CN112203723B - 用于放射治疗计划的系统 - Google Patents

Abstract

放疗治疗计划的方法涉及动态靶跟踪和射束重定向。获得反映患者移动的一组患者3D图像，并且每个图像与一个参考图像可变形地配准。根据患者的移动和递送机的模型，算出作为所有阶段的剂量分配的总和的累积剂量，通过相应阶段的变形映射将每个阶段的剂量分配进行变形以匹配参考图像。

Description

用于放射治疗计划的系统

技术领域

本发明涉及用于放射治疗计划的方法、计算机程序产品和计算机系统，特别是用于使用动态靶跟踪的治疗计划。

背景技术

在放射治疗中，光子或带电粒子用于治疗患者。放射用于治疗肿瘤细胞，但也会伤害肿瘤周围的组织。因此，一直希望改进放射治疗计划和递送，以在对靶产生最佳可能效果的同时，对周围组织，特别是对处于风险中的器官如脊髓或心脏造成最小的损伤。治疗通常分段递送，例如每天一个分段。

放射治疗中的一个问题是，患者的位置和其他设置参数在计划与递送之间以及分段之间可能会略有变化。此外，患者的几何形状可能会在一个分段期间发生变化。特别是在治疗躯干时，患者的呼吸周期往往会导致靶和身体的其他部分以循环方式移动。

考虑到靶位置的不确定性，通常在靶周围定义一定边界来定义计划靶体积，即PTV，它被视为计划靶。这确保了对整个靶的最小剂量，但也导致对周围组织的不希望的放射。同样，可以在有风险的器官周围添加边界，以确保处于风险中的器官不会接受过高的剂量，即使其位置并不精确地知道。这可能会影响确保靶获得必要剂量的可能性。

鲁棒的计划也用于考虑靶和/或处于风险中的器官位置的不确定性。在鲁棒的计划中，考虑了许多可能的情境，每个情境定义了关于所考虑的不确定性的修改，例如，在患者设置中或者在一个或多个靶和器官的位置中的移位，以考虑到递送期间的器官运动。可以应用鲁棒计划的几种方法，包括创建即使在最坏可能的情境下也能保持一定最低品质的计划，或者创建考虑期望值的计划。如计划治疗体积的情况，减少肿瘤覆盖不确定性的折衷是增加对健康组织的剂量。如果可以减少不确定性，那么可以减少对健康组织的剂量，同时维持对靶的剂量。

动态靶跟踪能够在靶移动时使射束重定向，以便始终击中预定的靶体积，这意味着在治疗分段的递送期间考虑了靶位置的变化，从而增加了放射击中靶的机会，并且即使在靶移动时也避开了周围的组织。在目前可用的动态跟踪系统中，递送系统的控制系统处理实际的跟踪，并且确保在治疗期间照射预定的体积。因此，动态靶跟踪允许减少靶周围的治疗边界或者在鲁棒计划中的情境之间应用的几何移位，并且仍然确保对靶的足够剂量，同时不伤害健康组织。可以使用不同的方法来跟踪递送过程中靶的移动，包括MR或超声波，或者对靶应用可检测的标记。放射源和患者的相对位置可以以多种不同的方式改变。例如，放射源可以通过机械臂移动，或者支撑患者的治疗床可以相对于放射源移动。横向移动也可以通过移动整个准直器开口来实现。替代地，可以使用万向节来使射束重定向，以跟随靶的移动。在质子治疗中，可以通过磁体以类似的方式使射束重定向。如本领域所知，可以组合几种治疗技术，这可能需要不同的方式来处理不确定性。例如，如果同时使用光子和质子放射，跟踪可以仅用于一种类型的放射，或者可以使用两种不同的跟踪技术。

医学物理学(43(5):2387-2398，2016年5月)：在TrueBeam加速器上跟踪电磁引导式卧榻和多叶准直仪(Electromagnetic guided couch and multileaf collimatortracking on a TrueBeam accelerator)，描述了Varian2.0加速器，其包括具有可选治疗床或MLC补偿的原型跟踪系统。

放射治疗与肿瘤学(119(3):461-466，2016年6月)：MR直线加速器对肺部立体定向放射治疗量化磁场的影响并实时追踪肿瘤(Lung stereotactic body radiotherapy withan MR-linac Quantifying the impact of the magnetic field and real-time tumortracking)，描述了使用Elekta的MR-linac使用MR作为控制信号进行动态靶跟踪。

在已知的靶跟踪方法中，基于计划图像获得治疗计划，这在本领域中是常见的。在递送期间，以合适的方式跟踪靶的移动，并且控制系统确保射束基于其所跟踪的移动跟随靶。跟踪靶移动的不同方法包括MR、超声波或在靶中插入可检测的标记。

靶跟踪的一个问题是，当靶在患者体内移动时，例如，由于呼吸，其他器官也会移动，它们的相对位置可能会改变。这意味着，在呼吸周期的一个阶段，击中靶并避开处于风险中的器官的射束，在另一个阶段，当移动射束以适应靶的位置时，可能会击中处于风险中的器官。

动态靶跟踪方法计划的一个关键特征是确定整个周期内剂量的良好分割，以确保即使呼吸周期不规则，总剂量也是适当的。

医学和生物学物理学,(62(4):1480-1500，2017年2月)，使用多叶准直仪用于追踪肿瘤的计划4D强度调制电弧治疗(Planning 4D intensity-modulated arc therapy fortumor tracking with a multileaf collimator)公开了使用4D CT计划利用动态多叶射束准直进行肿瘤跟踪的IMAT(即VMAT)的四维(4D)CT计划方案。IMAT递送过程的每个控制点与特定呼吸阶段的4D CT图像集相关联。首先，在这些阶段中的一个阶段优化正常的(3D)IMAT计划。然后，通过使用基于在不同呼吸阶段的射束的眼睛视图中的靶投影的3D变形方法，来变换优化的3D计划的片段，从而创建4D计划。

这种方法可以进行剂量计划和监测，但有一些严重的局限性。所得到的计划与固定的呼吸模式有关，并且不存在依赖于实际呼吸模式的递送控制。因此，为了使计划发挥预定作用，递送期间患者的呼吸模式可能不在周期或幅度上偏离计划期间的呼吸模式。计划方法也没有考虑靶和处于风险中的器官相对于彼此的可能移动。

发明内容

本发明的目的是在放疗治疗中使用动态靶跟踪来改进治疗计划方案。

本发明涉及一种允许动态靶跟踪的放疗治疗计划的方法，更具体地，涉及一种放疗治疗计划的方法，该方法涉及根据患者几何形状随时间的变化来动态跟踪靶用于导向射束，患者几何形状随时间的变化包括靶位置随时间的变化，该方法包括以下步骤：

a.获得患者的4D图像，该4D图像包括一组3D图像，每个3D图像对应于靶具有指定位置的阶段，该阶段构成一组阶段，

b.获得治疗机的模型，包括治疗机的机器限制，

c.获得优化问题，包括基于每个阶段的阶段剂量，在一个或多个总剂量上定义的至少一个基于剂量的优化函数，

d.通过在优化期间考虑机器限制来应用直接机器参数优化，使用基于剂量的优化函数来优化用于每个阶段的剂量递送的射束设置，其中，每个阶段的阶段剂量是基于表示该阶段的3D图像和表示该阶段的射束设置来算出，以及

e.从每个阶段算出的剂量中获得一个或多个总剂量。

总剂量优选为累积剂量，该累积剂量被作为每个阶段算出的剂量的加权和算出。通常，治疗计划以多个分段递送给患者，例如，针对连续几天的每天计划的一个分段。总剂量可以指患者整个治疗计划的总剂量，或治疗的一个分段的总剂量，或分段子集的总剂量。在最简单的情况下，获得一个或多个总剂量的步骤包括在算出优化函数值时从剂量引擎中检索阶段剂量。

根据本发明，不仅考虑靶本身的运动，还考虑变形的患者几何形状。虽然几何形状的变化通常是周期性的，例如呼吸周期，但是该方法也适用于其他类型的移动，例如线性的或不规则的移动。由于在优化期间考虑了每个阶段的剂量，因此针对每个阶段的几何形状，将优化对靶的剂量以及对处于风险中的器官的剂量。如果靶在这些阶段的一些阶段中在射束方向上移动到处于风险中的器官的前方，这将会降低例如对处于风险中的器官的增加剂量的风险，如果在单个3D图像上创建计划，则可能发生这种风险。机器限制可以适当地基于移动模型。

此外，在整个治疗过程中递送的剂量的使用是使用生物指标作为优化函数的先决条件。这是有利的，因为生物指标与治疗目的直接相关，所以增加从计划产生的剂量达到了实现这些目的的机会。因此，至少一个优化函数优选地在剂量域中定义和/或作为生物指标定义。

治疗射束的递送被分成一个或多个子射束。这些子射束可以是例如光子射束的控制点或段，或者是带电粒子射束的能量层或点。优选地，在步骤b中获得的机器模型还包括作为时间的函数的治疗递送的模型，这意味着子射束的时间分配模型。对于不同的治疗技术和不同的机器，作为时间的函数的治疗递送的模型将是不同的。

在一个优选的主要实施例中，至少一个基于剂量的优化函数被布置为将总剂量优化为从该阶段剂量到至少两个阶段中的每一个阶段而计算的累积剂量，还包括以下步骤：

·将3D图像中每一个与选定的参考图像配准，以获得每个阶段的变形映射，

·在优化期间，通过相应阶段的变形映射使每个阶段的剂量分配变形，以匹配参考图像，

·将总剂量计算为所有阶段的变形剂量分配的加权和。

参考图像可以是先前获得的患者的计划图像，或者是4D图像中的3D图像之一，或者是患者的另一个合适的图像。替代地，它可以是相关区域的图集图像。如上文所提到的，治疗通常被分为几个分段递送。为了实现这一点，至少一个优化函数可以基于所有阶段和所有分段的累积剂量。

在第二优选主要实施例中，至少一个总剂量包括一个或多个总阶段剂量，每个总阶段剂量与这些阶段之一相关，每个总阶段剂量从阶段的阶段剂量算出，如同该阶段是治疗期间发生的唯一阶段，即如同没有运动。在这种情况下，术语治疗可以指一个治疗分段、分段的子集或者包括所有分段的总治疗。在这种情况下，优化函数可以由组成优化函数构成，每个组成优化函数被指派给一个阶段并且被布置为优化该阶段的总剂量。在这种情况下，优化函数适当地是组成优化函数的加权和，每个组成函数被指派给一个阶段并且被布置成优化其被指派给的阶段的总剂量。优化问题可以被定义为最坏情况优化问题，其中例如优化函数被定义为优先考虑具有不利函数值的一个或多个组成优化函数中的改进。

根据本发明的方法基于对一个或多个总剂量的确定，其中每个总剂量由一次操作中的一个或多个阶段剂量来计算。因此，可以使用与没有动态靶跟踪的计划相同形式的优化问题。这是有利的，因为使用者通常熟悉这样的优化问题。对于如何在阶段之间分配剂量没有限制条件，这增加了找到最佳总剂量分配的机会。如本领域中常见的，优化问题包括多个优化函数，这些优化函数可以是目标函数或约束。目标函数被制定为努力实现的目的(例如，最小化对风险器官的剂量)，而约束是指定的限制(例如，为对风险器官的最大剂量设定一个值)。

在一些实施例中，基于剂量的优化函数额外地基于与总剂量相关的至少一个函数参数。该至少一个函数参数可以是治疗功能的指定剂量水平。

在剂量递送期间，治疗机的行为可能与优化中使用的治疗机的模型不同。同样，如果使用患者几何形状的变化的模型，递送期间的实际患者运动可能与优化中使用的模型不同。因此，该方法优选地与鲁棒优化相组合。对于以下一项或多项，优化应该是鲁棒的：

·作为时间的函数的患者几何形状的变化模型的不确定性，

·治疗机的剂量跟踪准确度的不确定性，

·患者设置、密度或器官运动的不确定性。

对于鲁棒优化，至少一个基于剂量的优化函数可以包括与总剂量相关的至少一个优化函数以及与情境剂量相关的至少一个优化函数。技术人员知道如何基于例如最坏情况优化或者期望值优化来实施鲁棒优化。

在最简单的实施例中，射束形状在所有阶段都保持恒定。射束形状也可以是恒定的，但是基于用于递送射束的递送系统的模型而改变。在其他实施例中，优化问题被定义为允许射束在不同的阶段具有不同的射束形状，并且如果适用，射束形状可以在优化期间基于用于递送射束的递送系统的模型被约束。在这种情况下，该方法还能够例如减小剂量递送期间准直器叶片的叶片行进距离，因为射束形状可以调适为特定阶段中最合适的形状。

射束设置被定义为影响射束的所有参数，例如，在具有多叶准直器(MLC)的光子机的情况下，包括射束角度、强度(即监测单位MU或者段权重)和准直器叶片位置，或者在具有笔形射束扫描的质子机的情况下，包括射束角度和强度(即点权重)。射束设置通常会在阶段之间变化。因此，优化射束设置的步骤可以包括：优化参考阶段的一个射束设置，并且基于参考阶段中的射束设置、其他阶段与参考阶段之间的患者几何形状的差异以及机器的模型来算出至少一个其他阶段的射束设置。可以算出射束设置使得射束形状和强度在各阶段之间是相同的。替代地，可以允许射束形状和/或强度在各阶段之间变化。在另一个实施例中，可以同时优化不同阶段的射束形状和/或强度，以获得每个阶段的最佳射束形状和/或强度。

患者几何形状的差异通常与一个或多个靶和/或处于风险中的器官的位置变化有关。当使用动态靶跟踪时，射束设置的优化应该基于描述射束设置如何根据靶移动而改变的机器模型。在这种情况下，优化问题优选地被定义为约束这些阶段中至少两个阶段之间的射束形状和/或强度的差异。靶可以是剂量应该主要瞄准的靶或患者体内的一些其他器官或组织部分。参考阶段优选地但不是必须地与所选择的参考图像相关联。

由于考虑了每个阶段的总几何形状，而不仅仅是靶，因此可以更精确地知道每个阶段每个器官的实际位置，这意味着可以更好地避免对处于风险中的器官的剂量。这将降低健康组织，尤其是处于风险中的器官受到不必要放射的风险。

至于其他计划方法，可以在靶和/或处于风险中的器官周围应用边界，以处理其位置的不确定性。根据本发明的方法能够通过更精确地处理所有关键器官的位置，包括靶(或多个靶)和处于风险中的任何器官，来减小这样的边界。

根据本发明的方法适用于多种不同递送技术的治疗计划，包括但不限于分段多叶准直器(SMLC)、动态多叶准直器(DMLC)、三维适形放疗(3DCRT)、体积电弧疗法(VMAT)和笔形射束扫描(PBS)。

优化问题还可能包括对增加跟踪不确定性的至少一个因素的惩罚。例如，可以选择准直器角度来最小化叶片移动与靶移动之间的偏差。这将改进跟踪性能。

要考虑的机器限制与治疗计划相关，因为它们可能影响治疗计划的递送。通过考虑机器限制，可以确保考虑到治疗系统的机器性质，该计划是可递送的，并且优选地，机器性质不会导致递送延迟。因此，在一些实施例中，作为时间的函数的患者几何形状变化的模型被获得并在优化期间被使用，以确保计划与递送机器的性质兼容。作为时间的函数的患者几何形状变化的模型和机器模型可用于优化前的预处理步骤或优化后的后处理步骤，以验证在跟踪期间不会违反机器限制。

优选地，当考虑以下至少一个时，应用作为时间的函数的患者几何形状变化的模型：

·在各阶段累积剂量

·优先考虑组成函数

·优化期间考虑机器限制

为了便于考虑机器限制，在优化期间考虑机器限制，基于递送系统的模型，可以使用直接机器参数优化来优化射束设置。作为替代，在执行本发明的方法之前，可以预先算出射束设置的至少一部分，诸如准直器角度，以减少跟踪不确定性。基于机器的模型和患者几何形状变化的模型，还可以执行运算，以预先确定是否能在两个相邻阶段之间使射束重定向。

作为时间的函数的患者几何形状变化的模型基于患者在每个阶段的时间量。患者几何形状变化的模型可以是运动的离散函数，在这种情况下，每个阶段与离散模型中的特定时隙相关联。替代地，患者几何形状变化的模型也可以是运动的连续函数，在这种情况下，每个阶段与连续模型中的一个时隙相关联。如上文，每个阶段与构成4D图像的3D图像之一相关联。

最简单的运动模型是在每个阶段定义相等的时间。稍微更高级一点的模型是在不同的阶段指派不同的时间。基于例如运动的测量或运动的人口统计，可以应用更高级的离散或连续时间模型两者。基于累积剂量对优化函数进行优化的优点是不将剂量限制在个别阶段。取而代之的是，在优化期间中只考虑作为最终端点的整个分段(或几个分段)的累积剂量，使优化器可以自由地以最佳方式在阶段之间重新分配剂量，这增加了改进计划品质的可能性。

在剂量分配的加权和或者组成函数的加权和中，权重可以以不同的方式确定。在最简单的情况下，给定每个阶段相等的权重，计算加权和。替代地，加权和中的权重可以基于每个阶段发生的概率。在这种情况下，需要每个阶段发生的概率模型作为设置权重的输入。第三个选项是让加权和中的权重基于每个阶段花费的时间，每个阶段花费的时间基于作为时间的函数的患者运动的模型。

通过使用鲁棒优化函数作为至少一个优化函数，根据本发明的方法还可以与鲁棒优化计划相组合。这包括但不限于鲁棒的计划技术，在该技术中，为多个不同的情境算出计划，以确保具有最低品质的计划相对于对靶的最小剂量和对其他组织的最大剂量仍然足够好，或者剂量分配的期望值足够好。将鲁棒优化和动态靶跟踪相组合意味着可以减少情境之间的变化，并能够处理时间模型即所谓的相互作用效应，跟踪递送方面的不确定性。鲁棒计划可以处理的不确定性包括以下：

·作为时间的函数的患者几何形状变化模型的不确定性。

·剂量递送系统的控制系统的不确定性，特别是剂量跟踪准确度的不确定性，以及

·患者设置、密度或器官移动的不确定性。

至少一个不确定性的鲁棒优化可以用本领域已知的任何方式来处理，包括以下方式：

·最坏情况优化

·期望值优化

·边界应用

鲁棒优化函数还可以基于患者处于每个阶段的概率和/或作为时间的函数的患者运动模型。

本发明还涉及一种用于控制放疗计划设备的计算机程序产品，该计算机程序产品优选地存储在诸如非暂时性存储装置的载体上，该计算机程序产品包括计算机可读代码装置，当该计算机可读代码装置在放疗计划设备的处理器中运行时，将使该设备执行根据上述的方法。

本发明还涉及一种用于控制放射治疗计划的递送的计算机程序产品，该计算机程序产品优选地存储在诸如非暂时性存储装置的载体上，该计算机程序产品包括计算机可读代码装置，当该计算机可读代码装置在放疗递送设备的处理器中运行时，将使放疗递送设备接收关于患者体内至少一个区域随时间的跟踪的信息，并且根据接收到的信息控制由前述权利要求中任一项获得的计划的递送。

本发明还涉及一种放疗计划设备，包括处理器和保存根据上述的计算机程序产品的程序存储器，计算机程序产品被布置为在处理器中运行以控制放射治疗计划设备。

附图说明

下面将通过示例并参考附图更详细地描述本发明，其中

图1a、1b和1c示出了三种动态靶跟踪方法。

图2说明了器官周围安全边界的应用。

图3是根据本发明方法的一个实施例的方法的流程图。

图4示意性示出了可用于治疗计划的计算机系统。

具体实施例

放射治疗计划的目的通常是最大化无并发症肿瘤控制的概率。原则上，这可以使用生物优化函数诸如基于TCP和NTCP的优化函数来实现。优化函数是优化问题的一部分，可以表达为目标函数或约束。临床目的通常在剂量域中陈述，因此更常用物理优化函数，诸如最小和最大剂量、最大平均剂量、最小和最大DVH点。如本领域众所周知的，优化函数被设计成通过目标函数和/或约束来创建满足临床目的的计划。

当创建没有动态靶跟踪的计划时，即仅在标称阶段，优化函数仅与标称剂量分配相关。例如，如果一个临床目的是对整个靶采用70Gy的均匀剂量，那么如果在优化期间应用70Gy的均匀剂量优化函数，优化器将针对标称阶段几何形状努力实现对靶采用70Gy的均匀剂量。优化函数的一个示例是基于剂量的优化函数，其努力获得对靶体积的指定均匀剂量。这种函数可以表示为f(D_L,D)，其中D_L是指定的剂量水平，D是为计划CT计算的剂量，计划CT可以是4DCT中的各阶段中的一个阶段。

如上所提到的，用于动态靶跟踪的技术通过使射束能够跟随移动靶而显著改进了治疗计划。图1a、图1b和图1c示出了本领域中已知的用于动态靶跟踪的三种主要方法。图1a、1b和1c中的每一个示意性地示出了用实线表示的在对应于第一阶段的第一位置处的射束源11、靶13和处于风险中的器官15。治疗计划基于本示例中用实线示出的情况。靶13’和处于风险中的器官15’也用虚线示出了在对应于第二阶段的第二时间点。可以看出，靶与处于风险中的器官之间的相对位置在第一时间点与第二时间点之间变化。这意味着被设计成在第一时间点击中靶并避开处于风险中的器官的射束在第二时间点可能无法避开处于风险中的器官。在动态靶跟踪中，通常对移动进行建模，并估算每个阶段花费的时间。

图1a示出了万向节跟踪，其中射束源11保持在相同的位置，但是射束角度被改变以跟随移动靶13。第一射束角度被示为实线，第二射束角度被示为虚线。可以看出，第一射束将在第一阶段影响靶13，但是将避开处于风险中的器官15。在第二阶段，靶13’与处于风险中的器官15’之间相对于射束的相对位置已经改变，使得射束11’将影响靶13’以及处于风险中的器官15’。利用万向节跟踪，由于射束角度改变，即使靶和处于风险中的器官的相对位置在横向移动中保持相同，也会有影响处于风险中的器官的风险。

当使用点跟踪时，在质子疗法中出现类似的情况。这涉及通过磁体来改变射束角度，在本发明的上下文中，这类似于通过万向节跟踪来改变射束角度。

图1b示出了机器人跟踪，其中机器人臂用于随着靶13的移动将射束源11横向移动到新位置11’。同样，第一时间点的射束被示为实线，第二时间点的射束被示为虚线。如图1a所示，第一射束将影响靶13，但是将避开处于风险中的器官15。在第二阶段，靶13’与处于风险中的器官15’之间相对于射束的相对位置已经改变，使得射束将影响靶13’以及处于风险中的器官15’。在治疗床跟踪中出现类似情况，其中并非机器人臂移动射束源11，而是患者位于其上的治疗床移动，以改变射束源11和患者的相对位置。

图1c示出了MLC跟踪。这类似于机器人跟踪，但不是移动射束源，而是在第二阶段将准直器中的开口横向移动到新位置，同时维持叶片位置，使得射束跟随靶移动。

图2示出了鲁棒计划中可能使用的不同靶体积定义。示出了通过患者21的简化截面，包括第一靶22和第二靶23，典型地为肿瘤。被确定为恶性生长的每个靶的体积被称为总肿瘤体积GTV。在第一GTV22周围，由虚线界定的临床靶体积CTV 24被定义为包含GTV和/或其周围边界的体积，通常包括亚临床微观恶性疾病。由点虚线25界定的计划靶体积PTV可以在CTV周围限定，以允许患者可能的几何变化和/或移动。类似的CTV和PTV没有示出，但是可以定义为第二GTV 23。内部靶体积ITV 26包括两个肿瘤体积和它们之间的任何组织。在ITV中，用常规方法获得的用于照射第一靶和第二靶的治疗计划对靶之间的健康组织具有不希望的剂量的高风险。CTV、PTV和ITV可以根据例如治疗设置中的不确定性进行定义。可能有一个或多个处于风险中的器官，器官可能有自己的边界以应对不确定性，这也可能影响应用于CTV、PTV和ITV的边界。由CTV、PTV或ITV增加的体积应足以确保每个靶获得满意的剂量，但也应保持在最低限度，以避开对周围组织产生不必要的放射。

一般而言，根据本发明的方法基于优化问题，该优化问题包括至少一个优化函数，该优化函数定义在整个治疗分段剂量上或多个分段的总剂量上，优选在整个治疗过程中，同时考虑治疗分段内不同阶段的剂量。这种优化函数可以表示为

f(D₁,D₂,…,D_m)或者f(a₁,a₂,…,a_n,D₁,D₂,…,D_m)(1)

其中D_i是在4D图像的第i阶段的3D图像上计算的剂量，并且函数参数a_j中的至少一个涉及整个治疗分段(或几个治疗分段)。参数a_i例如可以是物理优化函数的剂量水平或生物优化函数中的分段数。

优化函数可以例如作为复合目标函数的组成函数或者作为约束函数被包括在优化问题中。优化函数的一个示例是基于剂量的优化函数，其努力获得对靶体积的指定均匀剂量。这种函数可以表示为

f(D_L,D₁,D₂,…,D_m)(2)

其中D_L是整个治疗分段(或几个治疗分段)的指定剂量水平(函数参数)，并且D_i是在4D图像的第i阶段的3D图像上计算的剂量。

上述方法的一个实施例基于定义患者在不同阶段的多个3D图像，并且使用各阶段之间的图像配准来将每个阶段的剂量变形为一个参考图像。参考图像可以是例如计划图像、标称图像或这些阶段之一。然后，使用通过配准获得的变形映射将总剂量累积在参考图像上，以使每个阶段的剂量变形，从而与参考图像的几何形状相匹配。方程式2的优化函数然后变成

f(D_L,D₁,D₂,…,D_m)＝f(D_L,D_acc(D₁,D₂,…,D_m))，(3)

其中，D_acc是根据图像配准和作为时间的函数的运动，根据每个阶段的剂量计算的累积剂量。

上述方法的另一个实施例是基于使用在每个阶段的剂量上定义的组成优化函数，其中这些函数在优化函数中组合。优化函数的一个示例是基于剂量的优化函数，其努力获得靶体积的指定均匀剂量。在这种情况下，方程式2的函数变成：

f(D_L, D₁, D₂, …, D_m) ＝ f(g₁(D_L, D₁), g₂(D_L, D₂,) …, g_m(D_L, D_m)) (4)

在这个示例中，所有g_i都是相同的组成优化函数，其努力在第i阶段实现均匀剂量D_L。优化f组合了组成函数g_i的函数值。f的示例是组成函数值的总和、基于例如一个阶段发生的概率或者在每个阶段花费的时间的加权和、或者努力改进具有最差函数值的阶段的组成函数或给予更高优先级以改进具有不利函数值的组成函数的极小极大函数。

更一般函数的示例可以表示为

f(a₁,a₂,…,a_n,D₁,D₂,…,D_m)＝f(a₁,a₂,…,a_n,D₁,D₂,…,D_m,

g₁(a₁,a₂,…,a_n,D₁),g₂(a₁,a₂,…,a_n,D₂,)…,

g_m-1(a₁,a₂,…,a_n,D_m),g_m(a₁,a₂,…,a_n,D₁,D₂,…,D_m))，(5)

定义如上。该定义将允许例如使用累积剂量与取决于单阶段剂量的组成函数的组合来组合上述两个示例。f(a₁,a₂,…,a_n,D₁,D₂,…,D_m)的其他定义也是可能的，例如包括分段剂量期望值的优化函数、体素方式的最坏情况和客观方式的最坏情况。

使用这种策略，可以在根据本发明的方法中使用与一般情况下相同的均匀剂量优化函数，并且将其应用于累积的总剂量。事实上，可以应用传统上用于非DTT计划的所有优化函数，包括生物优化函数，因为这些模型依赖于剂量分配。因此，在本文中，生物优化函数被认为是基于剂量的优化函数，即使函数值是一个概率，并且没有指定期望的剂量水平。

图3是该方法的第一实施例的流程图。在本示例中，假设射束形状在所有阶段都保持相同，并且机器具有MLC。在这种情况下，可以基于一组准直器叶片位置来算出所有阶段的剂量。在步骤S31，获得患者的4D图像。4D图像是一组随时间的3D图像，反映了患者的移动周期，例如呼吸周期。4D图像可以是允许剂量运算的任何模式，包括计算机断层扫描(CT)、锥形束计算机断层扫描(CBCT)、质子CT(pCT)、双能CT(DECT)和磁共振(MR)。这些图像描述了不同阶段即作为时间的函数的患者几何形状，例如通过每阶段的时间戳或者呼吸周期的测量。替代地，可以通过测量靶的运动并且应用可变形的图像配准来创建合成4D图像。可以使用基于人口的统计而不是测量运动。使用4D图像集，可以使用例如结构插值和可变形配准来添加中间阶段。所使用的阶段可以是4D图像中可用阶段的子集。尽管使用患者的图像将实现最佳结果，但是也可以使用合成4D图像，并且可能产生令人满意的结果。

在步骤S32中，周期被分成一组阶段，每个阶段对应于患者的几何形状，并且各阶段被建模为时间的函数。在最简单的情况下，这意味着确定每个阶段花费多少时间。可以根据以下步骤选择阶段的整个集合或一个子集用于优化。通过可变形配准，可以添加不包括在4D图像中的中间阶段。

为了能够使用速度约束并且能够累积剂量，有必要将阶段建模为时间的函数。最简单的方式是给每个阶段添加一个时间戳，即对每个阶段花费多少时间建模，但是可以使用估计每个阶段时间的任何函数。由于对靶的剂量在不同阶段不一定相同，时间模型中的不确定性可能导致优化剂量分配与实际递送剂量分配之间的差异。因此，处理这些不确定性非常重要。考虑时间模型不确定性的另一个原因是，在优化期间考虑速度约束的情况下，它可能导致违反速度约束。这可以通过在目标函数中引入惩罚或与速度相关的约束来实现。不确定性可以在鲁棒优化中处理，或者通过设置比模型所规定的更具限制性的约束来处理。更具限制性的约束的多少取决于不确定性的大小。

在步骤S33中，选择参考图像，并且对应于阶段的集或子集的图像可变形地配准到参考图像。参考图像可以是4D图像中的图像之一，或者是计划图像，或者是患者的任何其他图像。它也可以是相关区域的合适图集图像。配准允许在所有阶段递送的剂量的累积被投影到参考图像上，以独立于治疗周期期间器官的移动来确定每个器官的总剂量。

在步骤S34中，针对整个周期的累积剂量获得基于剂量的优化函数。基于剂量的优化函数可以与没有动态靶跟踪的方法相同，因为移动将通过3D图像中每一个与参考图像的配准来处理。

在步骤S35中，针对每个阶段使射束设置重定向。射束设置包括所有可变机器参数的设置。机器参数因不同的递送技术而异，可能包括机架角度、MU、MLC叶片位置、准直器角度、治疗床角度或万向节角度，或者在笔形射束扫描的情况下点权重。技术人员能够针对每个系统确定哪个机器参数适用。在所有阶段使用相同射束形状的情况下，有一个共同的标称射束形状。基于在步骤S32中定义的阶段模型，特别是在每个阶段花费的时间，将MU分配在各阶段中。如下面将要讨论的，还可以允许射束形状或MU在不同阶段之间变化。

使用DTT递送系统的技术执行重定向。例如，如果递送系统使用机器人跟踪或治疗床跟踪，重定向将分别涉及机器人头部的移动或治疗床移位。如果递送系统使用万向节跟踪，重定向将涉及万向节角度移动。对于MLC跟踪，重定向将涉及整个叶片排或托架的移位(维持MLC的射束形状)。叶片排的移位可以同时在X和Y方向进行。对于笔形射束扫描，扫描图案和/或能量层可以移位。当在优化开始之前和/或优化期间执行重定向时，将考虑运动方面适用的机器限制。

在步骤S36中，使用在步骤S34中定义的优化函数来优化射束设置。使用直接机器参数优化，同时优化所有射束设置。这样，总剂量可以以最合适的方式分配在各阶段中。

在射束形状被假定为恒定的实施例中，优选地，针对这些阶段中一个阶段的机器参数进行优化。然后，在优化期间，根据靶在所有阶段的移动情况，通过调适机器参数来算出其他阶段中每一个阶段的剂量。根据作为时间的函数的移动模型，如果适用的话，由递送机的性质施加的限制作为目标函数或者作为约束包括在优化函数中。

如上所述，在其他实施例中，射束形状可以分别针对每个阶段个别地调适。优化将包括在一次优化操作中为每个阶段优化一组机器参数。在这种情况下，射束形状必须由动态靶跟踪控制系统的模型来约束，以避免无法获得或不可行的射束形状。DTT递送系统的控制系统模型用于约束射束形状，并且优化每阶段的个别射束形状。这可以被视为上文讨论方法的更一般的情况。当射束形状恒定时，优化变量在各阶段之间共享，而在一般情况下，每阶段可能有一组优化变量。MU基于作为时间的函数的阶段模型(例如在每个阶段花费的时间)在阶段中分配。

在允许射束形状在阶段之间变化的实施例中，优化阶段的射束设置的同时直接机器参数优化允许不同阶段中的个别射束形状和/或MU。在优化期间会考虑适用的机器约束，以确保计划在靶运动期间是可递送的，也就是说，机器可以在递送期间足够快地调适正在变化的射束形状。对于机器人跟踪，这包括机器人头部的速度，对于万向节跟踪，包括摆动和倾斜角速度，对于MLC跟踪，包括叶片速度和可能的夹钳速度。对于治疗床，它包括跟踪治疗床的速度，以及PBS点和能量层切换时间。由于每个阶段都可以建模为时间的函数，因此能将优化函数中的实际速度约束用作惩罚函数或优化过程中的硬约束。另一个选项是在两个相邻阶段之间的位置或角度上使用最大允许位移，如果时间相关性未知或太不确定而无法正确建模。不同的跟踪技术可以在优化期间进行组合和考虑。在优化期间，可以考虑机器的所有自由度，例如准直器和治疗床旋转。

如果有可能通过机器模型来控制每个阶段的射束设置，即，如果有可能将关于在每个阶段中使用的射束设置的信息转移到DTT递送系统，则又一个实施例是适用的。在这种情况下，射束设置可以针对每个阶段个别优化，但可以基于机器模型预测，而不是由操作员设置。作为时间的函数的阶段模型(例如在每个阶段花费的时间)用于约束每个阶段的运动。这可以通过两种不同的方式来实现。在根据图3的流程图的方法中，机器模型可以用于算出每个相应阶段的机器参数的变化。当在上述修改的实施例中实施时。机器模型可用于定义不同阶段之间的移动约束。

作为步骤S31之前的准备步骤，可以算出射束设置的一个或多个部分。选择这些部分是为了减少跟踪不确定性，例如预先算出准直器角度，这将最小化叶片移动方向与靶移动之间的偏差。基于机器模型确定叶片移动，并且基于4D图像确定靶移动。

基于剂量的优化函数可以以不同的方式定义。基于剂量的优化函数中至少一个可以被定义为生物学指标，包括但不限于肿瘤控制概率(TCP)或正常组织并发症概率(NTCP)。作为替代或补充，基于剂量的优化函数中至少一个可以在剂量域中定义，例如，根据均匀剂量、最小或最大剂量、最小或最大DVH、平均剂量或gEUD。

优化函数还可以包括对增加跟踪不确定性的至少一个因素的惩罚，诸如使叶片移动与靶移动之间的偏差最小化的准直器角度。替代地，这样的参数可以在执行本发明的计划方法之前作为准备被确定。

图4是其中可以执行根据本发明的方法的计算机系统的示意图。计算机41包括处理器43、数据存储器44和程序存储器45。优选地，还存在一个或多个使用者输入装置47、48，其形式为键盘、鼠标、操纵杆、语音识别装置或任何其他可用的用户输入装置。用户输入装置也可以被布置成从外部存储单元接收数据。

数据存储器44包括过程中使用的数据，诸如预先算出的计划和临床目标。程序存储器45保存计算机程序，该计算机程序被布置成使计算机执行结合图3讨论的方法步骤。

可以理解，数据存储器44和程序存储器45被示意性地示出和讨论。可以有几个数据存储单元，每个数据存储单元保存一种或多种不同类型的数据，或者一个数据存储器以适当的结构化方式保存所有数据，程序存储器也是如此。例如，分别地，对于预先算出的计划、临床目标和组合计划，可能分别有单独的存储器或存储器片段。一个或多个存储器也可以存储在其他计算机上。

本发明的方法适合与鲁棒优化方法相组合，例如关于以下方面：

·作为时间的函数的移动模型中的不确定性

·递送系统控制系统中的不确定性，即与跟踪相关的不确定性。

·其他不确定性，例如，关于患者设置、器官移动、密度等。

也有可能以其他方式最小化跟踪不确定性。例如，对于准直器移动，对准MLC使得叶片移动与射束源的移动方向一致，这将改进跟踪性能。

当递送计划时，递送设备由计算机程序产品控制，该计算机程序产品被布置为基于从跟踪系统接收的与肿瘤移动相关的跟踪信息递送根据本发明获得的计划。

Claims (13)

1.一种放疗治疗计划设备(41)，包括处理器(43)和保存计算机程序的程序存储器(45)，所述计算机程序被布置为在所述处理器中运行以控制所述放疗治疗计划设备执行放疗治疗计划的方法，所述方法涉及根据患者几何形状随时间的变化，包括靶的位置随时间的变化，动态跟踪所述靶以导向射束，所述方法包括以下步骤：

a.获得患者的4D图像，所述4D图像包括一组3D图像，所述4D图像反映所述患者的移动，每个3D图像对应于所述靶具有指定位置的阶段，所述阶段由一组阶段构成，

b.获得治疗机的模型，包括所述治疗机的机器限制，

c.获得优化问题，包括基于每个阶段的阶段剂量，在一个或多个总剂量上定义的至少一个基于剂量的优化函数，总剂量是在整个治疗内或在所述治疗的一个或多个分段内递送给患者的剂量，所述分段包含多个不同的阶段，

d.通过在优化期间考虑所有相关机器限制来应用直接机器参数优化，使用所述基于剂量的优化函数来优化用于每个阶段的剂量递送的射束设置，其中，每个阶段的所述阶段剂量是基于表示该阶段的3D图像和表示该阶段的所述射束设置，以及

e.从算出的所述阶段剂量中获得一个或多个总剂量。

2.根据权利要求1所述的放疗治疗计划设备，其中，所述至少一个基于剂量的优化函数被布置为将所述总剂量优化为从所述阶段剂量到至少两个阶段而计算的累积剂量，还包括以下步骤：

a.将所述一组3D图像中的每个3D图像与选定的参考图像配准，以获得每个阶段的变形映射，

b.在优化期间，借助于相应阶段的所述变形映射来变形每个阶段的所述剂量分配，以匹配所述参考图像，

c.将所述总剂量计算为所述至少两个阶段的所述变形剂量分配的加权和。

3.根据权利要求2所述的放疗治疗计划设备，其中，所述参考图像是所述一组3D图像之一或者所述患者的计划图像。

4.根据权利要求1所述的放疗治疗计划设备，其中，所述至少一个总剂量由一个或多个总阶段剂量组成，每个总阶段剂量与所述阶段之一相关，每个总阶段剂量是从阶段的所述阶段剂量算出，如同所述阶段是所述治疗期间发生的唯一阶段。

5.根据权利要求4所述的放疗治疗计划设备，其中，所述优化函数包括多个组成优化函数，每个组成优化函数被指派给一个阶段，并且被布置为优化该阶段的所述总剂量。

6.根据权利要求5所述的放疗治疗计划设备，其中，所述优化函数是所述组成优化函数的加权和，每个组成优化函数被指派给一个阶段，并且被布置为优化其被指派给的所述阶段的所述总剂量。

7.根据权利要求5所述的放疗治疗计划设备，其中，所述优化函数被定义为优先考虑在指派给具有最差函数值的一个或多个阶段的一个或多个所述组成优化函数中的改进。

8.根据权利要求5至7中任一项所述的放疗治疗计划设备，还包括获得与所述阶段相对应的作为时间的函数的所述患者几何形状变化的模型，并且考虑以下至少一项的所述模型：

·在所述阶段上累积剂量，

·优先考虑所述组成优化函数，

·在所述优化期间考虑所述机器限制。

9.根据权利要求1至7中任一项所述的放疗治疗计划设备，其中，所述优化用于每个阶段的剂量递送的射束设置的步骤包括以允许不同阶段的不同射束形状和/或强度的方式为每个阶段优化一个射束设置。

10.根据权利要求9所述的放疗治疗计划设备，其中，所述优化问题被定义为约束所述阶段中至少两个阶段之间的所述射束形状和/或强度的差异。

11.根据权利要求1至7中任一项所述的放疗治疗计划设备，其中，所述优化用于每个阶段的剂量递送的射束设置的步骤包括：优化参考阶段的射束设置，并且基于所述参考阶段的所述射束设置、其他阶段与所述参考阶段之间的患者几何形状中的差异、所述治疗机的模型以及可选的作为时间的函数的所述患者几何形状变化的所述模型，来算出至少一个其他阶段的射束设置。

12.根据权利要求1至7中任一项所述的放疗治疗计划设备，其中，所述优化问题被定义为使得所述优化将是关于以下一个或多个的鲁棒优化：

·作为时间的函数的所述患者几何形状的变化的所述模型的不确定性，

·所述治疗机的剂量跟踪准确度的不确定性，

·患者设置、密度或器官运动的不确定性。

13.根据权利要求1至7中任一项所述的放疗治疗计划设备，其中，当所述计算机程序在放疗递送设备的处理器中运行时，将使所述放疗递送设备接收关于所述患者体内至少一个区域随时间的跟踪的信息，并且根据所述接收到的信息控制由所述放疗治疗计划的方法获得的计划的所述递送。

Images