗的另一靶标的三维(3D)剂量分布。
35.根据权利要求32所述的系统,其中所述处理器被配置为通过使用估计模型将所述空间信息变换成所述至少一个数据曲线,来变换所述空间信息。
36.根据权利要求35所述的系统,其中所述空间信息包括几何学信息,并且其中所述至少一个数据曲线包括器官特定的距离到靶标直方图(DTH)。
37.根据权利要求31所述的系统,其中所述处理器被配置为通过确定与所述至少一个数据曲线相对应的至少一个主结构,来参数化所述至少一个数据曲线。
38.根据权利要求37所述的系统,其中所述处理器被配置为通过生成针对与所述至少一个数据曲线相对应的每个主结构的DTH和参数集合,来参数化所述至少一个数据曲线。
39.根据权利要求38所述的系统,其中针对主结构的所述参数集合包括来自由以下项组成的参数组的至少一个参数:
与所述DTH相对应的主分量的识别;以及
与所述主结构相对应的至少一个解剖特征。
40.根据权利要求39所述的系统,其中所述至少一个解剖特征包括来自由以下项组成的特征组的至少一个特征:
与所述主结构相对应的相对交叠体积;
与所述主结构相对应的相对出界体积;
与所述主结构相对应的绝对OAR体积;以及
与所述主结构相对应的绝对靶标体积。
41.一种用于在放射治疗计划中自动预测剂量分布的方法,所述方法包括:
基于多个特征从多个剂量预测模型中选择剂量预测模型;
基于所述剂量预测模型来预测剂量分布;
基于所述剂量分布来产生多个优化目标;
基于所述优化目标创建患者治疗计划,以及
用所述剂量预测模型来验证所述患者治疗计划,
其中在第一计算系统中执行所述预测、所述产生和所述创建,
进一步地,其中所述选择由用户通过在远离所述第一计算系统的第二计算系统上执行的用户界面来执行。
42.一种用于存储多个剂量预测模型的系统,所述系统包括:
共享的治疗数据库,所述治疗数据库包括多个预先生成的治疗计划;
多个计算设备,所述多个计算设备中的第一计算设备包括:
存储器,被配置为存储患者解剖数据;
处理器,被配置为执行应用,所述应用被配置为将剂量预测模型应用于所述患者解剖数据,并且预测对与所述患者解剖数据相对应的患者的剂量分布,
其中所述剂量预测模型通过分析从所述多个预先生成的治疗计划对治疗计划的选择被训练,
进一步地,其中共享的所述治疗数据库包括通信地耦合到所述多个计算设备的云存储部件。
43.根据权利要求41所述的方法,其中所述剂量预测模型包括DVH估计模型,所述DVH估计模型包括多个DVH值。
44.根据权利要求43所述的方法,其中所述剂量预测模型包括:
所述多个治疗计划中所包括的多个危及器官(OAR)的识别;
用于所述多个OAR的解剖信息的分析;以及
基于所述多个DVH值的对OAR的影响的模型。
45.根据权利要求43所述的方法,其中所述多个剂量预测模型包括在多个远程站点处被生成的多个DVH估计模型。
46.根据权利要求45所述的方法,其中所述多个剂量预测模型存储在包括中央存储设备的知识库中,所述中央存储设备对所述多个远程站点处的多个计算设备是可访问的。
47.根据权利要求46所述的方法,其中所述中央设备包括云基础设施部件。
48.根据权利要求44所述的方法,其中所述剂量预测模型从训练数据的集合通过以下被训练:分析所述训练数据的集合,将所述训练数据的集合变换成多个数据曲线,基于所述多个数据曲线来确定多个主分量,对所述多个数据曲线执行参数化,以及确定用于所述多个数据曲线的回归模型。
49.根据权利要求48所述的方法,其中所述训练数据的集合包括由以下项组成的组中的至少一项:
多个结构集合,包括多个器官的空间信息以及所述治疗计划的靶标;
多个预先优化的治疗计划;以及
来自所述多个先前优化的治疗计划的多个患者的对应的3D剂量分布。
50.根据权利要求48所述的方法,其中将所述训练数据的集合变换成多个数据曲线包括:将所述多个结构集合中的几何学信息变换成多个器官特定的距离-到-靶标直方图曲线。
51.根据权利要求48所述的方法,其中将所述训练数据的集合变换成多个数据曲线包括:将所述多个结构集合中所包括的多个剂量矩阵变换成多个器官特定的剂量-体积直方图曲线。
52.根据权利要求48所述的方法,其中对所述多个数据曲线执行所述参数化包括:
从所述多个结构集合中确定多个结构;以及
从多个剂量矩阵中确定多个剂量参数。
53.根据权利要求52所述的方法,其中对所述多个数据曲线执行所述参数化包括:生成与所述多个结构集合中的结构相对应的参数集合,所述参数集合根据由以下项组成的组中的至少一项来被包括:
DTH的多个主分量;
相对交叠体积;
相对出界体积;
绝对危及器官体积;以及
绝对靶标体积。
54.根据权利要求48所述的方法,其中所述剂量预测模型包括以下中的至少一项:
所述训练数据的集合中所包括的治疗计划的列表;
用于DVH的所识别的多个主分量、以及用于所述剂量预测模型中所包括的多个OAR结构的DTH;
用于基于所述剂量预测模型的回归模型的多个系数;以及
用于所述训练数据的集合中所包括的多个解剖特征的平均和标准偏差。
55.根据权利要求42所述的系统,其中所述应用还被配置为基于针对所述患者的所预测的剂量分布,从所述多个预先生成的治疗计划中选择治疗计划。
56.根据权利要求42所述的系统,其中所述剂量预测模型包括DVH估计模型,所述DVH估计模型包括多个DVH值。
57.根据权利要求56所述的系统,其中所述剂量预测模型包括:
基于所述多个治疗计划中的至少一个治疗计划的、对所述患者解剖数据中的多个危及器官(OAR)的识别;
针对所述多个OAR的解剖信息的分析;以及
OAR对所述多个DVH值的影响的模型。
58.根据权利要求56所述的系统,其中所述第一计算设备远离所述多个计算设备中的其他计算设备。
59.根据权利要求58所述的系统,其中所述DVH估计模型是多个DVH估计模型之一。
60.根据权利要求59所述的系统,其中所述多个DVH估计模型由所述多个计算设备中的所述其他计算设备生成,并且被存储在共享的所述治疗数据库中。
61.根据权利要求54所述的系统,其中所述剂量预测模型通过以下而被进一步训练:将对治疗计划的所述选择变换成多个数据曲线,基于所述多个数据曲线来确定多个主分量,对所述多个数据曲线执行参数化,以及确定针对所述多个数据曲线的回归模型。
62.根据权利要求61所述的系统,其中对治疗计划的所述选择包括由以下项组成的组中的至少一个数据集合:
多个结构集合,包括多个器官的空间信息、以及对治疗计划的所述选择的对应治疗计划的靶标;
多个预先优化的治疗计划;以及
来自所述多个先前优化的治疗计划的多个患者的对应的3D剂量分布。
63.根据权利要求62所述的系统,其中对所述多个数据曲线执行所述参数化包括:生成与所述多个结构集合中的结构相对应的参数集合,所述参数集合根据由以下项组成的组中的至少一项来被包括:
所述DTH的多个主分量;
相对交叠体积;
相对出界体积;
绝对危及器官体积;以及
绝对靶标体积。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361798852P | 2013-05-21 | 2013-05-21 | |
US61/798,852 | 2013-05-21 | ||
US14/040,618 US9409039B2 (en) | 2013-05-21 | 2013-09-27 | Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
US14/040,618 | 2013-09-27 | ||
CN201480037517.6A CN105358219B (zh) | 2013-05-21 | 2014-05-21 | 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 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480037517.6A Division CN105358219B (zh) | 2013-05-21 | 2014-05-21 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110201319A true CN110201319A (zh) | 2019-09-06 |
CN110201319B CN110201319B (zh) | 2021-11-09 |
Family
ID=50736113
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480037517.6A Active CN105358219B (zh) | 2013-05-21 | 2014-05-21 | 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 |
CN201910516005.2A Active CN110201319B (zh) | 2013-05-21 | 2014-05-21 | 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 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480037517.6A Active CN105358219B (zh) | 2013-05-21 | 2014-05-21 | 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 |
Country Status (4)
Country | Link |
---|---|
US (2) | US9409039B2 (zh) |
EP (1) | EP2999518B1 (zh) |
CN (2) | CN105358219B (zh) |
WO (1) | WO2014187866A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021090063A1 (en) * | 2019-11-08 | 2021-05-14 | Wang Qunxi | Cloud-based dose verification |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
EP3010585B1 (en) | 2013-06-18 | 2018-05-09 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
CN110237447B (zh) | 2013-09-27 | 2021-11-02 | 梅维昂医疗系统股份有限公司 | 粒子治疗系统 |
US10675487B2 (en) | 2013-12-20 | 2020-06-09 | Mevion Medical Systems, Inc. | Energy degrader enabling high-speed energy switching |
US9962560B2 (en) | 2013-12-20 | 2018-05-08 | Mevion Medical Systems, Inc. | Collimator and energy degrader |
US9661736B2 (en) | 2014-02-20 | 2017-05-23 | Mevion Medical Systems, Inc. | Scanning system for a particle therapy system |
WO2016081916A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Three-dimensional radiotherapy dose distribution prediction |
WO2016144915A1 (en) * | 2015-03-06 | 2016-09-15 | Duke University | Automatic determination of radiation beam configurations for patient-specific radiation therapy planning |
US10252081B2 (en) | 2015-09-25 | 2019-04-09 | Varian Medical Systems International Ag | Apparatus and method using automatic generation of a base dose |
CN106621071B (zh) * | 2015-10-28 | 2024-02-20 | 南京中硼联康医疗科技有限公司 | 基于云计算的治疗计划系统及其使用方法 |
US10786689B2 (en) | 2015-11-10 | 2020-09-29 | Mevion Medical Systems, Inc. | Adaptive aperture |
US11058891B2 (en) * | 2015-11-23 | 2021-07-13 | Board Of Regents, The University Of Texas System | Systems and methods for cloud-based radiation therapy treatment planning |
US11056243B2 (en) | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN106169028B (zh) * | 2016-07-05 | 2020-11-03 | 西南医科大学附属医院 | 调强放疗中构建危及器官吸收剂量预测系统 |
EP3906968A1 (en) | 2016-07-08 | 2021-11-10 | Mevion Medical Systems, Inc. | Treatment planning |
CN106682409B (zh) * | 2016-12-20 | 2020-03-31 | 上海联影医疗科技有限公司 | 采样方法及放射治疗计划优化方法、剂量计算方法 |
US10850120B2 (en) | 2016-12-27 | 2020-12-01 | Varian Medical Systems International Ag | Selecting a dose prediction model based on clinical goals |
US10512790B2 (en) | 2017-01-11 | 2019-12-24 | Varian Medical Systems International Ag. | Systems and methods for generating radiation treatment plans |
US11103730B2 (en) | 2017-02-23 | 2021-08-31 | Mevion Medical Systems, Inc. | Automated treatment in particle therapy |
US10188873B2 (en) * | 2017-03-22 | 2019-01-29 | Varian Medical Systems International Ag | Systems and methods for dose calculation in generating radiation treatment plans |
EP3395405B1 (en) | 2017-04-24 | 2021-10-13 | RaySearch Laboratories AB | System and method for radiation therapy treatment planning |
CN108367161B (zh) * | 2017-06-05 | 2022-04-22 | 西安大医集团股份有限公司 | 放疗系统、数据处理方法及存储介质 |
EP3645111A1 (en) | 2017-06-30 | 2020-05-06 | Mevion Medical Systems, Inc. | Configurable collimator controlled using linear motors |
US10653893B2 (en) * | 2017-08-30 | 2020-05-19 | Varian Medical Systems International Ag | Radiation treatment based upon user specification of at least one custom DVH estimation model training feature |
US10493299B2 (en) | 2017-12-08 | 2019-12-03 | Elekta, Inc. | Determining parameters for a beam model of a radiation machine using deep convolutional neural networks |
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 |
WO2020185543A1 (en) | 2019-03-08 | 2020-09-17 | Mevion Medical Systems, Inc. | Collimator and energy degrader for a particle therapy system |
CN109859817B (zh) * | 2019-04-01 | 2022-12-09 | 安徽大学 | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 |
CN111951925B (zh) * | 2019-05-17 | 2024-01-30 | 南京巨鲨显示科技有限公司 | 一种确定放射性药物注射剂量的系统及方法 |
CN110404184A (zh) * | 2019-06-13 | 2019-11-05 | 苏州同调医学科技有限公司 | 一种测算放疗射线剂量分布和剂量目标函数的方法和系统 |
CN110465004A (zh) * | 2019-08-02 | 2019-11-19 | 北京全域医疗技术集团有限公司 | 一种云放射治疗计划系统及放射治疗计划的生成方法 |
US11537912B2 (en) * | 2020-02-19 | 2022-12-27 | Varian Medical Systems International Ag | Generating and applying robust dose prediction models |
US11654299B2 (en) * | 2020-07-02 | 2023-05-23 | Siemens Healthineers International Ag | Methods and apparatus pertaining to radiation treatment plans |
WO2022047637A1 (en) * | 2020-09-02 | 2022-03-10 | Elekta (Shanghai) Technology Co., Ltd. | Automatic beam modeling based on deep learning |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102247660A (zh) * | 2011-04-18 | 2011-11-23 | 深圳市海博科技有限公司 | 治疗计划逆向规划方法和治疗计划系统 |
US20120014507A1 (en) * | 2010-07-16 | 2012-01-19 | Duke University | Automatic Generation of Patient-Specific Radiation Therapy Planning Parameters |
WO2012066494A2 (en) * | 2010-11-19 | 2012-05-24 | Koninklijke Philips Electronics N.V. | Method and apparatus for compensating intra-fractional motion |
US20120310615A1 (en) * | 2011-06-03 | 2012-12-06 | Moore Kevin L | Developing predictive dose-volume relationships for a radiotherapy treatment |
US20130085314A1 (en) * | 2011-09-30 | 2013-04-04 | Stefan Vilsmeier | Automatic treatment planning method |
US20130085343A1 (en) * | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7844560B2 (en) * | 2006-04-17 | 2010-11-30 | Siemens Medical Solutions Usa, Inc. | Personalized prognosis modeling in medical treatment planning |
US8032308B2 (en) * | 2008-03-13 | 2011-10-04 | Siemens Medical Solutions Usa, Inc. | Modeling lung cancer survival probability after or side-effects from therapy |
DE102008036478A1 (de) * | 2008-08-05 | 2010-02-11 | Forschungszentrum Dresden - Rossendorf E.V. | Vorrichtung und Verfahren zur Auswertung einer Aktivitätsverteilung sowie Bestrahlungsanlage |
US8588369B2 (en) * | 2008-08-28 | 2013-11-19 | Varian Medical Systems, Inc. | Radiation system with rotating patient support |
US8078554B2 (en) * | 2008-09-03 | 2011-12-13 | Siemens Medical Solutions Usa, Inc. | Knowledge-based interpretable predictive model for survival analysis |
US9907979B2 (en) * | 2008-09-09 | 2018-03-06 | Varian Medical Systems International Ag | Apparatus and method to facilitate adapting a radiation treatment plan |
US8411819B2 (en) * | 2009-01-15 | 2013-04-02 | Varian Medical Systems International Ag | Radiation treatment planning and execution that consider the type of critical organ |
US8278633B2 (en) * | 2009-01-20 | 2012-10-02 | Varian Medical Systems International Ag | Gated radiation procedure using packages |
US7986768B2 (en) * | 2009-02-19 | 2011-07-26 | Varian Medical Systems International Ag | Apparatus and method to facilitate generating a treatment plan for irradiating a patient's treatment volume |
US8121252B2 (en) * | 2009-03-11 | 2012-02-21 | Varian Medical Systems, Inc. | Use of planning atlas in radiation therapy |
US8969001B2 (en) * | 2009-03-12 | 2015-03-03 | Rush University Medical Center | Materials and methods for predicting recurrence of non-small cell lung cancer |
US8009802B2 (en) * | 2009-09-22 | 2011-08-30 | Varian Medical Systems International Ag | Method and apparatus to facilitate supplementing a dose-volume histogram constraint using an adaptive dose-volume histogram constraint |
US7894574B1 (en) * | 2009-09-22 | 2011-02-22 | Varian Medical Systems International Ag | Apparatus and method pertaining to dynamic use of a radiation therapy collimator |
US8284897B2 (en) * | 2010-01-26 | 2012-10-09 | Varian Medical Systems International Ag | Method and apparatus to facilitate treating a target portion of a patient's body with radiation |
US8280003B2 (en) * | 2010-05-28 | 2012-10-02 | Varian Medical Systems International Ag | Method for calculating head scatter phase space for radiation treatment using a multi-leaf collimator with dynamic jaws |
US8816307B2 (en) * | 2010-07-15 | 2014-08-26 | Varian Medical Systems International Ag | Method and apparatus pertaining to use of jaws during radiation treatment |
US8416918B2 (en) * | 2010-08-20 | 2013-04-09 | Varian Medical Systems International Ag | Apparatus and method pertaining to radiation-treatment planning optimization |
US8744148B2 (en) * | 2010-08-24 | 2014-06-03 | Varian Medical Systems International Ag | Method and apparatus regarding iterative processes as pertain to medical imaging information |
US8295436B2 (en) * | 2010-09-10 | 2012-10-23 | Varian Medical Systems International Ag | Method and apparatus pertaining to optimizing a radiation-treatment leaf-sequence plan |
US8693630B2 (en) * | 2011-01-10 | 2014-04-08 | Varian Medical Systems International Ag | Method and apparatus pertaining to radiation-therapy treatment-plan optimization |
AU2012315530A1 (en) * | 2011-09-30 | 2014-04-17 | Cincinnati Children's Hospital Medical Center | Method for consistent and verifiable optimization of computed tomography (CT) radiation dose |
US8961382B2 (en) * | 2012-01-24 | 2015-02-24 | Varian Medical Systems International Ag | Method and apparatus pertaining to radiation-treatment plan optimization |
US9731147B2 (en) * | 2012-02-07 | 2017-08-15 | Varian Medical Systems International Ag | Method and apparatus pertaining to the optimization of radiation-treatment plans using automatic changes to treatment objectives |
US9387345B2 (en) * | 2012-07-13 | 2016-07-12 | Varian Medical Systems International Ag | Apparatus and method pertaining to determining a spatially-variant normal tissue constraint as a function of dose distribution |
US9381376B2 (en) * | 2012-10-12 | 2016-07-05 | Varian Medical Systems International Ag | Systems, devices, and methods for quality assurance of radiation therapy |
US9974975B2 (en) * | 2013-03-14 | 2018-05-22 | Varian Medical Systems International Ag | Method and apparatus for using preferred angles when irradiating patient target volumes |
US9463334B2 (en) * | 2013-03-15 | 2016-10-11 | Varian Medical Systems International Ag | Radiation therapy planing using integrated model |
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 |
US9827445B2 (en) * | 2013-09-27 | 2017-11-28 | Varian Medical Systems International Ag | Automatic creation and selection of dose prediction models for treatment plans |
-
2013
- 2013-09-27 US US14/040,618 patent/US9409039B2/en active Active
-
2014
- 2014-05-21 EP EP14725203.5A patent/EP2999518B1/en active Active
- 2014-05-21 WO PCT/EP2014/060461 patent/WO2014187866A1/en active Application Filing
- 2014-05-21 CN CN201480037517.6A patent/CN105358219B/zh active Active
- 2014-05-21 CN CN201910516005.2A patent/CN110201319B/zh active Active
-
2016
- 2016-07-05 US US15/202,358 patent/US10159851B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014507A1 (en) * | 2010-07-16 | 2012-01-19 | Duke University | Automatic Generation of Patient-Specific Radiation Therapy Planning Parameters |
WO2012066494A2 (en) * | 2010-11-19 | 2012-05-24 | Koninklijke Philips Electronics N.V. | Method and apparatus for compensating intra-fractional motion |
CN102247660A (zh) * | 2011-04-18 | 2011-11-23 | 深圳市海博科技有限公司 | 治疗计划逆向规划方法和治疗计划系统 |
US20120310615A1 (en) * | 2011-06-03 | 2012-12-06 | Moore Kevin L | Developing predictive dose-volume relationships for a radiotherapy treatment |
US20130085314A1 (en) * | 2011-09-30 | 2013-04-04 | Stefan Vilsmeier | Automatic treatment planning method |
US20130085343A1 (en) * | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021090063A1 (en) * | 2019-11-08 | 2021-05-14 | Wang Qunxi | Cloud-based dose verification |
Also Published As
Publication number | Publication date |
---|---|
US10159851B2 (en) | 2018-12-25 |
US9409039B2 (en) | 2016-08-09 |
EP2999518A1 (en) | 2016-03-30 |
US20160331999A1 (en) | 2016-11-17 |
CN110201319B (zh) | 2021-11-09 |
US20140350863A1 (en) | 2014-11-27 |
CN105358219A (zh) | 2016-02-24 |
EP2999518B1 (en) | 2022-07-27 |
WO2014187866A1 (en) | 2014-11-27 |
CN105358219B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105358219B (zh) | 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 | |
CN105592887B (zh) | 使用3d信息作为输入来预测可实现的剂量分布 | |
KR102124956B1 (ko) | 의료 영상 스캔으로부터의 환자 방사선량 추정치 생성 | |
US9390230B2 (en) | Radiation treatment planning apparatus and method thereof | |
EP3316258A1 (en) | Query with data distribution in a hospital network | |
Lee et al. | A survey of medical image processing tools | |
JP6776249B2 (ja) | Mri又はct用のスキャンジオメトリプランニング方法 | |
US20150095051A1 (en) | Automated algorithm and framework for multi-patient treatment plan access in radiation therapy | |
US9305139B2 (en) | Radiation treatment planning apparatus and method thereof | |
Deshpande et al. | Knowledge-driven decision support for assessing dose distributions in radiation therapy of head and neck cancer | |
Savjani et al. | A framework for sharing radiation dose distribution maps in the electronic medical record for improving multidisciplinary patient management | |
Xiao et al. | The role of Imaging and Radiation Oncology Core for precision medicine era of clinical trial | |
Lin et al. | ART2Dose: A comprehensive dose verification platform for online adaptive radiotherapy | |
Speight | MRI to CT image registration | |
Deshpande et al. | A collaborative framework for contributing dicom rt phi (protected health information) to augment data mining in clinical decision support | |
Liu | A knowledge-based imaging informatics approach for managing proton beam therapy of cancer patients | |
Ntasis et al. | Telematics enabled virtual simulation system for radiation treatment planning | |
US20230222657A1 (en) | Comparing healthcare provider contours using automated tool | |
Graeper et al. | Interpretation of intrafraction motion review data and method for verification | |
Benedick et al. | Data-mining and machine learning for knowledge-based treatment planning support in radiation therapy of head and neck cancer using anatomical structure and tumor position | |
Sargeant et al. | A Novel Method Combining Global and Local Assessments to Evaluate CBCT-Based Synthetic CTs | |
Documet et al. | A DICOM-RT radiation oncology ePR with decision support utilizing a quantified knowledge base from historical data | |
Deshpande et al. | Multi-site evaluation of a clinical decision support system for radiation therapy | |
CN112447278A (zh) | 患者计划数据的核验方法、装置及计算机设备 | |
Liu et al. | A knowledge-based imaging informatics approach to managing patients treated with proton beam therapy |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40013070 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |