CN110570923B - 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 - Google Patents
一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110570923B CN110570923B CN201810576583.0A CN201810576583A CN110570923B CN 110570923 B CN110570923 B CN 110570923B CN 201810576583 A CN201810576583 A CN 201810576583A CN 110570923 B CN110570923 B CN 110570923B
- Authority
- CN
- China
- Prior art keywords
- monte carlo
- algorithm
- optimization
- dose
- 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.)
- Active
Links
Images
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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
-
- 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
-
- 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
- A61N2005/1034—Monte Carlo type methods; particle tracking
Abstract
本发明属于放疗剂量计算技术领域,涉及一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质。包括如下步骤:输入患者数据和放射源参数、或者导入历史放疗计划;其中导入的历史放疗计划包括患者数据、放射源参数以及射野参数;利用解析算法中基于第一精度确定蒙特卡罗算法的加入位置,继续优化蒙特卡罗二维通量网格权重直到满足第二精度时停止计算。本发明通过设定解析计算所要达到的精度阈值,确定本发明中蒙特卡罗剂量计算的加入位置,从而避免因为解析算法计算结果误差较大导致蒙特卡罗剂量计算过早加入后剂量计算结果发生震荡,导致蒙特卡罗加入失去实际意义。
Description
技术领域
本发明属于放疗剂量计算技术领域,涉及一种放疗逆向优化方法、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。
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,PBM剂量计算方法可以用于非均匀模体的剂量计算,且计算速度快,是目前应用最广的技术方法,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,目前较少在临床上使用,还处于广泛的研究和继续发展阶段。
如何将解析算法和蒙特卡罗算法的优点结合,从而快速准确地获得最终的剂量优化结果是本领域技术人员亟待解决的问题。
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混合蒙特卡罗的放疗逆向优化方法、设备和存储介质。
为实现上述目的,本发明采用以下计算方案:
一种混合蒙特卡罗的放疗逆向优化方法,适于在计算设备中执行,包括如下步骤:
输入患者数据和放射源参数、或者导入历史放疗计划;其中历史放疗计划包括患者数据、放射源参数以及射野参数;
在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化:
a.计算初始射野参数,或者从历史放疗计划中获取初始射野参数;
b.将初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,当利用解析算法得到优化结果的精度达到预设的第一精度时,输出每个笔形束对应的权重;
c.调用基于网格化的蒙特卡罗粒子输运模型继续进行剂量优化;所述的网格化是将入射方向的任意一个截面进行二维网格化,以步骤2b输出的达到第一精度时各子射束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;
d.利用优化算法继续调整基于蒙特卡罗输运模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算。
本发明进一步优选地,所述的患者数据包括患者影像、靶区及危及器官的分割位置、医嘱数据;
所述的患者影像包括CT影像、核磁影像中的一种或者组合;
所述的医嘱数据包括目标放疗剂量、DVH曲线、各器官放疗剂量约束值中的一种或组合。
所述的放射源参数包括放射源的类型、形状、位置、能量或方向中的一种或组合。
所述的射野参数包括射野角度、射野权重、射野形状或射束数量中的一种或者组合。
所述的解析算法为笔形束算法或卷积算法。
所述的步骤b和c之间还包括人工干预计算进程的步骤;和/或者所述的步骤c之后还包括剂量确认步骤。
所述的人工干预包括:暂停计算或手动修改放疗计划并使用当前的优化参数作为输入值继续优化;
所述的剂量确认包括:采用蒙特卡罗剂量计算确认最终剂量和/或采用滤波器降低剂量计算误差。优选地,所述的滤波器为Savitzky-Golay滤波器等。
所述的优化算法包括遗传算法、蚁群算法、共轭梯度算法、拟牛顿算法或多尺度算法。
本发明进一步优选地,在进行步骤a的同时,对蒙特卡罗计算进行初始化,所述的初始化包括计算条件输入,模型建立与计算通量网格对各体素贡献的剂量。从而大大减少等待时间。
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混合蒙特卡罗的放疗逆向优化方法的指令。
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混合蒙特卡罗的放疗逆向优化方法。
本发明具有以下有益效果:
本发明提供的混合蒙特卡罗的放疗逆向优化方法充分结合蒙特卡罗算法计算精度高和解析算法计算速度快的优点,在保证计算速度的同时兼顾计算精度;同时还能避免使用解析算法得到的“假收敛”造成的计算误差。另外,通过设定前期解析计算所要达到的精度阈值,确定本发明中剂量优化时蒙特卡罗计算模型的加入位置,从而避免因为解析算法计算结果误差较大导致蒙特卡罗剂量计算过早加入后剂量计算结果发生震荡,导致蒙特卡罗加入失去实际意义浪费计算时间。
附图说明
图1为本发明一个优选的实施例中混合蒙特卡罗的放疗逆向优化方法的流程图。
图2为本发明一个优选的实施例中蒙特卡罗计算模型插入位置示意图。
图3为本发明另一个优选的实施例中混合蒙特卡罗的放疗逆向优化方法的流程图。
图4为本发明又一个优选的实施例中混合蒙特卡罗的放疗逆向优化方法的流程图。
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
一种混合蒙特卡罗的放疗逆向优化方法,适于在计算设备中执行,如图1所示包括如下步骤:
(1)输入患者数据和放射源参数、或者导入放疗计划210;
其中导入放疗计划包括患者数据、放射源参数以及射野参数,本实施例中优选地,患者数据包括患者影像、靶区及危及器官的分割位置、医嘱数据;患者影像包括CT影像、核磁影像中的一种或者组合;勾画的器官组织包括正常器官组织、靶区形状与位置;医嘱数据(也可能通过物理师自行设定)包括目标放疗剂量、DVH曲线、各器官放疗剂量约束值中的一种或组合;放射源参数包括放射源的类型、形状、位置、能量或方向中的一种或组合;射野参数包括射野角度、射野权重、射野形状或射束数量中的一种或者组合;
(2)在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化;220:
其中解析算法为笔形束算法或卷积算法;本实施例中进一步优选地,通过笔形束计算模型与蒙特卡罗计算模型混合计算射野剂量:
2a.计算初始射野参数221:
笔形束算法是将入射射束分成若干笔形束,每个笔形束对应一个通量网格,通过对各笔形束的权重分别赋予任意值,得到各笔形束的初始权重;
2b.将步骤2a获得的初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,对于包含n个通量网格的放射野,剂量分布的计算公式(1)为:
其中,
i为二维通量网格标号,
n为通量网格的总数目;
j为三维体素标号,
m为体素的总数目;
ωi为笔形束算法中各通量网格权重;
Dij为第i个通量网格对第j个体素贡献的剂量;
Dj为第j个体素沉积的总剂量;
当笔形束算法得到的优化结果的精度达到预设的第一精度σ1时(精度计算公式如式(2)所示),输出每个笔形束对应的权重222,
其中,
dj为第j个体素的目标沉积剂量,
Wj为第j个体素的权重;
由于笔形束自身无法实现高精度的剂量计算,因此本发明中的第一精度为伪精度,仅用于设定通过笔形束算法得到一个期望数值。
本实施例中,如图2所示,利用笔形束计算模型进行迭代优化,从而确定优化任务中的蒙特卡罗计算模型的插入位置,每个方格代表一次迭代计算,其中的P代表笔形束计算模型,M代表蒙特卡罗计算模型,箭头所示的位置为蒙特卡罗计算模型的初始插入位置,A为蒙特卡罗计算模型的插入位置处标记序号。如图2所示,在达到预设第一精度的PB算法后,使用蒙特卡罗计算模型继续进行剂量优化。
2c.调用基于网格化的蒙特卡罗粒子输运模型继续进行剂量优化223;
上述网格化是将入射方向的任意一个截面进行二维网格化,每个二维通量网格对应的通量为ω’i;
设置蒙特卡罗二维通量网格数量=笔形束算法中的笔形束的数量,且蒙特卡罗计算模型中各通量网格与相应的笔形束通量网格对应;以步骤2b输出的达到第一精度σ1时各笔形束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;设置蒙特卡罗各二维网格通量权重ω’i=ωi,调用蒙特卡罗计算模型继续进行剂量优化,对于包含n个通量网格的放射野,剂量分布的计算公式(3)为:
其中,
i为二维通量网格标号,
n为通量网格的总数目,
j为三维体素标号,
m为体素的总数目,
ω’i为蒙特卡罗算法中各通量网格权重,
Dij'为第i个通量网格对第j个体素贡献的剂量,
Dj'为第j个体素沉积的总剂量;
2d.利用优化算法继续调整基于蒙特卡罗输运模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算224;
当优化结果的精度达到预设的第二精度σ2时,输出优化结果。
其中,总目标函数F’是通过公式(4)计算得到的总剂量D与计算目标D0(医嘱中给出的目标放疗剂量)的方差加权之和,计算公式如下:
其中,
Wj’为第j个体素的权重,
i为二维通量网格标号,
j为三维体素标号,
n为通量网格的总数目,
m为体素的总数目,
d′j为第j个体素的目标沉积剂量。
本实施例中优选地,优化算法包括随机算法和确定性算法,随机算法包括但不限于遗传算法,蚁群算法;确定性算法包括但不限于共轭梯度算法,拟牛顿算法,多尺度算法。
本实施例中进一步优选地,在进行第2a步骤的同时,对蒙特卡罗计算进行初始化,所述的初始化包括计算条件输入,模型建立与二维通量网格中每个网格的辐射剂量计算;从而大大减少等待时间。
实施例2
一种混合蒙特卡罗的放疗逆向优化方法,适于在计算设备中执行,如图3所示包括如下步骤:
(1)输入患者数据和放射源参数、或者导入放疗计划310;
其中导入放疗计划包括患者数据、放射源参数以及射野参数,优选地,患者数据包括患者影像、靶区及危及器官的分割位置、医嘱数据;患者影像包括CT影像、核磁影像中的一种或者组合;勾画的器官组织包括正常器官组织、靶区形状与位置;医嘱数据包括目标放疗剂量、DVH曲线、各器官放疗剂量约束值中的一种或组合;放射源参数包括放射源的类型、形状、位置、能量或方向中的一种或组合;射野参数包括射野角度、射野权重、射野形状或射束数量中的一种或者组合;
(2)在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化;320:
其中解析算法为笔形束算法或卷积算法;本实施例中进一步优选地,通过笔形束计算模型与蒙特卡罗计算模型混合计算射野剂量:
2a.从导入计划中获取初始射野参数321:
2b.将步骤2a获得的初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,对于包含n个通量网格的放射野,剂量分布的计算公式(1)为:
其中,
i为二维通量网格标号,
n为通量网格的总数目;
j为三维体素标号,
m为体素的总数目;
ωi为笔形束算法中各通量网格权重;
Dij为第i个通量网格对第j个体素贡献的剂量;
Dj为第j个体素沉积的总剂量;
当笔形束算法得到的优化结果的精度达到预设的第一精度时σ1(精度计算公式如式2所示),输出每个笔形束对应的权重322,
其中,
dj为第j个体素的目标沉积剂量;
Wj为第j个体素的权重;
由于笔形束自身无法实现高精度的剂量计算,因此本发明中的第一精度为伪精度,仅用于设定通过笔形束算法得到一个期望数值。
本实施例中,如图2所示,利用笔形束计算模型进行迭代优化,从而确定优化任务中的蒙特卡罗计算模型的插入位置,每个方格代表一次迭代计算,其中的P代表笔形束计算模型,M代表蒙特卡罗计算模型,箭头所示的位置为蒙特卡罗计算模型的初始插入位置,A为蒙特卡罗计算模型的插入位置处标记序号。如图2所示,在达到预设第一精度的PB算法后,使用蒙特卡罗计算模型继续进行剂量优化。
2c.人工干预计算进程323
本实施例中优选地,通过手动修改放疗计划并使用当前的优化参数作为输入值继续优化;
2d.调用基于网格化的蒙特卡罗粒子输运模型继续进行剂量优化324;
上述网格化是将入射方向的任意一个截面进行二维网格化,每个二维通量网格对应的通量为ωi’;
设置蒙特卡罗二维通量网格数量=笔形束算法中的笔形束的数量,且蒙特卡罗计算模型中各通量网格与相应的笔形束通量网格对应;以步骤2b输出的达到第一精度σ1时各笔形束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;设置蒙特卡罗各二维网格通量权重ω’i=ωi,调用蒙特卡罗计算模型继续进行剂量优化,对于包含n个通量网格的放射野,剂量分布的计算公式(3)为:
其中,
i为二维通量网格标号,
n为通量网格的总数目,
j为三维体素标号,
m为体素的总数目,
ω’i为蒙特卡罗算法中各通量网格权重,
Dij'为第i个通量网格对第j个体素贡献的剂量,
Dj'为第j个体素沉积的总剂量;
2e.利用优化算法继续调整基于蒙特卡罗输运模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算325;
当优化结果的精度达到预设的第二精度σ2时,输出优化结果。
其中,总目标函数F’是通过公式(4)计算得到的总剂量D与计算目标D0(医嘱中给出的目标放疗剂量)的方差加权之和,计算公式如下:
其中,
Wj’为第j个体素的权重,
i为二维通量网格标号,
j为三维体素标号,
n为通量网格的总数目,
m为体素的总数目,
d′j为第j个体素的目标沉积剂量。
本实施例中优选地,优化算法包括随机算法和确定性算法,随机算法包括但不限于遗传算法,蚁群算法;确定性算法包括但不限于共轭梯度算法,拟牛顿算法,多尺度算法。
本实施例中进一步优选地,在进行第2a步骤的同时,对蒙特卡罗计算进行初始化,所述的初始化包括计算条件输入,模型建立与Dij计算;从而大大减少等待时间。
实施例3
一种混合蒙特卡罗的放疗逆向优化方法,适于在计算设备中执行,如图4所示包括如下步骤:
(1)输入患者数据和放射源参数、或者导入放疗计划610;
其中导入放疗计划包括患者数据、放射源参数以及射野参数,优选地,患者数据包括患者影像、靶区及危及器官的分割位置、医嘱数据;患者影像包括CT影像、核磁影像中的一种或者组合;勾画的器官组织包括正常器官组织、靶区形状与位置;医嘱数据包括目标放疗剂量、DVH曲线、各器官放疗剂量约束值中的一种或组合;放射源参数包括放射源的类型、形状、位置、能量或方向中的一种或组合;射野参数包括射野角度、射野权重、射野形状或射束数量中的一种或者组合;
(2)在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化;620:
其中解析算法为笔形束算法或卷积算法;本实施例中进一步优选地,通过笔形束计算模型与蒙特卡罗计算模型混合计算射野剂量:
2a.计算初始射野参数621:
2b.将步骤2a获得的初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,对于包含n个通量网格的放射野,剂量分布的计算公式(1)为:
其中,
i为二维通量网格标号,n为通量网格的总数目;
j为三维体素标号,m为体素的总数目;
ωi为笔形束算法中各通量网格权重;
Dij为第i个通量网格对第j个体素贡献的剂量;
Dj为第j个体素沉积的总剂量;
当笔形束算法得到的优化结果的精度达到预设的第一精度时σ1(精度计算公式如式2所示),输出每个笔形束对应的权重622,
其中,dj为第j个体素的目标沉积剂量,
Wj为第j个体素的权重;
由于笔形束自身无法实现高精度的剂量计算,因此本发明中的第一精度为伪精度,仅用于设定通过笔形束算法得到一个期望数值。
本实施例中,如图2所示,利用笔形束计算模型进行迭代优化,从而确定优化任务中的蒙特卡罗计算模型的插入位置,每个方格代表一次迭代计算,其中的P代表笔形束计算模型,M代表蒙特卡罗计算模型,箭头所示的位置为蒙特卡罗计算模型的初始插入位置,A为蒙特卡罗计算模型的插入位置处标记序号。如图2所示,在达到预设第一精度的PB算法后,使用蒙特卡罗计算模型继续进行剂量优化。
2c.人工干预计算进程623:
本实施例中优选地,通过手动修改放疗计划并使用当前的优化参数作为蒙特卡罗输入值继续优化;
2d.调用基于网格化的蒙特卡罗粒子输运模型继续进行剂量优化624;
上述网格化是将入射方向的任意一个截面进行二维网格化,每个二维通量网格对应的通量为ω’i;
设置蒙特卡罗二维通量网格数量=笔形束算法中的笔形束的数量,且蒙特卡罗计算模型中各通量网格与相应的笔形束通量网格对应;以步骤2b输出的达到第一精度σ1时各笔形束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;设置蒙特卡罗各二维网格通量权重ω’i=ωi,调用蒙特卡罗计算模型继续进行剂量优化,对于包含n个通量网格的放射野,剂量分布的计算公式(3)为:
其中,
i为二维通量网格标号,
n为通量网格的总数目,
j为三维体素标号,
m为体素的总数目,
ω’i为蒙特卡罗算法中各通量网格权重,
Dij'为第i个通量网格对第j个体素贡献的剂量,
Dj'为第j个体素沉积的总剂量;
2e.利用优化算法继续调整基于蒙特卡罗输运模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算625;
当优化结果的精度达到预设的第二精度σ2时,输出优化结果。
其中,总目标函数F’是通过公式(4)计算得到的总剂量D与计算目标D0(医嘱中给出的目标放疗剂量)的方差加权之和,计算公式如下:
其中,
Wj’为第j个体素的权重,
i为二维通量网格标号,
j为三维体素标号,
n为通量网格的总数目,
m为体素的总数目,
d′j为第j个体素的目标沉积剂量。
本实施例中优选地,优化算法包括随机算法和确定性算法,随机算法包括但不限于遗传算法,蚁群算法;确定性算法包括但不限于共轭梯度算法,拟牛顿算法,多尺度算法。
2f.剂量确认626:
所述的剂量确认包括:在混合剂量计算最后采用一次蒙特卡罗剂量计算,其结果作为最终剂量;本实施例中进一步优选地,还采用滤波器降低蒙特卡罗剂量计算误差;其中滤波器为Savitzky-Golay滤波器。
实施例4
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混合蒙特卡罗的放疗逆向优化方法的指令,其中该方法包括如下步骤:
(1)输入患者数据和放射源参数、或者导入历史放疗计划;其中导入的历史放疗计划包括患者数据、放射源参数以及射野参数;
(2)在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化:
2a.计算初始射野参数,或者从导入的历史放疗计划中获取初始射野参数;
2b.将初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,当利用解析算法得到优化结果的精度达到预设的第一精度时,输出每个笔形束对应的权重;
2c.调用基于网格化的蒙特卡罗粒子输运模型继续进行剂量优化;所述的网格化是将入射方向的任意一个截面进行二维网格化,以步骤2b输出的达到第一精度时各子射束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;
2d.利用优化算法继续调整基于蒙特卡罗输运模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算。
实施例5
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混合蒙特卡罗的放疗逆向优化方法,该方法包括步骤:
(1)输入患者数据和放射源参数、或者导入历史放疗计划;其中导入的历史放疗计划包括患者数据、放射源参数以及射野参数;
(2)在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化:
2a.计算初始射野参数,或者从导入的历史放疗计划中获取初始射野参数;
2b.将初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,当利用解析算法得到优化结果的精度达到预设的第一精度时,输出每个笔形束对应的权重;
2c.调用基于网格化的蒙特卡罗粒子输运模型继续进行剂量优化;所述的网格化是将入射方向的任意一个截面进行二维网格化,以步骤2b输出的达到第一精度时各子射束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;
2d.利用优化算法继续调整基于蒙特卡罗输运模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算。
本发明上述实施例1~3提供的混合蒙特卡罗的放疗逆向优化方法能够结合蒙特卡罗算法和解析算法的优点,在保证计算速度的同时兼顾计算精度;还能避免仅使用解析算法得到的“假收敛”造成的计算结果误差。另外,通过精度控制插入蒙特卡罗剂量计算的位置,可以避免因为解析算法计算结果误差较大导致蒙特卡罗剂量计算过早加入后剂量计算结果发生震荡,导致蒙特卡罗加入失去实际意义浪费计算时间的缺点。
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 (10)
1.一种混合蒙特卡罗的放疗逆向优化方法,适于在计算设备中执行,其特征在于:包括如下步骤:
输入患者数据和放射源参数、或者导入历史放疗计划;其中历史放疗计划包括患者数据、放射源参数以及射野参数;
在解析算法中加入基于网格化的蒙特卡罗计算模型进行逆向优化:
2a.计算初始射野参数,或者从历史放疗计划中获取初始射野参数;
2b.将初始权重作为通量优化的输入值,采用解析算法不断进行迭代优化,当利用解析算法得到优化结果的精度达到预设的第一精度时,输出每个子射束的网格权重;
2c.调用基于网格化的蒙特卡罗计算模型继续进行剂量优化;所述的网格化是将入射方向的任意一个截面进行二维网格化,以步骤2b输出的达到第一精度时各子射束的网格权重作为本步骤中蒙特卡罗剂量优化的初始二维通量网格权重;
2d.利用优化算法继续调整蒙特卡罗计算模型的二维通量网格的通量,直到优化结果满足预设的第二精度时停止计算,输出优化结果。
2.根据权利要求1所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:所述的患者数据包括患者影像、靶区及危及器官的分割位置、医嘱数据;
所述的患者影像包括CT影像、核磁影像中的一种或者组合;所述的医嘱数据包括目标放疗剂量、DVH曲线、各器官放疗剂量约束值中的一种或组合。
3.根据权利要求1所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:所述的放射源参数包括放射源的类型、形状、位置、能量或方向中的一种或组合;
所述的射野参数包括射野角度、射野权重、射野形状或射束数量中的一种或者组合。
4.根据权利要求1所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:所述的优化算法包遗传算法、蚁群算法、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所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:所述的解析算法为笔形束算法或卷积算法。
6.根据权利要求1所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:所述的步骤2b和2c之间还包括人工干预计算进程的步骤;
和/或者所述的步骤2c之后还包括剂量确认步骤。
7.根据权利要求6所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:
所述的人工干预包括:暂停计算或手动修改放疗计划并使用当前的优化参数作为输入值继续优化;
所述的剂量确认包括:采用蒙特卡罗剂量计算确认最终剂量和/或采用滤波器降低剂量计算误差;所述的滤波器为Savitzky-Golay滤波器。
8.根据权利要求7所述的混合蒙特卡罗的放疗逆向优化方法,其特征在于:在进行第2a步骤的同时,对蒙特卡罗剂量计算进行初始化,所述的初始化包括计算条件输入,模型建立与二维通量网格中各网格的辐射剂量计算。
9.一种计算设备,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1-8中任一所述的混合蒙特卡罗的放疗逆向优化方法的指令。
10.一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1-8中任一所述的混合蒙特卡罗的放疗逆向优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810576583.0A CN110570923B (zh) | 2018-06-06 | 2018-06-06 | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810576583.0A CN110570923B (zh) | 2018-06-06 | 2018-06-06 | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570923A CN110570923A (zh) | 2019-12-13 |
CN110570923B true CN110570923B (zh) | 2022-05-10 |
Family
ID=68772570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810576583.0A Active CN110570923B (zh) | 2018-06-06 | 2018-06-06 | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570923B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111494815B (zh) * | 2020-05-14 | 2022-04-29 | 安徽慧软科技有限公司 | 基于混合变尺度模型的三维剂量计算方法、装置及介质 |
CN111803804B (zh) * | 2020-06-19 | 2023-04-07 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 自适应放疗系统、存储介质及设备 |
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 |
CN113101548B (zh) * | 2021-04-20 | 2023-04-28 | 中山大学肿瘤防治中心 | 一种降低皮肤剂量的光子调强放疗控制方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101011617A (zh) * | 2006-12-29 | 2007-08-08 | 成都川大奇林科技有限责任公司 | 在适形放疗中精确确定辐射野输出剂量的方法 |
CN103083820A (zh) * | 2013-01-13 | 2013-05-08 | 中国科学院合肥物质科学研究院 | 一种剂量引导精确放射治疗系统 |
CN107551411A (zh) * | 2017-08-17 | 2018-01-09 | 裴曦 | 针对射程不确定性的质子重离子调强放疗鲁棒优化方法 |
CN107998519A (zh) * | 2017-12-26 | 2018-05-08 | 荣科科技股份有限公司 | 一种用于imrt的分子动力学再优化算法 |
-
2018
- 2018-06-06 CN CN201810576583.0A patent/CN110570923B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101011617A (zh) * | 2006-12-29 | 2007-08-08 | 成都川大奇林科技有限责任公司 | 在适形放疗中精确确定辐射野输出剂量的方法 |
CN103083820A (zh) * | 2013-01-13 | 2013-05-08 | 中国科学院合肥物质科学研究院 | 一种剂量引导精确放射治疗系统 |
CN107551411A (zh) * | 2017-08-17 | 2018-01-09 | 裴曦 | 针对射程不确定性的质子重离子调强放疗鲁棒优化方法 |
CN107998519A (zh) * | 2017-12-26 | 2018-05-08 | 荣科科技股份有限公司 | 一种用于imrt的分子动力学再优化算法 |
Non-Patent Citations (1)
Title |
---|
x线蒙特卡洛算法与有限元笔形束算法在旋转容积调强放疗计划中的剂量学比较;王宁等;《医疗卫生装备》;20140825;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110570923A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
EP3515557B1 (en) | Controlling and shaping the dose distribution outside treatment targets in external-beam radiation treatments | |
US11173324B2 (en) | Iterative image reconstruction in image-guided 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 | |
US11103726B2 (en) | Creating treatment field using initial field and patient specific geometry and achievable dose | |
CN114423494B (zh) | 使用可微剂量函数的放疗治疗计划 | |
Gu et al. | A GPU-based finite-size pencil beam algorithm with 3D-density correction for radiotherapy dose calculation | |
CN108883302B (zh) | 自适应辐射治疗规划 | |
US11052264B2 (en) | Robust broad beam optimization for proton therapy | |
CN110556176B (zh) | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 | |
JP2013526883A (ja) | 電離放射が堆積するロードを計算するための方法 | |
US9495513B2 (en) | GPU-based fast dose calculator for cancer therapy | |
CN109125952B (zh) | 基于核模型的卷积叠加能量沉积计算方法 | |
WO2016188754A1 (en) | Method of selecting beam geometries | |
WO2018053648A1 (en) | Treatment planning based on multiple modalities | |
Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
CN113646038A (zh) | 在放射治疗计划制定中使用等剂量表面以优化剂量分布 | |
CN109999365B (zh) | 一种用于实现放疗逆向优化方法的计算设备和存储介质 | |
Montero | Robust, accurate and patient-specific treatment planning for proton therapy | |
Redpath | Planning of beam intensity modulation using an advanced 3D dose calculation algorithm and a simulated annealing method | |
JP2023545574A (ja) | 線量予測及びロバスト線量模倣による自動治療計画生成 | |
Cirriez et al. | Real-time replanning for proton therapy | |
EP4175711A1 (en) | Methods and systems using modeling of crystalline materials for spot placement for radiation therapy | |
Nilsson | Development of an EPID image predictionalgorithm for treatment verification in photonradiation therapy | |
Josefsson | Robust Optimization for Radiosurgery under the Static Dose Cloud Approximation |
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 |