CN114206438B - 使用投影图像预测放射治疗控制点 - Google Patents

使用投影图像预测放射治疗控制点 Download PDF

Info

Publication number
CN114206438B
CN114206438B CN201980099082.0A CN201980099082A CN114206438B CN 114206438 B CN114206438 B CN 114206438B CN 201980099082 A CN201980099082 A CN 201980099082A CN 114206438 B CN114206438 B CN 114206438B
Authority
CN
China
Prior art keywords
image
radiation therapy
projection
graphical aperture
learning model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980099082.0A
Other languages
English (en)
Other versions
CN114206438A (zh
Inventor
林登·斯坦利·希巴德
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.)
Elekta Ltd
Original Assignee
Elekta Ltd
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 Elekta Ltd filed Critical Elekta Ltd
Publication of CN114206438A publication Critical patent/CN114206438A/zh
Application granted granted Critical
Publication of CN114206438B publication Critical patent/CN114206438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61N5/1042—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
    • 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
    • A61N5/103—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
    • A61N5/1042—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
    • A61N5/1047—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 with movement of the radiation head during application of radiation, e.g. for intensity modulated arc therapy or IMAT
    • 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
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • 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
    • A61N5/1075—Monitoring, verifying, controlling systems and methods for testing, calibrating, or quality assurance of the radiation treatment apparatus
    • 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
    • A61N5/1077—Beam delivery systems
    • A61N5/1084—Beam delivery systems for delivering multiple intersecting beams at the same time, e.g. gamma knives

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

公开了用于基于目标解剖结构的投影图像生成放射疗法治疗机器参数的系统和方法。系统和方法包括：接收描绘对象的解剖结构的图像；基于所接收的图像生成第一投影图像，该第一投影图像表示从放射疗法治疗机器的第一台架角度的解剖结构的视图；将机器学习模型应用于第一投影图像，以估计在该第一台架角度下的多叶准直器(MLC)叶片位置的第一图形孔径图像表示和在该角度下的放射强度，机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于不同视图的不同台架角度下的MLC叶片位置的相应的图形孔径图像表示之间的关系；以及基于第一图形孔径图像表示生成放射疗法治疗机器参数。

Description

使用投影图像预测放射治疗控制点
优先权要求
本申请要求于2019年6月20日提交的美国申请序列第62/864,188号的优先权的权益，该申请通过引用整体并入本文。
技术领域
本公开内容的实施方式总体上涉及确定指导由放射疗法治疗系统执行的放射疗法的机器参数。具体地，本公开内容涉及使用深度学习技术来确定限定放射治疗系统中的治疗计划的机器参数。
背景技术
放射疗法(或“放射治疗”)可以用于治疗哺乳动物(例如，人和动物)组织中的癌症或其他疾病。一种这样的放射治疗技术是伽玛刀，通过伽玛刀，患者被以高强度和高精度会聚在目标(例如，肿瘤)处的大量低强度伽玛射线辐射。在另一实施方式中，使用线性加速器提供放射治疗，由此通过高能粒子(例如，电子、质子、离子、高能光子等)辐射肿瘤。必须精确地控制放射束的布置和剂量以确保肿瘤接收到规定的放射，并且射束的布置应当使得对通常称为危及器官(OAR，organ at risk)的周围健康组织的损害最小化。放射被称为“规定的”，因为医师向肿瘤和周围器官发出预定义量的放射，与药物的处方类似。通常，以准直射束形式的电离放射从外部放射源指向患者。
可以使用指定的或可选择的射束能量，例如用于传递诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器(例如，多叶准直器(MLC))提供。可以通过准直来调整放射束的强度和形状，以通过使投射的射束与目标组织的轮廓一致来避免损坏与目标组织相邻的健康组织(例如，OAR)。
治疗计划过程可以包括使用患者的三维(3D)图像来识别目标区域(例如，肿瘤)并识别肿瘤附近的关键器官。治疗计划的创建可能是耗时的过程，在该过程中，计划者试图遵守各种治疗目标或约束(例如，剂量体积直方图(DVH)、交叠体积直方图(OVH))，考虑它们各自的重要性(例如，权重)，以便产生临床上可接受的治疗计划。该任务可能是耗时的反复试验过程，该过程由于各种OAR而变得复杂，因为随着OAR的数量增加(例如，对于头颈治疗多达13个)，该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受放射，而接近目标肿瘤或与目标肿瘤交叠的OAR可能难以幸免。
传统上，对于每个患者，可以以“离线”方式生成初始治疗计划。可以在递送放射疗法之前很好地制定治疗计划，例如使用一种或更多种医学成像技术。成像信息可以包括例如来自X射线、计算机断层扫描(CT)、核磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或超声波的图像。卫生保健提供者(例如，医师)可以使用指示患者解剖结构的3D成像信息来识别一个或更多个目标肿瘤以及肿瘤附近的OAR。卫生保健提供者可以使用手动技术描绘要接收规定放射剂量的目标肿瘤，并且卫生保健提供者可以类似地描绘处于来自放射治疗的损害的风险中的附近的组织，例如器官。可替选地或另外地，可以使用自动工具(例如，由瑞典的Elekta公司提供的ABAS)来帮助识别或描绘目标肿瘤和处于风险的器官。然后可以基于临床和剂量测定的对象和约束(例如，对肿瘤体积的部分的最大放射剂量、最小放射剂量和部分放射剂量(“95％的目标应接受不少于100％的规定剂量”)，以及针对关键器官的类似措施)使用优化技术来创建放射疗法治疗计划(“治疗计划”)。优化的计划包括指定每个放射束的方向、截面形状和强度的数字参数。
然后，随后可以通过以下操作来执行治疗计划：将患者定位在治疗机器中并且递送由优化的计划参数指导的规定的放射疗法。放射疗法治疗计划可以包括剂量“分级”，从而在预定时间段内提供放射治疗的序列(例如，每天30至45个部分)，其中每个治疗包括总规定剂量的指定部分。然而，在治疗期间，患者的位置以及目标肿瘤相对于治疗机器(例如，线性加速器——“linac”)的位置非常重要，以确保辐射目标肿瘤而不辐射健康组织。
发明内容
在一些实施方式中，提供了一种用于基于投影图像生成放射疗法治疗机器参数的方法。该方法包括：接收描绘对象的解剖结构的图像；基于所接收的图像生成第一投影图像，该第一投影图像表示从放射疗法治疗机器的第一台架角度的解剖结构的视图；将经训练的机器学习模型应用于第一投影图像，以估计在第一台架角度下的多叶准直器(MLC)叶片位置的第一图形孔径图像表示，机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于不同视图的不同台架角度下的MLC叶片位置的相应的图形孔径图像表示之间的关系；以及基于所估计的第一图形孔径图像表示生成一个或更多个放射疗法治疗机器参数。
在一些实现方式中，机器学习模型包括深度卷积神经网络。
在一些实现方式中，通过调整机器学习模型的一个或更多个参数以使成本函数最小化来执行训练机器学习模型，该成本函数包括与表示患者解剖结构的不同视图的投影图像相对应的MLC叶片位置的图形孔径图像表示的预定集合与不同视图处的MLC叶片位置的图形孔径图像表示的预测集合之间的差。
在一些实现方式中，一个或更多个参数包括台架角度、MLC颌位置、MLC叶片位置或放射治疗射束强度中的至少一个。
在一些实现方式中，接收图像包括接收解剖结构的三维图像，还包括生成包括第一投影图像的多个二维投影图像，所述多个二维投影图像表示从多个不同的台架角度的解剖结构的多个二维视图。
在一些实现方式中，多个投影图像表示从0度到360度的解剖结构的视图。
在一些实现方式中，不同的台架角度彼此相差预定量。
在一些实现方式中，该方法包括：确定放射疗法治疗机器的类型，其中，一个或更多个放射疗法治疗机器参数是基于放射疗法治疗机器的类型生成的。
在一些实现方式中，图像包括计算机断层扫描(CT)图像、合成CT图像或磁共振(MR)图像。
在一些实现方式中，该方法还包括通过下述方式来训练机器学习模型：从先前治疗中获得表示患者解剖结构的不同视图的投影图像；对于先前治疗中的每个先前治疗：获得放射疗法治疗机器参数信息，该放射疗法治疗机器参数信息表示在与不同视图中的每个视图相对应的台架角度下的MLC叶片位置和与投影图像中的每个投影图像相对应的放射治疗射束强度；以及基于所获得的放射疗法治疗机器参数信息生成真实图形孔径图像表示；将所生成的真实图形孔径图像表示中的每个真实图形孔径图像表示与相对应的投影图像对准；以及基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整机器学习模型的一个或更多个参数。
在一些实现方式中，机器学习模型的一个或更多个参数是通过计算不同视图中的给定一个视图处的给定图形孔径图像表示与不同视图中的该给定一个视图的真实图形孔径图像表示中的相对应的一个真实图形孔径图像表示之间的偏差来调整的，该给定图形孔径图像表示是基于表示不同视图中的给定一个视图的给定投影图像来估计的。
在一些实现方式中，该方法包括：基于所生成的一个或更多个放射疗法治疗机器参数与放射疗法治疗计划的一组参数的比较来计算质量度量。
在一些实现方式中，该方法包括：基于所生成的一个或更多个放射疗法治疗机器参数来计算三维剂量分布。
在一些实现方式中，第一投影图像是通过射线跟踪或傅里叶重建生成的。
在一些实现方式中，提供了一种训练机器学习模型来估计多叶准直器(MLC)叶片位置的图形孔径图像表示的方法，该方法包括：获得第一投影图像，该第一投影图像表示来自先前治疗的患者解剖结构的第一视图；获得放射疗法治疗机器参数信息，该放射疗法治疗机器参数信息表示在与第一投影图像的第一视图相对应的台架角度下的MLC叶片位置；以及基于所获得的控制点信息生成第一真实图形孔径图像表示；以及基于第一真实图形孔径图像表示和第一投影图像来调整机器学习模型的一个或更多个参数。
在一些实现方式中，调整一个或更多个机器学习模型参数是通过下述方式来执行的：将机器学习模型应用于第一投影图像，以估计在与第一视图相对应的台架角度下的MLC叶片位置的图形孔径图像表示；计算所估计的图形孔径图像表示与第一真实图形图像表示之间的偏差；以及基于所计算的偏差来调整一个或更多个机器学习模型参数。
在一些实现方式中，放射疗法治疗机器参数信息还包括在台架角度下的放射治疗射束强度，该方法还包括将第一图形孔径图像表示与第一投影图像对准。
在一些实现方式中，提供了一种用于基于投影图像生成放射疗法治疗机器参数的系统，该系统包括：一个或更多个处理器，用于执行下述操作，所述操作包括：接收描绘对象的解剖结构的图像；基于所接收的图像生成第一投影图像，该第一投影图像表示从放射疗法治疗机器的第一台架角度的解剖结构的视图；将经训练的机器学习模型应用于第一投影图像，以估计在第一台架角度下的多叶准直器(MLC)叶片位置的第一图形孔径图像表示，机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于不同视图的不同台架角度下的MLC叶片位置的相应的图形孔径图像表示之间的关系；以及基于所估计的第一图形孔径图像表示生成一个或更多个放射疗法治疗机器参数。
在一些实现方式中，所述操作还包括：通过调整机器学习模型的一个或更多个参数以使成本函数最小化来训练机器学习模型，该成本函数包括与表示患者解剖结构的不同视图的投影图像相对应的MLC叶片位置的图形孔径图像表示的预定集合与不同视图处的MLC叶片位置的图形孔径图像表示的预测集合之间的差。
在一些实现方式中，所述操作还包括：接收解剖结构的三维图像，还包括：生成包括第一投影图像的多个二维投影图像，所述多个二维投影图像表示从多个不同的台架角度的解剖结构的多个二维视图。
在一些实现方式中，所述操作还包括通过下述方式训练机器学习模型：从先前治疗中获得表示患者解剖结构的不同视图的投影图像；对于先前治疗中的每个先前治疗：获得放射疗法治疗机器参数信息，该放射疗法治疗机器参数信息表示在与不同视图中的每个视图相对应的台架角度下的MLC叶片位置和与投影图像中的每个投影图像相对应的放射治疗射束强度；以及基于所获得的放射疗法治疗机器参数信息生成真实图形孔径图像表示；将所生成的真实图形孔径图像表示中的每个真实图形孔径图像表示与相对应的投影图像对准；以及基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整机器学习模型的一个或更多个参数。
在一些实现方式中，提供了一种非暂态机器可读存储介质，所述非暂态机器可读存储介质包括下述指令，所述指令当由机器的一个或更多个处理器执行时，使机器执行下述操作，所述操作包括：接收描绘对象的解剖结构的图像；基于所接收的图像生成第一投影图像，该第一投影图像表示从放射疗法治疗机器的第一台架角度的解剖结构的视图；将机器学习模型应用于第一投影图像，以估计在第一台架角度下的多叶准直器(MLC)叶片位置的第一图形孔径图像表示，机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于不同视图的不同台架角度下的MLC叶片位置的相应的图形孔径图像表示之间的关系；以及基于所估计的第一图形孔径图像表示生成一个或更多个放射疗法治疗机器参数。
在一些实现方式中，所述操作还包括：通过调整机器学习模型的一个或更多个参数以使成本函数最小化来训练机器学习模型，该成本函数包括与表示患者解剖结构的不同视图的投影图像相对应的MLC叶片位置的图形孔径图像表示的预定集合与不同视图处的MLC叶片位置的图形孔径图像表示的预测集合之间的差。
在一些实现方式中，所述操作还包括：接收解剖结构的三维图像，还包括：生成包括第一投影图像的多个二维投影图像，所述多个二维投影图像表示从多个不同的台架角度的解剖结构的多个二维视图。
在一些实现方式中，所述操作还包括通过下述方式训练机器学习模型：从先前治疗中获得表示患者解剖结构的不同视图的投影图像；对于先前治疗中的每个先前治疗：获得放射疗法治疗机器参数信息，该放射疗法治疗机器参数信息表示在与不同视图中的每个视图相对应的台架角度下的MLC叶片位置和与投影图像中的每个投影图像相对应的放射治疗射束强度；以及基于所获得的放射疗法治疗机器参数信息生成真实图形孔径图像表示；将所生成的真实图形孔径图像表示中的每个真实图形孔径图像表示与相对应的投影图像对准；以及基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整机器学习模型的一个或更多个参数。
以上概述旨在提供本专利申请的主题的概述。并不旨在提供本发明主题的排他性或详尽的解释。包括具体实施方式以提供关于本专利申请的进一步信息。
附图说明
在不一定按比例绘制的附图中，遍及若干视图，相似的附图标记描述基本上相似的部件。具有不同字母后缀的相似的附图标记表示基本上相似的部件的不同实例。附图通过示例的方式而非通过限制的方式整体示出了本文献中讨论的各种实施方式。
图1示出了根据本公开内容的一些实施方式的示例性放射治疗系统。
图2A示出了根据本公开内容的一些实施方式的可以包括被配置成提供治疗射束的放射疗法输出件的示例性放射治疗系统。
图2B示出了根据本公开内容的一些实施方式的包括组合的放射治疗系统和成像系统诸如锥形射束计算机断层扫描(CBCT)成像系统的示例性系统。
图3示出了根据本公开内容的一些实施方式的包括组合的放射治疗系统和成像系统诸如核磁共振(MR)成像(MRI)系统的示例性系统的局部剖视图。
图4A和图4B分别描绘了根据本公开内容的一些实施方式的示例性MRI图像与相对应的CT图像之间的差异。
图5示出了根据本公开内容的一些实施方式的用于成形、指导或调制放射疗法射束的强度的示例性准直器配置。
图6示出了根据本公开内容的一些实施方式的示例性伽玛刀放射治疗系统。
图7示出了根据本公开内容的一些实施方式的用于深度学习的示例性流程图。
图8A和图8B示出了根据本公开内容的一些实施方式的从不同方向的投影视图。
图9示出了根据本公开内容的一些实施方式的用于生成用于深度学习的训练数据的示例性方法。
图10示出了根据本公开内容的一些实施方式的用于使用投影图像和叶片位置的图形表示来训练深度学习的示例性方法。
图11示出了根据本公开内容的一些实施方式的用于训练机器学习模型并使用机器学习模型来生成放射治疗设备参数的示例性数据流。
图12示出了根据本公开内容的一些实施方式的用于使用经训练的深度学习根据从给定台架角度的给定解剖结构的视图的投影图像生成放射治疗设备参数的方法。
图13示出了可以实现如本文所讨论的方法中的一种或更多种方法的机器的示例性框图。
具体实施方式
在以下具体实施方式中，参照形成具体实施方式的一部分的附图，并且通过可以实践本公开内容的图示特定实施方式的方式示出具体实施方式。在本文中也被称为“示例”的这些实施方式被足够详细地描述以使得本领域技术人员能够实践本公开内容，并且应当理解，在不脱离本公开内容的范围的情况下，可以组合实施方式或者可以利用其他实施方式并且可以进行结构、逻辑和电气改变。因此，以下具体实施方式不是限制性的，并且本公开内容的范围由所附权利要求及其等同内容限定。
调强放射治疗(IMRT)和容积旋转调强放射治疗(volumetric modulated arctherapy，VMAT)已经成为现代癌症放射疗法中的护理标准。创建个体患者IMRT或VMAT治疗计划是反复试验的过程，该过程权衡目标剂量与OAR免受伤害的折衷并且调整计划约束，所述计划约束对计划质量度量和剂量分布的影响可能很难预料。实际上，调整计划约束的顺序本身可能导致剂量差异。治疗计划质量通常取决于计划者的主观判断，这些主观判断取决于他/她的经验和技能。即使是最熟练的计划者，仍然不能保证其计划接近最佳可能，或者一点或大量的努力是否将产生明显更好的计划。
本公开内容包括通过预测放射疗法治疗机器参数(也称为控制点)来改进和增强放射疗法治疗的各种技术，所述放射疗法治疗机器参数用于基于患者的描绘的解剖结构来递送预期的剂量分布。技术益处包括减少的放射疗法治疗计划创建时间，并且可以产生许多明显的医疗益处(包括提高放射疗法治疗的准确性、减少对非预期放射的暴露等)。所公开的技术可以适用于各种医疗和诊断设置或放射疗法治疗设备和装置。
本公开内容通过基于训练数据训练机器学习模型来预测或估计控制点，所述训练数据由成对的控制点和相对应的患者的图像组成。这些数据对被构造和对准成使得图像数据的每个元素对应于控制点数据的元素。然后，所公开的机器学习方法确定两个数据领域之间的映射或关系。该经学习的模型将图像数据和控制点数据相关联，而没有明确参考放射传输的物理学或参与从其提取训练数据的治疗计划的创建的许多细节。
根据一些实施方式，本公开内容直接学习用于共同诊断的示例性治疗计划的群体的参数(基于所述参数训练机器学习模型)，并且然后使用该模型仅基于新患者的描绘解剖结构来预测递送预期剂量分布所需的治疗机器参数设置。治疗参数包括线性加速器(linac)台架角度、通过其将治疗放射束投影在目标处的射束孔径形状以及射束的强度、用于递送电子或粒子治疗的任何参数等。本公开内容在给定患者的图像以及目标和OAR描绘的情况下估计驱动治疗机器的机器参数。
根据一些实施方式，使用一种基于深度神经网络的统计学习(深度学习)来获得患者解剖结构和治疗约束与将递送预期3D剂量分布的所得到的治疗机器参数设置之间的联系的更加详细的模型。这样的结果对于早期的计划质量分析中的任何分析是不可能的。通过采用机器学习模型，本公开内容产生了治疗计划过程的模型，封装了在计划创建期间做出的许多(主观的)决定，并且使得：产生计划模板以启动计划创建、评估现有计划的可能质量、帮助缺乏深度局部IMRT/VMAT专业知识的治疗诊所、以及完全自动化的治疗计划。通过使用深度学习来生成放射治疗装置的控制点和隐含的治疗计划，减少了总计划优化处理的计算复杂度，并且减少了针对给定患者创建治疗计划所需的时间。
具体地，根据一些实施方式，机器学习模型被训练成建立与放射治疗装置的台架的给定角度相对应的患者解剖结构的给定图像的投影与放射治疗装置的MLC叶片位置的图形孔径图像表示之间的关系。通过从先前治疗获得表示患者解剖结构的不同视图的投影图像来训练机器学习模型；并且对于先前治疗中的每个先前治疗：获得控制点信息——所述控制点信息表示在与不同视图中的每个视图相对应的台架角度下的MLC叶片位置和与投影图像中的每个投影图像相对应的放射治疗射束强度，以基于与投影图像成对的所获得的控制点信息来生成真实图形孔径图像(ground truth graphical aperture image)表示。随后，基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整机器学习模型的一个或更多个参数。一旦被训练，就获得新的患者投影图像，并且使用经训练的机器学习模型来估计放射治疗装置的MLC叶片位置的相对应的图形孔径图像表示。除了MLC叶片位置之外，其它实施方式还可以包括射束的强度的图形表示(例如，条形图)。
在一些实施方式中，然后基于所估计的MLC叶片位置的图形孔径图像表示来计算放射治疗装置的控制点。即，利用反向映射函数生成控制点(例如，射束强度、台架角度和/或MLC的各个叶片的MLC叶片位置)，以实现与所估计的MLC叶片位置的图形孔径图像表示相对应的射束。具体地，MLC叶片位置的图形孔径图像表示识别由放射治疗装置输出的所得到的射束形状，并且利用反向映射函数生成控制点，以提供由MLC叶片位置的图形孔径图像表示所表示的所得到的射束形状。
图1示出了用于向患者提供放射疗法的示例性放射治疗系统100。放射治疗系统100包括图像处理装置112。图像处理装置112可以连接至网络120。网络120可以连接至因特网122。网络120可以将图像处理装置112与下述中的一个或更多个连接：数据库124、医院数据库126、肿瘤学信息系统(OIS)128、放射治疗装置130、图像获取装置132、显示装置134和用户接口136。图像处理装置112可以被配置成生成要由放射治疗装置130使用的放射疗法治疗计划142。
图像处理装置112可以包括存储器装置116、处理器114和通信接口118。存储器装置116可以存储计算机可执行指令，例如操作系统143、放射疗法治疗计划142(例如，原始治疗计划、经调整的治疗计划等)、软件程序144(例如，人工智能、深度学习、神经网络、放射疗法治疗计划软件)以及要由处理器114执行的任何其他计算机可执行指令。在一个实施方式中，软件程序144可以通过产生合成图像诸如伪CT图像来将一种格式(例如，MRI)的医学图像转换成另一种格式(例如，CT)。例如，软件程序144可以包括图像处理程序，该图像处理程序用以训练用于将一种模态的医学图像146(例如，MRI图像)转换成不同模态的合成图像(例如，伪CT图像)的预测模型；可替选地，经训练的预测模型可以将CT图像转换为MRI图像。在另一实施方式中，软件程序144可以将患者图像(例如，CT图像或MR图像)与该患者的剂量分布(也表示为图像)配准，使得相对应的图像体素和剂量体素通过网络适当地关联。在又一实施方式中，软件程序144可以替代患者图像的功能，例如签名的距离功能或强调图像信息的一些方面的图像的处理版本。这样的功能可能强调体素纹理的边缘或差异，或对神经网络学习有用的任何其他结构方面。在另一实施方式中，软件程序144可以替代剂量分布的强调剂量信息的一些方面的功能。这样的功能可能强调目标周围的陡峭梯度或对神经网络学习有用的任何其他结构方面。存储器装置116可以存储数据，包括医学图像146、患者数据145以及创建和实现放射疗法治疗计划142所需的其他数据。
在又一实施方式中，软件程序144可以针对描绘解剖结构(例如，一个或更多个目标和一个或更多个OAR)的二维(2D)CT图像或MR图像和/或3D CT图像或MR图像的集合生成投影图像，所述投影图像表示从放射治疗设备的第一台架角度的解剖结构的不同视图。例如，软件程序144可以处理CT图像或MR图像的集合并且创建投影图像的堆叠，所述投影图像描绘了从放射治疗设备的台架的各种视角的CT图像或MR图像中描绘的解剖结构的不同视图。特别地，一种投影图像可以表示从台架的0度的解剖结构的视图，第二投影图像可以表示从台架的45度的解剖结构的视图，而第三投影图像可以表示从台架的90度的解剖结构的视图。所述度数可以是MLC相对于CT图像或MR图像中描绘的解剖结构的特定轴的位置。对于被测量的不同度数中的每个度数，轴可以保持相同。
在又一实施方式中，软件程序144可以生成在各种台架角度下的MLC叶片位置的图形孔径图像表示。这些图形孔径图像也称为孔径图像。特别地，软件程序144可以接收用于控制放射治疗装置以产生放射治疗射束的一组控制点。控制点可以表示射束强度、相对于患者位置的台架角度以及MLC的叶片位置等机器参数。基于这些控制点可以生成图形图像，来以图形方式表示在每个特定台架角度下由MLC输出的射束形状和强度。软件程序144可以将在特定台架角度下的孔径的每个图形图像与所生成的该角度下的相对应的投影图像对准。图像与投影对准并且按比例缩放，使得每个投影图像像素与相对应的孔径图像像素对准。
在又一实施方式中，软件程序144存储治疗计划软件，该治疗计划软件包括经训练的机器学习模型，以针对表示从给定台架角度的解剖结构的视图的投影图像来生成或估计在给定台架角度下的MLC叶片位置的图形孔径图像表示。软件程序144还可以存储转换或计算给定类型的机器的机器参数或控制点以从MLC输出射束的功能，该射束实现MLC叶片位置的相同或相似的估计的图形孔径图像表示。即，治疗计划软件可以输出表示针对给定台架角度和针对该台架在该角度下的给定投影图像的射束形状和强度的估计图像的图像，并且该功能可以计算针对给定放射治疗装置的控制点以实现该射束形状和强度。
除了存储软件程序144的存储器116之外，可以设想，软件程序144可以存储在可移除计算机介质上，可移除计算机介质诸如是硬盘驱动器、计算机盘、CD-ROM、DVD、HD、蓝光DVD、USB闪存驱动器、SD卡、记忆棒或任何其他合适的介质；并且软件程序144在被下载至图像处理装置112时可以由图像处理器114执行。
处理器114可以通信地耦接至存储器装置116，并且处理器114可以被配置成执行存储在存储器装置116上的计算机可执行指令。处理器114可以向存储器116发送医学图像146或者接收医学图像146。例如，处理器114可以经由通信接口118和网络120从图像获取装置132接收医学图像146以存储在存储器116中。处理器114还可以将存储在存储器116中的医学图像146经由通信接口118发送至网络120以存储在数据库124或医院数据库126中。
此外，处理器114可以利用软件程序144(例如，治疗计划软件)以及医学图像146和患者数据145来创建放射疗法治疗计划142。医学图像146可以包括诸如与患者解剖区域、器官或感兴趣的分割数据量相关联的成像数据的信息。患者数据145可以包括下述信息，例如：(1)功能性器官建模数据(例如，串行器官与并行器官、适当的剂量响应模型等)；(2)放射剂量数据(例如，DVH信息)；或(3)关于患者和治疗过程的其他临床信息(例如，其他手术、化学治疗、先前的放射治疗等)。
另外，处理器114可以利用软件程序来生成中间数据，诸如例如将由机器学习模型诸如神经网络模型使用的更新后的参数；或者生成中间2D图像或3D图像，然后，所述中间2D图像或3D图像可以随后被存储在存储器116中。然后，处理器114可以随后经由到网络120的通信接口118将可执行的放射疗法治疗计划142传送至放射治疗装置130，在该放射治疗装置130中放射治疗计划将被用于利用放射治疗患者。另外，处理器114可以执行软件程序144以实现诸如图像转换、图像分割、深度学习、神经网络和人工智能的功能。例如，处理器114可以执行训练医学图像或对医学图像进行轮廓描绘的软件程序144；这样的软件程序144在被执行时可以训练边界检测器或利用形状字典(shape dictionary)。
处理器114可以是处理装置，包括一个或更多个通用处理装置，例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等。更具体地，处理器114可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器或实现指令集的组合的处理器。处理器114还可以由一个或更多个专用处理装置诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等来实现。如本领域技术人员将理解的，在一些实施方式中，处理器114可以是专用处理器而不是通用处理器。处理器114可以包括一个或更多个已知的处理装置，例如来自由IntelTM制造的PentiumTM、CoreTM、XeonTM或系列的微处理器、来自由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列的微处理器或者由Sun Microsystems制造的各种处理器中的任何处理器。处理器114还可以包括图形处理单元，例如来自由NvidiaTM制造的/>系列、由IntelTM制造的GMA、IrisTM系列或者由AMDTM制造的RadeonTM系列的GPU。处理器114还可以包括加速处理单元，例如由IntelTM制造的Xeon PhiTM系列。所公开的实施方式不限于以其他方式被配置成满足识别、分析、维护、生成和/或提供大量数据或操纵这样的数据以执行本文中公开的方法的计算需求的任何类型的处理器。另外，术语“处理器”可以包括多于一个处理器(例如，多核设计或各自具有多核设计的多个处理器)。处理器114可以执行存储在存储器116中的计算机程序指令序列，以执行以下将更详细地说明的各种操作、处理、方法。
存储器装置116可以存储医学图像146。在一些实施方式中，医学图像146可以包括一个或更多个MRI图像(例如，2D MRI、3D MRI、2D流式MRI、四维(4D)MRI、4D体积MRI、4D影像(cine)MRI等)、功能性MRI图像(例如，fMRI、DCE-MRI、扩散MRI)、CT图像(例如，2D CT、锥形射束CT、3D CT、4D CT)、超声图像(例如，2D超声、3D超声、4D超声)、表示MRI中描绘的解剖结构的视图的一个或更多个投影图像、合成CT(伪CT)和/或台架相对于患者轴的不同角度下的CT图像、PET图像、X射线图像、荧光透视图像、放射治疗射野(portal)图像、SPECT图像、计算机生成的合成图像(例如，伪CT图像)、孔径图像、在不同台架角度下的MLC叶片位置的图形孔径图像表示等。此外，医学图像146还可以包括医学图像数据，例如，训练图像以及真实图像(ground truth image)、轮廓图像以及剂量图像。在实施方式中，可以从图像获取装置132接收医学图像146。因此，图像获取装置132可以包括MRI成像装置、CT成像装置、PET成像装置、超声成像装置、荧光透视装置、SPECT成像装置、集成的线性加速器和MRI成像装置、或者用于获得患者的医学图像的其他医学成像装置。可以以图像处理装置112可以使用以执行符合所公开的实施方式的操作的任何数据类型或任何格式类型来接收和存储医学图像146。
存储器装置116可以是非暂态计算机可读介质，例如只读存储器(ROM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、闪速存储器、随机存取存储器(RAM)、动态随机存取存储器(DRAM)诸如同步DRAM(SDRAM)、电可擦除可编程只读存储器(EEPROM)、静态存储器(例如，闪速存储器、闪存盘、静态随机存取存储器)以及其他类型的随机存取存储器、高速缓冲存储器、寄存器、CD-ROM、DVD或其他光存储装置、盒式磁带、其他磁性存储装置、或者可以用于存储包括能够被处理器114或任何其他类型的计算机装置访问的(例如，以任何格式存储的)图像、数据或计算机可执行指令的信息的任何其他非暂态介质。计算机程序指令可以被处理器114访问、被从ROM或任何其他合适的存储器位置读取并被加载至RAM中以供处理器114执行。例如，存储器116可以存储一个或更多个软件应用。存储器116中存储的软件应用可以包括例如用于公共计算机系统以及用于受软件控制的装置的操作系统143。此外，存储器116可以存储可由处理器114执行的整个软件应用或软件应用的仅一部分。例如，存储器装置116可以存储一个或更多个放射疗法治疗计划142。
图像处理装置112可以经由通信接口118与网络120进行通信，通信接口118可以通信地耦接至处理器114和存储器116。通信接口118可以提供图像处理装置112与放射治疗系统100部件之间的通信连接(例如，允许与外部装置交换数据)。例如，在一些实施方式中，通信接口118可以具有适当的接口电路系统以连接至用户接口136，用户接口136可以是用户可以通过其将信息输入至放射治疗系统100中的硬件键盘、小键盘或触摸屏幕。
通信接口118可以包括例如网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器(例如，诸如光纤、USB3.0、雷电(thunderbolt)等)、无线网络适配器(例如，诸如WiFi适配器)、电信适配器(例如，3G、4G/LTE等)等。通信接口118可以包括一个或更多个数字通信装置和/或模拟通信装置，所述一个或更多个数字通信装置和/或模拟通信装置允许图像处理装置112经由网络120与其他机器和装置(例如，远程定位的部件)进行通信。
网络120可以提供局域网(LAN)、无线网络、云计算环境(例如，软件即服务、平台即服务、基础设施即服务等)、客户端-服务器、广域网(WAN)等的功能。例如，网络120可以是LAN或WAN，其可以包括其他系统S1(138)、S2(140)和S3(141)。系统S1、S2和S3可以与图像处理装置112相同，或者可以是不同的系统。在一些实施方式中，网络120中的系统中的一个或更多个系统可以形成协作地执行本文中描述的实施方式的分布式计算/模拟环境。在一些实施方式中，一个或更多个系统S1、S2和S3可以包括获得CT图像(例如，医学图像146)的CT扫描仪。另外，网络120可以连接至因特网122以与远程驻留在互联网上的服务器和客户端进行通信。
因此，网络120可以允许图像处理装置112与多个不同的其他系统和装置诸如OIS128、放射治疗装置130和图像获取装置132之间的数据传输。此外，由OIS 128和/或图像获取装置132生成的数据可以被存储在存储器116、数据库124和/或医院数据库126中。根据需要，数据可以通过通信接口118经由网络120发送/接收以便由处理器114访问。
图像处理装置112可以通过网络120与数据库124进行通信以发送/接收在数据库124上存储的多种不同类型的数据。例如，数据库124可以包括机器数据(控制点)，所述机器数据(控制点)包括与放射治疗装置130、图像获取装置132或与放射治疗有关的其他机器相关联的信息。机器数据信息可以包括控制点，例如放射束尺寸、弧放置、射束开启和关闭的持续时间、机器参数、分割、MLC配置、台架速度、MRI脉冲序列等。数据库124可以是存储装置并且可以配备有适当的数据库管理软件程序。本领域技术人员将理解，数据库124可以包括以中央式方式或分布式方式定位的多个装置。
在一些实施方式中，数据库124可以包括处理器可读存储介质(未示出)。虽然实施方式中的处理器可读存储介质可以是单个介质，但是术语“处理器可读存储介质”应当被视为包括存储一组或更多组计算机可执行指令或数据的单个介质或多个介质(例如，集中式数据库或分布式数据库，和/或相关联的高速缓存和服务器)。术语“处理器可读存储介质”还应当被视为包括能够存储或编码指令集的任何介质，所述指令集由处理器执行并且使处理器执行本公开内容的方法中的任何一种或更多种方法。因此，术语“处理器可读存储介质”应当被视为包括但不限于固态存储器、光学介质和磁介质。例如，处理器可读存储介质可以是一个或更多个易失性、非暂态或者非易失性有形计算机可读介质。
图像处理器114可以与数据库124进行通信以将图像读取到存储器116中或者将来自存储器116的图像存储到数据库124。例如，数据库124可以被配置成存储数据库124从图像获取装置132接收的多个图像(例如，3D MRI、4D MRI、2D MRI切片图像、CT图像、2D荧光透视图像、X射线图像、来自MR扫描或CT扫描的原始数据、医学数字成像与通信(DIMCOM)数据、投影图像、图形孔径图像等)。数据库124可以存储图像处理器114在执行软件程序144时或在创建放射疗法治疗计划142时要使用的数据。数据库124可以存储由经训练的机器学习模式例如神经网络所产生的数据，包括构成由网络学习的模型的网络参数和所得到的预测数据。图像处理装置112可以从数据库124、放射治疗装置130(例如，MRI-linac)和或图像获取装置132接收成像数据诸如医学图像146(例如，2D MRI切片图像、CT图像、2D荧光透视图像、X射线图像、3D MRI图像、4D MRI图像、投影图像、图形孔径图像等)，以生成治疗计划142。
在一个实施方式中，放射治疗系统100可以包括图像获取装置132，该图像获取装置132可以获取患者的医学图像(例如，MRI图像、3D MRI、2D流式MRI、4D体积MRI、CT图像、锥形射束CT、PET图像、功能性MRI图像(例如，fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、SPECT图像等)。图像获取装置132例如可以是MRI成像装置、CT成像装置、PET成像装置、超声装置、荧光透视装置、SPECT成像装置或者用于获得患者的一个或更多个医学图像的任何其他合适的医学成像装置。由图像获取装置132获取的图像可以作为成像数据和/或测试数据存储在数据库124内。通过示例的方式，由图像获取装置132获取的图像也可以作为医学图像146由图像处理装置112存储在存储器116中。
在一个实施方式中，例如，图像获取装置132可以与放射治疗装置130集成为单个设备(例如，MRI-linac)。这样的MRI-linac可以用于例如确定患者体内的目标器官或目标肿瘤的位置，以根据放射疗法治疗计划142将放射疗法准确地引导至预定目标。
图像获取装置132可以被配置成针对感兴趣区域(例如，目标器官、目标肿瘤或两者)获取患者的解剖结构的一个或更多个图像。每个图像——通常是2D图像或切片——可以包括一个或更多个参数(例如，2D切片厚度、取向和位置等)。在一个实施方式中，图像获取装置132可以获取在任何取向上的2D切片。例如，2D切片的取向可以包括矢状取向(sagittal orientation)、冠状取向(coronal orientation)或轴向取向。处理器114可以对诸如2D切片的厚度和/或取向的一个或更多个参数进行调整以包括目标器官和/或目标肿瘤。在一个实施方式中，可以根据诸如3D MRI体积的信息来确定2D切片。例如，在使用放射治疗装置130的情况下，在患者正在进行放射疗法治疗的同时可以由图像获取装置132“实时”获取这样的2D切片，其中“实时”意味着至少以数毫秒或更短时间来获取数据。
图像处理装置112可以生成并且存储一个或更多个患者的放射疗法治疗计划142。放射疗法治疗计划142可以提供关于要施加给每个患者的特定放射剂量的信息。放射疗法治疗计划142还可以包括其他放射治疗信息，例如控制点，包括射束角度、台架角度、射束强度、剂量直方图体积信息、治疗期间要使用的放射束的数量、每射束的剂量等。
图像处理器114可以通过使用软件程序144例如治疗计划软件(例如，由瑞典斯德哥尔摩的Elekta AB公司制造的)来生成放射疗法治疗计划142。为了生成放射疗法治疗计划142，图像处理器114可以与图像获取装置132(例如，CT装置、MRI装置、PET装置、X射线装置、超声装置等)进行通信以访问患者的图像并且描绘目标诸如肿瘤。在一些实施方式中，可能需要一个或更多个OAR诸如肿瘤围围或接近肿瘤的健康组织的描绘。因此，在OAR靠近目标肿瘤时，可以执行对OAR的分割。另外，如果目标肿瘤靠近OAR(例如，接近膀胱和直肠的前列腺)，则通过将OAR从肿瘤分割，放射治疗系统100可以不仅研究目标中的剂量分布，而且研究OAR中的剂量分布。
为了从OAR描绘目标器官或目标肿瘤，可以通过图像获取装置132非侵入式地获得经历放射治疗的患者的医学图像例如MRI图像、CT图像、PET图像、fMRI图像、X射线图像、超声图像、放射治疗射野图像、SPECT图像等，以揭露身体部位的内部结构。基于来自医学图像的信息，可以获得相关解剖部分的3D结构。另外，在治疗计划过程期间，可以考虑许多参数以实现对目标肿瘤的有效率的治疗(例如，使得目标肿瘤接收足够的放射剂量以便有效治疗)与对OAR的低辐射(例如，OAR接收尽可能低的放射剂量)之间的平衡。可以考虑的其他参数包括目标器官和目标肿瘤的位置、OAR的位置以及目标相对于OAR的运动。例如，可以通过在MRI图像或CT图像的每个2D层或切片内对目标进行轮廓描绘或对OAR进行轮廓描绘并且将每个2D层或切片的轮廓进行组合来获得3D结构。可以手动地(例如，由医师、剂量师或医护人员使用程序例如由瑞典斯德哥尔摩的Elekta AB公司制造的MONACOTM)或自动地(例如，使用程序例如由瑞典斯德哥尔摩的Elekta AB公司制造的基于Atlas的自动分割软件ABASTM)生成轮廓。在某些实施方式中，可以通过治疗计划软件自动生成目标肿瘤或OAR的3D结构。
在目标肿瘤和(一个或多个)OAR已经被定位并且描绘之后，剂量师、医师或医护人员可以确定要施加至目标肿瘤的放射剂量以及可以由接近肿瘤的OAR(例如，左右腮腺、视神经、眼睛、晶状体、内耳、脊髓、脑干等)接收的剂量的任何最大量。在针对每个解剖结构(例如，目标肿瘤、OAR)确定了放射剂量之后，可以执行已知为逆向计划的处理以确定将实现期望的放射剂量分布的一个或更多个治疗计划参数。治疗计划参数的示例包括体积描绘参数(例如，其限定目标体积、轮廓敏感结构等)、目标肿瘤和OAR周围的边缘、射束角度选择、准直器设置和射束开启时间。在逆向计划处理期间，医师可以限定剂量约束参数，所述剂量约束参数设定OAR可以接受多少放射的界限(例如，限定对肿瘤目标的全剂量和对任何OAR的零剂量；限定对目标肿瘤的95％的剂量；限定脊髓、脑干和视神经结构分别接受≤45Gy、≤55Gy和<54Gy)。逆向计划的结果可以构成可以被存储在存储器116或数据库124中的放射疗法治疗计划142。这些治疗参数中的一些可以是相关的。例如，调整一个参数(例如，针对不同对象的权重，例如增加对目标肿瘤的剂量)以试图改变治疗计划可能会影响至少一个其他参数，这进而可能导致不同的治疗计划的发展。因此，图像处理装置112可以生成具有这些参数的定制的放射疗法治疗计划142以便放射治疗装置130向患者提供放射疗法治疗。
另外，放射治疗系统100可以包括显示装置134和用户接口136。显示装置134可以包括向用户显示医学图像、接口信息、治疗计划参数(例如，投影图像、图形孔径图像、轮廓、剂量、射束角度等)、治疗计划、目标、定位目标和/或跟踪目标或者任何相关信息的一个或更多个显示屏。用户接口136可以是键盘、小键盘、触摸屏或用户可以向放射治疗系统100输入信息的任何类型的装置。可替选地，显示装置134和用户接口136可以集成至诸如平板计算机(例如，苹果联想/>三星/>等)的装置中。
此外，放射治疗系统100的任何部件和所有部件可以被实现为虚拟机(例如，VMWare、Hyper-V等)。例如，虚拟机可以是充当硬件的软件。因此，虚拟机可以至少包括一起充当硬件的一个或更多个虚拟处理器、一个或更多个虚拟存储器和一个或更多个虚拟通信接口。例如，图像处理装置112、OIS 128、图像获取装置132可以被实现为虚拟机。在给定可用的处理能力、存储器和计算能力的情况下，整个放射治疗系统100可以被实现为虚拟机。
图2A示出了示例性放射治疗装置202，其可以包括放射源诸如X射线源或线性加速器、床216、成像检测器214和放射疗法输出件204。放射治疗装置202可以被配置成发射放射束208以向患者提供治疗。放射疗法输出件204可以包括一个或更多个衰减器或准直器，例如如下面图5的说明性实施方式中描述的MLC。
返回参照图2A，患者可以被定位在区域212中并且由治疗床216支承以根据放射疗法治疗计划接受放射疗法剂量。放射疗法输出件204可以被安装或附接至台架206或其他机械支承件。当床216被插入治疗区域中时，一个或更多个底盘电机(未示出)可以使台架206和放射疗法输出件204围绕床216旋转。在一个实施方式中，当床216被插入治疗区域中时，台架206可以围绕床216连续地旋转。在另一实施方式中，当床216被插入治疗区域中时，台架206可以旋转至预定位置。例如，台架206可以被配置成使治疗输出件204围绕轴(“A”)旋转。床216和放射疗法输出件204两者均可以独立地移动至患者周围的其他位置，例如，可沿横向方向(“T”)移动、可沿侧向方向(“L”)移动，或者作为围绕一个或更多个其他轴的旋转，例如围绕横轴(表示为“R”)的旋转。通信上连接至一个或更多个致动器(未示出)的控制器可以控制床216移动或旋转，以便根据放射疗法治疗计划将患者适当地定位在放射束208之内或之外。床216和台架206两者均可以以多个自由度彼此独立地移动，这使得患者能够被定位成使得放射束208可以精确地瞄准肿瘤。MLC可以被集成并包括在台架206内以递送特定形状的放射束208。
图2A中所示的坐标系(包括轴A、T和L)可以具有位于等中心点210处的原点。等中心点可以被限定为放射束208的中心轴与坐标轴的原点相交的位置，以便将规定的放射剂量递送至患者身上或患者体内的位置。可替选地，等中心点210可以被限定为下述位置：在该位置处，对于由台架206定位的放射疗法输出件204围绕轴A的各种旋转位置，放射束208的中心轴与患者相交。如本文所讨论的，台架角度对应于台架206相对于轴A的位置，尽管任何其他轴或轴的组合都可以被参考并且用于确定台架角度。
台架206还可以具有附接的成像检测器214。成像检测器214优选地位于放射源的对面，并且在一个实施方式中，成像检测器214可以位于治疗射束208的场内。
成像检测器214可以安装在台架206上(优选地与放射疗法输出件204相对)，以保持与治疗射束208对准。成像检测器214随着台架206旋转而围绕旋转轴旋转。在一个实施方式中，成像检测器214可以是平板检测器(例如，直接检测器或闪烁体检测器)。以这种方式，成像检测器214可以用于监测治疗射束208，或者成像检测器214可以用于对患者的解剖结构进行成像，例如射野成像。放射治疗装置202的控制电路系统可以集成在系统100内或远离系统100。
在说明性实施方式中，床216、治疗输出件204或台架206中的一个或更多个可以被自动地定位，并且治疗输出件204可以根据针对特定治疗递送实例的指定剂量来建立治疗射束208。可以根据放射疗法治疗计划(例如，使用台架206、床216或治疗输出件204的一个或更多个不同的取向或位置)来指定治疗递送序列。治疗递送可以依次发生，但是可以在患者身上或患者体内的期望治疗部位中(例如，在等中心点210处)交叉。由此可以将放射疗法的规定的累积剂量递送至治疗部位，同时可以减少或避免对治疗部位附近的组织的损害。
图2B示出了示例性放射治疗装置202，其可以包括组合的线性加速器和成像系统，例如可以包括CT成像系统。放射治疗装置202可以包括MLC(未示出)。CT成像系统可以包括诸如以千电子伏特(keV)能量范围提供X射线能量的成像X射线源218。成像X射线源218可以提供指向成像检测器222诸如平板检测器的扇形和/或锥形射束208。放射治疗装置202可以类似于关于图2A所描述的系统，例如包括放射疗法输出件204、台架206、床216和另一成像检测器214(例如，平板检测器)。X射线源218可以提供用于成像的相对较低能量的X射线诊断射束。
在图2B的说明性实施方式中，放射疗法输出件204和X射线源218可以被安装在同一旋转台架206上，彼此旋转分开90度。在另一实施方式中，可以沿着台架206的外围安装两个或更多个X射线源，例如每个X射线源具有其自己的检测器布置以同时提供多角度的诊断成像。类似地，可以设置多个放射疗法输出件204。
图3描绘了示例性放射治疗系统300，其可以包括组合放射治疗装置202和成像系统诸如符合所公开的实施方式的核MR成像系统(例如，本领域中已知为MR-linac)。如图所示，系统300可以包括床216、图像获取装置320和放射递送装置330。系统300根据放射疗法治疗计划向患者递送放射疗法。在一些实施方式中，图像获取装置320可以对应于图1中的可以获取第一模态的原始图像(例如，图4A中所示的MRI图像)或者第二模态的目标图像(例如，图4B中所示的CT图像)的图像获取装置132。
床216可以在治疗阶段期间支承患者(未示出)。在一些实现方式中，床216可以沿着水平平移轴(标记为“I”)移动，使得床216可以将躺在床216上的患者移入和/或移出系统300。床216还可以围绕横向于平移轴的中心竖直旋转轴旋转。为了允许这样的移动或旋转，床216可以具有使床能够在各个方向上移动并且沿着各个轴旋转的电机(未示出)。控制器(未示出)可以控制这些运动或旋转以便根据治疗计划适当地定位患者。
在一些实施方式中，图像获取装置320可以包括用于在治疗阶段之前、期间和/或之后获取患者的2D MRI图像或3D MRI图像的MRI机器。图像获取装置320可以包括用于生成用于磁共振成像的主磁场的磁体321。通过磁体321的操作而生成的磁场线可以基本上平行于中心平移轴I延伸。磁体321可以包括具有平行于平移轴I延伸的轴的一个或更多个线圈。在一些实施方式中，磁体321中的一个或更多个线圈可以间隔开，使得磁体321的中心窗口323没有线圈。在其他实施方式中，磁体321中的线圈可以足够薄或具有减小的密度，使得线圈对于由放射治疗装置330生成的波长的放射基本上是透射的。图像获取装置320还可以包括一个或更多个屏蔽线圈，所述一个或更多个屏蔽线圈可以在磁体321外部生成近似相等的幅度和相反极性的磁场，以便消除或减小磁体321外部的任何磁场。如下所述，放射治疗装置330的放射源331可以被定位在磁场至少被消除至一阶或被减小的区域中。
图像获取装置320还可以包括两个梯度线圈325和326，这两个梯度线圈325和326可以生成叠加在主磁场上的梯度磁场。线圈325和326可以在所得到的磁场中生成梯度，该梯度使得能够对质子进行空间编码以使得质子的位置可以被确定。梯度线圈325和326可以围绕与磁体321的公共中心轴被定位，并且可以沿着该中心轴被移位。该移位可以在线圈325与线圈326之间产生间隙或窗口。在磁体321还可以包括线圈之间的中心窗口323的实施方式中，两个窗口可以彼此对准。
在一些实施方式中，图像获取装置320可以是除MRI之外的成像装置，例如X射线、CT、CBCT、螺旋CT、PET、SPECT、光学断层扫描、荧光成像、超声成像、放射治疗射野成像装置等。如本领域的普通技术人员将认识到的，图像获取装置320的以上描述涉及某些实施方式，而不旨在是限制性的。
放射治疗装置330可以包括放射源331诸如X射线源或线性加速器以及MLC 332(下面在图5中示出)。放射治疗装置330可以被安装在底盘335上。当床216被插入治疗区域中时，一个或更多个底盘电机(未示出)可以使底盘335围绕床216旋转。在一个实施方式中，当床216被插入治疗区域中时，底盘335可以围绕床216连续地旋转。底盘335还可以具有附接的放射检测器(未示出)，该放射检测器优选地位于与放射源331相对并且其中底盘335的旋转轴定位在放射源331与检测器之间。此外，装置330可以包括用于控制例如床216、图像获取装置320和放射治疗装置330中的一个或更多个的控制电路系统(未示出)。放射治疗装置330的控制电路系统可以集成在系统300内或远离系统300。
在放射疗法治疗阶段期间，患者可以被定位在床216上。然后系统300可以将床216移动至由磁体321和线圈325、326以及底盘335限定的治疗区域中。控制电路系统然后可以控制放射源331、MLC 332和底盘电机以根据放射疗法治疗计划通过线圈325与线圈326之间的窗口将放射递送至患者。
图2A、图2B和图3大体示出了被配置成向患者提供放射疗法治疗的放射治疗装置的实施方式，包括放射疗法输出件可以围绕中心轴(例如，轴“A”)旋转的配置。可以使用其他放射疗法输出件配置。例如，放射疗法输出件可以被安装至具有多个自由度的机械臂或操纵器。在又一实施方式中，治疗输出件可以是固定的(例如，位于与患者横向分开的区域中)，并且可以使用支承患者的平台来将放射疗法等中心点与患者体内的指定目标部位对准。
如上所述，由图2A、图2B和图3描述的放射治疗装置包括用于将放射疗法射束的强度成形、引导或调制至患者体内的指定目标部位的MLC。图5示出了示例性MLC 332，其包括叶片532A至叶片532J，所述叶片532A至叶片532J可以被自动定位以限定近似肿瘤540横截面或投影的孔径。叶片532A至叶片532J允许放射疗法射束的调制。根据放射治疗计划，叶片532A至叶片532J可以由被指定用于衰减或阻挡除了孔径之外的区域中的放射束的材料制成。例如，叶片532A至叶片532J可以包括金属板(例如，包括钨)，其中板的长轴平行于射束方向取向，并且具有与射束方向正交取向的端部(如图2A的图示平面中所示)。MLC 332的“状态”可以在放射疗法治疗的过程期间自适应地调整，以便建立更好地接近肿瘤540或其它目标部位的形状或位置的治疗射束。这是与使用静态准直器配置相比，或者与使用专门使用“离线”治疗计划技术确定的MLC 332配置相比。使用MLC 332对肿瘤或肿瘤内的特定区域产生指定放射剂量分布的放射疗法技术可以被称为IMRT。使用MLC 332输出的所得到的射束形状被表示为图形孔径图像。即，生成给定的图形孔径图像以表示射束在通过MLC 332并由MLC 332输出之后的外观(射束形状)及其强度。
图6示出了根据本公开内容的一些实施方式的另一类型的放射治疗装置630(例如，莱克塞尔(Leksell)伽马刀)的实施方式。如图6中所示，在放射疗法治疗阶段中，患者602可以佩戴坐标框架620以保持进行手术或放射治疗的患者的身体部分(例如，头部)稳定。坐标框架620和患者定位系统622可以建立空间坐标系统，该空间坐标系统可以在对患者成像时或在放射手术期间使用。放射治疗装置630可以包括保护壳体614以封闭多个放射源612。放射源612可以生成通过射束通道616的多个放射束(例如，子射束(beamlet)。多个放射束可以被配置成从不同方向聚焦在等中心点210上。虽然每个单独的放射束可以具有相对低的强度，但是当来自不同放射束的多个剂量在等中心点210处累积时，等中心点210可以接收相对高水平的放射。在某些实施方式中，等中心点210可以对应于手术或治疗中的目标，例如肿瘤。
图7示出了用于深度学习的示例性流程图，其中可以对深度学习模型(或机器学习模型)诸如深度卷积神经网络(DCNN)进行训练并将其用于确定用于治疗计划的机器参数。输入704可以包括具有一组初始值和训练数据的定义的深度学习模型。训练数据可以包括患者图像和预期结果。训练数据还可以包括基于患者图像的数据，例如解剖结构标记图或带符号的距离图中的一个或更多个。训练数据还可以包括成对的数据，该成对的数据包括从台架相对于患者或解剖结构的给定角度的患者解剖结构的投影图像，该投影图像与在该给定角度下的MLC的叶片的图形孔径图像表示成对。训练数据可以包括在任何数量的不同台架角度下的多个患者的多个这些成对的图像。在一些情况下，训练数据可以包括360对投影图像和图形孔径图像，针对每个训练患者的台架的每个角度各一对投影图像和图形孔径图像。在一些情况下，可以包括8对，其中每对表示解剖结构相对于台架的不同的45度视图。
深度学习模型可以包括神经网络，例如深度卷积神经网络(DCNN)。深度学习网络可以在医学图像上进行训练，所述医学图像例如表示根据CT图像、PET图像或MRI图像的在不同台架角度下的解剖结构的不同视图的解剖结构的投影图像，以及在不同台架角度中的每个台架角度下的MLC的叶片的相对应的图形孔径图像表示。在被训练时，深度学习网络可以仅使用基于该患者的CT图像或MRI图像生成的特定台架角度下的投影图像，来产生患者的在该特定台架角度下的MLC的叶片的这种图形孔径图像表示的估计。预期结果可以包括MLC的叶片的估计的图形孔径图像表示，该估计的图形孔径图像表示可以用于计算控制点，以用于生成相应的台架角度下的射束形状，从而限定对患者的放射治疗的递送。控制点或机器参数可以包括至少一个台架角度、至少一个多叶准直器叶片位置以及至少一个孔径权重或强度。
在一些实施方式中，不同台架角度下的投影图像可以与该角度处的不同机器参数配对。在这种情况下，不是训练机器学习模型来估计在不同台架角度下的不同投影图像的图形孔径图像，而是可以训练机器学习模型来针对每个角度下的给定投影图像直接估计在该角度下的机器参数。在这种情况下，可以根据患者解剖结构的一个或更多个CT图像或MR图像生成投影图像，该投影图像表示从台架的给定角度的解剖结构的视图。投影图像被输入至经训练的机器学习模型中，该机器学习模型针对台架的给定角度估计该投影图像的相应机器参数。
在深度学习模型的训练708期间，可以从患者图像和预期结果中选择一批训练数据。所选择的训练数据可以包括表示从给定台架角度的患者解剖结构的视图的患者解剖结构的至少一个投影图像，以及在该给定台架角度下的相对应的真实的图形孔径图像和/或机器参数数据。所选择的训练数据可以包括表示从多个等距或非等距的台架角度(例如，从0度、从15度、从45度、从60度、从75度、从90度、从105度、从120度、从135度、从150度、从165度、从180度、从195度、从210度、从225度、从240度、从255度、从270度、从285度、从300度、从315度、从330度、从345度和/或从360度)的同一患者解剖结构的视图的患者解剖结构的多个投影图像，以及在这些不同的等距或非等距的台架角度下的相对应的真实的图形孔径图像和/或机器参数数据。
可以将深度学习模型应用于所选择的投影图像以提供估计的结果(例如，在各种台架角度下的估计的图形孔径图像和/或机器参数)，然后可以将这些估计的结果与预期结果(例如，对应于所选择的投影图像的图形孔径图像或机器参数)进行比较，以计算可以提供训练误差的指示的差异。这些误差可以在被称为反向传播的过程期间使用来校正深度学习网络的参数中的误差(例如，层节点权重和偏差)，以便在后续试验期间减少或最小化机器参数或图形孔径图像估计中的误差。可以将误差与预定标准进行比较，例如对于指定数目的训练迭代进行至持续的最小值。如果误差不满足预定标准，则可以使用反向传播更新深度学习模型的模型参数，并且可以从(同一患者或其他患者的)其他投影图像和预期结果中选择另一批训练数据以用于深度学习模型训练的另一迭代。如果误差满足预定标准，则训练可以结束，并且然后可以在深度学习测试或推理阶段712期间使用经训练的模型，以基于与训练数据不同的投影图像来预测机器参数或图形孔径图像。经训练的模型可以接收表示从特定台架角度的解剖结构的视图的新投影图像，并且提供预测结果(例如，针对该特定台架角度的机器参数或图形孔径图像)。
图7示出了用于训练深度卷积神经网络(DCNN)的方法的实施方式，所述深度卷积神经网络例如用于基于描绘从台架角度的患者解剖结构的视图的至少一个医学图像投影来确定针对该特定台架角度的一组机器参数或图形孔径图像的DCNN。DCNN可以接收表示不同的图像投影的医学图像的集合，所述不同的图像投影描绘从不同的台架角度的患者解剖结构的视图。投影图像可以由CT图像、MRI图像、合成CT和/或PET图像生成。DCNN还可以接收相应的解剖结构体素标记图和标记对象符号距离图的函数。然后可以针对医学图像的每个集合确定投影图像中描绘的各种台架角度的机器参数或图形孔径图像。在一个实施方式中，机器参数或图形孔径图像可以与医学投影图像的集合一起被接收。
机器参数可以包括至少一个台架角度、至少一个多叶准直器叶片位置和至少一个孔径权重或强度。机器参数可以由表达式k＝1,..,K表示，其中，Y可以表示一组K个机器参数数据对象，/>可以表示台架角度，/>可以表示左多叶准直器叶片位置和右多叶准直器叶片位置，并且/>可以表示对于台架角度/>的孔径权重或强度。为了开始网络训练，可以将迭代索引设置为初始值零。一批训练数据可以由所接收的医学图像投影的集合的子集和针对由医学图像投影表示的台架角度的相对应的图形孔径图像形成。特别地，一批医学图像投影可以表示从多个台架角度的第一训练对象的解剖结构，并且训练数据包括基于在治疗第一训练对象的情况下在多个台架角度中的每个台架角度处使用的机器参数生成的图形孔径图像。另一批医学图像投影可以表示从多个台架角度的第二训练对象的解剖结构，并且训练数据包括基于在治疗第二训练对象的情况下在多个台架角度中的每个台架角度处使用的机器参数生成的图形孔径图像。
该批训练数据可以被提供给DCNN，并且可以基于该批训练数据更新DCNN参数。对于给定的接收的媒体图像投影的集合，DCNN可以基于DCNN的当前参数提供输出的机器参数或图形孔径图像的集合。可以在输出的机器参数或图形孔径图像的集合之间进行比较，所述输出的机器参数或图形孔径图像的集合对应于在该批训练数据中的接收的医学图像投影集合(例如，真实的机器参数或图形孔径图像)。根据比较确定相应的误差集合，其中每个误差值可以是估计的机器参数或图形孔径图像与相对应的真实的机器参数或图形孔径图像之间的差。然后可以基于相对应的误差例如通过使用反向传播来更新DCNN的参数。
在一个实施方式中，可以更新DCNN的参数，以便最小化或减少成本函数，例如成本函数J(Θ*)＝arg minΘ||Y-Y*||2，其中Y可以表示由DCNN确定的机器参数或图形孔径图像，其中Y＊可以表示对应于该批训练数据的已知的机器参数或图形孔径图像，并且其中Θ*可以表示DCNN的对应于Y与Y＊之间的最小平方差的参数(例如，如上所述的层节点权重和偏差)。
在一个实施方式中，成本函数可以包括概率函数，其中可以根据表达式ΘOPT＝argmaxΘP(Y|X；Θ)或ΘOPT＝arg maxΘ∑t∈TlogP(Yt|Xt；Θ)来确定DCNN的参数，其中ΘOPT可以表示完全训练的DCNN的参数，并且X可以表示根据解剖结构体素标记图或标记对象符号距离图的函数得到的在不同台架角度下的医学图像投影的集合。
在更新DCNN的参数之后，迭代索引可以增加值1。迭代索引可以对应于DCNN的参数已经被更新的次数。可以计算停止标准，并且如果满足停止标准，则可以将DCNN模型保存在存储器诸如图像处理装置112的存储器装置116中，并且可以停止训练。如果不满足停止标准，则可以通过从同一训练对象或另一训练对象获得另一批训练图像来继续训练。在一个实施方式中，停止标准可以包括迭代索引的值(例如，停止标准可以包括迭代索引是否大于或等于确定的最大迭代次数)。在一个实施方式中，停止标准可以包括输出的机器参数或图形孔径图像的集合的准确度(例如，停止标准可以包括输出的机器参数或图形孔径图像的集合与对应于该批训练数据中的接收的医学图像投影的集合的机器参数或图形孔径图像之间的差是否小于阈值)。在一个实施方式中，阈值可以对应于所确定的所有误差的渐近最小值。在一个实施方式中，机器参数或图形孔径图像可以以具有指定例如孔径、角度和强度值的固定格式的图像的形式呈现给DCNN。在一个实施方式中，患者图像可以与机器参数池化，并且可以呈现为实数阵列。
图7示出了用于使用经训练的DCNN(例如，可以根据上述方法训练的DCNN)生成机器参数或图形孔径图像的方法。可以从图像获取装置诸如图像获取装置132接收从给定台架角度的解剖结构的医学图像投影。可以从网络诸如网络120或从存储器诸如图像处理装置112的存储器装置116接收经训练的DCNN模型。经训练的DCNN可以用于根据所接收的投影图像确定针对给定台架角度的机器参数或图形孔径图像，例如用于放射治疗计划或重新计划。在一个实施方式中，经训练的DCNN可以实时地生成用于在线应用的机器参数或图形孔径图像(例如，经训练的DCNN可以在几秒内根据所接收的医学图像生成机器参数或图形孔径图像)。在可以使用针对调强放射治疗确定的机器参数训练DCNN的实施方式中，经训练的DCNN可以针对调强放射治疗治疗计划确定机器参数。在可以使用针对容积旋转调强放射治疗确定的机器参数训练DCNN的实施方式中，经训练的DCNN可以针对容积旋转调强放射治疗治疗计划确定机器参数。
使用机器学习模型预测机器参数或控制点的动机是加速治疗计划计算。目前，常规的治疗计划从CT图像或MR图像通过解剖结构和目标描绘进行到计划。现代IMRT和VMAT计划使用图像和描绘的结构来限定3D剂量分布和用于递送该剂量分布的机器参数。基于CT图像或MR图像的所得到的临床计划通常在两个阶段的数值优化之后产生。在MR图像的情况下，提供附加步骤以将MR图像转换成合成CT图像。CT图像像素强度是组织的X射线吸收的函数，并且为治疗计划程序提供必要的物理信息。基于MR的计划创建合成CT图像，以针对计划提供该X射线吸收数据。第一阶段(例如，注量图优化(Fluence Map Optimization)或“FMO”)产生满足计划者的要求的理想化的剂量分布。第二阶段(例如，片段形状、权重优化)创建用于给定的线性加速器和MLC的机器参数，以在患者体内产生尽可能地符合注量图分布的3D剂量分布。
所公开的实施方式提高了使用控制点预测(例如，DL计划估计)创建治疗计划的质量和速度。DCNN工作流设想解剖结构和目标的DCNN分割以及针对MR图像的合成CT的生成。DCNN训练基于包含两个优化阶段的非常好的治疗计划产生控制点的模型。由经训练的DCNN估计的控制点在某种意义上包含了两个计划阶段中的信息。可以缩短计划处理的一种方式包括一起消除注量图阶段，并且将控制点估计用作第二阶段(分段形状、权重优化)的输入。这加快了第二阶段计算，从而加快了计划处理。
基于解剖结构的控制点预测的挑战是解剖结构和控制点具有根本上不同的共同表示。解剖结构由各种模态的直线医学图像描述，而控制点是实数参数的向量。此外，即使控制点的孔径由图像中的图形表示来表示，孔径的取向也不对应于解剖结构的标准的2D视图或3D视图中的任何视图。当线性加速器围绕患者以弧形行进时，任何时刻的解剖结构视图都是解剖结构的投影图像，等同于在该角度下的该解剖结构的平面射线照片。根据一些实施方式，控制点孔径数据被重新格式化、转换成孔径图像并且与相对应角度下的解剖结构投影对准。
在图8A中示意性地示出了简单椭圆802的投影视图。在图8A中，视图相对于椭圆中心取向，并且捕捉从每个角度(例如，由视图803表示的0度、由视图804表示的45度以及由视图805表示的90度)看到的椭圆802的形状和范围。例如，当从相对于椭圆802的y轴807成0度角查看时，椭圆802的视图被投影为视图803。例如，当从相对于椭圆802的y轴807成45度角查看时，椭圆802的视图被投影为视图804。例如，当从相对于椭圆802的y轴807成90度角查看时，椭圆802的视图被投影为视图805。
在图8B中示出了男性骨盆解剖结构相对于一组原始3D CT图像801的投影。在3DCT图像801中对所选择的危及器官和目标器官进行轮廓描绘，并为其体素分配恒定值。可以使用锥形射束CT重建程序的正向投影能力获得围绕3D CT图像801的中心轴成所选择的角度(0度、45度和90度)的投影图像850。还可以通过射线跟踪直接重建投影视图几何结构或者通过如在计算机断层扫描中的傅里叶重建来计算投影图像。
例如，可以通过在图像平面中将光的路径跟踪为像素并模拟其与虚拟对象相遇的效果来计算投影图像。在一些实现方式中，投影图像是通过跟踪从假想的眼睛(MLC视图或射束的眼睛视图)到虚拟屏幕中的每个像素的路径并计算通过其可见的对象的颜色来生成的。可以利用任何其他断层扫描重建技术来从3D CT图像802中描绘的解剖结构的MLC射束的眼睛视图生成投影图像。
例如，该组3D CT图像801可以用于生成3D CT图像801中描绘的解剖结构(例如，膀胱、前列腺、精囊、直肠、第一目标和第二目标)的一个或更多个视图。这些视图可以是从包括放射治疗装置的台架的MLC的角度来看的，并且为了简单起见，参照图8B，这些视图是以相对于3D CT图像801的y轴的度数并且基于图像中描绘的解剖结构与MLC之间的距离来测量的。具体地，第一视图810表示在台架相对于y轴成0度并且在距3D CT图像801中描绘的解剖结构给定距离处时由台架观察或查看时的3D CT图像801的投影，第二视图820表示在台架相对于y轴成45度并且在距3D CT图像801中描绘的解剖结构给定距离处时由台架观察或查看时的3D CT图像801的投影，并且第三视图830表示在台架相对于y轴成90度时由台架观察或查看时的3D CT图像801的投影。可以提供任何其它视图，例如围绕3D CT图像801中描绘的解剖结构的360度中的每个度数下的不同视图。
图9示出了根据本公开内容的一些实施方式的用于生成用于深度学习的训练数据的示例性方法。具体地，在图9中，图像和控制点参数被转换成3D图像体积。在图9的顶部，3DCT图像801以与结合图8A和图8B所讨论的类似方式被转换成围绕3D CT图像801的中心轴的选定角度下的投影图像850的堆叠。在图9的下部，与由投影图像850表示的台架的每个角度相对应的控制点角度、孔径和强度910被重建为图形孔径图像920。阴影部分922示出了MLC左叶片边缘与MLC右叶片边缘之间的开口，所述开口允许放射通过每个图形孔径图像920。图形孔径图像920与投影图像850对准并且按比例缩放，使得每个投影像素与辐射它的相对应孔径像素对准。在一些实施方式中，可以针对每个图形孔径图像(例如，在图形孔径图像920的左下方处)呈现条形对象。该条形对象的长度对该控制点处的放射强度进行编码，并且与叶片位置一起被估计。
控制点参数910表示台架角度、每个台架角度下的MLC孔径以及该角度下的放射强度。孔径被描绘为图形孔径图像920。每个图形孔径图像920被分配并与相同台架角度下的解剖结构投影图像850中的相对应的一个解剖结构投影图像配对。每个阴影部分922表示成对的相对的钨MLC叶片(例如，532A至532J)之间的开口，并且正是这些孔径控制X射线束的形状以覆盖目标至规定的放射剂量。投影图像850和图形孔径图像920被按比例缩放和对准，以确保投影图像850中的每个解剖结构像素与辐射该解剖结构元素的相对应的孔径像素对准。解剖结构的构造和控制点数据被表示为具有共同尺寸、像素间距和原点的对准的3D图像体积。
图10示出了可以使用已知图像或图像函数的集合以及已知机器参数的图形图像来训练的DCNN 1000的实施方式。一旦被训练，仅给定在一个或更多个台架角度下的新患者的投影图像850，DCNN就可以计算针对新患者(例如，没有贡献在训练过程中使用的已知图像或图像函数的患者)的一个或更多个台架角度的图形孔径图像1010的估计。在一个实施方式中，DCNN 1000可以包括用于回归的DCNN。DCNN 1000可以存储在存储器诸如图像处理装置112的存储器装置116中。DCNN 1000可以包括以层的块组织的(可能许多)卷积层，其中每个块通常对图像的连续较低分辨率版本和控制点数据进行操作。投影图像数据850和相对应的图形孔径图像数据920可以通过具有宽度为一的内核的卷积层引入至DCNN中。每个卷积层块可以由至少一个卷积层和可以将非线性函数应用于卷积层的输出的非线性层(例如，整流线性单元或ReLU层)组成。每个块还可以包含批量标准化层、缩放层或可以被确定的其它层，以便提供对期望的图形孔径图像值的最准确的估计。每个集合的最后一块中的最后一层可以是池化层(pooling layer)，该池化层可以将卷积输出数据下采样一定量(例如，一半)，并且可以在称为最大池化的处理期间取输出卷积层中的相关层节点值的最大值。每个卷积块集合的变化形状可以指示图像数据的空间分辨率可以降低(块高度)，而每层的参数的数量可以增加(块宽度)。层的布置和层组合组成可以保存DCNN的信息内容。
在网络训练期间，可以将使用投影图像850输出的图形孔径图像与正确的图形孔径图像920(例如，真实图形孔径图像)进行比较，并且使用差异(例如，误差)来校正网络参数。校正处理被称为反向传播。网络参数可以是与其值可以在反向传播期间被重置的层节点相关联的在图10中概括为Θ的层节点权重系数和偏差项。网络训练产生图10中所示的网络模型或函数f(X,Θ)。该模型取决于输入训练图像X和网络参数Θ两者。一旦被训练，网络模型就可以产生针对未被用于训练网络模型的患者的在输出层处输出的图形孔径图像估计1010。图形孔径图像1010是针对新患者的图形孔径图像估计。
图11是示出根据示例实施方式的图像处理装置112在执行处理1100时的示例操作的流程图。处理1100可以体现在用于由一个或更多个处理器执行的计算机可读指令中，使得处理1100的操作可以部分或全部地由图像处理装置112的功能性部件来执行；因此，下面通过参照其的示例来描述处理1100。然而，在其它实施方式中，处理1100的操作中的至少一些操作可以部署在各种其它硬件配置上。因此，处理1100不旨在限于图像处理装置112，而是可以全部或部分地由任何其他部件来实现。处理1100的操作中的一些或所有操作可以是并行的、无序的或被完全省略。
在操作1110处，图像处理装置112接收训练数据。例如，图像处理装置112接收可以包括成对的训练数据集(例如，输入-输出训练对)的训练数据。这样的训练数据可以包括成对的在给定台架角度下的患者解剖结构的投影图像和该台架角度下的真实的机器参数或图形孔径图像。
在操作1120处，图像处理装置112接收用于训练模型的约束。
在操作1130处，图像处理装置112基于接收到的训练数据和约束来执行模型的训练。
在操作1150处，图像处理装置112输出经训练的模型。例如，图像处理装置112输出经训练的模型以对新的投影图像的集合进行操作，从而估计与投影图像的台架角度相对应的机器参数和/或图形孔径图像。
在操作1160处，图像处理装置112利用经训练的模型来生成机器参数和/或图形孔径图像。例如，图像处理装置112基于表示从给定台架角度的解剖结构的视图的患者解剖结构的投影图像来生成针对该给定台架角度的图形孔径图像。图像处理装置112识别将用于治疗患者的放射治疗装置类型。图像处理装置112获得根据图形孔径图像计算控制点(机器参数)的函数。图像处理装置112将所生成的图形孔径图像应用于该函数，以计算要在患者的放射疗法治疗期间使用的给定台架角度的控制点(例如，叶片位置、颌位置和射束强度)。在一些实现方式中，图像处理装置112重复从放射疗法治疗期间使用的每个台架角度获得投影图像的步骤，并且针对所获得的投影图像中的每个投影图像生成相对应的图形孔径图像。图像处理装置112将所生成的图形孔径图像中的每个图形孔径图像应用于计算所使用的给定类型的放射治疗装置的控制点的函数，以便计算在一个或更多个治疗部分期间用于治疗患者的每个台架角度的控制点(例如，叶片位置、颌位置和射束强度)。
图12是示出根据示例实施方式的图像处理装置112在执行处理1200时的示例操作的流程图。处理1200可以体现在用于由一个或更多个处理器执行的计算机可读指令中，使得处理1200的操作可以部分或全部地由图像处理装置112的功能性部件来执行；因此，下面通过参照其的示例来描述处理1200。然而，在其它实施方式中，处理1200的操作中的至少一些操作可以部署在各种其它硬件配置上。因此，处理1200不旨在限于图像处理装置112，而是可以全部或部分地由任何其他部件来实现。处理1200的操作中的一些或全部操作可以是并行的、无序的或被完全省略。
在操作1230处，图像处理装置112接收描绘对象的解剖结构的图像。
在操作1250处，图像处理装置112基于所接收的图像生成第一投影图像，该第一投影图像表示从放射治疗设备的第一台架角度的解剖结构的视图。
在操作1260处，图像处理装置112将经训练的机器学习模型应用于第一投影图像，以估计在第一台架角度下的MLC叶片位置的第一图形孔径图像表示，机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与在对应于不同视图的不同台架角度下的MLC叶片位置的相应的图形孔径图像表示之间的关系。
在操作1270处，图像处理装置112基于所估计的第一图形孔径图像表示生成一个或更多个放射治疗设备参数。
图13示出了机器1300的实施方式的框图，在该机器1300上可以实现如本文所讨论的方法中的一个或更多个方法。在一个或更多个实施方式中，图像处理装置112的一项或更多项可以由机器1300来实现。在替选的实施方式中，机器1300作为独立的装置进行操作，或者可以连接(例如，联网)至其他机器。在一个或更多个实施方式中，图像处理装置112可以包括机器1300的项中的一项或更多项。在联网的部署中，机器1300可以在服务器客户端网络环境中以服务器或客户端机器的能力进行操作，或者在对等(或分布式)网络环境中作为对等机器进行操作。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络设备、网络路由器、交换机或网桥或者能够(顺序地或以其他方式)执行指定要由该机器采取的动作的指令的任何机器。此外，尽管仅示出了单个机器，但是术语“机器”也应被理解为包括机器的任合集合，这些机器单独地或联合地执行一组(或多组)指令以执行本文所讨论的方法中的任何一个或更多个方法。
示例机器1300包括经由总线1308彼此通信的处理电路系统1302(例如，CPU、图形处理单元(GPU)、ASIC、电路系统(例如，一个或更多个晶体管、电阻器、电容器、电感器、二极管、逻辑门、复用器、缓冲器、调制器、解调器、无线电(例如，发送或接收无线电或者收发器))、传感器1321(例如，将一种形式的能量(例如，光、热、电、机械或其他能量)转换为另一种形式的能量的换能器)等或者其组合)、主存储器1304和静态存储器1306。机器1300(例如，计算机系统)还可以包括视频显示单元1310(例如，液晶显示器(LCD)或阴极射线管(CRT))。机器1300还包括字母数字输入装置1312(例如，键盘)、用户接口(UI)导航装置1314(例如，鼠标)、磁盘驱动器或大容量存储单元1316、信号生成装置1318(例如，扬声器)和网络接口装置1320。
磁盘驱动器单元1316包括机器可读介质1322，在该机器可读介质1322上存储有一组或更多组指令和数据结构(例如，软件)1324，这些指令和数据结构(例如，软件)体现本文所述的方法或功能中的任何一种或更多种方法或者被本文所述的方法或功能中的任何一种或更多种方法利用。在由机器1300执行指令1324期间，指令1324还可以全部或至少部分地驻留在主存储器1304内和/或在处理器1302内，主存储器1304和处理器1302也构成机器可读介质。
如所示的机器1300包括输出控制器1328。输出控制器1328管理至机器1300/来自机器1300的数据流。输出控制器1328有时被称为装置控制器，其中直接与输出控制器1328交互的软件被称为装置驱动器。
虽然在一个实施方式中机器可读介质1322被示出为单个介质，但是术语“机器可读介质”可以包括存储一个或更多个指令或者数据结构的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的缓存和服务器)。术语“机器可读介质”还应被认为包括能够存储、编码或携带指令或者能够存储、编码或携带数据结构的任何有形介质，所述指令由机器执行并且使机器执行本公开内容的方法中的任何一种或更多种方法，所述数据结构由这样的指令利用或与这样的指令相关联。因此，术语“机器可读介质”应被认为包括但不限于固态存储器以及光学介质和磁介质。机器可读介质的特定示例包括非易失性存储器，所述非易失性存储器通过示例的方式包括：半导体存储装置，例如可擦除可编程只读存储器(EPROM)、EEPROM和闪存装置；磁盘，例如内部硬盘和可移动磁盘；磁光盘；以及CD-ROM盘和DVD-ROM盘。
还可以使用传输介质通过通信网络1326来发送或接收指令1324。可以使用网络接口装置1320和许多众所周知的传输协议(例如，HTTP)中的任何一种传输协议来发送指令1324。通信网络的示例包括LAN、WAN、因特网、移动电话网络、普通老式电话(POTS)网络和无线数据网络(例如WiFi和WiMax网络)。术语“传输介质”应被认为包括能够存储、编码或携带由机器执行并且包括数字或模拟通信信号的指令的任何无形介质，或者便于这样的软件的通信的其他无形介质。
如本文所使用的，“在……之间通信地耦接”指的是在耦接中的任何一个上的实体必须通过在其之间的项进行通信，并且这些实体在不通过该项进行通信的情况下就不能彼此进行通信。
补充注释
以上的详细描述包括对附图的参照，这些附图形成详细描述的一部分。附图通过说明的方式而不是通过限制的方式示出了可以实践本公开内容的具体的实施方式。这些实施方式在本文中也被称为“示例”。这样的示例可以包括除了示出或描述的那些元素之外的元素。然而，本发明人还设想了提供仅示出或描述的那些元素的示例。此外，或者相对于特定示例(或其一个或更多个方面)或者相对于在本文中示出或描述的其他示例(或其一个或更多个方面)，本发明人还设想了使用示出或描述的那些元素的任何组合或置换(或其一个或更多个方面)的示例。
本文档中参考的所有出版物、专利和专利文献都通过引用整体并入本文，就好像通过引用单独地并入一样。在本文档与通过引用并入的那些文献之间存在不一致用法的情况下，并入的一个或更多个参考文献中的用法应被视为对本文档的用法的补充；对于矛盾的不一致之处，以本文档中的用法为准。
在本文档中，在介绍本公开内容的各个方面或其实施方式中的元素时，如在专利文献中常见的那样，使用术语“一”、“一个”、“该”和“所述”以包括元素中的一个或多于一个或更多个，独立于“至少一个”或者“一个或更多个”的任何其他实例或用法。在本文档中，术语“或”被用于表示非排他性，或者，使得除非另有说明，否则“A或B”包括“A但不是B”、“B但不是A”以及“A和B”。
在所附权利要求中，术语“包括(including)”和“其中(in which)”被用作相应术语“包括(comprising)”和“其中(wherein)”的通俗英语等同物。此外，在所附权利要求中，术语“包含(comprising)”、“包括(including)”和“具有”旨在是开放性的，意指除了所列元素之外可能还有其他元素，使得在权利要求中的这样的术语(例如，包含(comprising)、包括(including)、具有)之后的仍被认为落入该权利要求的范围。此外，在所附权利要求中，术语“第一”、“第二”和“第三”等仅被用作标记，并且不旨在对其对象施加数字要求。
本公开内容的实施方式可以用计算机可执行指令来实现。计算机可执行指令(例如，软件代码)可以被组织成一个或更多个计算机可执行部件或模块。可以用任何数目的这样的部件或模块以及这样的部件或模块的任何组织来实现本公开内容的各个方面。例如，本公开内容的各个方面不限于在附图中示出和在本文中描述的特定计算机可执行指令或者特定部件或模块。本公开内容的其他实施方式可以包括具有比本文中示出和描述的功能更多或更少的功能的不同的计算机可执行指令或部件。
本文中描述的方法示例(例如，操作和功能)可以至少部分地是机器或计算机实现的(例如，被实现为软件代码或指令)。一些示例可以包括编码有指令的计算机可读介质或机器可读介质，所述指令能够操作成配置电子装置来执行如在以上示例中所述的方法。这样的方法的实现可以包括软件代码例如微代码、汇编语言代码、高级语言代码等(例如，“源代码”)。这样的软件代码可以包括用于执行各种方法的计算机可读指令(例如，“对象”或“可执行代码”)。软件代码可以形成计算机程序产品的部分。可以经由在其上存储有代码或指令的制品，或者经由操作通信接口以经由通信接口(例如，无线地、通过互联网、经由卫星通信等)发送数据的方法来提供本文描述的实施方式的软件实现。
此外，可以在执行期间或在其他时间将软件代码有形地存储在一个或更多个易失性或非易失性计算机可读存储介质上。这些计算机可读存储介质可以包括以可由机器(例如，计算装置、电子系统等)访问的形式存储信息的任何机构，例如但不限于软盘、硬盘、可移动磁盘、任何形式的磁盘存储介质、CD-ROM、磁光盘、可移动光盘(例如，压缩盘和数字视频盘)、闪存装置、磁带盒、存储卡或存储棒(例如，安全数字卡)、RAM(例如CMOS RAM等)、可记录/不可记录介质(例如，只读存储器(ROM))、EPROM、EEPROM或者适于存储电子指令的任何类型的介质等。这样的计算机可读存储介质耦接至计算机系统总线以可由处理器和OIS的其他部分来访问。
在一个实施方式中，计算机可读存储介质可以已经编码了用于治疗计划的数据结构，其中治疗计划可以是自适应的。用于计算机可读存储介质的数据结构可以是医学数字成像和通信(DICOM)格式、扩展的DICOM格式、XML格式等中的至少一种。DICOM是一种定义用于在各种类型的医疗设备之间传输与医学图像有关的数据的格式的国际通信标准。DICOMRT指的是特定于放射疗法的通信标准。
在本公开内容的各种实施方式中，创建部件或模块的方法可以以软件、硬件或其组合来实现。例如，可以通过使用标准编程语言诸如例如C、C++、Java、Python等以及其组合以软件来实现由本公开内容的各个实施方式提供的方法。如本文所使用的，术语“软件”和“固件”是可互换的，并且包括存储在存储器中以由计算机执行的任何计算机程序。
通信接口包括与硬连线介质、无线介质、光学介质等中的任何一种接口以与另一装置进行通信的任何机构，例如存储器总线接口、处理器总线接口、因特网连接、盘控制器等。可以通过提供配置参数和/或发送信号来配置通信接口，以准备通信接口来提供描述软件内容的数据信号。可以经由被发送至通信接口的一个或更多个命令或信号来访问通信接口。
本公开内容还涉及用于执行本文中的操作的系统。该系统可以针对所需目的专门地被构造，或者可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。除非另有说明，否则本文示出和描述的本公开内容的实施方式中的操作的运行或执行的顺序不是必须的。也就是说，除非另有说明，否则可以以任何顺序来执行操作，并且与本文公开的那些操作相比，本公开内容的实施方式可以包括另外的操作或更少的操作。例如，可以设想，在另一操作之前、与另一操作同时或在另一操作之后运行或执行特定操作落入本公开内容的各个方面的范围内。
鉴于以上内容，将看到，实现了本公开内容的若干目的并且获得了其他有利的结果。已经详细地描述了本公开内容的各个方面，将明显的是，在不脱离如在所附权利要求中限定的本公开内容的各个方面的范围的情况下，修改和变化是可行的。由于可以在不脱离本公开内容的各个方面的范围的情况下在以上构造、产品和方法中进行各种改变，因此旨在，以上描述中包含的和附图中示出的所有内容应被解释为说明性的，而并非在限制性的意义上。
上面的描述旨在是说明性的，而不是限制性的。例如，上述示例(或其一个或更多个方面)可以彼此组合使用。另外，在不脱离本公开内容的范围的情况下，可以做出许多修改以使特定情况或材料适应本公开内容的教导。尽管本文描述的材料和涂层的尺寸、类型旨在限定本公开内容的参数，但是其绝不是限制性的，而是示例性实施方式。在回顾以上描述之后，许多其他的实施方式对于本领域技术人员将是明显的。因此，本公开内容的范围应参考所附权利要求以及这些权利要求被赋予的等同物的全部范围来确定。
此外，在以上具体实施方式中，可以将各种特征组合在一起以简化本公开内容。这不应被解释为未要求保护的公开特征对于任何一个权利要求是必要的意图。而是，本发明的主题可以在于少于特定公开的实施方式的所有特征。因此，所附权利要求由此被并入具体实施方式中，其中每个权利要求独自作为单独的实施方式。本公开内容的范围应参考所附权利要求以及这样的权利要求被赋予的等同物的全部范围来确定。此外，所附权利要求的限制不以装置加功能的格式编写，并且也不旨在基于35U.S.C.§112第六段进行解释，除非并且直到这样的权利要求的限制明确地使用短语“用于……的装置”，之后是没有进一步的结构的功能陈述。
提供摘要以符合37C.F.R.§1.72(b)，以允许读者快速地确定技术公开的实质。提交时应理解，其将不被用于解释或限制权利要求的范围或含义。

Claims (25)

1.一种用于基于投影图像生成放射疗法治疗机器参数的方法，所述方法包括：
接收描绘对象的解剖结构的图像；
基于所接收的图像生成第一投影图像，所述第一投影图像表示从放射疗法治疗机器的第一台架角度的所述解剖结构的视图；
将经训练的机器学习模型应用于所述第一投影图像，以估计在所述第一台架角度下的多叶准直器叶片位置的第一图形孔径图像表示，所述机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于所述不同视图的不同台架角度下的所述多叶准直器叶片位置的相应的图形孔径图像表示之间的关系；以及
基于所估计的第一图形孔径图像表示生成一个或更多个放射疗法治疗机器参数。
2.根据权利要求1所述的方法，其中，所述机器学习模型包括深度卷积神经网络。
3.根据权利要求1或2所述的方法，还包括：通过调整所述机器学习模型的一个或更多个参数以使成本函数最小化来训练所述机器学习模型，所述成本函数包括与表示患者解剖结构的不同视图的投影图像相对应的所述多叶准直器叶片位置的图形孔径图像表示的预定集合与所述不同视图处的所述多叶准直器叶片位置的图形孔径图像表示的预测集合之间的差。
4.根据权利要求3所述的方法，其中，所述一个或更多个参数包括台架角度、多叶准直器颌位置、多叶准直器叶片位置或放射治疗射束强度中的至少一个。
5.根据权利要求1或2所述的方法，其中，接收所述图像包括接收所述解剖结构的三维图像，所述方法还包括生成包括所述第一投影图像的多个二维投影图像，所述多个二维投影图像表示从多个不同的台架角度的所述解剖结构的多个二维视图。
6.根据权利要求5所述的方法，其中，所述多个投影图像表示从0度到360度的所述解剖结构的视图。
7.根据权利要求5所述的方法，其中，所述不同的台架角度彼此相差预定量。
8.根据权利要求1或2所述的方法，还包括：
确定所述放射疗法治疗机器的类型，其中，所述一个或更多个放射疗法治疗机器参数是基于所述放射疗法治疗机器的类型生成的。
9.根据权利要求1或2所述的方法，其中，所述图像包括计算机断层扫描CT图像、合成CT图像或磁共振MR图像。
10.根据权利要求1或2所述的方法，还包括通过下述方式来训练所述机器学习模型：
从先前治疗中获得表示患者解剖结构的不同视图的投影图像；
对于所述先前治疗中的每个先前治疗：
获得放射疗法治疗机器参数信息，所述放射疗法治疗机器参数信息表示在与所述不同视图中的每个视图相对应的台架角度下的多叶准直器叶片位置和与所述投影图像中的每个投影图像相对应的放射治疗射束强度；以及
基于所获得的放射疗法治疗机器参数信息生成真实图形孔径图像表示；
将所生成的真实图形孔径图像表示中的每个真实图形孔径图像表示与相对应的投影图像对准；以及
基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整所述机器学习模型的一个或更多个参数。
11.根据权利要求10所述的方法，其中，所述机器学习模型的所述一个或更多个参数是通过计算所述不同视图中的给定一个视图处的给定图形孔径图像表示与针对所述不同视图中的所述给定一个视图的、所述真实图形孔径图像表示中的相对应的一个真实图形孔径图像表示之间的偏差来调整的，所述给定图形孔径图像表示是基于表示所述不同视图中的所述给定一个视图的给定投影图像来估计的。
12.根据权利要求1或2所述的方法，还包括：基于所生成的一个或更多个放射疗法治疗机器参数与放射疗法治疗计划的一组参数的比较来计算质量度量。
13.根据权利要求1或2所述的方法，还包括：基于所生成的一个或更多个放射疗法治疗机器参数来计算三维剂量分布。
14.根据权利要求1或2所述的方法，其中，所述第一投影图像是通过射线跟踪或傅里叶重建生成的。
15.一种训练机器学习模型来估计多叶准直器叶片位置的图形孔径图像表示的方法，所述方法包括：
获得第一投影图像，所述第一投影图像表示来自先前治疗的患者解剖结构的第一视图；
获得放射疗法治疗机器参数信息，所述放射疗法治疗机器参数信息表示在与所述第一投影图像的第一视图相对应的台架角度下的多叶准直器叶片位置；以及
基于所获得的放射疗法治疗机器参数信息生成第一真实图形孔径图像表示；以及
基于所述第一真实图形孔径图像表示和所述第一投影图像来调整所述机器学习模型的一个或更多个参数。
16.根据权利要求15所述的方法，其中，调整所述机器学习模型的一个或更多个参数是通过下述方式来执行的：
将所述机器学习模型应用于所述第一投影图像，以估计在与所述第一视图相对应的台架角度下的所述多叶准直器叶片位置的图形孔径图像表示；
计算所估计的图形孔径图像表示与所述第一真实图形孔径图像表示之间的偏差；以及
基于所计算的偏差来调整所述机器学习模型的一个或更多个参数。
17.根据权利要求15或16所述的方法，其中，所述放射疗法治疗机器参数信息还包括在所述台架角度下的放射治疗射束强度，所述方法还包括将所述第一真实图形孔径图像表示与所述第一投影图像对准。
18.一种用于基于投影图像生成放射疗法治疗机器参数的系统，所述系统包括：
一个或更多个处理器，用于执行下述操作，所述操作包括：
接收描绘对象的解剖结构的图像；
基于所接收的图像生成第一投影图像，所述第一投影图像表示从放射疗法治疗机器的第一台架角度的所述解剖结构的视图；
将经训练的机器学习模型应用于所述第一投影图像，以估计在所述第一台架角度下的多叶准直器叶片位置的第一图形孔径图像表示，所述机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于所述不同视图的不同台架角度下的所述多叶准直器叶片位置的相应的图形孔径图像表示之间的关系；以及
基于所估计的第一图形孔径图像表示生成一个或更多个放射疗法治疗机器参数。
19.根据权利要求18所述的系统，其中，所述操作还包括：通过调整所述机器学习模型的一个或更多个参数以使成本函数最小化来训练所述机器学习模型，所述成本函数包括与表示患者解剖结构的不同视图的投影图像相对应的所述多叶准直器叶片位置的图形孔径图像表示的预定集合与所述不同视图处的所述多叶准直器叶片位置的图形孔径图像表示的预测集合之间的差。
20.根据权利要求18或19所述的系统，其中，所述操作还包括：接收所述解剖结构的三维图像，还包括：生成包括所述第一投影图像的多个二维投影图像，所述多个二维投影图像表示从多个不同的台架角度的所述解剖结构的多个二维视图。
21.根据权利要求18或19所述的系统，其中，所述操作还包括通过下述方式训练所述机器学习模型：
从先前治疗中获得表示患者解剖结构的不同视图的投影图像；
对于所述先前治疗中的每个先前治疗：
获得放射疗法治疗机器参数信息，所述放射疗法治疗机器参数信息表示在与所述不同视图中的每个视图相对应的台架角度下的多叶准直器叶片位置和与所述投影图像中的每个投影图像相对应的放射治疗射束强度；以及
基于所获得的放射疗法治疗机器参数信息生成真实图形孔径图像表示；
将所生成的真实图形孔径图像表示中的每个真实图形孔径图像表示与相对应的投影图像对准；以及
基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整所述机器学习模型的一个或更多个参数。
22.一种非暂态机器可读存储介质，所述非暂态机器可读存储介质包括下述指令，所述指令当由机器的一个或更多个处理器执行时，使所述机器执行下述操作，所述操作包括：
接收描绘对象的解剖结构的图像；
基于所接收的图像生成第一投影图像，所述第一投影图像表示从放射疗法治疗机器的第一台架角度的所述解剖结构的视图；
将机器学习模型应用于所述第一投影图像，以估计在所述第一台架角度下的多叶准直器叶片位置的第一图形孔径图像表示，所述机器学习模型被训练成建立表示患者解剖结构的不同视图的投影图像与对应于所述不同视图的不同台架角度下的所述多叶准直器叶片位置的相应的图形孔径图像表示之间的关系；以及
基于所估计的第一图形孔径图像表示生成一个或更多个放射疗法治疗机器参数。
23.根据权利要求22所述的非暂态机器可读存储介质，其中，所述操作还包括：通过调整所述机器学习模型的一个或更多个参数以使成本函数最小化来训练所述机器学习模型，所述成本函数包括与表示患者解剖结构的不同视图的投影图像相对应的所述多叶准直器叶片位置的图形孔径图像表示的预定集合与所述不同视图处的所述多叶准直器叶片位置的图形孔径图像表示的预测集合之间的差。
24.根据权利要求22或23所述的非暂态机器可读存储介质，其中，所述操作还包括：接收所述解剖结构的三维图像，还包括：生成包括所述第一投影图像的多个二维投影图像，所述多个二维投影图像表示从多个不同的台架角度的所述解剖结构的多个二维视图。
25.根据权利要求22或23所述的非暂态机器可读存储介质，其中，所述操作还包括通过下述方式训练所述机器学习模型：
从先前治疗中获得表示患者解剖结构的不同视图的投影图像；
对于所述先前治疗中的每个先前治疗：
获得放射疗法治疗机器参数信息，所述放射疗法治疗机器参数信息表示在与所述不同视图中的每个视图相对应的台架角度下的多叶准直器叶片位置和与所述投影图像中的每个投影图像相对应的放射治疗射束强度；以及
基于所获得的放射疗法治疗机器参数信息生成真实图形孔径图像表示；
将所生成的真实图形孔径图像表示中的每个真实图形孔径图像表示与相对应的投影图像对准；以及
基于成对的所生成的真实图形孔径图像表示和相对应的投影图像来调整所述机器学习模型的一个或更多个参数。
CN201980099082.0A 2019-06-20 2019-06-28 使用投影图像预测放射治疗控制点 Active CN114206438B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962864188P 2019-06-20 2019-06-20
US62/864,188 2019-06-20
PCT/US2019/039830 WO2020256750A1 (en) 2019-06-20 2019-06-28 Predicting radiotherapy control points using projection images

Publications (2)

Publication Number Publication Date
CN114206438A CN114206438A (zh) 2022-03-18
CN114206438B true CN114206438B (zh) 2024-05-03

Family

ID=67297440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980099082.0A Active CN114206438B (zh) 2019-06-20 2019-06-28 使用投影图像预测放射治疗控制点

Country Status (6)

Country Link
US (1) US20220305291A1 (zh)
EP (1) EP3986544B1 (zh)
JP (1) JP7307822B2 (zh)
CN (1) CN114206438B (zh)
AU (1) AU2019452405B2 (zh)
WO (1) WO2020256750A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11517768B2 (en) 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
KR102082970B1 (ko) * 2019-04-29 2020-02-28 주식회사 루닛 기계학습을 위한 정규화 방법 및 그 장치
US11077320B1 (en) 2020-02-07 2021-08-03 Elekta, Inc. Adversarial prediction of radiotherapy treatment plans
EP4348668A1 (en) * 2021-06-02 2024-04-10 Elekta, Inc. Discreet parameter automated planning
WO2022271197A1 (en) * 2021-06-24 2022-12-29 Elekta, Inc. Radiotherapy optimization for arc sequencing and aperture refinement
US20230310892A1 (en) * 2022-03-30 2023-10-05 Siemens Healthineers International Ag Administration of therapeutic radiation using deep learning models to generate leaf sequences
EP4257181A1 (en) * 2022-04-05 2023-10-11 RaySearch Laboratories AB Methods and system related to radiotherapy treatment planning
US20230402152A1 (en) * 2022-06-13 2023-12-14 Varian Medical Systems, Inc. Dose-directed radiation therapy plan generation using computer modeling techniques
JP7458515B1 (ja) 2023-01-05 2024-03-29 株式会社東芝 粒子線照射システムおよびｘ線撮影装置配置方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH709788A1 (fr) * 2014-06-17 2015-12-31 Swiss Summit Service Ct Sa C O Juritz Sa Systeme de planification inverse de radiothérapie.
WO2019056134A1 (en) * 2017-09-25 2019-03-28 Dalhousie University SYSTEMS AND METHODS FOR CORRECTING POROUS AND BED MOVEMENT-INDUCED DELIGNATION DURING ARC-BASED RADIATION TREATMENT
CN109843377A (zh) * 2016-09-07 2019-06-04 医科达有限公司 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6904125B2 (en) * 2003-07-14 2005-06-07 Cancer Care Ontario Phantom for evaluating nondosimetric functions in a multi-leaf collimated radiation treatment planning system
US7880154B2 (en) * 2005-07-25 2011-02-01 Karl Otto Methods and apparatus for the planning and delivery of radiation treatments
US9451928B2 (en) * 2006-09-13 2016-09-27 Elekta Ltd. Incorporating internal anatomy in clinical radiotherapy setups
US10449389B2 (en) 2016-12-05 2019-10-22 Varian Medical Systems International Ag Dynamic target masker in radiation treatment of multiple targets
US20180185672A1 (en) 2016-12-30 2018-07-05 Sun Nuclear Corporation Determination of radiation collimator component position
US11517768B2 (en) * 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH709788A1 (fr) * 2014-06-17 2015-12-31 Swiss Summit Service Ct Sa C O Juritz Sa Systeme de planification inverse de radiothérapie.
CN109843377A (zh) * 2016-09-07 2019-06-04 医科达有限公司 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法
WO2019056134A1 (en) * 2017-09-25 2019-03-28 Dalhousie University SYSTEMS AND METHODS FOR CORRECTING POROUS AND BED MOVEMENT-INDUCED DELIGNATION DURING ARC-BASED RADIATION TREATMENT

Also Published As

Publication number Publication date
JP2022537406A (ja) 2022-08-25
EP3986544A1 (en) 2022-04-27
EP3986544B1 (en) 2023-07-12
CN114206438A (zh) 2022-03-18
AU2019452405A1 (en) 2022-02-10
US20220305291A1 (en) 2022-09-29
JP7307822B2 (ja) 2023-07-12
AU2019452405B2 (en) 2022-12-08
WO2020256750A1 (en) 2020-12-24

Similar Documents

Publication Publication Date Title
AU2018307739B2 (en) Radiation therapy planning using deep convolutional network
US11896847B2 (en) Adversarial prediction of radiotherapy treatment plans
CN114206438B (zh) 使用投影图像预测放射治疗控制点
US11842497B2 (en) Automatic contour adaptation using neural networks
EP4230261A1 (en) Dose volume histogram optimization based on quantile regression
US20230302297A1 (en) Patient imaging for dynamic online adaptive radiotherapy
CN117957574A (zh) 迭代图像重建
US20230285776A1 (en) Dynamic adaptation of radiotherapy treatment plans
WO2023279188A1 (en) Quality factor using reconstructed images
US20220245757A1 (en) Deformable image registration using deep learning
US20230218926A1 (en) Bed calculation with isotoxic planning
US11983869B2 (en) Feature-space clustering for physiological cycle classification
EP4101502A1 (en) Feature-space clustering for physiological cycle classification
WO2022261742A1 (en) Image quality relative to machine learning data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant