CN113874072A

CN113874072A - 用于针对生物不确定性的稳健放射治疗计划的方法和系统

Info

Publication number: CN113874072A
Application number: CN202080036976.8A
Authority: CN
Inventors: 米娜·韦登贝里; 雅各布·奥登; 阿尔宾·弗雷德里克松; 埃里克·特拉内乌斯
Original assignee: Raysearch Laboratories AB
Current assignee: Raysearch Laboratories AB
Priority date: 2019-06-11
Filing date: 2020-06-02
Publication date: 2021-12-31
Also published as: US12076586B2; WO2020249419A1; US20220296925A1; EP3750595B1; EP3750595A1; JP2022541102A; JP7566798B2

Abstract

一种用于为对象的治疗体积生成稳健放射治疗计划的方法，该治疗体积使用多个体素来定义，该方法包括以下步骤：‑使用用于与放射治疗相关的生物端点的至少一个优化函数来定义(S100)优化问题；‑定义(S102)场景集合，该场景集合包括至少第一场景和第二场景，其中，场景集合中的至少两个场景表示量化相同的生物端点的不同的生物模型；‑为场景集合中的每个场景计算(S104)优化函数值；‑通过稳健地优化在场景集合上评估的优化函数值来生成(S106)放射治疗计划。

Description

用于针对生物不确定性的稳健放射治疗计划的方法和系统

技术领域

本公开总体上涉及放射治疗的领域，特别是涉及放射治疗计划的生成、优化和评估。

背景技术

癌症是一种广泛存在的疾病，其通过异常细胞的错误生长来表达自身。如果这些细胞的不受控制的生长没有停止，它可能是致命的。全球癌症的致命趋势随着癌症管理的总估算成本而正在稳步增加。这导致公众对开发更有效的用于治疗和治愈疾病的工具和技术的需求增加。随着医学影像学的飞速发展，肿瘤在其仍是局部或区域性的时在早期被诊断出来。不同种类的放射疗法(包括近距离放射疗法和粒子疗法、手术和包括化学疗法在内的全身疗法)在治疗局部癌细胞或肿瘤中都是有效的。

放射疗法是一种癌症治疗方式，其使用破坏DNA并导致被辐射区域内的细胞死亡的电离辐射。放射疗法的主要目标是通过提供足够高的辐射剂量来杀死所有靶向肿瘤细胞而同时避免对健康结构造成不可接受的伤害来根除癌细胞。根据国际单位制(SI)，每单位质量受损能量的物理量(所谓的吸收剂量)以格雷(Gy)为单位表示，其中1Gy等于每千克物质吸收的一焦耳能量。

现代放射治疗计划通常包括以下一组步骤：患者成像、目标定义(即，结构轮廓绘制)、剂量处方、机器和粒子类型选择、参数定义、射束配置选择、计划生成(通常以计划优化的形式)以及质量保证和/或质量控制。

在放射治疗计划领域，治疗计划者可以为体外放射治疗生成不同类型的放射治疗计划。为了生成治疗计划，专家需要识别患者体内待治疗的区域，并使用像计算机断层扫描(CT)等传统扫描技术来评估危险器官(OAR)。然后，将目标体积定义为患者体内(例如，前列腺)受肿瘤影响的体积。研究表明，治疗计划的质量与进行治疗的人的经验、成像设备和治疗设备的质量以及射束质量等许多技术参数密切相关。这表明许多治疗计划具有改进的余地，特别是如果治疗计划是由经验不足的人员制定的。此外，使用不适当的计划方法、提前终止优化过程或以不适当的方式衡量计划质量以及对参数权重的误解均可能对治疗质量造成重大损害。

一旦待治疗的区域被成像，医生就绘制出肿瘤和OAR的轮廓，并开出治疗肿瘤的期望剂量。此后，医学物理学家开始进行计划生成并生成具有一个或多个场和射束的计划以用于治疗患者。大量的人工工作时间被花费在计划优化和质量控制上，以使对周围组织的不利影响最小化并提高计划有效性。这向医院和社会提出额外支出，并为按时提供放射治疗带来挑战。

放射治疗可以使用例如高能光子(X射线)或质子束或重离子(如氦或碳)束。每种辐射类型在物质中均具有其自身的能量沉积特征分布，这些分布会影响物理、化学和生物效应。对于光子，细胞损伤与吸收的能量(＝剂量)成正比。此外，对于质子和重离子，细胞损伤取决于吸收的能量事件的分布，其特征在于例如沿离子轨道的每个粒子的电离密度。电离密度尤其取决于粒子的能量。电离密度通常根据线性能量转移(LET)进行量化，即，每距离的能量损失(常用单位为MeV/cm或keV/pm)。LET例如在高质子能量时低。LET朝向较低的质子能量增加，达到最大值然后减小。当质子的剩余范围小并因此出现在布拉格峰中时，达到LET最大值。

因为需要尽可能有效地杀死肿瘤细胞，所以在肿瘤内部期望高LET部分。在肿瘤外的健康组织中，期望具有尽可能低的剂量和低的LET。

能量沉积的吸收剂量和空间分布是辐射生物效应的重要量。然而，影响生物反应的因素有很多，包括生物系统(细胞、组织、器官等)固有的放射敏感性、氧合程度、照射体积内的剂量分布以及剂量分次方案(每分次的剂量、分次之间的时间、总治疗时间等)。

治愈性放射疗法的目的是在没有过高的不可接受的副作用风险的情况下以高概率获得局部肿瘤控制。然而，在治疗计划中，相反，临床目标通常用物理量(诸如目标的处方剂量和关注区域的剂量-体积限制)来表述，并且放射疗法计划的质量通常通过其剂量一致性、物理临床目标的实现和治疗交付时间来判断。剂量一致性描述了高辐射剂量区域与目标肿瘤的吻合程度并保护了周围的健康组织，而治疗交付时间描述了治疗需要多长时间以及所用治疗机器的效率。

这些物理量是所用患者的生物结果的替代物，而不是直接估计治愈和副作用的概率。数学放射生物模型旨在通过明确估计肿瘤控制概率(TCP)和正常组织并发症概率(NTCP)来弥合此差距，使得基于处于危险中的肿瘤和器官的放射敏感性来确定期望的剂量分布。通常，放射生物模型可以用于例如描述辐射物理量与生物效应之间的关系、从已知结果进行内插和外推、估计新治疗技术的结果、补偿治疗中断、剂量过量或剂量不足，以及协助决策制定。与直接估计结果不同，生物模型在实践中经常用于将非标准剂量分布转换为传统剂量分布。吸收剂量与临床结果之间关系的大量经验通过长期使用均匀强度光子束和约2Gy的分次剂量进行治疗而获得。为了在新的治疗技术中利用这一经验，生物模型已经被用于通过使用相对生物有效性因子(RBE模型)、不均匀剂量分布到等效均匀分布(EUD-模型)，并将特殊的分次方案转化为等效的标准分次剂量(EQD模型和BED模型)来将质子和离子剂量转换为等效光子剂量。这些模型可以用于计划优化和评估以包括生物的各方面。

质子和离子治疗计划的标准是用一些RBE模型获得的RBE因子来缩放吸收物理剂量，以获得具有相同的生物损伤水平的参考辐射质量的对应剂量分布，通常是光子能谱。在质子治疗中，使用等于1.1的恒定RBE因子对吸收剂量进行简单缩放是临床标准。由于质子射程末端的RBE增加(连同其他射程不确定性)导致的射程不确定性通过选择射束角度和余量来间接处理。目前尚未在临床上使用的其他RBE模型旨在通过包括影响质子RBE的因子(诸如LET、每分次剂量、细胞类型/组织类型和生物端点)来更准确地估计RBE。关于使用简单的1.1方法的适当性存在积极的讨论，但对于使用哪种模型没有达成共识，因为RBE究竟如何取决于剂量、LET和组织参数等存在不确定性。为避免RBE模型的不确定性，需要考虑的其他方法是LET优化和跟踪端优化，其使用纯物理量将高RBE质子从OAR重定向到(多个)目标或其他地方。

对于碳离子，整个射束中的RBE变化高到需要可变的RBE模型。两种模型在碳离子场中占主导地位：局部效应模型和微剂量动力学模型。这两种不同的模型在临床上使用并导致不同的剂量分布。

为了估计治愈疾病的可能性和正常组织毒性的风险，使用了称为TCP和NTCP模型的其他放射生物模型。它们通常基于患者队列的随访数据，并以数学方式描述剂量(可能与其他几个输入参数结合)与肿瘤控制或正常组织毒性之间的关系。TCP模型的临床使用是有限的，而NTCP模型的使用在治疗计划的评估中稍微更常见。例如，提出将NTCP用于选择最适合质子治疗而不是传统的光子治疗的患者队列。为了利用使用各种治疗技术和不同分次方案治疗的患者队列，TCP和NTCP模型中的非均匀剂量输入可以被转换为等效的均匀分布(使用EUD模型)和校正分次效应(使用EQD模型)。

生物模型及其参数值存在很大的不确定性，这限制了它们在临床实践中的使用。不确定性的一个重要原因是模型所基于的实验数据的可变性。处理不确定性的一般方法是基于场景的稳健优化。该技术已被用于减轻放射治疗中的其他不确定性来源，包括目标相对于射束的位置、癌细胞的位置、器官运动和患者密度数据的不确定性。然后，由不确定性导致的可能误差被离散化到不同的场景中，每个场景表示用于一个或多个不确定性来源的特定配置。

然后，制定优化问题，其包括目标函数和可能的约束，其描述了不可协商的条件。优化算法旨在在满足约束的同时最小化(或最大化)目标函数。用作目标、目标中的组成部分或优化问题中的约束的函数被表示为“优化函数”。

例如，优化可以最小化在最坏情况场景下评估的目标函数、最小化所有场景中的目标函数的期望值，或者使用另一种方法。可替代地，在不同场景上评估的函数可以作为优化中的约束包括在内。可替代地，在不同场景上评估的函数可以作为目标函数的组成部分包括在内。例如，在Fredriksson,A.(2012)的文章中比较和讨论了不同的稳健优化技术。稳健的放射治疗计划方法表征从预期值到最坏情况优化。医学物理学，39(8),5169-5181，以及Fredriksson,A.和Bokrantz,R.(2014)。对于稳健的强度调制质子治疗计划的最坏情况优化方法的临界评估。医学物理学，41。通过这种方式，与仅以一种场景为条件的优化相比，可以获得对错误不太敏感的计划。本发明的一个目的是使用基于场景的稳健优化框架来处理由放射生物模型产生的不确定性。

发明内容

本发明的目的是提供一种改进的解决方案，其中，提供类似的稳健优化方法来处理生物模型中的不确定性，其中可以同时处理模型选择和参数值这两者中的不确定性。在本发明的第一方面中实现了该目的，其中，提供了一种用于为对象的体积生成稳健的放射治疗计划的方法，所述体积使用多个体素来定义，该方法包括以下步骤：

-使用用于与放射治疗相关的生物端点的至少一个优化函数来定义优化问题；

-定义场景集合，该场景集合包括至少第一场景和第二场景，其中，场景集合中的至少两个场景表示量化相同的生物端点的不同的生物模型；

-为场景集合中的每个场景计算优化函数值；

-通过稳健地优化在场景集合上评估的优化函数值来生成放射治疗计划。

通过在稳健的优化设置中添加不同的放射生物模型和/或不同的参数值作为不同的场景，可以获得对模型和参数值这两者的选择都稳健的治疗计划。

本公开提出使用至少两个不同的生物模型来执行稳健优化，每个生物模型具有不同的参数值集合作为不同的场景，使得尽可能好地获得所有配置的目标。通过这种方式，得到的放射治疗计划对所进行的模型和参数值的选择不太敏感，但对由模型和/或参数不准确引起的错误更加稳健。这些场景还可以与为不确定性定义的其他场景相结合，诸如范围不确定性、设置错误、器官运动等。

与仅考虑物理不确定性的已知方法相比，这种方法具有明显的优势，即，通过明确承认所涉及的不确定性来更好地利用生物模型，以及能够在稳健优化和评估中包括模型和参数值的组合的能力。

该计划不仅包括对参数值的稳健性，还包括模型选择的稳健性。类似于现今例如将患者设置、密度和器官运动中的不确定性包括在稳健优化和评估中的概率，这个构思能够包括几个生物模型，每个生物模型都具有作为稳健优化和/或评估中的不同场景被处理的一定范围的参数值。

在优选实施例中，量化生物端点的生物模型包括等效均匀分布(EUD)、等效标准分次剂量(EQD)、生物等效剂量(BED)、相对生物有效性(RBE)、RBE加权剂量、肿瘤控制概率(TCP)、正常组织并发症概率(NTCP)、无并发症治愈、继发性癌症和/或总生存期。根据本公开，可以使用旨在估计治疗后的生物反应的任何模型。

在其他优选实施例中，优化问题包括定义在优化期间保持的参数的约束。约束可以是例如以定义的子体积(例如，标靶)中的预定剂量的形式，其在优化期间不会改变。通过这种方式，维持目标剂量以确保一定的剂量分布，但放射治疗计划的其余部分被稳健地优化。

在有利的实施例中，优化问题包括生物目标或物理目标。优选地，物理目标包括对治疗体积中的标靶和危险器官(OAR)的剂量限制、剂量体积直方图(DVH)限制、LET限制、粒子停止的位置和/或同质性和一致性指数。通过这种方式，生物不确定性也可以与其他(物理)目标相结合。计划优化和评估应该能够结合使用不同的生物模型使用以及结合物理优化功能和目标使用。

优化问题可以是物理目标(诸如分别对标靶和危险器官的最小剂量和最大剂量以及DVH限制)和生物目标(诸如EUD、TCP和NTCP)的组合。

在优选实施例中，稳健优化包括：随机规划方法，其中，优化函数的期望值被最小化；极大极小方法，其中，优化函数在错误场景上的最大值被最小化；或通常被称为极大极小随机规划的两者的任意组合；或体素最坏情况方法，其中，对单独考虑的每个体素的最坏情况剂量进行优化。

在有利的实施例中，场景集合还包括至少第三场景，其中，第三场景表示与治疗计划相关的一个或多个参数的不确定性的具体实现，包括粒子范围、治疗体积的空间位置、放射治疗设备设置、被辐射组织的密度、相互作用效应、器官运动和/或生物模型参数值。通过这种方式，生物不确定性还可以与与治疗计划相关的参数相关联的其他不确定性相结合。

在替代实施例中，生成放射治疗计划的步骤包括调整预先存在的放射治疗。以这种方式，“热启动”可以通过从现有的放射治疗计划开始来实现，以便与从零开始时的情况相比更快地且以更少的计算负荷达到稳健优化的放射治疗计划。现有的放射治疗计划可以是任何先前的为患者生成的放射治疗计划(或使用自动获取的默认参数值生成的标准放射治疗计划)。

根据另一方面，提供了一种计算机程序产品，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计算机中运行时将使计算机执行根据第一方面的方法。

根据又一方面，提供了一种计算机系统，该计算机系统包括处理器，该处理器耦接到其上存储有计算机可读指令的存储器，当该计算机可读指令由处理器执行时使处理器执行根据第一方面的方法。

根据另一方面，提供了一种包括如上所述的计算机系统的治疗计划系统。

附图说明

本公开的这些和其他特征、方面和优点将在以下描述中参考附图进一步解释，在附图中：

图1示出了表示根据本公开的一个实施例的用于生成稳健的放射治疗计划的基于计算机的方法的步骤的流程图；以及

图2示意性地示出了根据本公开的一个实施例的用于评估、可视化、生成和改进放射治疗计划的基于计算机的系统。

在本文中，在可能的情况下，使用相同的附图标记来表示附图共有的相同元件。同样，附图中的图像出于说明目的而被简化并且不一定按比例绘制。

具体实施方式

图1是根据本发明的方法的实施例的流程图，其可以与生成放射治疗计划结合使用。在一个实施例中，起点是初始治疗计划和待考虑的多个场景，并且该方法旨在基于初始治疗计划获得改进的治疗计划、在一些约束下修改初始计划，或者在初始治疗计划不满足所有机器限制的情况下获得可交付的治疗计划。取决于计划中包含的数据类型，可能需要其他输入数据(例如与患者相关的数据)以用于剂量计算。可以以本领域已知的任何方式获得初始治疗计划，包括基于场景和基于非场景的方法。通常，它将是为同一患者制定的先前计划(对应于“热启动”)，但也可以从如上所述的标准计划库中自动获取。

生成治疗计划的目的是为受试者(患者)的治疗体积提供放射治疗，该治疗体积可以是器官并且包括可以是肿瘤或肿瘤细胞簇的标靶。如本领域已知的，使用多个体素来定义治疗体积。

在第一步骤S100中，定义用于与放射治疗相关的生物端点的优化函数。如上所述，生物端点基于生物模型来量化以估计辐射的生物效应，并且例如可以包括施加于等效均匀分布(EUD)、等效标准分次剂量(EQD)、生物等效剂量(BED)、相对生物有效性(RBE)、RBE加权剂量、肿瘤控制概率(TCP)、正常组织并发症概率(NTCP)、无并发症治愈、继发性癌症和/或总生存期中的一个或多个的最大和/或最小限制或目标。

优化函数可以作为优化中的约束被包括在内。可替代地，优化函数可以作为优化中的目标函数成分被包括在内。通常，为治疗设定目标，并且这些目标被用于定义目标函数成分、约束或这些的组合。目标函数成分是期望目标，并且朝向优化应当努力实现或优化应当尽可能地实现，而约束是必须精确满足的严格目标或条件，诸如对肿瘤的最小剂量或者对OAR的最大剂量或者控制目标函数的变量的界限。

通常，可以使用一个或多个场景来定义第一放射生物目标。例如，第一场景可以基于第一放射生物模型，并且第二场景可以基于第二放射生物模型。在第一放射生物模型和第二放射生物模型中的一个或两个具有多于一个参数值集合的情况下，用于每个放射生物模型的每个参数值集合可以产生将在根据本公开的方法中使用的不同场景。可以使用额外的放射生物目标进一步扩展这一原则，从而产生基于不同放射生物模型和参数集合的更多场景，以及具有一个或多个场景的物理目标。

作为示例，在质子治疗计划中，一人可以选择优化治疗计划，其目标是使用多个RBE模型(包括常数RBE模型)实现基于RBE加权剂量的一些既定目标，每个RBE模型具有不同的参数值集合作为不同的场景，使得尽可能为所有配置获得目标。通过这种方式，计划对所进行的模型和参数值的选择不太敏感，但对由模型和/或参数不准确引起的错误更加稳健。

在质子计划的稳健优化中，然后，可以使用标准常数RBE模型(RBE＝1.1)以及例如基于不同变量LET的RBE模型这两者来计算RBE加权剂量，其中，每个模型包括一定范围的参数值。通过这种方式，该计划将不会强烈依赖于具有标称参数值的一个模型，而是将利用例如最坏情况优化来结合不确定性。这在下面的示例1中更详细地描述。

另一示例是对于同一端点使用不同的TCP和NTCP模型，其中，每个模型可以具有不同的参数值集合，并且对于另一端点使用其他模型和参数值的集合。这些生物模型可以与其他物理目标相结合。这在下面的示例2中更详细地描述。

在步骤S102中，场景集合被定义为至少包括第一场景和第二场景的。在量化与放射治疗相关的生物端点时，这些场景表示了生物模型的不确定性。可以手动或自动地定义场景。定义场景的几种半自动方式也是可设想到的。在优选实施例中，允许用户将不确定性的大小设置为系统的输入，该系统将基于不确定性来计算合适的场景集合。

在步骤S104中，为场景集合中的每个场景计算优化函数值。在步骤S106中，优化函数值被稳健优化，在场景集合上被评估以生成放射治疗计划。

用于实现稳健性的各种类型的优化方法可以与根据本公开的方法结合使用。例如，可以使用极大极小(或“复合最坏情况”)优化，其中，优化复合目标函数上的最坏情况。然后，优化问题被公式化为

其中，X是可行的优化变量集合(例如，允许的点权重集合、MLC叶位置等)，S是枚举不同生物模型的场景集合，以及

f(x；s)

是在场景s下作为优化变量x的函数的复合目标。例如，f(x；s)可以由g(d(x；s))给出，其中g是与由场景s下的优化变量x产生的剂量d(x；s)相关的函数。在此，s是可以完全改变所讨论的函数的参数，例如，f(x；s₁)可能是由第一NTCP模型产生的NTCP，并且f(x；s₂)可能是由第二NTCP模型产生的NTCP，并且类似地，d(x；s₁)可能是由第一RBE模型产生的RBE加权剂量，并且d(x；s₂)可能是由第二RBE模型产生的RBE加权剂量。

实现稳健性的另一类型的优化方法是期望值优化，其中，对不确定性的期望值进行优化。优化问题被公式化为

其中，E是期望算子，并且Y是从场景集合S中取值的随机变量。

第三替代方案是体素最坏情况优化方法。在这种方法中，计算了两个人为的最坏情况剂量分布，d^high和d_low。在此，d^high被计算为对单独考虑的每个体素的场景的最高剂量，并且d_low被计算为对单独考虑的每个体素的场景的最低剂量，即，

其中，d_i表示对体素i的剂量，并且N是体素的数量。

然后，优化问题被公式化为

其中，f^high是复合目标函数，其成分用于避免剂量过量(例如，危险器官的目标，OAR)，并且f_low是复合目标函数，其成分用于避免剂量不足(例如，标靶的最低剂量要求)。

另一替代方案是最小化不一定(但可能)与场景的完整集合S相关的目标函数h(x)，并且包括对S中所有s的函数f(x；s)的约束，即，

subject to f(x；s)≤0，s∈S.

目标函数h(x)可以根据上述方法中的任一种来公式化，但也可以公式化为仅考虑对应于没有错误的标称场景。

也可以使用其他方法，诸如随机极大极小方法，其是复合最坏情况优化和期望值优化的组合，并且这些方法是本领域已知的。

现在转向图2，其示出了根据本公开的用于生成放射治疗计划114的基于计算机的系统100的简化示意图。基于计算机的系统100包括：存储器或数据库110，其上存储有放射治疗计划114；以及计算机程序116，该计算机程序用于生成改进的放射治疗计划118。存储器110可以是任何易失性或非易失性存储器设备，诸如闪存驱动器、硬盘驱动器、光驱、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)以及用于存储信息和随后的信息检索并用于数据处理的任何其他合适的设备。此外，系统100包括一个或多个用于执行数据处理的硬件处理器120，其能够访问存储器110。硬件处理器120可以由中央处理单元(CPU)、数字信号处理器(DSP)、精简指令集计算机(RISC)、专用集成电路(ASIC)、复杂可编程逻辑器件(CPLD)、现场可编程门阵列(FPGA)、并行处理器系统中的一种或多种或者这些不同硬件处理器类型的组合构成。

计算机程序116由可以输送到硬件处理器120并且可以由硬件处理器120执行的计算机可读指令构成。当在硬件处理器120上执行时，计算机可读指令将执行用于生成改进的放射治疗计划118的方法。当执行计算机程序116时由硬件处理器120执行的处理结果可以存储在存储器110中，例如改进的放射治疗计划118和相关联数据。硬件处理器120还可以经由直接存储器访问(DMA)来访问存储器110，并且还可以使用缓存存储器来存储临时处理结果。计算机程序116还可以存储在非暂时性计算机可读介质130上，例如通用串行总线(USB)闪存驱动器、光学数据载体(诸如CD-ROM、DVD-ROM和蓝光光盘)、软盘、可交换硬件驱动器、USB外置硬盘驱动器(HDD)或任何其他便携式信息存储设备，使得计算机程序116可以被输送到不同的计算系统，并且也可以被加载到系统100的存储器110。这可以通过经由数据读取器/写入器140将计算机可读介质130连接到系统100(例如光驱、USB接口等)来完成。

此外，系统100还包括具有显示驱动器的显示单元150，该显示驱动器允许数据处理的结果的可视化，例如可视化包含例如肿瘤或癌细胞的患者的目标体积的三维(3D)表示，以及必须防止剂量输送的健康危险器官、3D轮廓数据、或二维(2D)切片表示(用于各种交叉方向以及用于目标体积和危险器官这两者中的LET分布)以及生物效应(例如，损伤/细胞死亡/副作用的概率)等。例如，可以显示CT扫描的3D计算机再现。此外，显示单元150可以通过使用图形2D格式来显示概括3D剂量分布的剂量体积直方图(DVH)。例如，显示单元150被配置成示出患者体积(其示出了放射治疗计划114的剂量贡献)以及优化或改进的放射治疗计划118的相同体积的比较DVH图，使得可以直观地比较LET分布。

显示单元150用于显示在治疗之前、治疗期间或治疗之后进行的患者的3D扫描。例如，可以显示CT扫描的3D计算机再现。此外，显示单元150可以通过使用图形2D格式或使用数字格式来显示概括3D剂量分布的LET、剂量和/或DVH。例如，显示单元150被配置成示出患者体积的比较LET图，其示出了放射治疗计划114的癌细胞破坏或剂量贡献。对相同体积的优化或改进的放射治疗计划进行显示和比较，使得该改进可以被直观地比较。此外，显示单元150配备有触摸屏功能并且可以显示用于操作系统100的图形用户界面是可能的。

此外，计算机系统100具有系统总线160，该系统总线连接硬件处理器120、存储器110、数据读取器140、触摸屏以及未示出的各种其他数据输入-输出接口和外围设备。例如，计算机系统100可以连接到键盘170以供用户输入数据，并且可以连接到已经创建了放射治疗计划的外部放射治疗计划设备180，例如功能强大的专用计算机。此外，系统100可以连接到未示出的CT扫描仪。例如，创建放射治疗计划114的外部设备180可能能够开发剂量和LET分布计算算法，该剂量和LET分布计算算法被编码到软件中、访问关于开出剂量分布的辐射数据、机器校准数据、以及关于患者目标体积和危险器官的患者特定信息。然后，该外部设备180可以将放射治疗计划114输送到计算机系统100以用于评估、可视化、创建新计划、考虑LET分布来改进现有计划。然而，计算机程序116也可能在外部设备本身上运行，从而不仅生成放射治疗计划114而且生成改进的放射治疗计划118。

此外，引入了一种用于执行参数优化的计算机程序产品。计算机程序产品130包括计算机可读代码装置，当该计算机可读代码装置在计算机中运行时执行上述方法。

示例1：对于RBE加权剂量的稳健生物优化

在使用带电粒子的放射治疗(质子治疗、碳离子治疗等)中，当对(多个)肿瘤和危险器官开出剂量时，必须考虑相对生物有效性(RBE)。不是使用剂量，而是为此使用RBE加权剂量，即为每个体素中的剂量乘以该体素的局部RBE。然而，RBE是粒子的微观能量沉积特性、局部剂量、组织特性、关注的生物端点、组织的氧化等的复杂函数。有几种模型可用于计算RBE，而且由于实验RBE数据的很大不确定性，并且由于模型或多或少地受到生物机制的影响，所以产生的RBE高度依赖于模型。

问题：应该使用哪个RBE模型来计算RBE加权剂量？

提出的解决方案：选择最少两个RBE模型并稳健地优化RBE加权剂量以考虑RBE不确定性。

-定义新的治疗计划或从使用任意优化方法预先优化的治疗计划开始。

-为RBE加权剂量定义至少一个目标，希望针对RBE中的不确定性对其进行稳健优化。这种目标的示例可以是：

-对肿瘤的最小或最大RBE加权剂量

-对OAR的最大RBE加权剂量

-对OAR的最大平均RBE加权剂量

-可选地，向复合目标函数添加其他目标或约束。

-选择最少两种不同的放射生物模型来计算RBE。

-为每个选定的RBE模型定义场景，其中，每个场景然后表示一个用于稳健优化的场景。

-使用优选稳健优化框架来稳健地优化治疗计划。

示例2：针对TCP和/或NTCP的稳健生物优化

在放射疗法中，每单位质量所施加能量的物理量(即，所谓的吸收剂量)通常被用作生物效应的替代物。因此，放射治疗计划通常在剂量方面进行优化，但生物效应是主要的关注量。

然而，可以经由使用肿瘤控制概率(TCP)和正常组织并发症概率(NTCP)的放射生物模型来直接优化生物效应。然而，由于例如TCP和NTCP的临床数据存在很大的不确定性，所以存在几种放射生物模型以用于计算相同的生物端点(特定生物效应的TCP或NTCP)。此外，除了剂量之外，各种模型还考虑了诸如吸烟、糖尿病、年龄、性别等因素的影响。

问题：在放射治疗计划的生物优化中应当使用哪个TCP和/或NTCP模型？

提出的解决方案：为相同的生物端点选择最少两个放射生物模型并且稳健地优化以考虑生物不确定性。

-基于放射生物模型定义至少一个目标。这种目标的示例可以是：

○某个生物端点的NTCP应当被最小化或低于某个概率。

○TCP应当被最大化或高于某个概率。

-可选地，向复合目标函数添加其他目标或约束。

-选择最少两种不同的放射生物模型来计算TCP和/或NTCP。

-为每个选定的放射生物模型定义场景，其中每个场景然后表示一个用于稳健优化的场景。

-使用优选稳健优化框架来稳健地优化治疗计划。

上面已经公开了用于生成放射治疗计划的方法和系统的优选实施例。然而，本领域技术人员意识到这可以在不脱离本发明的构思的前提下在所附权利要求的范围内变化。

在不脱离本发明构思的情况下，只要组合不矛盾，上述所有描述的替代实施例或实施例的部分可以自由组合或彼此分开使用。

使用以下缩写：

BED 生物等效剂量

CT 计算机断层扫描

CTV 临床肿瘤体积

DICOM 医学的数字成像和通信

DVH 剂量体积直方图

EHR 电子病历系统

EQD 等效标准分次剂量

EUD 等效均匀分布

eMIX 电子医疗信息交换系统

GUI 图形用户界面

GTV 总肿瘤体积

HIS 医院信息系统

HIM 健康信息管理系统

IMRT 强度调制放射疗法

LET 线性能量转移

MLC 多叶准直器

MRI 磁共振成像系统

MU 监视单元

NTCP 正常组织并发症概率

OAR 危险器官

PBS 笔形射束扫描

PET 正电子发射断层扫描

PTV 计划肿瘤体积

QA 质量保证

QC 质量控制

US 超声检查

RBE 相对生物有效性

ROI 关注区域

RVS 记录和验证系统

SPECT 单光子正电子发射断层扫描

TCP 肿瘤控制概率

Claims

1.一种用于为对象的治疗体积生成稳健放射治疗计划的方法，所述治疗体积使用多个体素来定义，所述方法包括以下步骤：

-使用用于与所述放射治疗相关的生物端点的至少一个优化函数来定义(S100)优化问题；

-定义(S102)场景集合，所述场景集合包括至少第一场景和第二场景，其中，所述场景集合中的至少两个场景表示量化相同的所述生物端点的不同的生物模型；

-为所述场景集合中的每个场景计算(S104)优化函数值；

-通过稳健地优化在所述场景集合上评估的所述优化函数值来生成(S106)放射治疗计划。

2.根据权利要求1所述的方法，其中，量化生物端点的所述生物模型包括等效均匀分布(EUD)、等效标准分次剂量(EQD)、生物等效剂量(BED)、相对生物有效性(RBE)、RBE加权剂量、肿瘤控制概率(TCP)、正常组织并发症概率(NTCP)、无并发症治愈、继发性癌症和/或总生存期。

3.根据权利要求1或2所述的权利要求，其中，所述至少一个优化问题包括定义在所述优化期间保持的参数的约束。

4.根据前述权利要求中的任一项所述的权利要求，其中，所述至少一个优化问题包括生物目标或物理目标。

5.根据权利要求4所述的方法，其中，所述物理目标包括对所述治疗体积中的标靶和危险器官(OAR)的剂量限制、剂量体积直方图(DVH)限制、线性能量转移(LET)限制、粒子停止的位置和/或同质性和一致性指数。

6.根据前述权利要求中的任一项所述的方法，其中，所述稳健优化包括：随机规划方法，其中，所述目标函数的期望值被最小化；极大极小方法，其中，所述目标函数在错误场景上的最大值被最小化；或者通常被称为极大极小随机规划的这两者的任何组合；或体素最坏情况方法，其中，对单独考虑的每个体素的最坏情况剂量进行优化。

7.根据前述权利要求中的任一项所述的方法，其中，所述场景集合还包括至少第三场景，其中，所述第三场景表示与治疗计划相关的一个或多个参数的不确定性的具体实现，包括粒子范围、所述治疗体积的空间位置、放射治疗设备设置、被辐射组织的密度、相互作用效应、器官运动和/或生物模型参数值。

8.根据前述权利要求中的任一项所述的方法，其中，生成放射治疗计划的所述步骤包括调整预先存在的放射治疗。

9.一种计算机程序产品(130)，包括计算机可读指令，当所述计算机可读指令在计算机上执行时使所述计算机实行根据权利要求1至8中的任一项所述的方法。

10.一种计算机系统(100)，包括处理器(120)，所述处理器(120)耦接到其上存储有计算机可读指令的存储器(110)，当所述计算机可读指令由所述处理器执行时使所述处理器实行根据权利要求1至8中的任一项所述的方法。

11.一种放射治疗计划系统，包括根据权利要求10所述的计算机系统(100)。