CN113226459A - 用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自动化检测 - Google Patents

用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自动化检测 Download PDF

Info

Publication number
CN113226459A
CN113226459A CN201980085849.4A CN201980085849A CN113226459A CN 113226459 A CN113226459 A CN 113226459A CN 201980085849 A CN201980085849 A CN 201980085849A CN 113226459 A CN113226459 A CN 113226459A
Authority
CN
China
Prior art keywords
patient
radiation therapy
medical condition
treatment
machine learning
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
Application number
CN201980085849.4A
Other languages
English (en)
Inventor
M·L·邦达尔
J·L·库斯特拉
S·孔索利
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN113226459A publication Critical patent/CN113226459A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • 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
    • A61N2005/1074—Details of the control system, e.g. user interfaces
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Urology & Nephrology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)

Abstract

一种用于辐射治疗支持的计算机化系统(SRS)。所述系统包括用于接收由成像装置(IA1)采集的输入图像的输入接口(IN)。所述输入图像表示患者(PAT)内部的感兴趣区域(ROI)，并且在由辐射治疗递送设备(RTD)递送剂量分次之前被采集。所述系统的预训练的机器学习单元(MLU)被配置为处理所述输入图像以检测医学状况。所述系统的通信部件(RC)被配置为基于检测到的医学状况提供与患者有关的要执行的一个或多个临床动作的指示。

Description

用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自 动化检测
技术领域
本发明涉及用于辐射治疗支持的计算机化系统、用于辐射治疗支持的计算机实施的方法、训练用于计算机化系统中的机器学习部件的方法、计算机程序单元以及计算机可读介质。
背景技术
在例如胸部恶性肿瘤的外部射束辐射治疗(EBRT)中，监测、测量和记录在处置进程期间出现的其他解剖变化和肺部医学状况。这些记录触发关于正在进行的处置的协议和决策。目前，使用CBCT(锥形束计算机断层摄影)图像的视觉检查来监测和检测肺部组织变化和肺部状况。
然而，视觉检查容易出错且耗时。肺部状况的视觉解读和诊断是需要广泛训练的专门技能。此外，RTT(辐射治疗技术人员)被训练为仅识别有限数量的肺部状况。可以由有经验的放射科医师检测到的不太频繁出现的肺部状况可能不能被RTT识别。
此外，CBCT的频繁采集与发展继发性癌症的风险增加相关联。为了减少工作人员的图像解释负担以及处置中的患者的总剂量暴露，诊所基于每周采集而非每天采集的图像来实施方案。然而，可能无法检测到可能在每周CBCT采集之间的间隔中发展的医学状况。
发明内容
因此，可能需要解决上述需求的系统和方法。
本发明的目的通过独立权利要求的主题得以解决，其中，其他实施例被并入从属权利要求。应当注意，本发明的以下描述的方面同样适用于用于辐射治疗支持的计算机实施的方法、训练用于计算机化系统中的机器学习部件的方法、计算机程序单元以及计算机可读介质。
根据本发明的第一方面，提供了一种用于辐射治疗支持的计算机化系统，包括：
输入接口，其用于接收由成像装置采集的输入图像，所述输入2D投影图像至少表示患者内部的感兴趣区域(“ROI”)，并且在由辐射治疗递送装置递送剂量分次(fraction)之前被采集，其中，所述成像装置是所述辐射治疗递送设备的一部分；
预训练的机器学习单元(“MLU”)，其被配置为处理所述输入图像以检测包括由辐射治疗处置引起的副作用(诸如继发性恶性肿瘤)的医学状况；以及
通信部件，其被配置为基于检测到的医学状况共提供关于所述患者要执行的一个或多个临床动作的指示。
所述MLU是布置在基于机器学习模型实施机器学习(“ML”)算法的软件和/或硬件中的处理单元。在实施例中，所述机器学习单元被布置在神经网络架构中。特别地，在实施例中，使用卷积神经网络(CNN)。然而，还设想了其他ML模型，诸如支持向量机、决策树等。
如本文所提出的，在递送辐射剂量分次之前由机器学习部件处理输入图像。一次单个输入图像可能足以作为用于MLC的输入来检测医学状况。不需要图像对或差异图像。
指示可以以文本、图像、图形、视觉、音频或其他形式提供。指示可以是隐式的，并且然后可以包括自动执行动作或至少发起一个或多个动作。
在实施例中，患者与处置计划相关联，并且由报告部件指示的所述一个或多个动作中的至少一个包括对处置计划的调整。
在实施例中，所述一个或多个动作包括使用不同的成像装置或模态对患者进行重新成像。特别地，所述成像装置是2D成像器，诸如室内kV投影成像器或其他，而所述不同的成像装置或模态是3D成像装置，如CT扫描器、CBCT或U形臂成像器。
在实施例中，由通信部件提供针对一个或多个临床动作的指示包括通过通信网络向接收方传输消息。消息可以是通过临床工作人员的电话或其他端点设备发送给他们的警报消息。通信部件可以以存在医学状况的概率的形式呈现结果。
在实施例中，所述系统包括可视化器，所述可视化器被配置为形成强化图像(enriched image)，所述强化图像包括所述输入图像和所述图像中与检测到的医学状况有关的位置的图形表示。在使用NN模型的实施例中，可以形成CAM(类别激活图)，并且这可以与输入图像融合。在实施例中，CAM被产生为指示输入图像中最能指示医学状况的区域的颜色图。在实施例中，结果(即，检测到的医学状况)可以通过生成指示高概率区域的颜色图作为输入X射线图像上的投影来可视化。
在实施例中，所述系统由被配置用于并行计算的一个或多个处理器(诸如GPU、TPU或其他)来实施。
在实施例中，所述成像装置被包括在辐射治疗递送设备中，诸如LINAC、同步加速器或回旋加速器、或其他。
在实施例中，所述输入图像是2D投影图像，但是在替代的实施例中，在可用的情况下，也可以使用3D影像。2D投影图像可以是非诊断图像，因为已经发现这种类型的影像对于当前目的是足够的，并且通常具有比诊断影像更低的剂量成本。
在实施例中，所述系统包括相关器部件，所述相关器部件被配置为将患者数据和检测到的状况与处置结果值相关联，所述处置结果值指示与患者有关的预期处置结果的概率。本文在实施例中使用的“处置结果”包括肿瘤学结果或副作用结果。肿瘤学结果与根除癌症的成功或失败有关(例如，处置后5年的无病存活，2年后疾病的局部复发)。副作用结果是指患者在接收放射治疗处置后可能出现的任何副作用(肺炎、吞咽困难等)。
在实施例中，所述系统包括知识构建器部件，所述知识构建器部件被配置为将与检测到的状况相关联的患者数据填充到数据储存库中。
在实施例中，所述感兴趣器官是患者的肺中的至少一个，但是也设想了其他解剖ROI。
在另一方面中，提供了一种装置，其包括根据前述权利要求中的任一项所述的系统以及所述辐射治疗递送设备和/或所述成像装置。
在另一方面中，提供了一种用于辐射治疗支持的计算机实施的方法，包括：
接收由成像装置采集的输入2D投影图像，所述输入图像至少表示患者内部的感兴趣区域并且在由辐射治疗递送装置递送剂量分次之前被采集，其中，所述成像装置是所述辐射治疗递送设备的部分；
由预训练的机器学习单元处理所述输入图像以检测医学状况，所述医学状况包括由辐射治疗处置引起的副作用；以及
基于检测到的医学状况，提供关于患者的要执行的一个或多个临床动作的指示。
在其他方面中，提供了一种训练机器学习模型以获得根据前述权利要求中的任一项所述的机器学习单元的方法。所述训练方法包括接收训练数据。所述训练数据被应用于机器学习模型。机器学习模型产生训练输出。基于所述训练输出，调整ML模型的一个或多个参数，以获得预训练的机器学习部件。可以针对给定训练数据项和/或针对多个训练数据项在一个或多个迭代循环中重复地进行调整。
可以用新的训练数据重复训练，或训练可以是一次性操作。本文特别设想了迁移学习，其中，来自其他已经训练的模型的参数被用于初始化即时模型。在实施例中，可以使用迁移学习。在迁移学习中，可以使用来自在其他图像数据上预训练的ML模型的参数。这允许解决用于辐射治疗的现有训练集的可能缺乏。例如，在RT中，患者通常躺着。然而，已经发现，在患者站立的情况下采集的标准胸部X射线影像能够被用作用于目前RT目的的训练图像。申请人已经发现，当在部署期间提供有在患者躺着的情况下采集的输入图像时，如此训练的ML部件产生良好的结果。
在其他方面中，提供了一种计算机程序单元，所述计算机程序单元在被至少一个处理单元运行时适于使所述处理单元执行用于辐射治疗支持的计算机实施的方法或训练机器学习部件的方法。
在其他方面中，提供了一种计算机可读介质，其上存储有所述程序单元。
所提出的系统可以用于外部射束辐射治疗，并且特别是用于辐射治疗规划中的临床决策支持，特别是用于胸部患者或其他患者/病变。
所提出的系统基于优选地在RT递送室中采集的成像数据来提供自动化的处置内工作流触发。
在实施例中，所提出的系统被配置为在递送处置分次之前检测(一种或多种)医学状况，从而允许医务人员在递送可能伤害或加重检测到的状况的分次之前采取行动。具体地，在实施例中，本发明提出了一种使用日常采集的平面投影X射线图像来自动检测肺部状况的系统。来自一个平面X射线的采集的辐射剂量小得多，并且使用每日图像将允许及时检测和旨在管理这些状况的临床方案的应用。此外，在平面X射线图像中检测到肺部状况可以触发警告以采集CBCT用于进一步验证和确认。
当前协议基于CBCT图像的视觉检查。为了减少对处置中的患者的总剂量，一些诊所实施基于每周采集的CBCT而非每天采集的CBCT的协议。然而，在该协议下，不能检测到在每周CBCT采集之间的间隔中发展的状况。例如，肺不张(萎陷的肺部)是可以在非常少的几天内出现或消失的状况，并且对感兴趣区域的剂量具有重要影响。此外，每日CBCT采集与工作人员负担、成本、处置时间以及在RT后发展继发性癌症的风险的增加相关联。预期所提出的系统允许诊所减少不必要的CBCT的数量，降低成本、患者和工作人员负担，并且还降低继发性恶性肿瘤的风险。
所述系统还可以基于对并发症的检测和/或用于进一步3D CBCT采集的触发来提供自动化处置修改。
与影像的手动视觉解读相比，所提出的系统可以用于减少可视化和检测医学状况所需的时间，减少观察者间的可变性，并帮助检测RTT未被训练识别的状况。另外，医院可以通过最小化RTT训练时间来节省费用。
尽管设想所提出的系统在2D投影图像(诸如射线照片)上操作，但是该系统也可以被训练并用于3D图像数据，诸如CBCT、MRI或其他。例如，CBCT或其他3D图像材料当然可以在其他协议或工作流中变得可用。所提出的方法也可以用于分析回顾性图像研究，例如CBCT等。
所提出的系统和方法可以与所有种类的RT(诸如光子治疗)一起使用，而且还可以与粒子RT或离子束治疗(诸如质子RT、碳离子RT和其他)一起使用。还设想了IMRT(强度调制辐射治疗)、VMAT(体积调制弧辐射治疗)和其他形式的处置递送。
定义
如本文所使用的，在实施例中，短语“提供动作的指示”包括自动初始化相应的动作，在此情况下，指示是隐式的而非显式的。
“用户”涉及操作成像装置或监督成像流程的人，诸如医学人员或其他人。换句话说，用户通常不是患者。
“3D”是三维的简写，并且“2D”是二维的简写。
通常，“机器学习部件”是实施机器学习(“ML”)算法的计算机化装置。机器学习算法被配置为执行任务。在ML算法中，在已经向装置提供更多训练数据之后，任务性能可测量地改善。当向系统馈送测试数据时，可以通过客观测试来测量ML在递送任务时的性能。可以关于任务和测试数据的错误率来定义性能。参见T.M.Mitchell,“Machine Learning”,第2页,第1.1节,McGrawHill,1997。
附图说明
现在将参考以下附图描述本发明的示例性实施例，其中：
图1、1A示出了用于辐射治疗的布置的示意性框图；
图2示出了用于支持辐射治疗的计算机化系统的框图；
图3示出了一个实施例中的机器学习单元的组件；
图4示出了根据一个实施例的机器学习部件的处理模式；
图5示出了用于训练机器学习模型的系统；
图6示出了用于支持辐射治疗的方法的流程图；并且
图7示出了训练机器学习模型的计算机化方法的流程图。
具体实施方式
辐射治疗(RT)(特别是外部射束辐射治疗(EBRT))是对动物或人类患者中癌症的处置模式。
RT被最好地认为是在工作流方面的过程，其中，某些步骤随时间执行。最初，RT以癌症的诊断开始，其通常涉及由临床专业人员将关于患者的所有可用数据(包括图像数据)汇集在一起。该(初始)数据图像数据通过使用合适的医学成像设备来获得，所述医学成像设备实施诸如发射成像(例如，PET/SPEC)或透射成像的成像技术、或诸如MRI(磁共振成像)的成像技术、或这些中的任一种的组合。本文设想的透射成像的示例包括基于X射线的断层摄影、CT(计算机断层摄影)。与MRI一样，CT可以生成3D成像，其对于病变(诸如肿瘤)的精确定位是优选的。
具体地，基于该初始图像数据，要处置的区域被定位和描绘，优选地被分割，手动地或自动地或两者。
基于肿瘤区(在本文中被称为感兴趣区域ROI)的位置和空间范围并且注意ROI周围的风险器官，为患者制定处置计划TP。制定处置计划可以包括在计算单元上运行优化算法以计算要在感兴趣区域处沉积以便有效处置的辐射的所需剂量，以及可能地，辐射剂量中的一些或全部要沿着其被递送到ROI的不同空间方向。优化被配置为平衡两个相反的目标以伤害尽可能多的癌症组织，同时尽可能多地不伤害周围健康组织。给定处置计划，RT工作流进入治疗递送阶段。
宽泛地，治疗递送包括操作辐射治疗递送设备RTD。辐射递送设备RTD被配置为生成高能辐射射束(在MV的区域中)以实现处置。处置计划TP中的要求被转换成控制辐射治疗设备RTD的控制程序，即，由辐射递送设备RTD递送辐射的方式。总辐射剂量通常不能一次全部递送。因此，总剂量的递送按照处置计划TP被分成称为分次的部分剂量。在数天或数周的过程中，随着时间的推移在单独的疗程中递送分次，通常以规则的间隔(例如每天)递送，可能被休息期中断，其中，诸如在周末期间或以任何其他布置不递送辐射。
现在更详细地转到图1，这示出了考虑针对患者PAT的处置计划TP的用于辐射递送的布置ART。该布置包括位于医学设施处的处置室中的辐射递送装置RTD。辐射治疗递送设备RTD可以是线性加速器或直线加速器或回旋加速器/同步加速器中的任何一种，这取决于要递送的辐射的类型。基于光子的辐射递送通常由直线加速器完成，而对于由其他粒子(诸如质子或离子，诸如碳离子)组成的辐射，使用回旋加速器/同步加速器装置。
纯粹为了举例，我们有时将LINAC称为示例性实施例，应理解，在备选实施例中在本文中具体设想了其他类型的辐射递送装置。特别地，以下不束缚于基于线性加速器的处置。
宽泛地，LINAC包括安装在处置室中的可旋转机架。在机架上安装有处置头TH。在处置期间，患者位于在诸如床的患者支撑件PS上。待处置的感兴趣区域ROI暴露于由处置头在激励时发射的处置射束TB。在处置头中，加速器设备操作以加速相关粒子(诸如电子或从源释放的其他粒子)以生成处置射束。
机架中的处置头TH被配置为围绕感兴趣区域旋转(不一定是完整旋转)，以从不同方向递送辐射或给定分次。在实施例中，可以使用诸如多叶准直器或其他的射束形成工具来使处置射束的横截面在形状和/或尺寸上符合从不同方向从不同视角看到的处置区域的形状。
图1的左侧部分以侧视图示出了直线加速器的示意图，而图1的右侧部分中的插图(图1A)示出了沿着患者的纵轴Z的正视图。
对LINAC的操作的控制是通过计算机化控制单元RDC来进行的。RDC被通信地耦合到一个或多个显示设备，所述显示设备允许临床人员(诸如辐射治疗技术人员RTT)监督和监测正在进行的处置疗程。
特别地，控制单元RDC接收针对给定处置计划和待递送的分次计算的控制程序。控制程序可以包括设置参数，所述设置参数有助于实现分次剂量以及如何从感兴趣区域周围的可能的不同空间方向递送该剂量。具体地，控制程序可以包括用于相对于感兴趣区域重新定位处置头的控制命令，并且任选地包括用于相应地操作射束形成工具的命令。控制程序还包括针对正确的能量设置来调整直线加速器从而以正确的能量产生处置射束以递送所需的分次剂量的参数。程序可以被加载到控制单元RDC中。单元RDC执行程序并与LINAC中的电路接口连接，以当患者位于正确定位的患者支撑件上时实现辐射递送。
在不同阶段中的治疗递送时段的过程期间，可以执行进一步的对照成像，以便监测患者和肿瘤如何对处置作出响应。可能遇到的可能响应是肿瘤根本没有响应，这是不期望的，或肿瘤确实有响应。肿瘤的响应可能包括癌组织的收缩，但也可能意味着肿瘤仍在生长等情况。此外，由于处置射束的危险性质，患者可能出现处置相关的副作用。
取决于要求，优选每天或每周一次或以任何其他安排获得对照影像。在一些实施例中，通过对照成像器IA1获得对照影像。优选地，如本文所设想的，对照成像器IA1包括室内kV成像装置IA1。“室内”指的是对照成像器IA1与RTD一起布置在处置室中，或对照成像器可以移动到处置室中。具体地，对照成像器IA1可以被布置为处置室中的永久固定装置，就像直线加速器一样，或可以是移动的，因此可以在需要时在轮子或轨道等上移动到室中。
具体地，室内成像装置IA1可以集成到LINAC中，如图1A所示。在示例性实施例中，两个机器人臂或其他附接器件可以分别保持X射线源XS和与X射线源XS相对的X射线敏感检测器D，如图1A示意性所示。为了采集对照影像，X射线源XS被激励以产生用于成像的X射线射束。X射线射束XB具有比处置射束更低的能量水平。成像射束可以在kV的区域中，而处置射束至少在MV能量区域中。X射线射束从源XS发射并穿过患者。成像射束被患者体内的组织修改，并且然后修改后的射束在检测器D处被检测到。然后成像处理模块将检测器处的检测信号转换成对照图像p。优选地，对照成像装置IA1是2D射线照相系统。换句话说，所产生的对照图像p是投影图像。控制器单元KVC控制诸如室内kV成像装置的对照成像器IA1的操作。
如上所述，对照成像器IA1优选地但不一定位于与辐射治疗设备RTD相同的房间中。对照成像器IA1可以不一定与如图1A所示的LINAC物理地集成，而是可以替代地作为单独的单元安装在例如轨道或轮上，使得每当需要控制成像时，它可以在处置室中移动，可定位在患者PAT处。在其他实施例中，对照成像器IA1安装在天花板、地板或墙壁上，或安装在处置室中的支架或其他位置。在其他实施例中，对照成像器IA1可以作为移动设备布置在轮或轨道上，并且可以根据需要从另一个房间移动到处置室中。
为了更好地支持不同分次期间的辐射处置，装置ART包括在本文中被称为“SRS”的计算机化辐射支持系统SRS。所设想的SRS能够更好地支持处置，因为其被配置为针对可能由于暴露于处置射束TB本身而已经发展的医学状况自动筛选对照影像p。通过SRS对输入图像的医学状况的筛选可以比人类临床医生更快且更准确地完成。
如本文所设想的，在通过辐射递送设备RTD递送给定分次剂量之前采集对照影像。然后通过支持系统SRS分析分次前对照图像p。然后在显示设备DD上指示由SRS对输入影像p分析的结果，例如视觉地、以文本形式或以音频或其他形式、或以前述中的一些或全部的组合。SRS基于检测到的医学状况输出对要采取的一个或多个临床动作的一个或多个指示。对所述动作的指示还可以包括发起所述动作。设想的动作包括例如一旦已经检测到医学状况就产生警报信号。警报信号可以是视觉信号或音频信号或其组合。在实施例中，例如，SRS可以被耦合到诸如警告灯或扬声器的换能器。因此，SRS可以使警告灯闪烁或以另外的方式给出视觉信号和/或通过扬声器系统发出警报。下面将更全面地讨论其他动作。
现在参考图2，示意性框图提供了关于计算机化RT支持系统SRS的更多细节，并且另外提供了关于如实施例中所设想的由SRS指示或将要采取的设想动作的更多细节。
如图2所示的SRS的部件可以布置在一个或多个存储器MEM(分布式或中央)中。SRS可以由单个处理单元PU或由分布式计算环境中的多个这样的处理单元实施，诸如在云架构中或以其他的方式。
优选地，SRS包括关于训练影像的语料库预训练的机器学习单元MLU。还存在基于来自机器学习单元MLU的输出进行动作的报告部件RC。
机器学习单元MLU可以优选地由神经网络架构(例如卷积神经网络架构CNN)实施。然而，也可以使用其他机器学习模型，诸如支持向量机、回归模型、决策树等。优选地，模型是可训练的，即，当在训练过程中用训练图像训练时，模型改善性能。一旦被训练，机器学习单元MLU就可以在部署模式中使用，其中，它处理来自给定患者的新影像p。换句话说，MLU可在训练模式和部署模式两种模式下操作。
下面首先聚焦于部署模式，这包括通过输入端口IN接收对照影像p。在递送即时分次之前采集对照影像p。在优选的实施例中，输入图像p特别是由室内KV成像装置或类似物采集的2D投影图像。
然后，在递送规划的分次之前，由机器学习单元处理输入图像p。机器学习单元MLU处理输入对照图像p以在其输出接口(图2中未示出)处产生输出数据。输出包括对预定义的一组医学状况中的一个或多个的指示。具体地，在实施例中，MLU作为分类器操作以将输入图像p分类到预定义的多个类别中的一个中，每个类别表示不同的医学状况。优选地，输出数据以向量格式提供，但是也可以设想其他数据结构。
更详细地，在MLU的神经网络布置中，在部署期间，输入图像p被应用于神经网络的输入层。输入图像p的像素然后以下面更详细描述的方式通过网络传播，以产生累积响应，即可以在输出向量的相应条目中收集的数值。输出向量的每个索引表示一个类别，在这种情况下是医学状况，并且累积响应表示可能在归一化之后的由相应索引i表示或“编码”的针对表示的相应模型状况的存在的得分。索引i的给定条目中的数值越高，患者PAT呈现相应医学状况i的可能性越大。跨不同条目的累积响应可以表示不同医学状况的相应概率的估计。在替代实施例中，输出数据可以替代地作为二值结果提供，即，输出医学状况的名称。
然后，报告部件RC处理由ML输出的输出数据(诸如输出向量)，以提供对响应于检测到的医学状况而要采取的一个或多个医学动作的指示。所述指示可以包括发起一个或多个动作。可以由MLU检测多于一个医学状况。
宽泛地，报告部件RC的操作可以包括将检测到的医学状况映射到临床动作上和/或通过合适的接口NIF与合适的代理接口连接以执行动作和/或向用户通知动作。更详细地，由MLU产生的检测到的医学状况由报告部件RC映射到诸如索引的指示符、诸如处置建议的临床动作的标识符。映射可以基于由已知医学方案规定的一个或多个临床动作。方案及其对相关联的医学动作的引用可以被实施为医学数据库中的条目。RC的映射可以通过适当配置的数据库查询接口来实施。例如，检测到的医学状况可以是“肺炎”，作为相关联的医学动作，其可以要求患者体温的测量。
医学动作可以在由可视化器VIZ生成的图形显示上指示，并且被呈现以在显示设备DD上显示。图形显示可以包括与建议的医学动作相关联的文本或图标小部件信息。在实施例中，图形显示可以以GUI的形式生成。GUI可以包括(一个或多个)图标小部件、交互式图形用户界面元素，其使得用户能够发起所指示的动作，例如预订必要的医学装备等。
除了或代替如所描述的在图形显示器上指示医学动作，一旦检测到医学状况，或如果检测到被认为需要立即医学护理的某种类型的医学状况，就可以操作警报换能器。操作换能器(未示出)可以包括操作例如布置在处置室中和/或处置室外部的RT操作控制室中或医学设施中的其他地方的警告灯。额外地或替代地，换能器被布置为扬声器系统。如果MLU检测到医学状况或具有足够严重程度的特定类型的医学状况，则可以通过扬声器系统发出警报。
报告部件还可以包括网络通信接口NIF，以与通信网络CN(诸如对讲机系统或其他)通信地耦合。可以将与检测到的医学状况有关的消息发送给接收方R。接收方R可以包括诸如膝上型计算机、电话、寻呼机或医务人员的任何其他设备的端点设备，以通知他们检测到的医学状况。例如，电子邮件或短文本消息(SMS)可以被发送到负责临床医生的电话。
在实施例中，由报告部件建议的动作之一可以包括使患者利用额外的、较高剂量的3D成像装置AI2(诸如CBCT)重新成像的建议。以此方式，可以减少CBCT的使用。当实际检测到医学状况时，CBCT仅用于重新成像。因此，所提出的SRS消除了每天利用诸如CBCT的高剂量成像装置对患者进行成像的需要。基于每日图像的监测可以通过以低得多的剂量操作的室内KV成像装置IA1来完成。由于预训练的机器学习单元MLU的较高灵敏度和准确性，可以使用引起更低剂量的2D投影来建立医学状况的可能存在。不需要采取引起更高剂量的3D成像装置用于采集周期性(例如，每天)对照图像的目的。
应当理解，仅当相应的类概率(输出向量中的条目)超过固定或用户可定义的触发阈值q时，指示任何上述动作或初始化动作。例如，q可以被设置为至少50％，但是这可能太保守，因此可以将更高的触发阈值设置为例如60％或75％或80％或其他。
在实施例中，报告部件RC还可以被配置为与知识构建器模块KB接口连接，以将由MLU产生的输出填充到医学数据库KDB中。特别地，自动创建数据库记录，其包括患者的数据和针对检测到的医学状况的指示。患者的数据可以包括表征患者的数据，特别包括生物测定数据，诸如体重、年龄、身高等。可选地，它也是包括在记录中的时间戳，时间步长指示由MLU如此检测到医学状况的时间和/日期。以这种方式，随着时间的推移和患者被处置，可以创建知识库，其可以帮助进一步评估或优化给定医学设施处的处置。
额外地或替代地，报告RC可以被配置为优选地针对每个分次自动更新给定患者的电子日志。如先前所做的由工作人员手动输入结果不再是必要的。
在实施例中，系统SRS可以进一步地或替代地包括相关器部件CC。相关器部件CC将患者的数据和检测到的医学状况与处置值得分相关联。该得分或值指示处置结果的概率。处置结果涉及肿瘤学结果或副作用结果。肿瘤学结果与根除癌症的成功或失败有关(例如，处置后5年的无病存活，2年后疾病的局部复发)。副作用结果是指患者在接收辐射治疗后可能产生的任何副作用(肺炎、吞咽困难等)。关于处置结果的该信息可以被映射到要针对给定患者执行的预期工作流步骤的数量。相关器部件优选地本身被布置为机器学习部件，并且关于合适的数据集单独预训练。预测的、相关的处置得分值可以存储在数据库DB中。
在实施例中，SRS的可视化器VIZ被配置为将由机器学习单元MLU产生的输出与输入图像组合。在一个实施例中，这可以通过形成包括叠加或覆盖在输入图像p上的类别激活图(CAM)的强化图像来完成。
CAM是识别输入图像p中的如下图像像素的图，所述图像像素对如由MLU在其发现中检测到的医学状况的贡献高于给定阈值。特别地，在输出中获得最高概率的医学状况的得分路径可以用于通过网络进行回溯，以找到对该结果贡献超过预定阈值的像素。然后可以在输入图像中视觉标记如此识别的像素，以形成CAM。CAM允许临床工作人员在空间上更好地定位受预测或检测到的医学状况影响的解剖结构。
现在参考图3、图4以更详细地并且如本文在实施例中所设想的那样描述机器学习单元MLU。更具体地，在一些但不一定是所有实施例中，机器学习单元MLU被布置在神经网络(NN)架构中。更具体地并且在实施例中，神经网络NN被布置为卷积神经网络CNN。
在如图3所示的实施例中，神经网络模型M包括多个计算单元，在本文中称为节点“n”，其通过边互连。边表示信息流。神经节点可以从其通过相应边连接到的其他节点接收输入，并且可以自己产生输出以连接到另一节点等。优选地，节点n以层的级联方式布置。
一个层中的节点(都被称为“人工神经元”)可以接收由前一层中的节点产生的输出。在图4中以示意性方式示出了单独的单个节点n。它包括处理由该节点接收的输入x的处理函数Σ。在示例示出中，存在七个输入x1-x7。在节点处接收的输入由相应的权重(数值wj)加权。在实施例中，对加权输入求和的处理函数。也可以替代地使用其他函数表达式。然后将处理函数Σ的输出传递通过激活函数σ(诸如S形函数、softmax函数或其他硬或软阈值函数)，以产生节点输出，所述节点输出然后可以被处理为后续层中的节点处的输入，等等。输出可以被传递到后续层中的多于一个节点。节点输出在本文中有时被称为响应。
层可以被表示、存储和处理为二维或更多维的矩阵，每个条目表示一个节点。节点可以将其相应的输出传递到后续层中的节点，等等。第一层被称为输入层IL以接收输入图像p。存在输出层OL，其中，输出被提供为到数值或类别上的分类，每个数值或类别表示相应的医学状况，诸如如上所述的肺部状况。在输出层和输入层之间，存在一个、更好地2个或更多个隐藏层HL。
给定层中的节点不互连，而是仅连接到后续层中的节点和前一层中的节点。层之间的节点可以完全连接到前一层和/或后续层，如图3所示。在这种情况下，隐藏层HL表示全连接层。额外地或替代地，还设想了被称为卷积层的非全连接层。这种卷积层中的每个节点接收仅来自前一层中的节点的子集(“接受域”)输出作为输入。此外，接受域的边缘可以不是固定的，而是可以改变。具体地，在前一层上面“扫描”接受域以处理前一层的相应的不同节点子集，以产生对下一层中的相应的不同节点的输入。接受域类似于卷积核，因此命名为卷积层。
本文设想的其他层类型包括反卷积层，其是卷积层的逆的近似。本文设想的其他层是池化层、drop-out层、激活层。drop-out层消除来自不同层的节点之间的边缘，并且激活层包括另外的软或硬阈值处理，例如通过使用softmax函数、S形函数或其他。drop-out层和激活层通过引入非线性来帮助减少过度拟合。
一些层(诸如具有步幅(扫描步长)>1的卷积层或池化层)通过下采样来减小数据维度。具体地，在这样的下采样层中，所接收的输入值的数量大于由那些层输出的输出值的数量。一些层(诸如去卷积层)是通过类似插值的操作来增加维度的上采样器。
CNN可以包括具有一次或多次重复的上述层类型的任何组合。在实施例中，一系列的一个或多个卷积层布置在输入层之后，并且可以跟随有一个或多个上采样层，诸如去卷积层。例如，卷积层的组合之后是去卷积层的组合。因此，CNN执行级联的下采样，然后执行级联的上采样，或与此相反。卷积或去卷积层或其他类型的层中的一些或每一个可以具有单独的激活层以处理其相应的本地输出。在实施例中，CNN基本上将以像素为单位的大小为L x M的图像p映射到长度为N的向量，从而执行维度减小。N等于图像p要被分类成的不同医学状况的数量。在实施例中，输出层向量OL的长度是N+1，其中，针对否定发现“无医学状况”添加一个显式类。然而，在实施例中，不添加这种额外的否定类别。在这些实施例中，否定发现被推断为无类别吸引表示大于触发阈值q的分次的累积响应。
为了建立如本文所设想的神经网络模型，可以指定隐藏层的数量及其处理方式、其类型，诸如卷积层、激活层、去卷积层等。另外，需要指定每层的大小，即每层中的节点数。如上所述，整个结构NN可以由多个二维或更高维矩阵表示，并且神经网络的操作可以表示为矩阵操作。层的大小、性质和序列定义了NN的架构。此外，NN模型、CNN或其他由一组网络参数NP参数化。特别地，NP包括每个节点处的权重w，如图4所示。另外的参数可以指定针对每个节点等的激活函数。网络参数的数量可以是数百万级。训练网络相当于调整网络参数，使得网络在部署期间执行正确的分类。
在可以训练网络NN之前，可能需要例如通过随机选择、通过用常数值填充参数或实际上通过使用来自另一预先训练的图像分类网络的参数来初始化参数NP。后一种方法被称为迁移学习，并且在本文中在实施例中被具体设想。一旦已经基于训练数据在训练过程中学习了参数，就认为机器学习单元准备好部署。
在部署中，在下一个分次之前在室内采集的输入图像被接收并应用于输入层IL。输入层的大小对应于输入图像的像素大小。换句话说，输入层是矩阵，其中，每个节点填充有输入图像的像素值中的相应一个像素值。然后，像素值作为输入传播通过现在由每个隐藏层中的每个节点如上所述处理的网络，以在输出层OL处产生输出向量。向量OL可以包括每个条目中的数值(其中的一些可以是零)，其表示相应的累积响应。在实施例中，条目中的数值越高，存在由该条目索引的相应医学状况的可能性越高。在输出向量中收集的输出可以通过接收到的总响应的数量被归一化。如此归一化的向量表示在医学状况的集合上的概率密度的近似。然后可以将获得最高数值或最高分次的条目视为检测到的医学状况。
在更简单的实施例中，向量可以仅包括两种给定疾病的两个条目，但是在实践中，更多数量的医学状况可能是感兴趣的。例如，在肺部或胸部成像中，感兴趣的至少四种医学状况包括肺炎和其他。因此，在胸部实施例中，输出向量在实施例中具有至少四的长度，但是在实施例中分类成更少的类别仍然是感兴趣的。
报告部件CC可以被配置为仅为已经获得最高响应的医学状况提供指示。该指示可以包括通过显示医学状况的名称以文本形式通过可视化器在显示的设备上进行可视化。除了名称之外，概率可以被指示为数值。替代地，表示概率密度的整个输出向量被可视化为图形显示中的曲线，其中，水平轴通过代码或自然语言名称列出医学状况。在再其他实施例中，阈值化将被应用以指示例如仅针对检测到的医学状况的前k(k>1)个估计。换句话说，不是输出单个医学状况的指示，而是输出多个状况的相应指示，优选地根据其输出向量条目中的透视幅值来排序。
在一些实施例中，对于所识别的肺部状况中的一些或每个，由可视化器产生类别激活图(CAM)，即生成指示(图像)区域的颜色或灰度值图，所述(图像)区域指示或最指示输入图像中的相应的检测到的医学状况。在另一实施例中，CAM可以用于将用户引导到投影射线照片中检测到的疾病的相应图像区域。备选地，在另一实施例中，CAM可以被投影在由第二成像装置IA2采集的3D图像上。例如，CAM可以被投影在例如3D CBCT的冠状切片上，从而允许用户快速识别并确认3D图像中检测到的(一种或多种)医学状况。
现在参考图5，其以示意性方式示出了如实施例中所设想的用于训练特别是神经网络类型的机器学习部件的训练系统TS。
计算机化训练系统TS可以优选地由被配置用于并行计算的一个或多个处理单元PU2来实施。如前所述，NN计算可以由矩阵运算高效地表示，所述矩阵运算进而可以由被配置用于并行计算的这种处理器并行化并快速地计算。示例根据需要包括图形处理单元GPU(图形处理单元)或TPU(张量处理单元)。待训练的网络NN由其架构指定，用一组初始网络参数NP初始化。架构和网络参数NP表示机器学习单元的模型M。网络模型M的训练如下进行。实施训练的处理单元PU2可以与用于部署的处理单元PU1不同或并非不同。优选地但不一定，两者都被配置为并行计算，诸如GPU和/或多核系统以及其他。
给定一组训练数据(下面将对其进一步描述)，这包括成对的数据项，一个是训练输入v，并且另一个是与训练输入v相关联的目标v’。例如，训练输入图像v可以是患者的历史投影图像，而其目标v’表示已知由历史图像表示的医学状况的标签。优选地，大量这样的标记的训练数据集是可用的，如可以从医学设施中保存的医学记录中检索的。
训练数据可以基于保存在一个或多个存储器MEM中(诸如在一个或多个医院信息系统HIS(医院信息系统)或PACS(图片存及档通信系统)的医学记录中)的历史数据。具体地，历史训练数据可以从诸如肿瘤学信息系统(“OIS”)的医学数据储存库DB获得。可以基于图像数据的DICOM头文件中或注释中的相关信息(可能与患者数据记录中保存的信息组合)来检索与感兴趣解剖结构(肺部、心脏等)和医学状况的类型相关的图像。可以由在计算单元上运行的脚本程序自动检索训练数据。脚本程序自动与合适的数据库系统接口连接，并且自动搜索期望的关键字、与图像相关的图案和相关联的医学状况。使用诸如DICOM报头标识符和/或其他注释的现有元数据，可以避免显式标记，使得训练数据的获取更快且更高效。
在学习阶段期间，生成能够预测针对对应的患者群体的计划适应事件的比率的框架(下面在图5中对其进一步描述)。一旦经过适当训练，MLC就准备好部署，并且现在准备好接收当前处置数量的患者的数据，以优选地产生例如根据图3或其他的图形指示。
训练数据可以保存在存储库TD、数据库或其他存储器中。对于每对v,v'训练数据，训练输入v被应用于模型M以产生输出M(v)，在这种情况下，输出是估计的医学状况的标识符。然后将该输出M(v)分类与和训练输入图像v相关联的目标v标签进行比较。然而，通常将存在误差Δ。基于误差Δ，在一个或多个迭代周期中调整网络参数的初始集合NP，以得到定义MLU的模型的网络参数的最终集合。
更详细地，在实施例中，训练输出M(v)可以表示为针对训练输入图像v配准的累积响应的向量(c1,c2，…，cN)，0≤cj≤1。该向量可以被归一化。目标可以被编码为N长度并在对应于正确医学状况的条目处具有单位“1”的指示符向量(0,0,…1,…0)。然后可以基于两个向量(c1,c2，…，cN)和(0,0,…1,…0)之间的合适的误差度量Δ＝μ(M(v)，v’)(诸如欧式距离或欧式距离平方)来公式化误差Δ。替代地，μ可以被选择为欧式距离平方，或被选择为任何其他LP范数、均方根，或实际上任何接近度量。在实施例中，对于第i个训练对vi,vi’，在相关条目处，Δ＝∑j(cj-εi)2，εi＝1，否则为零。本领域技术人员将理解，所描述的关于向量条目的数值编码仅仅是示例性实施例，并且特定数值仅仅是示例(但仍然是设想的)。可以替代地使用具有其他数值的其他编码方案。在本文中，将理解，诸如向量索引i的编码用于表示某种医学状况，因此是任意语义，但是一旦同意，就应当在整个训练或部署中始终保持。
误差取决于当前的网络参数集。设想了许多不同的数值算法来调整网络参数调整NP以优化(在这种情况下最小化)所引起的误差Δ。一组这样的算法(诸如称为基于梯度下降的算法)被配置为在一个或多个迭代循环中以迭代方式适配网络参数，使得误差被最小化。在迭代周期期间更新网络参数NP，使得误差函数Δ针对所有对v,v’被最小化。
更详细地，并且在实施例中，网络参数的更新在两个嵌套循环中进行。在一个循环中，对于给定的固定训练数据对v,v’，如上所述地调整网络参数。在该循环中，再次将相同的输入图像v应用于模型M，这次具有经调整的新参数，以产生新的输出M(v)，其然后再次与目标v进行比较，并且针对多个不同迭代的次数以此类推。
然后，学习算法进行到外部循环，其中，以类似的方式处理与第一对不同的另一对，并且对训练集中的一些或所有对进行迭代。针对由每个训练数据对产生的聚合误差Δ采用合并目标函数F，使得在优化结束时，网络参数适于针对合并误差F产生训练集中的所有训练数据对的最佳结果。具体地，合并误差F可以公式化为对所有误差的总和，如通过μ度量的，如F＝∑v,v′μ(M(v),v′))。优化算法被配置为最小化F。
在训练序列结束时，即当神经网络参数已经被调整时，神经网络模型被认为是完全训练的，并且然后这表示在部署期间可以如上所述的那样使用的机器学习单元MLU。因此，MLU能够被应用于不是训练全集的一部分的患者影像p。
应理解，上述学习系统TS可以被公式化为在效用函数方面的最大化，而非公式化为如上所述的误差函数的最小化。此外，不一定是通过优化算法找到全局最优的情况。相反，可以找到局部最小值，然而这在大多数情况下是足够的。可以运行用于优化的迭代，直至实现到全局或局部最小值的充分收敛。一旦涉及接近阈值，就可以停止迭代。替代地，可以更早地中止迭代，例如在多个固定迭代周期之后，或以另外的方式要求和请求。
现在参考图6的流程图，其示出了如特别关于图2描述的RT支持SRS的操作的计算机实施的方法。然而，应当理解，下面描述的步骤不一定与如上所述的架构相关联，而是也可以被认为是其本身的教导。
在步骤S610处，接收输入图像，诸如利用可能与辐射递送设备相关联的室内kV成像单元采集的输入图像。输入图像p优选地在给定患者的辐射处置中通过辐射递送应用分次之前被接收。在实施例中，输入图像是2D投影图像、射线照片。输入图像p可以是单个正面二维(2D)图像，或是从若干角度采集的多个二维图像。例如，可以在EBRT处置室中利用RTD的室内kV成像系统(诸如LINAC或其他)采集正面平面射线照相。采集投影图像是临床例程，并且通常由于其他工作流(诸如患者定位或其他低剂量非诊断图像)而无论如何都是可用的。由于(单个)平面kV图像的采集而产生的辐射剂量远小于由全3D CBCT的采集产生的辐射剂量。
仍然替代地，可以通过前向投影来从3D CBCT图像或3D CT图像体积重建2D射线照片。如果已经关于2D平面影像训练了机器学习单元(将在下一步骤中使用)，则这可能是有用的。在其他实施例中，在步骤S610处，接收3D图像(诸如CBCT)用于分析，并且该方法对3D影像而非2D投影图像进行操作。这在3D影像无论如何都变得可用的场景中可能是有用的，诸如在处置计划验证中或在其他临床工作流中，不一定与RT有关。
然后在步骤S620处，通过机器学习算法处理输入图像p以检测医学状况的存在。来自肺部或胸部成像领域的示例性状况包括但不限于肺不张、胸腔积液、肺炎或炎症中的任何一种或多种。
如果在步骤S620处检测到医学状况，则在步骤S630处，然后提供与检测到的医学状况相关的一个或多个医学动作的指示。针对一个或多个医学动作的指示可以以图形形式、以数值形式、以文本形式或以另外的方式提供，优选地显示在显示设备上。另外地或替代地，可以提供对医学状况本身的指示，例如以在所述或另一显示设备上呈现的文本、数值或图形形式。
动作可以包括通过通信网络C向接收方发送通知消息或请求使用与用于产生输入图像p的成像模态不同的成像模态对患者进行重新成像中的任何一个或多个。不同的医学成像模态特别是3D成像设备，例如CT或锥形束设备CBCT、MRI、SPECT/PET或任何其他设备。在实施例中，动作可以包括如果存在适当的室内3D成像模态，则开始3D成像。为了更详细地检查检测到的医学状况，所请求的3D成像通常将比室内kV成像装置产生更高的剂量。然而，只有确实检测到医学状况才使用3D成像。可以使用室内kV成像设备以低得多的剂量进行每日成像，以确保与周期性(例如，每日)3D成像相比，由辐射处置引起的副作用(诸如继发性恶性肿瘤)被早期、快速且以更低的剂量暴露捕获。3D成像仅在需要时使用。
另一医学动作可以包括鉴于检测到的医学状况而修改处置计划。特别地，这可以包括暂停正在进行的处置计划。其他处置计划修改可以包括改变休息时段、改变分次剂量和其他中的任何一种。另外地或替代地，所指示的动作可以涉及应当应用于患者的其他非RT相关的处置选项。另一动作可以包括自动地与医学数据库(诸如RT日志)接口连接，并且用如由MLU提供的检测到的发现患者的PAT记录。
通常，动作可以触发放射治疗部门处的其他临床工作流和方案的应用(例如计划评估)，但是也可以触发可以处理症状或处置检测到的肺部状况的其他部门处的其他临床工作流和干预。此外，检测到的医学状况可以用于自动填写/更新放射治疗的数字日志和报告。可以用于更新/填写报告/日志的与检测到的医学状况相关的信息可以包括以下中的任何一个或多个：输入图像的细节、颜色编码的严重性分类、病变的描述(诸如移位或生长)、检测到的医学状况的名称。
作为2D影像有用且有利的是，所有上述内容对于被配置为基于3D图像检测医学状况的系统同样适用。例如，如果3D CT图像可用，则可以使用该实施例，诸如在配备有室内轨道上CT或类似物的设施中。
应理解，在实施例中以任何组合或子组合设想上述动作中的任何一个或多个。
在任选的步骤S650中，可以将患者数据和检测到的医学状况与处置结果值相关联。患者数据包括描述患者特征的数据，例如年龄、体重、性别、身高等。处置值表示预期与患者相关的处置结果的概率。处置结果可以涉及肿瘤学结果或副作用结果。肿瘤学结果与根除癌症的成功或失败相关，可统计地量化，例如处置后5年的无病存活，2年后疾病的局部复发等。副作用结果涉及患者在接收放射治疗处置后可能出现的任何副作用，例如肺炎、吞咽困难等。
在任选的步骤S640中，自动地或由通过人类用户(诸如临床工作人员)的确认来发起所建议的临床动作中的一些或全部。现在参考图7，其示出了训练机器学习部件MLU的方法的流程图。
在步骤S710处，接收来自训练数据全集的训练数据对。该对特别地包括输入图像v和与输入图像v相关联的目标v'。输入训练图像特别是从早期患者的记录中检索的历史图像。图像表示感兴趣器官，诸如胸部或肺部X射线图像。目标v'是指示在训练图像v中表示的医学状况的标签。训练输入图像特别是2D投影图像，例如X射线照片。
在步骤S720处，将输入训练图像v应用于机器学习网络以产生对医学状况的分类作为输出。机器学习部件具有网络参数的当前集合。
在步骤S730处，将输出医学状况分类M(v)与目标标记v'进行比较，并且量化误差，并且然后根据误差来调整模型M的网络参数的当前集合。然后重复处理步骤S720、S730，直至误差下降到误差阈值以下或直到满足停止条件。
特别地，在一个或多个迭代循环中重复步骤S720-730，直到由模型M产生的输出分类M(v)在预定义的误差阈值内对应于由目标v'编码的医学状况。目标和输出分类之间的对应关系通过合适的相似性函数μ(M(v),v’)来独立。
然后，处理流程在步骤S740处进行以检查是否存在可用的另外的训练数据对。如果是，则处理流程继续进行训练数据全集中的下一个训练数据对，并重复如上所述的步骤S710-S740。
因此，模型M的网络参数NP在嵌套循环中被适配，其中，步骤S740控制外循环，并且步骤S730控制内循环。
一旦已经处理了所有或预设数量的训练数据对，然后就在步骤S750处提供具有现在更新的参数集合NP的模型，作为准备好部署的预训练的机器学习模型MLU。
该方法可以特别地用于神经网络架构。用于在内循环的背景下调整网络参数的步骤S730可以通过前向-后向传播(FBP)算法来实施，但是可以替代地使用其他梯度下降方案(诸如共轭梯度下降方法、随机梯度下降方法、BFGS(Broyden-Fletcher-Goldfarb-Shannon)方法、Nelder-Mead方法、Newton-Raphson算法和其他)或甚至基于非梯度的优化方案(迭代或非迭代)。除基于NN之外的其他机器学习模型也被设想，并且可以在图7的框架中进行训练。
如所提到的，特别地，并且在实施例中，可以使用卷积神经网络CNN。然而，这并不排除诸如支持向量机、线性回归算法、决策树等备选实施例，所有都同样在本文中设想。
训练过程可以是一次性操作，或其在重复的训练阶段中继续以基于新可用的训练数据来提高性能。
优选地，如果使用NN，或更具体地使用CNN，则设想具有多于一个隐藏层的深度架构。隐藏层的数量可以在两位数字的区域中，诸如在10或20或甚至更高。对于前馈网络，如本文中确实设想的，隐藏层的数量是网络的深度。然而，在递归网络中，深度不一定等于隐藏层的数量，而是可以更高。更一般地，深度可以根据信用路径长度来定义。得分路径(credit path)是针对在输出层OL处产生的给定最终输出遍历的节点或边的数量。对于递归网络，其中，得分路径可以多次遍历整个网络，深度可以是隐藏层数量的倍数。
上面在图5、图7处关于MLU的训练所述的所有内容对于相关器部件CC的机器学习实施方式是同样适用的。在这种情况下，训练数据由成对的患者数据和相关联的结果数值组成。
在上述训练方案中，可以随机初始化参数，或可以使用迁移学习方案，其中，可以采用来自在除了RT之外的其他背景下训练的模型的参数作为初始参数集。例如，可以使用关于患者通常站立的标准胸部X射线预先训练的参数或整个相关模型。尽管在RT中患者躺着，但是关于标准X射线预训练的模型提供了良好的初始模型，其快速收敛到适合于RT要求的模型，或这种预训练的模型在实例中甚至可以在没有进一步训练的情况下足够好地工作。迁移学习也可以用于其他ROI或解剖结构，并不限于胸部患者。
如所提到的，训练系统从2D投影射线照片识别医学状况是优选的，因为剂量更低，所有上述内容同样适用于3D图像，并且可以替代地训练系统对3D图像操作。备选地，可以训练双系统，然后用户可以在2D和3D图像模式之间切换。通常，可以直接关于3D图像进行训练。然而，这需要大量注释的3D图像。当前，没有太多可用的经注释的3D CBCT图像。从实际的观点来看，在诊所中，设想开始在2D图像上训练机器学习单元，以自动解释3D图像中的状况。为此，我们将需要从3D图像中提取2D投影图像，诸如经由前向投影。
训练系统TS和/或支持系统SRS可以被实施为通用或专用的计算单元PU上的合适的软件部件。优选地，专用或通用计算系统PU可以包括一个或多个处理器。特别地，可以使用一个或多个多核处理器，诸如GPU(图形处理器单元)或TPU(张量处理单元)。可以使用单个或多个计算单元，其可能被布置为通信地耦合在通信网络中(诸如在云架构中)的(一个或多个)服务器。特别地，机器学习部件的计算可以如此外包给一个或多个服务器。作为纯粹基于软件的实施方式的替代方案，系统RCS的一些或所有组件可以被实施为硬件部件，例如FPGA或ASIC。
本文中公开的一个或多个特征可以被配置或实施为/有被编码在计算机可读介质内的电路、和/或其组合。电路可以包括分立和/或集成电路、专用集成(ASIC)、片上系统(SOC)、和其组合、机器、计算机系统、处理器和存储器、计算机程序。
在本发明的另一示范性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于适于在适当系统上运行根据前述实施例中的一个所述的方法的方法步骤。
因此，计算机程序单元因此可以被存储在计算机单元上，所述计算机单元也可以是本发明的实施例的部分。该计算单元可以适于执行或诱导上述方法的步骤的执行。此外，其可以适于操作上面描述的装置的部件。计算单元能够适于自动操作和/或适于执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此，数据处理器可以被装备为执行本发明的方法。
本发明的该示范性实施例涵盖从最开始使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。
此外，计算机程序单元可以能够提供所有必要步骤，以完成如上面描述的方法的示范性实施例的流程。
根据本发明的又一示范性实施例，提出了一种计算机可读介质，诸如CD-ROM，其中，所述计算机可读介质具有被存储在其上的计算机程序单元，前述章节描述了所述计算机程序单元。
计算机程序可以被存储和/或分布在适当的介质(特别是但不一定，非瞬态介质)上，诸如与其他硬件一起被提供或作为其他硬件的部分被提供的光学存储介质或固态介质，但是所述计算机程序也可以以其他形式分布，诸如经由互联网或其他有线或无线通信系统分布。
然而，计算机程序也可以被提供在如万维网的网络上并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的又一示范性实施例，提供一种用于令计算机程序单元可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的前面描述的实施例中的一个的方法。
必须注意，参考不同主题描述了本发明的实施例。尤其是，参考方法类型的权利要求描述了一些实施例，而参考设备类型的权利要求描述了其他实施例。然而，除非另有说明，本领域技术人员将从以上和以下描述中获悉，除属于一个类型的主题的特征的任何组合之外，涉及不同主题的特征之间的任何组合也被视为由本申请所公开。然而，能够组合所有特征，从而提供比特征的简单加和更多的协同效果。
尽管已经在附图和上述描述中详细图示并描述了本发明，但是这些图示和描述应被视为是说明或示范性的，而不是限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容和从属权利要求，在实践所请求保护的本发明时，能够理解并实现所公开的实施例的其他变型。
在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以履行在权利要求中记载的若干项目的功能。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。权利要求书中的任何附图标记都不应被解释为对范围的限制。

Claims (13)

1.一种用于辐射治疗支持的计算机化系统(SRS)，包括：
输入接口(IN)，其用于接收由成像装置(IA1)采集的输入2D投影图像，其中，所述成像装置是辐射治疗递送设备(RTD)的部分，所述输入图像至少表示患者(PAT)的感兴趣区域(ROI)并且在由所述辐射治疗递送装置(RTD)递送剂量分次之前被采集；
预训练的机器学习单元(MLU)，其被配置为处理所述输入图像以检测医学状况，所述医学状况包括由辐射治疗处置引起的副作用；以及
通信部件(RC)，其被配置为基于检测到的医学状况来提供对与所述患者有关的要执行的一个或多个临床动作的指示。
2.根据权利要求1所述的系统，其中，所述患者与处置计划相关联，并且其中，由所述报告部件(RC)指示的所述一个或多个动作中的至少一个包括对所述处置计划的调整。
3.根据权利要求1或2中的任一项所述的系统，其中，所述一个或多个动作包括使用不同的成像装置或模态对所述患者进行重新成像。
4.根据前述权利要求中的任一项所述的系统，其中，由所述通信部件(RC)提供对所述一个或多个临床动作的指示包括通过通信网络(CN)向接收方(R)发送消息。
5.根据前述权利要求中的任一项所述的系统，包括可视化器(VIZ)，所述可视化器(VIZ)被配置为形成强化图像，所述强化图像包括所述输入图像和所述图像中与检测到的医学状况有关的位置的图形呈现。
6.根据前述权利要求中的任一项所述的系统，其中，所述机器学习单元(MLU)被布置在神经网络架构中。
7.根据前述权利要求中的任一项所述的系统，包括相关器部件(CC)，所述相关器部件被配置为将患者数据和检测到的状况与处置结果值相关联，所述处置结果值指示与所述患者相关的预期处置结果的概率。
8.根据前述权利要求中的任一项所述的系统，包括知识构建器(KB)部件，所述知识构建器部件被配置为将与检测到的状况相关联的患者数据填充到数据存储库(KB)中。
9.一种包括根据前述权利要求中的任一项所述的系统和所述辐射治疗递送设备(RTD)的装置(ART)。
10.一种用于辐射治疗支持的计算机实施的方法，包括：
接收(S610)由成像装置(IA1)采集的输入2D投影图像，其中，所述成像装置是辐射治疗递送设备(RTD)的部分，所述输入图像至少表示患者(PAT)的感兴趣区域(ROI)并且在由所述辐射治疗递送装置(RTD)递送剂量分次之前被采集；
由预训练的机器学习单元(MLU)处理(S620)所述输入图像以检测包括由辐射治疗处置引起的副作用的医学状况；以及
基于检测到的医学状况，提供(S630)对与所述患者有关的要执行的一个或多个临床动作的指示。
11.一种训练机器学习模型以获得根据前述权利要求中的任一项所述的机器学习单元(MLU)的方法。
12.一种计算机程序单元，所述计算机程序单元在被至少一个处理单元(PU)运行时适于使所述处理单元(PU)执行根据权利要求10或11所述的方法。
13.一种计算机可读介质，其上存储有根据权利要求12所述的程序单元。
CN201980085849.4A 2018-12-24 2019-12-16 用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自动化检测 Pending CN113226459A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18215837.8 2018-12-24
EP18215837.8A EP3673955A1 (en) 2018-12-24 2018-12-24 Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy
PCT/EP2019/085212 WO2020136028A1 (en) 2018-12-24 2019-12-16 Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy

Publications (1)

Publication Number Publication Date
CN113226459A true CN113226459A (zh) 2021-08-06

Family

ID=64901436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980085849.4A Pending CN113226459A (zh) 2018-12-24 2019-12-16 用于监测接受外部射束辐射治疗的胸部患者的肺部状况的自动化检测

Country Status (4)

Country Link
US (1) US20220076802A1 (zh)
EP (2) EP3673955A1 (zh)
CN (1) CN113226459A (zh)
WO (1) WO2020136028A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220148710A9 (en) * 2018-09-05 2022-05-12 Translational Imaging Innovations, Inc. Methods, Systems and Computer Program Products for Retrospective Data Mining
US11955227B2 (en) 2018-09-05 2024-04-09 Translational Imaging Innovations, Inc. Methods, systems and computer program products for retrospective data mining
US11694333B1 (en) * 2020-02-05 2023-07-04 State Farm Mutual Automobile Insurance Company Performing semantic segmentation of 3D data using deep learning
EP3936187A1 (en) * 2020-07-09 2022-01-12 Koninklijke Philips N.V. An artificial intelligence system to support adaptive radiotherapy

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102361594A (zh) * 2009-03-26 2012-02-22 皇家飞利浦电子股份有限公司 由临床指南导航器支持的基于pet/ct的治疗监测系统
CN102822834A (zh) * 2010-04-07 2012-12-12 诺华探索公司 用于预测治疗结果的基于计算机的系统
CN104703541A (zh) * 2012-10-08 2015-06-10 皇家飞利浦有限公司 医学x射线成像系统的紧急激活
CN105407966A (zh) * 2013-07-17 2016-03-16 皇家飞利浦有限公司 用于短距离放射治疗的射野成像
CN105473182A (zh) * 2013-07-31 2016-04-06 皇家飞利浦有限公司 治疗规划的自动化
CN105592887A (zh) * 2013-09-30 2016-05-18 瓦里安医疗系统国际股份公司 使用3d信息作为输入来预测可实现的剂量分布
US20160321427A1 (en) * 2015-04-28 2016-11-03 Siemens Medical Solutions Usa, Inc. Patient-Specific Therapy Planning Support Using Patient Matching
US9764162B1 (en) * 2013-10-28 2017-09-19 Elekta, Inc. Automated, data-driven treatment management system for adaptive radiotherapy workflows
CN107492090A (zh) * 2016-06-09 2017-12-19 西门子保健有限责任公司 根据合成数据利用机器学习的基于图像的肿瘤表型分析
CN107708808A (zh) * 2015-06-30 2018-02-16 医科达有限公司 用于在放射治疗期间使用质量指标进行靶追踪的系统和方法
CN107715314A (zh) * 2017-11-20 2018-02-23 徐榭 基于深度学习的放射治疗系统及方法
CN107809980A (zh) * 2015-06-26 2018-03-16 皇家飞利浦有限公司 图像引导系统
US20180214714A1 (en) * 2015-08-13 2018-08-02 Siris Medical, Inc. Result-driven radiation therapy treatment planning
CN108550156A (zh) * 2013-05-03 2018-09-18 医科达有限公司 用于图像引导治疗计划的结构形状的自动描绘的方法和装置
US20180294052A1 (en) * 2017-04-05 2018-10-11 Sensus Healthcare Llc Radiotherapy mobile and wireless device workflow management system
WO2018205922A1 (en) * 2017-05-08 2018-11-15 Suzhou Complexis Medical Inc. Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN109069858A (zh) * 2015-12-21 2018-12-21 医科达股份有限公司 用于优化治疗计划的系统和方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8032308B2 (en) * 2008-03-13 2011-10-04 Siemens Medical Solutions Usa, Inc. Modeling lung cancer survival probability after or side-effects from therapy
WO2011070461A2 (en) * 2009-12-10 2011-06-16 Koninklijke Philips Electronics N.V. Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data
KR102020383B1 (ko) * 2016-11-28 2019-09-10 고려대학교산학협력단 데이터마이닝을 이용한 방사선 치료 계획의 검증 방법
US10111632B2 (en) * 2017-01-31 2018-10-30 Siemens Healthcare Gmbh System and method for breast cancer detection in X-ray images
US11517768B2 (en) * 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
EP3714467A4 (en) * 2017-11-22 2021-09-15 Arterys Inc. CONTENT-BASED IMAGE RECOVERY FOR LESION ANALYSIS

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102361594A (zh) * 2009-03-26 2012-02-22 皇家飞利浦电子股份有限公司 由临床指南导航器支持的基于pet/ct的治疗监测系统
CN102822834A (zh) * 2010-04-07 2012-12-12 诺华探索公司 用于预测治疗结果的基于计算机的系统
CN104703541A (zh) * 2012-10-08 2015-06-10 皇家飞利浦有限公司 医学x射线成像系统的紧急激活
CN108550156A (zh) * 2013-05-03 2018-09-18 医科达有限公司 用于图像引导治疗计划的结构形状的自动描绘的方法和装置
CN105407966A (zh) * 2013-07-17 2016-03-16 皇家飞利浦有限公司 用于短距离放射治疗的射野成像
CN105473182A (zh) * 2013-07-31 2016-04-06 皇家飞利浦有限公司 治疗规划的自动化
CN105592887A (zh) * 2013-09-30 2016-05-18 瓦里安医疗系统国际股份公司 使用3d信息作为输入来预测可实现的剂量分布
US9764162B1 (en) * 2013-10-28 2017-09-19 Elekta, Inc. Automated, data-driven treatment management system for adaptive radiotherapy workflows
US20160321427A1 (en) * 2015-04-28 2016-11-03 Siemens Medical Solutions Usa, Inc. Patient-Specific Therapy Planning Support Using Patient Matching
CN107809980A (zh) * 2015-06-26 2018-03-16 皇家飞利浦有限公司 图像引导系统
CN107708808A (zh) * 2015-06-30 2018-02-16 医科达有限公司 用于在放射治疗期间使用质量指标进行靶追踪的系统和方法
US20180214714A1 (en) * 2015-08-13 2018-08-02 Siris Medical, Inc. Result-driven radiation therapy treatment planning
CN109069858A (zh) * 2015-12-21 2018-12-21 医科达股份有限公司 用于优化治疗计划的系统和方法
CN107492090A (zh) * 2016-06-09 2017-12-19 西门子保健有限责任公司 根据合成数据利用机器学习的基于图像的肿瘤表型分析
US20180294052A1 (en) * 2017-04-05 2018-10-11 Sensus Healthcare Llc Radiotherapy mobile and wireless device workflow management system
WO2018205922A1 (en) * 2017-05-08 2018-11-15 Suzhou Complexis Medical Inc. Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN107715314A (zh) * 2017-11-20 2018-02-23 徐榭 基于深度学习的放射治疗系统及方法

Also Published As

Publication number Publication date
EP3673955A1 (en) 2020-07-01
EP3902599B1 (en) 2022-07-20
WO2020136028A1 (en) 2020-07-02
US20220076802A1 (en) 2022-03-10
EP3902599A1 (en) 2021-11-03

Similar Documents

Publication Publication Date Title
US11547874B2 (en) Machine learning approach to real-time patient motion monitoring
US10835761B2 (en) Real-time patient motion monitoring using a magnetic resonance linear accelerator (MR-LINAC)
JP6688536B2 (ja) 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法
CN109069858B (zh) 一种放射治疗系统及计算机可读存储装置
EP3902599B1 (en) Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy
CN109011203B (zh) 基于预处理成像的适应性放射治疗系统、装置及存储介质
CN105832356B (zh) 基于现存患者信息的放射线照相成像参数选择
JP6611814B2 (ja) 放射線治療のための可搬型ｃｔスキャナーの使用
EP3559905B1 (en) Online learning enhanced atlas-based auto-segmentation
US11605452B2 (en) Radiotherapy treatment plan optimization using machine learning
JP2017164499A (ja) 放射線治療計画機能を備えた装置及び当該装置の作動方法
CN109414234A (zh) 用于从先前生成的3d数据集生成2d投影的系统和方法
US9839404B2 (en) Image data Z-axis coverage extension for tissue dose estimation
US11439843B2 (en) Knowledge based treatment planning corrected for biological effects
CN114728166A (zh) 使用mr linac的心脏消融
US11887301B2 (en) System and method for automatic delineation of scanned images
US20230065196A1 (en) Patient-specific organ dose quantification and inverse optimization for ct
CN116848549A (zh) 经由降维投影的图像结构的检测
US11511131B2 (en) Radiation treatment parameters for target region tumour
CN117766121A (zh) 医学图像处理方法、装置以及系统
US20200298019A1 (en) Robustness evaluation of brachytherapy treatment plan
CN117352127A (zh) 一种放射剂量分布的优化方法、系统、装置及存储介质
Sun et al. CT Reconstruction from Few Planar X-Rays with Application Towards Low-Resource Radiotherapy
CN118056244A (zh) 对医学影像的基于机器学习的质量评估及其在便于成像操作中的应用
Stratakis et al. Deliverable D2. 4-Software tool on personalised dosimetry in photon-based radiation therapy imaging and deep learning-guided algorithms

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