CN110433405A - 一种预测剂量引导的tps优化方法及装置 - Google Patents

一种预测剂量引导的tps优化方法及装置 Download PDF

Info

Publication number
CN110433405A
CN110433405A CN201910617473.9A CN201910617473A CN110433405A CN 110433405 A CN110433405 A CN 110433405A CN 201910617473 A CN201910617473 A CN 201910617473A CN 110433405 A CN110433405 A CN 110433405A
Authority
CN
China
Prior art keywords
dose
predicted
ziye
intensity
radiotherapy
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
Application number
CN201910617473.9A
Other languages
English (en)
Inventor
文虎儿
朱言庆
姚毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Leitai Intelligent Technology Co Ltd
Original Assignee
Suzhou Leitai Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Leitai Intelligent Technology Co Ltd filed Critical Suzhou Leitai Intelligent Technology Co Ltd
Priority to CN201910617473.9A priority Critical patent/CN110433405A/zh
Publication of CN110433405A publication Critical patent/CN110433405A/zh
Pending legal-status Critical Current

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
    • A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients

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

本发明提供一种预测剂量引导的TPS优化方法及装置，涉及放射治疗技术领域。该方法用于优化计算放射治疗计划阶段的子野剂量分割，该方法包括：针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；根据预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；根据预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。通过根据预测强度图，迭代计算子野剂量分割结果，直至分割剂量与预测剂量尽可能小，从而可以自动获得优化的分割结果，避免了放射治疗物理师进行子野分割的试错过程，提高了物理师的工作效率。

Description

一种预测剂量引导的TPS优化方法及装置
技术领域
本发明涉及放射治疗技术领域，具体涉及一种预测剂量引导的TPS优化方法及装置。
背景技术
调强放射治疗(Intensity modulated radiation therapy，IMRT)作为放疗的一种，针对靶区三维形状和危及器官与靶区的空间位置关系，对射束强度进行调节，使放射剂量的分布与靶区形状一致，靶区内接受分布均匀的高的剂量，保证对肿瘤细胞的杀伤，同时使得正常组织接受较低的剂量照射，达到保护正常器官、减少不良反应的目的。
传统的两步法IMRT计划制作过程一般包括两个步骤，按先后顺序依次为：步骤1.优化射野强度；步骤2.子野分割。步骤1中，计划设计者根据经验设置射束方向，设置器官约束条件，使用逆向优化算法求出射野强度图及对应的优化剂量，当优化剂量不满足治疗要求时，需调整约束条件，再次优化，如此反复，直至优化剂量满足治疗要求。在步骤2中，将步骤1得到的优化强度图作为输入，执行子野分割算法，由于光栅的特性和物理限制，譬如光栅运动最大速度、光栅半影参数等，分割后的剂量与优化剂量的分布存在一定的差异，当分割剂量不满足治疗要求时，需返回步骤1，调整约束条件，执行优化，然后再进行子野分割，如此反复，直至分割剂量满足治疗要求。整体而言，传统的两步法IMRT是个不断试错的过程，费时费力，尤其是对经验较少的物理师更是耗时。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种预测剂量引导的TPS(放射治疗计划系统)优化方法及装置，以解决物理师在放射治疗设计优化阶段的耗时问题。
为实现上述目的，本发明采用的技术方案如下：
第一方面，本发明提供了一种预测剂量引导的TPS优化方法，用于优化计算放射治疗计划阶段的子野剂量分割，所述方法包括：
针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；
根据所述预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；
根据所述预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。
可选地，所述针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量，包括：
采用训练好的卷积神经网络模型作为预定剂量预测模型；
获取预定肿瘤病人的器官勾画数据，并且输入所述预定剂量预测模型，以得到模型预测结果；
将所述模型预测结果进行同步推量，使得放射治疗靶区的95％体积的接收剂量作为预测剂量。
可选地，所述根据所述预测剂量，计算放射治疗的射野强度图贡献作为预测强度图，包括：
设置目标函数：
其中，Fobj为目标函数，k为迭代次数，Npt为病人体数据中像素点个数，ωj为像素点的权重，dj为第j个点的计算剂量，pj为第j个点的预测剂量，Nray为射束的总个数，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，xk为所有射束的总强度；
使用共轭梯度法，使所述目标函数最小化，从而得到预测剂量的射野强度图贡献作为预测强度图。
可选地，所述根据所述预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果，包括：
a、设置最大迭代次数，并且设置子野分割强度图、迭代次数、迭代目标函数和优化分割结果的初始值，其中所述子野分割强度图的初始值为所述预测强度图；
b、针对所述子野分割强度图进行子野剂量分割，得到分割剂量；
c、计算所述分割剂量与所述预测剂量之间的加权平方误差；
d、若所述加权平方误差小于所述迭代目标函数的值，则将所述加权平方误差作为所述迭代目标函数的值，并且更新优化分割结果，所述迭代次数的值增加1；若所述迭代目标函数小于所述预测剂量与所述预测强度图对应的沉积剂量的加权平方误差或者所述迭代次数的值达到最大迭代次数，则迭代停止；否则计算所述预测剂量与所述分割剂量的剂量差，并且根据所述剂量差更新所述子野分割强度图，并转到步骤b。
可选地，所述根据所述剂量差更新所述子野分割强度图，具体包括：
计算所述剂量差的强度图贡献；
将子野分割强度图减去预定系数与所述剂量差的强度图贡献乘积的差作为新的子野分割强度图。
可选地，所述预定系数为0.382。
可选地，所述迭代次数的初始值为零、所述迭代目标函数的初始值为无穷大、所述优化分割结果的初始值为空。
第二方面，本发明提供了一种预测剂量引导的TPS优化装置，用于优化计算放射治疗计划阶段的子野剂量分割，所述装置包括：
预测剂量计算模块，用于针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；
预测强度图计算模块，用于根据预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；
子野剂量分割计算模块，用于根据预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。
可选地，预测剂量计算模块，具体用于：
采用训练好的卷积神经网络模型作为预定剂量预测模型；
获取预定肿瘤病人的器官勾画数据，并且输入预定剂量预测模型，以得到模型预测结果；
将模型预测结果进行同步推量，使得放射治疗靶区的95％体积的接收剂量作为预测剂量。
可选地，预测强度图计算模块，具体用于：
设置目标函数：
其中，Fobj为目标函数，k为迭代次数，Npt为病人体数据中像素点个数，ωj为像素点的权重，dj为第j个点的计算剂量，pj为第j个点的预测剂量，Nray为射束的总个数，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，xk为所有射束的总强度；
使用共轭梯度法，使所述目标函数最小化，从而得到预测剂量的射野强度图贡献作为预测强度图。
可选地，子野剂量分割计算模块，具体用于：
a、设置最大迭代次数，并且设置子野分割强度图、迭代次数、迭代目标函数和优化分割结果的初始值，其中所述子野分割强度图的初始值为所述预测强度图；
b、针对所述子野分割强度图进行子野剂量分割，得到分割剂量；
c、计算所述分割剂量与所述预测剂量之间的加权平方误差；
d、若所述加权平方误差小于所述迭代目标函数的值，则将所述加权平方误差作为所述迭代目标函数的值，并且更新优化分割结果，所述迭代次数的值增加1；若所述迭代目标函数小于所述预测剂量与所述预测强度图对应的沉积剂量的加权平方误差或者所述迭代次数的值达到最大迭代次数，则迭代停止；否则计算所述预测剂量与所述分割剂量的剂量差，并且根据所述剂量差更新所述子野分割强度图，并转到步骤b。
可选地，子野剂量分割计算模块，还具体用于：
计算所述剂量差的强度图贡献；
将子野分割强度图减去预定系数与所述剂量差的强度图贡献乘积的差作为新的子野分割强度图。
可选地，预定系数为0.382。
可选地，迭代次数的初始值为零，迭代目标函数的初始值为无穷大、优化分割结果的初始值为空。
第三方面，本发明提供了一种放射治疗装置，所述装置采用根据第一方面所述的预测剂量引导的TPS优化方法来优化计算放射治疗计划阶段的子野剂量分割，或者包括根据第二方面所述的预测剂量引导的TPS优化装置。
本发明的有益效果包括：
本发明提供的预测剂量引导的TPS优化方法，用于优化计算放射治疗计划阶段的子野剂量分割，该方法包括：针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；根据预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；根据预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。通过根据预测强度图，迭代计算子野剂量分割结果，直至分割剂量与预测剂量尽可能小，从而可以自动获得优化的分割结果，避免了放射治疗物理师进行子野分割的试错过程，提高了物理师的工作效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的剂量预测模型的结构示意图；
图2示出了本发明实施例提供的剂量预测的流程示意图；
图3示出了本发明实施例提供的子野分割迭代优化方法的流程示意图；
图4示出了本发明实施例提供的剂量预测模型在前四个测试病例上的表现结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种预测剂量引导的TPS(放射治疗计划系统)优化方法，用于优化计算放射治疗计划阶段的子野剂量分割，从而减少物理师在优化阶段的时间消耗。
该方法包括：针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量(例如，经优化的最优剂量)作为预测剂量；根据预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；根据预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。
为了获得预测剂量，首先采用训练好的卷积神经网络模型作为预定剂量预测模型；获取预定肿瘤病人的器官勾画数据，并且输入预定剂量预测模型，以得到模型预测结果；将模型预测结果进行同步推量，使得放射治疗靶区的95％体积的接收剂量作为预测剂量。下面将对获得预测剂量的过程进行详细描述。
可以选择卷积神经网络模型(模型的结构参见图1)作为肿瘤病人的剂量预测模型，下面以前列腺癌病人为例叙述模型的训练以及预测流程，预测流程如图2所示。
模型的输入是CT(电子计算机断层扫描)切片上的勾画数据，大小为256*256*6,256*256为切片大小，6为通道数，对应器官个数。通道图像是一个像素值只取0、1的二值图像，1代表CT切片上当前像素点属于该通道对应的器官，0则反之。模型的输出是一个大小为256*256的浮点型图像，像素值为CT切片上对应像素点处的剂量预测值。
选择88例临床前列腺IMRT病人，要求计划有相同的加速器类型及能量，以及相同的射野角度。另外要求每个病人有6个器官的勾画：靶区(PTV)、膀胱、皮肤、左股骨头、右股骨头、直肠。从88例病人中选择80例作为训练集，余下的8例作为测试集。
使用剪裁与插值方法，使病人的体数据大小为256*256*64，空间分辨率大小为2*2*2.5。对所有病人的体剂量进行归一化，使得所有病人PTV的平均剂量归一到1。
将训练数据(80例)分为训练集、验证集两个部分，训练集72例病人，验证集8例病人，训练集中的数据用于训练，验证集中的数据用于筛选权重，防止模型过拟合。训练时采用的loss函数(损失函数)为预测剂量与真实剂量的均方误差。为了防止模型过拟合，使用交叉验证的方法训练10个模型(训练集病人72例，验证集中的病人8例)，选择一个在验证集上loss值最小的模型。另外训练时，为了突出中间切片的重要性，可以采用高斯抽样。通过上述过程可以获得训练好的剂量预测模型。
然后获取病人的勾画数据，将其输入到训练好的剂量预测模型以获得初始预测结果，将初始预测结果进行同步推量，使得PTV的95％体积的接收剂量为处方剂量，从而获得预测剂量。具体地，可以通过将初始预测结果乘以如下的因子来得到预测剂量：
其中处方剂量为由专业治疗人员(例如，医师)对病人开具的剂量。
然后，根据预测剂量，计算放射治疗的射野强度图贡献作为预测强度图，具体包括：
设置目标函数：
其中，Fobj为目标函数，k为迭代次数，Npt为病人体数据中像素点个数，ωj为像素点的权重，dj为第j个点的计算剂量，pj为第j个点的预测剂量，Nray为射束的总个数，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，xk为所有射束的总强度；
使用共轭梯度法，使目标函数最小化，从而得到预测剂量的射野强度图贡献作为预测强度图。
根据预测强度图迭代计算子野剂量分割以获得优化的子野剂量分割结果，具体包括：a、设置最大迭代次数，并且设置子野分割强度图、迭代次数、迭代目标函数和优化分割结果的初始值，其中所述子野分割强度图的初始值为所述预测强度图；b、针对子野分割强度图进行子野剂量分割，得到分割剂量；c、计算分割剂量与预测剂量之间的加权平方误差；d、若加权平方误差小于迭代目标函数的值，则将加权平方误差作为迭代目标函数的值，并且更新优化分割结果，迭代次数的值增加1；若迭代目标函数小于预测剂量与预测强度图对应的沉积剂量的加权平方误差或者迭代次数的值达到最大迭代次数，则迭代停止；否则计算预测剂量与分割剂量的剂量差，并且根据剂量差更新所述子野分割强度图，并转到步骤b继续进行。其中，迭代次数的初始值为零、迭代目标函数的初始值为无穷大、优化分割结果的初始值为空。
根据剂量差更新子野分割强度图具体包括：计算剂量差的强度图贡献；将子野分割强度图减去预定系数与所述剂量差的强度图贡献乘积的差作为新的子野分割强度图。其中预定系数可以为0.382。
具体地，参见图3，设Dosepred为预测剂量，Mappred为预测强度图，Fobjpred为预测剂量与预测强度图对应的沉积剂量的加权平方误差，即上述式(1)中的强度图取预测强度图时目标函数的取值，迭代计算分割结果的步骤如下：
步骤1：设置迭代次数为iter，最大迭代次数itermax，初始化强度图Map＝Mappred，iter＝0，迭代目标函数Fobj＝inf(无穷大)，最优分割结果置为空；
步骤2：对强度图Map进行子野分割，计算分割剂量Dosedel、分割强度图Mapdel；
步骤3：计算预测剂量与分割剂量的加权平方误差Fobjdel，若Fobjdel＜Fobj，则令Fobj＝Fobjdel，更新最优分割结果，iter自增1；
步骤4：若Fobj＜Fobjpred，或者iter＞＝itermax，迭代停止；否则，计算预测剂量Dosepred与分割剂量Dosedel的剂量差Dosediff，可以使用前述计算强度图贡献的方法来计算Dosediff的强度图贡献Mapdiff，并根据如下式来更新Map，
Map＝Mappred-0.382*Mapdiff
并且转到步骤2继续进行。
综上所述，本发明实施例提供的优化方法通过根据预测强度图，迭代计算子野剂量分割结果，直至分割剂量与预测剂量尽可能小，从而可以自动获得优化的分割结果，避免了放射治疗物理师进行子野分割的试错过程，节省了物理师的操作时间，提高了物理师的工作效率。
下面以前列腺癌病人为例，具体描述实施过程。
首先选择88例临床前列腺IMRT病人。计划的射野角度一致，都是7野共面，射野角度依次为150、70、40、0、320、290、210；计划的加速器类型一致，能量都是15MV。每个病人有6个器官的勾画：靶区(PTV)、膀胱、皮肤、左股骨头、右股骨头、直肠。从88例病人中选择80例作为训练集，余下的8例作为测试集。
使用收集的数据训练剂量预测模型，本实施例中选取的模型为图1所示的卷积神经网络模型。模型在前4个测试病人上的表现参见图4(每个病人只抽取了模型在PTV中间切片上表现)，从图4可以看出，模型预测结果与实际结果非常接近。
模型训练好之后，为计划设置7个共面野，角度依次为150、70、40、0、320、290、210。使用剂量预测模型，预测病人的最优剂量，记为Dosepred；计算预测剂量的强度图贡献(称为预测强度图)，记为Mappred，计算预测剂量与预测强度图对应的沉积剂量的加权平方误差Fobjpred，最后迭代计算分割结果，迭代计算分割结果的步骤如上述步骤1至步骤4中所述，在此不再赘述。
本发明还提供了一种预测剂量引导的TPS优化装置，用于优化计算放射治疗计划阶段的子野剂量分割，具体地，该装置用于执行本发明上述实施例中提供的方法。
该装置包括：预测剂量计算模块，用于针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；预测强度图计算模块，用于根据预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；子野剂量分割计算模块，用于根据预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。
可选地，预测剂量计算模块，具体用于：采用训练好的卷积神经网络模型作为预定剂量预测模型；获取预定肿瘤病人的器官勾画数据，并且输入预定剂量预测模型，以得到模型预测结果；将模型预测结果进行同步推量，使得放射治疗靶区的95％体积的接收剂量作为预测剂量。
可选地，预测强度图计算模块，具体用于：
设置目标函数：
其中，Fobj为目标函数，k为迭代次数，Npt为病人体数据中像素点个数，ωj为像素点的权重，dj为第j个点的计算剂量，pj为第j个点的预测剂量，Nray为射束的总个数，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，xk为所有射束的总强度；
使用共轭梯度法，使所述目标函数最小化，从而得到预测剂量的射野强度图贡献作为预测强度图。
可选地，子野剂量分割计算模块，具体用于：a、设置最大迭代次数，并且设置子野分割强度图、迭代次数、迭代目标函数和优化分割结果的初始值，其中所述子野分割强度图的初始值为所述预测强度图；b、针对所述子野分割强度图进行子野剂量分割，得到分割剂量；c、计算所述分割剂量与所述预测剂量之间的加权平方误差；d、若所述加权平方误差小于所述迭代目标函数的值，则将所述加权平方误差作为所述迭代目标函数的值，并且更新优化分割结果，所述迭代次数的值增加1；若所述迭代目标函数小于所述预测剂量与所述预测强度图对应的沉积剂量的加权平方误差或者所述迭代次数的值达到最大迭代次数，则迭代停止；否则计算所述预测剂量与所述分割剂量的剂量差，并且根据所述剂量差更新所述子野分割强度图，并转到步骤b。
可选地，子野剂量分割计算模块，还具体用于：计算所述剂量差的强度图贡献；将子野分割强度图减去预定系数与所述剂量差的强度图贡献乘积的差作为新的子野分割强度图。可选地，预定系数为0.382。可选地，迭代次数的初始值为零，迭代目标函数的初始值为无穷大、优化分割结果的初始值为空。
另外，本发明还提供了一种放射治疗装置，所述装置采用本发明上述提供的预测剂量引导的TPS优化方法来优化计算放射治疗计划阶段的子野剂量分割，或者包括本发明上述提供的预测剂量引导的TPS优化装置。
上述实施例只为说明本发明的技术构思及特点，其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种预测剂量引导的TPS优化方法，用于优化计算放射治疗计划阶段的子野剂量分割，其特征在于，所述方法包括：
针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；
根据所述预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；
根据所述预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。
2.根据权利要求1所述的方法，其特征在于，所述针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量，包括：
采用训练好的卷积神经网络模型作为预定剂量预测模型；
获取预定肿瘤病人的器官勾画数据，并且输入所述预定剂量预测模型，以得到模型预测结果；
将所述模型预测结果进行同步推量，使得放射治疗靶区的95％体积的接收剂量作为预测剂量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述预测剂量，计算放射治疗的射野强度图贡献作为预测强度图，包括：
设置目标函数：
其中，Fobj为目标函数，k为迭代次数，Npt为病人体数据中像素点个数，ωj为像素点的权重，dj为第j个点的计算剂量，pj为第j个点的预测剂量，Nray为射束的总个数，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，xk为所有射束的总强度；
使用共轭梯度法，使所述目标函数最小化，从而得到预测剂量的射野强度图贡献作为预测强度图。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果，包括：
a、设置最大迭代次数，并且设置子野分割强度图、迭代次数、迭代目标函数和优化分割结果的初始值，其中所述子野分割强度图的初始值为所述预测强度图；
b、针对所述子野分割强度图进行子野剂量分割，得到分割剂量；
c、计算所述分割剂量与所述预测剂量之间的加权平方误差；
d、若所述加权平方误差小于所述迭代目标函数的值，则将所述加权平方误差作为所述迭代目标函数的值，并且更新优化分割结果，所述迭代次数的值增加1；若所述迭代目标函数小于所述预测剂量与所述预测强度图对应的沉积剂量的加权平方误差或者所述迭代次数的值达到最大迭代次数，则迭代停止；否则计算所述预测剂量与所述分割剂量的剂量差，并且根据所述剂量差更新所述子野分割强度图，并转到步骤b。
5.根据权利要求4所述的方法，其特征在于，所述根据所述剂量差更新所述子野分割强度图，具体包括：
计算所述剂量差的强度图贡献；
将子野分割强度图减去预定系数与所述剂量差的强度图贡献乘积的差作为新的子野分割强度图。
6.根据权利要求5所述的方法，其特征在于，所述预定系数为0.382。
7.根据权利要求4所述的方法，其特征在于，所述迭代次数的初始值为零、所述迭代目标函数的初始值为无穷大、所述优化分割结果的初始值为空。
8.一种预测剂量引导的TPS优化装置，用于优化计算放射治疗计划阶段的子野剂量分割，其特征在于，所述装置包括：
预测剂量计算模块，用于针对预定肿瘤病人，采用预定剂量预测模型计算放射治疗中所需要的剂量作为预测剂量；
预测强度图计算模块，用于根据所述预测剂量，计算放射治疗的射野强度图贡献作为预测强度图；
子野剂量分割计算模块，用于根据所述预测强度图，迭代计算子野剂量分割，以获得优化的子野剂量分割结果。
9.根据权利要求8所述的装置，其特征在于，所述预测剂量计算模块，具体用于：
采用训练好的卷积神经网络模型作为预定剂量预测模型；
获取预定肿瘤病人的器官勾画数据，并且输入所述预定剂量预测模型，以得到模型预测结果；
将所述模型预测结果进行同步推量，使得放射治疗靶区的95％体积的接收剂量作为预测剂量。
10.一种放射治疗装置，其特征在于，所述装置采用根据权利要求1至7中任一项所述的预测剂量引导的TPS优化方法来优化计算放射治疗计划阶段的子野剂量分割，或者包括根据权利要求8或9所述的预测剂量引导的TPS优化装置。
CN201910617473.9A 2019-07-09 2019-07-09 一种预测剂量引导的tps优化方法及装置 Pending CN110433405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910617473.9A CN110433405A (zh) 2019-07-09 2019-07-09 一种预测剂量引导的tps优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910617473.9A CN110433405A (zh) 2019-07-09 2019-07-09 一种预测剂量引导的tps优化方法及装置

Publications (1)

Publication Number Publication Date
CN110433405A true CN110433405A (zh) 2019-11-12

Family

ID=68430006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910617473.9A Pending CN110433405A (zh) 2019-07-09 2019-07-09 一种预测剂量引导的tps优化方法及装置

Country Status (1)

Country Link
CN (1) CN110433405A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120256103A1 (en) * 2011-04-11 2012-10-11 Marco Luzzara Modifying radiation beam shapes
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
US20190030370A1 (en) * 2017-07-25 2019-01-31 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
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
CN109843377A (zh) * 2016-09-07 2019-06-04 医科达有限公司 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120256103A1 (en) * 2011-04-11 2012-10-11 Marco Luzzara Modifying radiation beam shapes
CN109843377A (zh) * 2016-09-07 2019-06-04 医科达有限公司 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法
US20190030370A1 (en) * 2017-07-25 2019-01-31 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
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
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

Similar Documents

Publication Publication Date Title
CN106730411B (zh) 放射治疗计划优化方法及系统
US7496173B2 (en) Method and system for optimizing dose delivery of radiation
CN110124214B (zh) 预测剂量分布引导的调强放疗计划优化系统、介质及设备
US20170014642A1 (en) System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties
US7529339B2 (en) Method and system for optimizing dose delivery of radiation
Llacer Inverse radiation treatment planning using the dynamically penalized likelihood method
Das et al. Beam orientation selection for intensity-modulated radiation therapy based on target equivalent uniform dose maximization
CN109152928A (zh) 放射疗法的注量图产生方法
CN110211664A (zh) 一种基于机器学习自动设计放射治疗方案的系统
CN104815392B (zh) 一种交互式放射治疗计划系统优化系统
CN110354406A (zh) 一种放射治疗的三维剂量预测方法和系统
CN108415058A (zh) 放射线的剂量计算方法及系统
CN109499012B (zh) 一种优化剂量引导的tps自动迭代优化方法
CN108711447A (zh) 基于体素权重因子的自动调强多目标优化方法及其应用
CN110327554A (zh) 基于预测剂量分布引导的调强放疗计划优化方法及应用
Craft Multi-criteria optimization methods in radiation therapy planning: a review of technologies and directions
CN109453473A (zh) 放射治疗计划系统、确定装置及存储介质
CN110404184A (zh) 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
Fredriksson et al. Robust radiation therapy optimization using simulated treatment courses for handling deformable organ motion
Schreibmann et al. Dose–volume based ranking of incident beam direction and its utility in facilitating IMRT beam placement
Bedford Sinogram analysis of aperture optimization by iterative least-squares in volumetric modulated arc therapy
CN116341182A (zh) 基于多目标进化和传统优化方法协同的质子调强多目标优化方法及其系统
Lei et al. An approaching genetic algorithm for automatic beam angle selection in IMRT planning
Al-Yahya et al. Monte Carlo based modulated electron beam treatment planning using a few-leaf electron collimator—feasibility study
CN110433405A (zh) 一种预测剂量引导的tps优化方法及装置

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: 20191112

RJ01 Rejection of invention patent application after publication