CN113941100A - 根据三维空间剂量分布生成可交付放疗计划的方法及装置 - Google Patents
根据三维空间剂量分布生成可交付放疗计划的方法及装置 Download PDFInfo
- Publication number
- CN113941100A CN113941100A CN202111245648.1A CN202111245648A CN113941100A CN 113941100 A CN113941100 A CN 113941100A CN 202111245648 A CN202111245648 A CN 202111245648A CN 113941100 A CN113941100 A CN 113941100A
- Authority
- CN
- China
- Prior art keywords
- dose
- field
- deliverable
- radiotherapy
- fluence map
- 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
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
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供一种根据三维空间剂量分布生成可交付放疗计划的方法,对获取到的用于生成可交付放疗计划的患者放疗相关数据进行预处理,并通过预设的场剂量预测模型来预测得到各个射野方向的场剂量,并进一步基于预测得到的场剂量,通过预设的注量图预测模型来预测对应的各个射野方向的注量图,最后基于预测得到的各个射野方向的注量图以及放疗设备参数生成可交付放疗计划。生成的可交付放疗计划中包含有各个射野方向的信息和加速器相关参数,因此是放疗加速器可执行的可交付计划;由于采用了深度卷积神经网络来预测场剂量和注量图,这种高维度特征自动提取的方式保留了原三维空间剂量分布的剂量学特征,因此转化前后剂量保真度高、生成速度快。
Description
技术领域
本发明属于放射治疗领域,涉及针对放射治疗的放疗计划设计,具体涉及一种根据三维空间剂量分布生成可交付放疗计划的方法及装置。
背景技术
放射治疗(放疗)是癌症的主要治疗手段之一。放疗采用高能X线、伽马射线、电子和质子重离子等射线的电离辐射作用,来杀灭体内的肿瘤组织。实施放疗照射前,要设计放疗计划,模拟体内剂量分布,即尽可能精准给与肿瘤部位高的照射剂量,同时尽可能保护肿瘤周围的正常器官,具体而言,是指尽量不照射/少照射正常组织或尽量给与正常脏器低的照射剂量。为更好的达到这一要求,调强放疗进行的逆向放疗计划设计是代表性技术。
以调强放疗(IMRT)逆向计划为例,放疗计划设计的过程通常如下:1)放疗医生和物理师等在计算机断层扫描(CT)和/或磁共振(MRI)等影像上,通过勾画肿瘤和正常器官的靶区来区分确定肿瘤和正常脏器的轮廓。2)勾画完成后放疗医生处方放疗总体方案(具体包括照射次数、总照射剂量和分次照射剂量等)。3)剂量师在专用的放疗计划系统(TPS)中,采用逆向规划进行调强放疗(IMRT)计划的设计。具体而言,剂量师选择特定的放疗加速器,然后在TPS中尝试不同射野方向组合,并进行各个射野的场剂量计算、场剂量叠加和叠加后的总剂量评估,往往需要多次尝试才能达到医生的要求,因此剂量师需要不断进行上述尝试、迭代和优化,直到剂量分布满足放疗医生的要求。4)根据最终确定的剂量分布,TPS可生成各射野对应的注量图(Fluence Map),在此基础上结合加速器等放疗设备的相关参数生成并优化用于计划交付的机器参数,即可以被加速器执行的计划文件(MLC文件),从而实施对患者的照射。也可以此MLC文件再次进行剂量计算,得到最终的三维空间剂量分布。
剂量师在逆向设计过程中,通过优化从期望的剂量分布中获取机器参数。剂量师依靠他们自身的经验或治疗指南等为期望的剂量分布设定指标作为优化目标。这些目标通常包括点剂量(最大、最小或平均剂量)、剂量-体积值(如不超过多少体积的正常组织可以接受的最高剂量)和期望的等剂量线包绕靶区的情况等。剂量师还使用基于知识的规划(KBP)等工具来模拟高质量的历史计划或用帕累托曲面导航进行多准则优化(MCO)来探索权衡。无论使用哪种方法进行规划,所需的临床目标通常以感兴趣区域(ROI)的点剂量和剂量体积约束来表示,并随后通过迭代优化方法来实现。这些方法包括注量图优化(FMO),以及直接机器参数优化(DMPO),其进一步生成用于计划交付的机器参数,即生成可以被加速器执行的计划,从而进行病人的照射,也即放疗。
上述传统的放疗计划设计的方式主要是通过人工进行各个步骤的操作和评估。对每个放疗计划,剂量师可能要花费数小时甚至几天的时间进行设计,比较耗时,这有时会导致患者延迟1-4周的时间接受放疗。而且计划设计的质量和剂量师的经验水平、以及在每个放疗计划设计上花费的时间相关。临床上使用次优的放疗计划并非不常见。这都会影响肿瘤患者的放疗质量,进而影响患者的生存时间和生活质量。尽管有不同版本的商用自动计划设计模块上市,但都是基于二维的信息,应用于人体三维空间解剖结构上时,往往效果很差,不能从根本上提升放疗计划设计的效率和质量。
近年来,以深度学习为代表的人工智能在诸多医学影像领域得到广泛应用,取得了良好的技术效果。具体到肿瘤放射治疗领域,已有约30篇文献证实,通过学习大量高质量放疗计划的三维空间剂量分布,人工智能可以在数秒内预测出基于肿瘤患者解剖结构的个性化三维空间剂量分布,精度远超过传统的方式,预测出来剂量分布的各项临床指标,能达到放疗临床可接受的水平,并且一致性很高。
具体而言,通过深度学习来预测剂量分布的过程大致如下:输入患者的定位CT(或MRI)影像和靶区勾画数据,按预设的射野和剂量预测模型预测适合该患者的射野设置组合和该患者的三维空间剂量分布。这种剂量预测的方式是基于患者自身的解剖结构,因而是个性化的,但是这个过程缺乏传统计划设计过程中根据机器参数来进行单个射野的场剂量的计算/预测过程,因而缺乏可以指挥加速器从不同射野实施照射的相关数据和参数,并不是一个可交付的放疗计划。因此需要将预测的三维空间剂量分布转化为放疗加速器可执行的计划。
目前将剂量分布转换为可交付执行的计划通常采用如下两种方法之一:剂量模拟(Dose Mimicking)和逆向优化(Inverse Optimization)。剂量模拟方法采用算法自动的最小化输入剂量分布和输出的可交付执行计划的剂量之间的差异,而逆向优化方法基本上采用的是常规优化模型中使用的剂量体积约束值DVH。这两类方法输入的是放疗计划的优化目标集、体积剂量分布,以及剂量概率分布。输入的这些剂量分布是一维(点剂量)或二维的,缺失了剂量分布最重要的三维空间信息。理论上来讲,基于一维或二维的剂量值,可能对应着无数个三维空间的剂量分布,不存在着唯一性。这两种方法在传统手工设计中可能提升剂量师的效率,但是对于基于深度卷积神经网络预测出来的三维空间剂量分布,这两种方法都有缺陷。这两种方式输出(即转换出来的可交付的计划)的剂量分布与输入(例如深度卷积神经网络预测出的三维空间剂量分布)会有较大的差异,保真度很差。另外使用逆向优化需要多次的迭代和剂量计算,花费大量的时间。因而这两种方法的转换效率和质量都有待提高。
最近也有学者用直接从影像(如定位CT)和靶区勾画来直接预测注量图的方法来获得可交付的放疗计划。但这种方法只能处理固定射野设置(即射野的数目固定、各射野的角度固定)的放疗计划。但是对绝大多数放疗患者而言,较优的放疗计划射野设置需要根据患者的三维解剖结构而进行个体化设置,不同患者使用不同数目的射野,并不是固定不变的,各射野的角度也各不相同。因此这种直接预测注量图的方式,应用范围极为有限。
发明内容
为解决上述问题,提供一种根据三维空间剂量分布快速、高保真地生成可交付放疗计划的方法及装置,本发明采用了如下技术方案:
本发明提供了一种根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于,包括步骤S1,获取用于生成可交付放疗计划的患者相关数据;步骤S2,按预设的算法对患者相关数据进行预处理;步骤S3,基于预设的场剂量预测模型以及患者相关数据进行预测,得到各射野方向的场剂量;步骤S4,基于预设的注量图预测模型以及各射野方向的场剂量进行预测,得到各射野方向的注量图;步骤S5,基于各射野方向的注量图以及放疗设备的参数,通过预设的算法生成可交付放疗计划,其中,患者相关数据包括患者医学影像、正常脏器和肿瘤的靶区勾画、三维空间剂量分布、各射野方向以及各射野方向光线跟踪样式调制/未调制的剂量分布。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,患者医学影像为患者的定位CT影像或患者的定位MRI影像。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,步骤S4包括如下子步骤:步骤S4-1,将各射野方向的场剂量重建为三维分布,并沿BEV方向投射,生成各射野方向的待处理的二维BEV剂量图;步骤S4-2,基于预设的注量图预测模型以及各射野方向二维BEV剂量图进行预测,得到各射野方向的注量图。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,场剂量预测模型通过对第一神经网络模型进行训练得到,训练包括如下步骤:步骤S6-1,获取多个已脱敏患者的放疗数据;步骤S6-2,按预设的算法对多个放疗数据进行预处理;步骤S6-3,对预处理后的多个放疗数据进行数据扩增,得到多个场剂量模型训练样本;步骤S6-4,基于场剂量模型训练样本对第一神经网络模型进行训练,得到训练好的场剂量预测模型。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,场剂量模型训练样本包括三维空间剂量分布、正常脏器和肿瘤的靶区勾画、各射野方向、各射野方向光线追踪式样调制/未调制剂量以及对应的各射野方向的实际场剂量,步骤S6-4具体为:将各个场剂量模型训练样本的三维空间剂量分布、正常脏器和肿瘤的靶区勾画、各射野方向、各射野方向光线追踪式样调制/未调制剂量输入第一神经网络模型中进行预测,得到各射野方向的预测场剂量,将预测场剂量和实际场剂量进行对比,使预测场剂量和实际场剂量之间的误差最小化,从而完成一次训练,依次类推进行多次训练,直至所有场剂量模型训练样本训练完毕,得到训练好的场剂量预测模型。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,注量图预测模型通过对第二神经网络模型进行训练得到,训练包括如下步骤:步骤S7-1,获取多个已脱敏患者的注量图相关数据;步骤S7-2,按预设的算法对多个注量图相关数据进行预处理;步骤S7-3,对预处理后的多个注量图相关数据进行数据扩增,得到多个注量图模型训练样本;步骤S7-4,基于注量图模型训练样本对第二神经网络模型进行训练,得到训练好的注量图预测模型。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,注量图模型训练样本包括各射野方向的场剂量以及对应的各射野方向的实际注量图,步骤S7-4具体为:将各个注量图模型训练样本的各射野方向的场剂量输入第二神经网络模型进行预测,得到各射野方向的预测注量图,将预测注量图和实际注量图进行对比,使预测注量图和实际注量图之间的误差最小化,从而完成一次训练,依次类推进行多次训练,直至所有注量图模型训练样本训练完毕,得到训练好的注量图预测模型。
本发明提供的根据三维空间剂量分布生成可交付放疗计划的方法,还可以具有这样的技术特征,其中,步骤S2按预设的算法对患者相关数据进行预处理,其预处理包括:对正常脏器和肿瘤的靶区勾画图像进行重采样、图像尺寸缩放、图像归一化;以及对三维空间剂量分布图像进行重采样、插值、剂量归一化。
本发明提供了一种根据三维空间剂量分布生成可交付放疗计划的装置,其特征在于,包括数据获取模块,获取用于生成可交付放疗计划的患者相关数据;预处理模块,按预设的算法对患者相关数据进行预处理;场剂量预测模块,基于预设的场剂量预测模型以及患者相关数据进行场剂量预测,得到预测的场剂量;注量图预测模块,基于预设的注量图预测模型以及预测的场剂量进行注量图预测,得到预测的注量图;可交付计划生成模块,基于预测的注量图以及放疗设备的参数生成可交付放疗计划。
发明作用与效果
根据本发明的根据三维空间剂量分布生成可交付放疗计划的方法及装置,能够对获取到的用于生成可交付放疗计划的患者相关数据进行预处理,并基于预处理后的患者相关数据,通过预设的场剂量预测模型来预测得到各个射野方向的场剂量,并进一步基于预测得到的场剂量,通过预设的注量图预测模型来预测各个射野方向场剂量对应的注量图,最后基于预测得到的各个射野方向的注量图以及放疗设备的相关参数生成可交付放疗计划。本发明使用的场剂量预测模型和注量图预测模型,均为深度卷积神经网络模型,可通过高维度特征提取的方式,捕获并保留需生成可交付计划的三维空间剂量分布的所有剂量学特征,能高保真的预测每个射野方向的场剂量和每个场剂量对应的注量图。而通过专用图形处理单元(GPU)或TPU等基于深度学习的预测推理可以在几秒钟内完成任务,同时满足效率的要求。因此使用本发明生成可交付计划,不需要花费大量时间进行逆向优化或剂量模拟,效率很高。预测生成的注量图,可对接目前商用放疗计划设计系统TPS或剂量计算引擎,转换为包括加速器多叶光栅MLC等参数的计划文件,即放疗机器可执行的计划,应用范围广泛。
附图说明
图1是本发明实施例一的根据三维空间剂量分布生成可交付放疗计划的方法的流程示意图;
图2是本发明实施例一的根据三维空间剂量分布生成可交付放疗计划的方法的流程图;
图3是本发明实施例一的肝癌患者CT影像的靶区勾画示例图;
图4是本发明实施例一的肝癌患者射野方向的示例图;
图5是本发明实施例一的肝癌患者剂量分布的示例图;
图6是本发明实施例一的肝癌患者各射野方向光线跟踪样式未调制的剂量分布;
图7是本发明实施例一的场剂量预测模型的架构示意图;
图8是本发明实施例一的根据肝癌患者相关数据预测的各射野的场剂量的示例图;
图9是本发明实施例一的注量图预测模型的架构示意图;
图10是本发明实施例一的根据肝癌患者场剂量预测的各射野的注量图的示例图;
图11是本发明实施例一的可交付放疗计划生成装置的结构框图;
图12是本发明实施例一的可交付放疗计划生成装置的应用示意图;
图13是本发明实施例二的根据三维空间剂量分布生成可交付放疗计划的方法的流程示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的根据三维空间剂量分布生成可交付放疗计划的方法及系统作具体阐述。
<实施例一>
图1是本发明实施例中根据三维空间剂量分布生成可交付放疗计划的方法的流程示意图。
如图1所示,本实施例首先获取待用于生成可交付放疗计划的患者相关数据;接着,按预设的算法对获取到的患者相关数据进行预处理;然后,基于预设的场剂量预测模型以及预处理后的患者相关数据预测各射野方向的场剂量;进而,基于预设的注量图预测模型以及场剂量预测各射野方向的注量图;最后,基于预测的注量图和放疗设备的参数生成可交付计划。总体包括五个流程:获取数据、预处理、预测场剂量、预测注量图以及生成可交付放疗计划。
图2是本发明实施例中根据三维空间剂量分布生成可交付放疗计划的方法的流程图。
如图2所示,本实施例的根据三维空间剂量分布生成可交付放疗计划的方法具体包括如下步骤:
步骤S1,获取用于生成可交付放疗计划的患者相关数据。
本实施例中,目标患者为肝癌患者,用于生成可交付放疗计划的患者相关数据具体包括:该患者的定位CT影像、正常脏器和肿瘤的靶区勾画、三维空间剂量分布、各射野方向、各射野方向光线追踪式样未调制的剂量。
其中,正常脏器和肿瘤的靶区勾画、三维空间剂量分布和射野信息均可由预设的模型自动预测得到,也可由手工设计或半自动设计得到。
图3是本发明实施例的肝癌患者CT影像的靶区勾画示例图。
如图3中所示,白色箭头标示为肿瘤靶区,其他多个闭合框为需要保护的正常器官的勾画。
图4是本发明实施例的肝癌患者射野方向的示例图。
图5是本发明实施例的肝癌患者剂量分布的示例图。为便于展示,剂量分布图示为二维,将多张二维剂量分布叠加起来即形成三维空间剂量分布。
图6是本发明实施例的肝癌患者各射野方向光线跟踪样式未调制的剂量分布。如图6所示,五幅图片分别对应于图4中的五个射野方向光线跟踪样式未调制的剂量分布。
此外,图3-5中的正常脏器和肿瘤的靶区勾画、各射野方向以及三维空间剂量分布都可以通过深度学习方式自动预测得到,或者通过手工设计或半自动设计得到。
步骤S2,按预设的算法对用于生成可交付放疗计划的患者相关数据进行预处理。
本实施例中,采用预设的算法来进行预处理,包括:
对正常脏器和肿瘤的靶区勾画图像按预设算法进行重采样、图像尺寸缩放、图像归一化等处理,例如,通过图像尺寸缩放将靶区勾画图像的大小设置为256像素×256像素。
对三维空间剂量分布进行重采样、插值、剂量归一化等处理,例如,通过线性插值将三维空间剂量分布的层厚处理为2毫米。
步骤S3,基于预设的场剂量预测模型以及患者相关数据预测得到各射野方向的场剂量。
本实施例的场剂量预测模型通过对第一卷积神经网络模型进行训练得到,训练具体包括如下步骤:
步骤S6-1,获取多个已脱敏患者的放疗数据。
本实施例中,已脱敏患者为肝癌患者,患者的放疗数据包括该患者的定位CT影像、正常脏器和肿瘤的靶区勾画、三维空间剂量分布、各射野方向、各射野方向光线追踪式样未调制的剂量分布、各射野方向的场剂量。
步骤S6-2,按预设的算法分别对多个放疗数据进行预处理。
本实施例中,预处理包括按预设的算法对靶区勾画图像进行重采样、图像尺寸缩放、图像归一化等处理;以及对三维空间剂量分布进行重采样、插值、剂量归一化等处理。
步骤S6-3,对预处理后的多个放疗数据进行数据扩增,得到多个场剂量模型训练样本。
本实施例中,对上述的靶区勾画以及三维空间剂量分布分别进行数据扩增,包括扭曲、旋转、平移等,从而增加训练集的样本。
步骤S6-4,基于场剂量训练样本对第一卷积神经网络模型进行训练,得到训练好的场剂量预测模型。
图7是本实施例中场剂量预测模型的架构示意图。
如图7所示,本实施例中,第一卷积神经网络模型为深度卷积神经网络CNN架构的U-Net,其为二维网络架构,训练目标为使该神经网络模型预测得到的场剂量与对应的实际场剂量之间的误差最小化。
具体而言,是将各样本的三维空间剂量分布、正常脏器和肿瘤的靶区勾画、各射野方向、各射野方向光线追踪式样调制或未调制剂量输入至第一卷积神经网络模型中进行预测,得到预测的各射野的场剂量预测结果,将预测的场剂量和实际的场剂量进行对比,使得预测的场剂量和实际的场剂量之间的误差最小化,即可完成一次训练,依次类推进行多次训练,直至所有样本训练完毕,即可得到最终能够根据输入的患者数据输出各射野方向对应场剂量的场剂量预测模型。
图8是本发明实施例的根据肝癌患者相关数据预测的各射野的场剂量的示例图。如图8所示,通过预设的场剂量预测模型预测得到了五个射野方向的场剂量。
步骤S4,基于预设的注量图预测模型以及各射野方向的场剂量进行预测,得到各射野方向的注量图。
本实施例中,以步骤S3预测得到的各射野方向的场剂量作为步骤S4的输入,对注量图进行预测。
本实施例的注量图预测模型通过对第二卷积神经网络进行训练得到,其训练具体包括如下步骤:
步骤S7-1,获取多个已脱敏患者的注量图相关数据。
本实施例中,已脱敏患者为肝癌患者,该患者的注量图相关数据包括实际应用的各射野方向的场剂量以及其对应的实际注量图,作为训练样本。
步骤S7-2,按预设的算法对多个注量图相关数据进行预处理。
本实施例中,预处理包括对上述的场剂量以及注量图按预设算法进行重采样、插值、剂量归一、图像尺寸缩放、图像归一、角度调整等处理。其中,预设相关指标可以根据实际应用的需求进行设置,例如,可以将图像大小设置为256像素×256像素、可以通过线性插值将所有剂量分布图像的层厚处理为2毫米等等。
步骤S7-3,对预处理后的多个注量图相关数据进行数据扩增,得到多个注量图模型训练样本。
本实施例中,对上述的场剂量图以及注量图分别进行数据扩增,包括扭曲、旋转、平移等,从而增加训练集的样本。
步骤S7-4,基于注量图模型训练样本对第二卷积神经网络模型进行训练,得到训练好的注量图预测模型。
图9是本实施例中注量图预测模型的架构示意图。
如图9所示,本实施例中,第二卷积神经网络模型为深度卷积神经网络CNN架构的U-Net,其为二维网络架构,训练目标为使神经网络预测得到的注量图与对应的实际注量样本图像之间的误差最小化。
具体而言,是将各个射野方向的场剂量输入至第二卷积神经网络模型中进行预测,得到预测的注量图,将该预测的注量图和实际的注量图进行对比,使得预测的注量图和实际的注量图之间的误差最小化,即可完成一次训练,依次类推进行多次训练,直至所有样本训练完毕,即可得到最终能够根据输入的场剂量输出相应的注量图的注量图预测模型。
图10是本发明实施例中根据肝癌患者场剂量预测的各个射野的注量图的示例图。如图10所示,通过预设的注量图预测模型预测得到了各射野方向的预测的注量图。
步骤S5,基于预测的注量图以及放疗设备的参数生成可交付放疗计划。
本实施例中,步骤S4生成的各射野方向的注量图结合加速器的多个参数,通过预定的算法即可生成MLC文件,MLC文件是可以被放疗加速器执行的计划文件,包含有多种可交付的机器参数。
此外,本实施例中,在步骤S5之后,还可以对生成的MLC文件中的机器参数进行优化。
本实施例还提供一种可交付放疗计划生成装置。
图11是本实施例的可交付放疗计划生成装置的结构框图。
如图11所示,本实施例的可交付放疗计划生成装置20包括控制模块21、数据获取模块22、预处理模块23、场剂量预测模块24、注量图预测模块25以及可交付计划生成模块26。
其中,数据获取模块22采用上述的步骤S1的方法来获取用于生成可交付计划的患者相关数据;预处理模块23采用上述的步骤S2的方法来对获取的相关数据进行预处理;场剂量预测模块24采用上述的步骤S3的方法来预测得到各个射野的场剂量;注量图预测模块25采用上述的步骤S4的方法来预测得到各个射野的注量图;可交付计划生成模块26采用上述的步骤S5的方法来基于预测的注量图和机器参数生成可交付放疗计划。
图12是本实施例的可交付放疗计划生成装置的应用示意图。
如图12所示,本实施例的可交付放疗计划生成装置20可以集成在网络设备中,该网络设备分别与医学影像存储和传输系统、放疗计划设计系统(TPS)通信连接,可交付放疗计划生成装置20从医学影像存储和传输系统或者放疗计划设计系统获取用于生成可交付计划的相关数据,并根据相关数据预测得到注量图,进一步和放疗计划设计系统配合工作生成MLC文件,从而通过MLC文件指挥放疗加速器对患者进行治疗。
上述的网络设备可以为终端或服务器,上述的医学影像存储和传输系统可以和图像采集设备(例如CT扫描仪、MRI扫描仪等)通信连接直接获取数据,也可以从医院网络或TPS工作站获取数据。
<实施例二>
图13是本发明实施例的根据三维空间剂量分布生成可交付放疗计划的方法的示意图。
如图1和图13所示,与实施例一相比,本实施例还包括基于预测的场剂量生成BEV剂量图的步骤。
实施例一中,步骤S4为:基于预设的注量图预测模型以及各个射野方向的场剂量进行预测,得到各个射野方向的注量图。
本实施例的步骤S4(即注量图预测的步骤)按如下子步骤进行:
步骤S4-1,将各个射野方向的场剂量重建为三维分布,并沿BEV方向投射,生成各射野方向待处理的二维BEV剂量图;
步骤S4-2,基于预设的注量图预测模型以及待处理的二维BEV剂量图进行预测,得到各个射野方向的注量图。
本实施例中,其他步骤与实施例一中相同,因此不再进行重复说明。
实施例作用与效果
根据本实施例提供的根据三维空间剂量分布生成可交付放疗计划的方法及装置,能够对获取到的用于生成可交付放疗计划的相关数据进行预处理,并基于预处理后的相关数据,通过预设的场剂量预测模型来预测得到各个射野方向的场剂量,并进一步基于预测得到的场剂量,通过预设的注量图预测模型来预测对应的各个射野方向的注量图,最后基于预测得到的各个射野方向的注量图以及放疗设备的相关参数生成可交付放疗计划。用于生成可交付放疗计划的相关数据中包含有三维空间剂量分布以及对应的射野信息,并结合了加速器相关参数,因此所生成的是放疗加速器等放疗设备可执行的可交付计划;还由于采用了深度卷积神经网络来预测场剂量和注量图,这种高维度特征自动提取的方式保留了原三维空间剂量分布的剂量学特征,因此转化前后剂量保真度高;而基于图像处理单元的GPU或CPU或TPU的预测速度快、转化效率高。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
在上述实施例中,可交付放疗计划基于预测得到的注量图、通过预定的算法来生成,在本发明的其他方案中,可交付放疗计划也可以基于预测得到的注量图并通过其他方法来生成,例如通过商用TPS或剂量计算引擎来生成。
在上述实施例中,采用二维深度神经网络U-Net来训练得到场剂量预测模型和注量图预测模型,在本发明的其他方案中,也可以采用其他类型的深度学习网络架构,或者其变体,或者多种不同网络架构的组合。
在上述实施例中,场剂量预测模型的训练以及注量图预测模型的训练可由其他装置完成,再将训练好的预测模型提供给可交付放疗计划生成装置20,在本发明的其他方案中,可交付放疗计划生成装置20也可以包括模型训练模块,从而由该可交付放疗计划生成装置20执行模型的训练。
在上述实施例中,训练神经网络所使用的样本为已脱敏的肝癌患者,在本发明的其他方案中,也可以采用其他类型癌症的相关数据进行训练,并用于根据其他癌症类型的剂量分布生成可交付放疗计划。
在上述实施例中,对于生成的可交付计划,也可通过预设的优化算法来自动对可交付放疗计划进行优化。
在上述实施例中,可交付放疗计划生成装置20集成在网络设备中,该网络设备可以是终端或服务器等设备,其中,终端可以包括平板电脑、笔记本电脑或个人计算机等,在本发明的其他方案中,可交付放疗计划生成装置20也可以为独立存在的设备。
在上述实施例中,可交付放疗计划生成装置20的各模块的划分仅仅作为一种逻辑功能的划分,在本发明的其他方案中,可交付放疗计划生成装置20在实际实现时可以有另外的划分方式,例如其中两个或以上模块可以进行组合。
Claims (9)
1.一种根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于,包括:
步骤S1,获取用于生成可交付放疗计划的患者相关数据;
步骤S2,按预设的算法对所述患者相关数据进行预处理;
步骤S3,基于预设的场剂量预测模型以及所述患者相关数据进行预测,得到各射野方向的场剂量;
步骤S4,基于预设的注量图预测模型以及所述各射野方向的场剂量进行预测,得到所述各射野方向的注量图;
步骤S5,基于所述各射野方向的注量图以及放疗设备的参数,通过预设的算法生成所述可交付放疗计划,
其中,所述患者相关数据包括患者医学影像、正常脏器和肿瘤的靶区勾画、三维空间剂量分布、所述各射野方向以及各射野方向光线跟踪样式调制/未调制的剂量分布。
2.根据权利要求1所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,所述患者医学影像为患者的定位CT影像或所述患者的定位MRI影像。
3.根据权利要求1所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,步骤S4包括如下子步骤:
步骤S4-1,将所述各射野方向的场剂量重建为三维分布,并沿BEV方向投射,生成所述各射野方向的待处理的二维BEV剂量图;
步骤S4-2,基于所述预设的注量图预测模型以及各个所述二维BEV剂量图进行预测,得到所述各射野方向的注量图。
4.根据权利要求1所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,所述场剂量预测模型通过对第一神经网络模型进行训练得到,训练包括如下步骤:
步骤S6-1,获取多个已脱敏患者的放疗数据;
步骤S6-2,按预设的算法对多个所述放疗数据进行预处理;
步骤S6-3,对预处理后的多个所述放疗数据进行数据扩增,得到多个场剂量模型训练样本;
步骤S6-4,基于所述场剂量模型训练样本对所述第一神经网络模型进行训练,得到训练好的所述场剂量预测模型。
5.根据权利要求4所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,所述场剂量模型训练样本包括三维空间剂量分布、正常脏器和肿瘤的靶区勾画、各射野方向、各射野方向光线追踪式样调制/未调制剂量以及对应的各射野方向的实际场剂量,
步骤S6-4具体为:将各个所述场剂量模型训练样本的所述三维空间剂量分布、所述正常脏器和肿瘤的靶区勾画、所述各射野方向、所述各射野方向光线追踪式样调制/未调制剂量输入所述第一神经网络模型中进行预测,得到各射野方向的预测场剂量,将所述预测场剂量和所述实际场剂量进行对比,使所述预测场剂量和所述实际场剂量之间的误差最小化,从而完成一次训练,依次类推进行多次训练,直至所有所述场剂量模型训练样本训练完毕,得到训练好的所述场剂量预测模型。
6.根据权利要求1所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,所述注量图预测模型通过对第二神经网络模型进行训练得到,训练包括如下步骤:
步骤S7-1,获取多个已脱敏患者的注量图相关数据;
步骤S7-2,按预设的算法对多个所述注量图相关数据进行预处理;
步骤S7-3,对预处理后的多个所述注量图相关数据进行数据扩增,得到多个注量图模型训练样本;
步骤S7-4,基于所述注量图模型训练样本对所述第二神经网络模型进行训练,得到训练好的所述注量图预测模型。
7.根据权利要求6所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,所述注量图模型训练样本包括各射野方向的场剂量以及对应的各射野方向的实际注量图,
步骤S7-4具体为:将各个所述注量图模型训练样本的所述各射野方向的场剂量输入所述第二神经网络模型进行预测,得到各射野方向的预测注量图,将所述预测注量图和所述实际注量图进行对比,使所述预测注量图和所述实际注量图之间的误差最小化,从而完成一次训练,依次类推进行多次训练,直至所有所述注量图模型训练样本训练完毕,得到训练好的所述注量图预测模型。
8.根据权利要求2所述的根据三维空间剂量分布生成可交付放疗计划的方法,其特征在于:
其中,步骤S2中,所述预处理包括:
对所述正常脏器和肿瘤的靶区勾画进行重采样、图像尺寸缩放、图像归一化;以及
对所述三维空间剂量分布进行重采样、插值、剂量归一化。
9.一种可交付放疗计划生成装置,其特征在于,包括:
数据获取模块,获取用于生成可交付放疗计划的患者相关数据;
预处理模块,按预设的算法对所述患者相关数据进行预处理;
场剂量预测模块,基于预设的场剂量预测模型以及所述相关数据进行场剂量预测,得到预测的场剂量;
注量图预测模块,基于预设的注量图预测模型以及所述预测的场剂量进行注量图预测,得到预测的注量图;以及
可交付计划生成模块,基于所述预测的注量图以及放疗设备的参数生成所述可交付放疗计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111245648.1A CN113941100A (zh) | 2021-10-26 | 2021-10-26 | 根据三维空间剂量分布生成可交付放疗计划的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111245648.1A CN113941100A (zh) | 2021-10-26 | 2021-10-26 | 根据三维空间剂量分布生成可交付放疗计划的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113941100A true CN113941100A (zh) | 2022-01-18 |
Family
ID=79332621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111245648.1A Pending CN113941100A (zh) | 2021-10-26 | 2021-10-26 | 根据三维空间剂量分布生成可交付放疗计划的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113941100A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115089896A (zh) * | 2022-06-30 | 2022-09-23 | 上海联影医疗科技股份有限公司 | 一种剂量预测方法及系统 |
CN115829972A (zh) * | 2022-12-02 | 2023-03-21 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种放疗计划三维剂量分布与通量的同步预测方法及装置 |
-
2021
- 2021-10-26 CN CN202111245648.1A patent/CN113941100A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115089896A (zh) * | 2022-06-30 | 2022-09-23 | 上海联影医疗科技股份有限公司 | 一种剂量预测方法及系统 |
CN115829972A (zh) * | 2022-12-02 | 2023-03-21 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种放疗计划三维剂量分布与通量的同步预测方法及装置 |
CN115829972B (zh) * | 2022-12-02 | 2024-04-19 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种放疗计划三维剂量分布与通量的同步预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240075315A1 (en) | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions | |
JP6645664B2 (ja) | 適応型放射線療法に対する3次元位置特定及び追跡 | |
CN114206438B (zh) | 使用投影图像预测放射治疗控制点 | |
JP6624695B2 (ja) | 適応型放射線療法に対する移動する標的の3次元位置特定 | |
CN114681813B (zh) | 放射治疗自动计划系统、自动计划方法及存储介质 | |
WO2021159143A1 (en) | Adversarial prediction of radiotherapy treatment plans | |
CN113577577B (zh) | 自适应放射疗法系统 | |
CN112770811A (zh) | 使用深度学习引擎进行放射疗法治疗计划的方法和系统 | |
JP2018522651A (ja) | 放射線治療中に品質指標を使用して標的を追跡するためのシステム及び方法 | |
EP3634577B1 (en) | Systems and methods of accounting for shape change during radiotherapy | |
US11544854B2 (en) | Automatic contour adaptation using three sub-networks of a neural network | |
US11478210B2 (en) | Automatically-registered patient fixation device images | |
CN113941100A (zh) | 根据三维空间剂量分布生成可交付放疗计划的方法及装置 | |
EP4230261A1 (en) | Dose volume histogram optimization based on quantile regression | |
CN115485019A (zh) | 自动计划的基于放射的治疗 | |
CN114846476A (zh) | 训练用于放射疗法治疗计划的深度学习引擎 | |
US11989851B2 (en) | Deformable image registration using deep learning | |
US20230285776A1 (en) | Dynamic adaptation of radiotherapy treatment plans | |
Lin et al. | Developing an AI-assisted planning pipeline for hippocampal avoidance whole brain radiotherapy | |
US20230218926A1 (en) | Bed calculation with isotoxic planning | |
US20230377721A1 (en) | Jointly trained machine learning models for automatic contouring in radiotherapy applications | |
WO2024168504A1 (en) | Accelerated dose calculation using deep learning | |
Suvira | Dosimetric differences between scheduled and adapted plans generated from ethos adaptive radiotherapy for patients with prostate cancer | |
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 |