CN110944717A - 使用深度卷积网络的放射疗法计划 - Google Patents
使用深度卷积网络的放射疗法计划 Download PDFInfo
- Publication number
- CN110944717A CN110944717A CN201880049758.0A CN201880049758A CN110944717A CN 110944717 A CN110944717 A CN 110944717A CN 201880049758 A CN201880049758 A CN 201880049758A CN 110944717 A CN110944717 A CN 110944717A
- Authority
- CN
- China
- Prior art keywords
- patient
- radiation therapy
- treatment plan
- image
- neural network
- 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
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
- A61N5/1031—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
- 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
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- 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
- A61N5/1045—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head using a multi-leaf collimator, e.g. for intensity modulated radiation therapy or IMRT
-
- 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
- A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
- A61N5/1065—Beam adjustment
- A61N5/1067—Beam adjustment in real time, i.e. during treatment
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
可以训练深度卷积神经网络以提供患者放射治疗计划。训练可以包括:基于来自患者的患者解剖结构的至少一个图像来收集患者数据;从所收集的患者数据确定包括一组控制点的治疗计划;以及使用所确定的治疗计划和相应的收集的患者数据训练深层卷积神经网络以进行回归,以从所收集的患者数据中确定包括一组控制点的治疗计划。经训练的模型可以用于例如实时地提供放射治疗计划。
Description
优先权要求
本申请要求于2017年7月26日提交的美国申请序列号15,658,484的优先权的权益,其全部内容通过引用并入本文中。
技术领域
本发明的实施方式一般地涉及确定放射疗法治疗系统中的机器参数。特别地,本发明涉及使用深度学习技术来确定放射疗法系统中的用于治疗计划的机器参数。
背景技术
放射疗法或“放射治疗”可以用于治疗哺乳动物(例如,人和动物)组织中的癌症或其他疾病。一种这样的放射治疗技术是伽马刀,通过伽马刀,患者受到大量低强度伽马射线的辐照,其中伽马射线以高强度和高精度会聚在靶(例如,肿瘤)处。在另一实施方式中,使用线性加速器提供放射治疗,由此肿瘤受到高能粒子(例如,电子、质子、离子、高能光子等)的辐照。放射束的定位和剂量必须被精确地控制,以确保肿瘤接收处方的辐射,并且束的定位应当为使得对周围健康组织——通常被称为危及器官(OAR)——的损伤最小化。辐射被称为“处方的”,原因是医师给肿瘤和周围器官开了类似于药物处方的预定量的辐射。通常,准直束形式的电离辐射从外部辐射源朝向患者定向。
可以使用指定的或可选择的束能量例如用于实施诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器(例如多叶准直器)提供。可以通过准直来调节放射束的强度和形状,以通过使投射的束与靶向组织的轮廓共形来避免损伤与靶向组织相邻的健康组织(例如,危及器官)。
治疗计划过程可以包括使用患者的三维图像来识别靶区(例如,肿瘤)以及识别肿瘤附近的关键器官。治疗计划的创建可能是耗时的过程,在此过程中,计划者试图在将各种治疗目标或约束的各自的重要性(例如,权重)考虑在内的情况下遵从各种治疗目标或约束(例如,剂量体积直方图(DVH)、重叠体积直方图(OVH)),以产生临床上可接受的治疗计划。该任务可能是耗时的试错过程,该过程由各种危及器官(OAR)而复杂化,,原因是,随着OAR的数目的增加(例如,对于头颈部治疗高达13个OAR),该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受辐射,而接近靶肿瘤或者与靶肿瘤重叠的OAR可能难以幸免。
传统上,对于每个患者,可以以“离线”方式生成初始治疗计划。例如使用一种或更多种医学成像技术,可以在实施放射疗法之前很好地开发治疗计划。成像信息可以包括例如来自X射线、计算机断层扫描(CT)、核磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或超声的图像。医疗服务人员如医师可以使用指示患者解剖结构的三维成像信息来识别一个或更多个靶肿瘤以及肿瘤附近的危及器官。医疗服务人员可以使用手动技术来描绘要接收处方放射剂量的靶肿瘤,并且医疗服务人员可以类似地描绘存在受放射治疗损伤的风险的附近组织如器官。替选地或另外地,可以使用自动化工具(例如,由瑞典Elekta AB提供的ABAS)来辅助识别或描绘靶肿瘤和危及器官。然后可以基于临床和剂量测定的目标和约束(例如,对肿瘤体积的部分的最大、最小和部分放射剂量(“靶的95%应接受不少于100%的处方剂量”),以及针对关键器官的类似措施)使用优化技术来创建放射疗法治疗计划。
治疗计划过程可以包括使用患者的三维图像来识别靶区(例如,肿瘤)以及识别肿瘤附近的关键器官。创建治疗计划会是耗时的过程,其中,计划者试图在考虑到各项治疗目标或约束的各自重要性(例如,权重)的情况下遵从各项治疗目标或约束(例如,剂量体积直方图(DVH)目标),以便产生临床上可接受的治疗计划。该任务可能是耗时的试错过程,该过程由各种危及器官(OAR)而复杂化,原因是,随着OAR的数目的增加(例如,对于头颈部治疗最高达13个OAR),该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受辐射,而接近靶肿瘤或者与靶肿瘤重叠的OAR可能难以幸免。然后,可以通过将患者在治疗机器中定位并且实施处方的放射疗法来执行治疗计划。放射疗法治疗计划可以包括剂量“分级”,从而在预定时间段内提供一系列放射疗法实施(例如,45个部分),其中每个疗法实施包括总处方剂量的指定部分。然而,在治疗期间,相对于治疗机器(例如,线性加速器——“linac”)的患者的位置以及靶肿瘤的位置非常重要,以确保靶肿瘤而非健康组织被辐照。
发明内容
强度调制放射治疗(IMRT)和体积调制电弧治疗(VMAT)已经成为现代癌症放射疗法中的护理标准。确定个体患者的IMRT或VMAT治疗计划可以包括试错过程,并且可以包括对靶剂量与危及器官(OAR)的取舍折衷进行权衡,以及对如下程序约束进行调节,该上述程序约束中,程序约束对计划质量指标和剂量分布的作用可能很难预测。可以调节计划约束的顺序可能会导致剂量差异。治疗计划的质量可以取决于剂量师的主观判断,而主观判断可以取决于剂量师的经验或技能水平。即使是最熟练的剂量师,也无法保证他们的计划接近最佳状态,或者不管是一点点的努力还是大量的努力将得到更好的计划。在某些方法中,可以使用计算密集算法来确定治疗计划,然而这样的方法可能需要数小时才能计算出治疗计划。计算方法可以包括比较新患者的一维靶-器官重叠测量(DVH,OVH)与以往患者的高质量计划相关联的重叠测量以找到与新患者的计划相似的计划,并且探索计划质量空间以确定剂量计划师然后可以选择用于放射疗法治疗的最佳计划系列,甚至确定帕累托最优计划系列。本发明的发明人已经尤其认识到如下治疗计划系统的需要,该治疗计划系统可以实时确定高质量治疗计划(例如,在患者工作流程期间提供治疗计划或更新的治疗计划),例如以改进患者工作流程(例如,减少患者等待接受放射治疗的时间)并提供快速放射治疗疗法的重新计划(例如,可以基于患者的变化重新计算或更新治疗计划)。高质量的治疗计划可以是满足治疗计划处方的治疗计划,例如,以开处方医师预期的程度辐照靶,以及使OAR尽可能多地被避免或以治疗计划约束中指定的程度避免。治疗计划可以包括强度调制的放射疗法治疗计划或体积调制的电弧疗法治疗计划。这些约束通常被描述为剂量体积直方图(DVH),其显示靶体积或靶OAR体积的每体积部分的累积剂量,以及如上所述的部分剂量与部分靶/OAR体积。本发明人还认识到,可以训练神经网络例如深度卷积神经网络以基于成像信息来确定用于放射疗法治疗计划的机器参数。神经网络可以学习用于常规诊断的治疗计划的特性,并且可以预测可能的治疗机器参数设置,例如以实施预期的剂量分布。机器参数可以包括机架角度、可以通过其将治疗性X射线束投射到靶的束孔径(例如,束截面形状)以及孔径强度。神经网络可以基于患者的图像以及靶和OAR描绘来估计驱动治疗机器的机器参数。神经网络可以包括在患者的解剖结构与治疗约束之间具有联系的模型以及可以实施预期的3D剂量分布的治疗机器参数设置。经训练的神经网络可以提供治疗计划过程的模型,该模型可以包括在计划创建过程中做出的许多主观决定,并且可以实现计划模板的产生以启动计划创建,提供计划质量的评估,为深度缺乏本地IMRT/VMAT专业知识的治疗诊所提供帮助,并且也许将来会提供全自动的治疗计划。
在一个方面,本公开内容的特征可以在于一种用于训练深度卷积神经网络例如以提供患者放射治疗计划的方法。该方法可以包括:从一组患者中收集患者数据。患者数据可以包括患者解剖结构的至少一个图像和先前的治疗计划。治疗计划可以包括预定的机器参数。该方法还可以包括通过使用先前的治疗计划和相应的收集的患者数据训练深度卷积神经网络以进行回归,例如来确定新治疗计划。新治疗计划可以包括预测的机器参数。该方法还可以包括通过调节深度卷积神经网络的一个或更多个参数例如以最小化成本函数来训练深度卷积神经网络,该成本函数包括预定的机器参数集与预测的机器参数集之间的差。预定的机器参数可以包括机架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。预测的机器参数可以包括机架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。该方法还可以包括从一组患者中的每个患者收集包括至少一个有符号距离图的患者数据。患者解剖结构的至少一个图像可以包括来自患者的计划CT图像、解剖结构标签图、确定目标距离例如有符号距离图中的至少一个。
在一个方面,本公开内容的特征可以在于一种使用深度卷积神经网络来例如提供放射治疗计划的方法。该方法可以包括取得先前对来自一组患者的患者数据训练的经训练的深度卷积神经网络。该方法还可以包括收集新的患者数据。新的患者数据可以包括患者解剖结构的至少一个图像。该方法还可以包括通过使用经训练的深度卷积神经网络进行回归,确定新的患者的新治疗计划。新治疗计划可以包括新的机器参数集。经训练的深度卷积神经网络可以提供包括机器参数集的新治疗计划。机器参数集可以包括机架角度、多叶准直器叶片位置或放射治疗束强度中的至少一个。新治疗计划可以实时创建。新治疗计划可以在放射疗法治疗期间实时创建。可以在放射疗法治疗期间实时创建的治疗计划可以包括在线自适应计划。
在一个方面,本公开内容的特征可以在于一种放射疗法治疗系统。该系统可以包括图像采集装置,例如收集包括患者解剖结构的至少一个图像的患者数据。该系统还可以包括放射疗法装置,例如对患者实施放射疗法。该系统还可以包括非暂态机器可读介质,例如存储经训练的深度卷积神经网络和放射疗法治疗计划。该方法还可以包括处理器,例如该处理器通过使用经训练的深度卷积神经网络进行回归,基于所收集的患者数据来生成新治疗计划。该新治疗计划可以包括机器参数集。该系统还可以包括放射疗法控制电路,该放射疗法控制电路可以被配置成指示放射疗法装置根据具有新的机器参数集的新的放射治疗计划对患者实施放射疗法。经训练的深度卷积神经网络可以被配置成预先根据来自一组患者的患者数据进行训练。新的机器参数集可以包括预测的机器参数。新的机器参数集可以包括机架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。可以通过调节深度卷积神经网络的一个或更多个参数例如以最小化成本函数来训练深度卷积神经网络,成本函数可以包括预定的机器参数集与预测的机器参数集之间的差。患者数据可以包括来自一组患者中的每个患者的至少一个有符号距离图。患者解剖结构的至少一个图像可以包括来自患者的计划CT图像、解剖结构标签图、确定目标距离例如有符号距离图中的至少一个。新治疗计划可以实时创建。新治疗计划可以在放射疗法治疗期间实时创建。
在一个方面,本公开内容的特征可以在于一种非暂态机器可读介质,该非暂态机器可读介质包括在由图像处理器执行时使图像处理器从一组患者接收患者数据的指令。患者数据可以包括患者解剖结构的至少一个图像和先前治疗计划。治疗计划可以包括预定的机器参数。非暂态机器可读介质还可以包括如下指令,该指令在由图像处理器执行时使图像处理器通过使用先前的治疗计划和相应的收集的患者数据训练深度卷积神经网络以进行回归。可以调节深度卷积神经网络的至少一个或更多个参数以最小化成本函数。非暂态机器可读介质还可以包括如下指令,该指令在由图像处理器执行时使图像处理器使用经训练的深度卷积神经网络来确定新治疗计划,该新治疗计划可以包括新的预测的机器参数集。机器参数可以包括机架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。非暂态机器可读介质还可以包括如下指令,该指令在由图像处理器执行时使图像处理器从一组患者中的每个患者接收可以包括至少一个有符号距离图的患者数据。患者解剖结构的至少一个图像可以包括计划CT图像、解剖结构标签图或确定目标距离中的至少一个。新治疗计划可以在放射疗法治疗期间实时创建。
附图说明
在附图中,遍及若干视图,相同的附图标记描述基本上相似的部件,附图不一定按比例绘制。具有不同字母后缀的相同的附图标记表示基本上相似的部件的不同实例。附图通过示例的方式而非通过限制的方式大体上示出了本文件中讨论的各种实施方式。
图1示出了根据本公开内容的一些实施方式的示例性放射治疗系统。
图2A示出了可以包括被配置成提供疗法束的放射治疗输出的示例性放射疗法系统。
图2B示出了包括组合的放射疗法系统和成像系统例如锥形束计算机断层摄影(CBCT)成像系统的示例性系统。
图3示出了包括组合的放射疗法系统和成像系统例如核磁共振(MR)成像系统的示例性系统的局部剖视图。
图4A和图4B分别描绘了示例性MRI图像与对应的CT图像之间的差异。
图5示出了用于对放射疗法束进行成形、引导或对放射疗法束的强度进行调制的示例性准直器配置。
图6示出了示例性伽玛刀放射疗法系统。
图7示出了用于深度学习的示例性流程图。
图8示出了深度卷积神经网络的实施方式。
图9A示出了用于训练DCNN的示例性方法。
图9B示出了使用经训练的DCNN来生成伪像减少的、重构的3D图像的示例性方法。
图10示出了机器的示例性框图,在该机器上可以实现如本文所讨论的方法中的一个或更多个。
具体实施方式
在以下详细描述中,参照形成详细描述的一部分的附图,并且通过可以实践本发明的图示特定实施方式的方式示出详细描述。在本文中也被称为“示例”的这些实施方式被足够详细地描述以使得本领域技术人员能够实践本发明,并且应当理解,在不脱离本发明的范围的情况下,可以将实施方式组合或者可以利用其他实施方式并且可以进行结构、逻辑和电气改变。因此,以下详细描述不是限制性的,并且本发明的范围由所附的权利要求及其等同内容限定。
图1示出了用于向患者提供放射疗法的示例性放射治疗系统100。放射治疗系统100包括图像处理装置112。图像处理装置112可以连接至网络120。网络120可以连接至因特网122。网络120可以将图像处理装置112与下述中的一个或更多个相连接:数据库124、医院数据库126、肿瘤学信息系统(OIS)128、放射疗法装置130、图像采集装置132、显示装置134和用户接口136。图像处理装置112可以被配置成生成放射疗法治疗计划142以由放射疗法装置130使用。
图像处理装置112可以包括存储器装置116、处理器114和通信接口118。存储器装置116可以存储计算机可执行指令,例如操作系统143、放射疗法治疗计划142(例如,原始治疗计划、经改编的治疗计划等)、软件程序144(例如,人工智能、深度学习、神经网络、放疗治疗计划软件)以及任何其他计算机可执行指令以由处理器114执行。在一个实施方式中,软件程序144可以通过产生合成图像例如伪CT图像来将一种格式(例如,MRI)的医学图像转换为另一种格式(例如,CT)。例如,软件程序144可以包括图像处理程序以训练用于将一种模态的医学图像146(例如,MRI图像)转换为不同模态的合成图像(例如,伪CT图像)的预测模型;替选地,经训练的预测模型可以将CT图像转换为MRI图像。在另一实施方式中,软件程序144可以将患者图像(例如,CT图像或MR图像)与该患者的剂量分布(也表示为图像)配准,使得相应的图像体素和剂量体素通过网络适当地关联。在又一实施方式中,软件程序144可以替代患者图像的功能,诸如侧重图像信息的特定方面的图像的有符号距离功能或处理版本。这样的功能可能侧重体素纹理的边缘或差异,或对神经网络学习有用的任何其他结构方面。在另一实施方式中,软件程序144可以替代侧重剂量信息的特定方面的剂量分布的功能。这样的功能可能侧重靶周围的陡峭梯度或对神经网络学习有用的任何其他结构方面。存储器装置116可以存储数据,包括医学图像146、患者数据145以及创建和实现放射疗法治疗计划142所需的其他数据。
除了存储软件程序144的存储器116之外,还预期软件程序144可以存储在可移除计算机介质上,该可移除计算机介质例如是硬盘驱动器、计算机磁盘、CD-ROM、DVD、HD、蓝光DVD、USB闪存盘、SD卡、记忆棒或任何其他合适的介质;并且软件程序144在被下载至图像处理装置112的情况下可以由图像处理器114执行。
处理器114可以通信地耦接至存储器装置116,并且处理器114可以被配置成执行其上存储的计算机可执行指令。处理器114可以向存储器116发送医学图像146或从存储器116接收医学图像146。例如,处理器114可以经由通信接口118和网络120从图像采集装置132接收医学图像146以将该医学图像146存储在存储器116中。处理器114还可以经由至网络120的通信接口118发送存储器116中存储的医学图像146以将其存储在数据库124或医院数据库126中。
此外,处理器114可以利用软件程序144(例如,治疗计划软件)以及医学图像146和患者数据145来创建放射疗法治疗计划142。医学图像146可以包括诸如与患者解剖结构区域、器官或感兴趣体积分割数据相关联的成像数据的信息。患者数据145可以包括诸如下述的信息:(1)功能性器官建模数据(例如,串行VS并行器官(serial versus parallelorgans)、适当的剂量响应模型等);(2)放射剂量数据(例如,剂量-体积直方图(DVH)信息);或(3)关于患者和治疗过程的其他临床信息(例如,其他手术、化学治疗、先前的放射治疗等)。
此外,处理器114可以利用软件程序来生成中间数据,诸如,例如要由神经网络模型使用的更新后的参数;或者生成中间2D或3D图像,然后,该中间2D或3D图像可以随后被存储在存储器116中。然后,处理器114可以随后经由至网络120的通信接口118将可执行的放射疗法治疗计划142传送至放射疗法装置130,在放射疗法装置130处,使用放射疗法计划将用于通过放射来治疗患者。此外,处理器114可以执行软件程序144以实现诸如图像转换、图像分割、深度学习、神经网络和人工智能的功能。例如,处理器114可以执行训练医学图像或描绘医学图像轮廓的软件程序144;这样的软件144在被执行时可以训练边界检测器或使用形状字典。
处理器114可以是处理装置,包括:一个或更多个通用处理装置,例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等。更具体地,处理器114可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器或实现指令集的组合的处理器。处理器114还可以由一个或更多个专用处理装置例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等来实现。如本领域技术人员将理解的,在一些实施方式中,处理器114可以是专用处理器而不是通用处理器。处理器114可以包括一个或更多个已知的处理装置,例如来自由IntelTM制造的PentiumTM、CoreTM、XeonTM或系列的微处理器、来自由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列的微处理器、或者由Sun Microsystems制造的各种处理器中的任何处理器。处理器114还可以包括图形处理单元,例如来自由NvidiaTM制造的 系列、由IntelTM制造的GMA、IrisTM系列或者由AMDTM制造的RadeonTM系列的GPU。处理器114还可以包括加速处理单元,例如由IntelTM制造的Xeon PhiTM系列。所公开的实施方式不限于以其他方式被配置成满足识别、分析、维护、生成和/或提供大量数据或操纵这样的数据以执行本文中公开的方法的计算需求的任何类型的处理器。此外,术语“处理器”可以包括多于一个处理器,例如,多核设计或各自具有多核设计的多个处理器。处理器114可以执行存储器116中存储的计算机程序指令序列以执行下文将更详细说明的各种操作、处理、方法。
存储器装置116可以存储医学图像146。在一些实施方式中,医学图像146可以包括一个或更多个MRI图像(例如,2D MRI、3D MRI、2D流式MRI、4D MRI、4D体积MRI、4D影像MRI等)、功能性MRI图像(例如,fMRI、DCE-MRI、扩散MRI)、计算机断层扫描(CT)图像(例如,2DCT、锥形束CT、3D CT、4D CT)、超声图像(例如,2D超声、3D超声、4D超声)、正电子发射断层扫描(PET)图像、X射线图像、荧光透视图像、放射治疗射野图像、单光子发射计算机断层扫描(SPECT)图像、计算机生成的合成图像(例如,伪CT图像)等。此外,医学图像146还可以包括医学图像数据,例如,训练图像以及真实图像(ground truth image)、轮廓图像以及剂量图像。在实施方式中,可以从图像采集装置132接收医学图像146。因此,图像采集装置132可以包括MRI成像装置、CT成像装置、PET成像装置、超声成像装置、荧光透视装置、SPECT成像装置、集成的线性加速器和MRI成像装置、或者用于获得患者的医学图像的其他医学成像装置。可以以图像处理装置112可以用来执行与所公开的实施方式一致的操作的任何类型的数据或任何类型的格式来接收和存储医学图像146。存储器装置116可以是非暂态计算机可读介质,例如只读存储器(ROM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、闪速存储器、随机存取存储器(RAM)、动态随机存取存储器(DRAM)(例如同步DRAM(SDRAM)、电可擦除可编程只读存储器(EEPROM))、静态存储器(例如,闪速存储器、闪存盘、静态随机存取存储器)以及其他类型的随机存取存储器、高速缓冲存储器、寄存器、致密盘只读存储器(CD-ROM)、数字通用盘(DVD)或其他光存储装置、盒带、其他磁性存储装置、或者可以用来存储能够被处理器114或任何其他类型的计算机设备访问的包括图像、数据或计算机可执行指令的信息(例如以任何格式存储)()的任何其他非暂态介质。计算机程序指令可以被处理器114访问、从ROM或任何其他合适的存储器位置中读取并被加载到RAM中以供处理器114执行。例如,存储器116可以存储一个或更多个软件应用。存储器116中存储的软件应用可以包括例如用于公共计算机系统以及用于受软件控制的装置的操作系统143。此外,存储器116可以存储可由处理器114执行的整个软件应用或者软件应用的仅一部分。例如,存储器装置116可以存储一个或更多个放射疗法治疗计划142。
图像处理装置112可以经由通信接口118与网络120进行通信,通信接口118可以通信地耦接至处理器114和存储器116。通信接口118可以提供图像处理装置112与放射治疗系统100部件之间的通信连接(例如,允许与外部装置交换数据)。例如,在一些实施方式中,通信接口118可以具有适当的接口电路以连接至用户接口136,用户接口36可以是硬件键盘、小键盘或触摸屏,用户可以通过上述用户接口将信息输入至放射治疗系统100中。
通信接口118例如可以包括网络适配器、线缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器(例如,光纤、USB 3.0、雷电(thunderbolt)等)、无线网络适配器(例如,WiFi适配器)、电信适配器(例如,3G、4G/LTE等)等。通信接口118可以包括一个或更多个数字和/或模拟通信装置,其允许图像处理装置112经由网络120与其他机器和装置(例如远程定位的部件)进行通信。
网络120可以提供局域网(LAN)、无线网络、云计算环境(例如,软件即服务、平台即服务、基础设施即服务等)、客户端-服务器、广域网(WAN)等的功能。例如,网络120可以是LAN或WAN,其可以包括其他系统S1(138)、S2(140)和S3(141)。系统S1、S2和S3可以与图像处理装置112相同,或者可以是不同的系统。在一些实施方式中,网络120中的系统中的一个或更多个系统可以形成协作地执行本文描述的实施方式的分布式计算/模拟环境。在一些实施方式中,一个或更多个系统S1、S2和S3可以包括获得CT图像(例如,医学图像146)的CT扫描仪。此外,网络120可以连接至互联网122以与远程驻留在互联网上的服务器和客户端进行通信。
因此,网络120可以允许图像处理装置112与多个各种其他系统和装置例如OIS128、放射疗法装置130和图像采集装置132之间的数据传输。此外,由OIS 128和/或图像采集装置132生成的数据可以存储在存储器116、数据库124和/或医院数据库126中。根据需要,可以通过通信接口118经由网络120发送/接收数据以便由处理器114访问。
图像处理装置112可以通过网络120与数据库124进行通信以发送/接收数据库124上存储的多种类型的数据。例如,数据库124可以包括作为与放射疗法装置130、图像采集装置132或与放射治疗有关的其他机器相关联的信息的机器数据。机器数据信息可以包括放射束尺寸、弧放置、束开关持续时间、机器参数、段、多叶准直器(MLC)配置、机架速度、MRI脉冲序列等。数据库124可以是存储装置并且可以配备有适当的数据库管理软件程序。本领域技术人员将理解,数据库124可以包括以中央式或分布式方式定位的多个装置。
在一些实施方式中,数据库124可以包括处理器可读存储介质(未示出)。虽然实施方式中的处理器可读存储介质可以是单个介质,但是术语“处理器可读存储介质”应被视为包括存储一组或更多组计算机可执行指令或数据的单个介质或多个介质(例如,集中式或分布式数据库,和/或相关联的高速缓存和服务器)。术语“处理器可读存储介质”还应被视为包括能够对供处理器执行的指令集进行存储和编码并且使处理器执行本公开内容中的任何一种或更多种方法的任何介质。因此,术语“处理器可读存储介质”应被视为包括但不限于固态存储器、光学介质和磁介质。例如,处理器可读存储介质可以是一个或更多个易失性、非暂态或者非易失性有形计算机可读介质。
图像处理器114可以与数据库124通信以将图像读取到存储器116中或者将来自存储器116的图像存储到数据库124。例如,数据库124可以被配置成存储数据库124从图像采集装置132接收的多个图像(例如,3D MRI、4D MRI、2D MRI切片图像、CT图像、2D荧光透视图像、X射线图像、来自MR扫描或CT扫描的原始数据、医学数字成像与通信(DIMCOM)数据等)。数据库124可以存储图像处理器114在执行软件程序144时或者在创建放射疗法治疗计划142时要使用的数据。数据库124可以存储由经训练的神经网络产生的数据,包括构成由网络学习的模型的网络参数和所得的预测数据。图像处理装置112可以从数据库124、放射疗法装置130(例如,MRI-Linac)和/或图像采集装置132接收成像数据146(例如,2D MRI切片图像、CT图像、2D荧光图像、X射线图像、3D MRI图像、4D MRI图像等)以生成治疗计划142。
在一个实施方式中,放射治疗系统100可以包括图像采集装置132,图像采集装置132能够获取患者的医学图像(例如,磁共振成像(MRI)图像、3D MRI、2D流式MRI、4D体积MRI、计算机断层扫描(CT)图像、锥形束CT、正电子发射断层扫描(PET)图像、功能MRI图像(例如,fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、单光子发射计算机断层扫描(SPECT)图像等)。图像采集装置132例如可以是MRI成像装置、CT成像装置、PET成像装置、超声装置、荧光检查装置、SPECT成像装置或者用于获得患者的一个或更多个医学图像的任何其他合适的医学成像装置。由图像采集装置132获取的图像可以作为成像数据和/或测试数据而存储在数据库124中。作为示例,由成像获取装置132获取的图像也可以由图像处理装置112存储为存储器116中的医学图像数据146。
在一个实施方式中,例如,图像采集装置132可以与放射疗法装置130集成为单个装置(例如,与线性加速器组合的MRI装置,也被称为“MRI-Linac”)。这种MRI-Linac例如可以用来确定患者中的靶器官或靶肿瘤的位置,以便根据放射疗法治疗计划142将放射疗法准确地引导至预定的靶。
图像采集装置132可以被配置成针对感兴趣区域(例如,靶器官、靶肿瘤或二者)获取患者解剖结构的一个或更多个图像。每个图像(通常是2D图像或切片)可以包括一个或更多个参数(例如,2D切片厚度、取向和位置等)。在一个实施方式中,图像采集装置132可以获取任何取向的2D切片。例如,2D切片的取向可以包括矢状取向(sagittalorientation)、冠状取向(coronal orientation)或轴向取向。处理器114可以对一个或更多个参数(例如2D切片的厚度和/或取向)进行调节以将靶器官和/或靶肿瘤包括在内。在一个实施方式中,可以根据诸如3D MRI体积的信息来确定2D切片。例如,在使用放射疗法装置130的情况下,可以在患者正在接受放射疗法治疗的同时由图像采集装置132“实时”获取这样的2D切片。“实时”意味着至少以数毫秒或更短的时间来采集数据。
图像处理装置112可以生成并存储针对一个或更多个患者的放射疗法治疗计划142。放射疗法治疗计划142可以提供关于要施加给每个患者的特定放射剂量的信息。放射疗法治疗计划142还可以包括其他放射治疗信息,例如束角度、剂量-体积直方图信息、疗法期间要使用的放射束的数量、每束的剂量等。
图像处理器114可以通过使用诸如治疗计划软件的软件程序144(例如,由瑞典斯德哥尔摩的Elekta AB制造的)来生成放射疗法治疗计划142。为了生成放射疗法治疗计划142,图像处理器114可以与图像采集装置132(例如,CT装置、MRI装置、PET装置、X射线装置、超声装置等)通信以访问患者图像并描绘靶(例如,肿瘤)。在一些实施方式中,可能需要描绘一个或多个危及器官(OAR),例如围绕肿瘤或紧邻肿瘤的健康组织。因此,可以在OAR靠近靶肿瘤的情况下执行对OAR的分割。另外,如果靶肿瘤靠近OAR(例如,前列腺接近膀胱和直肠),则通过相对于肿瘤分割OAR,放射治疗系统100不仅可以研究靶中的剂量分布,而且还可以研究OAR中的剂量分布。
为了相对于OAR描绘靶器官或靶肿瘤,可以通过图像采集装置132非侵入式地获得正在进行放射治疗的患者的医学图像例如MRI图像、CT图像、PET图像、fMRI图像、X射线图像、超声图像、放射疗法射野图像、SPECT图像等以揭露身体部位的内部结构。基于来自医学图像的信息,可以获得相关解剖部位的3D结构。此外,在治疗计划过程中,可以考虑多个参数以实现对靶肿瘤的有效治疗(例如,使靶肿瘤接收到足够的放射剂量以实现有效治疗)与对OAR的低辐照(例如,OAR接收到尽可能低的放射剂量)之间的平衡。可以考虑的其他参数包括靶器官和靶肿瘤的位置、OAR的位置以及靶相对于OAR的移动。例如,可以通过在MRI或CT图像的每个2D层或切片内描画靶的轮廓或描画OAR的轮廓并且将每个2D层或切片的轮廓进行组合来获得3D结构。可以手动地(例如,由医师、剂量师或医护人员使用程序例如由瑞典斯德哥尔摩的Elekta AB制造的MonacoTM)或自动地(例如,使用程序例如由瑞典斯德哥尔摩Elekta AB制造的基于Atlas的自动分割程序软件ABASTM)生成轮廓。在某些实施方式中,可以通过治疗计划软件自动生成靶肿瘤或OAR的3D结构。
在已经定位并描绘了靶肿瘤和OAR之后,剂量师、医师或医护人员可以确定要对靶肿瘤施加的放射剂量,以及邻近该肿瘤的OAR(例如,左右腮腺、视神经、眼睛、晶状体、内耳、脊髓、脑干等)可以接受的任何最大量的剂量。在针对每个解剖结构(例如,靶肿瘤、OAR)确定了放射剂量之后,可以执行被称为逆向计划的过程以确定将实现期望的放射剂量分布的一个或更多个治疗计划参数。治疗计划参数的示例包括体积描绘参数(例如,其限定靶体积、轮廓敏感结构等)、靶肿瘤和OAR周围的边缘、束角度选择、准直器设置和束开启次数。在逆向计划过程期间,医师可以定义剂量约束参数,该参数设定关于OAR可以接受多少辐射的界限(例如,限定对肿瘤靶的全剂量和对任何OAR的零剂量;限定对靶肿瘤的95%的剂量;限定脊髓、脑干和视神经结构分别接受≤45Gy、≤55Gy和<54Gy)。逆向计划的结果可以构成可以存储在存储器116或数据库124中的放射疗法治疗计划142。这些治疗参数中的一些参数可以被相互关联。例如,为了改变治疗计划,调节一个参数(例如,不同目标的权重,例如增加对靶肿瘤的剂量)可能影响至少一个其他参数,这进而可能引起开发不同治疗计划。因此,图像处理装置112可以生成具有这些参数的定制放射疗法治疗计划142以便放射疗法装置130向患者提供放疗治疗。
此外,放射治疗系统100可以包括显示装置134和用户接口136。显示装置134可以包括一个或更多个显示画面,所述一个或更多个显示画面向用户显示医学图像、接口信息、治疗计划参数(例如,轮廓、剂量、束角度等)、治疗计划、靶、定位靶和/或追踪靶或者任何相关信息。用户接口136可以是键盘、小键盘、触摸屏或者用户可以向放射治疗系统100输入信息的任何类型的装置。替选地,显示装置134和用户接口136可以集成至诸如平板电脑(例如,AppleLenovoSamsung等)的装置中。
此外,放射治疗系统100的任何和全部部件可以被实现为虚拟机(例如,VMWare、Hyper-V等)。例如,虚拟机可以是充当硬件的软件。因此,虚拟机可以至少包括一起充当硬件的一个或更多个虚拟处理器、一个或更多个虚拟存储器和一个或更多个虚拟通信接口。例如,图像处理装置112、OIS 128、图像采集装置132可以被实现为虚拟机。假设处理能力、存储器和计算能力可获得,则整个放射治疗系统100都可以被实现为虚拟机。
图2A示出了示例性放射疗法装置202,其可以包括放射源例如X射线源或线性加速器、床(couch)216、成像检测器214和放射疗法输出204。放射疗法装置202可以被配置成发射放射束208以向患者提供疗法。放射疗法输出204可以包括一个或更多个衰减器或准直器,例如如下面在图5的示出性示例中描述的多叶准直器(MLC)。
返回参照图2A,可以将患者定位在由治疗床216支承的区域212中,以接收根据放射疗法治疗计划的放射疗法剂量。放射疗法输出204可以被安装或附接至台架206或其他机械支承件。当床216被插入治疗区域时,一个或更多个底盘电机(chassis motor)(未示出)可以使台架206和放射疗法输出204围绕床216旋转。在一个实施方式中,当床216被插入治疗区域时,台架206可以围绕床216连续旋转。在另外的实施方式中,当床216被插入治疗区域时,台架206可以旋转至预定位置。例如,台架206可以被配置成使疗法输出204围绕轴(“A”)旋转。床216和放射疗法输出204二者都能够独立地移动到患者周围的其他位置,例如,能够沿着横向(“T”)移动、能够沿着侧向(“L”)移动,或者能够关于一个或更多个其他轴旋转,例如关于横轴旋转(表示为“R”)。通信上连接至一个或更多个致动器(未示出)的控制器可以控制床216移动或旋转,以便根据放射疗法治疗计划将患者适当地定位在放射束208之内或之外。由于床216和台架206两者能够以多个自由度彼此独立地移动,这允许将患者定位成使得放射束208能够精确地把肿瘤作为靶。
图2A所示的坐标系(包括轴A、T和L)可以具有位于等中心210处的原点。等中心可以被定义为放射疗法束208的中心轴与坐标轴的原点相交的位置,以便将处方的放射剂量实施至患者上或患者体内的位置。替选地,等中心点210可以被定义为下述位置:在该位置处,对于由台架206定位的放射疗法输出204围绕轴A的各种旋转位置,放射疗法束208的中心轴与患者相交。
台架206也可以具有附接的成像检测器214。成像检测器214优选地位于与放射源204相对的位置,并且在一个实施方式中,成像检测器214可以位于疗法束208的场内。
成像检测器214可以优选地与放射疗法输出204相对地安装在台架206上,以便保持与疗法束208的对准。随着台架206旋转,成像检测器214围绕旋转轴旋转。在一个实施方式中,成像检测器214可以是平板检测器(例如,直接检测器或闪烁体检测器)。以这种方式,成像检测器214可以用于监测疗法束208,或者成像检测器214可以用于对患者的解剖结构进行成像,例如射野成像。放射治疗装置202的控制电路可以被集成在系统202内或者远离系统202。
在说明性实施方式中,床216、疗法输出204或台架206中的一个或更多个可以被自动地定位,并且疗法输出204可以根据用于特定疗法实施实例的指定剂量来建立疗法束208。可以根据放射疗法治疗计划例如使用机架206、床216或疗法输出204的一个或更多个不同的取向或位置来指定疗法实施序列。疗法实施可以依序发生,但是可以在患者上或患者体内的期望的疗法位点中(例如在等中心210处)交叉。由此可以将放射疗法的处方的累积剂量实施到疗法位点,同时可以减少或避免对疗法位点附近的组织的损害。
图2B示出了可以包括组合的线性加速器和成像系统例如可以包括计算机断层扫描(CT)成像系统的示例性放射疗法装置202。放射疗法装置202可以包括多叶准直器(未示出)。CT成像系统可以包括例如以千电子伏特(keV)能量范围提供X射线能量的成像X射线源218。成像X射线源218可以提供指向诸如平板检测器的成像检测器222的扇形和/或锥形束208。放射疗法系统202可以类似于关于图2A所描述的系统202,例如包括放射疗法输出204、台架206、平台216和另外的平板检测器214。X射线源218可以提供用于成像的相对较低能量的X射线诊断束。
在图2B的说明性实施方式中,放射疗法输出204和X射线源218可以被安装在同一旋转台架206上,彼此旋转分开90度。在另一实施方式中,两个或更多个X射线源可以沿机架206的圆周安装,例如每个具有其自己的检测器布置以同时提供多个角度的诊断成像。类似地,可以提供多个放射疗法输出204。
图3描绘了与所公开的实施方式一致的可以包括组合的放射疗法装置202和成像系统例如核磁共振(MR)成像系统430(在本领域中被称为MR-Linac)的示例性放射疗法系统300。如所示出的,系统300可以包括床216、图像采集装置320和放射实施装置330。系统300根据放射治疗的治疗计划对患者实施放射疗法。在一些实施方式中,图像采集装置320可以对应于图1中的图像采集装置132,其可以获取具有第一模态的原始图像(例如,图4A所示的MRI图像)或者具有第二模态的目标图像(例如,图4B所示的CT图像)。
床216可以在治疗环节期间支承患者(未示出)。在一些实现方式中,床216可以沿着水平平移轴(标记为“I”)移动,使得床216可以将躺在床216上的患者移入和/或移出系统300。床216也可以围绕横向于平移轴的中心竖直旋转轴进行旋转。为了允许这样的移动或旋转,床216可以具有电机(未示出),电机使得床能够在各个方向上移动和沿着各个轴旋转。控制器(未示出)可以控制这些移动或旋转以便根据治疗计划适当地定位患者。
在一些实施方式中,图像采集装置320可以包括用于在治疗环节之前、期间和/或之后获取患者的2D或3D MRI图像的MRI机器。图像采集装置320可以包括用于生成用于磁共振成像的主磁场的磁体321。由磁体321的操作生成的磁场线可以基本上平行于中心平移轴I延伸。磁体321可以包括其轴线平行于平移轴I延伸的一个或更多个线圈。在一些实施方式中,磁体321中的一个或更多个线圈可以间隔开,使得磁体321的中心窗323没有线圈。在其他实施方式中,磁体321中的线圈可以足够薄或具有降低的密度,使得它们对放射治疗装置330生成的波长的辐射基本上是透射的。图像采集装置320还可以包括一个或更多个屏蔽线圈,所述一个或更多个屏蔽线圈可以在磁体321外部生成具有大致相等幅度和相反极性的磁场,以消除或减少磁体321外部的任何磁场。如下所述,放射治疗装置330的放射源331可以被定位在磁场被消除(至少至一阶)或者被减小的区域中。
图像采集装置320还可以包括两个梯度线圈325和326,这两个梯度线圈325和326可以生成叠加在主磁场上的梯度磁场。线圈325和326可以在合成磁场中生成梯度,该梯度允许对质子进行空间编码以使得可以确定质子的位置。梯度线圈325和326可以与磁体321一起围绕公共中心轴定位,并且可以沿着该中心轴线移位。移位可以在线圈325与线圈326之间产生间隙或窗。在磁体221还可以包括线圈之间的中心窗323的实施方式中,两个窗可以彼此对准。
在一些实施方式中,图像采集装置320可以是除MRI之外的成像装置,例如X射线、CT、CBCT、螺旋CT、PET、SPECT、光学断层扫描、荧光成像、超声成像或放射治疗射野成像装置等。如本领域普通技术人员将认识到的,图像采集装置320的以上描述涉及某些实施方式,而不旨在是限制性的。
放射治疗装置330可以包括放射源331例如X射线源或线性加速器以及多叶准直器(MLC)332(以下在图5中示出)。放射治疗装置330可以安装在底盘335上。当床216被插入治疗区域时,一个或更多个底盘电机(未示出)可以使底盘335围绕床216旋转。在一个实施方式中,当床216被插入治疗区域时,底盘335能够围绕床216连续旋转。底盘335还可以具有附接的放射检测器(未示出),其优选地位于放射源331的对面,并且其中,底盘335的旋转轴被定位在放射源331与该检测器之间。此外,装置330可以包括控制电路系统(未示出),其用于控制例如床216、图像采集装置320和放射治疗设装置330中的一个或更多个。放射治疗装置330的控制电路系统可以被集成在系统300内或远离系统300。
在放射治疗的治疗过程期间,患者可以被安置在床216上。然后,系统300可以将床216移动到由磁线圈321、325、326和底盘335限定的治疗区域中。然后,控制电路系统可以控制放射源331、MLC 332和一个或多个底盘电机来根据放射治疗的治疗计划通过线圈325与线圈326之间的窗对患者实施辐射。
图2A、图2B和图3总体上示出了被配置成向患者提供放疗治疗的放射疗法装置的示例,包括其中放射疗法输出可以围绕中心轴(例如,轴“A”)旋转的配置。可以使用其他放射疗法输出配置。例如,可以将放射疗法输出安装至具有多个自由度的机器人臂或操纵器。在又一个实施方式中,疗法输出可以是固定的(例如,位于与患者横向分开的区域中),并且可以使用支承患者的平台来将放射疗法等中心与患者内的指定靶位点对准。
如上所讨论的,通过图2A、图2B和图3描述的放射疗法装置包括用于对到患者体内的指定靶位点的放射疗法束进行成形、指引或对放射疗法束的强度进行调制的多叶准直器。图5示出了示例性多叶准直器(MLC)332,其包括叶片532A至532J,叶片532A至532J可以被自动定位以限定接近肿瘤540横截面或投影的孔径。叶片532A至532J允许对放射疗法束的调制。根据放射治疗计划,叶片532A至532J可以由被指定用于在除所述孔径之外的区域中衰减或阻挡放射束的材料制成。例如,叶片532A至532J可以包括金属板,例如包含钨,其中,板的长轴被定向成平行于束方向,并且端部被定向成与束方向正交(如图2A的示图的平面所示的那样)。在放射疗法治疗过程期间可以适应性地调节MLC 332的“状态”,比如建立更好地接近肿瘤540或其他靶位点的形状或位置的疗法束。这与使用静态准直器配置成对比,或者与使用排他地利用“离线”疗法计划技术确定的MLC 332配置成对比。使用MLC 332产生到肿瘤或肿瘤内特定区域的指定放射剂量分布的放射疗法技术可以被称为强度调制放射疗法(IMRT)。
图6示出了根据本公开内容的一些实施方式的另一类型的放射治疗装置630(例如,莱克塞尔(Leksell)伽玛刀)的实施方式。如图6所示,在放射治疗的治疗环节中,患者602可以佩戴坐标架620以保持正在经受手术或放射治疗的患者身体部位(例如,头部)稳定。坐标架620和患者定位系统622可以建立空间坐标系,可以在对患者成像时或者在放射手术期间可以使用该空间坐标系。放射治疗装置630可以包括用于包围多个放射源612的保护壳体614。放射源612可以通过束通道616生成多个放射束(例如,小束)。多个放射束可以被配置成从不同方向聚焦在等中心210上。虽然每个单独的放射束可能具有相对低的强度,但是当来自不同放射束的多个剂量在等中心210处累积时,等中心210可以接收到相对高水平的辐射。在某些实施方式中,等中心210可以对应于手术或治疗的靶,例如肿瘤。
图7示出了用于深度学习的示例性流程图,其中可以训练诸如深度卷积神经网络之类的深度学习模型并将其用于确定治疗计划的机器参数。输入704可以包括具有一组初始值和训练数据的定义的深度学习模型。训练数据可以包括患者图像和预期结果。训练数据还可以包括基于患者图像(例如,解剖结构标记图或有符号距离图中的一个或更多个)的数据。深度学习模型可以包括神经网络例如深度卷积神经网络。可以对医学图像例如,CT图像、PET图像或MRI图像以及通过示例性计划方法产生的对应治疗机器参数训练深度学习网络。当训练时,深度学习网络可以仅使用患者图像产生对患者的这样的机器参数的估计。在任一情况下,预期结果可以包括可以定义对患者的放射治疗的实施的估计机器参数。机器参数可以包括至少一个机架角度、至少一个多叶准直器叶片位置以及至少一个孔径权重或强度。在一个实施方式中,图像或图像的功能可以与在第二组图像中被编码为像素值的机器参数配对。在另一实施方式中,图像或图像功能可以被转换成正弦图格式并且与机器参数配对,该机器参数可以被表示为具有可以等于正弦图行维度的维度的一维矢量的元素。在深度学习模型708的训练期间,可以从患者图像和预期结果中选择一批训练数据。所选择的训练数据可以包括患者解剖结构的至少一个图像或基于患者解剖结构的至少一个图像和相应的基础真实机器(ground truth machine)参数数据的数据。深度学习模型可以应用于选定的患者图像,以提供估计的结果(例如,估计的机器参数),然后可以将其与预期的结果(例如,与选定的患者图像对应的机器参数)进行比较,以计算可以提供训练误差的指示的差异。可以在称为反向传播的过程中使用该误差以校正深度学习网络参数中的误差(例如,层节点权重和偏差),以减少或最小化后续试验期间机器参数估计中的误差。可以将误差与预定标准进行比较,以进行指定次数的训练迭代达到持续的最小值。如果误差不满足预定标准,则可以使用反向传播来更新深度学习模型的模型参数,并且可以从患者图像和预期结果中选择另一批训练数据,以进行另外的深度学习模型训练迭代。如果误差满足预定标准,则可以结束训练,然后在深度学习测试或推断阶段712期间可以使用经训练的模型,以基于与训练数据不同的患者图像预测机器参数。经训练的模型可以接收新的患者图像并提供预测结果(例如,机器参数)。
图8示出了深度卷积神经网络(DCNN)800的实施方式,其可以使用多组已知图像或图像功能和已知机器参数的列表来训练。训练后,鉴于仅有新患者的图像或图像功能,DCNN可以计算新患者(例如,没有贡献训练过程中使用的已知图像或图像功能的患者)的机器参数的估计。在一个实施方式中,DCNN 800可以包括用于回归的DCNN。DCNN 800可以存储在存储器例如图像处理装置112的存储器装置116中。DCNN800可以包括层806、808,层810的组、层812的组、层814的组、层816的组和损耗层818。输入图像数据802和对应的机器参数数据804可以通过层806引入到DCNN中,该层806可以执行数据的缩放和居中。然后可以将层806的输出输入至可以执行图像数据和机器参数数据的混合的全连接(FC)层808中。可以将全连接层808输出馈送至层组810中的第一卷积层中。每个卷积层块810、812、814和816可以由至少一个卷积层和可以将非线性函数应用到卷积层的输出的非线性层(例如,整流线性单元或ReLU层)组成。每个块还可以包含批次归一化层、缩放层或可以确定的其他层,以便提供所需机器参数值的最准确估计。每组的最后一个块中的最后一层可以是池化层,在称为最大池化的过程中,该池化层可以对卷积输出数据进行下采样达一定数量(例如,一半),并且可以在输出卷积层中采用最大的相关层节点值。每个卷积块组的变化形状可以指示图像数据的空间分辨率可以减小(块高度),而每层的参数数量可以增加(块宽度)。图8中所示的层的布置和层组组成可以保留DCNN的信息内容。在网络训练期间,可以将在损耗层818处输出的机器参数估计与正确的机器参数值(例如,基础真实机器参数值)进行比较,并且将差异(例如,误差)用于校正网络参数。校正过程被称为反向传播。网络参数可以是与层节点关联的其值可以在反向传播期间重置的权重系数和偏差项。在网络测试期间,可以输入没有相应机器参数的新患者图像,并且可以组合在训练过程中评估的节点权重系数和偏差以生成在损耗层818输出的机器参数估计。机器参数估计输出可以构成新患者的机器参数估计。
图8中描绘的网络仅为说明性的,并不限于本发明的方法。许多其他网络架构是可以的,并且其中的一个或更多个可以提供改进的机器参数估计。在另一实施方式中,输入图像数据可以包括CT图像或者CT图像的功能(例如有符号距离功能)或者通过滤波、重新格式化成正弦图格式获得的修改图像,该修改图像将患者几何形状表示为与角度重采样的机器参数数据的向量配对的圆形投影和在输入层作为一对一维向量的输入。在另一实施方式中,可以将全连接层(FC)移近损耗层,并且可以并行建立和训练一对卷积网络,各个卷积网络分别用于图像和机器参数数据。在另一实施方式中,可以去除FC层,并且可以通过明确地嵌入一维数据的功能的2D卷积层来建立患者几何形状与机器参数台架角度和多叶准直器设置的空间关联。在另一实施方式中,可以使用第二卷积神经网络以使用患者图像或图像功能以及来自第一网络的机器参数误差来学习机器参数的精制值版本。在另一实施方式中,卷积神经网络可以使用患者图像或图像功能以及与基础真实机器参数相对应的3D剂量分布的图像的组合来学习机器参数——这样的附加信息通道可以产生具有提高的准确性的机器参数估计。
图9A示出了用于训练DCNN(例如DCNN 800)以基于至少一个医学图像来确定机器参数集的方法的实施方式。DCNN可以接收多组医学图像(步骤910)。医学图像可以包括CT图像、MRI图像或PET图像。DCNN还可以接收对应的解剖结构体素标签图以及已标记目标距离的功能。然后可以确定每组医学图像的机器参数(步骤914)。在一个实施方式中,机器参数可以与多组医学图像一起被接收。机器参数可以包括至少一个机架角度、至少一个多叶准直器叶片位置以及至少一个孔径权重或强度。机器参数可以由表达式表示,其中,Y可以表示K个机器参数数据对象的组,可以表示台架角度,可以表示左多叶准直器叶片位置和右多叶准直器叶片位置,并且可以表示台架角度的孔径权重或强度。机器参数可以通过计算机算法或操作放射治疗的治疗程序的剂量测定仪来确定,这两种方法都非常耗时且复杂,并且可能不适用于实时应用。在可以通过计算机算法确定机器参数的实施方式中,该算法可以是迭代或分析算法,并且每个患者的计算可能需要几个小时。对于这两种情况,没有一个模型可以让操作员可以判断他/她的治疗计划的质量。为了开始网络训练,可以将迭代索引设置为初始值零(步骤918)。可以从所接收的多组医学图像的子组以及对应的机器参数中形成一批训练数据(步骤922)。可以将这批训练数据提供给DCNN,并且可以基于其来更新DCNN参数(步骤926)。DCNN可以基于DCNN的当前参数来提供输出的机器参数集(步骤930)。可以在该批训练数据(例如,基础真实机器参数)中与所接收的多组医学图像相对应的输出的机器参数集之间进行比较。从比较中确定相应的误差集,其中每个误差值可以是估计的机器参数与相应的基础真实机器参数之间的差(步骤934)。然后可以基于对应的误差来更新DCNN的参数,例如通过使用反向传播(步骤938)。在一个实施方式中,可以更新DCNN的参数,以最小化或减少成本函数,例如成本函数J(Θ*)=argminΘ||Y-Y*||2,其中Y可以表示由DCNN确定的机器参数,其中Y*可以表示与该批训练数据相对应的已知机器参数,其中Θ*可以表示与Y和Y*之间的最小平方误差对应的DCNN的参数(例如,如上所述的层节点权重和偏差)。在一个实施方式中,成本函数可以包括概率函数,其中可以根据表达式ΘOPT=argmaxΘP(Y|X;Θ)或ΘOPT=argmaxΘ∑t∈TlogP(Yt|Xt;Θ)确定DCNN的参数,其中ΘOPT可以表示经过充分训练的DCNN的参数,并且X可以表示医学图像、解剖体素标签图以及标记的目标距离的功能的集合。
在更新DCNN的参数之后,迭代索引可以递增一个单位(步骤942)。迭代索引可以对应于DCNN的参数已被更新的次数。可以计算停止标准(步骤946),并且如果满足停止标准,则可以将DCNN模型保存在存储器例如图像处理装置112的存储器装置116中,并且可以停止训练(步骤950)。如果不满足停止标准,则可以在步骤922处继续训练。在一个实施方式中,停止标准可以包括迭代索引的值(例如,停止标准可以包括迭代索引是否大于或等于迭代的确定的最大值)。在一个实施方式中,停止标准可以包括输出的机器参数集的精度(例如,停止标准可以包括输出的机器参数集和与该批训练数据中所接收的多组医学图像相对应的机器参数之间的差是否小于阈值)。在一个实施方式中,阈值可以对应于步骤934中确定的所有误差的渐近最小值。在一个实施方式中,可以将机器参数以具有指定例如孔径、角度和强度值的固定格式的图像的形式呈现给DCNN。在一个实施方式中,患者图像可以与机器参数池化并且可以被呈现为实数阵列。
图9B示出了一种使用经训练的DCNN例如可以根据以上参照图9A描述的方法来训练的DCNN来生成机器参数的方法。可以从图像采集装置例如图像采集装置132接收医学图像(步骤960)。可以从网络例如网络120或者从存储器例如图像处理装置112的存储器装置116接收经训练的DCNN模型(步骤964)。可以使用经训练的DCNN来确定机器参数例如用于放射治疗计划或重新计划(步骤968)。在一个实施方式中,经训练的DCNN可以实时地生成用于在线应用的机器参数(例如,经训练的DCNN可以在几秒钟内从接收到的医学图像生成机器参数)。在可以使用针对强度调制的放射治疗确定的机器参数来训练DCNN的实施方式中,经训练的DCNN可以确定强度调制的放疗治疗计划的机器参数。在可以使用针对体积调制的电弧疗法确定的机器参数来训练DCNN的实施方式中,经训练的DCNN可以确定体积调制的电弧疗法的治疗计划的机器参数。
图10示出了机器1000的实施方式的框图,在该机器1000上可以实现如本文所讨论的方法中的一个或更多个。在一个或更多个实施方式中,图像处理装置112的一项或更多项可以由机器1000来实现。在替选的实施方式中,机器1000作为独立的装置进行操作,或者可以连接(例如,联网)至其他机器。在一个或更多个实施方式中,图像处理装置112可以包括机器1000的项中的一项或更多项。在联网的部署中,机器1000可以在服务器客户端网络环境中以服务器或客户端机器的能力进行操作,或者在对等(或分布式)网络环境中作为对等机器进行操作。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络应用、网络路由器、交换机或桥接器,或者能够执行(顺序地或以其他方式)指定要由该机器采取的动作的指令的任何机器。此外,尽管仅示出了单个机器,但是术语“机器”也应被理解为包括机器的任一集合,这些机器单独地或共同地执行一组(或多组)指令以执行本文所讨论的方法中的任何一个或更多个。
示例机器1000包括处理电路系统1002(例如,中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路、电路系统(例如一个或更多个晶体管、电阻器、电容器、电感器、二极管、逻辑门、复用器、缓冲器、调制器、解调器、无线电(例如,发送或接收无线电或者收发器))、传感器1021(例如,将一种形式的能量(例如,光、热、电、机械或其他能量)转换为另一种形式的能量的换能器)等或者其组合)、主存储器1004和静态存储器1006,所述处理电路系统802、主存储器804和静态存储器806经由总线1008彼此通信。机器1000(例如计算机系统)还可以包括视频显示单元1010(例如,液晶显示器(LCD)或阴极射线管(CRT))。机器1000还包括字母数字输入装置1012(例如键盘)、用户接口(UI)导航装置1014(例如鼠标)、磁盘驱动器或大容量存储单元1016、信号生成装置1018(例如扬声器)和网络接口装置1020。
磁盘驱动器单元1016包括机器可读介质1022,在该机器可读介质1022上存储一组或更多组指令和数据结构(例如软件)1024,这些指令和数据结构(例如软件)实施本文所述的方法或功能中的任何一种或更多种或者被本文所述的方法或功能中的任何一种或更多种利用。在由机器1000执行指令1024期间,指令1024还可以全部或至少部分地驻留在主存储器1004内和/或在处理器1002内,主存储器1004和处理器1002也构成机器可读介质。
如所示的机器1000包括输出控制器1028。输出控制器1028管理至机器1000的数据流/来自机器1000的数据流。输出控制器1028有时被称为装置控制器,其中直接与输出控制器1028交互的软件被称为装置驱动器。
虽然在一个实施方式中机器可读介质1022被示出为单个介质,但是术语“机器可读介质”可以包括存储一个或更多个指令或者数据结构的单个介质或多个介质(例如,集中式或分布式数据库,和/或相关联的缓存和服务器)。术语“机器可读介质”还应被认为包括能够存储、编码或携带指令或者能够存储、编码或携带数据结构的任何有形介质,这些指令由机器执行并且使机器执行本发明的方法中的任何一种或更多种方法,这些数据结构由这样的指令利用或与这样的指令相关联。术语"机器可读介质"因此应当被理解为包括但不限于固态存储器以及光学和磁性介质。机器可读介质的具体示例包括非易失性存储器,作为示例,其包括:半导体存储器装置,例如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪速存储器设备;磁盘,诸如内部硬盘和可移动盘;磁光盘;以及CD-ROM和DVD-ROM盘。
还可以使用传输介质通过通信网络1026来发送或接收指令1024。可以使用网络接口装置1020和许多众所周知的传输协议(例如HTTP)中的任何一种来发送指令1024。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)、因特网、移动电话网络、普通老式电话(POTS)网络和无线数据网络(例如WiFi和WiMax网络)。术语“传输介质”应被认为包括能够存储、编码或携带由机器执行并且包括数字或模拟通信信号的指令的任何无形介质,或者便于这样的软件的通信的其他无形介质。
如本文所使用的,“在......之间通信上耦接”指的是在耦接中的任何一个上的实体必须通过在其之间的项进行通信,并且这些实体如果不通过该项进行通信就不能彼此进行通信。
补充注释
以上的详细描述包括对附图的参照,这些附图形成详细描述的一部分。附图通过说明的方式而不是通过限制的方式示出了具体实施方式,在所述具体实施方式中可以实践本发明。这些实施方式在本文中也被称为“示例”。这样的示例可以包括除了示出的或描述的要素之外的要素。然而,发明人还预期了其中仅提供了示出的或描述的那些要素的示例。此外,发明人还预期了使用关于特定示例(或者特定示例的一个或更多个方面)或关于在本文中示出或描述的其他示例(或者其他示例的一个或更多个方面)示出的或描述的那些要素(或者那些要素的一个或更多个方面)的任何结合或置换的示例。
本文件中参考的所有出版物、专利和专利文献都通过引用整体并入本文,就好像通过引用单独地并入一样。如果在本文件与通过引用并入的那些文献之间存在不一致用法,则并入的一个或更多个参考文献中的用法应被视为对本文的用法的补充;对于矛盾的不一致之处,以本文件中的用法为准。
在本文件中,在介绍本发明的各个方面或其实施方式中的元素时,如在专利文献中常见的那样,使用术语“一”、“一个”、“该”和“所述”以包括元素中的一个或多于一个或更多个,独立于“至少一个”或者“一个或更多个”的任何其他实例或用法。在本文件中,术语“或”被用于表示非排他性,或者,使得除非另有说明,否则“A或B”包括“A但不是B”、“B但不是A”以及“A和B”。
在所附权利要求中,术语“包括(including)”和“其中(in which)”被用作相应术语“包括(comprising)”和“其中(wherein)”的普通英语等同物。此外,在所附权利要求中,术语“包含(comprising)”、“包括(including)”和“具有”旨在是开放性的,意指除了所列元素之外可能还有其他元素,使得在权利要求中的这样的术语(例如,包含(comprising)、包括(including)、具有)之后的仍被认为属于该权利要求的范围。此外,在以下权利要求中,术语“第一”、“第二”和“第三”等仅用作标记,并不旨在对其对象施加数值要求。
可以利用计算机可执行指令来实现本发明的实施方式。计算机可执行指令(例如,软件代码)可以被组织成一个或更多个计算机可执行部件或模块。可以利用任何数目和组织的这样的部件或模块来实现本发明的方面。例如,本发明的各方面不限于附图中示出的以及本文中描述的具体的计算机可执行指令或者具体的部件或模块。本发明的其他实施方式可以包括具有比本文中示出和描述的功能更多或更少的功能的不同的计算机可执行指令或部件。
本文中描述的方法示例(例如,操作和功能)可以至少部分地是机器或计算机实现的(例如,被实现为软件代码或指令)。一些示例可以包括编码有指令的计算机可读介质或机器可读介质,所述指令能够操作成配置电子装置来执行如在以上示例中所述的方法。这样的方法的实现可以包括软件代码例如微代码、汇编语言代码、高级语言代码等(例如“源代码”)。这样的软件代码可以包括用于执行各种方法的计算机可读指令(例如,“对象”或“可执行代码”)。软件代码可以形成计算机程序产品的部分。可以经由在其上存储有代码或指令的制品,或者经由操作通信接口以经由通信接口(例如,无线地、通过因特网、经由卫星通信等)发送数据的方法来提供本文描述的实施方式的软件实现。
此外,可以在执行期间或在其他时间将软件代码有形地存储在一个或更多个易失性或非易失性计算机可读存储介质上。这些计算机可读存储介质可以包括以可以由机器(例如计算装置、电子系统等)访问的形式存储信息的任何机构,例如但不限于软盘、硬盘、可移动磁盘、任何形式的磁盘存储介质、CDROM、磁光盘、可移动光盘(例如压缩光盘和数字视频磁盘)、闪存器件、磁带盒、存储卡或存储棒(例如安全数字卡)、随机访问存储器(RAM)(例如CMOS RAM等)、可记录/不可记录介质(例如只读存储器(ROM))、EPROM、EEPROM或者适于存储电子指令的任何类型的介质等。这样的计算机可读存储介质耦接至计算机系统总线以可以由处理器和OIS的其他部分来访问。
在一个实施方式中,计算机可读存储介质可以具有已经编码了用于治疗计划的数据结构,其中治疗计划可以是自适应的。用于计算机可读存储介质的数据结构可以是医学数字成像和通信(DICOM)格式、扩展的DICOM格式、XML格式等中的至少一种。DICOM是一种定义用于在各种类型的医疗设备之间传输与医学图像有关的数据的格式的国际通信标准。DICOM RT指的是特定于放射疗法的通信标准。
在本发明的各种实施方式中,创建部件或模块的方法可以以软件、硬件或其组合来实现。例如,可以通过使用标准编程语言诸如例如C、C++、Java、Python等以及其组合以软件来实现由本发明的各个实施方式提供的方法。如本文所使用的,术语“软件”和“固件”是可互换的,并且包括存储在存储器中以由计算机执行的任何计算机程序。
通信接口包括与硬连线介质、无线介质、光学介质等中的任何一种对接以与另一装置进行通信的任何机构,例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来配置通信接口,以准备通信接口来提供描述软件内容的数据信号。可以通过被发送至通信接口的一个或更多个命令或信号来访问通信接口。
本发明还涉及用于执行本文中的操作的系统。该系统可以针对所需目的专门地被构造,或者可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。除非另有说明,否则本文中示出和描述的本发明的实施方式中的操作的实施或执行的顺序不一定。也就是说,除非另有说明,否则可以以任何顺序执行操作,并且本发明的实施方式可以包括与本文中公开的这些操作相比附加或更少的操作。例如,预期到,在另外的操作之前、与另外的操作同时或在另外的操作之后运行或执行特定操作在本发明的方面的范围内。
鉴于以上内容,将看到,实现了本发明的若干目的并且获得了其他有利的结果。已经详细地描述了本发明的方面,将明显的是,在不偏离如所附权利要求书中限定的本发明的方面的范围的情况下,修改和变化是可行的。由于在不偏离本发明的方面的范围的情况下可以在上述构造、产品和方法中进行各种改变,所以上述说明书中包含的以及附图中示出的所有内容旨在应被理解为说明性的而非限制意义。
上面的描述旨在是说明性的,而不是限制性的。例如,以上描述的示例(或示例的一个或更多个方面)可以彼此结合使用。另外,在不脱离本发明的范围的情况下,可以做出许多修改以使特定情况或材料适应本公开内容的教导。尽管本文描述的材料和涂层的尺寸、类型旨在限定本发明的参数,但是其绝不是限制性的,而是示例性实施方式。在回顾以上描述之后,许多其他的实施方式对于本领域技术人员将是明显的。因此,应当参考所附权利要求以及这样的权利要求所赋予的等同物的全部范围来确定本发明的范围。
此外,在以上的具体实施方式中,可以将各种特征组合在一起以简化本公开内容。这不应当被解释成意为:对于任何权利要求而言,未要求保护的公开特征均是必要的。而是,发明主题可能在于少于特定公开的实施方式的所有特征。因此,所附权利要求书在此并入具体实施方式中,其中每项权利要求自身作为单独的实施方式存在。应当参照所附权利要求以及这样的权利要求所赋予的等同物的全部范围来确定本发明的范围。此外,所附权利要求的限制不以装置加功能的格式编写,并且也不旨在基于35 U.S.C.§112第六段进行解释,除非这样的权利要求的限制明确地使用短语“用于......的装置”,“用于”之后是没有进一步的结构的功能陈述。
提供摘要以符合37 C.F.R.§1.72(b),以允许读者快速地确定技术公开的实质。提交了摘要并理解:摘要将不会被用来解释或限制权利要求的范围或含义。
Claims (24)
1.一种用于训练深度卷积神经网络以提供患者放射治疗计划的方法,所述方法包括:
从一组患者收集患者数据,所述患者数据包括患者解剖结构的至少一个图像和先前的治疗计划,其中,所述治疗计划包括预定的机器参数;以及
通过使用所述先前的治疗计划和相应的收集的患者数据训练深度卷积神经网络以进行回归,来确定新治疗计划。
2.根据权利要求1所述的方法,其中,所述新治疗计划包括预测的机器参数。
3.根据权利要求1所述的方法,还包括通过调节所述深度卷积神经网络的一个或多个参数以最小化成本函数来训练所述深度卷积神经网络,所述成本函数包括预定的机器参数集与预测的机器参数集之间的差。
4.根据权利要求1至3中任一项所述的方法,其中,所述预定的机器参数包括台架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。
5.根据权利要求2至4中任一项所述的方法,其中,所述预测的机器参数包括台架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。
6.根据权利要求1至5中任一项所述的方法,还包括:从一组患者中的每个患者收集包括至少一个有符号距离图的患者数据。
7.根据权利要求1至6中任一项所述的方法,其中,所述患者解剖结构的所述至少一个图像包括来自患者的计划CT图像、解剖结构标签图、确定目标距离如有符号距离图中的至少一个。
8.一种使用深度卷积神经网络来提供放射治疗计划的方法,所述方法包括:
取得先前对来自一组患者的患者数据进行训练的经训练的深度卷积神经网络;
收集新的患者数据,其中,所述新的患者数据包括患者解剖结构的至少一个图像;以及
通过使用所述经训练的深度卷积神经网络进行回归,确定所述新的患者的新治疗计划,其中,所述新治疗计划具有新的机器参数集。
9.根据权利要求8所述的方法,其中,所述经训练的深度卷积神经网络可以提供包括所述机器参数集的新治疗计划,其中,所述机器参数集包括台架角度、多叶准直器叶片位置、或放射疗法束强度中的至少一个。
10.根据权利要求8或9中任一项所述的方法,其中,所述新治疗计划实时创建。
11.根据权利要求9所述的方法,其中,所述新治疗计划在放射疗法治疗期间实时创建。
12.一种放射疗法治疗系统,包括:
图像采集装置,所述图像采集装置收集包括患者解剖结构的至少一个图像的患者数据;
放射疗法装置,所述放射疗法装置对患者实施放射疗法;
非暂态机器可读介质,所述非暂态机器可读介质存储经训练的深度卷积神经网络和放射疗法的治疗计划;
处理器,所述处理器通过使用经训练的深度卷积神经网络进行回归,基于所收集的患者数据来生成新治疗计划,其中,所述新治疗计划包括机器参数集;以及
放射疗法控制电路,所述放射疗法控制电路被配置成指示所述放射疗法装置根据具有新的机器参数集的新的放射治疗计划对所述患者实施放射疗法。
13.根据权利要求12所述的系统,其中,所述经训练的深度卷积神经网络被配置成预先根据来自一组患者的患者数据进行训练。
14.根据权利要求12或13中任一项所述的系统,其中,所述新的机器参数集包括预测的机器参数。
15.根据权利要求12至14中任一项所述的系统,其中,所述新的机器参数集包括机架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。
16.根据权利要求12所述的系统,其中,通过调节所述深度卷积神经网络的一个或更多个参数以最小化成本函数来训练所述深度卷积神经网络,所述成本函数包括预定的机器参数集与预期的机器参数集之间的差。
17.根据权利要求12至16中任一项所述的系统,其中,患者数据包括来自一组患者中的每个患者的至少一个有符号距离图。
18.根据权利要求12至17中任一项所述的系统,其中,所述患者解剖结构的至少一个图像包括来自患者的计划CT图像、解剖结构标签图、确定目标距离如有符号距离图中的至少一个。
19.根据权利要求12所述的系统,其中,所述新治疗计划实时创建。
20.根据权利要求12所述的系统,其中,所述新治疗计划在放射疗法治疗期间实时创建。
21.一种非暂态机器可读介质,包括如下指令,该指令在由图像处理器执行时使所述图像处理器执行以下操作:
从一组患者中接收患者数据,所述患者数据包括患者解剖结构的至少一个图像和先前治疗计划,其中,所述治疗计划包括预定的机器参数;
通过使用所述先前的治疗计划和相应的收集的患者数据训练深度卷积神经网络以进行回归,其中,调节所述深度卷积神经网络的至少一个或更多个参数以最小化成本函数;以及
使用经训练的深度卷积神经网络确定包括新的预测的机器参数集的新治疗计划,其中,所述机器参数包括台架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。
22.根据权利要求21所述的非暂态机器可读介质,还包括如下指令,该指令在由所述图像处理器执行时使所述图像处理器从一组患者中的每个患者接收包括至少一个有符号距离图的患者数据。
23.根据权利要求21或22中任一项所述的非暂态机器可读介质,其中,所述患者解剖结构的所述至少一个图像包括计划CT图像、解剖结构标签图或确定目标距离中的至少一个。
24.根据权利要求21至23中任一项所述的非暂态机器可读介质,其中,所述新治疗计划在放射疗法治疗期间实时创建。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/658,484 | 2017-07-25 | ||
US15/658,484 US11517768B2 (en) | 2017-07-25 | 2017-07-25 | Systems and methods for determining radiation therapy machine parameter settings |
PCT/US2018/043320 WO2019023142A1 (en) | 2017-07-25 | 2018-07-23 | RADIATION THERAPY PLANNING USING A DEEP CONVOLUTIVE NETWORK |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110944717A true CN110944717A (zh) | 2020-03-31 |
Family
ID=63143406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880049758.0A Pending CN110944717A (zh) | 2017-07-25 | 2018-07-23 | 使用深度卷积网络的放射疗法计划 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11517768B2 (zh) |
EP (1) | EP3658231B1 (zh) |
JP (2) | JP6934559B2 (zh) |
CN (1) | CN110944717A (zh) |
AU (1) | AU2018307739B2 (zh) |
WO (1) | WO2019023142A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833988A (zh) * | 2020-07-14 | 2020-10-27 | 北京安德医智科技有限公司 | 放射参数确定方法及装置、电子设备和存储介质 |
CN112037885A (zh) * | 2020-09-07 | 2020-12-04 | 平安科技(深圳)有限公司 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
CN112263787A (zh) * | 2020-10-30 | 2021-01-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
US11517768B2 (en) | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
CN116096461A (zh) * | 2020-09-02 | 2023-05-09 | 医科达(上海)科技有限公司 | 基于深度学习的自动束建模 |
US11992702B2 (en) | 2020-09-21 | 2024-05-28 | Elekta, Inc. | Machine learning optimization of fluence maps for radiotherapy treatment |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11850445B2 (en) | 2016-09-07 | 2023-12-26 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
WO2019027924A1 (en) * | 2017-07-30 | 2019-02-07 | Icahn School Of Medicine At Mount Sinai | DEEP PLANNING RADIATION THERAPY SYSTEM AND METHOD |
US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
US10803984B2 (en) | 2017-10-06 | 2020-10-13 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
CA3100815A1 (en) * | 2018-03-07 | 2019-09-12 | Memorial Sloan Kettering Cancer Center | Methods and systems for automatic radiotherapy treatment planning |
US11030780B2 (en) * | 2018-03-26 | 2021-06-08 | The Board Of Trustees Of The Leland Stanford Junior University | Ultrasound speckle reduction and image reconstruction using deep learning techniques |
US10719961B2 (en) * | 2018-05-04 | 2020-07-21 | General Electric Company | Systems and methods for improved PET imaging |
JP7370694B2 (ja) * | 2018-08-14 | 2023-10-30 | キヤノン株式会社 | 医用情報処理装置及び医用情報処理方法、プログラム |
US11475991B2 (en) * | 2018-09-28 | 2022-10-18 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
US11823800B2 (en) * | 2018-10-12 | 2023-11-21 | The Medical College Of Wisconsin, Inc. | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs |
CN109523532B (zh) * | 2018-11-13 | 2022-05-03 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
EP3673955A1 (en) * | 2018-12-24 | 2020-07-01 | Koninklijke Philips N.V. | Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy |
CN109859817B (zh) * | 2019-04-01 | 2022-12-09 | 安徽大学 | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 |
CN110060508B (zh) * | 2019-04-08 | 2020-11-20 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
CN110141801B (zh) * | 2019-05-17 | 2021-04-27 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
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 |
WO2020256750A1 (en) * | 2019-06-20 | 2020-12-24 | Elekta, Inc. | Predicting radiotherapy control points using projection images |
CN110433405A (zh) * | 2019-07-09 | 2019-11-12 | 苏州雷泰智能科技有限公司 | 一种预测剂量引导的tps优化方法及装置 |
US11097128B2 (en) | 2019-07-16 | 2021-08-24 | Elekta Ab (Publ) | Radiotherapy treatment plans using differentiable dose functions |
CN110582328B (zh) * | 2019-07-22 | 2022-03-01 | 北京市肿瘤防治研究所 | 一种放射治疗出射束监测方法和系统 |
CN110354406A (zh) * | 2019-07-30 | 2019-10-22 | 安徽大学 | 一种放射治疗的三维剂量预测方法和系统 |
CN110705626A (zh) * | 2019-09-26 | 2020-01-17 | 北京市商汤科技开发有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
CN111211831A (zh) * | 2020-01-13 | 2020-05-29 | 东方红卫星移动通信有限公司 | 一种多波束低轨卫星智能动态信道资源分配方法 |
DE102020203848A1 (de) * | 2020-03-25 | 2021-09-30 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Ansteuerung eines medizinischen Geräts |
EP3892328A1 (en) * | 2020-04-09 | 2021-10-13 | RaySearch Laboratories AB | A method of generating a radiotherapy treatment plan for a patient, a computer program product and a computer system |
US11301999B2 (en) * | 2020-05-07 | 2022-04-12 | Tencent America LLC | Shape-aware organ segmentation by predicting signed distance maps |
US11813479B2 (en) * | 2020-06-11 | 2023-11-14 | Siemens Healthineers International Ag | Method and apparatus to facilitate administering therapeutic radiation to a patient |
US20220013231A1 (en) * | 2020-07-13 | 2022-01-13 | Corsmed Ab | Method for ai applications in mri simulation |
US20220059221A1 (en) * | 2020-08-24 | 2022-02-24 | Nvidia Corporation | Machine-learning techniques for oxygen therapy prediction using medical imaging data and clinical metadata |
WO2022056630A1 (en) * | 2020-09-16 | 2022-03-24 | Elekta Limited | Techniques for detecting movement during radiotherapy treatment |
US11710558B2 (en) * | 2020-09-23 | 2023-07-25 | Siemens Healthineers International Ag | Computer modeling for field geometry selection |
JP2022074801A (ja) * | 2020-11-05 | 2022-05-18 | 国立大学法人東北大学 | 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置 |
EP4019084A1 (en) | 2020-12-22 | 2022-06-29 | Koninklijke Philips N.V. | Planning apparatus for planning a radiation therapy |
EP4272812A4 (en) * | 2020-12-30 | 2024-09-04 | Neurophet Inc | MEDICAL IMAGE ANALYSIS METHOD TAKES FEATURE INFORMATION INTO ACCOUNT, MEDICAL IMAGE ANALYSIS DEVICE AND MEDICAL IMAGE ANALYSIS SYSTEM |
US11869151B2 (en) * | 2021-01-26 | 2024-01-09 | Beth Israel Deaconess Medical Center | Systems and methods for finite element analysis of tumor treating fields |
WO2022161898A1 (en) * | 2021-01-27 | 2022-08-04 | Koninklijke Philips N.V. | Adaptive collimation for interventional x-ray |
CN112837782B (zh) * | 2021-02-04 | 2024-07-02 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗三维剂量预测方法 |
WO2022256782A1 (en) * | 2021-06-02 | 2022-12-08 | Elekta, Inc. | Discreet parameter automated planning |
US11983869B2 (en) * | 2021-06-09 | 2024-05-14 | Elekta, Inc. | Feature-space clustering for physiological cycle classification |
EP4180088A1 (en) * | 2021-11-16 | 2023-05-17 | Koninklijke Philips N.V. | A machine learning based system for generating objective functions for radiation therapy treatment planning |
US20230218926A1 (en) * | 2022-01-13 | 2023-07-13 | Elekta, Inc. | Bed calculation with isotoxic planning |
CN114578750B (zh) * | 2022-03-07 | 2023-08-15 | 天津美腾科技股份有限公司 | 用于x射线设备的射源控制电路、方法及设备 |
EP4257181A1 (en) * | 2022-04-05 | 2023-10-11 | RaySearch Laboratories AB | Methods and system related to radiotherapy treatment planning |
CN114925904A (zh) * | 2022-05-17 | 2022-08-19 | 厦门大学附属第一医院 | 一种预测螺旋断层放疗计划的γ通过率的方法 |
US20230402152A1 (en) * | 2022-06-13 | 2023-12-14 | Varian Medical Systems, Inc. | Dose-directed radiation therapy plan generation using computer modeling techniques |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102316930A (zh) * | 2008-10-27 | 2012-01-11 | 断层放疗公司 | 用于递送放射治疗的运动自适应优化的系统和方法 |
US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
EP2605828A2 (en) * | 2010-08-17 | 2013-06-26 | Board Of Regents, The University Of Texas System | Automated treatment planning for radiation therapy |
US20140031603A1 (en) * | 2011-03-07 | 2014-01-30 | Dalhousie University | Methods and apparatus for imaging in conjunction with radiotherapy |
CN103961182A (zh) * | 2014-05-06 | 2014-08-06 | 深圳普门科技有限公司 | 一种多功能治疗箱组及其专家系统的治疗推荐方法 |
CN105120955A (zh) * | 2013-03-15 | 2015-12-02 | 瓦里安医疗系统国际股份公司 | 使用集成模型的放射治疗计划 |
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 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240394A (ja) * | 2002-12-12 | 2004-08-26 | Sense It Smart Corp | 話者音声解析システムおよびこれに用いるサーバ装置、話者音声の解析を利用した健康診断方法、話者音声解析プログラム |
US7880154B2 (en) | 2005-07-25 | 2011-02-01 | Karl Otto | Methods and apparatus for the planning and delivery of radiation treatments |
EP2214782A4 (en) * | 2007-10-25 | 2018-01-24 | Tomotherapy Incorporated | System and method for motion adaptive optimization for radiation therapy delivery |
JP2011050201A (ja) | 2009-08-28 | 2011-03-10 | Pioneer Electronic Corp | 充電装置、情報処理装置及び情報処理システム並びに充電装置用プログラム及び情報処理装置用プログラム |
CN102196407B (zh) | 2010-03-18 | 2015-09-16 | 中兴通讯股份有限公司 | 锚定鉴权器重定位方法及系统 |
US10046177B2 (en) * | 2014-06-18 | 2018-08-14 | Elekta Ab | System and method for automatic treatment planning |
US10387773B2 (en) * | 2014-10-27 | 2019-08-20 | Ebay Inc. | Hierarchical deep convolutional neural network for image classification |
WO2016081916A1 (en) | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Three-dimensional radiotherapy dose distribution prediction |
US20160213948A1 (en) * | 2015-01-22 | 2016-07-28 | Impac Medical Systems, Inc. | System and method to create test objects for radiation therapy |
US9652871B2 (en) * | 2015-01-28 | 2017-05-16 | Impac Medical Systems, Inc. | Three dimensional localization of a moving target for adaptive radiation therapy |
US20170091619A1 (en) * | 2015-09-29 | 2017-03-30 | Qualcomm Incorporated | Selective backpropagation |
US11056243B2 (en) | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN113822960A (zh) * | 2016-09-06 | 2021-12-21 | 医科达有限公司 | 用于生成合成成像数据的方法、系统及计算机可读介质 |
US11850445B2 (en) * | 2016-09-07 | 2023-12-26 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
US10307614B2 (en) * | 2016-09-22 | 2019-06-04 | Accuray Incorporated | Systems and methods for selecting a radiation therapy treatment plan |
US10449389B2 (en) | 2016-12-05 | 2019-10-22 | Varian Medical Systems International Ag | Dynamic target masker in radiation treatment of multiple targets |
US20180185672A1 (en) | 2016-12-30 | 2018-07-05 | Sun Nuclear Corporation | Determination of radiation collimator component position |
EP3392832A1 (en) * | 2017-04-21 | 2018-10-24 | General Electric Company | Automated organ risk segmentation machine learning methods and systems |
US11517768B2 (en) | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
US11100632B2 (en) | 2018-04-13 | 2021-08-24 | Elekta, Inc. | Image synthesis using adversarial networks such as for radiation therapy |
US11557390B2 (en) | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
EP3677309B1 (en) | 2019-01-03 | 2021-03-10 | RaySearch Laboratories AB | A method and a corresponding radiation treatment system for generating a radiation treatment plan |
WO2020256750A1 (en) | 2019-06-20 | 2020-12-24 | Elekta, Inc. | Predicting radiotherapy control points using projection images |
US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
-
2017
- 2017-07-25 US US15/658,484 patent/US11517768B2/en active Active
-
2018
- 2018-07-23 EP EP18752372.5A patent/EP3658231B1/en active Active
- 2018-07-23 WO PCT/US2018/043320 patent/WO2019023142A1/en unknown
- 2018-07-23 AU AU2018307739A patent/AU2018307739B2/en active Active
- 2018-07-23 CN CN201880049758.0A patent/CN110944717A/zh active Pending
- 2018-07-23 JP JP2020503934A patent/JP6934559B2/ja active Active
-
2021
- 2021-08-23 JP JP2021135351A patent/JP2021183173A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102316930A (zh) * | 2008-10-27 | 2012-01-11 | 断层放疗公司 | 用于递送放射治疗的运动自适应优化的系统和方法 |
EP2605828A2 (en) * | 2010-08-17 | 2013-06-26 | Board Of Regents, The University Of Texas System | Automated treatment planning for radiation therapy |
US20140031603A1 (en) * | 2011-03-07 | 2014-01-30 | Dalhousie University | Methods and apparatus for imaging in conjunction with radiotherapy |
US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
CN105120955A (zh) * | 2013-03-15 | 2015-12-02 | 瓦里安医疗系统国际股份公司 | 使用集成模型的放射治疗计划 |
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 |
CN103961182A (zh) * | 2014-05-06 | 2014-08-06 | 深圳普门科技有限公司 | 一种多功能治疗箱组及其专家系统的治疗推荐方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11517768B2 (en) | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
US11896847B2 (en) | 2020-02-07 | 2024-02-13 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
CN111833988A (zh) * | 2020-07-14 | 2020-10-27 | 北京安德医智科技有限公司 | 放射参数确定方法及装置、电子设备和存储介质 |
CN111833988B (zh) * | 2020-07-14 | 2024-02-06 | 北京安德医智科技有限公司 | 放射参数确定方法及装置、电子设备和存储介质 |
CN116096461A (zh) * | 2020-09-02 | 2023-05-09 | 医科达(上海)科技有限公司 | 基于深度学习的自动束建模 |
CN112037885A (zh) * | 2020-09-07 | 2020-12-04 | 平安科技(深圳)有限公司 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
CN112037885B (zh) * | 2020-09-07 | 2022-05-17 | 平安科技(深圳)有限公司 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
US11992702B2 (en) | 2020-09-21 | 2024-05-28 | Elekta, Inc. | Machine learning optimization of fluence maps for radiotherapy treatment |
CN112263787A (zh) * | 2020-10-30 | 2021-01-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
CN112263787B (zh) * | 2020-10-30 | 2021-08-10 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
WO2022088341A1 (zh) * | 2020-10-30 | 2022-05-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
AU2018307739B2 (en) | 2021-03-04 |
JP2021183173A (ja) | 2021-12-02 |
JP2020528791A (ja) | 2020-10-01 |
US11517768B2 (en) | 2022-12-06 |
JP6934559B2 (ja) | 2021-09-15 |
AU2018307739A1 (en) | 2020-03-05 |
US20190030370A1 (en) | 2019-01-31 |
EP3658231A1 (en) | 2020-06-03 |
WO2019023142A1 (en) | 2019-01-31 |
EP3658231B1 (en) | 2022-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3658231B1 (en) | Radiation therapy planning using deep convolutional network | |
CN111432879B (zh) | 用于放射机器的束模型的计算机实现的方法和系统 | |
CN114206438B (zh) | 使用投影图像预测放射治疗控制点 | |
US11842497B2 (en) | Automatic contour adaptation using neural networks | |
US20230302297A1 (en) | Patient imaging for dynamic online adaptive radiotherapy | |
EP4230261A1 (en) | Dose volume histogram optimization based on quantile regression | |
EP4101502A1 (en) | Feature-space clustering for physiological cycle classification | |
US11989851B2 (en) | Deformable image registration using deep learning | |
WO2023041167A1 (en) | Generative model of phase space | |
US20240311956A1 (en) | Quality factor using reconstructed images | |
US20230218926A1 (en) | Bed calculation with isotoxic planning | |
US20240242813A1 (en) | Image quality relative to machine learning data | |
EP4279125A1 (en) | Joint training of deep neural networks across clinical datasets for automatic contouring in radiotherapy applications | |
WO2023041166A1 (en) | Inferring clinical preferences from data |
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 |