CN110556176B - 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 - Google Patents
一种基于蒙特卡罗的剂量优化方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110556176B CN110556176B CN201810559301.6A CN201810559301A CN110556176B CN 110556176 B CN110556176 B CN 110556176B CN 201810559301 A CN201810559301 A CN 201810559301A CN 110556176 B CN110556176 B CN 110556176B
- Authority
- CN
- China
- Prior art keywords
- grid
- dose
- optimization
- monte carlo
- region
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
Abstract
本发明属于放疗剂量计算领域,涉及一种基于蒙特卡罗的剂量优化方法、设备和存储介质。该方法包括如下步骤:将射束入射方向上的任意截面划分二维通量网格,每个2D通量网格对应一个子射束;将患者或体模的三维影像进行3D网格化,其中每个网格为一个体素;设定2D通量网格中各网格的权重相等,利用2D通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量;利用优化算法优化2D通量网格权重实现优化目标;输出结果。本发明提供的基于蒙特卡罗的网格并行剂量优化方法解决了现有技术中优化过程中MC参与每次优化导致计算速度缓慢的缺陷;且加入了输出因子校正步骤,使校正后的3D网格的辐射剂量的计算结果准确,大大降低误差。
Description
技术领域
本发明属于放疗剂量计算领域,涉及一种基于蒙特卡罗的剂量优化方法、设备和存储介质。
背景技术
放射治疗的根本目的是努力提高放疗的增益比,即最大限度地将放射线的剂量聚集在靶区内杀死肿瘤,使病灶周围正常组织或器官少受或免受射线的照射。要实现这一目的,放疗前必须准确地计算出靶区的剂量分布。在放射治疗系统中进行精确计划是实现精确放射治疗的重要环节,而精确的放射剂量计算方法及快速、有效的调强优化算法是制定高质量放疗方案的前提和保障。
现有技术中,常用的剂量计算方法主要有解析算法和蒙特卡罗(Monte Carlo)算法,其中解析算法包括笔形束算法(pencil beam model,PBM)、卷积算法等,然而笔形束算法应用一维密度校正不能准确模拟次级电子在非均匀介质中的剂量分布;因此其在计算精度上存在一定程度的误差。蒙特卡罗剂量计算方法几乎完全模拟射束在靶区的物理过程,是目前国际上普遍承认的计算精度最高的剂量计算方法,也适应性最强的三维剂量计算方法,可以用来计算各种复杂条件下的剂量分布,被称为剂量计算的“金标准”。但其计算过程复杂,且在CPU计算平台上非常耗时。
如果蒙特卡罗算法参与每次剂量优化,会导致优化速度太慢,不利于实际临床应用。
发明内容
本发明的目的在于为克服现有技术的缺陷而提供一种基于蒙特卡罗的剂量优化方法、设备和存储介质。
为实现上述目的,本发明采用以下技术方案。
一种基于蒙特卡罗的网格并行剂量优化方法,适于在计算设备中执行,包括如下步骤:
(1)将射束入射方向上的任意截面划分二维通量网格,每个2D通量网格对应一个子射束;
将患者或体模的三维影像进行3D网格化,其中每个网格为一个体素;
设定2D通量网格中各网格的权重相等,利用2D通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量;
(2)利用优化算法优化2D通量网格权重实现优化目标;
所述的优化目标为优化剂量与目标剂量的差异满足预设的阈值范围,和/或优化得到的DVH曲线与目标DVH曲线相似,和/或等剂量线与目标等剂量线相似;
(21)设置2D通量网格的初始化权重;
(22)利用优化算法,更改2D通量网格的初始化权重,计算每次权重变更后感兴趣区域中3D体素中的辐射剂量和Da,直到优化结果满足优化目标或者优化次数达到预设的上限次数时停止优化;
(3)输出结果:
输出满足剂量优化目标时的2D通量网格权重和/或3D体素剂量和/或DVH曲线和/或等剂量线。
本实施例中进一步优选地,步骤(1)和(2)之间还包括输出因子校正步骤(1’):
(1’a)预设校正区域,优选校正区域为最大剂量点所在的区域或者上述的感兴趣区域;
(1’b)计算未经二维通量网格划分的校正区域的辐射剂量;
(1’c)将步骤(1)中感兴趣区域中各体素中对应的辐射剂量结果叠加得到校正区域中总辐射剂量Da;
(1’d)通过输出因子来校正剂量计算结果Da与不经网格划分的入射剂量相等D’,即f*Da=D’。
步骤(2)中,利用输出因子校正计算得到的优化辐射剂量,判断校正后的优化结果是否满足优化目标。进一步优选地,判断校正后的优化剂量是否满足目标剂量;优选地,利用校正后的优化剂量计算等剂量线、DVH曲线,判断是否满足与目标等剂量线、目标DVH曲线的相似度。
所述的优化算法包括智能算法或非智能算法,其中所述的智能算法包括遗传算法或蚁群算法;所述的非智能算法包括共轭梯度算法、拟牛顿算法或多尺度算法。
步骤(21)中2D通量网格的初始化权重设置为任意值,优选为0或1。
步骤(1)所述的患者或体模的三维影像是通过将病人或模体二维影像重建为三维模型获得的。
步骤(1)中,计算感兴趣区域中每个体素的辐射剂量是根据感兴趣区域确定蒙特卡罗计算区域,将感兴趣区域周围一个有效电子射程内的网格及感兴趣区域所在的网格设置为计算区域。
所述的确定用户感兴趣区域的方法为:通过用户自定义或通过采用基于物理因子、生物医学因子中的一种或者组合计算获得;
优选地,所述的物理因子为反映病人或者模体的材料构成以及照射物理条件;其中病人或者模体的材料构成包括:模体的密度、CT值、质量数、原子数;照射物理条件包括:射野分布、源分布。
优选地,所述的生物医学因子包括:器官组织照射阈值,生物敏感性,二次癌症发生概率分布,肿瘤杀死概率分布,损伤概率。
所述的各体素为大小均匀的立体网格,优选为长方体网格。
所述的2D通量网格为均匀二维网格。
本发明还提供一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括用于上述基于蒙特卡罗的网格并行剂量优化方法的指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述基于蒙特卡罗的网格并行剂量优化方法。
本发明具有以下有益结果:
本发明提供的基于蒙特卡罗的网格并行剂量优化方法解决了现有技术中优化过程中MC参与每次优化导致计算速度缓慢的缺陷;且加入了输出因子校正步骤,使优化后的3D网格的辐射剂量的计算结果准确,减小误差。
附图说明
图1为本发明一个优选的实施例中基于蒙特卡罗的网格并行剂量计算原理示意图。
图2为本发明一个优选的实施例中基于蒙特卡罗的网格并行剂量优化方法流程图。
图3为本发明一个优选的实施例中基于蒙特卡罗的网格并行剂量优化方法流程图。
具体实施方式
以下结合附图和实施例进一步说明本发明。
实施例1
一种基于蒙特卡罗的网格并行剂量优化方法,适于在计算设备中执行,其中蒙特卡罗网格并行剂量优化方法中的并行包括两方面的含义,一方面:将射束入射截面划分2D通量网格,每个2D通量网格对应一个子射束,子射束间的辐射剂量计算为并行计算:另一个方面:每个子射束中包含有个n个粒子,这些粒子之间的辐射剂量的计算也是并行的。
该方法具体包括如下步骤(流程如图2所示):
(1)如图1所示,将射束入射方向上的任意截面划分二维通量网格,每个2D通量网格对应一个子射束311;优选地,本实施中二维通量网格为均匀的矩形网格;
将患者或体模的三维影像进行3D网格化312,其中每个网格为一个体素;本实施例中优选地,各像素为大小相等形状相同的立体网格,进一步优选为长方体网格;其中患者或体模的三维影像是通过将病人或模体二维影像重建为三维模型获得的。
设定2D通量网格中各网格的权重相等,利用2D通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量313;
本实施例中优选地,确定用户感兴趣区域的方法为:通过用户自定义或通过采用基于物理因子、生物医学因子中的一种或者组合计算获得;
进一步优选地,物理因子为反映病人或者模体的材料构成以及照射物理条件;其中病人或者模体的材料构成包括:模体的密度、CT值、质量数、原子数;照射物理条件包括:射野分布、源分布;进一步优选地,生物医学因子包括:器官组织照射阈值,生物敏感性,二次癌症发生概率分布,肿瘤杀死概率分布,损伤概率。
本实施例中进一步优选地,计算感兴趣区域中每个体素的辐射剂量是根据感兴趣区域确定蒙特卡罗计算区域,将感兴趣区域周围一个有效电子射程内的网格及感兴趣区域所在的网格设置为计算区域。
本实施例中优选地,蒙特卡罗剂量计算参数包括病人影像、勾画信息、射野大小、照射方向、源参数、跟踪粒子总数、入射粒子类型、电子截止能量、光子截止能量、韧致辐射分割、射程排除、电子分割中的一种或组合;
本实施例中优选地,源参数包括源的能量、位置、方向、粒子类型;
本实施例中优选地,体模参数包括模体尺寸、模体材料。
本实施例中优选地,每个体素的粒子辐射剂量是通过调用蒙特卡罗数据库计算每个子射束下单个体素内粒子的剂量和得到的。
本实施例中优选地,上述粒子包括光子、电子、质子、重离子或中子中的一种或多种;
本实施例中优选地,蒙特卡罗数据库包括截面库、材料库。
(2)利用优化算法优化2D通量网格权重实现优化目标320;
优化目标为优化剂量与目标剂量的差异满足预设的阈值范围,和/或优化得到的DVH曲线与目标DVH曲线相似度,和/或优化得到的等剂量线与目标等剂量线相似度;本实施例中优选地,判断优化DVH曲线与目标DVH曲线、优化等剂量线与目标等剂量线相似度可以通过判断相应曲线之间的距离进行。
本实施例中优选地可采用优化算法包括智能算法或非智能算法,其中所述的智能算法包括遗传算法或蚁群算法;所述的非智能算法包括共轭梯度算法、拟牛顿算法或多尺度算法。
(21)设置2D通量网格的初始化权重321;
2D通量网格的初始化权重可以设置为任意值,本实施例中优选为0或1。
(22)利用优化算法,更改2D通量网格的初始化权重,计算每次权重变更后感兴趣区域中3D体素中的辐射剂量和D优,直到优化结果满足优化目标或者优化次数达到预设的上限次数时停止优化322;其中,
Di为步骤(1)中计算得到的3D网格中各体素的剂量;
ωi为对应3D体素的优化权重;
(3)输出结果330:
输出满足剂量优化目标时的2D通量网格权重和/或3D体素剂量和/或DVH曲线和/或等剂量线。
实施例2
一种基于蒙特卡罗的网格并行剂量优化方法,适于在计算设备中执行,其中蒙特卡罗网格并行剂量优化方法中的并行包括两方面的含义,一方面:将射束入射截面划分2D通量网格,每个2D通量网格对应一个子射束,子射束间的辐射剂量计算为并行计算:另一个方面:每个子射束中包含有个n个粒子,这些粒子之间的辐射剂量的计算也是并行的。
该方法具体包括如下步骤(流程如图3所示):
(1)如图1所示,将射束入射方向上的任意截面划分二维通量网格,每个2D通量网格对应一个子射束511;优选地,本实施中二维通量网格为均匀的矩形网格;
将患者或体模的三维影像进行3D网格化512,其中每个网格为一个体素;本实施例中优选地,各像素为大小相等形状相同的立体网格,进一步优选为长方体网格;其中患者或体模的三维影像是通过将病人或模体二维影像重建为三维模型获得的。
设定2D通量网格中各网格的权重相等,利用2D通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量513;
本实施例中优选地,确定用户感兴趣区域的方法为:通过用户自定义或通过采用基于物理因子、生物医学因子中的一种或者组合计算获得;
进一步优选地,物理因子为反映病人或者模体的材料构成以及照射物理条件;其中病人或者模体的材料构成包括:模体的密度、CT值、质量数、原子数;照射物理条件包括:射野分布、源分布;进一步优选地,生物医学因子包括:器官组织照射阈值,生物敏感性,二次癌症发生概率分布,肿瘤杀死概率分布,损伤概率。
本实施例中进一步优选地,计算感兴趣区域中每个体素的辐射剂量是根据感兴趣区域确定蒙特卡罗计算区域,将感兴趣区域周围一个有效电子射程内的网格及感兴趣区域所在的网格设置为计算区域。
本实施例中优选地,蒙特卡罗剂量计算参数包括病人影像、勾画信息、射野大小、照射方向、源参数、跟踪粒子总数、入射粒子类型、电子截止能量、光子截止能量、韧致辐射分割、射程排除、电子分割中的一种或组合;
本实施例中优选地,源参数包括源的能量、位置、方向、粒子类型;
本实施例中优选地,体模参数包括模体尺寸、模体材料。
本实施例中优选地,每个体素的粒子辐射剂量是通过调用蒙特卡罗数据库计算每个子射束下单个体素内粒子的剂量和得到的。
本实施例中优选地,上述粒子包括光子、电子、质子、重离子或中子中的一种或多种;
本实施例中优选地,蒙特卡罗数据库包括截面库、材料库。
(2)校正输出因子520:
(1’a)预设校正区域,优选校正区域为最大剂量点所在的区域或者上述的感兴趣区域521;
(1’b)计算未经二维通量网格划分的校正区域的辐射剂量522;
(1’c)将步骤(1)中感兴趣区域中各体素中对应的辐射剂量结果叠加得到校正区域中总辐射剂量Da523;
(1’d)通过输出因子来校正剂量计算结果Da与不经网格划分的入射剂量相等D’,即f*Da=D’,得到校正因子524;即:
f*Da=D’ (2),
f=D’/Da (3);
其中f为校正因子,
(3)利用优化算法优化2D通量网格权重实现优化目标530;
优化目标为优化剂量与目标剂量的差异满足预设的阈值范围,和/或优化得到的DVH曲线与目标DVH曲线相似,和/或等剂量线与目标等剂量线相似;本实施例中优选地,判断优化DVH曲线与目标DVH曲线、优化等剂量线与目标等剂量线相似度可以通过判断相应曲线之间的距离进行。本实施例中优选地可采用优化算法包括智能算法或非智能算法,其中所述的智能算法包括遗传算法或蚁群算法;所述的非智能算法包括共轭梯度算法、拟牛顿算法或多尺度算法。
(31)设置2D通量网格的初始化权重531;
2D通量网格的初始化权重可以设置为任意值,本实施例中优选为0或1。
(32)利用优化算法,更改2D通量网格的初始化权重,计算每次权重变更后感兴趣区域中3D体素中的辐射剂量之和D优,直到校正后的优化结果D优’满足优化目标或者优化次数达到预设的上限次数时,停止优化532;其中,
Di为步骤(1)中计算得到的3D网格中各体素的剂量;
ωi为对应3D体素的优化权重;
D优’=f*D优(4)f为步骤(2)得到的校正因子;
本实施例中优选地,还可以利用校正后的优化剂量计算等剂量线、DVH曲线,判断是否满足目标等剂量线、目标DVH曲线。
(4)输出结果540:
输出满足剂量优化目标时的2D通量网格权重和/或3D体素剂量和/或DVH曲线和/或等剂量线。
实施例3
本发明还提供一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,上述一个或多个程序包括用于上述基于蒙特卡罗的网格并行剂量优化方法的指令,该方法包括步骤:
(1)将射束入射方向上的任意截面划分二维通量网格,每个2D通量网格对应一个子射束;
将患者或体模的三维影像进行3D网格化,其中每个网格为一个体素;
设定2D通量网格中各网格的权重相等,利用2D通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量;
(2)利用优化算法优化2D通量网格权重实现优化目标;
所述的优化目标为优化剂量与目标剂量的差异满足预设的阈值范围,和/或优化得到的DVH曲线与目标DVH曲线相似,和/或等剂量线与目标等剂量线相似;
(21)设置2D通量网格的初始化权重;
(22)利用优化算法,更改2D通量网格的初始化权重,计算每次权重变更后感兴趣区域中3D体素中的辐射剂量和,直到优化结果满足优化目标或者优化次数达到预设的上限次数时停止优化;
(3)输出结果:
输出满足剂量优化目标时的2D通量网格权重和/或3D体素剂量和/或DVH曲线和/或等剂量线。
实施例4
本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行基于蒙特卡罗的网格并行剂量优化方法,该方法包括步骤:
(1)将射束入射方向上的任意截面划分二维通量网格,每个2D通量网格对应一个子射束;
将患者或体模的三维影像进行3D网格化,其中每个网格为一个体素;
设定2D通量网格中各网格的权重相等,利用2D通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量;
(2)利用优化算法优化2D通量网格权重实现优化目标;
所述的优化目标为优化剂量与目标剂量的差异满足预设的阈值范围,和/或优化得到的DVH曲线与目标DVH曲线相似,和/或等剂量线与目标等剂量线相似;
(21)设置2D通量网格的初始化权重;
(22)利用优化算法,更改2D通量网格的初始化权重,计算每次权重变更后感兴趣区域中3D体素中的辐射剂量和,直到优化结果满足优化目标或者优化次数达到预设的上限次数时停止优化;
(3)输出结果:
输出满足剂量优化目标时的2D通量网格权重和/或3D体素剂量和/或DVH曲线和/或等剂量线。
本发明上述实施例提供的基于蒙特卡罗的网格并行剂量优化方法解决了现有技术中优化过程中MC参与每次优化导致计算速度缓慢的缺陷;且加入了输出因子校正步骤,使校正后的3D网格的辐射剂量的计算结果准确,大大降低误差。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应当理解,这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被该机器执行时,该机器变成实践本发明的设备。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (14)
1.一种基于蒙特卡罗的网格并行剂量优化方法,适于在计算设备中执行,其特征在于:包括如下步骤:
(1)将射束入射方向上的任意截面划分二维通量网格,每个二维通量网格对应一个子射束;
将患者或体模的三维影像进行3D网格化,其中每个网格为一个体素;
设定二维通量网格中各网格的权重相等,利用二维通量网格基于蒙特卡罗输运原理计算感兴趣区域中每个体素的辐射剂量;
(1’) 输出校正因子:
(1’a)预设校正区域;
(1’b)计算未经二维通量网格划分的校正区域的辐射剂量;
(1’c)将步骤(1)中感兴趣区域中各体素中对应的辐射剂量结果叠加得到校正区域中总辐射剂量Da;
(1’d)通过输出校正因子来校正使剂量计算结果Da与不经网格划分的入射剂量D’相等,即f*Da=D’,得到校正因子f;
(2)利用优化算法优化二维通量网格权重实现优化目标;
所述的优化目标为优化剂量与目标剂量的差异满足预设的阈值范围,和/或优化得到的DVH曲线与目标DVH曲线相似,和/或等剂量线与目标等剂量线相似;
(21)设置二维通量网格的初始化权重;
(22)利用优化算法,更改二维通量网格的初始化权重,计算每次权重变更后感兴趣区域中3D体素中的辐射剂量和Da,直到优化结果满足优化目标或者优化次数达到预设的上限次数时停止优化;
(3)输出结果:
输出满足剂量优化目标时的二维通量网格权重和/或3D体素剂量和/或DVH曲线和/或等剂量线。
2.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:在步骤(1’a)中,校正区域为最大剂量点所在的区域或者上述的感兴趣区域。
3.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:步骤(2)中,利用输出因子校正计算得到的优化辐射剂量,判断校正后的优化结果是否满足优化目标。
4.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:所述的优化算法包括智能算法或非智能算法,其中所述的智能算法包括遗传算法或蚁群算法;所述的非智能算法包括共轭梯度算法、拟牛顿算法或多尺度算法。
5.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:步骤(21)中二维通量网格的初始化权重设置为任意值。
6.根据权利要求5所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:初始化权重设置为0或1。
7.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:步骤(1)所述的患者或体模的三维影像是通过将病人或模体二维影像重建为三维模型获得的;
步骤(1)中,计算感兴趣区域中每个体素的辐射剂量是根据感兴趣区域确定蒙特卡罗计算区域,将感兴趣区域周围一个有效电子射程内的网格及感兴趣区域所在的网格设置为计算区域。
8.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:所述的感兴趣区域的确定方法为:通过用户自定义或通过采用基于物理因子、生物医学因子中的一种或者组合计算获得。
9.根据权利要求8所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:所述的物理因子为反映病人或者模体的材料构成以及照射物理条件;其中病人或者模体的材料构成包括:模体的密度、CT值、质量数、原子数;照射物理条件包括:射野分布、源分布。
10.根据权利要求8所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:所述的生物医学因子包括:器官组织照射阈值,生物敏感性,二次癌症发生概率分布,肿瘤杀死概率分布,损伤概率。
11.根据权利要求1所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:所述的各体素为大小均匀的立体网格;
所述的二维通量网格为均匀二维网格。
12.根据权利要求11所述的基于蒙特卡罗的网格并行剂量优化方法,其特征在于:所述的各体素为大小均匀的长方体网格。
13.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括用于上述权利要求1-12中任一所述的基于蒙特卡罗的网格并行剂量优化方法的指令。
14.一种存储一个或多个程序的计算机可读存储介质,所述的一个或多个程序包括指令,所述指令适于由存储器加载并执行上述权利要求1-12中任一所述的基于蒙特卡罗的网格并行剂量优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810559301.6A CN110556176B (zh) | 2018-06-01 | 2018-06-01 | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810559301.6A CN110556176B (zh) | 2018-06-01 | 2018-06-01 | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110556176A CN110556176A (zh) | 2019-12-10 |
CN110556176B true CN110556176B (zh) | 2022-05-06 |
Family
ID=68735302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810559301.6A Active CN110556176B (zh) | 2018-06-01 | 2018-06-01 | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110556176B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111001097B (zh) * | 2019-12-28 | 2022-09-16 | 上海联影医疗科技股份有限公司 | 一种放疗剂量评估系统、装置及存储介质 |
CN112151146B (zh) * | 2020-09-27 | 2022-08-23 | 上海联影医疗科技股份有限公司 | 通量图优化系统、装置和存储介质 |
CN113181563B (zh) * | 2021-04-30 | 2023-01-03 | 珠海横乐医学科技有限公司 | 粒子植入肿瘤内放疗剂量规划方法、系统及介质 |
CN113521559A (zh) * | 2021-06-09 | 2021-10-22 | 苏州雷泰医疗科技有限公司 | 采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 |
WO2023123420A1 (zh) * | 2021-12-31 | 2023-07-06 | 西安大医集团股份有限公司 | 放疗剂量确定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481458A (zh) * | 2009-07-15 | 2012-05-30 | 原子能和辅助替代能源委员会 | 用于计算电离辐射沉积的剂量的方法 |
CN103038669A (zh) * | 2010-06-22 | 2013-04-10 | 卡尔·奥托 | 用于估计和操作所估计的辐射剂量的系统和方法 |
US8927921B1 (en) * | 2012-10-02 | 2015-01-06 | Sun Nuclear Corporation | Systems and methods for composite dose quality assurance with three dimensional arrays |
CN104407374A (zh) * | 2014-12-10 | 2015-03-11 | 上海联影医疗科技有限公司 | 剂量分布的确定方法及装置 |
-
2018
- 2018-06-01 CN CN201810559301.6A patent/CN110556176B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481458A (zh) * | 2009-07-15 | 2012-05-30 | 原子能和辅助替代能源委员会 | 用于计算电离辐射沉积的剂量的方法 |
CN103038669A (zh) * | 2010-06-22 | 2013-04-10 | 卡尔·奥托 | 用于估计和操作所估计的辐射剂量的系统和方法 |
US8927921B1 (en) * | 2012-10-02 | 2015-01-06 | Sun Nuclear Corporation | Systems and methods for composite dose quality assurance with three dimensional arrays |
CN104407374A (zh) * | 2014-12-10 | 2015-03-11 | 上海联影医疗科技有限公司 | 剂量分布的确定方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于共轭梯度法的调强放疗射束强度分布优化;曹瑞芬等;《原子核物理评论》;20100620;第221-227页 * |
曹瑞芬等.基于共轭梯度法的调强放疗射束强度分布优化.《原子核物理评论》.2010, * |
Also Published As
Publication number | Publication date |
---|---|
CN110556176A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110556176B (zh) | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 | |
Park et al. | Proton dose calculation on scatter‐corrected CBCT image: feasibility study for adaptive proton therapy | |
Papagiannis et al. | Current state of the art brachytherapy treatment planning dosimetry algorithms | |
US9884206B2 (en) | Systems and methods for intensity modulated radiation therapy | |
JP6138804B2 (ja) | 放射線療法のための不均質性を補償した重ね合わせを用いた線量計算 | |
US10417390B2 (en) | Methods and systems for radiotherapy treatment planning | |
Grevillot et al. | Simulation of a 6 MV Elekta Precise Linac photon beam using GATE/GEANT4 | |
US9067064B2 (en) | Optimization process for volumetric modulated arc therapy | |
CN110570923B (zh) | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 | |
JP2011524185A (ja) | 放射線療法における畳み込み/重ね合わせ線量計算法のグラフィックス・プロセッシング・ユニット加速を用いたリアルタイム線量計算 | |
US20130030762A1 (en) | Method for calculating doses deposited by ionizing radiation | |
CN110504016B (zh) | 一种蒙特卡罗网格并行剂量计算方法、设备和存储介质 | |
CN109125952B (zh) | 基于核模型的卷积叠加能量沉积计算方法 | |
Sikora et al. | A virtual source model of electron contamination of a therapeutic photon beam | |
Ayyangar et al. | Do we need Monte Carlo treatment planning for linac based radiosurgery? A case study | |
Hofmann et al. | Prediction of positron emitter distributions for range monitoring in carbon ion therapy: an analytical approach | |
Chetty et al. | The influence of beam model differences in the comparison of dose calculation algorithms for lung cancer treatment planning | |
CN108883298B (zh) | 治疗计划模块、疗法系统、疗法装置及存储介质 | |
Korhonen | Methods for dose calculation and beam characterization in external photon beam radiotherapy | |
Redpath | Planning of beam intensity modulation using an advanced 3D dose calculation algorithm and a simulated annealing method | |
Hussain et al. | Treatment Planning in Radiation Therapy | |
CN110675932A (zh) | 一种基于蒙特卡罗的点剂量计算方法、设备和存储介质 | |
Bedford | A discrete ordinates Boltzmann solver for application to inverse planning of photons and protons | |
Scholz | Development and evaluation of advanced dose calculations for modern radiation therapy techniques | |
Oliver et al. | Experimental measurements and Monte Carlo simulations for dosimetric evaluations of intrafraction motion for gated and ungated intensity modulated arc therapy deliveries |
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 |