CN110709132A - 用户自适应放射疗法计划的方法和使用该方法的系统 - Google Patents

用户自适应放射疗法计划的方法和使用该方法的系统 Download PDF

Info

Publication number
CN110709132A
CN110709132A CN201880037219.5A CN201880037219A CN110709132A CN 110709132 A CN110709132 A CN 110709132A CN 201880037219 A CN201880037219 A CN 201880037219A CN 110709132 A CN110709132 A CN 110709132A
Authority
CN
China
Prior art keywords
radiation therapy
therapy plan
machine
generate
learning machine
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
Application number
CN201880037219.5A
Other languages
English (en)
Other versions
CN110709132B (zh
Inventor
K·盛
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.)
University of California
Original Assignee
University of California
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 University of California filed Critical University of California
Publication of CN110709132A publication Critical patent/CN110709132A/zh
Application granted granted Critical
Publication of CN110709132B publication Critical patent/CN110709132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Urology & Nephrology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Surgery (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本公开提供了用于用户自适应放射疗法计划的方法和使用该方法的系统。在一些方面，提供了用于生成放射疗法计划的方法。该方法包括接收从患者获取的成像信息，并基于该成像信息，使用治疗计划系统产生初步的放射疗法计划。该方法还包括根据预定的临床医生概况，生成用于修改初步的放射疗法方法的指示，其中预定的临床医生概况基于训练过的学习机器。该方法进一步包括使用该指示产生适于预定的临床医生概况的更新的放射疗法计划。

Description

用户自适应放射疗法计划的方法和使用该方法的系统
相关申请的交叉引用
本申请基于2017年4月5日提交的标题为“METHODS FOR USER ADAPTIVERADIATION THERAPY PLANNING AND SYSTEM USING THE SAME”(用户自适应放射疗法计划的方法和使用该方法的系统)的美国临时专利申请No.62/481,935，要求其优先权，并且通过引用将其全文并入本文。
背景技术
本公开大体上涉及用于放射疗法计划和治疗的系统和方法。
常规的体外放射疗法，也被称为“远距疗法”，通常是使用线性加速器(“LINAC”)产生电离辐射以辐照患者来进行的。在治疗过程中，通常会从几个不同的方向或沿着不同的光束路径将辐射传输到定义的目标体积。具体地，强度调制放射疗法(“IMRT”)是一种外部射束放射疗法技术，其中可以独立地控制由LINAC产生的放射光束的强度以及能量。具体地，由LINAC产生的每个光束被分为多个子光束或细光束，其各个强度会发生变化，以实现整体光束强度调制。这允许目标体积内的各个区域(诸如恶性组织或肿瘤)接收调制的放射剂量分布。另外，可以减少给予健康组织的辐射剂量，而可以增加给予受影响组织的剂量。
治疗计划在向患者传输放射方面起着核心作用。在此过程中，操作员(通常是放射剂量师)通过使用治疗计划软件来制定放射治疗计划，该治疗计划软件被设计成基于经选择的光束布置来计算传输到患者体内不同区域的放射剂量。通过操纵光束特性(例如，能量)和光束构型(例如，光束角度、光束数量、光束强度)，放射剂量师通常试图最大化对目标结构的放射剂量，同时最小化非目标结构所接收的剂量。特别地，IMRT治疗计划软件会针对目标形状和可能的病理生成三维放射剂量图。由于IMRT方法需要很高的精确度，因此必须收集有关目标和非目标部位及其运动特征的详细数据。为了实现这一点，在治疗计划阶段期间需要精确的几何精度。
但是，产生最优的放射计划可以是非常复杂、重复且耗时的。这是因为对于给定的患者可能会有大量可能的计划解决方案。同样，从数学的角度来看，许多解决方案都可能被认为是最优的，但它们满足的健康状况非常不同或者需要不同的权衡。例如，一个计划可以以对关键器官提供更高剂量为代价提供最佳的肿瘤覆盖，而另一个计划则相反。在另一种情况下，一个计划可以向一个正常器官传输更高剂量而对另一个器官则有所保留，而另一个计划则相反。从这些示例中可以理解，医生通常必须根据经验和专业知识而不是客观或定量标准来做出临床决策。另外，医生经常要求对治疗计划进行多次修订，将不同的重点放在各种临床目标上。此类治疗计划的迭代过程需要计划重新优化，具体取决于治疗的复杂性，这可能是劳动和资源密集型的。
因此，需要用于生成向患者提供放射治疗的改进的系统和方法。
发明内容
本公开提供了用于用户自适应放射疗法计划的系统和方法，其克服了先前技术的缺点。根据下文描述，本方法的特征和优点将变得显而易见。
根据本公开的一个方面，提供了用于生成放射疗法计划的方法。该方法包括接收从患者获取的成像信息，并基于该成像信息，使用治疗计划系统产生初步的放射疗法计划。该方法还包括根据预定的临床医生概况生成用于修改初步的放射疗法计划的指示(其中预定的临床医生概况基于训练过的学习机器)，并且使用该指示生成适于该预定的临床医生概况的更新的放射疗法计划。
根据本公开的另一个方面，提供了用于生成训练过的学习机器的方法，该训练过的学习机器被用于放射疗法计划中。该方法包括接收用于使用放射治疗患者的初步放射疗法计划，以及基于临床目标，使用初步的放射线疗法计划生成修改的放射疗法计划。该方法还包括确定初步的放射疗法计划和修改的放射疗法计划之间的偏差，以及在机器学习过程中利用该偏差来生成训练过的学习机器。
根据本公开的又一个方面，提供了用于放射疗法的系统。该系统包括被配置为接收来自用户的反馈的输入，以及机器学习引擎，该机器学习引擎被配置为接收初步的放射疗法计划，并基于该初步的放射疗法计划，使用来自该用户的反馈生成更新的放射疗法计划。机器学习算法也被配置为确定初步的放射疗法计划和更新的放射疗法计划之间的偏差，以及将该偏差应用到机器学习过程中以生成训练过的学习机器。该机器学习算法进一步被配置为生成与训练过的学习机器相对应的用户概况。该系统还包括用于根据该用户概况提供报告的输出。
附图说明
图1是根据本公开各方面的示例放射疗法系统的框图。
图2是阐述根据本公开各方面的过程的步骤的流程图。
图3是阐述根据本公开的各方面的过程的步骤的另一个流程图。
图4是根据本公开各方面的示例系统的框图。
图5是示出了根据本公开各方面的治疗计划的修改的图形说明。
具体实施方式
放射治疗计划通常利用迭代和劳动密集型过程来生成满足治疗和临床目标的优化计划。随着时间的推移，当放射剂量师熟悉医生的偏好时，可以提高一些效率。这通常被称为医生和放射剂量师之间的“纽带”，这可以更快地实现可接受的计划。尽管如此，本文认识到当前的临床工作流程呈现至少两个失去的机会。第一，人员流动经常打破医生与放射剂量师之间的纽带，因此需要时间来建立与其他人的纽带。此外，不能保证新纽带也能正常工作。第二，关于特定治疗的内部知识可能不容易量化或转让。例如，一家专门从事头颈癌治疗的大型机构将能够提供高质量的治疗，因为有资源可被用于开发最优治疗协议。相比之下，社区医院或小型诊所可能无法做到这一点，或者无法从此类大型机构内部知识中受益。这是因为小型诊所会接受各种癌症诊断的患者，并且没有时间或资源专门治疗任何一种疾病。
因此，本公开提供了解决当前临床工作流程需求的系统和方法。具体地，本文介绍了一种基于机器学习的新颖的自适应放射疗法计划方法，该方法利用了临床医生在计划过程中获得的知识。如上所述，捕获计划信息并提供适于特定肿瘤医生、疾病类型等的治疗计划的能力将非常高效，并且对治疗患者有益。从下文的描述中可以理解，本方法可以被用于精简治疗计划工作流程，减少成本和耗时的冗余，并实现计划一致性的提高。
参考图1，示出了根据本公开各方面的示例放射疗法系统100。系统100包括用于产生放射(诸如X射线或电子放射)的治疗性放射源102。系统100还可以包括诊断性X射线源104，或者可以放弃诊断性X射线源104而使用成像系统。如果包括诊断性X射线源104，诊断性X射线源104则被配置为向包括检测器阵列的X射线检测器116投射X射线的锥形束。
治疗性放射源102和诊断性X射线源104两者彼此相邻附接并被容纳在围绕枢轴108旋转的第一可旋转台架106的同一端。第一可旋转台架106允许治疗性放射源102和诊断性X射线源104中的任一个相对于位于患者台18上的受试者16体内的目标体积110以期望的方式对准。第二可旋转台架114可旋转地附接到第一可旋转台架106使得第二可旋转台架114也能够围绕枢轴108旋转。X射线检测器116被布置在第二可旋转台架114的一端上。X射线检测器116不仅可以在从诊断性X射线源104接收X射线时用作诊断性图像设备，而且可以在从治疗性放射源102接收X射线时用作门户图像设备。
X射线检测器116由多个检测器元件构成，多个检测器元件一起感测穿过受试者16的投射的X射线。每一个检测器元件产生表示入射的X射线束的强度并因此表示随着X射线束穿过受试者16的射束的衰减的电信号。第二可旋转台架114进一步包括可以围绕三个点118、120和122枢转的铰接端。由这些点118、120和122提供的枢转运动允许X射线检测器116在二维平面内移动。
可旋转台架106和可旋转台架114的旋转以及放射源102和放射源104的操作由系统100的控制机构140管控。控制机构140包括源控制器142和台架电动机控制器144，源控制器142向放射源102和放射源104提供功率和定时信号，台架电动机控制器144控制台架106和台架114的旋转速度与位置。控制机构140中的数据采集系统(“DAS”)146从检测器元件对模拟数据采样，并将数据转换成数字信号以便随后处理。图像重建器148从DAS146接收经采样和经数字化的X射线数据并且执行高速图像重建。可以提供(多个)重建的图像作为可以在数据存储装置152中存储(多个)图像和其他信息的计算机150的输入。举例来说，数据存储装置152可以是本地数据存储地点(诸如硬盘驱动器)，或者是远程数据位置(诸如数据存储服务器、数据库、PACS(图片存档及通信系统)等)。计算机150还可以从数据存储装置152检索数据和信息。
计算机150还经由具有各种输入元件(诸如键盘、鼠标、触摸屏等)的操作者控制台154，接收操作者的命令和扫描参数。操作者控制台154还包括允许操作者观察重建的图像、治疗状态和来自计算机150的其他数据的显示器。操作者提供的命令和参数被计算机150使用以向DAS 146、源控制器142和台架电动机控制器144提供控制信号和信息。此外，计算机150操作台电动机控制器158，台电动机控制器158控制机动患者台18以将受试者16定位在台架106和台架114内。
如图所示，计算机150还可以与至少一个联网工作站156通信，联网工作站156可以是治疗计划站。在该情况下，计算机150可以接收并协调使用联网工作站156生成的放射疗法计划的执行。不管是在与操作者控制台154相同的设备内或不同的设备内，联网的工作站156还可以使用各种通信系统，经由计算机150获得直接对数据存储装置152、图像重建器148二者中任一个的远程访问。以这种方式，可以在数据存储装置152、计算机150、图像重建器148以及联网工作站156之间交换X射线数据、重建的图像或其他信息或数据，使得数据或图像可以由联网工作站156远程地处理。此数据可以以任何合适的格式来被交换，诸如根据传输控制协议(“TCP”)、因特网协议(“IP”)或其他已知的或合适的协议。
现在参考图2，示出了根据本公开各方面的阐述用于生成放射疗法计划的过程200的步骤的流程图。可以使用任何合适的设备、装置或系统(诸如治疗计划站)来执行过程200。在一些实施方式中，可以使用参考图1和图4所描述的系统或与图1和图4所描述的系统相结合来执行过程200。特别地，可以使用至少一个处理器来执行过程200的步骤，该至少一个处理器被配置为执行存储在非暂时性计算机可读介质中的程序或指令。处理器可以是通用处理器。替代地，处理器可以是其中具有硬连线的非暂时性编程或可执行指令的专用的或特定用途的处理器。
过程200可以开始于过程框202，在过程框202中接收从患者获取的成像信息。接收的成像信息可以是各种格式的，并且可以在各种图像研究或模拟期间获取。例如，成像信息可以包括计算机断层扫描(“CT”)图像、磁共振(“MR”)图像、正电子发射断层扫描(“PET”)图像等。在一些方面，还可以在过程框202处提供患者信息，诸如患者特征(例如，性别、年龄、身材和尺寸)、患者医疗状况(例如，表现状态)和病史(例如，先前的化疗、放射和其他治疗史)、禁忌症，患者移植物信息、目标和非目标结构的几何信息(例如，形状、尺寸和绝对/相对位置)等。
然后，在过程框204处，可以使用接收的成像和其他信息产生满足临床目标的初步的放射疗法计划。示例临床目标包括实现针对目标和非目标结构的各种处方剂量，最小化治疗时间等。为了产生初步的放射疗法计划，可以利用本领域已知的各种计划工具和优化技术。
在过程框206处，可以随后生成用于修改初步的放射疗法计划的指示。可以基于预定的或经选择的临床医生概况和患者信息获得该指示，并且可以建议以及应用针对初步的放射疗法计划的特定修改。如本文所述，可以使用学习机器生成临床医生概况，该学习机器训练过以反应放射剂量师、肿瘤医生或其他临床医生的配置和偏好。例如，根据预定的临床医生概况生成的指示可以建议用于某些等剂量线的位置修改或可能被临床医生接受的光束构型中的变化。
然后，在过程框208处，使用该指示可以产生适于预定的临床医生概况的更新的放射疗法计划。用户响应于该指示，手动产生更新的计划。例如，用户或临床医生可以选择接受或拒绝所提供的建议。替代地，可以自动实施建议以产生更新的计划。在该情况下，用户或临床医生也可以选择调整自动实施的建议。在一些方面，初步的放射疗法计划和更新的放射疗法计划之间的偏差或差异可以在过程框208处确定。此类偏差与患者和用户信息一起可以被用于更新训练过的学习机器。
在一些方面，在过程框208处还可以生成报告。该报告可以以任何形式并提供任何信息。例如，该报告可以指示更新的计划或指示相对于初步的计划的差异。在一些实施方式中，该报告可以针对放射治疗系统。
现在参考图3，示出了阐述根据本公开各方面的过程300的步骤的流程图。如上所述，可以使用任何合适的设备、装置或系统，包括使用图1和图4所描述的系统或与图1和图4所描述的系统相结合来执行过程300的步骤。特别地，可以使用至少一个处理器来执行过程300的步骤，该至少一个处理器被配置为执行存储在非暂时性计算机可读介质中的程序或指令。处理器可以是通用处理器。替代地，处理器可以是其中具有硬连线的非暂时性编程或可执行指令的专用的或特殊用途的处理器。在一个示例中，过程300的步骤可以由治疗计划系统或工作站的机器学习引擎来执行。
过程300可以开始于过程框302，在过程框302中接收患者的初步的放射疗法计划。在一些方面，可以从存储器或其他数据存储地点访问或检索初步的计划。替代地，可以由临床医生或用户手动、自动或半自动地生成计划。
然后，基于各种临床目标，在过程框304处可以使用或基于初步的计划生成修改的放射疗法计划。为此，例如，治疗计划系统可以被配置为允许用户或临床医生与软件之间的直接交互，从而允许此类计划修改。在一些实施方式中，设想的功能可以允许用户拖动或修改各种等剂量线的位置，以便减少患者体内某些位置上的热点或冷点。图5示出了此类功能的一个非限制性示例。具体地，示出了第一区域500(例如，肿瘤组织)、第二区域502(例如，非肿瘤组织)以及与第一区域500相对应的一组等剂量线504。用户或临床医生可以将这些区域标识为对计划质量特别重要。如图所示，用户可以修改等剂量线504的位置以生成修改的等剂量线504'。根据修改的等剂量线504'的位置，这些不同区域所接收的放射剂量可以增加或减少。在一些实施方式中，该计划可以随后被立即重新优化，从而根据正在做出的修改给用户实时信息。然而，计划变化不需要仅限于如图5中示出的2D等剂量线的位置的修改。例如，还可以利用一组3D工具，从而允许用户与一个或多个3D等剂量表面交互以提高效率。在其他功能中，用户也可以修改光束构型以及其他计划参数。
再次参考图3，在过程框306处，可以确定初步的放射疗法计划和修改的放射疗法计划之间的偏差。例如，可以识别和记录特定等剂量线的位置之间的差异。此类偏差和其他计划修改，与患者信息和用户/临床医生信息一起，可以随后被用于机器学习过程中以生成训练过的学习机器，如过程框308所指示的。可以使用卷积神经网络算法、支持向量机算法或贝叶斯优化以及其他技术来执行训练。在一些实施方式中，可以训练学习机器以最小化预定的或选定的结构的所建议的剂量(例如，与初步的计划相关联)和所接受的剂量(例如，与修改的计划相关联)之间的差异。如过程框310所指示的，可以可选地生成与训练过的学习机器相对应的临床医生/用户概况。在一些方面，训练过的学习机器可以被具体地配置为反映特定疾病或健康状况。为此，还可以生成一个或多个疾病概况。然后，由此类临床医生/用户捕获的学习过的计划知识和疾病概况可以在不同的机构之间共享，并且可以基于临床实践对其进行更新。
如图所示，过程框302-308可以重复多次。以这种方式，可以更新和重新训练学习机器。另外，学习机器的训练过程可以利用来自多于一个患者的信息。在一些方面，可以在与疗法计划相关联的正常临床工作流程期间完全自动地执行此类训练。可以设置一个标准来确定知识库对于临床部署是否“成熟”。然后，训练过的学习机器可以可以被用于引导单个或多个机构和临床医生的各种患者群体的计划。为此，患者和用户，或临床医生信息，可以在各种部门和机构之间共享。如上所述，训练过的学习机器可以被用于提供用于生成放射疗法计划的指示。
现在参考图4，示出了根据本公开各方面的系统400。在一些应用中，系统400可以是治疗计划系统。一般来说，系统400包括输入402、机器学习引擎404、输出406、存储器408，以及可选的单独的处理器410。系统还包括通信网络412，通信网络412被配置为促进系统400的各种元件之间的数据、信号和其他信息传输。
输入402被配置为接收来自用户的输入和反馈，并且可以包括各种元件，诸如鼠标、键盘、按钮、开关、拨动开关、旋钮、触摸屏或其他触摸响应元件，以及端口、连接器，和用于闪存的插座、USB记忆棒、电缆等的。
机器学习引擎404可以包括用于执行根据本公开的方法的各种组件硬件。例如，机器学习引擎404可以包括具有一个或多个核的中央处理单元(“CPU”)，以及可选的图形处理单元(“GPU”)。在一些实施方式中，对机器学习引擎404进行编程以接收或访问初步的放射疗法计划，并使用由用户经由输入402所提供的反馈生成更新的放射疗法计划。然后，机器学习引擎404可以确定初步的放射疗法计划和更新的放射疗法计划之间的偏差，并将该偏差应用到机器学习过程中以生成训练过的学习机器。如上所述，在机器学习过程中，机器学习引擎404可以应用卷积神经网络算法、支持向量机算法或贝叶斯优化算法，以及利用患者信息。
在一些实施方式中，机器学习引擎404可以生成与(多个)训练过的学习机器相对应的各种临床医生/用户概况，并根据此类概况经由输出406，提供报告。如上所述，临床医生/用户和疾病概况可以被应用到各种治疗计划过程中，从而提供用于准备或更新放射疗法计划的指示。另外，共享学习到的计划知识的能力非常有优势。为此，由训练过的学习机器捕获的指示可以被远程访问，并基于临床实践或经验进行更新。
输出406可以被配置为由各种输出元件(包括屏幕、显示器、LED、LCD、扬声器等)提供报告。
存储器408可以包括各种存储器元件，存储器408中可以存储多个类型的数据(例如，内部数据、外部数据指令、软件代码、状态数据、诊断性数据等)。作为示例，存储器112可以包括随机访问存储器(“RAM”)、动态随机访问存储器(“DRAM”)、电可擦除可编程只读存储器(“EEPROM”)、闪存等。在一些实施方式中，存储器408还可以包括非暂时性计算机可读介质414，非暂时性计算机可读介质414可以包括根据本公开的用于操作系统400并执行方法的步骤的指令。存储器408可以存储各种信息，包括患者信息、用户或临床医生概况和信息、治疗计划信息等。
通信网络412可以包括各种通信能力和电路，包括用于电子/射频(“RF”)、光学和其他通信方法的各种布线、组件和硬件。举例来说，通信网络412可以包括并行总线、串行总线，以及它们的组合。示例串行总线可以包括串行外围设备接口(SPI)、I2C、DC-BUS、UNI/O、1-Wire和其他。示例并行总线可以包括ISA、ATA、SCSI、PIC、IEEE和其他。
本发明已经在一个或多个优选实施例方面进行了描述，并且应当理解除那些清楚说明以外的许多等同、替换、变型、以及修改是可能的且在本发明的范围内。

Claims (22)

1.一种用于生成放射疗法计划的方法，所述方法包括：
接收从患者获取的成像信息；
基于所述成像信息，使用治疗计划系统，产生初步的放射疗法计划；
根据预定的临床医生概况，生成用于修改所述初步的放射疗法计划的指示，其中所述预定的临床医生概况基于训练过的学习机器；以及
使用所述指示，产生适于所述预定的临床医生概况的更新的放射疗法计划。
2.如权利要求1所述的方法，其特征在于，所述方法进一步包括使用患者信息生成所述指示。
3.如权利要求1所述的方法，其特征在于，所述方法进一步包括确定所述初步的放射疗法计划与所述更新的放射疗法计划之间的偏差。
4.如权利要求3所述的方法，其特征在于，所述方法进一步包括使用所述偏差，更新与所述预定的临床医生概况相对应的所述训练过的学习机器。
5.如权利要求4所述的方法，其特征在于，所述方法进一步包括使用患者信息和用户信息中的至少一个，更新所述训练过的学习机器。
6.一种用于生成用于放射治疗计划中的训练过的学习机器的方法，所述方法包括：
接收用于使用放射治疗患者的初步的放射疗法计划；
基于临床目的，使用所述初步的放射疗法计划，生成修改的放射疗法计划；
确定所述初步的放射疗法计划和所述修改的放射疗法计划之间的偏差；以及
在机器学习过程中利用所述偏差以生成训练过的学习机器。
7.如权利要求6所述的方法，其特征在于，所述方法进一步包括利用患者信息以生成所述训练过的学习机器。
8.如权利要求7所述的方法，其特征在于，所述患者信息包括患者特征、病史、身材、尺寸以及目标结构和非目标结构的定位，或它们的组合。
9.如权利要求7所述的方法，其特征在于，所述方法进一步包括利用来自多个患者的患者信息以生成所述训练过的学习机器。
10.如权利要求6所述的方法，其特征在于，所述方法进一步包括修改至少一个等剂量线或至少一个等剂量表面以生成所述修改的放射疗法计划。
11.如权利要求6所述的方法，其特征在于，所述方法进一步包括应用卷积神经网络算法、支持向量机算法或贝叶斯优化算法以生成所述训练过的学习机器。
12.如权利要求6所述的方法，其特征在于，所述方法进一步包括训练所述训练过的学习机器以最小化至少一个选定的结构的所建议的剂量和所接受的剂量之间的差异。
13.如权利要求6所述的方法，其特征在于，所述方法进一步包括生成与所述训练过的学习机器相对应的临床医生概况和疾病中的至少一个。
14.如权利要求13所述的方法，其特征在于，所述方法进一步包括根据所述临床医生概况提供指示以生成放射疗法计划。
15.如权利要求6所述的方法，其特征在于，所述方法进一步包括提供对所述训练过的学习机器的远程访问。
16.如权利要求15所述的方法，其特征在于，所述方法进一步包括基于临床实践更新所述训练过的学习机器。
17.一种用于放射疗法的系统，所述系统包括：
输入，被配置成从用户接收反馈；
机器学习引擎，被配置为：
接收初步的放射疗法计划；
基于所述初步的放射疗法计划，使用来自所述用户的反馈，生成更新的放射疗法计划；
确定所述初步的放射疗法计划和所述更新的放射疗法计划之间的偏差；
将所述偏差应用到机器学习过程中以生成训练过的学习机器；并且
生成与所述训练过的学习机器相对应的用户概况；以及
输出，用于根据所述用户概况提供报告。
18.如权利要求17所述的系统，其特征在于，所述机器学习引擎进一步被配置为将所述用户概况应用到治疗计划过程中，从而生成使用放射治疗患者的计划。
19.如权利要求17所述的系统，其特征在于，所述机器学习引擎进一步被配置为利用患者信息以生成所述训练过的学习机器。
20.如权利要求17所述的系统，其特征在于，所述机器学习引擎进一步被配置为应用卷积神经网络算法、支持向量机算法或贝叶斯优化算法以生成训练过的学习机器。
21.如权利要求17所述的系统，其特征在于，所述机器学习引擎进一步被配置为生成与所述训练过的学习机器相对应的临床医生概况。
22.如权利要求17所述的系统，其特征在于，所述系统进一步被配置为根据所述用户概况，提供用于准备放射疗法计划的指示。
CN201880037219.5A 2017-04-05 2018-04-05 用户自适应放射疗法计划的方法和使用该方法的系统 Active CN110709132B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762481935P 2017-04-05 2017-04-05
US62/481,935 2017-04-05
PCT/US2018/026297 WO2018187598A1 (en) 2017-04-05 2018-04-05 Methods for user adaptive radiation therapy planning and systems using the same

Publications (2)

Publication Number Publication Date
CN110709132A true CN110709132A (zh) 2020-01-17
CN110709132B CN110709132B (zh) 2022-08-05

Family

ID=63712814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880037219.5A Active CN110709132B (zh) 2017-04-05 2018-04-05 用户自适应放射疗法计划的方法和使用该方法的系统

Country Status (4)

Country Link
US (1) US11376447B2 (zh)
EP (1) EP3606610A4 (zh)
CN (1) CN110709132B (zh)
WO (1) WO2018187598A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11376447B2 (en) 2017-04-05 2022-07-05 The Regents Of The University Of California Methods for user adaptive radiation therapy planning and systems using the same
US11358003B2 (en) * 2019-03-13 2022-06-14 Elekta Ab Generation of realizable radiotherapy plans
WO2020195141A1 (ja) * 2019-03-27 2020-10-01 日立オートモティブシステムズ株式会社 電力変換装置および電力変換装置の製造方法
US11410766B2 (en) * 2019-06-06 2022-08-09 Varian Medical Systems International Ag Methods and systems for radiotherapy treatment planning based on continuous deep learning
US11724126B2 (en) * 2019-06-21 2023-08-15 Varian Medical Systems, Inc. Methods and systems for quality-aware continuous learning for radiotherapy treatment planning

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070104316A1 (en) * 2005-07-22 2007-05-10 Ruchala Kenneth J System and method of recommending a location for radiation therapy treatment
US20080002811A1 (en) * 2006-06-29 2008-01-03 Allison John W Treatment delivery optimization
CN101268467A (zh) * 2005-07-22 2008-09-17 断层放疗公司 用于评估治疗计划的实施中的质量保证标准的方法和系统
US20110130614A1 (en) * 2008-08-14 2011-06-02 Koninklijke Philips Electronics N.V. Prospective adaptive radiation therapy planning
CN104117151A (zh) * 2014-08-12 2014-10-29 章桦 一种在线自适应放疗计划优化方法
CN105358217A (zh) * 2013-06-18 2016-02-24 杜克大学 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法
US20160140300A1 (en) * 2013-06-12 2016-05-19 University Health Network Method and system for automated quality assurance and automated treatment planning in radiation therapy
WO2016081916A1 (en) * 2014-11-21 2016-05-26 The Regents Of The University Of California Three-dimensional radiotherapy dose distribution prediction
CN106029170A (zh) * 2013-12-20 2016-10-12 光线搜索实验室公司 增量治疗计划编制
CN106456993A (zh) * 2014-06-16 2017-02-22 住友重机械工业株式会社 放射线治疗模拟装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9907979B2 (en) 2008-09-09 2018-03-06 Varian Medical Systems International Ag Apparatus and method to facilitate adapting a radiation treatment plan
WO2011153639A2 (en) 2010-06-07 2011-12-15 The University Of Manitoba Multi-objective radiation therapy optimization method
US8976929B2 (en) * 2010-07-16 2015-03-10 Duke University Automatic generation of patient-specific radiation therapy planning parameters
US8774358B2 (en) 2011-09-28 2014-07-08 Varian Medical Systems, Inc. Radiation therapy treatment plan improvement through use of knowledge base
US11376447B2 (en) 2017-04-05 2022-07-05 The Regents Of The University Of California Methods for user adaptive radiation therapy planning and systems using the same

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070104316A1 (en) * 2005-07-22 2007-05-10 Ruchala Kenneth J System and method of recommending a location for radiation therapy treatment
CN101268467A (zh) * 2005-07-22 2008-09-17 断层放疗公司 用于评估治疗计划的实施中的质量保证标准的方法和系统
US20080002811A1 (en) * 2006-06-29 2008-01-03 Allison John W Treatment delivery optimization
US20110130614A1 (en) * 2008-08-14 2011-06-02 Koninklijke Philips Electronics N.V. Prospective adaptive radiation therapy planning
US20160140300A1 (en) * 2013-06-12 2016-05-19 University Health Network Method and system for automated quality assurance and automated treatment planning in radiation therapy
CN105358217A (zh) * 2013-06-18 2016-02-24 杜克大学 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法
CN106029170A (zh) * 2013-12-20 2016-10-12 光线搜索实验室公司 增量治疗计划编制
CN106456993A (zh) * 2014-06-16 2017-02-22 住友重机械工业株式会社 放射线治疗模拟装置
CN104117151A (zh) * 2014-08-12 2014-10-29 章桦 一种在线自适应放疗计划优化方法
WO2016081916A1 (en) * 2014-11-21 2016-05-26 The Regents Of The University Of California Three-dimensional radiotherapy dose distribution prediction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SATOMI SHIRAISHI AND KEVIN L. MOOREA: "Knowledge-based prediction of three-dimensional dose distributions", 《MEDICAL PHYSICS》 *

Also Published As

Publication number Publication date
CN110709132B (zh) 2022-08-05
EP3606610A1 (en) 2020-02-12
US20210093891A1 (en) 2021-04-01
EP3606610A4 (en) 2020-11-25
US11376447B2 (en) 2022-07-05
WO2018187598A1 (en) 2018-10-11

Similar Documents

Publication Publication Date Title
CN110709132B (zh) 用户自适应放射疗法计划的方法和使用该方法的系统
US20210046327A1 (en) Real-time patient motion monitoring using a magnetic resonance linear accelerator (mrlinac)
JP6887030B2 (ja) ディープ畳み込みニューラルネットワークを使用してコーンビームコンピュータ断層撮影画像を改善する方法
JP6896164B2 (ja) 放射線治療計画最適化ワークフロー
US8121252B2 (en) Use of planning atlas in radiation therapy
US11842497B2 (en) Automatic contour adaptation using neural networks
AU2020274863B2 (en) Dose guided real-time adaptive radiotherapy
US12064648B2 (en) Cardiac ablation using an MR linac
US20200360728A1 (en) Machine learning based dose guided real-time adaptive radiotherapy
EP4101502A1 (en) Feature-space clustering for physiological cycle classification
US11989851B2 (en) Deformable image registration using deep learning
WO2023279188A1 (en) Quality factor using reconstructed images
US20220176161A1 (en) Geometry-based real-time adaptive radiotherapy
US20240242813A1 (en) Image quality relative to machine learning data
US20230402151A1 (en) Parallel processing for multi-pass optimization of radiotherapy plans
WO2023151817A1 (en) Exploration of pareto-optimal radiotherapy plans
WO2023151816A1 (en) Parallel generation of pareto optimal radiotherapy plans
WO2023072364A1 (en) Continuum radiotherapy treatment planning

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