CN111921098A - 一种基于放射治疗生物效应的鲁棒性优化方法和系统 - Google Patents

一种基于放射治疗生物效应的鲁棒性优化方法和系统 Download PDF

Info

Publication number
CN111921098A
CN111921098A CN202010784761.6A CN202010784761A CN111921098A CN 111921098 A CN111921098 A CN 111921098A CN 202010784761 A CN202010784761 A CN 202010784761A CN 111921098 A CN111921098 A CN 111921098A
Authority
CN
China
Prior art keywords
rbe
model
treatment plan
organ
dose
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010784761.6A
Other languages
English (en)
Other versions
CN111921098B (zh
Inventor
白雪岷
袁志刚
李贵
章桦
李庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Linkingmed Corp
Original Assignee
Linkingmed Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Linkingmed Corp filed Critical Linkingmed Corp
Priority to CN202010784761.6A priority Critical patent/CN111921098B/zh
Publication of CN111921098A publication Critical patent/CN111921098A/zh
Application granted granted Critical
Publication of CN111921098B publication Critical patent/CN111921098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明提供一种基于放射治疗生物效应的鲁棒性优化方法和系统，所述方法包括：获取病人数据，所述病人数据包括处方；对所述处方进行鲁棒性优化，获得优化方案；选用一种RBE模型作为第一RBE模型，根据优化方案对RBE模型进行求解，获得优化治疗计划；利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获得满足另一种或另一些RBE模型评估的最终优化治疗计划。目前每种RBE模型与生物实验结果有一定差异，基于一种RBE模型获取优化治疗计划，通过另一种或另一些RBE模型对优化治疗计划进行评估和校正，使最终优化治疗计划可以满足多种RBE模型的评价指标；通过对处方进行鲁棒性优化，提高优化治疗计划或最终优化治疗计划的准确性。

Description

一种基于放射治疗生物效应的鲁棒性优化方法和系统
技术领域
本发明涉及放射治疗计划系统(TPS)的优化方法领域，尤其涉及一种基于放射治疗生物效应的鲁棒性优化方法和系统。
背景技术
质子和重离子的放疗技术作为常用的放疗手段，在精准将剂量投递到规则或不规则的靶区的同时，可以减少对健康器官的伤害。质子治疗和重离子治疗对于不确定性因素较敏感，任何一个外部或者内部因素的干扰都可能使得治疗计划与治疗结果出现偏差，治疗过程中对于质子束或重离子束强度的控制等比例地放大了不确定性因素对于最终结果的影响。
目前临床中使用定值1.1来衡量质子优化的相对生物效应(RBE，Relativebiological effectiveness)，根据实验结果可知质子和重离子的RBE是与介质类型、放射能量、传能线密度(LET，Linear Energy Transfer)等因素高度相关的变量，定值1.1衡量的方法不能准确反应实际的相对生物效应值。
发明内容
为解决上述技术问题，提供一种基于放射治疗生物效应的鲁棒性优化方法和系统，通过对处方进行优化；基于一种RBE模型获取优化治疗计划，通过另一种或另一些RBE模型对优化治疗计划进行评估和校正，获得满足多种RBE模型的、高鲁棒性的治疗计划。
为了便于理解本发明的技术方案，下面先对本发明中波及的若干专业术语进行简要说明。
相对生物效应(RBE，Relative biological effectiveness)，反应了达到相同效果所需的光子剂量与质子剂量的比值或光子剂量与重离子剂量的比值。
传能线密度(LET，Linear Energy Transfer)，为射线在单位长度径迹上传递的能量。
生物效应(BE，Biological Effect)是指在射线影响下，对生物体产生的影响。
射束(beam)定义为射线中的一道流束。单元射束(beamlet)为一种用于射束强度调节的细分单位，用于光子或质子的强度分布优化和治疗计划的剂量计算。射束可以用单元射束的合集进行表示。
处方剂量是指临床治疗中，所希望或计划达到的剂量。
本发明提供一种基于放射治疗生物效应的鲁棒性优化方法，包括以下步骤：
步骤101：获取病人数据，所述病人数据包括处方；
步骤102：对所述处方进行鲁棒性优化，获得优化方案；
步骤103：选用一种RBE模型作为第一RBE模型，基于优化方案和第一RBE模型，获得优化治疗计划；
步骤104：利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获得满足另一种或另一些RBE模型评估的最终优化治疗计划。
优选的，本发明还包括用BE模型和RBE模型的关系计算RBE的方法：获取BE模型；建立RBE与BE的关系。
优选的，以质子为例，所述BE模型包括质子BE模型：
Figure BDA0002621531680000021
其中，ερ定义为生物效应，α和β为质子的器官特异性的两个参数，α和β反映了不同器官对质子剂量和LET的敏感性，i定义为体素，j定义为单元射束，wj为单元射束j的强度，Dij为单元射束j传递到体素i的物理剂量；
RBE与BE的关系包括：
Figure BDA0002621531680000022
其中，RBE为相对生物效应，αx和βx为光子的器官特异性的两个参数，反映了器官对于光子剂量的敏感性，Di为体素i受到的物理剂量。
优选的，体素i受到物理剂量的计算方法包括：
Figure BDA0002621531680000023
其中，
Figure BDA0002621531680000024
为单元射束的集合。
优选的，通过另一种RBE模型对优化治疗计划进行评估和校正的方法包括：基于另一种RBE模型构建评估函数；根据评估函数对优化治疗计划进行评估和校正，使最终优化治疗计划满足或符合另一种RBE模型。
优选的，所述优化方案包括射线参数和器官数据，基于优化方案和第一RBE模型获得优化治疗计划的方法包括：根据器官数据、射线参数和第一RBE模型，获取剂量沉积矩阵；根据剂量沉积矩阵，获取体素受到的总物理剂量；根据体素受到的总物理剂量和器官数据对第一RBE模型求解并获得优化治疗计划。
优选的，对所述处方进行鲁棒性优化方法包括：获取约束条件和不确定性情景；基于约束条件和不确定性情景，构建目标函数；基于所述目标函数，获得优化方案。
优选的，所述优化方案包括射线参数和器官数据，根据优化方案对RBE模型进行求解的方法包括：根据器官数据、射线参数和第一RBE模型，获取剂量沉积矩阵；根据剂量沉积矩阵，获取体素受到的总物理剂量；根据体素受到的总物理剂量、和器官数据对第一RBE模型求解并获得优化治疗计划。
优选的，所述处方包括单元射束强度，所述目标函数包括靶器官目标函数，所述靶器官目标函数包括：
Figure BDA0002621531680000031
其中，w为单元射束强度，fTR(w)为靶器官目标函数，NT为靶器官体素的数量，T为靶器官，i为体素，Di,min为体素i能接收到的最小剂量，Di,max为体素i能接收到的最大剂量，D0,T为靶器官的处方剂量，pT,max定义为靶器官能接收到最大物理剂量下的权重，pT,min定义为靶器官能接收到的最小剂量下的权重。
优选的，所述处方包括单元射束强度，所述目标函数包括危及器官目标函数，所述危及器官目标函数包括：
Figure BDA0002621531680000032
其中，w为单元射束强度，fOAR(w)为危及器官目标函数，NOAR为危及器官体素的数量，pOAR定义了危及器官权重，i为体素，Di,max为体素i能接收到的最大剂量，D0,OAR为危及器官的处方剂量，+表示仅计算正数的情况，负数默认为0。
本发明还提供一种基于放射治疗生物效应的鲁棒性优化系统，包括获取模块、鲁棒性优化模块、优化模块和评估模块，所述获取模块用于获取病人数据，所述病人数据包括处方；所述鲁棒性优化模块用于对所述处方进行鲁棒性优化，获得优化方案；所述优化模块用于选用一种RBE模型作为第一RBE模型，基于优化方案和第一RBE模型，获得优化治疗计划；所述评估模块用于利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获取满足另一种或另一些RBE模型评估的最终优化治疗计划。
与现有技术相比本发明的有益效果为：
1.目前的RBE模型众多，但是普遍没有得到临床的认可，各RBE模型并不统一，而且每种RBE模型与生物实验结果有一定差异，基于一种RBE模型获取优化治疗计划，通过另一种或另一些RBE模型对优化治疗计划进行评估和校正，使最终优化治疗计划可以满足多种RBE模型的评价指标，以消除单一RBE模型本身的不确定性情景，提高优化的准确性；
2.通过对处方进行鲁棒性优化，提高优化治疗计划或最终优化治疗计划的准确性。
附图说明
图1是本发明的鲁棒性优化方法流程图；
图2是对所述处方进行鲁棒性优化的方法流程图；
图3是基于优化方案和第一RBE模型获得优化治疗计划的方法流程图；
图4是利用BE模型和RBE模型的关系计算RBE的方法流程图；
图5是通过另一种RBE模型对优化治疗计划进行评估和校正的方法流程图；
图6是本发明的基于放射治疗生物效应的鲁棒性优化系统的逻辑框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于放射治疗生物效应的鲁棒性优化方法，如图1所示，包括以下步骤：
步骤101：获取病人数据，所述病人数据包括处方。病人数据可以包括靶器官数据、危及器官数据和处方，通常可以通过CT的方式获取部分靶器官数据，如形状、大小和部位等，处方为临床治疗中，医生所希望或计划达到的治疗计划。
步骤102：对所述处方进行鲁棒性优化，获得优化方案。通过对处方进行鲁棒性优化，消除不确定性，提高鲁棒性。在一个具体实施例中，采用了基于体素最坏情况的鲁棒性优化方法：将靶器官的每个体素可能收到的最大和最小剂量都认为成最坏可能性；而对于危及器官来说，接收到最大剂量才是最差情形，但不限于此，还可以跟据实际的需要选择鲁棒性优化的方法。
步骤103：选用一种RBE模型作为第一RBE模型，基于优化方案和第一RBE模型，获得优化治疗计划。目前本领域有大量现有的RBE模型或自定义模型，如射线肿瘤学(RadiationOncology)的一篇对比文件：质子治疗的RBE变量:比较不同模型的预测及其结果对类似临床场景的影响(Variable RBE in proton therapy:comparison of different modelpredictions and their influence on clinical-like scenarios)公开了卡拉贝-费尔南德斯模型(Carabe-Fernandez model)和韦登贝格模型(Wedenberg et al.model)。优化方案可以包括射线总类、优化方案剂量、射线角度、靶器官数据和危及器官数据。
步骤104：利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获得满足另一种或另一些RBE模型评估的最终优化治疗计划。
所述另一种和另一些RBE模型与所述第一RBE模型不相同。目前的RBE模型众多，但是普遍没有得到临床的认可，各RBE模型并不统一，而且每一种RBE模型与生物实验结果有一定差异，通过另一个或另一些RBE模型对优化治疗计划进行评估和校正，使最终优化治疗计划可以满足多种RBE模型的评价指标，以消除单一RBE模型本身的不确定性，提高优化的准确性；通过对处方进行鲁棒性优化，提高优化治疗计划或最终优化治疗计划的准确性。本发明中优选对处方进行鲁棒性优化，也可以将鲁棒性优化的步骤后置，即先基于第一种RBE模型，获取优化治疗计划，在优化治疗计划基础上再进行鲁棒性优化，但不限于此。本发明提供的方法可以适用于质子和重离子治疗。
治疗计划可以包括：射线种类、射线强度、照射野和射线角度之一或他们的组合。
所述优化方案包括射线参数和器官数据，如图3所示，基于优化方案和第一RBE模型获得优化治疗计划的方法包括：
步骤301：根据器官数据、射线参数和第一RBE模型，获取剂量沉积矩阵。剂量沉积矩阵为体素和单元射束的矩阵，体素为靶器官或危及器官基于三维影像的最小划分单位。
步骤302：根据剂量沉积矩阵，获取体素受到的总物理剂量。
步骤303：根据体素的总物理剂量和器官数据对第一RBE模型求解并获得优化治疗计划。器官数据可以包括靶器官数据和危及器官数据，根据靶器官数据获取靶器官的优化治疗计划，根据危及器官数据获取危及器官的优化治疗计划。通常在临床中，需要同时衡量靶器官和危及器官所受到的物理剂量。
步骤104所述对优化治疗计划进行评估和校正可以包括：对优化治疗计划的剂量体积直方图、剂量分布、鲁棒性和生物效应进行评估和校正。
如图2所示，步骤102中对所述处方进行鲁棒性优化的方法包括：
步骤201：获取约束条件和不确定性情景。不确定性情景可以包括不确定性的种类、数量和取值范围。在一个具体实施例中，考虑了常见的九种外部考量的不确定性情景，不确定性情景的种类还可以根据需要进行扩充。约束条件体现了治疗计划中各变量受到的限制。
步骤202：根据约束条件和不确定性情景，构建目标函数。
步骤203：基于所述目标函数，获得优化方案。目标函数可以包括靶器官目标函数和危及器官目标函数。
实施例1
所述处方可以包括单元射束强度，射束角度可以通过人为设置，LET由射线的种类决定。以均匀计量约束的约束条件为例，靶器官目标函数的表达式为：
Figure BDA0002621531680000051
其中，w为单元射束强度，f TR(w)为靶器官目标函数，NT为靶器官体素的数量，T为靶器官，i为体素，Di,min为体素i能接收到的最小剂量，Di,max为体素i能接收到的最大剂量，D0,T为靶器官的处方剂量，pT,max定义为靶器官能接收到最大物理剂量下的权重，pT,min定义为靶器官能接收到的最小剂量下的权重。通过求解靶器官目标函数获取靶器官的优化治疗计划。
需要指出的是，不同的约束条件，其在目标函数中起到的贡献或权重不同，目标函数的表达式也不相同。
实施例2
与实施例1不同的是，本实施例构建了在最大剂量约束的约束条件下危及器官目标函数。其表达式为：
Figure BDA0002621531680000061
其中，w为单元射束强度，fOAR(w)为危及器官目标函数，NOAR为危及器官数，pOAR定义了危及器官权重，i为体素，Di,max为体素i能接收到的最大剂量，D0,OAR为危及器官的处方剂量，+表示仅计算正数的情况，负数默认为0。最大剂量约束的约束条件下，将靶器官的每个体素可能收到的最大和最小剂量都认为成最坏可能性；而对于危及器官来说，接收到最大剂量才是最差情形。
实施例3
目标函数求解计算过程中，需要消耗大量的计算资料，良好的数据结构可以简化计算数据量。
如图4所示，以质子治疗为例，本发明还包括利用BE模型和RBE模型的关系计算RBE的方法：
步骤401：获取质子的BE模型：
Figure BDA0002621531680000062
其中，ερ定义为生物效应的变量，α和β为质子束的器官特异性的两个参数，LET定义为射束的传能线密度，i定义为体素，j定义为单元射束，wj为单元射束j的强度，Dij为单元射束j传递到体素i的物理剂量。BE模型不能准确的反映出相对生物效应，而基于相对生物效应的鲁棒性优化计算复杂度更高，需要耗费大量的计算资源。生物效应反映了射束或射线对生物体产生的影响。
步骤402：建立RBE与BE的关系：
Figure BDA0002621531680000063
其中，RBE为相对生物效应的变量，反应了达到相同效果所需的光子剂量与质子剂量的比值，αx和βx为光子的器官特异性的两个参数，反应了器官对于光子剂量的敏感性，Di为体素i受到的物理剂量。RBE和BE的关系式中避免直接计算RBE，降低计算的复杂性，使关系式更加简洁，降低基于RBE模型函数的复杂性，大幅降低求解难度，便于快速得到治疗计划。
步骤403：根据RBE与BE的关系，获取器官异质性参数α和β的值。α和β为两个重要的器官异质性参数，不同的RBE模型，其α和β不同。在一个具体实施例中，在计算体素和单元射束矩阵时，获取α和β的值。
体素i受到物理剂量的计算方法包括：
Figure BDA0002621531680000071
其中，Dij表示单元射束j传递到体素i的物理剂量，wj为单元射束j的强度，
Figure BDA0002621531680000072
为单元射束的集合。
本发明还可以包括选择鲁棒算法的方法：
根据鲁棒性优化的计算规模选择鲁棒算法；根据所选择的鲁棒算法进行鲁棒性优化。不同的鲁棒算法的计算规模差异较大，选择合适计算规模鲁棒算法，防止计算规模较大时，计算太慢甚至导致计算机崩溃。
在鲁棒性优化中，假设共需要考虑m种不确定性，体素i能接收到的最大和最小总剂量可以通过公式(6)得知：
Di,max＝max(Di,m)；Di,min＝min(Di,m) (6)
其中，Di,min为体素i能接收到的最小剂量，Di,max为体素i能接收到的最大剂量，m为不确定性数量。
可以通过另一种RBE模型的对优化治疗计划进行评估和校正，也可以依次通过多种RBE模型对优化治疗计划进行评估和校正，使最终优化治疗计划满足或符合另一种或另一些RBE模型。
具体的，如图5所示，通过另一种RBE模型对优化治疗计划进行评估和校正的方法包括：
步骤501：基于另一种RBE模型构建评估函数。
步骤503：根据评估函数对优化治疗计划进行评估和校正，使最终优化治疗计划满足或符合优化评估函数。对于通过另一些RBE模型对优化治疗谋划进行评估和校正的，可以依次按照上述方法进行评估和校正。使最终优化治疗计划满足多种RBE模型的要求。
本发明还提供一种基于放射治疗生物效应的鲁棒性优化系统，如图6所示，包括获取模块1、鲁棒性优化模块2、优化模块3和评估模块5，获取模块1用于获取病人数据，所述病人数据包括处方；鲁棒性优化模块2用于对所述处方进行鲁棒性优化，获得优化方案；优化模块3用于选用一种RBE模型作为第一RBE模型，基于优化方案和第一RBE模型，获得优化治疗计划；评估模块5用于利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获取满足另一种或另一些RBE模型评估的最终优化治疗计划。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于放射治疗生物效应的鲁棒性优化方法，其特征在于，包括以下步骤：
获取病人数据，所述病人数据包括处方；
对所述处方进行鲁棒性优化，获得优化方案；
选用一种RBE模型作为第一RBE模型，基于优化方案和第一RBE模型，获得优化治疗计划；
利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获得满足另一种或另一些RBE模型评估的最终优化治疗计划。
2.根据权利要求1所述的鲁棒性优化方法，其特征在于，还包括利用BE模型和RBE模型的关系计算RBE的方法：
获取BE模型；
建立RBE与BE的关系。
3.根据权利要求2所述的鲁棒性优化方法，其特征在于，所述BE模型包括质子BE模型：
Figure FDA0002621531670000011
其中，ερ定义为生物效应，α和β为质子的器官特异性的两个参数，LET定义为射束的传能线密度，i定义为体素，j定义为单元射束，wj为单元射束j的强度，Dij为单元射束j传递到体素i的物理剂量；
RBE与BE的关系包括：
Figure FDA0002621531670000012
其中，RBE为相对生物效应，αx和βx为光子的器官特异性的两个参数，Di为体素i受到的物理剂量。
4.根据权利要求3所述的鲁棒性优化方法，其特征在于，体素i受到物理剂量的获取方法包括：
Figure FDA0002621531670000013
其中，
Figure FDA0002621531670000014
为单元射束的集合。
5.根据权利要求1所述的鲁棒性优化方法，其特征在于，通过另一种RBE模型对优化治疗计划进行评估和校正的方法包括：
基于另一种RBE模型构建评估函数；
根据评估函数对优化治疗计划进行评估和校正，使最终优化治疗计划满足或符合另一种RBE模型。
6.根据权利要求1或2所述的鲁棒性优化方法，其特征在于，所述优化方案包括射线参数和器官数据，基于优化方案和第一RBE模型获得优化治疗计划的方法包括：
根据器官数据、射线参数和第一RBE模型，获取剂量沉积矩阵；
根据剂量沉积矩阵，获取体素受到的总物理剂量；
根据体素受到的总物理剂量和器官数据对第一RBE模型求解并获得优化治疗计划。
7.根据权利要求1所述的鲁棒性优化方法，其特征在于，对所述处方进行鲁棒性优化方法包括：
获取约束条件和不确定性情景；
基于约束条件和不确定性情景，构建目标函数；
基于所述目标函数，获得优化方案。
8.根据权利要求7所述的鲁棒性优化方法，其特征在于，所述处方包括单元射束强度，所述目标函数包括靶器官目标函数，所述靶器官目标函数包括：
Figure FDA0002621531670000021
其中，w为单元射束强度，fTR(w)为靶器官目标函数，NT为靶器官体素的数量，T为靶器官，i为体素，Di,min为体素i能接收到的最小剂量，Di,max为体素i能接收到的最大剂量，D0,T为靶器官的处方剂量，pT,max定义为靶器官能接收到最大物理剂量下的权重，pT,min定义为靶器官能接收到的最小剂量下的权重。
9.根据权利要求7所述的鲁棒性优化方法，其特征在于，所述处方包括单元射束强度，所述目标函数包括危及器官目标函数，所述危及器官目标函数包括：
Figure FDA0002621531670000022
其中，w为单元射束强度，fOAR(w)为危及器官目标函数，NOAR为危及器官体素的数量，pOAR定义了危及器官权重，i为体素，Di,max为体素i能接收到的最大剂量，D0,OAR为危及器官的处方剂量，+表示仅计算正数的情况，负数默认为0。
10.一种基于放射治疗生物效应的鲁棒性优化系统，其特征在于，包括获取模块、鲁棒性优化模块、优化模块和评估模块，
所述获取模块用于获取病人数据，所述病人数据包括处方；
所述鲁棒性优化模块用于对所述处方进行鲁棒性优化，获得优化方案；
所述优化模块用于选用一种RBE模型作为第一RBE模型，基于优化方案和第一RBE模型，获得优化治疗计划；
所述评估模块用于利用另一种或另一些RBE模型对优化治疗计划进行评估和校正，获取满足另一种或另一些RBE模型评估的最终优化治疗计划。
CN202010784761.6A 2020-08-06 2020-08-06 一种基于放射治疗生物效应的鲁棒性优化系统 Active CN111921098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010784761.6A CN111921098B (zh) 2020-08-06 2020-08-06 一种基于放射治疗生物效应的鲁棒性优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010784761.6A CN111921098B (zh) 2020-08-06 2020-08-06 一种基于放射治疗生物效应的鲁棒性优化系统

Publications (2)

Publication Number Publication Date
CN111921098A true CN111921098A (zh) 2020-11-13
CN111921098B CN111921098B (zh) 2022-07-08

Family

ID=73307092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010784761.6A Active CN111921098B (zh) 2020-08-06 2020-08-06 一种基于放射治疗生物效应的鲁棒性优化系统

Country Status (1)

Country Link
CN (1) CN111921098B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070228305A1 (en) * 2006-03-28 2007-10-04 Keppel Cynthia E Hadron treatment planning with adequate biological weighting
US20090060130A1 (en) * 2006-02-09 2009-03-05 Deutsches Krebsforschungszentrum Stiftung Des Offentlichen Rechts Inverse Treatment Planning Method
WO2012032609A1 (ja) * 2010-09-07 2012-03-15 独立行政法人放射線医学総合研究所 治療計画方法、治療計画装置、治療計画プログラムおよび生物学的効果比算出方法
US20140206923A1 (en) * 2013-01-23 2014-07-24 Hitachi, Ltd. Radiation treatment planning system and method of radiation treatment planning
US20160059039A1 (en) * 2014-09-02 2016-03-03 Mayo Foundation For Medical Education And Research System and method for robust intensity-modulated proton therapy planning
JP2016077812A (ja) * 2014-10-22 2016-05-16 住友重機械工業株式会社 中性子捕捉療法装置
US20170157426A1 (en) * 2014-07-25 2017-06-08 Indiana University Research and Technology Corpora tion System and method for reducing biological damage in proton therapy
CN106853272A (zh) * 2015-12-08 2017-06-16 南京中硼联康医疗科技有限公司 射束的照射角度评价方法
EP3266470A1 (en) * 2016-07-06 2018-01-10 Fyzikální ústav AV CR, v.v.i. Device and method for imaging and enhanced proton-therapy treatment using nuclear reactions
CN108339202A (zh) * 2018-03-15 2018-07-31 上海市质子重离子医院有限公司 基于患者源性肿瘤组织异种移植模型的个体化相对生物学效应建立的碳离子放疗方法
CN109195663A (zh) * 2016-03-10 2019-01-11 威廉.博蒙特医院 粒子弧线疗法
US20200206534A1 (en) * 2017-07-31 2020-07-02 Koninklijke Philips N.V. Tuning mechanism for oar and target objectives during optimization
WO2020152660A1 (en) * 2019-01-21 2020-07-30 Raysearch Laboratories Ab (Publ) Method and system of evaluating a radiation therapy treatment plan

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090060130A1 (en) * 2006-02-09 2009-03-05 Deutsches Krebsforschungszentrum Stiftung Des Offentlichen Rechts Inverse Treatment Planning Method
US20070228305A1 (en) * 2006-03-28 2007-10-04 Keppel Cynthia E Hadron treatment planning with adequate biological weighting
WO2012032609A1 (ja) * 2010-09-07 2012-03-15 独立行政法人放射線医学総合研究所 治療計画方法、治療計画装置、治療計画プログラムおよび生物学的効果比算出方法
US20140206923A1 (en) * 2013-01-23 2014-07-24 Hitachi, Ltd. Radiation treatment planning system and method of radiation treatment planning
US20170157426A1 (en) * 2014-07-25 2017-06-08 Indiana University Research and Technology Corpora tion System and method for reducing biological damage in proton therapy
US20160059039A1 (en) * 2014-09-02 2016-03-03 Mayo Foundation For Medical Education And Research System and method for robust intensity-modulated proton therapy planning
JP2016077812A (ja) * 2014-10-22 2016-05-16 住友重機械工業株式会社 中性子捕捉療法装置
CN106853272A (zh) * 2015-12-08 2017-06-16 南京中硼联康医疗科技有限公司 射束的照射角度评价方法
CN109195663A (zh) * 2016-03-10 2019-01-11 威廉.博蒙特医院 粒子弧线疗法
EP3266470A1 (en) * 2016-07-06 2018-01-10 Fyzikální ústav AV CR, v.v.i. Device and method for imaging and enhanced proton-therapy treatment using nuclear reactions
US20200206534A1 (en) * 2017-07-31 2020-07-02 Koninklijke Philips N.V. Tuning mechanism for oar and target objectives during optimization
CN108339202A (zh) * 2018-03-15 2018-07-31 上海市质子重离子医院有限公司 基于患者源性肿瘤组织异种移植模型的个体化相对生物学效应建立的碳离子放疗方法
WO2020152660A1 (en) * 2019-01-21 2020-07-30 Raysearch Laboratories Ab (Publ) Method and system of evaluating a radiation therapy treatment plan

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姬腾飞等: "重离子放射治疗双微小展宽峰组合照射方法", 《原子核物理评论》 *
姬腾飞等: "重离子放射治疗双微小展宽峰组合照射方法", 《原子核物理评论》, no. 03, 20 September 2016 (2016-09-20) *
杨瑞杰等: "调强放射治疗的计划优化", 《中国医疗器械信息》, no. 02, 15 April 2005 (2005-04-15) *

Also Published As

Publication number Publication date
CN111921098B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN104338240B (zh) 一种在线自适应放疗计划自动优化装置
CN104117151B (zh) 一种在线自适应放疗计划优化方法
Kwa et al. Evaluation of two dose–volume histogram reduction models for the prediction of radiation pneumonitis
Witte et al. IMRT optimization including random and systematic geometric errors based on the expectation of TCP and NTCP
Bedford et al. Portal dosimetry for VMAT using integrated images obtained during treatment
Bowen et al. On the sensitivity of IMRT dose optimization to the mathematical form of a biological imaging-based prescription function
McCowan et al. An in vivo dose verification method for SBRT–VMAT delivery using the EPID
Witte et al. The effects of target size and tissue density on the minimum margin required for random errors: Effects of target size and tissue density
Wagenaar et al. Head and neck IMPT probabilistic dose accumulation: Feasibility of a 2 mm setup uncertainty setting
Lujan et al. Quantization of setup uncertainties in 3‐D dose calculations
CN110570923A (zh) 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质
Chan et al. Comparison of 3D and 4D Monte Carlo optimization in robotic tracking stereotactic body radiotherapy of lung cancer
EP3750595B1 (en) Method and system for robust radiotherapy treatment planning for biological uncertainties
Rojo-Santiago et al. Accurate assessment of a Dutch practical robustness evaluation protocol in clinical PT with pencil beam scanning for neurological tumors
Kallis et al. Automated treatment planning framework for brachytherapy of cervical cancer using 3D dose predictions
CN111921098B (zh) 一种基于放射治疗生物效应的鲁棒性优化系统
US20230144124A1 (en) Base dose calculation
CN113658168B (zh) 指定剂量区的获取方法、系统、终端及存储介质
Kosaka et al. Effective clinical applications of Monte Carlo-based independent secondary dose verification software for helical tomotherapy
Inal et al. Dosimetric evaluation of phantoms including metal objects with high atomic number for use in intensity modulated radiation therapy
Adamson et al. Generation, validation, and benchmarking of a commercial independent Monte Carlo calculation beam model for multi-target SRS
Liu et al. A deep learning-based dose prediction method for evaluation of radiotherapy treatment planning
US12083358B2 (en) Method and system for robust radiotherapy treatment planning for dose mapping uncertainties
US12076586B2 (en) Method and system for robust radiotherapy treatment planning for biological uncertainties
US20230302298A1 (en) Method and system for robust radiotherapy treatment planning for dose mapping uncertainties

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