CN110520192A - 对放射疗法治疗进行计划的系统和方法 - Google Patents
对放射疗法治疗进行计划的系统和方法 Download PDFInfo
- Publication number
- CN110520192A CN110520192A CN201780083682.9A CN201780083682A CN110520192A CN 110520192 A CN110520192 A CN 110520192A CN 201780083682 A CN201780083682 A CN 201780083682A CN 110520192 A CN110520192 A CN 110520192A
- Authority
- CN
- China
- Prior art keywords
- complexity
- treatment plan
- update
- treatment
- candidate
- 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
-
- 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
- A61N2005/1092—Details
-
- 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
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
系统(100)基于以下形式的输入对目标体积的放射疗法治疗进行计划:候选束的集合其中每个束限定治疗束相对于目标体积的设置;用于放射疗法治疗的治疗计划(x),该治疗计划使用候选束的子集合描述治疗计划(x)的质量的目标函数(F);以及描述必须被满足的关于治疗计划(x)要求的可行域(X)。目标函数(F)和/或可行域(X)也反映将第一复杂度测量(τ(x))限制为小于或等于最大的第一复杂度(f)的第一复杂度准则(r(x)≤τ)。重复执行优化步骤;由此,在每次迭代中,通过根据目标函数(F)和可行域(X)对治疗计划(x)进行优化来计算更新的治疗计划(x')。在此,如果满足终止准则,则基于更新的治疗计划(x')计算选出束的集合(r'(x)≤τ')。选出束的集合(r(x)≤τ)是候选束的集合的子集合。
Description
技术领域
本发明总体涉及放射疗法治疗的计划。更具体地,本发明涉及用于对放射疗法治疗进行计划的系统以及对应的方法。本发明还涉及一种计算机程序和一种处理器可读介质。
背景技术
在放射疗法治疗中,使用一种或多种治疗用放射束将剂量输送到患者的治疗体积中。在此,相应的治疗用放射束的取向是重要参数。治疗用放射束的取向通常由放射源的位置、束中心轴线的方向和治疗头的旋转来确定。
在CyberKnifeTM机器中,可以通过安装在机械人臂上的线性加速器而直接控制取向参数。在此,属于单个源位置的取向被称为属于公共节点。
在具有携带线性加速器的所谓的C形臂的机械中,其中放射源围绕患者以恒定的源轴线距离旋转,束取向由等中心位置和分别描述治疗台、患者床和治疗头的旋转的三组元的角度(准直器角度)来限定。对于C形臂安装的机器,共面治疗与一般的非共面治疗通常的区别是,在共面治疗中,床角度对于所有束是恒定的。
来自粒子疗法机器的治疗束可以使用与C形臂安装的线性加速器类似的旋转台来指向患者。
对于在照射期间束取向是不改变的输送技术(例如在三维适形放射疗法(3D-CRT)、静电场强度调制放射疗法(IMRT)和强度调制粒子疗法(IMPT)中),束取向的集合直接对应于治疗束的集合。
束取向的集合也可以被转换成用于电弧疗法的连续轨迹,在电弧疗法中束在照射期间扫过患者,诸如在体积调制电弧疗法(VMAT)中。
通过例如识别束取向之间的“最短路径”,在使得在取向的集合之间移动所述束所需的时间最小的意义上,将离散的束取向的集合转换成连续的圆弧轨迹。3D-CRT、I MRT和VMAT是不同光子疗法技术的示例,它们是使用安装C形臂的线性加速器来输出。IMPT可以从固定的束线输送或者通过使用旋转台来输送。
从束取向的较大的候选集合中选择适当的束取向的子集合的一般问题非常不易于解析。
现在,存在许多不同的方法来优化束取向,例如所谓的贪心方法(greedymethod),该方法从零束开始并且然后在此时迭代地添加一个束。在此,必须在每次迭代时执行多次优化——对未被选择的每个候选束执行一次优化——并且因为候选束的数量通常非常大,所以这些计算趋于是高处理强度的。在任何情况下,每次迭代的选出束都是可以最大程度地改善目标函数值的候选束。因此,贪心方法不能在短的计算时间内容易地提供可行的治疗计划。通过每个子问题仅使用少量优化迭代,或甚至仅使用来自第一次迭代的梯度信息,可以减少计算时间。然而,这种简化使得束选择高度接近,因此质量相对较低。
混合整数编程方法表示另一种替代方法,其中通过对所有可能的解决方案的结构化枚举来将束取向优化问题解析为全局最优。混合整数编程方法的计算成本非常高,因此对于实际问题尺寸是不可行的。
随机搜索方法表示另一示例,其中,如果改进目标函数值,则随机交换这些束并保持互换。这种方法也倾向于是具有处理强度的,或者至少耗费时间的。还有元启发式方法,诸如模拟退火算法和遗传算法,它们利用随机的和预定义的搜索规则的组合来改进当前选出束的集合。随机搜索方法和元启发式方法也需要很长的计算时间,为了能够对大部分搜索空间进行取样。
一个附加选项是采用考虑连续束角空间的局部搜索方法,并尝试通过使用由敏感性分析或有限差分计算的梯度来改善目标函数值。然而,局部搜索方法仅对微调有用,因为束取向优化问题具有许多局部最小值。
最后,还有几何方法,几何方法分析患者的解剖结构,并计算候选束方向的质量分数而不执行任何治疗计划优化。几何方法可以非常快。但是,它们的准确度有限,因为它们不依赖于实际的治疗计划优化。
鉴于上述问题和不足之处,因此,普遍的临床实践是手动地选择束取向。当然,这是远非理想的。
发明内容
本发明的目的是减轻上述问题,并提供一种治疗计划解决方案,该治疗计划解决方案实现了用户友好的界面,并且相对于需要选择束取向的子集合的处理资源是有效的,以从潜在的可以使用的更大的束取向的候选集合中使用。
根据本发明的一个方面,该目的通过一种用于对放射疗法治疗进行计划的系统来实现,在该放射疗法治疗中由治疗束照射目标体积。该系统包括处理器和存储器。存储器包含可由所述处理器执行的指令,由此所述系统操作以执行以下连贯步骤。
-获得输入集合,所述输入集合包括:候选束的集合,其中所述候选束的集合中的每个束限定了治疗束相对于目标体积的设置;用于放射疗法治疗的治疗计划,该治疗计划使用候选束的子集合;描述治疗计划的质量的目标函数;以及描述了必须被满足的关于治疗计划的要求的可行域;所述目标函数和/或可行域反映了第一复杂度准则,所述第一复杂度准则将第一复杂度测量限制为小于或等于最大的第一复杂度。第一复杂度测量与治疗计划的输送时间有关;
-执行优化步骤,由此通过根据目标函数和可行域对治疗计划进行优化来对更新的治疗计划进行计算;以及
-检查是否满足终止准则。如果满足,则基于所述更新的治疗计划来对选出束的集合进行计算,其中选出束的集合是候选束的集合的子集合。如果不满足,所述更新的治疗计划将被设定为治疗计划;对更新的第一复杂度准则进行计算;所述更新的第一复杂度准则被设定为第一复杂度准则;以及该程序返回到用于另一次迭代的优化步骤。
该系统是有利的,因为所提出的从治疗计划中逐步消除束的策略产生了一种对于每次迭代来说变得有更小计算强度的计算过程。此外,初始步骤已经需要相对较低的计算能力。因此,可以在时间和计算效果方面使整体计划过程高效。
根据本发明的该方面的一种实施方式,该系统还包含至少一个输入接口和输出接口。该至少一个输入接口配置成例如经由手动的用户输入、本地数据存储来接收目标函数和可行域的限定,或从在线资源接收目标函数和可行域的限定。输出接口被配置成输出经确定的选出束的集合,例如,用以在显示器或存储装置上以本地地和/或远程地呈现。这些接口是有利的,因为它们在源数据的起源地和结果数据的目的地方面提供高度的灵活性。
根据本发明这个方面的另一实施方式,第一复杂度准则表示第二复杂度准则的连续且可微分的逼近。即,第二复杂度准则将第二复杂度测量限制在最大的第二复杂度内,并且第二复杂度测量指示在治疗计划中使用的候选束的集合中的束的数量。然而,这样的第二复杂度准则通常是所谓的阶梯函数,该阶梯函数在任何地方都是不可微分的。因此,所提出的第一复杂度准则(基于所述连续且可微分的逼近)实质上有助于优化计算。此外,可由处理器执行的指令使系统进一步操作以:在返回到优化步骤之前,对更新的第二复杂度准则进行计算并将所述更新的第二复杂度准则设定为所述第二复杂度准则。这意味着,类似于第一复杂度准则,所述第二复杂度准则也在优化继续之前被更新。
根据本发明的该方面的又一实施方式,所述输入集合还包含最终的最大的第一复杂度。可由处理器执行的指令还使系统操作以在返回到优化步骤的最终的迭代之前对所述更新的第一复杂度准则进行计算。最大的第一复杂度等于最终的最大的第一复杂度。因此,可以预先知道所得到的治疗计划的复杂度。
根据本发明的该方面的又一实施方式,类似于上文,所述输入集合包含最终的最大的第二复杂度,并且可由处理器执行的指令使该系统进一步操作以对所述更新的第二复杂度准则进行计算,使得在返回到优化步骤的最终的迭代之前,最大的第二复杂度等于最终的最大的第二复杂度。
根据本发明该方面的另外的实施方式,终止准则基于以下中的一者或多者:[a]优化步骤的最大迭代次数,[b]第一复杂度测量小于或等于最终的最大的第一复杂度,[c]第二复杂度测量小于或等于最终的最大的第二复杂度,以及[d]接收到用户输入,所述用户输入指定停止命令。因此,在结束优化过程的条件方面获得了高度的灵活性。
根据本发明的该方面的另一实施方式,可由处理器执行的指令使系统还在返回到优化步骤之前操作以执行包含以下步骤的更新过程。基于所述更新的治疗计划来对更新的候选束的集合进行计算,其中所述更新的候选束的集合是候选束的集合的子集合;将所述更新的候选束的集合设定为候选束的集合;对反映可行域的要求和仅仅候选束的集合中的束可以在治疗计划中使用的要求的更新的可行域;以及将所述更新的可行域设定为可行域进行计算。这意味着治疗计划仅仅是基于实际上对治疗体积的照射有贡献的束。
根据本发明的该方面的附加实施方式,可由处理器执行的指令使得系统进一步操作以在上述更新过程之后并且在返回到优化步骤之前,基于所述更新的治疗计划和可行域对进一步更新的治疗计划进行计算。在此,可行域包含所述进一步更新的治疗计划。因此,优化可以基于所述进一步更新的治疗计划而继续。
根据本发明的该方面的另一实施方式,可由处理器执行的指令使得系统进一步操作以在所述更新过程之后并且在返回到优化步骤之前,(a)将所述更新的治疗计划设定为所述治疗计划,或(b)根据目前可用的治疗计划的版本,将所述进一步更新的治疗计划设定为所述治疗计划。
根据本发明的该方面的又一实施方式,在返回到所述优化步骤之前,对所述更新的候选束的集合进行计算,使得:所述进一步更新的治疗计划的第一复杂度测量小于或等于所述最大的第一复杂度,和/或所述进一步更新的治疗计划的第二复杂度测量小于或等于所述最大的第二复杂度。这使整个优化过程中的复杂程度保持适中。
根据本发明该方面的附加的实施方式,对所述更新的候选束的集合进行计算,使得用于所述进一步更新的治疗计划的目标函数值尽可能接近用于所述更新的治疗计划的目标函数值。可替代地,通过从候选束的集合中排除至少一个束来对所述更新的候选束的集合进行计算。该被排除的一个或多个束对所述更新的治疗计划贡献最小。在这两种情况下,快速收敛是可预期的。
根据本发明的该方面的另一实施方式,目标函数和/或可行域根据计划剂量与期望的放射剂量的偏差来描述用于所述放射疗法治疗的计划的质量。在此,所述计划剂量是基于例如由系统通过输入接口接收的限定目标体积的图像数据来计算的。因此,常规的CT扫描或MRI数据可以用于治疗计划。
根据本发明的这方面的其他实施方式,在该输入集合中获得的初始治疗计划表示以下三种替代方案之一。
根据第一替代方案,治疗计划涉及使用候选束的集合中的束的子集合来照射目标体积。该候选束的集合的子集合中的每个束的治疗束与目标体积相符并具有均匀的注量分布。另外,用于候选束的集合的子集合中的每个束的治疗束的注量分布还是按分级系列设置的,使得用于目标体积的平均的计划剂量等于规定的目标剂量。
根据第二替代方案,治疗计划涉及完全不输送照射;以及根据第三替代方案,治疗计划涉及根据先前生成的治疗计划来使用候选束的集合中的束的子集合来输送照射。
根据本发明的该方面的又一实施方式,该候选束的集合是治疗束的可能的设置的连续集合的离散(离散结果)。进而,所述可能设置的连续集合基于:治疗机器的多个机械能力、患者相对于治疗机器的定位、和/或期望设置的具体要求。因此,可以将要使用的疗法和机器的适当参数加权到所述优化过程中。
根据本发明的另一方面,该目的通过一种用于对放射疗法治疗进行计划的方法来实现,在该放射疗法治疗中由治疗束照射目标体积。该方法包含以下连贯步骤。
-在处理器中获得输入集合,其中该输入集合包括:候选束的集合,其中每个束限定了治疗束相对于目标体积的设置;放射疗法治疗的治疗计划,该治疗计划使用所述候选束的子集合;描述治疗计划的质量的目标函数;以及描述必须被满足的关于治疗计划的要求的可行域。目标函数和/或可行域反映第一复杂度准则,该第一复杂度准则将第一复杂度测量限制为小于或等于最大的第一复杂度。进而,第一复杂度测量与用于治疗计划的输送时间相关。换句话说,相对低的第一复杂度测量对应于与相对短的输送时间关联的治疗计划,并且反之亦然;
-执行优化步骤,由此通过根据目标函数和可行域对治疗计划进行优化来对更新的治疗计划进行计算;以及
-检查是否满足终止准则。如果满足,则基于更新的治疗计划来对选出束的集合进行计算,其中选出束的集合是候选束的集合的子集合。否则(即,如果终止准则未满足),所述更新的治疗计划将被设定为所述治疗计划;对更新的第一复杂度准则进行计算;所述更新的第一复杂度准则被设定为所述第一复杂度准则;以及该过程返回到以上优化步骤。
根据参考所提出的系统的以上讨论,该方法的优点以及其优选实施反式变得明显。
根据本发明的另外的方面,该目的通过可加载到至少一个处理器的存储器中的计算机程序来实现,并且包括用于在至少一个处理器上运行所述程序时执行上述方法的软件。
根据本发明的另一方面,该目的通过其上记录有程序的处理器可读介质来实现,其中所述程序控制至少一个处理器以在所述程序被加载到所述至少一个处理器中时执行上述方法。
与已知解决方案相比,本发明的一个一般优点是,在算法的至少某个阶段中考虑了机器中的所有可能可用的束取向。本发明也能够容易地控制计算时间。
本发明的另外的优点、有益特征和应用将根据以下描述和所附权利要求而变得明显。
附图说明
现在将借助于优选实施方式并参考附图更详细地解释本发明,这些优选实施方式作为示例公开。
图1示出了根据本发明的一种实施方式的治疗计划系统的概况;
图2a-b举例说明了根据本发明的一个实施方式的表示逼近表示第二复杂度测量的阶梯函数的连续且可微分函数的第一复杂度测量;以及
图3借助于流程图示出了根据本发明的通用方法。
具体实施方式
本发明的目的在于,从潜在可用以提供治疗体积的规定疗法较大的束取向的候选的集合中,选择合适的束取向的子集合来使用。
为了实现这一目标,有必要满足治疗计划优化的标准要求。因此,选择描述治疗的参数的集合作为优化变量。此外,已经确定了这些变量的可行的集合,并制定了量化治疗计划质量的目标函数。用于光子技术(诸如3D-CRT、静态场IMRT和VMAT)的变量的示例是每像素的能量注量(束平面中的表面元素)、多叶准直器叶片位置、剂量率和每部分的输送时间、或者束权重。IMPT的标准变量是每点扫描时间。可行变量集合由反映输出方法的物理限制的约束所限定,并且还可以包括对计划剂量分布的约束。用于治疗计划的目标函数通常会对计划剂量与所需剂量之间的偏差做出惩罚。然而,目标函数也可以考虑所述治疗计划的其他方面,诸如经优化的准直器形状的几何复杂度。治疗计划者通常会关于以下做选择:作为目标函数的一部分的剂量和变量有哪些要求(误差最小化的要求),以及作为制定可行域的约束有哪些要求(必须完全满足的要求)。然而,变量、可行域和目标函数的确切选择与根据本发明的解析方案无关。
还必须限定候选的束取向的有限集合。这样的集合可以以完全自动化的方式生成,或者基于治疗计划者的输入来创建。可用于限定候选的束取向的有限集合的可能参数是:是否应该允许非共面的束取向、是否应该允许可变的准直角、以及可能的台、床和准直角的集合的离散水平。当然,应该从候选的集合中移除会引起患者与治疗头之间碰撞的角度的组合。对于由治疗计划者由于其他原因而分配的禁止角度的集合内的角度也是如此。
图1示出了根据本发明的一个实施方式的用于对放射疗法治疗进行计划的系统100的概况,在所述放射疗法治疗中,目标体积被治疗束照射。系统100包括处理器110和存储器140。存储器140又包含可由处理器110执行的指令145(即软件),由此系统100操作从而以可能重复的方式执行连贯的步骤[S11]、[S12]和[S13]。然而,在描述步骤[S11]、[S12]和[S13]之前,我们将通过以数学的方式来描述束优化来解释所提出的程序背后的基本原理。
设是中元素的数量。
另外,设是优化变量的向量,该向量由限定了与中的给定的束取向b相关的优化变量的子向量xb组成。
X是可行的变量向量的集合(即上述可行域)。
F是将x作为对计划质量进行测量的目标函数,其中较低的值是优选的。
是测量xb对整体治疗的贡献的分量yb的函数,该函数限定成使得:如果xb具有与b不用于治疗相对应的值,则yb(xb)=0,否则yb(xb)>0。
t是将y(x)作为对计划复杂度进行测量的函数,其中t被限定成使得它取决于y(x)的基数(即该向量的非零元素的数量),该函数表示成card(y(x))。下面,我们将分别详细阐述所提出的第一复杂度测量τ(x)和第二复杂度测量t(x),以量化该计划的复杂度。
可能的测量的示例yb是从束b输送到目标体积的整体剂量(积分剂量)、束b的束开启时间、或者向量xb的某一范数。函数t可以例如是y的基数,或y的基数加上y的某一范数。
第一示例对应于多个静态束应该被控制的情况,并且第二示例对应于应该控制总治疗时间的情况,其中基数项表示附加静态束的恒定时间成本,并且范数项表示对于这样的束的束开启时间。用于电弧疗法的t的可能限定是连接用于治疗的束取向的子集合的最短可行路径的长度(或这种路径长度的某一逼近值)。用于CyberKnifeTM治疗的t的限定是这样的向量:其中第一分量对用于治疗的节点的数量的基数进行测量,并且第二分量对用于治疗的束取向的数量的基数进行测量。
束取向优化现在可以被描述成以下问题:
其中t被限制在某一最大可接受的复杂度tmax的范围内,或
其中G是t(x)的罚函数,
例如对于正权重λ来说,G(t(x))=λ(max{t(x)-tmax,0}。
(P1)或(P2)的解x*限定所选出的束取向的集合其中,
然而,优化问题(P1)和(P2)非常难以解析,因为必须在优化期间控制y的基数。已知这种一般的凸基数问题是指非确定性的多项式时间难题(NP-hard)。
因此,根据本发明,使用启发函数来代替在实际计算时间内找到问题(P1)或(P2)的逼近解。启发函数通过连续且可微分函数τε来逼近t,由此更适合优化。在此,下标ε表示控制逼近精度的参数。
启发函数也将束从候选束的集合中依次地移到选出束的子集合更准确地说,候选束的集合通过将定义为中选出束的子集合来更新,然后用选出束的子集合来替换先前的候选束的集合
因此被移除的束取向是那些被约束为对治疗做出零贡献的束取向,或者至少做出不充分贡献的束取向。
总之,这提供了(P1)的如下形式的逼近对应式:
其中,是复杂度极限,
并且提供了(P2)的如下形式的逼近对应式:
通过利用以下事实,可以获得n元向量z的基数的连续逼近值:通过利用card(z)可以表示为阶梯函数s的和,根据以下公式:
以及,阶梯函数s可以通过连续函数逼近。在此,应注意,当card(·)被应用于y时,
图2a和图2b示出了在正域中是平滑的连续逼近的card(y)的第一示例和第二示例。
更确切地说,图2a表示根据以下公式的逻辑函数的和:
以及
图2b表示根据以下公式的y的ε元范数:
当ε接近零时,这两个逼近值接近card(y),如图2a和图2b所示,分别表示(A1)和(A2)中的内部被加数。
此外,(A1)和(A2)中的优化问题是连续优化问题,许多通用求解器适用于这些问题。
如下面将要描述的,用于优化的终止准则的示例是:当前迭代x已经在某种意义上收敛,或者已经发生了某种形式的超时,例如,已达到最大迭代次数。用于优化的初始点可以是预选择的初始猜测值(例如,均匀注量分布尺度,使得目标剂量平均下来等于规定的剂量)。
在上述内容中,根据本发明应用以下程序。具体地,存储器140中的指令145可由处理器110执行,使得系统100操作以执行连贯步骤[S11]、[S12]和[S13]。
在步骤[S11]中,从系统100中的内存或经由一个或多个接口120获得输入集合。
该输入集合包含这样的候选束的集合其中该候选束的集合中的每个束限定了治疗束相对于目标体积的设置。所述输入集合还包含使用候选束的子集合的放射疗法治疗的治疗计划x。另外,该输入集合包含描述治疗计划x的质量的目标函数F、以及描述必须被满足的关于治疗计划x的要求的可行域X。
在该输入集合中获得的治疗计划x可以表示使用候选束的集合中的束的子集合来照射目标体积。该候选束的集合的子集合中的每个束的治疗束与目标体积相符并具有均匀的注量分布。针对候选束的集合的子集合中的每个束的治疗束的注量分布还是按分级系列设置的,使得目标体积的平均计划剂量D等于规定的目标剂量。
可替代地,在输入集合中获得的治疗计划x可以表示不输送照射;或者根据先前生成的治疗计划而使用候选束的集合中的束的子集合来输送照射。
目标函数F和/或可行域X反映第一复杂度准则该第一复杂度准则将第一复杂度测量τ(x)限制为小于或等于最大的第一复杂度第一复杂度测量τ(x)与治疗计划x的输送时间相关。这意味着相对低的第一复杂度测量对应于与相对短的输送时间相关联的治疗计划,并且反之亦然。
目标函数F和/或可行域X优选地也根据计划剂量D与期望的放射剂量Dref的偏差而描述了用于放射疗法治疗的计划的质量。进而,基于限定目标体积的图像数据Dimg来对计划剂量D进行计算。图像数据Dimg可以例如表示CT扫描数据或MRI数据。
为了减少计算量,候选束的集合优选地是治疗束的可能设置的连续集合的离散。进而,可能设置的连续集合可以基于:治疗机器的多个机械能力、患者相对于治疗机器的定位、和/或期望设置的具体要求。
在步骤[S11]之后的步骤[S12]中,执行优化步骤,由此处理器110可以根据目标函数F和可行域X对治疗计划x进行优化来对更新的治疗计划x'进行计算。此后执行步骤[S13]。
在步骤[S13]中,检查是否满足终止准则;并且如果满足,则在步骤[S131]中对选出束的集合进行计算。基于更新的治疗计划x'对选出束的集合进行计算。选出束的集合是候选束的集合的子集合。即,选出束的集合包含比候选束的集合更少的束、或至多和候选束的集合一样多的束。
如果在步骤[S13]中发现不满足终止准则,则随后进行步骤[S132],在步骤[S132]中,更新的治疗计划x'被设定为治疗计划x。在步骤[S132]中,更新的第一复杂度准则也被计算,并且更新的第一复杂度准则被设定为第一复杂度准则此后,程序返回到步骤[S12]以进行进一步的优化。
优选地,系统100还包括至少一个输入接口120和输出接口130。所述至少一个输入接口120配置成接收目标函数F和可行域X的限定,例如从本地数据存储153或从在线资源152接收。当然,目标函数F和可行域X的限定也可以通过键盘151、触摸屏或类似的输入构件经由手动用户输入而输入。另外,所述至少一个输入接口120可以例如从在线资源152或本地数据存储153例如经由键盘151或在线资源152和/或限定目标体积的图像数据Dimg来接收对期望的放射剂量Dref的描述。输出接口130配置成输出经确定的选出束的集合例如用以在显示器161上呈现、用以存储在本地数据存储163和/或远程数据资源162中。
如上所述,第一复杂度准则优选地表示第二复杂度准则的连续且可微分的逼近。即,这种连续且可微分的逼近简化了与基本上与对基本NP-hard问题进行的对应计算有关的优化相关的计算。类似于第一复杂度准则第二复杂度准则将第二复杂度测量t(x)限制在最大的第二复杂度内。在此,第二复杂度测量t(x)指示在治疗计划x中使用的候选束的集合中的束的数量。
为了逐步改进治疗计划,可由处理器110执行的指令145使系统100还在返回到步骤[S12]之前可操作用于对更新的第二复杂度准则进行计算,并将更新的第二复杂度准则设定为第二复杂度准则
为了确保优化的合理收敛,所述输入集合优选地还包含最终的最大的第一复杂度τmax,并且可由处理器110执行的指令145使系统100进一步操作以对所述更新的第一复杂度准则进行计算,使得在返回到步骤[S12]的最终的迭代之前,最大的第一复杂度等于最终的最大的第一复杂度τmax。
可替代地,所述输入集合包括最终的最大的第一复杂度τmax,然而可由处理器110执行的指令145使系统100操作用于转而对所述更新的第二复杂度准则进行计算,使得在返回到步骤[S12]的最终的迭代之前,最大的第二复杂度等于最终的最大的第二复杂度tmax。
根据本发明的一种实施方式,终止准则基于:步骤[S12]的最大迭代次数、第一复杂度测量τ(x)小于或等于最终的最大的第一复杂度τmax、第二复杂度测量t(x)小于或等于最终的最大的第二复杂度tmax、和/或指定停止命令的用户输入S被接收到。因此,优化过程可以在满足预定的准则时结束,也可以在由操作者(例如治疗计划者)选择的任意时间点结束。
优选地,可由处理器110执行的指令145使系统100还在返回到步骤[S12]之前操作以执行更新过程。所述更新过程又涉及以下步骤。
根据经更新的治疗计划x'对更新的候选束的集合进行计算。在此,所述更新的候选束的集合是候选束的集合的子集合。
然后,所述更新的候选束的集合被设定为候选束的集合并且对更新的可行域X'进行计算,该更新的可行域X'反映了可行域X的要求以及候选束的集合中的束仅可以在治疗计划x中使用的要求。此后,更新的可行域X'被设定为可行域X,并且程序可以循环回到步骤[S12]以进行进一步的优化。
然而,在上述更新过程之后并且在返回到步骤[S12]之前,处理器110也优选地计算基于更新的治疗计划x'和可行域X的进一步更新的治疗计划x”。在此,可行域X包含所述进一步更新的治疗计划x”。
另外,优选地,计算所述更新的候选束的集合使得用于进一步更新的治疗计划x”的目标函数值F(x”)尽可能接近用于所述更新的治疗计划x'的目标函数值F(x')。即,这加速了优化的收敛。
除此之外,有利的是,如果计算所述更新的候选束的集合涉及从候选束的集合中排除至少一个束,并且因此所排除的至少一个束是对更新的治疗计划x'做出最小贡献的至少一个束。
此外,在上述更新过程之后并且在返回到步骤[S12]之前,处理器110优选地执行以下步骤:将更新的治疗计划x'设定为治疗计划x的步骤;或者将所述进一步更新的治疗计划x”设定为治疗计划x的步骤。因此,由优化步骤的最终迭代产生的治疗计划的质量改善。
根据本发明的一种实施方式,计算所述更新的候选束的集合使得在返回到步骤[S12]之前满足以下条件中的一个或两个条件。
[i]所述进一步更新的治疗计划x”的第一复杂度测量τ(x”)小于或等
于所述最大的第一复杂度以及
[ii]所述进一步更新的治疗计划x”的第二复杂度测量t(x”)小于或
等于所述最大的第二复杂度
为了总结,并且参考图3中的流程图,我们现在将描述根据本发明的用于计划放射疗法治疗一般方法,在该方法中,目标体积被治疗束照射。
在第一步骤S11中,在处理器110中获得输入集合。该输入集合包含这样的候选束的集合其中每个束限定了治疗束相对于目标体积的设置。所述输入集合还包含用于放射疗法治疗的治疗计划x,该治疗计划x使用候选束的子集合此外,该输入集合包含描述治疗计划x的质量的目标函数F,以及描述必须被满足的关于治疗计划x的要求的可行域X。目标函数F和/或可行域X反映第一复杂度准则该第一复杂度准则将第一复杂度测量τ(x)限制为小于或等于最大的第一复杂度第一复杂度测量τ(x)与治疗计划x的输送时间相关。
然后,在步骤S12中,执行优化步骤,由此通过根据目标函数F和可行域X对治疗计划x进行优化来对更新的治疗计划x'进行计算。
此后,步骤S13检查是否满足终止准则;如果满足,则随后进行步骤S131。否则,程序继续到步骤S132,在步骤S132中,所述更新的治疗计划x'被设定为治疗计划x。在步骤S131中,更新的第一复杂度准则也被计算,并且所述更新的第一复杂度准则被设定为所述第一复杂度准则随后,程序循环回到步骤S12以进行进一步的优化。
在步骤S131中,基于所述更新的治疗计划x'对选出束的集合进行计算。选出束的集合是候选束的集合的子集合。随后,程序结束,并且可以向治疗计划者呈现放射疗法治疗,该治疗是基于选出束的集合和所述更新的治疗计划x'。
可以借助于经编程的处理器来控制参考图3描述的所有处理步骤以及这些步骤的任何子序列。此外,尽管以上参考附图描述的本发明的实施方式包括处理器以及在至少一个处理器中执行的过程,但本发明因此也扩展到计算机程序,特别是在载体上或在载体中的适合于将本发明付诸实践的计算机程序。该程序可以是源代码、目标代码、代码中间源、和诸如部分编译形式的目标代码或者适于根据本发明的过程的实现方式的任何其他形式的目标代码。该程序可以是操作系统的一部分,也可以是单独的应用程序。载体可以是能够承载该程序的任何实体或装置。例如,载体可以包括存储介质,诸如闪存、ROM(只读存储器),例如DVD(数字视频/通用磁盘)、CD(压缩盘)或半导体ROM,EPROM(可擦除可编程只读存储器),EEPROM(电可擦除可编程只读存储器),或磁记录介质,例如软盘或硬盘。另外,载体可以是可传输载体,诸如可以通过电缆或光缆或通过无线电或通过其他方式传送的电信号或光信号。当所述程序具化成可以通过缆线或其他装置或设备直接传送的信号时,所述载体可以由这种缆线或装置或设备构成。可替代地,载体可以是嵌入有所述程序的集成电路,该集成电路适于执行或用于执行相关过程。
当在本说明书中使用时,术语“包括/包含”用于指定所述特征、整数、步骤或部件的存在。然而,该术语不排除存在一个或多个附加特征、整数、步骤、或部件、或它们的组,或增加一个或多个附加特征、整数、步骤、或部件、或它们的组。
本发明不限于所述实施方式,而是可以在权利要求的范围内自由变化。
Claims (32)
1.一种用于对放射疗法治疗进行计划的系统(100),在所述放射疗法治疗中,目标体积由治疗束进行照射,所述系统(100)包括:
处理器(110),以及
存储器(140),所述存储器(140)包含能由所述处理器(110)执行的指令(145),由此所述系统(100)操作成执行以下连贯的步骤:
[S11]获得输入集合,所述输入集合包括:
候选束的集合所述候选束的集合中的每个候选束都限定所述治疗束相对于所述目标体积的设置;
用于所述放射疗法治疗的治疗计划(x),所述治疗计划(x)使用所述候选束的子集合
目标函数(F),所述目标函数(F)描述所述治疗计划(x)的质量;以及
可行域(X),所述可行域(X)描述必须被满足的关于所述治疗计划(x)的要求,
所述目标函数(F)和所述可行域(X)中的至少一者反映第一复杂度准则所述第一复杂度准则将第一复杂度测量(τ(x))限制为小于或等于最大的第一复杂度所述第一复杂度测量(τ(x))与用于所述治疗计划(x)的输送时间相关;
[S12]执行优化步骤,由此通过根据所述目标函数(F)和所述可行域(X)对所述治疗计划(x)进行优化来对更新的治疗计划(x')进行计算;以及
[S13]检查是否满足终止准则;
以及,如果满足,则[S131]基于所述更新的治疗计划(x')来对选出束的集合进行计算,所述选出束的集合是所述候选束的集合的子集合;
以及,如果不满足,则[S132]将所述更新的治疗计划(x')设定为所述治疗计划(x);对更新的第一复杂度准则进行计算;将所述更新的第一复杂度准则设定为所述第一复杂度准则以及返回到步骤[S12]。
2.根据权利要求1所述的系统(100),其中,所述系统(100)还包括:
至少一个输入接口(120),所述至少一个输入接口(120)配置成接收所述目标函数(F)和所述可行域(X)的限定,以及
输出接口(130),所述输出接口(130)配置成输出经确定的选出束的集合
3.根据权利要求1和2中的任一项所述的系统(100),其中,所述第一复杂度准则表示对第二复杂度准则的连续且可微分的逼近,所述第二复杂度准则将第二复杂度测量(t(x))限制在最大的第二复杂度内,所述第二复杂度测量(t(x))表示在所述治疗计划(x)中使用的所述候选束的集合中的束的数量,以及能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成在返回到步骤[S12]之前对更新的第二复杂度准则 进行计算以及将所述更新的第二复杂度准则设定为所述第二复杂度准则
4.根据前述权利要求中的任一项所述的系统(100),其中,所述输入集合还包括最终的最大的第二复杂度(tmax),以及能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成对所述更新的第一复杂度准则进行计算,使得在返回到步骤[S12]的最终的迭代之前,所述最大的第一复杂度等于所述最终的最大的第一复杂度(τmax)。
5.根据权利要求3所述的系统(100),其中,所述输入集合还包括最终的最大的第二复杂度(tmax),以及能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成对所述更新的第二复杂度准则进行计算,使得在返回到步骤[S12]的最终的迭代之前,所述最大的第二复杂度等于所述最终的最大的第二复杂度(tmax)。
6.根据权利要求5所述的系统(100),其中,所述终止准则是以以下项中的至少一者为基础的:
[a]步骤[S12]的最大迭代次数,
[b]所述第一复杂度测量(τ(x))小于或等于所述最终的最大的第一复杂度(τmax),
[c]所述第二复杂度测量(t(x))小于或等于所述最终的最大的第二复杂度(tmax),以及
[d]接收到用户输入(S),所述用户输入(S)指定停止命令。
7.根据前述权利要求中的任一项所述的系统(100),其中,能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成在返回到步骤[S12]之前执行更新过程,所述更新过程包括:
基于所述更新的治疗计划(x')对更新的候选束的集合进行计算,所述更新的候选束的集合是所述候选束的集合的子集合;
将所述更新的候选束的集合设定为所述候选束的集合
对反映所述可行域(X)的要求以及仅仅所述候选束的集合中的束能够在所述治疗计划(x)中被使用的要求的更新的可行域(X')进行计算;以及
将所述更新的可行域(X')设定为所述可行域(X)。
8.根据权利要求7所述的系统(100),其中,能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成:
在所述更新过程之后且在返回到步骤[S12]之前,基于所述更新的治疗计划(x')和所述可行域(X)来对进一步更新的治疗计划(x”)进行计算,所述可行域(X)包括所述进一步更新的治疗计划(x")。
9.根据权利要求7或8中的任一项所述的系统(100),其中,能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成在所述更新过程之后且在返回到步骤[S12]之前执行以下步骤中的一个步骤:
将所述更新的治疗计划(x')设定为所述治疗计划(x);或
将所述进一步更新的治疗计划(x”)设定为所述治疗计划(x)。
10.根据权利要求7至9中的任一项所述的系统(100),其中,对所述更新的候选束的集合进行计算,使得在返回到步骤[S12]之前满足以下项中的至少一者:
[i]:所述进一步更新的治疗计划(x”)的第一复杂度测量(τ(x”))小于或等于所述最大的第一复杂度以及
[ii]:所述进一步更新的治疗计划(x”)的第二复杂度测量(t(x”))小于或等于所述最大的第二复杂度
11.根据权利要求8所述的系统(100),其中,对所述更新的候选束的集合进行计算,使得所述进一步更新的治疗计划(x”)的目标函数值(F(x”))尽可能接近所述更新的治疗计划(x')的目标函数值(F(x'))。
12.根据权利要求7至11中的任一项所述的系统(100),其中,能由所述处理器(110)执行的所述指令(145)使所述系统(100)进一步操作成:
通过从所述候选束的集合中排除至少一个束来对所述更新的候选束的集合进行计算,所述被排除的至少一个束对所述更新的治疗计划(x')贡献最小。
13.根据前述权利要求中的任一项所述的系统(100),其中,所述目标函数(F)和所述可行域(X)中的至少一者根据计划剂量(D)与期望的放射剂量(Dref)的偏差来描述所述放射疗法治疗的计划的质量,所述计划剂量(D)是基于限定所述目标体积的图像数据(Dimg)来计算的。
14.根据前述权利要求中的任一项所述的系统(100),其中,在所述输入集合中获得的所述治疗计划(x)表示以下项中的一者:
使用所述候选束的集合中的所述束的子集合来照射所述目标体积,所述候选束的集合的所述子集合中的每个束的所述治疗束与所述目标体积相符并具有均匀的注量分布,用于所述候选束的集合的所述子集合中的每个束的所述治疗束的所述注量分布是按分级系列设置的,使得用于所述目标体积的平均的计划剂量(D)等于规定的目标剂量;
不输送照射;或者
根据先前生成的治疗计划,使用所述候选束的集合中的所述束的子集合来输送照射。
15.根据前述权利要求中的任一项所述的系统(100),其中,所述候选束的集合是所述治疗束的可能设置的连续集合的离散,所述可能设置的连续集合是以以下项中的至少一者为基础的:
治疗机器的多个机械能力;
患者相对于治疗机器的定位;以及
期望设置的具体要求。
16.一种对放射疗法治疗进行计划的方法,在所述放射疗法治疗中,目标体积由治疗束照射,所述方法包括以下连贯的步骤:
[S11]在处理器(110)中获得输入集合,所述输入集合包括:
候选束的集合所述候选束的集合中的每个束都限定所述治疗束相对于所述目标体积的设置;
用于所述放射疗法治疗的治疗计划(x),所述治疗计划(x)使用所述候选束的子集合
目标函数(F),所述目标函数(F)描述所述治疗计划(x)的质量;以及
可行域(X),所述可行域(X)描述必须被满足的关于所述治疗计划(x)的要求,
所述目标函数(F)和所述可行域(X)中的至少一者反映第一复杂度准则所述第一复杂度准则将所述第一复杂度测量(τ(x))限制为小于或等于最大的第一复杂度所述第一复杂度测量(τ(x))与用于所述治疗计划(x)的输送时间相关;
[S12]执行优化步骤,由此通过根据所述目标函数(F)和所述可行域(X)对所述治疗计划(x)进行优化来对更新的治疗计划(x')进行计算;
[S13]检查是否满足终止准则;
以及,如果满足,则[S131]基于所述更新的治疗计划(x')来对选出束的集合进行计算,所述选出束的集合是所述候选束的集合的子集合;
以及,如果不满足,则[S132]将所述更新的治疗计划(x')设定为所述治疗计划(x);对更新的第一复杂度准则进行计算;将所述更新的第一复杂度准则设定为所述第一复杂度准则以及返回到步骤[S12]。
17.根据权利要求16所述的方法,还包括:
通过至少一个输入接口(120)接收所述目标函数(F)和所述可行域(X)的限定,以及
通过输出接口(130)输出经确定的选出束的集合
18.根据权利要求16或17中的任一项所述的方法,其中,所述第一复杂度准则表示对第二复杂度准则的连续且可微分的逼近,所述第二复杂度准则将第二复杂度测量(t(x))限制在最大的第二复杂度内,所述第二复杂度测量(t(x))表示在所述治疗计划(x)中使用的所述候选束的集合中的束的数量,并且所述方法还包括:
在返回到步骤[S12]之前,对更新的第二复杂度准则进行计算,以及
将所述更新的第二复杂度准则设定为所述第二复杂度准则
19.根据权利要求16至18中的任一项所述的方法,其中,所述输入集合还包括最终的最大的第一复杂度(τmax),并且所述方法还包括:
对所述更新的第一复杂度准则进行计算,使得在返回到步骤[S12]的最终的迭代之前,所述最大的第一复杂度等于所述最终的最大的第一复杂度(τmax)。
20.根据权利要求18所述的方法,其中,所述输入集合还包括最终的最大的第二复杂度(tmax),并且所述方法还包括:
对所述更新的第二复杂度准则进行计算,使得在返回到步骤[S12]的最终的迭代之前,所述最大的第二复杂度等于所述最终的最大的第二复杂度(tmax)。
21.根据权利要求20所述的方法,其中,所述终止准则是以以下项中的至少一者为基础的:
[a]步骤[S12]的最大迭代次数,
[b]所述第一复杂度测量(τ(x))小于或等于所述最终的最大的第一复杂度(τmax),
[c]所述第二复杂度测量(t(x))小于或等于所述最终的最大的第二复杂度(tmax),以及
[d]接收到用户输入(S),所述用户输入(S)指定停止命令。
22.根据权利要求16至21中的任一项所述的方法,还包括:在返回到步骤[S12]之前,执行包括以下步骤的更新过程:
基于所述更新的治疗计划(χ')来对更新的候选束的集合进行计算,所述更新的候选束的集合是所述候选束的集合的子集合;
将所述更新的候选束的集合设定为所述候选束的集合
对反映所述可行域(X)的要求和仅仅所述候选束的集合中的束能够在所述治疗计划(x)中被使用的要求的更新的可行域(X')进行计算;
将所述更新的可行域(X')设定为所述可行域(X)。
23.根据权利要求22所述的方法,还包括:
在所述更新过程之后且在返回到步骤[S12]之前,基于所述更新的治疗计划(x')和所述可行域(X)来对进一步更新的治疗计划(x”)进行计算,所述可行域(X)包括所述进一步更新的治疗计划(x”)。
24.根据权利要求22和23中的任一项所述的方法,还包括:在所述更新过程之后且在返回到步骤[S12]之前,执行以下步骤中的一个步骤:
将所述更新的治疗计划(x')设定为所述治疗计划(x);或
将所述进一步更新的治疗计划(x”)设定为所述治疗计划(x)。
25.根据权利要求22至24中的任一项所述的方法,包括:对所述更新的候选束的集合进行计算,使得在返回到步骤[S12]之前满足以下项中的至少一者:
[i]:所述进一步更新的治疗计划(x”)的第一复杂度测量(τ(x”))小于或等于所述最大的第一复杂度以及
[ii]:所述进一步更新的治疗计划(x”)的第二复杂度测量(t(x”))小于或等于所述最大的第二复杂度
26.根据权利要求25所述的方法,包括:
对所述更新的候选束的集合进行计算,使得所述进一步更新的治疗计划(x”)的目标函数值(F(x”))尽可能接近所述更新的治疗计划(x')的目标函数值(F(x'))。
27.根据权利要求21至26中的任一项所述的方法,还包括:
通过从所述候选束的集合中排除至少一个束来对所述更新的候选束的集合进行计算,所述被排除的至少一个束对所述更新的治疗计划(x')贡献最小。
28.根据权利要求16至27中的任一项所述的方法,其中,所述目标函数(F)和所述可行域(X)中的至少一者根据计划剂量(D)与期望的放射剂量(Dref)的偏差来描述所述放射疗法治疗的计划的质量,并且所述方法还包括:
基于限定所述目标体积的图像数据(Dimg)来计算所述计划剂量(D)。
29.根据权利要求16至28中的任一项所述的方法,其中,在所述输入集合中获得的所述治疗计划(x)表示以下项中的一者:
使用所述候选束的集合中的所述束的子集合来照射所述目标体积,所述候选束的集合的所述子集合中的每个束的所述治疗束与所述目标体积相符并具有均匀的注量分布,用于所述候选束的集合的所述子集合中的每个束的所述治疗束的所述注量分布是按分级系列设置的,使得用于所述目标体积的平均的计划剂量(D)等于规定的目标剂量;
不输送照射;或者
根据先前生成的治疗计划,使用所述候选束的集合中的所述束的子集合来输送照射。
30.根据权利要求16至29中的任一项所述的方法,其中,所述候选束的集合是所述治疗束的可能设置的连续集合的离散,所述可能设置的连续集合是以以下项中的至少一者为基础的:
治疗机器的多个机械能力;
患者相对于治疗机器的定位;以及
期望设置的具体要求。
31.一种包括下述指令的计算机程序(145):当在至少一个处理器(110)上执行所述指令时,使所述至少一个处理器(110)执行根据权利要求16至30中的任一项所述的方法。
32.一种非易失性数据载体(140),所述非易失性数据载体(140)包含前一权利要求所述的计算机程序(145)。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2017/051748 WO2018137772A1 (en) | 2017-01-27 | 2017-01-27 | System and method for planning a radiation therapy treatment |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110520192A true CN110520192A (zh) | 2019-11-29 |
CN110520192B CN110520192B (zh) | 2021-06-01 |
Family
ID=57909625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780083682.9A Active CN110520192B (zh) | 2017-01-27 | 2017-01-27 | 对放射疗法治疗进行计划的系统和载体 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11027148B2 (zh) |
EP (1) | EP3573714B1 (zh) |
JP (1) | JP6812563B2 (zh) |
CN (1) | CN110520192B (zh) |
WO (1) | WO2018137772A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114588561A (zh) * | 2022-01-27 | 2022-06-07 | 苏州雷泰医疗科技有限公司 | 射野强度分布优化方法、装置及放射治疗设备 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9855445B2 (en) | 2016-04-01 | 2018-01-02 | Varian Medical Systems, Inc. | Radiation therapy systems and methods for delivering doses to a target volume |
US11590364B2 (en) | 2017-07-21 | 2023-02-28 | Varian Medical Systems International Ag | Material inserts for radiation therapy |
US10843011B2 (en) | 2017-07-21 | 2020-11-24 | Varian Medical Systems, Inc. | Particle beam gun control systems and methods |
US11712579B2 (en) | 2017-07-21 | 2023-08-01 | Varian Medical Systems, Inc. | Range compensators for radiation therapy |
US10183179B1 (en) | 2017-07-21 | 2019-01-22 | Varian Medical Systems, Inc. | Triggered treatment systems and methods |
US10092774B1 (en) | 2017-07-21 | 2018-10-09 | Varian Medical Systems International, AG | Dose aspects of radiation therapy planning and treatment |
US10549117B2 (en) | 2017-07-21 | 2020-02-04 | Varian Medical Systems, Inc | Geometric aspects of radiation therapy planning and treatment |
CN111556776B (zh) | 2017-11-16 | 2022-09-02 | 瓦里安医疗系统公司 | 用于放射疗法系统的增加的束输出和动态场成形 |
US10910188B2 (en) | 2018-07-25 | 2021-02-02 | Varian Medical Systems, Inc. | Radiation anode target systems and methods |
EP3856336A2 (en) * | 2018-09-28 | 2021-08-04 | Varian Medical Systems International AG | Adjoint transport for dose in treatment trajectory optimization and beam angle optimization for external beam radiation therapy |
US10814144B2 (en) | 2019-03-06 | 2020-10-27 | Varian Medical Systems, Inc. | Radiation treatment based on dose rate |
US11116995B2 (en) | 2019-03-06 | 2021-09-14 | Varian Medical Systems, Inc. | Radiation treatment planning based on dose rate |
US11090508B2 (en) | 2019-03-08 | 2021-08-17 | Varian Medical Systems Particle Therapy Gmbh & Co. Kg | System and method for biological treatment planning and decision support |
US11103727B2 (en) | 2019-03-08 | 2021-08-31 | Varian Medical Systems International Ag | Model based PBS optimization for flash therapy treatment planning and oncology information system |
US10918886B2 (en) | 2019-06-10 | 2021-02-16 | Varian Medical Systems, Inc. | Flash therapy treatment planning and oncology information system having dose rate prescription and dose rate mapping |
US11291859B2 (en) | 2019-10-03 | 2022-04-05 | Varian Medical Systems, Inc. | Radiation treatment planning for delivering high dose rates to spots in a target |
US11865361B2 (en) | 2020-04-03 | 2024-01-09 | Varian Medical Systems, Inc. | System and method for scanning pattern optimization for flash therapy treatment planning |
US11541252B2 (en) | 2020-06-23 | 2023-01-03 | Varian Medical Systems, Inc. | Defining dose rate for pencil beam scanning |
US11957934B2 (en) | 2020-07-01 | 2024-04-16 | Siemens Healthineers International Ag | Methods and systems using modeling of crystalline materials for spot placement for radiation therapy |
US11478661B2 (en) * | 2020-09-29 | 2022-10-25 | Varian Medical Systems International Ag | Trajectory optimization using dose estimation and conflict detection |
EP4238609A1 (en) | 2022-03-03 | 2023-09-06 | RaySearch Laboratories AB | Radiotherapy treatment planning for ion arcs |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103143123A (zh) * | 2013-01-10 | 2013-06-12 | 合肥超安医疗科技有限公司 | 一种基于蚁群算法的射束方向多目标优化系统及方法 |
CN103282967A (zh) * | 2010-08-17 | 2013-09-04 | 德克萨斯州立大学董事会 | 用于放射疗法的自动化治疗计划 |
CN105413068A (zh) * | 2015-12-31 | 2016-03-23 | 上海联影医疗科技有限公司 | 求解通量图的优化方法和放射治疗设备 |
US20160144201A1 (en) * | 2011-12-06 | 2016-05-26 | Loma Linda University Medical Center | Intensity-modulated proton therapy |
WO2016116868A1 (en) * | 2015-01-22 | 2016-07-28 | Koninklijke Philips N.V. | Volumetric modulated arc therapy (vmat) with non-coplanar trajectories |
WO2016188754A1 (en) * | 2015-05-28 | 2016-12-01 | Koninklijke Philips N.V. | Method of selecting beam geometries |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2014CN03894A (zh) * | 2011-11-30 | 2015-10-16 | Koninkl Philips Nv | |
US9468776B2 (en) * | 2012-06-01 | 2016-10-18 | Raysearch Laboratories Ab | Method and a system for optimizing a radiation treatment plan based on a reference dose distribution |
EP2808057B1 (en) * | 2013-05-31 | 2016-02-03 | RaySearch Laboratories AB | Method and system for robust radiotherapy treatment planning |
-
2017
- 2017-01-27 US US16/481,150 patent/US11027148B2/en active Active
- 2017-01-27 CN CN201780083682.9A patent/CN110520192B/zh active Active
- 2017-01-27 EP EP17701867.8A patent/EP3573714B1/en active Active
- 2017-01-27 WO PCT/EP2017/051748 patent/WO2018137772A1/en active Search and Examination
- 2017-01-27 JP JP2019540445A patent/JP6812563B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103282967A (zh) * | 2010-08-17 | 2013-09-04 | 德克萨斯州立大学董事会 | 用于放射疗法的自动化治疗计划 |
US20160144201A1 (en) * | 2011-12-06 | 2016-05-26 | Loma Linda University Medical Center | Intensity-modulated proton therapy |
CN103143123A (zh) * | 2013-01-10 | 2013-06-12 | 合肥超安医疗科技有限公司 | 一种基于蚁群算法的射束方向多目标优化系统及方法 |
WO2016116868A1 (en) * | 2015-01-22 | 2016-07-28 | Koninklijke Philips N.V. | Volumetric modulated arc therapy (vmat) with non-coplanar trajectories |
WO2016188754A1 (en) * | 2015-05-28 | 2016-12-01 | Koninklijke Philips N.V. | Method of selecting beam geometries |
CN105413068A (zh) * | 2015-12-31 | 2016-03-23 | 上海联影医疗科技有限公司 | 求解通量图的优化方法和放射治疗设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114588561A (zh) * | 2022-01-27 | 2022-06-07 | 苏州雷泰医疗科技有限公司 | 射野强度分布优化方法、装置及放射治疗设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110520192B (zh) | 2021-06-01 |
WO2018137772A1 (en) | 2018-08-02 |
JP6812563B2 (ja) | 2021-01-13 |
JP2020508093A (ja) | 2020-03-19 |
EP3573714A1 (en) | 2019-12-04 |
US11027148B2 (en) | 2021-06-08 |
EP3573714B1 (en) | 2020-11-11 |
US20190358469A1 (en) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110520192A (zh) | 对放射疗法治疗进行计划的系统和方法 | |
Paganetti et al. | Roadmap: proton therapy physics and biology | |
Unkelbach et al. | Optimization approaches to volumetric modulated arc therapy planning | |
Jiang et al. | Adaptation of geant4 to Monte Carlo dose calculations based on CT data: Monte Carlo dose calculations based on CT data | |
CN102812465B (zh) | 包括高效剂量计算的剂量计算任务的安排 | |
JP7142415B2 (ja) | 微分可能な線量関数を用いた放射線治療計画 | |
CN110114117A (zh) | 使用优先化约束的交互式剂量操纵 | |
Petrovic et al. | A novel case based reasoning approach to radiotherapy planning | |
Zarepisheh et al. | Automated intensity modulated treatment planning: The expedited constrained hierarchical optimization (ECHO) system | |
Fiege et al. | PARETO: A novel evolutionary optimization approach to multiobjective IMRT planning | |
Cabrera G et al. | A matheuristic approach to solve the multiobjective beam angle optimization problem in intensity‐modulated radiation therapy | |
Holdsworth et al. | A hierarchical evolutionary algorithm for multiobjective optimization in IMRT | |
EP3137166A1 (en) | Optimization methods for radiation therapy planning | |
CN110960805A (zh) | 对强度调制质子疗法执行照射时间优化的方法和装置 | |
Hrinivich et al. | Artificial intelligence‐based radiotherapy machine parameter optimization using reinforcement learning | |
Zarepisheh et al. | A multicriteria framework with voxel‐dependent parameters for radiotherapy treatment plan optimization | |
JP6803962B2 (ja) | 放射線治療計画を作成するための方法および対応する放射線治療システム | |
Cabrera-Guerrero et al. | Pareto local search algorithms for the multi-objective beam angle optimisation problem | |
Long et al. | Sensitivity analysis for lexicographic ordering in radiation therapy treatment planning | |
Eriksson et al. | Robust automated radiation therapy treatment planning using scenario‐specific dose prediction and robust dose mimicking | |
Wedenberg et al. | Advanced treatment planning | |
Maass et al. | A hyperparameter‐tuning approach to automated inverse planning | |
Zarepisheh et al. | Automated and clinically optimal treatment planning for cancer radiotherapy | |
Pastor‐Serrano et al. | Sub‐second photon dose prediction via transformer neural networks | |
CN108697905A (zh) | 强度调制辐射治疗中临床目标的可实现性的快速预测的预优化方法 |
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 |