CN111986777A - 放射治疗计划优化系统、装置和存储介质 - Google Patents
放射治疗计划优化系统、装置和存储介质 Download PDFInfo
- Publication number
- CN111986777A CN111986777A CN202010758476.7A CN202010758476A CN111986777A CN 111986777 A CN111986777 A CN 111986777A CN 202010758476 A CN202010758476 A CN 202010758476A CN 111986777 A CN111986777 A CN 111986777A
- Authority
- CN
- China
- Prior art keywords
- region
- optimization
- interest
- volume histogram
- dose volume
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 188
- 238000001959 radiotherapy Methods 0.000 title abstract description 33
- 230000005855 radiation Effects 0.000 claims description 48
- 210000000920 organ at risk Anatomy 0.000 claims description 34
- 230000004907 flux Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 26
- 230000006870 function Effects 0.000 description 16
- 210000000056 organ Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003439 radiotherapeutic effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Abstract
本发明实施例公开了一种放射治疗计划优化系统、装置和存储介质。所述系统包括：一个或多个处理器、存储装置，所述存储装置用于存储指令，所述处理器用于执行所述指令实现下述步骤：a、获取感兴趣区域的理想剂量体积直方图；b、基于理想剂量体积直方图和当前感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；c、基于感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的感兴趣区域的权重；将更新后的感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。以实现通过自动、高效调整当前感兴趣区域的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的。
Description
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种放射治疗计划优化系统、装置和存储介质。
背景技术
目前，癌症患者的数量日益增加，放射治疗是目前最常用来直接或辅助治疗癌症的方式。放射治疗是使用电离辐射作为治疗的一种方式，其原理是大量的辐射所产生的能量可破坏细胞的染色体，使细胞停止生长，从而消灭可快速分裂和生长的癌细胞。
在放射治疗之前，需要制定放射治疗计划。现有技术中，有利用以理想剂量体积直方图(Dose volume histogram，DVH)引导计划调整的思想。例如，Masoud Zarepisheh等人在其文章“A DVH-guided IMRT optimization algorithm for automatictreatmentplanning and adaptive radiotherapy replanning”中描述过类似以DVH引导计划调整的思想，文章中依据当前DVH与理想DVH的偏差来引导每个采样点权重调整。此外，Renzhi Lu等人用同样优化的方法来人为的凭借经验来动态调整感兴趣区域权重，从而动态调整优化计划的目标函数，以此来实现计划的自动调整。
上述第一种方案中，以采样点为调整单元，调整对象数量非常多，模型复杂度高，而且模型不是基于优化策略来调整的，所以并不能保证某些被重点关注的ROI的DVH曲线一定能非常接近理想曲线。第二种方案，他们的方法是通过人为的凭借经验，手动调整计划，因此需要不断试错，是一个繁琐的过程，这种借鉴物理师经验基于规则建立的调整模型，无法保证其鲁棒性。
发明内容
本发明实施例提供一种放射治疗计划优化系统、装置和存储介质，以实现通过自动、高效调整当前感兴趣区域的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的。
第一方面，本发明实施例提供了一种放射治疗计划优化系统，该系统包括：
一个或多个处理器；
存储装置；
所述存储装置用于存储指令，所述处理器用于执行所述指令实现下述步骤：
a、获取感兴趣区域的理想剂量体积直方图；
b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。
第二方面，本发明实施例还提供了放射治疗计划优化装置，该装置包括：
理想剂量体积直方图获取模块，用于获取感兴趣区域的理想剂量体积直方图；
当前剂量体积直方图确定模块，用于基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
权重确定模块，用于基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
迭代模块，用于将更新后的所述感兴趣区域的权重返回依次执行第一优化和第二优化直至满足终止条件。
第三方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如下步骤：
a、获取感兴趣区域的理想剂量体积直方图；
b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。
本发明实施例的技术方案，通过设计一种放射治疗计划优化系统，该系统包括一个或多个处理器、存储装置，存储装置用于存储指令，处理器用于执行指令实现：a、获取感兴趣区域的理想剂量体积直方图；b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。这样通过自动、高效的当前感兴趣区域的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的，且调整的对象数量少，加快了对放射治疗计划的优化，提高了放射治疗计划的优化效率。同时，也避免了现有技术中通过人为进行调整权重，造成调整不精确，无法保证调整模型的鲁棒性的问题。
附图说明
图1是本发明实施例一中的放射治疗计划优化系统的结构示意图；
图2是本发明实施例一中的放射治疗计划优化方法；
图3是本发明实施例二中的放射治疗计划优化方法；
图4是本发明实施例三中的放射治疗计划优化装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的放射治疗计划优化系统的结构示意图，本实施例可适用于对放射治疗计划进行优化的情况，如图1所示，该系统包括：处理器10和存储装置20。
其中，处理器10可以是一个或多个，存储装置20用于存储指令，处理器10用于执行指令实现如图2所述的放射治疗计划优化方法的步骤：
S110、获取感兴趣区域的理想剂量体积直方图。
示例性的，感兴趣区域可以是进行放射治疗时需要关注的区域。例如，可以是靶区和至少一个危及器官。
可选的，这里的感兴趣区域是根据系统的默认配置确定的。例如，对于胸部肿瘤，系统自动确定心脏等感兴趣区域。
可选的，这里的感兴趣区域是基于响应于外部的预设操作确定。
示例性的，这里的外部的预设操作可以是用户在扫描图像(例如，CT扫描图像、磁共振扫描图像或锥形束CT扫描图像等)上通过点击或拖拽鼠标的操作。
通过用户在扫描图像上的点击或拖拽鼠标可生成对应的操作指令，基于该操作指令，即可在扫描图像上将用户点击或拖拽鼠标的区域划分出来，该部分即为感兴趣区域。
需要说明的是，这里的感兴趣区域是有用户根据需要自行设定的，这里不做限定。
需要说明的是，这里的外部的预设操作不限于本发明实施例中列举的点击或拖拽鼠标，还可以是其他形式，任何其他形式的可设定感兴趣区域的操作均属于本发明实施例的保护范围。
理想剂量体积直方图可以是针对感兴趣区域的理想化的剂量体积直方图。
可选的，理想剂量体积直方图可以是基于人工智能或病例库来得到的。例如，可以是将感兴趣区域已勾画的图像输入深度学习神经网络可以得到对应的理想剂量体积直方图；或者，利用病例库建立数学模型，将感兴趣区域已勾画的图像输入数学模型得到理想剂量体积直方图。关于神经网络和数学模型的建立方法在此不进行限定。这样以便快速得到感兴趣区域的理想剂量体积直方图。
可选的，理想剂量体积直方图还可以是基于在先的放射治疗计划数据确定。示例性的，可以是获取感兴趣区域的在先放射治疗计划数据，基于在先放射治疗计划数据和感兴趣区域的当前图像，得到感兴趣区域的理想剂量体积直方图。
示例性的，在先放射治疗计划数据可以是在获取的感兴趣区域的当前图像之前，针对感兴趣区域的放射治疗计划数据。
在先放射治疗计划数据中具有感兴趣区域的剂量分布，将在先放射治疗计划数据对应的在先图像与感兴趣区域的当前图像进行配准，利用在先放射治疗计划数据的剂量分布与配准结果即可得到感兴趣区域的理想剂量体积直方图。
当然，也可以是将感兴趣区域已勾画的图像输入深度学习神经网络可以得到对应的理想剂量体积直方图；或者，利用病例库建立数学模型，将感兴趣区域已勾画的图像输入数学模型得到理想剂量体积直方图。关于神经网络和数学模型的建立方法在此不进行限定。
具体的理想剂量体积直方图的获取方式，这里不做限定，只要可获取感兴趣区域的理想剂量体积直方图的任何实施方式，均属于本发明实施例的保护范围。
S120、基于理想剂量体积直方图和当前感兴趣区域的权重进行第一优化，确定当前剂量体积直方图。
示例性的，当前感兴趣区域的权重可以是感兴趣区域的初始权重，也可以是任何一次优化后的权重。
这里的当前感兴趣区域的权重可以是靶区的权重和危及器官的权重。
第一优化可以是为直接机器参数优化或通量图优化。直接机器参数优化后可以直接确定不同照射角度对应的射野形状和跳数；通量图优化后得到不同照射角度对应通量分布，再利用叶片序列化方法确定对应照射角度的射野形状和跳数。直接机器参数优化和通量图优化均为本领域的现有技术，在此不再赘述。
将理想剂量体积直方图和当前感兴趣区域的权重，进行直接机器参数优化或通量图优化，即可确定感兴趣区域的当前剂量体积直方图。
将理想剂量体积直方图和当前感兴趣区域的权重，进行直接机器参数优化或通量图优化，确定当前剂量体积直方图，具体可以是：
利用理想剂量体积直方图和当前感兴趣区域的权重建立优化模型，如下述公式(1)，并进行第一优化，基于第一优化结果，即可得到不同照射角度上的射野形状和跳数，基于射野形状和跳数，即可得到当前剂量体积直方图。
其中，GenDVH(·)表示第一优化过程；DVHObjT表示在靶区的理想剂量体积直方图曲线上取点构建的DVH约束条件，其代表在迭代优化产生的靶区的剂量体积直方图与理想剂量体积直方图之间的偏离，其初始权重是wT；DVHObjT(wT)表示权重为wT时，迭代优化产生的靶区的剂量体积直方图与理想剂量体积直方图之间的偏离；DVHObjO表示在危及器官的理想剂量体积直方图曲线上取点构建的DVH约束条件，其代表在迭代优化产生的该危及器官的剂量体积直方图与理想剂量体积直方图之间的偏离，其初始权重是wO；DVHObjO(wO)表示权重为wO时，迭代优化产生的危及器官的剂量体积直方图与理想剂量体积直方图之间的偏离；ObjFunc表示那些未参与调整的感兴趣区域的约束条件构建的目标函数，其代表了迭代优化产生的未参与调整的感兴趣区域的剂量分布与目标剂量之间的偏离；iternum表示在当前权重wT，wO下，Optimizer(·)执行的迭代次数。
在本实施例下，感兴趣区域为多个，在优化模型中参与权重调整并非全部的感兴趣区域。在其它实施例中，用户可以设定或选择需要参与权重调整的感兴趣区域或者全部感兴趣区域均参与权重调整。
S130、基于感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的感兴趣区域的权重。
示例性的，第二优化可以是基于感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行损失(LOSS)函数计算。
基于感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，具体可以建立如下优化模型，如下述公式(2)，利用感兴趣区域的理想剂量体积直方图和当前剂量体积直方图对感兴趣区域的权重进行第二优化，基于优化结果，确定更新后的感兴趣区域的权重。
上式中||·||表示模的平方,GenDVH(·)O表示该危及器官的当前剂量体积直方图，DVHO表示该危及器官的理想剂量体积直方图，GenDVH(·)O＞DVHO表示产生该危及器官的当前剂量体积直方图曲线比其理想剂量体积直方图曲线要差，则施加惩罚，GenDVH(·)O≤DVHO表示产生该危及器官的当前剂量体积直方图曲线达到其理想剂量体积直方图曲线或比其理想剂量体积直方图曲线要好，则不施加惩罚。已知ΔDVHObjO(·)和ΔDVHObjT(·)均分别随权重wT，wO单调变化，且这两个权重分别线性作用在DVHObjT和DVHObjO之上。
其中，上述公式(2)的优化模型要满足下述约束条件：
ΔDVHObjT(wT,wO)＝0
wT≥0,wO≥0
其中，约束条件ΔDVHObjT(wT,wO)＝0，代表在第二优化过程中需要一直满足靶区的剂量体积直方图达到或优于理想剂量体积直方图。这里感兴趣区域的理想剂量体积直方图和当前剂量体积直方图每进行一次第二优化，则会自动重新确定对应感兴趣区域的权重wT和wO。这样通过自动、高效的优化当前感兴趣区域的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的，且调整的对象数量少，加快了对放射治疗计划的优化，提高了放射治疗计划的优化效率。同时，也避免了现有技术中通过人为进行调整权重，造成调整不精确，无法保证调整模型的鲁棒性的问题。
S140、将更新后的感兴趣区域的权重返回步骤S120并依次执行第一优化和第二优化直至满足终止条件。
示例性的，将得到的更新后的感兴趣区域的权重返S120，基于更新后的感兴趣区域的权重重新执行第一优化和第二优化的过程，直至满足终止条件。
这里的终止条件可以是优化模型收敛的条件，例如第二优化的目标函数达到极小值，将对应的靶区权重和危及器官的权重代入公式(1)进行第一优化达到极小值，此时确定的放射治疗计划即为最终的放射治疗计划，在最终的放射治疗计划中，危及器官的当前剂量体积直方图达到或优于危及器官的理想剂量体积直方图，且靶区的当前剂量体积直方图等于(或达到)靶区的理想剂量体积直方图，例如当前剂量体积直方图与理想剂量体积直方图的偏差在预设范围内，则认为当前剂量体积直方图等于或达到靶区的理想剂量体积直方图；终止条件还可以是优化时间达到对应的阈值；优化次数达到对应的阈值等等。需要说明的是，在本实施例中，当第二优化的目标函数达到极小值或者目标函数值的变化小于阈值时，代表在第二优化结果中，危及器官对应的剂量体积直方图已经优化到最好，即危及器官对应的剂量分布与目标剂量之间的偏离已达到最小。
当上述终止条件实现时，则迭代优化结束，将更新后的危及器官的权重以及靶区的权重确定为目标权重。具体条件类型本发明中可以不做具体限制，只要使得该放射治疗计划的优化可以终止即可。
基于目标权重进行第一优化，即将目标权重代入公式(1)中，即可得到优化后的放射治疗计划，这里的优化后的放射治疗计划中至少包括了各照射角度上的射野形状和跳数，基于射野形状和跳数，即可得到感兴趣区域的剂量体积直方图曲线。
本发明实施例的技术方案，通过设计一种放射治疗计划优化系统，该系统包括一个或多个处理器、存储装置，存储装置用于存储指令，处理器用于执行指令实现：a、获取感兴趣区域的理想剂量体积直方图；b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。这样通过自动、高效的当前感兴趣区域的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的，且调整的对象数量少，加快了对放射治疗计划的优化，提高了放射治疗计划的优化效率。同时，也避免了现有技术中通过人为进行调整权重，造成调整不精确，无法保证调整模型的鲁棒性的问题。
实施例二
图3为本发明实施例二提供的处理器10执行放射治疗计划优化方法的流程图，本发明实施例可以是上述实施例的一种变化例，在上述实施例的基础上，增加了靶区的目标剂量适形度这个指标。本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，所述方法包括：获取靶区的目标剂量适形度，第一优化包括对靶区的剂量适形度的优化，确定靶区的当前剂量适形度，第二优化包括基于靶区的当前剂量适形度和目标剂量适形度确定剂量适形度对应的权重。
如图3所示，本发明实施例的方法具体包括如下步骤：
S210、获取感兴趣区域的理想剂量体积直方图，以及靶区的目标剂量适形度。
示例性的，目标剂量适形度可以是用户设定的靶区的剂量适形度。
需要说明的是，在自适应放射治疗计划工作流中，是存在病人的上一次治疗计划或原始治疗计划。根据重要危及器官的体积变化，可以对变化大的危及器官在新CT序列上进行预测或建模等方法获得理想剂量体积直方图曲线，并以其作为该危及器官的目标剂量体积直方图曲线。另外，用户还可以建立某种指标来衡量原计划中剂量适形度，比如某一剂量值的等剂量线所构成的区域体积与靶区体积的比值，把原计划的适形度值或通过其他方法计算得到的适形度值，作为在新CT序列上的剂量适形度的目标值。
这里的感兴趣区域的理想剂量体积直方图与上述实施例一中的获取方式相同，这里不再赘述。
靶区的目标剂量适形度的获取可以是通过用户自行设定的或者根据预测模型进行预测。这里不做限定。
S220、基于理想剂量体积直方图、当前感兴趣区域的权重和当前靶区的剂量适形度的权重进行第一优化，确定当前剂量适形度和当前剂量体积直方图。
示例性的，当前靶区的剂量适形度的权重可以是靶区的剂量适形度的初始权重，也可以是任何一次优化后的权重。
将理想剂量体积直方图、当前感兴趣区域的权重和当前靶区的剂量适形度的权重进行第一优化，确定当前剂量适形度和当前剂量体积直方图，具体可以是：
将理想剂量体积直方图、当前感兴趣区域的权重和当前靶区的剂量适形度的权重输入如下公式(3)中进行第一优化，基于第一优化结果，即可得到各照射角度上的射野形状和跳数，基于射野形状和跳数，即可得到剂量适形度和当前剂量体积直方图。
其中，GenDVH(·)表示第一优化过程；DVHObjT表示在靶区的理想剂量体积直方图曲线上取点构建的DVH约束条件，其代表在迭代优化产生的靶区的剂量体积直方图与理想剂量体积直方图之间的偏离，其初始权重是wT；DVHObjT(wT)表示权重为wT时，迭代优化产生的靶区的剂量体积直方图与理想剂量体积直方图之间的偏离；DVHObjO表示在危及器官的理想剂量体积直方图曲线上取点构建的DVH约束条件，其代表在迭代优化产生的该危及器官的剂量体积直方图与理想剂量体积直方图之间的偏离，其初始权重是wO；DVHObjO(wO)表示权重为wO时，迭代优化产生的危及器官的剂量体积直方图与理想剂量体积直方图之间的偏离；ObjFunc表示那些未参与调整的感兴趣区域的约束条件构建的目标函数，其代表了迭代优化产生的未参与调整的感兴趣区域的剂量分布与目标剂量之间的偏离；ConformObj表示控制剂量适形度的约束条件，其代表了在迭代优化产生的该靶区的剂量适形度与目标剂量适形度之间的偏离，其初始权重是wC；ConformObj(wC)表示权重为wC时，迭代优化产生的该靶区的剂量适形度与目标剂量适形度之间的偏离；iternum表示在当前权重wT，wO，wC下，Optimizer(·)执行的迭代次数。
S230、基于感兴趣区域的理想剂量体积直方图、目标剂量适形度、当前剂量体积直方图以及当前剂量适形度进行第二优化，确定更新后的感兴趣区域的权重和剂量适形度对应的权重。
示例性的，基于感兴趣区域的理想剂量体积直方图、目标剂量适形度、当前剂量体积直方图以及当前剂量适形度进行第二优化，具体的可以建立如下优化模型，如下述公式(4)，利用感兴趣区域的理想剂量体积直方图、目标剂量适形度、当前剂量体积直方图以及当前剂量适形度进行第二优化，基于优化结果，确定更新后的感兴趣区域的权重和剂量适形度对应的权重。
上式中||·||表示模的平方，CIndex是目标剂量适形度，GenDVH(·)O表示危及器官的当前剂量体积直方图，DVHO表示危及器官的理想剂量体积直方图，GenDVH(·)O＞DVHO表示产生危及器官的当前剂量体积直方图曲线比其理想剂量体积直方图曲线要差，则施加惩罚，GenDVH(·)O≤DVHO表示产生危及器官的当前剂量体积直方图曲线达到其理想剂量体积直方图曲线或比其理想剂量体积直方图曲线要好，则不施加惩罚。同理，GenDVH(·)dose＞CIndex表示产生的靶区的当前剂量适形度比其目标剂量适形度要差，则施加惩罚，GenDVH(·)dose≤CIndex表示产生的靶区的当前剂量适形度达到或更好于目标剂量适形度，则不施加惩罚。已知ΔDVHObjO(·)和ΔDVHObjT(·)均分别随权重wT，wO单调变化，且这两个权重分别线性作用在DVHObjT和DVHObjO之上；α和β分别为目标函数中危及器官和剂量适形度对应的权重。
需要说明的是，这里的α和β的值可根据用户需求自行设定，这里的α和β的值反应用户对放射治疗优化计划上危及器官和剂量适形度之间权衡。
其中，上述公式(4)的优化模型要满足下述约束条件：
ΔDVHObjT(wT,wO,wC)＝0
wT≥0,wO≥0,wC≥0
其中，约束条件ΔDVHObjT(wT,wO,wc)＝0，代表在第二优化过程中需要一直满足靶区的剂量体积直方图达到或优于理想剂量体积直方图。这里基于感兴趣区域的理想剂量体积直方图、目标剂量适形度、当前剂量体积直方图以及当前剂量适形度每进行一次第二优化，则会自动重新确定对应感兴趣区域的权重wT和wO，以及剂量适形度的权重wC。这样通过自动、高效的优化当前感兴趣区域的权重，以及剂量适形度的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的，且调整的对象数量少，加快了对放射治疗计划的优化，提高了放射治疗计划的优化效率。同时，也避免了现有技术中通过人为进行调整权重，造成调整不精确，无法保证调整模型的鲁棒性的问题。
需要说明的是，在基于感兴趣区域的理想剂量体积直方图、目标剂量适形度、当前剂量体积直方图以及当前剂量适形度进行第二优化，除了上述的公式(4)外，还可以通过如下公式(5)来进行第二优化，得到优化结果。
上式中||·||表示模的平方，CIndex是目标剂量适形度，GenDVH(·)O表示危及器官的当前剂量体积直方图，DVHO表示危及器官的理想剂量体积直方图，GenDVH(·)O＞DVHO表示产生危及器官的当前剂量体积直方图曲线比其理想剂量体积直方图曲线要差，则施加惩罚，GenDVH(·)O≤DVHO表示产生危及器官的当前剂量体积直方图曲线达到其理想剂量体积直方图曲线或比其理想剂量体积直方图曲线要好，则不施加惩罚。同理，GenDVH(·)dose＞CIndex表示产生的靶区的当前剂量适形度比其目标剂量适形度要差，则施加惩罚，GenDVH(·)dose≤CIndex表示产生的靶区的当前剂量适形度达到或更好于目标剂量适形度，则不施加惩罚。已知ΔDVHObjO(·)和ΔDVHObjT(·)均分别随权重wT，wO单调变化，且这三个权重分别线性作用在DVHObjT和DVHObjO之上；α、β和γ分别为目标函数中危及器官、剂量适形度和靶区对应的权重。
需要说明的是，这里的α、β和γ的值可根据用户需求自行设定，这里的α、β和γ的值反应用户对放射治疗优化计划上危及器官，剂量适形度和靶区之间权衡。
这里公式(4)与公式(5)的区别在于，公式(5)将当前靶区剂量体积直方图加入了损失函数中，这样公式(5)就不需如公式(4)一样，满足ΔDVHObjT(wT,wO,wC)＝0这个约束条件，只需满足wT≥0,wO≥0,wC≥0约束条件即可。
因此，在第二优化的迭代结果中(上述公式(5))，满足靶区的剂量体积直方图优于理想剂量体积直方图即可。
S240、将更新后的感兴趣区域的权重和剂量适形度对应的权重返回步骤S220并依次执行第一优化和第二优化直至满足终止条件。
示例性的，将得到的更新后的感兴趣区域的权重，以及剂量适形度对应的权重返S220，基于更新后的感兴趣区域的权重，以及剂量适形度对应的权重重新执行第一优化和第二优化的过程，直至满足终止条件。
本实施例中，终止条件可以参考上述实施例一。需要说明的是，当第二优化过程为公式(4)时，当第二优化的目标函数达到极小值或者与上一轮的迭代相比，目标函数值的变化小于阈值时，代表在第二优化结果中，危及器官对应的剂量体积直方图和剂量适形度已经优化到最好。当第二优化过程为公式(5)时，当目标函数达到极小值时或者与上一轮相比，目标函数值的改变量小于阈值，可以使得靶区达到要求的情景下，让危机器官的剂量分布或剂量适形度变好。
当上述终止条件实现时，则迭代优化结束，将更新后的感兴趣区域的权重和剂量适形度对应的权重确定为目标权重。
基于目标权重进行第一优化，即将目标权重代入公式(4)中，即可得到优化后的放射治疗计划，这里的优化后的放射治疗计划中至少包括了各照射角度上的射野形状和跳数，基于射野形状和跳数，即可得到感兴趣区域的剂量体积直方图曲线。
需要说明的是，在本发明实施例的技术方案的优化模型的目标函数(公式(2)、(4)和(5))中，用户可以根据自己需求，自行添加其它感兴趣的并需要调整的部分。每添加一个感兴趣的指标，则需要对应添加该指标的对应权重。
本发明实施例的技术方案，a、获取感兴趣区域的理想剂量体积直方图，以及靶区的目标剂量适形度；b、基于理想剂量体积直方图、当前感兴趣区域的权重和当前靶区的剂量适形度的权重进行第一优化，确定当前剂量适形度和当前剂量体积直方图；c、基于感兴趣区域的理想剂量体积直方图、目标剂量适形度、当前剂量体积直方图以及当前剂量适形度进行第二优化，确定更新后的感兴趣区域的权重和剂量适形度对应的权重；将更新后的感兴趣区域的权重和剂量适形度对应的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。这样通过自动、高效的当前感兴趣区域的权重，以及剂量适形度的权重，得到符合需求的剂量体积直方图曲线，达到优化放射治疗计划的目的，且调整的对象数量少，加快了对放射治疗计划的优化，提高了放射治疗计划的优化效率。同时，也避免了现有技术中通过人为进行调整权重，造成调整不精确，无法保证调整模型的鲁棒性的问题。本实施例的其他细节可参考上述实施例。
实施例三
图4为本发明实施例三提供的放射治疗计划优化装置的结构示意图，如图4所示，该装置包括：理想剂量体积直方图获取模块31、当前剂量体积直方图确定模块32、权重确定模块33和迭代模块34。
其中，理想剂量体积直方图获取模块31，用于获取感兴趣区域的理想剂量体积直方图；
当前剂量体积直方图确定模块32，用于基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
权重确定模块33，用于基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
迭代模块34，用于将更新后的所述感兴趣区域的权重返回依次执行第一优化和第二优化直至满足终止条件。
可选的，所述感兴趣区域的理想剂量体积直方图基于神经网络模型或者病例库确定。
可选的，所述感兴趣区域的理想剂量体积直方图基于在先放射治疗计划数据确定。具体的可以是：获取所述感兴趣区域的在先放射治疗计划数据；基于所述在先放射治疗计划数据和所述感兴趣区域的当前图像，得到所述感兴趣区域的理想剂量体积直方图。
可选的，所述第一优化为直接机器参数优化或通量图优化。
在上述实施例的技术方案的基础上，该装置还包括：
迭代结束模块，用于当第二优化后，若所述危机器官的当前剂量体积直方图优于所述危机器官的理想剂量体积直方图，且所述靶区的理想剂量体积直方图等于所述靶区的当前剂量体积直方图，则迭代优化结束，将更新后的所述危机器官的权重以及所述靶区的权重确定为目标权重。
在上述实施例的技术方案的基础上，该装置还包括：
优化后的放射治疗计划确定模块，用于基于所述目标权重进行第一优化，确定优化后的放射治疗计划，所述优化后的放射治疗计划至少包括射野形状和跳数。
可选的，在进行第二优化的过程中满足靶区的剂量体积直方图优于理想剂量体积直方图。
在上述实施例的技术方案的基础上，该装置还包括：
目标剂量适形度获取模块，用于获取靶区的目标剂量适形度，
第一优化模块，用于所述第一优化包括对靶区的剂量适形度的优化，确定所述靶区的当前剂量适形度，
第二优化模块，用于所述第二优化包括基于所述靶区的当前剂量适形度和目标剂量适形度确定所述剂量适形度对应的权重。
本发明实施例所提供的放射治疗计划优化装置可执行本发明任意实施例所提供的放射治疗计划优化系统中处理器用于执行指令时实现的放射治疗计划优化方法，具备执行方法相应的功能模块和有益效果。本实施例的其他细节可参考上述实施例。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如下步骤：
a、获取感兴趣区域的理想剂量体积直方图；
b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的放射治疗计划优化系统中处理器用于执行指令时实现的放射治疗计划优化方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述放射治疗计划优化装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种放射治疗计划优化系统，其特征在于，所述系统包括一个或多个处理器、存储装置，所述存储装置用于存储指令，所述处理器用于执行所述指令实现下述步骤：
a、获取感兴趣区域的理想剂量体积直方图；
b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。
2.根据权利要求1所述的系统，其特征在于，所述感兴趣区域包括靶区和至少一个危及器官。
3.根据权利要求1所述的系统，其特征在于，所述感兴趣区域的理想剂量体积直方图基于神经网络模型或者病例库确定。
4.根据权利要求1所述的系统，其特征在于，所述感兴趣区域的理想剂量体积直方图基于在先放射治疗计划数据确定，包括：
获取所述感兴趣区域的在先放射治疗计划数据；
基于所述在先放射治疗计划数据和所述感兴趣区域的当前图像，得到所述感兴趣区域的理想剂量体积直方图。
5.根据权利要求1所述的系统，其特征在于，所述第一优化为直接机器参数优化或通量图优化。
6.根据权利要求2所述的系统，其特征在于，当第二优化后，若所述危及器官的当前剂量体积直方图优于所述危及器官的理想剂量体积直方图，且所述靶区的当前剂量体积直方图等于靶区的理想剂量体积直方图，则迭代优化结束，将更新后的所述危及器官的权重以及所述靶区的权重确定为目标权重。
7.根据权利要求6所述的系统，其特征在于，基于所述目标权重进行第一优化，确定优化后的放射治疗计划，所述优化后的放射治疗计划至少包括射野形状和跳数。
8.根据权利要求1所述的系统，其特征在于，在进行第二优化的过程中满足靶区的剂量体积直方图优于理想剂量体积直方图。
9.根据权利要求1所述的系统，其特征在于，还包括：
获取靶区的目标剂量适形度，
所述第一优化包括对靶区的剂量适形度的优化，确定所述靶区的当前剂量适形度，
所述第二优化包括基于所述靶区的当前剂量适形度和目标剂量适形度确定所述剂量适形度对应的权重。
10.根据权利要求1所述的系统，其特征在于，所述感兴趣区域基于响应于外部的预设操作确定。
11.一种放射治疗计划优化装置，其特征在于，包括：
理想剂量体积直方图获取模块，用于获取感兴趣区域的理想剂量体积直方图；
当前剂量体积直方图确定模块，用于基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
权重确定模块，用于基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
迭代模块，用于将更新后的所述感兴趣区域的权重返回依次执行第一优化和第二优化直至满足终止条件。
12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如下步骤：
a、获取感兴趣区域的理想剂量体积直方图；
b、基于所述理想剂量体积直方图和当前所述感兴趣区域的权重进行第一优化，确定当前剂量体积直方图；
c、基于所述感兴趣区域的理想剂量体积直方图和当前剂量体积直方图进行第二优化，确定更新后的所述感兴趣区域的权重；
将更新后的所述感兴趣区域的权重返回步骤b并依次执行第一优化和第二优化直至满足终止条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010758476.7A CN111986777A (zh) | 2020-07-31 | 2020-07-31 | 放射治疗计划优化系统、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010758476.7A CN111986777A (zh) | 2020-07-31 | 2020-07-31 | 放射治疗计划优化系统、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111986777A true CN111986777A (zh) | 2020-11-24 |
Family
ID=73444869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010758476.7A Pending CN111986777A (zh) | 2020-07-31 | 2020-07-31 | 放射治疗计划优化系统、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986777A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113679962A (zh) * | 2021-08-25 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 剂量线的适形度的优化系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2432493A1 (en) * | 2002-06-17 | 2003-12-17 | Nucletron B.V. | Real time radiation treatment planning system |
| US20040165696A1 (en) * | 1999-11-05 | 2004-08-26 | Lee Eva K. | Systems and methods for global optimization of treatment planning for external beam radiation therapy |
| CA2540602A1 (en) * | 2003-10-07 | 2005-04-21 | Nomos Corporation | Planning system, method and apparatus for conformal radiation therapy |
| CN101120871A (zh) * | 2006-12-29 | 2008-02-13 | 成都川大奇林科技有限责任公司 | 精确放射治疗计划系统 |
| CN104645500A (zh) * | 2015-02-12 | 2015-05-27 | 上海联影医疗科技有限公司 | 调强放疗优化方法及系统 |
| KR20150072763A (ko) * | 2013-12-20 | 2015-06-30 | 고려대학교 산학협력단 | 방사선 치료 계획 추천 방법 및 시스템 |
| CN105447330A (zh) * | 2015-12-30 | 2016-03-30 | 上海联影医疗科技有限公司 | 调强放射治疗的权重调整方法和装置 |
| EP3103518A1 (en) * | 2015-06-12 | 2016-12-14 | RaySearch Laboratories AB | A method, a computer program product and a computer system for radiotherapy optimization |
| EP3264298A1 (en) * | 2016-06-28 | 2018-01-03 | Ebit srl | Radiotherapy information system with treatment plan evaluation |
| CN109979564A (zh) * | 2017-12-28 | 2019-07-05 | 北京连心医疗科技有限公司 | 一种智能放疗计划方法、设备和存储介质 |
| CN110420396A (zh) * | 2019-07-11 | 2019-11-08 | 上海联影医疗科技有限公司 | 一种放射治疗计划优化系统、装置及存储介质 |
| CN111462916A (zh) * | 2020-04-03 | 2020-07-28 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
-
2020
- 2020-07-31 CN CN202010758476.7A patent/CN111986777A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040165696A1 (en) * | 1999-11-05 | 2004-08-26 | Lee Eva K. | Systems and methods for global optimization of treatment planning for external beam radiation therapy |
| CA2432493A1 (en) * | 2002-06-17 | 2003-12-17 | Nucletron B.V. | Real time radiation treatment planning system |
| CA2540602A1 (en) * | 2003-10-07 | 2005-04-21 | Nomos Corporation | Planning system, method and apparatus for conformal radiation therapy |
| CN101120871A (zh) * | 2006-12-29 | 2008-02-13 | 成都川大奇林科技有限责任公司 | 精确放射治疗计划系统 |
| KR20150072763A (ko) * | 2013-12-20 | 2015-06-30 | 고려대학교 산학협력단 | 방사선 치료 계획 추천 방법 및 시스템 |
| CN104645500A (zh) * | 2015-02-12 | 2015-05-27 | 上海联影医疗科技有限公司 | 调强放疗优化方法及系统 |
| EP3103518A1 (en) * | 2015-06-12 | 2016-12-14 | RaySearch Laboratories AB | A method, a computer program product and a computer system for radiotherapy optimization |
| CN105447330A (zh) * | 2015-12-30 | 2016-03-30 | 上海联影医疗科技有限公司 | 调强放射治疗的权重调整方法和装置 |
| EP3264298A1 (en) * | 2016-06-28 | 2018-01-03 | Ebit srl | Radiotherapy information system with treatment plan evaluation |
| CN109979564A (zh) * | 2017-12-28 | 2019-07-05 | 北京连心医疗科技有限公司 | 一种智能放疗计划方法、设备和存储介质 |
| CN110420396A (zh) * | 2019-07-11 | 2019-11-08 | 上海联影医疗科技有限公司 | 一种放射治疗计划优化系统、装置及存储介质 |
| CN111462916A (zh) * | 2020-04-03 | 2020-07-28 | 戴建荣 | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| SIMAN W ET AL: "Dose volume histogram-based optimization of image reconstruction parameters for quantitative 90 Y-PET imaging", 《MED PHYS》 * |
| 麦燕华: "调强放射治疗计划的自动多目标优化方法研究", 《硕士电子期刊》, no. 01 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113679962A (zh) * | 2021-08-25 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 剂量线的适形度的优化系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109414592B (zh) | 用于放射疗法治疗计划的计算机系统 | |
| CN110124214B (zh) | 预测剂量分布引导的调强放疗计划优化系统、介质及设备 | |
| Breedveld et al. | iCycle: Integrated, multicriterial beam angle, and profile optimization for generation of coplanar and noncoplanar IMRT plans | |
| CN110420396B (zh) | 一种放射治疗计划优化系统、装置及存储介质 | |
| EP2983781B1 (en) | Incremental treatment planning | |
| US9511241B2 (en) | Irradiation planning for particle therapy | |
| CN110327554B (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
| EP3347094B1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
| WO2011153639A2 (en) | Multi-objective radiation therapy optimization method | |
| CN106682409B (zh) | 采样方法及放射治疗计划优化方法、剂量计算方法 | |
| CN108771794B (zh) | 用于生成辐射处理计划中的剂量计算的系统和方法 | |
| Deist et al. | High-dose-rate prostate brachytherapy inverse planning on dose-volume criteria by simulated annealing | |
| CN110232964B (zh) | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 | |
| CN107551411B (zh) | 针对射程不确定性的质子重离子调强放疗鲁棒优化方法 | |
| US20210101021A1 (en) | System and method for automatic radiotherapy treatment planning | |
| CN115862812B (zh) | 放疗计划的处理装置、存储介质及电子设备 | |
| Lim et al. | A hybrid framework for optimizing beam angles in radiation therapy planning | |
| CN110548231A (zh) | 放疗计划生成系统、装置及存储介质 | |
| CN110706780B (zh) | 放疗计划生成系统及存储介质 | |
| CN111986777A (zh) | 放射治疗计划优化系统、装置和存储介质 | |
| Schreibmann et al. | Dose–volume based ranking of incident beam direction and its utility in facilitating IMRT beam placement | |
| Maass et al. | A hyperparameter‐tuning approach to automated inverse planning | |
| Wang et al. | An integrated solution of deep reinforcement learning for automatic IMRT treatment planning in non-small-cell lung cancer | |
| Lu et al. | Reduced-order parameter optimization for simplifying prostate IMRT planning | |
| Aleef et al. | Rapid treatment planning for low-dose-rate prostate brachytherapy with TP-GAN |
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 |