CN113181563B - 粒子植入肿瘤内放疗剂量规划方法、系统及介质 - Google Patents
粒子植入肿瘤内放疗剂量规划方法、系统及介质 Download PDFInfo
- Publication number
- CN113181563B CN113181563B CN202110480528.3A CN202110480528A CN113181563B CN 113181563 B CN113181563 B CN 113181563B CN 202110480528 A CN202110480528 A CN 202110480528A CN 113181563 B CN113181563 B CN 113181563B
- Authority
- CN
- China
- Prior art keywords
- organ
- dose
- radiation
- particle
- medical image
- 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.)
- Active
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
- A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/34—Trocars; Puncturing needles
- A61B17/3468—Trocars; Puncturing needles for implanting or removing devices, e.g. prostheses, implants, seeds, wires
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
-
- 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
- A61N5/1001—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy using radiation sources introduced into or applied onto the body; brachytherapy
- A61N5/1007—Arrangements or means for the introduction of sources into the body
-
- 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
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
- A61B2034/301—Surgical robots for introducing or steering flexible instruments inserted into the body, e.g. catheters or endoscopes
-
- 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
- A61N2005/1034—Monte Carlo type methods; particle tracking
-
- 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
- A61N2005/1035—Simulated annealing
-
- 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
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了粒子植入肿瘤内放疗剂量规划方法、系统及介质,用于放射粒子内放疗介入手术机器人,包括:医学图像信息获取步骤;医学图像多脏器分割步骤,对医学图像进行多脏器分割,包括在医学图像上对一个或多个器官进行标注;穿刺针路径规划步骤,基于被标注器官和虚拟入针面板对穿刺针的可行路径进行限制;放射性粒子辐射剂量计算步骤,对放射性粒子计算其在体内环境中的辐射剂量;放射性粒子布源剂量优化步骤,根据粒子的辐射剂量、肿瘤病灶形态和体积,对植入粒子的数量和空间位置进行优化,得到累积辐射剂量满足设定剂量的粒子布源结果。本发明使得放射粒子剂量分布满足临床要求。
Description
技术领域
本发明涉及医学图像处理技术领域、肿瘤内放疗剂量计算和优化领域,特别涉及一种粒子植入肿瘤内放疗剂量规划方法、系统及介质。
背景技术
恶性肿瘤已经成为一种严重威胁人类健康且常见的多发疾病,其主要的治疗手段有手术治疗、化学治疗和放射治疗等。其中,放射治疗利用放射源发出的高能射线,持续抑制肿瘤细胞的有丝分裂,从而起到治疗效果。与普通的外照射治疗相比,放射性粒子植入性内放疗能大幅提高对肿瘤病灶的放射剂量,同时减少患者正常器官组织所接受的辐射,对恶性肿瘤的局部控制率高、治疗后并发症发病率低,显著延长了患者的生存时间。
治疗剂量规划系统的出现,使得放射粒子植入性内放疗成为早期癌症治疗的标准手段。传统的治疗剂量规划系统首先通过病人术前、术中的医疗影像数据,由医生根据临床经验勾画肿瘤和靶器官边界,后借助等剂量线、等剂量面和剂量体积直方图等辅助参数合理布置放射性粒子,使得剂量在能够满足杀灭肿瘤细胞的同时并保护正常器官组织,最后输出报告指导手术。但在传统治疗剂量规划系统中,靶器官的勾画需要大量的手工操作,且对于CT图像中的一些器官,由于器官与周围组织的对比度较低,且形态多变,即使手工分割也很困难。同时放射粒子的剂量计算和剂量优化也是内放疗介入手术成功的关键,传统方法很难使得剂量分布满足临床要求,且容易出现剂量辐射冷区和热区。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种粒子植入肿瘤内放疗剂量规划方法,能够使得放射粒子剂量分布满足临床要求。
本发明还提出一种粒子植入肿瘤内放疗剂量规划系统。
本发明还提出一种实施上述方法的计算机可读存储介质。
根据本发明的第一方面实施例的粒子植入肿瘤内放疗剂量规划方法,用于放射粒子内放疗介入手术机器人,包括:医学图像信息获取步骤,获取病灶及其周围一定范围内的三维的医学图像;医学图像多脏器分割步骤,对医学图像进行多脏器分割,包括在医学图像上对一个或多个器官进行标注,所述器官包括肿瘤病灶;穿刺针路径规划步骤,基于被标注器官和虚拟入针面板对穿刺针的可行路径进行限制;放射性粒子辐射剂量计算步骤,对选定大小、材质和活性特征的放射性粒子计算其在体内环境中的辐射剂量;放射性粒子布源剂量优化步骤,根据粒子的辐射剂量、肿瘤病灶形态和体积,对植入粒子的数量和空间位置进行优化,得到累积辐射剂量满足设定剂量的粒子布源结果。
根据本发明实施例的粒子植入肿瘤内放疗剂量规划方法,至少具有如下有益效果:本发明的粒子植入肿瘤内放疗剂量规划方法相比于传统的治疗剂量规划系统,不需要大量的手工操作来勾画靶器官。且本发明的方法能够使得放射性粒子剂量分布满足临床要求,不容易出现剂量辐射冷区和热区。
根据本发明的一些实施例,所述医学图像多脏器分割步骤包括:基于已训练的深度学习的多脏器分割模型进行预分割,得到所述医学图像的多脏器预分割结果;基于Grabcut算法,输入过分割区域和/或前分割区域的标记信息,对所述多脏器预分割结果进行交互优化。本实施例结合深度学习方法的高精度与交互算法的鲁棒性,能够对不同的医学数据进行稳定的精准输出。
根据本发明的一些实施例,所述穿刺针路径规划步骤包括:基于多脏器分割结果生成已标注器官的碰撞面积;基于交互界面生成可编辑的虚拟入针面板。本实施例解决了内放疗手术过程中病灶周围的重要器官以及人体不规则形状对手术穿刺针路径的限制,从而保证最终得到的治疗规划结果是实际可行的。
根据本发明的一些实施例,所述放射性粒子辐射剂量计算步骤包括:基于蒙特卡罗模拟的粒子辐射剂量计算方法,基于器官组织的各向异性,计算出不同类型及形状的放射源粒子的辐射剂量。
根据本发明的一些实施例,所述放射性粒子布源剂量优化步骤包括:通过基于模拟退火算法的粒子布源优化方法,得到满足穿刺针路径规划限制和肿瘤病灶内设定剂量的粒子布源方案。
根据本发明的一些实施例,所述通过基于模拟退火算法的粒子布源优化方法,得到满足穿刺针路径规划限制和肿瘤病灶内设定剂量的粒子布源方案包括:设置目标函数,并根据器官的重要程度为每种器官设置相应的权重因子;所述目标函数为
Cost=CostPTV+ωiCosti+ωjCostj+…
其中,CostPTV表示计划靶区的优化目标函数,Costi和Costj分别表示器官i和器官j的优化目标函数,ωi和ωj分别表示器官i和器官j的优化权重;
其中,计划靶区的优化目标函数CostPTV为
CostPTV=ω1*ReLU(0.9-S1)+ω2*ReLU(1-S2)+ω3*ReLU(S3-0.5)+ω4*ReLU(S4-0.25)
其中,ReLU表示激活函数,S1表示接受100%处方剂量的靶区体积与靶区体积的比值,S2表示至少90%靶区体积接收的辐射剂量与处方剂量的比值,S3表示接受150%处方剂量的靶区体积与靶区体积的比值,S4表示接受200%处方剂量的靶区体积与靶区体积的比值,ω1、ω2、ω3、ω4分别表示每一项的重要性权重;
其中,器官i辐射剂量目标函数定义为
其中Vi为器官i接受放射粒子辐射的总体积,Vi′表示器官i接受辐射剂量大于该器官最小耐受剂量的体积。
根据本发明的一些实施例,所述方法还包括:通过设定模拟退火过程的相关参数来调整粒子布源优化算法的优化效果。
根据本发明的第二方面实施例的粒子植入肿瘤内放疗剂量规划系统,用于放射粒子内放疗介入手术机器人,包括:医学图像信息获取模块,用于获取病灶及其周围一定范围内的三维的医学图像;医学图像多脏器分割模块,用于对医学图像进行多脏器分割,包括在医学图像上对一个或多个器官进行标注,所述器官包括肿瘤病灶;穿刺针路径规划模块,用于基于被标注器官和虚拟入针面板对穿刺针的可行路径进行限制;放射性粒子辐射剂量计算模块,用于对选定大小、材质和活性特征的放射性粒子计算其在体内环境中的辐射剂量;放射性粒子布源剂量优化模块,用于根据粒子的辐射剂量、肿瘤病灶形态和体积,对植入粒子的数量和空间位置进行优化,得到累积辐射剂量满足设定剂量的粒子布源结果。
根据本发明实施例的粒子植入肿瘤内放疗剂量规划系统,至少具有如下有益效果:本发明的粒子植入肿瘤内放疗剂量规划系统相比于传统的治疗剂量规划系统,不需要大量的手工操作来勾画靶器官。且本发明的系统能够使得放射性粒子剂量分布满足临床要求,不容易出现剂量辐射冷区和热区。
根据本发明的一些实施例,所述医学图像多脏器分割模块包括:预分割模块,用于基于已训练的深度学习的多脏器分割模型进行预分割,得到所述三维图像的多脏器预分割结果;分割结果优化模块,用于基于Grabcut算法,输入过分割区域和/或前分割区域的标记信息,对所述多脏器预分割结果进行交互优化。本实施例结合深度学习方法的高精度与交互算法的鲁棒性,能够对不同的医学数据进行稳定的精准输出。
根据本发明的第三方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明的第一方面实施例中任一项的方法。
由于本发明实施例的计算机可读存储介质上存储有用于执行如本发明第一方面中任一项所述的粒子植入肿瘤内放疗剂量规划方法的计算机可执行指令,因此具有本发明第一方面的所有有益效果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的方法的流程示意图。
图2为本发明实施例的系统的模块示意框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个及两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,步骤标号仅是为了描述的方便或者引述的方便所作出的标识,而不能理解为对步骤的操作顺序的限定。
名词解释:
虚拟入针面板:内放疗手术中,用于植入放射性粒子的穿刺针允许从病人体表刺入的范围。
参照图1,本发明实施例的方法主要包括以下步骤:
S100、医学图像信息获取步骤,获取病人病灶周围术前或术中的CT三维图像;在一些实施例中,该步骤得到的三维图像要进行预处理转换数据格式,以方便后续模块处理。
S200、医学图像多脏器分割步骤,对经过预处理的医学图像进行多脏器分割,多脏器分割过程即是在图像上对包括肿瘤病灶、骨骼等重要器官进行标注的过程。
在一些实施例中,步骤S200包括使用一种将深度学习方法的高精度与交互算法的鲁棒性相结合,用于粒子植入肿瘤内放疗剂量规划系统的多脏器分割方法,该方法能够对不同的医学数据进行稳定的精准输出。该多脏器分割方法可以划分为两个过程:基于深度学习的预分割阶段和交互优化阶段。首先基于步骤100的医学图像数据,通过已训练的基于深度学习的多脏器分割模型,得到3D医学图像的多脏器预分割结果。随后由介入手术机器人操作医师来判决当前的分割结果是否满意,如果不满意,则进入交互优化阶段。在交互优化阶段,将过分割/前分割区域的标记信息以及原始数据作为Grabcut算法的输入,将预分割结果进行优化,反复使用Grabcut算法对分割结果进行优化,直至操作医师对分割结果满意。
Grabcut算法是一种基于最小分割实现的图像分割算法,它需要用户输入一个边界框作为分割目标位置,实现对目标与背景的分离/分割,对于Grabcut算法,它将图片像素分为4个成分:确定的背景BG=0、确定的前景FG=1、可能的背景PR_BG=2、可能的前景PR_FG=3。
在一个具体的前景背景标注实例中,通过基于C++/VTK编写的交互界面,对不同脏器当前分割结果中的欠分割区域以及过分割区域分别进行前景标记和背景标记。首先将预分割结果设置为初始前景信息点FG=1以及初始背景信息点BG=0。当标记背景时,通过设置标记刷半径大小,将标记点周围的点设置为可能的背景PR_BG=2,标记刷中心设为背景点BG=0。相似地,当标记前景时,通过设置标记刷半径大小,将标记点周围的点设置为可能的前景PR_FG=3,标记刷中心设为前景点FG=1。特别地,由于医学图像数据是三维数据,所以该优化过程沿着指定轴向逐层进行优化。
S300、穿刺针路径规划步骤,通过被标记的重要器官和虚拟入针面板对穿刺针的可行路径进行限制,解决内放疗手术过程中病灶周围的重要器官以及人体不规则形状对手术穿刺针路径的限制,从而保证最终得到的治疗规划结果是实际可行的。
在一些实施例中,步骤S300通过定义可编辑的虚拟入针面板以及各脏器的碰撞检测表面,实现对穿刺针的路径规划限制。首先基于多脏器分割结果生成重要器官的碰撞体积,然后再以交互的方式生成可编辑的虚拟穿刺针入针面,以此模拟穿刺针植入粒子的过程中需要避开体内重要器官,以及限制穿刺针在体表的入针范围的要求。在内放射治疗手术中,由于人体形状的不规则性以及穿刺针的长度限制,穿刺针的路径规划问题除了需要考虑体内重要脏器的限制,在实际的手术中还必须考虑穿刺针在病人体表刺入范围的限制。因此,本发明提出穿刺针可编辑虚拟入针面板的概念,在穿刺针路径规划中对穿刺针的路径进行限制,穿刺针必须穿过该可编辑虚拟入针面板。
在一个具体的实例中,虚拟入针面板被定义为平行与人体中轴线的圆柱体侧面的一部分,医生通过确定该圆柱体的中心轴位置(x、y)、高度(z),以及该圆柱体侧面半径(radius)、高(h)和角度范围(alpha、beta)六个参数,个性化地为不同的病人定义不同的穿刺针虚拟入针面板。
S400、放射性粒子辐射剂量计算步骤,对所选定大小、材质、活性等特征的放射性粒子计算其在体内环境中的辐射剂量。在一些实施例中,使用蒙特卡罗模拟方法,计算所用放射源粒子的辐射剂量。具体包括:使用egs_brachy代码库中的方法计算放射源粒子的辐射剂量,并以此作为下面剂量优化算法的输入之一。egs_brachy是专门用于内放射治疗应用的通用快速蒙特卡罗代码库,它基于EGSnrc编码系统,能够模拟光子和电子在不同介质中的相互作用,以此模拟和计算放射性粒子在器官组织内的辐射剂量。
S500、放射性粒子布源剂量优化步骤,根据粒子的辐射剂量、肿瘤病灶形态和体积等因素,对植入粒子的数量和空间位置进行优化,最终得到累积辐射剂量满足医生处方剂量的粒子布源结果。
在一些实施例中,基于多脏器分割图像,和放射源粒子的辐射剂量结果,利用模拟退火算法寻找符合穿刺针路径规划的粒子布源最优解。在一个具体的实例中,该实施例使用了一种综合考虑了病灶的处方剂量和病灶周围重要器官辐射剂量的目标函数,并能够根据器官的重要程度为每种器官设置相应的权重因子:
Cost=CostPTV+ωiCosti+ωjCostj+…
在上式中,CostPTV表示计划靶区的优化目标函数,Costi和Costj分别表示重要器官i和j的优化目标函数,ωi和ωj则分别表示两种器官的优化权重。
本实施例中的方法的计划靶区的优化目标函数CostPTV遵循以下标准:
1,90%体积的靶区至少接受100%的处方剂量照射量;
2,100%处方剂量至少照射的靶区体积的90%;
3,150%处方剂量照射的靶区体积不超过50%;
4,200%处方剂量照射的靶区体积不超过25%;
即:
CostPTV=ω1*ReLU(0.9-S1)+ω2*ReLU(1-S2)+ω3*ReLU(S3-0.5)+ω4*ReLU(S4-0.25)
其中S1表示接受100%处方剂量的靶区体积与靶区体积的比值,S2表示至少90%靶区体积接收的辐射剂量与处方剂量的比值,S3表示接受150%处方剂量的靶区体积与靶区体积的比值,S4表示接受200%处方剂量的靶区体积与靶区体积的比值,ω1、ω2、ω3、ω4分别表示每一项的重要性权重。
另外,病灶周围重要器官i辐射剂量目标函数定义为:
其中Vi为器官i接受放射粒子辐射的总体积,Vi′表示器官i接受辐射剂量大于该器官最小耐受剂量的体积。
在具体的实例中,医生可以通过选择是否考虑病灶周围的重要器官受辐射剂量,并通过改变所述损失函数每一项的权重,对不同的病人实施针对性的粒子布源优化。
在一些实施例中,通过交互式设定模拟退火过程的相关参数来调整算法的优化效果。其中,参数包括:
1,初始温度Tinit;
2,结束温度Tend;
3,退火过程中间温度数量Ntemps;
4,在某一温度下的迭代次数Ninterations;
5,metropolis接受准则系数k;
6,退火次数Ncycles;
7,温度线性下降:Tnow(n)=Tinit+n*(Tend-Tinit)/(Ntemps-1)或指数下降:Tnow(n)=Tinit*exp[n*log(Tend/Tinit)/(Ntemps-1)],其中Tnow(n)表示第n个退火中间过程的温度。
在一个具体的实例中,相关参数的设定为:Tinit=10,Tend=0.001,Ntemps=20,Ninterations=10,k=25,Ncycles=1以及温度下降方式为指数下降。
与前述实施例相对应,本发明还提供了系统的实施例。对于系统实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。
参照图2,本发明实施例的系统包括:医学图像信息获取模块,用于获取病灶及其周围一定范围内的三维的医学图像;医学图像多脏器分割模块,用于对医学图像进行多脏器分割,包括在医学图像上对一个或多个器官进行标注;穿刺针路径规划模块,用于基于被标注器官和虚拟入针面板对穿刺针的可行路径进行限制;放射性粒子辐射剂量计算模块,用于对选定大小、材质和活性特征的放射性粒子计算其在体内环境中的辐射剂量;放射性粒子布源剂量优化模块,用于根据粒子的辐射剂量、肿瘤病灶形态和体积,对植入粒子的数量和空间位置进行优化,得到累积辐射剂量满足设定剂量的粒子布源结果。
在一些实施例中,医学图像多脏器分割模块包括:预分割模块,用于基于已训练的深度学习的多脏器分割模型进行预分割,得到医学图像的多脏器预分割结果;分割结果优化模块,用于基于Grabcut算法,输入过分割区域和/或前分割区域的标记信息,对多脏器预分割结果进行交互优化。
在一些实施例中,穿刺针路径规划模块包括:碰撞面积生成模块,用于基于多脏器分割结果生成被标注器官的碰撞面积;虚拟入针面板编辑模块,用于基于交互界面生成可编辑的虚拟入针面板。
尽管本文描述了具体实施方案,但是本领域中的普通技术人员将认识到,许多其它修改或另选的实施方案同样处于本公开的范围内。例如,结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外,虽然已根据本公开的实施方案描述了各种例示性具体实施和架构,但是本领域中的普通技术人员将认识到,对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解,框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样,根据一些实施方案,框图和流程图中的一些块可能无需按示出的顺序执行,或者可以无需全部执行。另外,超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此,框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解,框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件,包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令,所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如,本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言,诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言,其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中,包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行,而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如,预设的或固定的)或动态的(例如,在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (7)
1.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现粒子植入肿瘤内放疗剂量规划方法;
所述粒子植入肿瘤内放疗剂量规划方法,用于放射粒子内放疗介入手术机器人,包括:
医学图像信息获取步骤,获取病灶及其周围一定范围内的三维的医学图像;
医学图像多脏器分割步骤,对医学图像进行多脏器分割,包括在医学图像上对一个或多个器官进行标注,所述器官包括肿瘤病灶;
穿刺针路径规划步骤,基于被标注器官和虚拟入针面板对穿刺针的可行路径进行限制;
放射性粒子辐射剂量计算步骤,对选定大小、材质和活性特征的放射性粒子计算其在体内环境中的辐射剂量;
放射性粒子布源剂量优化步骤,根据粒子的辐射剂量、肿瘤病灶形态和体积,对植入粒子的数量和空间位置进行优化,得到累积辐射剂量满足设定剂量的粒子布源结果;
所述放射性粒子布源剂量优化步骤包括:通过基于模拟退火算法的粒子布源优化方法,得到满足穿刺针路径规划限制和肿瘤病灶内设定剂量的粒子布源方案;
所述通过基于模拟退火算法的粒子布源优化方法,得到满足穿刺针路径规划限制和肿瘤病灶内设定剂量的粒子布源方案包括:
设置目标函数,并根据器官的重要程度为每种器官设置相应的权重因子;
所述目标函数为
Cost=CostPTV+ωiCosti+ωjCostj+…
其中,CostPTV表示计划靶区的优化目标函数,Costi和Costj分别表示器官i和器官j的优化目标函数,ωi和ωj分别表示器官i和器官j的优化权重;
其中,计划靶区的优化目标函数CostPTV为
CostPTV=ω1*ReLU(0.9-S1)+ω2*ReLU(1-S2) +ω3*ReLU(S3-0.5)+ω4*ReLU(S4-0.25)
其中,ReLU表示激活函数,S1表示接受100%处方剂量的靶区体积与靶区体积的比值,S2表示至少90%靶区体积接收的辐射剂量与处方剂量的比值,S3表示接受150%处方剂量的靶区体积与靶区体积的比值,S4表示接受200%处方剂量的靶区体积与靶区体积的比值,ω1、ω2、ω3、ω4分别表示每一项的重要性权重;
其中,器官i辐射剂量目标函数定义为
其中Vi为器官i接受放射粒子辐射的总体积,V′i表示器官i接受辐射剂量大于该器官最小耐受剂量的体积。
2.根据权利要求1所述的计算机可读存储介质,其特征在于,所述医学图像多脏器分割步骤包括:
基于已训练的深度学习的多脏器分割模型进行预分割,得到所述医学图像的多脏器预分割结果;
基于Grabcut算法,输入过分割区域和/或前分割区域的标记信息,对所述多脏器预分割结果进行交互优化。
3.根据权利要求1所述的计算机可读存储介质,其特征在于,所述穿刺针路径规划步骤包括:
基于多脏器分割结果生成被标注器官的碰撞面积;
基于交互界面生成可编辑的虚拟入针面板。
4.根据权利要求1所述的计算机可读存储介质,其特征在于,所述放射性粒子辐射剂量计算步骤包括:基于蒙特卡罗模拟的粒子辐射剂量计算方法,基于器官组织的各向异性,计算出不同类型及形状的放射源粒子的辐射剂量。
5.根据权利要求1所述的计算机可读存储介质,其特征在于,所述方法还包括:通过设定模拟退火过程的参数来调整粒子布源优化算法的优化效果。
6.一种粒子植入肿瘤内放疗剂量规划系统,用于放射粒子内放疗介入手术机器人,其特征在于,包括:
医学图像信息获取模块,用于获取病灶及其周围一定范围内的三维的医学图像;
医学图像多脏器分割模块,用于对医学图像进行多脏器分割,包括在医学图像上对一个或多个器官进行标注,所述器官包括肿瘤病灶;
穿刺针路径规划模块,用于基于被标注器官和虚拟入针面板对穿刺针的可行路径进行限制;
放射性粒子辐射剂量计算模块,用于对选定大小、材质和活性特征的放射性粒子计算其在体内环境中的辐射剂量;
放射性粒子布源剂量优化模块,用于根据粒子的辐射剂量、肿瘤病灶形态和体积,对植入粒子的数量和空间位置进行优化,得到累积辐射剂量满足设定剂量的粒子布源结果;
所述放射性粒子布源剂量优化模块还用于,通过基于模拟退火算法的粒子布源优化方法,得到满足穿刺针路径规划限制和肿瘤病灶内设定剂量的粒子布源方案;
所述通过基于模拟退火算法的粒子布源优化方法,得到满足穿刺针路径规划限制和肿瘤病灶内设定剂量的粒子布源方案包括:
设置目标函数,并根据器官的重要程度为每种器官设置相应的权重因子;
所述目标函数为
Cost=CostPTV+ωiCosti+ωjCostj+…
其中,CostPTV表示计划靶区的优化目标函数,Costi和Costj分别表示器官i和器官j的优化目标函数,ωi和ωj分别表示器官i和器官j的优化权重;
其中,计划靶区的优化目标函数CostPTV为
CostPTV=ω1*ReLU(0.9-S1)+ω2*ReLU(1-S2) +ω3*ReLU(S3-0.5)+ω4*ReLU(S4-0.25)
其中,ReLU表示激活函数,S1表示接受100%处方剂量的靶区体积与靶区体积的比值,S2表示至少90%靶区体积接收的辐射剂量与处方剂量的比值,S3表示接受150%处方剂量的靶区体积与靶区体积的比值,S4表示接受200%处方剂量的靶区体积与靶区体积的比值,ω1、ω2、ω3、ω4分别表示每一项的重要性权重;
其中,器官i辐射剂量目标函数定义为
其中Vi为器官i接受放射粒子辐射的总体积,V′i表示器官i接受辐射剂量大于该器官最小耐受剂量的体积。
7.根据权利要求6所述的粒子植入肿瘤内放疗剂量规划系统,其特征在于,所述医学图像多脏器分割模块包括:
预分割模块,用于基于已训练的深度学习的多脏器分割模型进行预分割,得到所述医学图像的多脏器预分割结果;
分割结果优化模块,用于基于Grabcut算法,输入过分割区域和/或前分割区域的标记信息,对所述多脏器预分割结果进行交互优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480528.3A CN113181563B (zh) | 2021-04-30 | 2021-04-30 | 粒子植入肿瘤内放疗剂量规划方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480528.3A CN113181563B (zh) | 2021-04-30 | 2021-04-30 | 粒子植入肿瘤内放疗剂量规划方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113181563A CN113181563A (zh) | 2021-07-30 |
CN113181563B true CN113181563B (zh) | 2023-01-03 |
Family
ID=76983151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480528.3A Active CN113181563B (zh) | 2021-04-30 | 2021-04-30 | 粒子植入肿瘤内放疗剂量规划方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113181563B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113599728B (zh) * | 2021-08-20 | 2022-05-17 | 北京航空航天大学 | 放疗剂量预测方法及装置 |
CN113856068B (zh) * | 2021-09-10 | 2023-05-09 | 中山大学 | 一种术前插植路径规划方法 |
CN115715852A (zh) * | 2022-11-18 | 2023-02-28 | 哈尔滨理工大学 | 一种基于蒙特卡洛模拟的囊结构优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103977499A (zh) * | 2014-05-21 | 2014-08-13 | 北京航空航天大学 | 粒子植入治疗计划设计方法 |
CN109077804A (zh) * | 2018-08-19 | 2018-12-25 | 天津大学 | 一种基于ct图像的微波消融治疗计划方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9844684B2 (en) * | 2014-04-30 | 2017-12-19 | Stc.Unm | Optimization methods for radiation therapy planning |
CN105381534B (zh) * | 2015-12-28 | 2018-12-07 | 上海昕健医疗技术有限公司 | 粒子植入用导板及其制造方法、装置 |
CN110556176B (zh) * | 2018-06-01 | 2022-05-06 | 北京连心医疗科技有限公司 | 一种基于蒙特卡罗的剂量优化方法、设备和存储介质 |
CN110141777A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 瘤体内放射性粒子源布源和针道路径规划方法 |
CN110141801B (zh) * | 2019-05-17 | 2021-04-27 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
CN112587808B (zh) * | 2020-12-08 | 2022-03-01 | 北京航空航天大学 | 粒子支架剂量分布计算方法 |
-
2021
- 2021-04-30 CN CN202110480528.3A patent/CN113181563B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103977499A (zh) * | 2014-05-21 | 2014-08-13 | 北京航空航天大学 | 粒子植入治疗计划设计方法 |
CN109077804A (zh) * | 2018-08-19 | 2018-12-25 | 天津大学 | 一种基于ct图像的微波消融治疗计划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113181563A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6894987B2 (ja) | 適応型放射線療法に対する3次元位置特定及び追跡 | |
CN113181563B (zh) | 粒子植入肿瘤内放疗剂量规划方法、系统及介质 | |
US7672705B2 (en) | Weighted surface-to-surface mapping | |
US8121252B2 (en) | Use of planning atlas in radiation therapy | |
CN102656607B (zh) | 使用计划收集来发展新的优化的目标 | |
CN114681813B (zh) | 放射治疗自动计划系统、自动计划方法及存储介质 | |
Clements et al. | Monaco treatment planning system tools and optimization processes | |
US7596207B2 (en) | Method of accounting for tumor motion in radiotherapy treatment | |
JP5330992B2 (ja) | 生物学に導かれた適応的な治療計画 | |
JP6611814B2 (ja) | 放射線治療のための可搬型ctスキャナーの使用 | |
CN106999246A (zh) | 用于介入治疗中的工具插入期间的实时器官分割和工具导航的系统和其操作的方法 | |
EP3532163B1 (en) | Graphical user interface for iterative treatment planning | |
US11786204B2 (en) | Automatically-registered patient fixation device images | |
CN115485019A (zh) | 自动计划的基于放射的治疗 | |
CN113192554A (zh) | 放射粒子内放疗介入手术机器人的剂量优化方法及介质 | |
EP4126213A1 (en) | Method and apparatus to derive and utilize virtual volumetric structures for predicting potential collisions when administering therapeutic radiation | |
Zhou et al. | Surgical navigation system for brachytherapy based on mixed reality using a novel stereo registration method | |
CN113180825B (zh) | 穿刺针路径规划方法、系统及介质 | |
EP2911743B1 (en) | Determining an irradiation region for radiotherapy based on model patient data and patient image data | |
Alakuijala | Algorithms for modeling anatomic and target volumes in image-guided neurosurgery and radiotherapy | |
WO2022107399A1 (ja) | 位置決め装置、放射線治療システム、および位置決め方法 | |
US20220230304A1 (en) | Method, computer program product and computer system for providing an approximate image | |
WO2022009014A1 (en) | System for planning and verifying treatment during iort procedures | |
CN114344737A (zh) | 一种肿物放射治疗控制系统及存储介质 | |
Thongphiew | ON-LINE RE-OPTIMIZATION OF PROSTATE IMRT PLAN FOR ADAPTIVE RADIATION THERAPY–A FEASIBILITY STUDY AND IMPLEMENTATION |
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 |