CN113521559A - 采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 - Google Patents
采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 Download PDFInfo
- Publication number
- CN113521559A CN113521559A CN202110641447.7A CN202110641447A CN113521559A CN 113521559 A CN113521559 A CN 113521559A CN 202110641447 A CN202110641447 A CN 202110641447A CN 113521559 A CN113521559 A CN 113521559A
- Authority
- CN
- China
- Prior art keywords
- dose
- flux
- map
- calculation
- targetdose
- 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
- 230000004907 flux Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 8
- 230000000750 progressive effect Effects 0.000 claims abstract description 8
- 210000000056 organ Anatomy 0.000 claims abstract description 6
- 238000002939 conjugate gradient method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000001959 radiotherapy Methods 0.000 description 9
- 206010008342 Cervix carcinoma Diseases 0.000 description 3
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 3
- 201000010881 cervical cancer Diseases 0.000 description 3
- 210000000920 organ at risk Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
-
- 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
-
- 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
- A61N5/1042—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head
- A61N5/1045—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head using a multi-leaf collimator, e.g. for intensity modulated radiation therapy or IMRT
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供一种采用MC计算剂量的通量迭代优化方法、TPS系统及制作方法。本发明的通量迭代优化方法包括:S1:输入射野个数和方向,并设置好肿瘤靶区处方剂量和器官约束条件;S2:通过优化算法得到通量强度图IntensityMap0和相应的剂量分布结果TargetDose,其中,基于通量强度图IntensityMap0采用快速解析法来计算获得剂量分布结果TargetDose;S3:采用MC对通量强度图IntensityMap0进行计量计算,并通过采用渐进展开法进行通量补偿,以获得TargetDose对应的MC剂量计算通量图IntensityMap_mc。其解决了通量迭代优化中采用MC剂量计算的耗时长的问题,另外对于现有TPS中采用PB或CCC等算法提供了改进流程,使原来计划时长不增加太多的情况下引入MC剂量计算,提高剂量计算精度,提高剂量验证通过率。
Description
技术领域
本发明涉及肿瘤放射治疗技术领域,尤其涉及一种采用MC计算剂量的通量迭代优化方法、TPS系统及制作方法。
背景技术
对肿瘤靶区进行放射治疗时,为保护健康组织免受损害,一般使用多叶准直器(multi-leaf collimator,MLC)来调整射束照射范围和强度的大小,实现射野束流强度可调的放射治疗,即调强放射治疗(intensity modulated radiotherapy,IMRT)。
现在主流的TPS中IMRT计划制作一般包含两个部分:射野通量强度图优化和MLC光栅分割;其中射野强度图的优化一般为建立优化的目标函数(物理或生物两种目标函数),通过优化算法(如共轭梯度法、模拟退火法、遗传算法等)来进行迭代求解,在每一次迭代求解的过程中需要进行剂量计算,采用蒙特卡洛(MC)方法进行计量能够模拟粒子传输的全过程,通过模拟庞大数量的粒子输运过程可以精确地计算剂量分布,但是计算时间长,因此直接采用MC剂量计算进行通量迭代优化的方法没有在当今主流的TPS软件中使用,而是采用其他快速求解的解析算法,比如笔形束算法(PB)、Collapse Cone Convolution(CCC)等等,这些算法具有较高的计算效率,但是对机器建模精度要求较高,且需要对计算结果进行准确校验,防止产生较大误差。
在通量迭代优化过程中采用PB或CCC剂量计算进行,往往受模型准确性影响较大,进行剂量验证时通过率较差,虽然一些厂家引入了MC剂量计算,但是往往只作为最终剂量的计算,这样会导致迭代优化得到一个比较好的剂量分布结果,分割后计算剂量的结果较差,满足不了临床要求;而在通量迭代优化中采用MC剂量计算则需要花费较长时间,存在放疗计划制作时间较长的缺点。
发明内容
本发明的目的是解决放疗计划过程中采用MC进行迭代优化时间长的问题,为此,本发明公开了一种采用MC计算剂量的通量迭代优化方法、TPS系统及制作方法,其首先在通量迭代优化过程中采用PB或CCC等剂量计算方法,得到优化通量图和满足临床要求的剂量分布图,然后用MC对该优化通量进行剂量计算,最后采用渐进展开法进行通量补偿,使MC计算剂量近似逼近PB(或CCC等其他剂量算法)计算的剂量,通常进行不超过3次的通量补偿就可以得到满足临床剂量要求的MC剂量计算结果。
具体地,本发明的技术方案提供了一种采用MC计算剂量的通量迭代优化方法,其包括如下步骤:
S1:输入射野个数和方向,并设置好肿瘤靶区处方剂量和器官约束条件;
S2:通过优化算法得到通量强度图IntensityMap0和相应的剂量分布结果TargetDose,其中,基于通量强度图IntensityMap0采用快速解析法来计算获得剂量分布结果TargetDose;
S3:采用MC对通量强度图IntensityMap0进行计量计算,并通过采用渐进展开法进行通量补偿,以获得TargetDose对应的MC剂量计算通量图IntensityMap_mc。
进一步地,所述方法还包括如下步骤:S4:根据步骤S3中获得的通量图IntensityMap_mc进行子野分割,得到光栅叶片运动序列,并进行MC剂量计算得到剂量分布图。
进一步地,步骤S3包括:
S31:对通量强度图IntensityMap0采用MC进行剂量计算得到Dose1;
S32:比较MC计算得到的Dose1与TargetDose之间的差异:
ΔDose1=TargetDose-Dose1
(1)
S33:通过优化算法得到ΔDose1对应的通量图ΔIntensityMap1_nomc,其中,在优化迭代计算中的剂量算法采用快速的解析法,并且ΔDose1对应着一个采用MC剂量计算的通量图ΔIntensityMap1_mc:
ΔIntensityMap1_mc=ΔIntensityMap1_nomc+O(ΔIntensityMap1_nomc2)
(2)
S34:通过ΔIntensityMap1_nomc对通量图进行修正,得到新的通量图IntensityMap1:
IntensityMap1=IntensityMap0+0.618·ΔIntensityMap1_nomc (3)
S35:对通量强度图IntensityMap1进行MC剂量计算得到Dose2;
S36:比较MC计算得到Dose2与TargetDose之间的差异:
ΔDose2=TargetDose-Dose2 (4)
S37:通过优化算法得到ΔDose2对应的通量图ΔIntensityMap2_nomc,其中,优化迭代计算中的剂量算法采用快速解析法,并且ΔDose2对应着一个采用MC剂量计算的通量图ΔIntensityMap2_mc:
ΔIntensityMap2_mc=ΔIntensityMap2_nomc+O(ΔIntensityMap2_nomc2) (5)
S38:通过渐进展开法求出TargetDose对应的MC剂量计算通量图IntensityMap_mc。
进一步地,步骤S38包括:
S381:联立式(2)和(5)两侧相比可以得到如下式(6):
S382:去掉式(6)中的通量强度图残差ΔIntensityMap1_mc以及ΔIntensityMap2_mc的高阶小量O(ΔIntensityMap1_mc2)和O(ΔIntensityMap2_mc2),则得到一阶展开的近似关系:
同时由式(1)和(4)可知:
Dose2+ΔDose2=Dose1+ΔDose1 (8)
S383:由两侧剂量值由MC计算对应的通量值关系如下:
S384:对式(9)两侧进行消元则可以得到如下关系:
ΔIntensityMap1_mc-ΔIntensityMap2_mc-0.618·ΔIntensityMap1_nomc=0 (10)
S385:联立式(7)和(10),则得到ΔDose1对应的MC剂量计算的通量图:
S386:由此可以求得TargetDose对应的MC剂量计算通量图为:
进一步地,通量强度图的优化算法为以下中的一种:共轭梯度法CG、模拟退火法SA、遗传算法GA。
进一步地,用于剂量计算的快速解析法为倒锥卷积剂量计算方法CCC或者笔形束剂量计算方法PB。
本发明还提供了一种放射治疗计划系统TPS计划制作方法,其包括如上所述的方法。
本发明还提供了一种放射治疗计划系统TPS,所述TPS采用如上所述的制作方法。
附图说明
图1是本发明的TPS计划制作基本流程图;
图2是本发明的采用MC计算剂量的通量迭代优化算法流程图。
具体实施方式
下面结合具体实施例对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
在对本发明的技术方案进行说明之前,首先对如下术语的含义进行说明:
MC:蒙特卡洛Monte Carlo;IMRT:调强放射治疗Intensity ModulatedRadiotherapy;PB笔形束剂量计算方法Pencil Beam;CCC倒锥卷积剂量计算方法CollapsedCone Convolution;MLC多叶准直器Multi-leaf Collimator;TPS放射治疗计划系统Treatment Planning System。
在本发明的实施方式中,提出了一种采用MC计算剂量的通量迭代优化方法,其特征在于包括以下步骤:
(1)如图1所示,TPS计划制作的一般流程为设置射野个数和方向以及肿瘤靶区处方剂量和器官的约束条件,然后通过一些优化算法(如共轭梯度法(以下简称CG)、模拟退火法(以下简称SA)、遗传算法(以下简称GA)等)进行射野通量强度图的计算,对射野通量进行子野分割,得到光栅叶片走位序列,最后进行剂量计算得到剂量分布结果。一般在优化射野通量强度图时中采用PB或CCC等算法进行剂量计算,在最后的剂量计算中采用MC进行准确计算,下面采用一种渐进展开法在通量优化计算中引入MC剂量计算,使得到的通量真实可行,同时也保证了迭代优化得到的剂量分布和分割后的剂量分布结果一致,具体方法和流程如下;
(2)如图2所示,在TPS中输入射野个数和方向,设置好肿瘤靶区处方剂量和器官约束条件后,采用优化算法(如CG等)得到通量强度图IntensityMap0和相应的剂量分布结果TargetDose,此时的TargetDose一般是满足临床要求的剂量值,但是通过IntensityMap0计算TargetDose的剂量算法一般采用CCC(或PB)等快速的解析法,这些方法由于建模精度问题一般和采用MC计算或者剂量验证的结果存在差异,需要进行修正。
(3)对上述得到的通量强度图IntensityMap0采用MC进行剂量计算得到Dose1;
(4)比较MC计算得到的Dose1和TargetDose之间的差异,存在如下关系:
ΔDose1=TargetDose-Dose1 (1)
(5)通过优化算法(如CG等)得到ΔDose1对应的通量图ΔIntensityMap1_nomc,此时优化迭代计算中的剂量算法依然是CCC(或PB)等快速的解析法,很显然ΔDose1对应着一个采用MC剂量计算的通量图ΔIntensityMap1_mc(无法直接求解),两者之间存在如下关系,
ΔIntensityMap1_mc=ΔIntensityMap1_nomc+O(ΔIntensityMap1_nomc2)
(2)
(6)通过ΔIntensityMap1_nomc对通量图进行修正,得到新的通量图IntensityMap1:
IntensityMap1=IntensityMap0+0.618·ΔIntensityMap1_nomc (3)
(7)对通量强度图IntensityMap1采用MC进行剂量计算得到Dose2;
(8)比较MC计算得到的Dose2和TargetDose之间的差异,存在如下关系:
ΔDose2=TargetDose-Dose2
(4)
(9)通过优化算法(如CG等)得到ΔDose2对应的通量图ΔIntensityMap2_nomc,此时优化迭代计算中的剂量算法依然是CCC(或PB)等快速的解析法,很显然ΔDose2也对应着一个采用MC剂量计算的通量图ΔIntensityMap2_mc(无法直接求解),两者之间存在如下关系:
ΔIntensityMap2_mc=ΔIntensityMap2_nomc+O(ΔIntensityMap2_nomc2) (5)
(10)联立式(2)和(5)两侧相比可以得到式(6)如下:
(11)去掉式(6)中的通量强度图残差ΔIntensityMap1_mc以及ΔIntensityMap2_mc的高阶小量O(ΔIntensityMap1_mc2)和O(ΔIntensityMap2_mc2),则得到一阶展开的近似关系:
(12)同时由式(1)和(4)可知:
Dose2+ΔDose2=Dose1+ΔDose1 (8)
(13)由两侧剂量值由MC计算对应的通量值关系如下:
IntensityMap0+0.618·ΔIntensityMap1_nomc+ΔIntensityMap2_mc=IntensityMap0+ΔIntensityMap1_mc
(9)
(14)对两侧进行消元则可以得到如下关系:
ΔIntensityMap1_mc-ΔIntensityMap2_mc-0.618·ΔIntensityMap1_nomc=0 (10)
(15)联立式(7)和(10),则得到ΔDose1对应的MC剂量计算的通量图
(16)由此可以求得TargetDose对应的MC剂量计算通量图为
(17)如图1所示将通量图IntensityMap_mc作为最终的射野通量图进行子野分割,得到光栅叶片运动序列,最后进行MC剂量计算得到剂量分布图。
实施例
为了说明本发明的具体实施过程,针对一个宫颈癌病例进行说明,具体过程如下:
1)如图2所示,首先在TPS中设置射野个数和方向以及肿瘤靶区处方剂量和器官的约束条件;然后采用优化算法(如CG等)得到通量强度图IntensityMap0和相应的剂量分布结果TargetDose,TargetDose是满足临床要求的剂量值;
2)对上述得到的通量强度图IntensityMap0采用MC进行剂量计算得到Dose1;
3)比较MC计算得到的Dose1和TargetDose之间的差异,由式(1)得到ΔDose1;
4)通过优化算法(如CG等)得到ΔDose1对应的通量图ΔIntensityMap1_nomc;
5)通过ΔIntensityMap1_nomc对通量图进行修正,得到新的通量图IntensityMap1;
6)对通量强度图IntensityMap1采用MC进行剂量计算得到Dose2;
7)比较MC计算得到的Dose2和TargetDose之间的差异,由式(4)得到ΔDose1;
8)通过优化算法(如CG等)得到ΔDose2对应的通量图ΔIntensityMap2_nomc;
9)由式(12)求得TargetDose对应的MC剂量计算通量图IntensityMap_mc;
10)将通量图IntensityMap_mc作为最终的射野通量进行子野分割,得到光栅叶片运动序列,最后进行MC剂量计算得到剂量分布图。如下表1为宫颈癌病例中靶区和危及器官的剂量结果,其中靶区和危及器官的剂量分布都满足临床要求。
Bladder | Femoral.head_L | Femoral.head_R | PTV | Rectum | Small.intestine | |
Volume(cc) | 320.66 | 63.05 | 62.92 | 1256.61 | 109.95 | 1875.85 |
Mean_dose(cGy) | 4311.43 | 2068.52 | 1828.41 | 5279.6 | 3917.92 | 2058.43 |
Max_dose(cGy) | 5797.33 | 5121.75 | 5211.02 | 5810.55 | 5520.76 | 5675.35 |
Min_dose(cGy) | 1590.91 | 690.78 | 600.33 | 3610.92 | 1978.22 | 110.34 |
D95(cGy) | 2246.49 | 921.49 | 777.87 | 5039.84 | 2548.46 | 263.66 |
HI | 0.7 | 1.69 | 1.83 | 0.12 | 0.83 | 2.62 |
CI | 0.84 |
表1宫颈癌病例中靶区和危及器官的剂量结果
本发明提出了一种采用MC剂量计算的通量迭代优化方法,首先沿用目前较为快速的PB剂量计算(或其他剂量计算)方法进行通量迭代优化,得到优化通量,然后用MC对该优化通量进行剂量计算,最后采用渐进展开法进行通量补偿,使MC计算剂量近似逼近PB(或其他剂量算法)计算剂量之间的差异;另外,本发明还提出了一种对现有通量迭代优化过程中采用CCC或PB等算法的改进流程,该流程能够引入MC剂量计算去近似逼近PB(或其他剂量算法)剂量计算结果之间的差异,得到真实可行的通量结果。
本发明相比于现有技术的有益成果为:1.解决了通量迭代优化中采用MC剂量计算的耗时长的问题,使得计划得到的通量真实可行;2.对于现有TPS中采用PB或CCC等算法提供了改进流程,使原来计划时长不增加太多的情况下引入MC剂量计算,提高剂量计算精度,提高剂量验证通过率。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种采用MC计算剂量的通量迭代优化方法,其特征在于,包括如下步骤:
S1:输入射野个数和方向,并设置好肿瘤靶区处方剂量和器官约束条件;
S2:通过优化算法得到通量强度图IntensityMap0和相应的剂量分布结果TargetDose,其中,基于通量强度图IntensityMap0采用快速解析法来计算获得剂量分布结果TargetDose;
S3:采用MC对通量强度图IntensityMap0进行计量计算,并通过采用渐进展开法进行通量补偿,以获得TargetDose对应的MC剂量计算通量图IntensityMap_mc。
2.根据权利要求1所述的方法,其特征在于,还包括如下步骤:
S4:根据步骤S3中获得的通量图IntensityMap_mc进行子野分割,得到光栅叶片运动序列,并进行MC剂量计算得到剂量分布图。
3.根据权利要求2所述的方法,其特征在于,步骤S3包括:
S31:对通量强度图IntensityMap0采用MC进行剂量计算得到Dose1;
S32:比较MC计算得到的Dose1与TargetDose之间的差异:
ΔDose1=TargetDose-Dose1
(1)
S33:通过优化算法得到ΔDose1对应的通量图ΔIntensityMap1_nomc,其中,在优化迭代计算中的剂量算法采用快速的解析法,并且ΔDose1对应着一个采用MC剂量计算的通量图ΔIntensityMap1_mc:
ΔIntensityMap1_mc=ΔIntensityMap1_nomc +O(ΔIntensityMap1_nomc2) (2)
S34:通过ΔIntensityMap1_nomc对通量图进行修正,得到新的通量图IntensityMap1:
IntensityMap1=IntensityMap0+0.618·ΔIntensityMap1_nomc
(3)
S35:对通量强度图IntensityMap1进行MC剂量计算得到Dose2;
S36:比较MC计算得到Dose2与TargetDose之间的差异:
ΔDose2=TargetDose-Dose2
(4)
S37:通过优化算法得到ΔDose2对应的通量图ΔIntensityMap2_nomc,其中,优化迭代计算中的剂量算法采用快速解析法,并且ΔDose2对应着一个采用MC剂量计算的通量图ΔIntensityMap2_mc:
ΔIntensityMap2_mc=ΔIntensityMap2_nomc +O(ΔIntensityMap2_nomc2) (5)
S38:通过渐进展开法求出TargetDose对应的MC剂量计算通量图IntensityMap_mc。
4.根据权利要求3所述的方法,其特征在于,步骤S38包括:
S381:联立式(2)和(5)两侧相比可以得到如下式(6):
S382:去掉式(6)中的通量强度图残差ΔIntensityMap1_mc以及ΔIntensityMap2_mc的高阶小量O(ΔIntensityMap1_mc2)和O(ΔIntensityMap2_mc2),则得到一阶展开的近似关系:
Dose2+ΔDose2=Dose1+ΔDose1 (8)
S383:由两侧剂量值由MC计算对应的通量值关系如下:
S384:对式(9)两侧进行消元则可以得到如下关系:
ΔIntensityMap1_mc-ΔIntensityMap2_mc-0.618·ΔIntensityMap1_nomc=0 (10)
S385:联立式(7)和(10),则得到ΔDose1对应的MC剂量计算的通量图:
S386:由此可以求得TargetDose对应的MC剂量计算通量图为:
5.根据权利要求1-4中任一项所述的方法,其特征在于,通量强度图的优化算法为以下中的一种:共轭梯度法CG、模拟退火法SA、遗传算法GA。
6.根据权利要求1-4中任一项所述的方法,其特征在于,用于剂量计算的快速解析法为倒锥卷积剂量计算方法CCC或者笔形束剂量计算方法PB。
7.一种放射治疗计划系统TPS计划制作方法,其特征在于,包括如权利要求1-6中任一项所述的方法。
8.一种放射治疗计划系统TPS,其特征在于,所述TPS采用如权利要求7所述的制作方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641447.7A CN113521559A (zh) | 2021-06-09 | 2021-06-09 | 采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641447.7A CN113521559A (zh) | 2021-06-09 | 2021-06-09 | 采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113521559A true CN113521559A (zh) | 2021-10-22 |
Family
ID=78095728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110641447.7A Pending CN113521559A (zh) | 2021-06-09 | 2021-06-09 | 采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113521559A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106730411A (zh) * | 2016-12-21 | 2017-05-31 | 上海联影医疗科技有限公司 | 放射治疗计划优化方法及系统 |
CN109499012A (zh) * | 2018-12-27 | 2019-03-22 | 苏州雷泰医疗科技有限公司 | 一种优化剂量引导的tps自动迭代优化算法 |
CN110556176A (zh) * | 2018-06-01 | 2019-12-10 | 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 |
CN110570923A (zh) * | 2018-06-06 | 2019-12-13 | 北京连心医疗科技有限公司 | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 |
WO2021003957A1 (zh) * | 2019-07-09 | 2021-01-14 | 苏州雷泰智能科技有限公司 | 一种正交双层光栅的旋转调强分割方法及装置 |
-
2021
- 2021-06-09 CN CN202110641447.7A patent/CN113521559A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106730411A (zh) * | 2016-12-21 | 2017-05-31 | 上海联影医疗科技有限公司 | 放射治疗计划优化方法及系统 |
CN110556176A (zh) * | 2018-06-01 | 2019-12-10 | 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 |
CN110570923A (zh) * | 2018-06-06 | 2019-12-13 | 北京连心医疗科技有限公司 | 一种混合蒙特卡罗的放疗逆向优化方法、设备和存储介质 |
CN109499012A (zh) * | 2018-12-27 | 2019-03-22 | 苏州雷泰医疗科技有限公司 | 一种优化剂量引导的tps自动迭代优化算法 |
WO2021003957A1 (zh) * | 2019-07-09 | 2021-01-14 | 苏州雷泰智能科技有限公司 | 一种正交双层光栅的旋转调强分割方法及装置 |
Non-Patent Citations (2)
Title |
---|
孔芳芳;应红梅;: "鼻咽癌调强放射治疗研究进展", 实用肿瘤杂志, no. 05, 10 October 2013 (2013-10-10), pages 553 - 557 * |
王庆章;段天宇;刘建超;闵小川;冯振兴;窦爱军;田铁栓;: "Monaco与Pinnacle治疗计划系统在食管癌放疗剂量验证上的比较", 中国医学物理学杂志, no. 02, 25 February 2017 (2017-02-25), pages 166 - 169 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barragán‐Montero et al. | Three‐dimensional dose prediction for lung IMRT patients with deep neural networks: robust learning from heterogeneous beam configurations | |
US10850122B2 (en) | Optimization methods for radiation therapy planning | |
JP6783398B2 (ja) | 放射線治療計画作成における線量計算のモデル化のためのシステムおよび方法 | |
Vanetti et al. | On the role of the optimization algorithm of RapidArc® volumetric modulated arc therapy on plan quality and efficiency | |
Bush et al. | Monte Carlo simulation of RapidArc radiotherapy delivery | |
Pyakuryal et al. | A computational tool for the efficient analysis of dose‐volume histograms for radiation therapy treatment plans | |
CN110960805B (zh) | 对强度调制质子疗法执行照射时间优化的方法和装置 | |
CN104117151A (zh) | 一种在线自适应放疗计划优化方法 | |
US10076673B2 (en) | Interactive dose gradient based optimization technique to control IMRT delivery complexity | |
CN109499012B (zh) | 一种优化剂量引导的tps自动迭代优化方法 | |
Binny et al. | Photon optimizer (PO) vs progressive resolution optimizer (PRO): a conformality-and complexity-based comparison for intensity-modulated arc therapy plans | |
Diot et al. | Biological‐based optimization and volumetric modulated arc therapy delivery for stereotactic body radiation therapy | |
Onizuka et al. | Monte Carlo dose verification of VMAT treatment plans using Elekta Agility 160-leaf MLC | |
Sangeetha et al. | Comparison of Flattening Filter (FF) and Flattening-Filter-Free (FFF) 6 MV photon beam characteristics for small field dosimetry using EGSnrc Monte Carlo code | |
CN107998519A (zh) | 一种用于imrt的分子动力学再优化算法 | |
CN113521559A (zh) | 采用mc计算剂量的通量迭代优化方法、tps系统及制作方法 | |
Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
Mutaf et al. | Optimization of internal margin to account for dosimetric effects of respiratory motion | |
CN109248385B (zh) | 基于蒙特卡洛树搜索的放射治疗计划优化系统 | |
Kåver et al. | Stochastic optimization of intensity modulated radiotherapy to account for uncertainties in patient sensitivity | |
Zhang et al. | A plan verification platform for online adaptive proton therapy using deep learning-based Monte–Carlo denoising | |
JP2015229018A (ja) | 粒子線照射法における線量分布の最適化プログラム、及び装置 | |
Widesott et al. | Role of the parameters involved in the plan optimization based on the generalized equivalent uniform dose and radiobiological implications | |
CN110368605B (zh) | 一种生物效应引导的自适应放射治疗系统 | |
Winterhalter | Protons do play dice: validating, implementing and applying Monte Carlo techniques for proton therapy |
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 |