CN111432879A - 使用深度卷积神经网络确定束模型参数 - Google Patents
使用深度卷积神经网络确定束模型参数 Download PDFInfo
- Publication number
- CN111432879A CN111432879A CN201880079277.4A CN201880079277A CN111432879A CN 111432879 A CN111432879 A CN 111432879A CN 201880079277 A CN201880079277 A CN 201880079277A CN 111432879 A CN111432879 A CN 111432879A
- Authority
- CN
- China
- Prior art keywords
- parameter values
- beam model
- model parameter
- radiation
- 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.)
- Granted
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
- A61N5/1077—Beam delivery 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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
-
- 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
- A61N5/1036—Leaf sequencing algorithms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
- G06T2207/10121—Fluoroscopy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
系统和方法可以包括训练深度卷积神经网络模型来提供放射机器的束模型例如以将放射治疗剂量实施至对象。一种方法可以包括:确定与放射机器对应的束模型的至少一个参数的参数值的范围;生成多组束模型参数值,其中,相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值;提供分别与多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布;以及使用多个束模型和相应剂量分布来训练神经网络模型。
Description
优先权
本国际申请要求于2017年12月8日提交的美国申请序列号15/836,539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机器的束模型的参数。特别地,本发明涉及使用深度学习技术来确定放射机器的束模型参数。
发明内容
放射治疗用于治疗哺乳动物(例如人和动物)组织中的癌症和其他疾病。提供了使用线性加速器(LINAC)的示例性放射治疗,由此通过高能粒子(例如,电子、光子、离子等)照射靶(例如肿瘤)。在典型的基于LINAC的放射治疗中,多个放射束从不同角度朝向靶定向。
周围的正常组织通常称为危及器官(OAR)。为了防止OAR受到由放射束造成的严重附带损害,应将这些OAR接收的剂量限制在一定水平。在治疗计划期间需要满足对OAR接收的剂量的这种限制(通常称为约束)。
治疗计划是一个过程,涉及确定特定的放射治疗参数(例如,放射束角度、每个角度的放射强度水平等),以在约束条件下实现治疗目标。
治疗计划活动的结果是放射治疗计划,以下也称为治疗计划或简称为计划。典型的治疗计划过程包括:根据患者的医学图像描绘一个或更多个靶以及一个或更多个OAR;指定放射束角度或在弧计划的情况下指定角度范围;以及确定孔径形状和每个形状在各个束角度下的放射强度水平。
治疗计划包括束模型,束模型可以包括尤其描述从放射机器(例如,LINAC)发射的放射的能量分布的参数。放射模型之间的束模型参数值在放射机器之间可能会有所不同,即使是同一型号的放射机器也是如此,在每个放射机器中可能会有小差异,例如放射机器提供的注量或能量方面。放射机器之间的机械差异(例如,机械尺寸或材料性能)或部件值(例如,电子电路部件值)的差异可能导致不同放射机器之间的束模型参数值的差异。在某些方法中,在安装放射机器并执行最终调整后,客户可以使用模拟患者组织的体模来执行测量。体模可以包括一箱水,在这箱水内部具有可移动的剂量计。然后束建模器可以使用测量来执行束建模,以确定与该测量对应的放射机器的束模型参数值。然而,由束建模器执行的束建模可能很耗时。束建模可以包括迭代过程,该迭代过程包括许多剂量计算(例如,大约50至100次剂量计算),每次可能花费大约十分钟。
发明人尤其已经认识到,可以通过使用机器学习(例如,神经网络模型)极大地改善波束建模过程,例如减少束建模所需的时间。然而,例如由于在剂量分布的测量期间引入的误差,使用与现有的放射机器对应的数据集可能是不期望的。发明人尤其已经认识到,合成数据集可以提供无测量误差的训练数据,例如可以在剂量分布(例如,百分深度剂量分布或径向剂量分布)的测量过程中引入的训练数据。另外,发明人已经认识到,与现有放射机器对应的许多数据集可能不足以用于机器学习以期望的精度产生束模型参数。发明人已经认识到,另外可以合成数据集并将其用于补偿数据集的短缺,例如由有限数量的具有已知的束模型参数值的放射机器引起的数据集的短缺。通过减少束建模所花费的时间(例如通过使用机器学习),可以更快地调试放射机器,从而可以改善患者的工作流程并改善患者的治疗效果。
以上概述旨在提供本专利申请的主题的概述。并不旨在提供本发明的排他性或详尽的解释。详细描述被包括以提供关于本专利申请的更多信息。
在一方面,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模型来提供放射机器的束模型以将放射治疗剂量实施至对象的计算机实现的方法。该方法可以包括确定与放射机器对应的束模型的至少一个参数的参数值的范围。该方法还可以包括生成多组束模型参数值,其中,相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值。该方法还可以包括提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布。该方法还可以包括使用多个束模型和相应剂量分布来训练神经网络模型。该方法还可以包括使用至少一组束模型参数值和先前从至少一个放射机器收集的相应测量剂量分布来训练神经网络模型。确定至少一个束模型参数的束模型参数值的范围可以包括确定多个放射机器中的每一个的束模型参数值。该方法还可以包括测量多个放射机器中的每一个的至少一个剂量分布。训练神经网络模型可以包括将N组所生成的束模型参数值和相应剂量分布提供至神经网络模型。训练神经网络模型还可以包括将来自M个放射机器的剂量分布和相应的束模型参数提供至神经网络模型。该方法还可以包括从所确定的范围的束模型参数值中随机或伪随机地选择束模型参数值,例如用于生成束模型参数值的组中的至少一个。可以使用多个剂量分布来生成各组束模型参数值,其中,多个相应剂量分布中的各个剂量分布可以包括可以随着进入靶样本的深度而变化的相对放射剂量。确定束模型的至少一个参数的束模型参数值的范围可以包括确定与从放射机器的放射源发射的光子的能量分布有关的多个束模型参数值。束模型参数可以包括放射源的大小、放射源的位置或放射源的能谱中的至少一个。确定束模型的至少一个参数的束模型参数值的范围可以包括确定与从放射机器的放射源发射的电子的能量分布有关的多个束模型参数值。
在一方面,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确定放射机器的束模型的至少一个参数值的计算机实现的方法。该方法可以包括接收先前使用多组束模型参数值和相应剂量分布训练的训练神经网络模型,训练神经网络模型被训练以用于根据一个或更多个测量放射机器剂量分布预测至少一个放射机器束模型参数值。该方法还可以包括测量放射机器的多个剂量分布以例如将其作为输入提供至训练神经网络模型。该方法还可以包括使用训练神经网络模型来确定放射机器的一组束模型参数值中的至少一个束模型参数值。该方法还可以包括根据可以包括所确定的至少一个束模型参数值的一组束模型参数值计算剂量分布,以及将所计算的剂量分布与所测量的剂量分布进行比较。所述一组束模型参数值可以包括至少一个没有使用经训练的神经网络模型确定的束模型参数值。该方法还可以包括:如果来自放射机器的测量剂量分布与所确定的剂量分布之间的差满足指定标准,则更新由神经网络模型确定的至少一个束模型参数值。该方法还可以包括使用可以包括由神经网络模型确定的至少一个束模型参数值的一组束模型参数值来确定多个剂量分布,其中所述多个剂量分布中的相应剂量分布可以对应于放射机器的不同的场大小。该方法还可以包括将多个确定的剂量分布中的每一个与多个测量剂量分布中的相应一个测量剂量分布进行比较。接收先前使用多组束模型参数值和相应剂量分布训练的神经网络可以包括接收根据方法预先训练的训练神经网络,该方法包括:确定与放射机器对应的束模型的至少一个参数的束模型参数值的范围;生成多组束模型参数值,其中相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值;提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布;以及使用所述多组束模型参数值和相应剂量分布来训练神经网络。该方法还可以包括使用具有所确定的至少一个束模型参数值的一组波束模型参数值来估计从放射机器到患者体内的靶区域的放射剂量。
在一方面,本公开内容的特征可以在于一种用于根据放射机器的至少一个测量剂量分布生成放射机器的束模型的至少束模型参数值。该系统可以包括接口,该接口可以被配置成接收与放射机器对应的至少一个测量剂量分布并且接收用于估计放射机器的至少一个束模型参数值的神经网络模型。该系统还可以包括用于存储神经网络模型和至少一个测量的剂量分布的存储器,其中神经网络模型可以使用多组束模型参数值和相应剂量分布来训练。该系统还可以包括处理器,该处理器被配置成使用至少一个测量剂量分布来估计放射机器的至少一个束模型参数值作为至神经网络模型的输入。所存储的神经网络可以通过如下来训练:确定与放射机器对应的束模型的至少一个参数的束模型参数值的范围;生成多组束模型参数值,其中,相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值;提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布;以及将所述多组束模型参数值和相应剂量分布提供至神经网络模型。该接口可以被配置成:如果来自放射机器的测量剂量分布与根据一组束模型参数值确定的剂量分布之间的差满足指定标准,则将包括由神经网络模型估计的束模型参数值的一组束模型参数值和相应剂量分布发送至用户。
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2示出了可以包括被配置成提供疗法束的放射疗法输出的示例性放射疗法系统。
图3示出了用于深度学习的示例性流程图。
图4示出了示例性剂量分布。
图5A示出了用于训练神经网络模型的示例性方法。
图5B示出了用于使用神经网络模型来生成束模型参数的示例性方法。
图6示出了示例性地使用训练神经网络模型来估计一个束模型参数。
图7A至图7C示出了示例性地使用训练神经网络模型来估计三个束模型参数。
图8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。
用于放射治疗的放射机器可以向患者提供放射束(例如,光子束或电子束),以辐照患者体内的肿瘤。在治疗之前,可以例如由临床医生执行治疗计划。在治疗计划期间,临床医生可以决定如何最好地辐照肿瘤,同时最大程度地减少对相邻OAR的损害。可以在治疗计划过程中使用放射机器的束模型来模拟从放射机器射出并撞击患者的放射。确定束模型参数的值可能是一个反复且耗时的过程。每次剂量计算可能需要大约10分钟,并且许多剂量计算可能需要数小时才能完成。完成剂量计算所需的时间相对较长可能会导致使用放射机器进行患者治疗时出现延迟。发明人尤其已经认识到,通过使用机器学习(例如,神经网络模型)可以大大改善束建模过程。然而,例如由于在剂量分布的测量期间引入的误差,使用与现有的放射机器对应的数据集可能是不期望的。发明人尤其已经认识到,合成数据集可以提供无测量误差的训练数据,例如可以在剂量分布(例如,百分深度剂量分布或径向剂量分布)的测量过程中引入的训练数据。发明人还认识到,神经网络模型通常需要大量数据集(例如,至少一千个数据集)以提供对模型的精确训练,并且例如由于有限数量的具有已知束模型参数值的放射机器,这样大量的数据集可能不可用。发明人已经认识到,可以合成新的数据集并将其用于补偿数据集的短缺,例如由有限数量的具有已知束模型参数值的放射机器所引起的数据集的短缺。然后,可以将合成的数据集用于训练神经网络模型。通过减少束建模所需的时间,可以更快地调试放射机器,从而改善患者的工作流程并改善患者的治疗效果。
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个或更多个计算机可执行指令集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(sagittal orientation)、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“接近实时”获取这样的2D切片。“接近实时”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,例如多叶准直器(MLC)。
返回参照图2,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2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2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实施方式,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。在另一实施方式中,放射疗法装置可以是线性加速器和图像采集装置的组合。在一些实施方式中,如本领域普通技术人员将认识到的,图像采集装置可以是MRI、X射线、CT、CBCT、螺旋CT、PET、SPECT、光学层析成像、荧光成像、超声成像或放射治疗门架成像装置等。
图3示出了用于深度学习的示例性流程图,其中可以训练并使用诸如深度卷积神经网络之类的深度学习模型来确定放射机器的束模型参数值。输入304可以包括具有一组初始值和训练数据的定义深度学习模型。训练数据可以包括剂量分布和预期结果。深度学习模型可以包括神经网络例如深度卷积神经网络。可以对剂量分布例如百分深度剂量曲线以及相应的束参数来训练深度学习网络。当训练时,深度学习网络可以仅使用放射机器的百分深度剂量曲线来产生对这样的放射机器的束模型参数值的估计。预期结果可以包括可以用于治疗计划期间的剂量计算的百分深度剂量曲线。束模型参数可以包括放射机器内一个或更多个光子源的大小和位置、从放射机器发射的光子的光子谱的最大能量、描述从放射机器发射的光子谱的形状的许多因素。束模型参数还可以包括放射机器内的一个或更多个电子源的大小和位置、从放射机器发射的电子谱的平均能量。束模型参数还可以包括描述由放射机器发射的放射(例如,电子或光子)离轴可以如何变化的一个或多个数字。在深度学习模型308的训练期间,可以从剂量分布和预期结果(例如,相应的束模型参数值)中选择一批训练数据。所选择的训练数据可以包括至少一个剂量分布和相应的真值(groundtruth)束模型参数值。深度学习模型可以应用于选定的剂量分布,以提供估计结果(例如,估计的束模型参数),然后可以将估计结果与预期结果(例如,与选定的剂量分布对应的真值束模型参数值)进行比较,以计算可以提供训练误差的指示的差。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),例如以减少或最小化后续试验期间束模型参数值估计中的误差。可以将误差与预定标准进行比较,以通过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,并且可以从剂量分布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,然后可以在深度学习测试或推断阶段312期间使用经训练的模型,以基于与训练数据不同的剂量分布预测束模型参数值。经训练的模型可以接收新的剂量分布并提供预测结果(例如,束模型参数值)。
图4示出了百分深度剂量曲线的示例。可以通过将来自放射机器的放射施加至模拟人体组织的介质(例如,体模)上来测量百分深度剂量曲线。在一个示例中,体模可以包括水。可以测量和记录根据介质中的深度沉积的放射量,例如以提供如图4所示的百分深度剂量曲线。安装在介质中的传感器可以提供对沉积的放射的测量。
图5A示出了用于训练神经网络模型(例如,用于基于来自放射机器的至少一个测量剂量分布来确定放射机器的束模型参数值的深度卷积神经网络(DCNN)模型)的方法的示例。可以接收多组束模型参数值,其中,每组束模型参数值可以对应于放射机器(步骤510)。可以由表达式来表示一组束模型参数值,其中,X可以表示一组束模型参数值,并且可以表示第j个束模型参数的束模型参数值。然后可以通过分析来自不同组的束模型参数值的束参数值来确定单独的束模型参数值的范围(例如,最小值和最大值)(步骤512)。在其中束模型参数值在第一、第二和第三组束模型参数中可以分别为0.1、0.5或0.9的示例中,束模型参数值的范围可以为0.1至0.9。然后可以例如通过落入所确定范围内的束参数值的随机或伪随机采样来生成多组束模型参数值(步骤514)。例如,可以生成N组束模型参数值。在一个示例中,采样可以超出确定的范围扩展一定量(例如,±10%)。某些束模型参数值在不同的放射机器之间可能不会有很大变化。对于一组或更多组束模型参数值,这样的束模型参数值可以相同。例如,对于一组或更多组束模型参数值,束模型参数的值可以相同。可以将所生成的束模型参数值的组的数量N选择为足够大,以利于训练神经网络模型。例如,N可以大于一千。如此大的数量N可以远大于现有的放射机器的数量(例如,大约4000)。在一个示例中,可以选择生成的束模型参数集的数量以覆盖所有放射机器的可能参数值的范围,例如可以导致生成的束参数集的数量减少。覆盖一个束模型参数的可能参数值的范围可以包括生成在可能参数值的范围内的多个值。值的数量可以规则、随机或伪随机间隔。束模型放射参数可以具有例如可以基于由束建模器为多个放射机器确定的束模型参数值确定的最小值和最大值。在一个示例中,束模型放射参数的最小值可以是1,束模型放射参数的最大值可以是2,并且覆盖可能参数范围的多个值可以包括1.0、1.2、1.4、1.6、1.8和2.0。在生成的束模型参数的组数可以被选择以覆盖所有放射机器的可能参数值的范围的示例中,组数可以小于现有的放射机器数。然后可以针对所生成的束参数组中的每一个计算剂量分布(步骤516)。剂量分布可以通过计算机实现的算法来确定。在可以通过计算机算法确定剂量分布的实施方式中,该算法可以是分析算法,并且计算可能需要几个小时。可以针对所生成的各组束参数值确定针对一个或多个场大小的剂量分布。可以在轴上和离轴计算剂量分布。可以沿着中心轴(例如,沿着放射束的方向)计算剂量深度分布,并且可以沿着与中心轴正交的方向(例如,沿着横穿放射轴的方向)在指定深度处计算径向剂量分布。另外,可以针对一定范围的场大小(例如1×1、2×2等)计算剂量分布。为了开始网络训练,可以将迭代索引设置为初始值零(步骤518)。可以从M组束模型参数值以及相应剂量分布中形成一批训练数据(步骤522),其中M可以小于N。可以将这批训练数据提供给神经网络模型,并且可以基于其来更新神经网络参数(步骤526)。神经网络模型可以基于该批次训练数据中的一个或更多个剂量分布以及神经网络模型的当前参数来提供输出的一组束模型参数值(步骤530)。可以在该批训练数据中与所接收的剂量分布对应的输出的一组束模型参数值与真值束模型参数值之间进行比较。根据比较确定相应的误差组,其中每个误差值可以包括估计的束模型参数值与相应的真值束模型参数之间的差(步骤534)。然后可以基于对应的误差来更新神经网络模型的参数,例如通过使用反向传播(步骤538)。在一个实施方式中,可以更新神经网络模型的参数,例如以最小化或减少函数,例如成本函数J(Θ*)=arg minΘ||Y-Y*||2,其中Y可以表示由神经网络模型确定的束模型参数值,其中Y*可以表示与该批训练数据相对应的已知束模型参数值,其中Θ*可以表示与Y和Y*之间的最小平方误差对应的神经网络模型的参数(例如,层节点权重和偏差)。在更新神经网络模型的参数之后,迭代索引可以递增一个单位(步骤542)。迭代索引可以对应于神经网络模型的参数已被更新的次数。可以计算停止标准(步骤546),并且如果满足停止标准,则可以将神经网络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550)。如果不满足停止标准,则可以在步骤522处继续训练。在一个实施方式中,在训练在步骤522继续之前,可以如上面关于步骤514和516所述那样生成附加的训练数据。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一组束模型参数值的精度(例如,停止标准可以包括输出的一组束模型参数值和与该批训练数据中所接收的多组医学图像相对应的束模型参数值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534中确定的所有误差的渐近最小值。在一个实施方式中,可以将束模型参数值以具有固定格式的图像的形式呈现给神经网络模型。在一个实施方式中,剂量分布可以与束模型参数值集中并且可以被呈现为实数阵列。
图5B示出了一种使用经训练的神经网络模型(例如,可以根据以上参照图5A描述的方法来训练的深度卷积神经网络(DCNN))来生成束模型参数的方法的示例。可以从测量装置接收剂量分布(步骤560)。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接收经训练的神经网络模型(步骤564)。可以使用经训练的神经网络模型来确定束模型参数值例如用于放射治疗计划或重新计划(步骤568)。所确定的束模型参数值可以例如自动地或由束建模器用于计算一个或更多个剂量分布(步骤572)。然后可以将一个或更多个计算的剂量分布与一个或更多个剂量分布例如在步骤560处接收到的那些剂量分布比较。如果在步骤560处接收的一个或更多个剂量分布与在步骤572处计算的一个或更多个剂量分布之间的差满足指定标准时,可以更新至少一个束模型参数值(步骤576)。例如,可以由束建模器更新至少一个束模型参数值。
图6示出了使用经训练的神经网络模型来估计一个束模型参数的结果的示例。在图6所示的示例中,可以提供多组束模型参数值,其中单个束模型参数可以在组之间的变化。另外,还可以提供具有5×5的场大小的一个或更多个相应的剂量分布。在图6所示的示例中,估计的束模型参数和实际的真值束模型参数被一起绘制。在图6所示的示例中,使用大约3000个训练组来训练神经网络模型。
图7A至图7C示出了使用经训练的神经网络来估计三个束模型参数值的结果的示例。在图7A至图7C所示的示例中,可以提供多组束模型参数值。六个束模型参数值可以在各组之间变化。还可以提供对应于五个不同场大小的五个剂量分布。在图7A至图7C所示的示例中,估计的束模型参数值和实际的真值束模型参数值被一起绘制。在图7A至图7C所示的示例中,大约有10000个训练组用于训练神经网络模型。训练组中的每一个组包括30个剂量分布,剂量分布中的每一个对应于5个不同场大小(例如1×1、2×2等)之一和6个不同剂量计算(例如,百分深度剂量分布(轴上)、百分深度剂量分布(离轴)或径向剂量分布)之一。
图8示出了机器800的实施方式的框图,在该机器800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800来实现。在替选的实施方式中,机器800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800的项中的一项或更多项。在联网的部署中,机器800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个(或多个)指令集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800包括处理电路系统802(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821(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804和静态存储器806,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808彼此通信。机器800(例如计算机系统)还可以包括视频显示单元810(例如,液晶显示器(LCD)或阴极射线管(CRT))。机器800还包括字母数字输入装置812(例如键盘)、用户接口(UI)导航装置814(例如鼠标)、磁盘驱动器或大容量存储单元816、信号生成装置818(例如扬声器)和网络接口装置820。
磁盘驱动器单元816包括机器可读介质822,在该机器可读介质822上存储一个或更多个指令集和数据结构(例如软件)824,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800执行指令824期间,指令824还可以全部或至少部分地驻留在主存储器804内和/或在处理器802内,主存储器804和处理器802也构成机器可读介质。
如所示的机器800包括输出控制器828。输出控制器828管理至机器800的数据流/来自机器800的数据流。输出控制器828有时被称为装置控制器,其中直接与输出控制器828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822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826来发送或接收指令824。可以使用网络接口装置820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824。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35U.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37C.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 (20)
1.一种用于训练深度卷积神经网络模型来提供放射机器的束模型以将放射治疗剂量实施至对象的计算机实现的方法,所述方法包括:
确定与所述放射机器对应的束模型的至少一个参数的参数值的范围;
生成多组束模型参数值,其中,相应的一组或更多组束模型参数值包括从所确定的范围的参数值中选择的参数值;
提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布;以及
使用所述多个束模型和所述相应剂量分布来训练所述神经网络模型。
2.根据权利要求1所述的方法,包括使用至少一组束模型参数值和先前从至少一个放射机器收集的相应测量剂量分布来训练所述神经网络模型。
3.根据权利要求1所述的方法,其中,确定至少一个束模型参数的束模型参数值的范围包括确定多个放射机器中的每一个的束模型参数值。
4.根据权利要求1所述的方法,包括测量多个放射机器中的每一个的至少一个剂量分布。
5.根据权利要求4所述的方法,其中,训练所述神经网络模型包括:
将N组所生成的束模型参数值和相应剂量分布提供至所述神经网络模型;以及
将来自M个放射机器的剂量分布和相应的束模型参数提供至所述神经网络模型。
6.根据权利要求1所述的方法,包括从所确定的范围的束模型参数值中随机地或伪随机地选择所述束模型参数值以用于生成所述束模型参数值的组中的至少一个。
7.根据权利要求1所述的方法,其中,使用多个剂量分布生成各组束模型参数值,其中,所述多个相应剂量分布中的各个剂量分布包括随着进入靶样本的深度而变化的相对放射剂量。
8.根据权利要求1所述的方法,其中,确定束模型的至少一个参数的束模型参数值的范围包括确定与从所述放射机器的放射源发射的光子的能量分布有关的多个束模型参数值。
9.根据权利要求8所述的方法,其中,所述束模型参数包括放射源的大小、放射源的位置或放射源的能谱中的至少一个。
10.根据权利要求1所述的方法,其中,确定束模型的至少一个参数的束模型参数值的范围包括确定与从所述放射机器的放射源发射的电子的能量分布有关的多个束模型参数值。
11.一种使用深度卷积神经网络来确定放射机器的束模型的至少一个参数值的计算机实现的方法,所述方法包括:
接收先前使用多组束模型参数值和相应剂量分布训练的训练神经网络模型,所述训练神经网络模型被训练以用于根据一个或更多个测量放射机器剂量分布预测至少一个放射机器束模型参数值;
测量来自所述放射机器的多个剂量分布以将其作为输入提供至所述训练神经网络模型;以及
使用所述训练神经网络模型来确定所述放射机器的一组束模型参数值的至少一个束模型参数值。
12.根据权利要求11所述的方法,包括:根据包括所确定的至少一个束模型参数值的一组束模型参数值计算剂量分布;以及将所计算的剂量分布与测量剂量分布进行比较。
13.根据权利要求12所述的方法,其中,所述一组束模型参数值包括至少一个没有使用所述训练神经网络模型确定的束模型参数值。
14.根据权利要求12所述的方法,包括:如果来自所述放射机器的所述测量剂量分布与所确定的剂量分布之间的差满足指定标准,则更新由所述神经网络模型确定的所述至少一个束模型参数值。
15.根据权利要求12所述的方法,包括:
使用包括由所述神经网络模型确定的所述至少一个束模型参数值的一组束模型参数值来确定多个剂量分布,所述多个剂量分布中的相应剂量分布对应于所述放射机器的不同的场大小;以及
将所确定的多个剂量分布中的每一个与多个测量剂量分布中相应的一个测量剂量分布进行比较。
16.根据权利要求11所述的方法,其中,接收先前使用多组束模型参数值和相应剂量分布训练的神经网络包括接收先前根据方法训练的训练神经网络,该方法包括:
确定与所述放射机器对应的束模型的至少一个参数的束模型参数值的范围;
生成多组束模型参数值,其中,相应的一组或更多组束模型参数值包括从所确定的范围的参数值中选择的参数值;
提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布;以及
使用所述多组束模型参数值和所述相应剂量分布来训练所述神经网络。
17.根据权利要求11所述的方法,包括:使用具有所确定的至少一个束模型参数值的一组束模型参数值来估计从所述放射机器到患者内的靶区域的放射剂量。
18.一种用于根据放射机器的至少一个测量剂量分布生成所述放射机器的束模型的至少一个束模型参数值的系统,所述系统包括:
接口,所述接口被配置成接收与所述放射机器对应的至少一个测量剂量分布并且接收用于估计所述放射机器的至少一个束模型参数值的神经网络模型;
存储器,用于存储所述神经网络模型和所述至少一个测量剂量分布,其中,所述神经网络模型使用多组束模型参数值和相应剂量分布来训练;以及
处理器,所述处理器被配置成使用所述至少一个测量剂量分布来估计所述放射机器的至少一个束模型参数值以作为至所述神经网络模型的输入。
19.根据权利要求19所述的系统,其中,所存储的神经网络模型通过如下来训练:确定与所述放射机器对应的束模型的至少一个参数的束模型参数值的范围;生成多组束模型参数值,其中,相应的一组或更多组束模型参数值包括从所确定的范围的参数值中选择的参数值;提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布;以及将所述多组束模型参数值和所述相应剂量分布提供至所述神经网络模型。
20.根据权利要求18所述的系统,其中,所述接口被配置成:如果来自所述放射机器的测量剂量分布与根据一组束模型参数值确定的剂量分布之间的差满足指定标准,则将包括由所述神经网络模型估计的所述束模型参数值的一组束模型参数值和相应剂量分布发送至用户。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/836,539 US10493299B2 (en) | 2017-12-08 | 2017-12-08 | Determining parameters for a beam model of a radiation machine using deep convolutional neural networks |
US15/836,539 | 2017-12-08 | ||
PCT/US2018/064102 WO2019113234A1 (en) | 2017-12-08 | 2018-12-05 | Determining beam model parameters using deep convolutional neural networks |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111432879A true CN111432879A (zh) | 2020-07-17 |
CN111432879B CN111432879B (zh) | 2022-04-05 |
Family
ID=64734283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880079277.4A Active CN111432879B (zh) | 2017-12-08 | 2018-12-05 | 用于放射机器的束模型的计算机实现的方法和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10493299B2 (zh) |
EP (1) | EP3720555B1 (zh) |
JP (1) | JP6895019B2 (zh) |
CN (1) | CN111432879B (zh) |
AU (1) | AU2018380124B2 (zh) |
WO (1) | WO2019113234A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951245A (zh) * | 2020-08-11 | 2020-11-17 | 北京易康医疗科技有限公司 | 一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 |
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 |
CN114681813A (zh) * | 2020-12-28 | 2022-07-01 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
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 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10888296B2 (en) * | 2018-06-29 | 2021-01-12 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for modulating radiation dose |
US11173323B2 (en) * | 2018-07-27 | 2021-11-16 | Reshma Munbodh | Computer-implemented method of evaluating a protocol for radiation therapy including a pre-treatment physics chart review (TPCR) |
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 |
US11358003B2 (en) * | 2019-03-13 | 2022-06-14 | Elekta Ab | Generation of realizable radiotherapy plans |
US11097128B2 (en) * | 2019-07-16 | 2021-08-24 | Elekta Ab (Publ) | Radiotherapy treatment plans using differentiable dose functions |
JP7387459B2 (ja) * | 2020-01-22 | 2023-11-28 | キヤノンメディカルシステムズ株式会社 | 放射線治療装置、医用画像処理装置、及び医用画像処理方法 |
CN111569279B (zh) * | 2020-05-26 | 2021-08-17 | 杭州珞珈质子科技有限公司 | 质子治疗的参数监测装置及系统 |
US11478661B2 (en) * | 2020-09-29 | 2022-10-25 | Varian Medical Systems International Ag | Trajectory optimization using dose estimation and conflict detection |
EP4019084A1 (en) * | 2020-12-22 | 2022-06-29 | Koninklijke Philips N.V. | Planning apparatus for planning a radiation therapy |
DE102021111086A1 (de) | 2021-04-29 | 2022-11-03 | PTW - Freiburg Physikalisch-Technische Werkstätten Dr. Pychlau GmbH | Verfahren zum Überführen eines Ergebnisses eines ersten strahlungsphysikalischen Prozess einer Strahlenquelle in ein Ergebnis eines zweiten strahlungsphysikalischen Prozesses der Strahlenquelle |
US20220409929A1 (en) * | 2021-06-29 | 2022-12-29 | Varian Medical Systems International Ag | Method and apparatus to facilitate generating a leaf sequence for a multi-leaf collimator |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014507A1 (en) * | 2010-07-16 | 2012-01-19 | Duke University | Automatic Generation of Patient-Specific Radiation Therapy Planning Parameters |
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 |
WO2016081916A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Three-dimensional radiotherapy dose distribution prediction |
CN106778682A (zh) * | 2017-01-11 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型的训练方法及其设备 |
CN106934456A (zh) * | 2017-03-16 | 2017-07-07 | 山东理工大学 | 一种深度卷积神经网络模型构建方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1986745A4 (en) * | 2006-02-21 | 2013-10-30 | Univ Toledo | RADIOTHERAPY WITHOUT FILTERS |
EP1917999A1 (en) | 2006-11-03 | 2008-05-07 | Ion Beam Applications S.A. | Method and device for IMRT verification |
WO2011041500A2 (en) * | 2009-09-30 | 2011-04-07 | Stc. Unm | System and methods photon-based radiotherapy and radiosurgery delivery |
JP6138804B2 (ja) * | 2011-09-29 | 2017-05-31 | ザ・ジョンズ・ホプキンス・ユニバーシティ | 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 |
US9289626B2 (en) * | 2013-03-13 | 2016-03-22 | Viewray Incorporated | Systems and methods for improved radioisotopic dose calculation and delivery |
US9409039B2 (en) | 2013-05-21 | 2016-08-09 | Varian Medical Systems International Ag | Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
CN105473182B (zh) * | 2013-07-31 | 2018-11-13 | 皇家飞利浦有限公司 | 治疗规划的自动化 |
US10603511B2 (en) * | 2014-12-04 | 2020-03-31 | Koninklijke Philips N.V. | Shape based initialization and QA of progressive auto-planning |
WO2016100739A1 (en) * | 2014-12-19 | 2016-06-23 | Sun Nuclear Corporation | Radiation therapy dose calculation |
AU2017324627B2 (en) * | 2016-09-07 | 2019-12-05 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
JP6951922B2 (ja) * | 2016-09-28 | 2021-10-20 | 株式会社ニューフレアテクノロジー | 荷電粒子ビーム装置及び荷電粒子ビームの位置ずれ補正方法 |
-
2017
- 2017-12-08 US US15/836,539 patent/US10493299B2/en active Active
-
2018
- 2018-12-05 AU AU2018380124A patent/AU2018380124B2/en active Active
- 2018-12-05 EP EP18821965.3A patent/EP3720555B1/en active Active
- 2018-12-05 WO PCT/US2018/064102 patent/WO2019113234A1/en unknown
- 2018-12-05 JP JP2020531514A patent/JP6895019B2/ja active Active
- 2018-12-05 CN CN201880079277.4A patent/CN111432879B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014507A1 (en) * | 2010-07-16 | 2012-01-19 | Duke University | Automatic Generation of Patient-Specific Radiation Therapy Planning Parameters |
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 |
WO2016081916A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Three-dimensional radiotherapy dose distribution prediction |
CN106778682A (zh) * | 2017-01-11 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型的训练方法及其设备 |
CN106934456A (zh) * | 2017-03-16 | 2017-07-07 | 山东理工大学 | 一种深度卷积神经网络模型构建方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951245A (zh) * | 2020-08-11 | 2020-11-17 | 北京易康医疗科技有限公司 | 一种根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 |
CN111951245B (zh) * | 2020-08-11 | 2021-04-06 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 根据肿瘤分子图像的特征参数确定放射治疗剂量的方法 |
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 |
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 |
CN114681813A (zh) * | 2020-12-28 | 2022-07-01 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及计算机程序产品 |
CN114681813B (zh) * | 2020-12-28 | 2023-07-14 | 北京医智影科技有限公司 | 放射治疗自动计划系统、自动计划方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6895019B2 (ja) | 2021-06-30 |
AU2018380124A1 (en) | 2020-07-23 |
JP2021505288A (ja) | 2021-02-18 |
US20190175952A1 (en) | 2019-06-13 |
US10493299B2 (en) | 2019-12-03 |
AU2018380124B2 (en) | 2020-09-10 |
EP3720555B1 (en) | 2023-06-28 |
WO2019113234A1 (en) | 2019-06-13 |
EP3720555A1 (en) | 2020-10-14 |
CN111432879B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111432879B (zh) | 用于放射机器的束模型的计算机实现的方法和系统 | |
AU2018307739B2 (en) | Radiation therapy planning using deep convolutional network | |
EP3787745B1 (en) | Phantom for adaptive radiotherapy | |
WO2021159143A1 (en) | Adversarial prediction of radiotherapy treatment plans | |
CN114206438B (zh) | 使用投影图像预测放射治疗控制点 | |
CN111565797B (zh) | 用于电子建模的由装置实现的方法、计算机系统和介质 | |
CN116391234A (zh) | 放射治疗的注量图的机器学习优化 | |
US20230302297A1 (en) | Patient imaging for dynamic online adaptive radiotherapy | |
CN116096461A (zh) | 基于深度学习的自动束建模 | |
US20230218926A1 (en) | Bed calculation with isotoxic planning | |
EP4292647A1 (en) | Parallel processing for multi-pass optimization of radiotherapy plans | |
US20220379139A1 (en) | Dose management based on cryostat variation | |
WO2023151816A1 (en) | Parallel generation of pareto optimal radiotherapy plans | |
WO2022261742A1 (en) | Image quality relative to machine learning 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |