CN111569279B - 质子治疗的参数监测装置及系统 - Google Patents
质子治疗的参数监测装置及系统 Download PDFInfo
- Publication number
- CN111569279B CN111569279B CN202010453061.9A CN202010453061A CN111569279B CN 111569279 B CN111569279 B CN 111569279B CN 202010453061 A CN202010453061 A CN 202010453061A CN 111569279 B CN111569279 B CN 111569279B
- Authority
- CN
- China
- Prior art keywords
- proton
- neural network
- proton beam
- recurrent neural
- dose distribution
- 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.)
- Expired - Fee Related
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 54
- 230000000306 recurrent effect Effects 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000003325 tomography Methods 0.000 claims abstract description 4
- 238000002661 proton therapy Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012636 positron electron tomography Methods 0.000 description 39
- 206010028980 Neoplasm Diseases 0.000 description 31
- 238000010586 diagram Methods 0.000 description 20
- 238000001959 radiotherapy Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000010503 organ complication Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009206 nuclear medicine Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-BJUDXGSMSA-N carbon-11 Chemical compound [11C] OKTJSMMVPCPJKN-BJUDXGSMSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- QVGXLLKOCUKJST-BJUDXGSMSA-N oxygen-15 atom Chemical compound [15O] QVGXLLKOCUKJST-BJUDXGSMSA-N 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 231100000636 lethal dose Toxicity 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- A61N2005/1085—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy characterised by the type of particles applied to the patient
- A61N2005/1087—Ions; Protons
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供一种质子治疗的参数监测装置及系统，装置包括：递归神经网络模块，提供经训练的递归神经网络模型，经训练的递归神经网络模型提供质子束的正电子核素活度分布与剂量分布的非线性关系；PET获取模块，从正电子湮没断层扫描系统中获取质子与组织发生反应产生的正电子核素活度分布的PET图像；预测模块，将PET图像输入经训练的递归神经网络模型，通过正电子核素活度分布与剂量分布的非线性关系，预测质子束的剂量分布与布拉格峰位置；判断模块，判断所预测的质子束的剂量分布与布拉格峰位置与目标区域的位置关系；调整模块，依据判断模块的判断结果确定质子束的出束参数是否需要调整。本发明提供的装置及系统实现质子治疗的参数监测和调整。
Description
技术领域
本发明涉及核医学影像领域，特别涉及一种质子治疗的参数监测装置及系统。
背景技术
目前治疗肿瘤(癌症)的手段主要包括手术、化学治疗和放射治疗，并且超过70％的肿瘤患者需要接受单独放疗或者与放疗结合的综合治疗。理想的放射治疗是给予肿瘤细胞致死剂量，同时最大限度地减小周围正常器官组织的照射剂量，质子治疗便是这样一种精确治疗癌症的尖端放疗技术。质子束在组织(如人体、动物等)内的照射剂量曲线先缓慢上升，随后逐渐变快，直到布拉格峰处产生最大的剂量沉积，之后快速下降并趋于零。质子束的独特的剂量-深度特性能使肿瘤组织接收到最大的照射剂量，同时能避免肿瘤组织后方的正常器官受到辐射伤害，降低治疗的副作用。
质子治疗的优势在于：1)质子布拉格峰终点处的剂量比入口处的剂量高出三到四倍，在布拉格峰之后的剂量几乎为0，这种特点不仅能使肿瘤处剂量最大，还能有效保护肿瘤前后的正常组织；2)可以通过调整质子束的能量来照射不同深度的肿瘤，从而使质子治疗适应不同的深度位置处，不同大小和形状的肿瘤；3)质子传输时，具有较小的散射和本底，使得照射视野边缘清晰，因此可以治疗距离敏感器官近的肿瘤。
质子束的布拉格峰特性是质子治疗的最大优势，但也正是由于布拉格峰的存在，使得治疗效果对射程十分敏感。一旦实际治疗过程中射程与治疗计划出现偏差，就很容易导致肿瘤组织的剂量不足或者正常组织过度照射，从而很大程度上增加了肿瘤复发和正常器官的并发症风险。所以，在质子治疗过程中，对质子束在组织中剂量和布拉格峰位置的监测，对质子治疗效果至关重要。
目前，对质子治疗剂量监测的方法有瞬发伽马测量法(例如专利文献CN106291656A)，声波监测法等。但这些方法都有其不足。例如，瞬发伽玛法缺少适用于该伽马射线能谱区域的高性能探测器，探测器探测效率低下；声波法中声音信号非常微弱，且信噪比很低。
在质子治疗中，质子会与组织发生核反应，产生正电子核素(主要是碳-11、氧-15)，用PET系统对正电子核素进行活度成像。
由此，如何通过计算机设备，采集核医学影像的数据，并通过对所采集的核医学影像的数据的处理，实现质子治疗的参数监测和调整。
发明内容
本发明为了克服上述相关技术存在的缺陷，提供一种质子治疗的参数监测装置及系统，进而实现质子治疗的参数监测和调整。
根据本发明的一个方面，提供一种质子治疗的参数监测装置，包括：
递归神经网络模块，配置成提供经训练的递归神经网络模型，所述经训练的递归神经网络模型提供质子束的正电子核素活度分布与剂量分布的非线性关系；
PET获取模块，配置成从正电子湮没断层扫描系统中获取质子与组织发生反应产生的正电子核素活度分布的PET图像；
预测模块，配置成将所述PET图像输入所述经训练的递归神经网络模型，预测质子束的剂量分布与布拉格峰位置；
判断模块，配置成根据所预测的质子束的剂量分布判断布拉格峰位置与目标区域的位置关系；
调整模块，配置成依据所述判断模块的判断结果确定质子束的出束参数是否需要调整。
在本发明的一些实施例中，所述调整模块还配置成：
若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域内，则不对所述质子束的出束参数进行调整；
若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域外，则重新调整所述质子束的出束参数。
在本发明的一些实施例中，所述递归神经网络模型的在训练过程中的训练样本至少包括：阻止本领、质子束的剂量分布和正电子核素活度分布，其中，所述阻止本领通过治疗对象的CT图像的CT值转化获得，所述剂量分布和所述正电子核素活度分布经由治疗对象的三维体模在蒙特卡洛系统中构建的组织模拟获得，所述治疗对象的三维体模根据所述治疗对象的CT图像构建。
在本发明的一些实施例中，所述剂量分布和所述正电子核素活度分布经由治疗对象的三维体模在蒙特卡洛系统中构建的组织中模拟不同入射能量和/或不同入射位置的质子治疗过程获得。
在本发明的一些实施例中，所述阻止本领根据如下步骤转化：
根据所述治疗对象的CT图像构成的三维CT图像中提取质子束经过路径上每个像素点的CT值；
根据所述质子束的出束参数以及所述每个像素点的CT值计算所述每个像素点对应的阻止本领。
在本发明的一些实施例中，所述训练样本还包括质子束经过路径上的CT值，在所述训练样本中，所述质子束经过路径上每个像素点的CT值、所述质子束经过路径上每个像素点对应的阻止本领、正电子核素活度分布被作为所述递归神经网络模型的输入，所述质子束的剂量分布被作为递归神经网络模型的输出，以对所述递归神经网络模型进行训练。
在本发明的一些实施例中，所述递归神经网络模型的预测结果采用均方误差和/或平均绝对误差进行定量评价。
在本发明的一些实施例中，所述递归神经网络模型的预测结果采用通过如下步骤进行泛化能力评价：
同一张图片中不同位置处预测的剂量分布与布拉格峰位置的评价和/或更换不同的PET活度图像进行的预测剂量分布与布拉格峰位置的评价。
在本发明的一些实施例中，还包括：
CT获取模块，配置成获取所述治疗对象的CT图像，
其中，所述预测模块还配置成将所述CT获取模块获取的所述治疗对象的CT图像以及基于所述治疗对象的CT图像转换获得的阻止本领输入所述经训练的递归神经网络模型。
根据本发明的又一方面，还提供一种质子治疗的参数监测系统，包括：
CT系统，配置成提供治疗对象的CT图像；
蒙特卡洛系统，配置成基于治疗对象的三维体模构建治疗对象，并模拟获得质子束的剂量分布和正电子核素活度分布，所述三维体模根据所述治疗对象的CT图像构建
PET系统，配置成提供质子与组织发生反应产生的正电子核素活度分布的PET图像；以及
如上所述的质子治疗的参数监测装置。
相比现有技术，本发明的优势在于：
本发明采用经训练的递归神经网络模型，将实际临床中采集得到的PET图像数据通过用递归神经网络模型预测对应的剂量分布，实现了质子治疗中运用PET数据监测剂量分布与布拉格峰位置。本发明通过数据采集、数据处理及机器学习大大地提高了剂量分布与布拉格峰位置的预测精度，缩短了预测的时间。由此，通过本发明提供的装置和系统，保证质子治疗过程中对肿瘤组织进行质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的质子治疗的参数监测装置的模块图。
图2示出了根据本发明实施例的计算阻止本领的示意图。
图3示出了根据本发明实施例的递归神经网络模型的示意图。
图4示出了根据本发明实施例的质子治疗的参数监测系统的模块图。
图5示出了根据本发明实施例的递归神经网络训练过程图的示意图。
图6示出了根据本发明实施例的结果预测的示意图。
图7示出了根据本发明实施例的数据采集系统的示意图。
图8示出了根据本发明实施例的PET采集模块的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
图1示出了根据本发明实施例的质子治疗的参数监测装置的模块图。
质子治疗的参数监测装置100包括递归神经网络模块110、PET获取模块120、预测模块130、判断模块140以及调整模块150。
递归神经网络模块110配置成提供经训练的递归神经网络模型，所述经训练的递归神经网络模型提供质子束的正电子核素活度分布与剂量分布的非线性关系。具体而言，所述递归神经网络模型可以是多输入递归神经网络模型。
在本发明的一些实施例中，所述递归神经网络模型的在训练过程中的训练样本至少包括：阻止本领(stopping power,SP)、质子束的剂量分布和正电子核素活度分布。
所述阻止本领通过治疗对象的CT图像的CT值转化获得。
具体而言，质子治疗的参数监测装置100还可以包括CT获取模块。CT获取模块配置成从医用CT系统获取所述治疗对象的CT图像(例如患者的全身的CT图像)。CT图像可以从医用CT系统中获取。可以根据治疗对象的CT图像构建三维体模，从而确定肿瘤病灶区域和感兴趣区。具体而言，可以采用医用CT系统扫描治疗对象全身获得CT图像，将获得的多帧CT图像结合起来，构建成一个三维体模，勾画出肿瘤病灶区域位置，适当扩大病灶区域，得到一个感兴趣区(Region of interest,ROI)。
所述阻止本领可以根据如下步骤转化：根据所述治疗对象的CT图像构成的三维CT图像中提取质子束经过路径上每个像素点的CT值；根据所述质子束的出束参数以及质子束经过路径上的CT值计算所述质子束经过路径上每个像素点对应的阻止本领。
阻止本领可以按如下方式计算：
根据质子束的入射位置，从三维CT图像中提取质子束经过路径上的每个像素点CT值，结合质子束入射能量，计算出质子束经过路径上每个像素点对应的阻止本领，具体计算公式如下：
其中，SPi是第i个像素点的阻止本领，常数k＝51Mevfm2，βi是光速与粒子速度的比值，me是电子质量，ρe是物质每体积的电子密度，I是化合物的平均激发能，
是壳修正项，
是极化效应项，c是光速，E是粒子穿过物质后剩余的能量。
其中，物质每体积的电子密度ρe，化合物的平均激发能I可以按公式如下公式计算：
其中，NA是阿伏伽德罗常数，ρ是物质密度，Zi是元素i的原子序数，Ai元素i的质量数，wi是元素i的权重因子，Ii元素i的平均激发能，其中，ρ，Zi，wi可以通过CT值查表得到的。
所述剂量分布和所述正电子核素活度分布经由治疗对象的三维体模在蒙特卡洛系统中构建的组织模拟获得。具体而言，本发明各实施例所描述的组织可以包括人体和/或动物。具体而言，所述剂量分布和所述正电子核素活度分布经由治疗对象的三维体模在蒙特卡洛系统中构建的组织中模拟不同入射能量和/或不同入射位置的质子治疗过程获得。例如，可以在蒙特卡洛系统中设定笔形束源的参数，通过程序模拟正电子发射过程，保证充足的束流量，设定相应的射束周期。通过蒙特卡洛工具保存剂量分布信息和正电子发射的活度分布信息。
在本发明的一些实施例中，所述训练样本还包括所述质子束经过路径上的CT值。所述训练样本中，所述质子束经过路径上每个像素点的CT值、所述质子束经过路径上每个像素点对应的阻止本领、所述正电子核素活度分布作为所述递归神经网络模型的输入，所述剂量分布作为所述递归神经网络模型的输出，以对所述递归神经网络模型进行训练，以找到质子束的正电子核素活度分布与剂量分布的非线性关系。
在本发明的一些实施例中，所述递归神经网络模型的预测结果采用均方误差(MSE)和/或平均绝对误差(MAE)进行定量评价。
在本发明的一些实施例中，所述递归神经网络模型的预测结果采用通过如下步骤进行泛化能力评价：同一张图片中不同位置处预测的剂量分布与布拉格峰位置的评价和/或更换不同的PET活度图像进行的预测剂量分布与布拉格峰位置的评价。
PET获取模块120配置成从正电子湮没断层扫描系统中获取质子与组织发生反应产生的正电子核素活度分布的PET图像。
具体而言，临床中，在质子治疗时，质子在进入组织后，与组织发生反应，产生正电子核素，用医用PET系统，对治疗对象进行PET扫描，得到反映正电子核素分布的PET活度图像。
具体而言，还可以利用蒙特卡洛系统模拟临床上治疗对象在接受质子治疗后进行PET成像。具体而言，可以通过模拟软件，设定一个相应的硬件PET系统，正电子核素选用(碳-11、氧-15),根据成像的需求，为了获得充足的光子数据统计信息(投影信息)，选取相应的蒙卡时间，得到足够的计数。在充分取得投影信息后，对取得的投影进行重建，用单片重组算法(Single-Slice Rebinning,SSRB),和二维的有序子集最大似然法(OrderedSubsets Expectation Maximization,OSEM)进行图像迭代重建，得到重建的PET活度图像。完成CT的衰减校正，对图像整个成像视野进行均匀化校正，得到对应的反映正电子核素活度分布的PET图像。
预测模块130配置成将所述PET图像输入所述经训练的递归神经网络模型，预测质子束的剂量分布与布拉格峰位置。
所述预测模块还用于将所述CT获取模块获取的所述治疗对象的CT图像以及基于所述治疗对象的CT图像转换获得的阻止本领输入所述经训练的递归神经网络模型。
判断模块140配置成根据所预测的质子束的剂量分布判断布拉格峰位置与目标区域的位置关系。
调整模块150配置成依据所述判断模块140的判断结果确定质子束的出束参数是否需要调整。
具体而言，如果质子束剂量分布没有落在肿瘤病灶区域内，而是偏离肿瘤病灶区域，那么可能是在进行质子束照射时，照射的位置发生了偏离，需要调整质子束治疗头的照射位置；如果质子束剂量分布没有落在肿瘤病灶区域内，而是蔓延出了肿瘤病灶区域，那么说明在进行质子束照射时，质子束能量偏大，需要调整质子束的剂量。由此，所述调整模块150还配置成：
若所述判断模块140判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域内，则判断质子束放射治疗准确，继续按照现有的质子束出束参数进行放射治疗，不对所述质子束的出束参数进行调整，直到治疗结束。本发明并非以此为限制。
若所述判断模块140判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域外，则判断质子束放射治疗不准确，重新调整所述质子束的出束参数，直到调整后的质子束剂量分布与布拉格峰位置与放射治疗计划一致。
在本发明的示例性实施方式的质子治疗的参数监测装置100中，采用经训练的递归神经网络模型，将实际临床中采集得到的PET图像数据通过用递归神经网络模型预测对应的剂量分布，实现了质子治疗中运用PET数据监测剂量分布与布拉格峰位置。本发明通过数据采集、数据处理及机器学习大大地提高了剂量分布与布拉格峰位置的预测精度，缩短了预测的时间。由此，通过本发明提供的装置和系统，保证质子治疗过程中对肿瘤组织进行质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。
在本发明的示例性实施方式的质子治疗的参数监测装置100中，如实地验证了本发明的基于机器学习模型的质子治疗中的剂量与范围验证的监控方法在质子治疗过程中对剂量分布、布拉格峰位置监测的广泛适用性。保证了质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。
图1仅仅是示意性的示出本发明提供的质子治疗的参数监测装置100，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的质子治疗的参数监测装置100可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。
图2示出了根据本发明实施例的计算阻止本领的示意图。阻止本领可以根据如下方式(见图2标号10)计算：
首先，根据CT图像中每个像素的CT值，计算出每个像素点对应的阻止本领，其中阻止本领的计算公式如下：
其中，SPi是第i个像素的阻止本领，常数k＝51Mevfm2，βi是光速与粒子速度的比值，me是电子质量，ρe是物质每体积的电子密度，I是化合物的平均激发能。
是壳修正项，
是极化效应项，c是光速，E是粒子穿过物质后剩余的动能。
其中，物质每体积的电子密度ρe，其计算公式如下：
NA是阿伏伽德罗常数，ρ是物质密度，Zi是元素i的原子序数，Ai元素i的质量数，wi是元素i的权重因子。
其中，化合物的平均激发能I，其计算公式如下：
其中，NA是阿伏伽德罗常数，ρ是物质密度，Zi是元素i的原子序数，Ai元素i的质量数，wi是元素i的权重因子，Ii元素i的平均激发能。其中，ρ，Zi，wi是通过CT值查表得到的，其中查找表为：CT值与不同组织元素组成对应表。
由于随着质子不断地穿过组织，粒子的能量在逐渐递减，质子在所穿过的路径上不断的沉积少部分能量，直到在质子束末端将能量全部释放，形成布拉格峰，见图2标号20。图2中bethe theory即文中的SP计算公式(Bethe—Block公式)。
通过本实施例能够准确计算质子在所经过的像素位置所沉积的能量，为模型的训练提供准确的训练样本；将其用作为神经网络的一个输入，为机器学习模型提供一个先验，降低学习难度，提升模型的预测精度、抗噪性能及泛化能力。
图3示出了根据本发明实施例的递归神经网络模型的示意图。
递归神经网络(RNN)是专门处理时间序列数据的，它将一个时序的输入通过隐层状态转化为一个时序的输出，通过反向传播和梯度下降法不断训练学习输入与输出之间的映射关系。递归神经网络模型由输入层(x0～xn)、隐含层(h0～hn)、输出层组成(D0～Dn)。其中，网络的输入层为多数据输入，由所述治疗对象的CT图像、基于所述治疗对象的CT图像转换获得的阻止本领以及所述PET图像获得的活度值组成，再将CT值，SP值，正电子核素分布活度值三个数组并列组成。递归神经网络模型的输出为剂量分布，剂量分布的最大值位置即为布拉格峰。进一步地，递归神经网络模型中输入数据之间具有级联关系。
通过本实施例构建网络模型，预测质子束剂量分布和布拉格峰位置，经过测试，该模型具有良好的预测精度，抗噪性能及泛化能力，并且在基于PET图像的预测上表现良好。
图4示出了根据本发明实施例的质子治疗的参数监测系统的模块图。质子治疗的参数监测系统包括CT系统210、蒙特卡洛系统220、PET系统230以及如图1所示的质子治疗的参数监测装置100。
CT系统210配置成提供治疗对象的CT图像。进而可构建三维体模，勾画感兴趣区，用于最终质子治疗监测终端。蒙特卡洛系统220配置成基于治疗对象的三维体模构建治疗对象，并模拟获得质子束的剂量分布和正电子核素活度分布，以生成模型所需要的训练集，所述三维体模根据所述治疗对象的CT图像构建。PET系统230配置成提供质子与组织发生反应产生的正电子核素活度分布的PET图像。参数监测装置100所包括的模块已在上文描述，在此不予赘述。参数监测装置100还可以对预测的结果进行定量定性的评价，对于质子束的调整进行跟进追踪。
图4仅仅是示意性的示出本发明提供的质子治疗的参数监测系统，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的质子治疗的参数监测系统可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。
下面参见图5，图5示出了根据本发明一个具体实施例的递归神经网络训练过程图的示意图。图5示出了数据收集系统、数据预处理系统、递归神经网络RNN模型系统、模型评估系统。其中数据收集系统包含数据采集系统，主要采集病人的临床数据，包括CT系统采集的解剖学临床信息，也包括PET系统采集的临床信息；数据收集系统还包括数据模拟系统，主要是基于CT图像，在蒙特卡洛系统中生成剂量分布图与活度分布图。数据收集系统获得的所有的数据都将用于后面的神经网络模型的训练与剂量的验证。
数据预处理模块用于将CT数据转化为阻止本领，以及将取得的数据标准化以用于更好的网络训练。示出的递归神经网络模型，根据既定的批量选取经过预处理的数据输入到神经网络模型中进行训练，用验证集数据对模型进行评估，定量的分析模型的各性能参数，定量评价模型误差，对是否满足计划目标进行评价，不断调整模型参数直到满足目标计划，保存模型。
下面参见图6，图6示出了根据本发明实施例的结果预测的示意图。图6示出了病人数据模块，包含数据采集模块与数据计算模块，其中数据采集模块主要包含CT数据采集与PET数据采集，数据计算主要是基于采集到的CT数据将其计算为对应的阻止本领(SP)，然后将CT系统采集的CT数据，PET采集的活度数据及计算得到的阻止本领输入到训练好的RNN模型中，输出预测结果。
下面参见图7，图7示出了根据本发明实施例的数据采集系统的示意图。图7描述了本发明一具体实施例的数据采集过程以及数据得到的方法途径。图7示出了产生质子束的加速器系统与常用的临床数据采集系统。其中主要通过加速器系统产生用于质子治疗的质子束，然后将质子束打到人体组织内，用于肿瘤的治疗。而采集系统中的硬件数据采集系统主要包含CT系统与PET系统。其中CT系统是通过X射线对组织进行结构成像，其中，CT系统的X射线是在高度真空的X射线管中产生的，是高能高速的电子撞击阳极靶面，运动突然受到阻止,高速电子与核电场作用形成辐射，产生一束连续X线。X射线扫描人体组织，在X射线探测器上形成经过组织衰减的X射线投影数据，对数据进行重建就形成CT图像数据。而质子束进入人体后，会与人体内原子核反应产生正电子衰变核素，释放出的正电子湮灭产生的两个方向相反的511keV光子，这些湮灭光子被PET探测器探测到后，再经过一系列的图像重建算法就形成PET人体活度图像。
下面参见图8，图8示出了根据本发明实施例的PET采集模块的示意图。已知质子束流穿过人体，会与人体内原子核反应产生正电子衰变核素，释放出的正电子湮灭产生的两个方向相反的511keV的光子，被探测器探测，通过正电子湮没成像技术(PET)构建人体活度图像。需要对正电子诱导的核素活度信号进行成像，以便能够通过活度分布找到质子束剂量分布，因此需要搭建PET系统采集数据，完成活度成像。图8示出本发明实施例的在蒙特卡洛系统中搭建的一个In-Beam PET系统，包含两个探测器阵列单元2。质子束1入射病人体3后，会激发光子打在探测器上，通过符合探测，重构活度分布图，形成活度分布数据集，用于神经网络的数据输入。
以上仅仅是本发明的多个具体实现方式，各具体实现可以单独或组合来实现，本发明并非以此为限制。
相比现有技术，本发明的优势在于：
本发明采用经训练的递归神经网络模型，将实际临床中采集得到的PET图像数据通过用递归神经网络模型预测对应的剂量分布，实现了质子治疗中运用PET数据监测剂量分布与布拉格峰位置。本发明通过数据采集、数据处理及机器学习大大地提高了剂量分布与布拉格峰位置的预测精度，缩短了预测的时间。由此，通过本发明提供的装置和系统，保证质子治疗过程中对肿瘤组织进行质子束照射的剂量正常、位置准确，降低肿瘤复发和正常器官并发症的风险，从而保证对肿瘤患者进行质子治疗的治疗效果。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。
Claims (9)
1.一种质子治疗的参数监测装置，其特征在于，包括：
递归神经网络模块，配置成提供经训练的递归神经网络模型，所述经训练的递归神经网络模型提供质子束的正电子核素活度分布与剂量分布的非线性关系；
PET获取模块，配置成从正电子湮没断层扫描系统中获取质子与组织发生反应产生的正电子核素活度分布的PET图像；
预测模块，配置成将所述PET图像输入所述经训练的递归神经网络模型，通过所述经训练的递归神经网络模型提供的质子束的正电子核素活度分布与剂量分布的非线性关系，预测质子束的剂量分布与布拉格峰位置；
判断模块，配置成根据所述预测的质子束的剂量分布判断布拉格峰位置与目标区域的位置关系；
调整模块，配置成依据所述判断模块判断的结果确定质子束的出束参数是否需要调整，其中，
所述递归神经网络模型在训练过程中的训练样本至少包括：阻止本领、质子束的剂量分布和正电子核素活度分布，其中，所述阻止本领通过治疗对象的CT图像的CT值转化获得，所述剂量分布和所述正电子核素活度分布经由治疗对象的三维体模在蒙特卡洛系统中构建的组织模拟获得，所述治疗对象的三维体模根据所述治疗对象的CT图像构建。
2.如权利要求1所述的质子治疗的参数监测装置，其特征在于，所述调整模块还配置成：
若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域内，则不对所述质子束的出束参数进行调整；
若所述判断模块判断所预测的质子束的剂量分布与布拉格峰位置位于目标区域外，则重新调整所述质子束的出束参数。
3.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述剂量分布和所述正电子核素活度分布经由治疗对象的三维体模在蒙特卡洛系统中构建的组织中模拟不同入射能量和/或不同入射位置的质子治疗过程获得。
4.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述阻止本领根据如下步骤转化：
根据所述治疗对象的CT图像构成的三维CT图像中提取质子束经过路径上每个像素点的CT值；
根据所述质子束的出束参数以及所述每个像素点的CT值计算所述每个像素点对应的阻止本领。
5.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述训练样本还包括质子束经过路径上的CT值，在所述训练样本中，所述质子束经过路径上每个像素点的CT值、所述质子束经过路径上每个像素点对应的阻止本领、正电子核素活度分布被作为所述递归神经网络模型的输入，所述质子束的剂量分布被作为递归神经网络模型的输出，以对所述递归神经网络模型进行训练。
6.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述递归神经网络模型的预测结果采用均方误差和/或平均绝对误差进行定量评价。
7.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，所述递归神经网络模型的预测结果采用通过如下步骤进行泛化能力评价：
同一张图片中不同位置处预测的剂量分布与布拉格峰位置的评价和/或更换不同的PET活度图像进行的预测剂量分布与布拉格峰位置的评价。
8.根据权利要求1所述的质子治疗的参数监测装置，其特征在于，还包括：
CT获取模块，配置成获取所述治疗对象的CT图像，
其中，所述预测模块还配置成将所述CT获取模块获取的所述治疗对象的CT图像以及基于所述治疗对象的CT图像转换获得的阻止本领输入所述经训练的递归神经网络模型。
9.一种质子治疗的参数监测系统，其特征在于，包括：
CT系统，配置成提供治疗对象的CT图像；
蒙特卡洛系统，配置成基于治疗对象的三维体模构建治疗对象，并模拟获得质子束的剂量分布和正电子核素活度分布，所述三维体模根据所述治疗对象的CT图像构建；
PET系统，配置成提供质子与组织发生反应产生的正电子核素活度分布的PET图像；以及
如权利要求1至8任一项所述的质子治疗的参数监测装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010453061.9A CN111569279B (zh) | 2020-05-26 | 2020-05-26 | 质子治疗的参数监测装置及系统 |
| PCT/CN2020/099492 WO2021237869A1 (zh) | 2020-05-26 | 2020-06-30 | 质子治疗的参数监测装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010453061.9A CN111569279B (zh) | 2020-05-26 | 2020-05-26 | 质子治疗的参数监测装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111569279A CN111569279A (zh) | 2020-08-25 |
| CN111569279B true CN111569279B (zh) | 2021-08-17 |
Family
ID=72121477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010453061.9A Expired - Fee Related CN111569279B (zh) | 2020-05-26 | 2020-05-26 | 质子治疗的参数监测装置及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111569279B (zh) |
| WO (1) | WO2021237869A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111991711A (zh) * | 2020-09-07 | 2020-11-27 | 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 |
| CN112023279A (zh) * | 2020-09-11 | 2020-12-04 | 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 |
| CN113426030B (zh) * | 2021-05-25 | 2023-12-05 | 海创时代(深圳)医疗科技有限公司 | 一种质子剂量的计算方法及装置 |
| CN113744331B (zh) * | 2021-08-26 | 2024-03-22 | 上海联影医疗科技股份有限公司 | 能量确定方法、装置、设备和存储介质 |
| CN116236704A (zh) * | 2021-12-07 | 2023-06-09 | 苏州瑞派宁科技有限公司 | 质子范围验证方法、装置以及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772546A (zh) * | 2016-12-29 | 2017-05-31 | 中科超精（安徽）科技有限公司 | 一种考虑介质旁向非均匀性的带电粒子等效深度获取方法 |
| EP3305200A1 (en) * | 2016-10-07 | 2018-04-11 | Ion Beam Applications S.A. | Medical apparatus comprising a hadron therapy device, a mri, and a prompt-gamma system |
| CN110270016A (zh) * | 2019-05-27 | 2019-09-24 | 彭浩 | 基于神经网络的质子治疗监测方法、装置与系统 |
| US10493299B2 (en) * | 2017-12-08 | 2019-12-03 | Elekta, Inc. | Determining parameters for a beam model of a radiation machine using deep convolutional neural networks |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019037977A1 (de) * | 2017-08-23 | 2019-02-28 | Siemens Healthcare Gmbh | Verfahren zum bereitstellen von ergebnisdaten, welche geeignet für einen einsatz in einer planung einer bestrahlung eines patienten sind |
| CN110215619B (zh) * | 2018-03-03 | 2022-03-08 | 彭浩 | 质子智能在线监测系统 |
| CN110270014B (zh) * | 2019-05-07 | 2022-01-04 | 彭浩 | 质子或重离子放射治疗剂量实时监测方法及系统 |
-
2020
- 2020-05-26 CN CN202010453061.9A patent/CN111569279B/zh not_active Expired - Fee Related
- 2020-06-30 WO PCT/CN2020/099492 patent/WO2021237869A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3305200A1 (en) * | 2016-10-07 | 2018-04-11 | Ion Beam Applications S.A. | Medical apparatus comprising a hadron therapy device, a mri, and a prompt-gamma system |
| CN106772546A (zh) * | 2016-12-29 | 2017-05-31 | 中科超精（安徽）科技有限公司 | 一种考虑介质旁向非均匀性的带电粒子等效深度获取方法 |
| US10493299B2 (en) * | 2017-12-08 | 2019-12-03 | Elekta, Inc. | Determining parameters for a beam model of a radiation machine using deep convolutional neural networks |
| CN110270016A (zh) * | 2019-05-27 | 2019-09-24 | 彭浩 | 基于神经网络的质子治疗监测方法、装置与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111569279A (zh) | 2020-08-25 |
| WO2021237869A1 (zh) | 2021-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111569279B (zh) | 质子治疗的参数监测装置及系统 | |
| US10884139B2 (en) | Techniques for producing an image of radioactive emissions using a compton camera and compton lines | |
| US10555709B2 (en) | Charged particle tomography scanner for real-time volumetric radiation dose monitoring and control | |
| Fontana et al. | Monitoring ion beam therapy with a Compton camera: Simulation studies of the clinical feasibility | |
| Johnson et al. | Results from a prototype proton-CT head scanner | |
| CN114367061B (zh) | 硼中子捕获治疗系统及其治疗计划生成方法 | |
| Camarlinghi et al. | An in-beam PET system for monitoring ion-beam therapy: test on phantoms using clinical 62 MeV protons | |
| Jones et al. | Characterization of Compton-scatter imaging with an analytical simulation method | |
| Rosenfeld et al. | Medipix detectors in radiation therapy for advanced quality-assurance | |
| Shopa et al. | Multi-photon time-of-flight MLEM application for the positronium imaging in J-PET | |
| Pönisch et al. | Attenuation and scatter correction for in-beam positron emission tomography monitoring of tumour irradiations with heavy ions | |
| US11992351B2 (en) | Method, apparatus, and system for energy-resolved scatter imaging during radiation therapy | |
| Lozano et al. | Comparison of reconstructed prompt gamma emissions using maximum likelihood estimation and origin ensemble algorithms for a Compton camera system tailored to proton range monitoring | |
| CN111991711A (zh) | 质子治疗的参数监测装置及系统 | |
| CN112023279A (zh) | 质子治疗的参数监测装置及系统 | |
| Muraro et al. | Proton therapy treatment monitoring with the DoPET system: Activity range, positron emitters evaluation and comparison with Monte Carlo predictions | |
| Wang et al. | An on-board spectral-CT/CBCT/SPECT imaging configuration for small-animal radiation therapy platform: a Monte Carlo study | |
| WO2016077865A1 (en) | Single/limited angle gamma/x-ray tomography | |
| Najeeb et al. | Implementation of computed radiography in nuclear medicine imaging | |
| Juste et al. | Development of a reconstruction methodology for the X-Ray spectrum of a medical LinAc positioning flat panel | |
| Lee et al. | Monitoring the dose distribution of therapeutic photons on Korean Typical Man-2 phantom (KTMAN-2) by using multiple-scattering Compton camera | |
| Ortega et al. | A dedicated tool for PET scanner simulations using FLUKA | |
| Steinberg et al. | Monte Carlo simulations for the development a clinical proton CT scanner | |
| Haruka et al. | A New Image Reconstruction Technique with Limited View-angle Projection Data for BNCT-SPECT | |
| Zhang et al. | An anthropomorphic phantom integrated EGS4 Monte Carlo code and its application in Compton probe |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210817 |