CN114364435A - 用于自动治疗计划和优化的系统和方法 - Google Patents
用于自动治疗计划和优化的系统和方法 Download PDFInfo
- Publication number
- CN114364435A CN114364435A CN202080062881.3A CN202080062881A CN114364435A CN 114364435 A CN114364435 A CN 114364435A CN 202080062881 A CN202080062881 A CN 202080062881A CN 114364435 A CN114364435 A CN 114364435A
- Authority
- CN
- China
- Prior art keywords
- clinical
- treatment
- plan
- dvh
- cost function
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 373
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000013439 planning Methods 0.000 title claims abstract description 106
- 238000005457 optimization Methods 0.000 title claims description 99
- 238000001959 radiotherapy Methods 0.000 claims abstract description 61
- 230000003044 adaptive effect Effects 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 170
- 238000013442 quality metrics Methods 0.000 claims description 62
- 238000009826 distribution Methods 0.000 claims description 53
- 230000005855 radiation Effects 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 22
- 238000013459 approach Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000007493 shaping process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 47
- 210000000920 organ at risk Anatomy 0.000 description 20
- 238000002560 therapeutic procedure Methods 0.000 description 20
- 238000012384 transportation and delivery Methods 0.000 description 15
- 210000003484 anatomy Anatomy 0.000 description 14
- 210000000056 organ Anatomy 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007408 cone-beam computed tomography Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011221 initial treatment Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 210000000278 spinal cord Anatomy 0.000 description 3
- 241001123605 Peru tomato mosaic virus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000003681 parotid gland Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000710177 Citrus tristeza virus Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002727 particle therapy Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 230000035899 viability Effects 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
- 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
- A61N5/1048—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N2005/1074—Details of the control system, e.g. user interfaces
-
- 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
- A61N2005/1085—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy characterised by the type of particles applied to the patient
- A61N2005/1091—Kilovoltage or orthovoltage range photons
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
用于自动生成和优化放射疗法治疗计划的系统和方法,以及用于自动生成和优化自适应放射疗法工作流中的自适应计划的系统和方法。在一个实施例中,自动治疗计划系统包括:用户接口;以及治疗计划模块,其被配置为基于经由用户接口接收到的针对第一数据源的临床数据而导出的目标的第一集合和针对不同的第二数据源的临床数据而导出的目标的第二集合的加权组合来自动生成S110一个或多个治疗计划候选。
Description
技术领域
本发明总体上涉及放射疗法,更具体地涉及用于自动生成和优化放射疗法治疗计划的系统、方法和设备。
背景技术
放射疗法涉及使用外部放射射束来通过向病理解剖结构递送规定剂量的放射(X射线、γ射线、电子、质子和/或离子)并同时最小化对周围组织和关键解剖结构的放射暴露来治疗病理解剖体(肿瘤、病变、血管畸形、神经病症等)的医疗程序。
总体而言,完整的放射疗法计划和治疗工作流包括如下几个阶段:治疗计划阶段、治疗递送阶段以及监测和评估阶段,其中治疗的进展(例如剂量累积)是被监控的。
在治疗计划阶段中,首先使用计算机断层摄影(CT)、锥形射束CBCT、磁共振成像(MRI)、正电子发射断层摄影(PET)、3D旋转血管造影(3DRA)或超声技术中的任一种(或其组合)来构造感兴趣区域(头部、身体等)中的解剖结构的精确三维(3D)图。这确定了在解剖结构内的靶的确切坐标,即,定位体内的肿瘤或异常并限定其确切形状和尺寸。在这之后是处方步骤,计算用于放射射束的运动路径以递送放射肿瘤学家在考虑到各种医疗约束的情况下查明可接受的剂量分布。然后,专家团队使用特殊计算机软件来开发治疗计划,以通过设计从不同角度和平面会聚在靶区域上的放射射束来最佳地照射肿瘤并最小化对周围正常组织的剂量。然后对照处方对治疗计划进行评估。
在治疗递送阶段中,执行放射治疗计划。在该阶段期间,根据规定的治疗计划将放射剂量递送给患者。通常,通过一系列被称为分次(fraction)的放射治疗将治疗计划递送给患者。然而,存在着许多的因素,诸如患者的姿势位置的差异,如果患者的肿瘤消退或者如果患者在疗法期间体重减轻则可能发生的变化,以及例如由运动引入的不确定性,其可能会导致规定的放射剂量分布与所递送的实际剂量(即,在放射治疗期间递送到靶的实际剂量)之间的差异。这些解剖和生理变化可能会导致靶体积以及周围解剖结构和器官在治疗期间移动并且导致尺寸和形状改变。如此,执行或继续执行初始治疗计划可能导致实际接收到的剂量分布与所计划的分布不同,并因此导致靶体积的剂量减少和/或危及器官(OAR)的剂量增加。因此,在治疗递送阶段期间,治疗计划可以适应于一天的图像以更好地反映当前情形。这涉及基于随后采集的图像数据对初始治疗计划进行修改以匹配靶体积和周围解剖结构的新位置和形状。
无论它是在治疗计划阶段期间生成的初始治疗计划还是在自适应治疗工作流的治疗递送阶段期间生成的自适应计划,生成治疗计划都可能是耗时且冗长的。
尽管计划生成和计划适应过程中涉及的一些步骤已经被自动化以协助和减少临床用户的工作量,但是仍然难以适当地自动化计划的优化,尤其是在强度调制放射疗法(IMRT)和体积调制弧疗法(VMAT)的领域中。优化是一种迭代过程,其中用户试图以剂量或生物目的的形式指定计划目的,以创建针对靶结构的理想剂量并最小化针对关键结构的剂量。
优化算法通常需要一个起始点(输入度量),其指定优选的剂量分布种类。通常,起始点是指定优选的剂量分布(例如,靶结构需要多少剂量以及危及器官中的上限剂量是多少)的临床目的(CG)的集合或模板,或者是指导优化过程的基于知识的模型(例如,模型估计每个结构可实现的剂量分布)。
然而,当存在两个输入度量时,当前可用的自动治疗优化算法/过程所提供的剂量分布不满足两个输入。因此,需要一种在自动工作流中生成治疗计划的系统和方法,其能够使用多个临床输入数据源(即,输入度量),诸如基于知识的信息和临床目的模板。
此外,许多当前可用的临床目的设置/模板(CG)缺失信息。如此,使用一组临床目的(CG)作为输入度量来优化治疗计划可能会提供临床上不可接受的剂量分布。在标准的非自动的工作流中,通过添加剂量-体积目的来绕过该问题,该剂量-体积目的在满足原始目的度量的同时对剂量分布进行整形和优化。然而,在自动计划中,这无法被应用。因此,需要一种系统和方法来自动生成从临床目的导出的辅助目标,以引导基于临床目的的自动剂量优化,从而输出临床上可接受的治疗计划。
还存在一些由用户进行分类的临床目的(CG)彼此不兼容的情形。因此,需要一种允许用兼容目的自动替换不兼容目的的系统和方法。
此外,在自适应治疗过程中,在治疗计划期间生成的治疗计划可能需要在治疗递送期间基于当天的图像来进行修改(适配)。然而,生成和优化新的治疗计划是耗时的。在先前的自适应计划工作流中,通过从预先生成的计划库中选择合适的计划来进行适配,其中通过平移准直器开口或通过缩放总剂量来进行适配,或者通过选择现有计划并使用手动剂量目标作为输入度量来优化它来进行适配。然而,任何一个工作流都不允许自适应治疗计划的自动优化。因此,需要一种用于自动优化自适应工作流中的经适配的治疗计划的系统和方法。
发明内容
在第一方面,本发明提供了如权利要求1所限定的自动治疗计划系统。
在第二方面,本发明提供了一种如权利要求9所限定的用于自动生成多个治疗计划候选的方法。
在第三方面,本发明提供了一种如权利要求14所限定的自动治疗计划系统。
在第四方面,本发明提供了一种如权利要求22所限定的用于生成治疗计划的方法。
在第五方面,本发明提供了一种如权利要求26所述的自动治疗计划系统。
在第六方面,本发明提供了一种如权利要求32所限定的为临床目的的给定输入自动选择辅助目标的方法。
在第七方面,本发明提供了一种如权利要求34所限定的用于在治疗计划中的冲突期间自动修改用户定义的优先级化的临床目的的系统。
在第八方面,本发明提供了一种如权利要求38所限定的用于自适应放射疗法疗程的自动化工作流。
在从属权利要求中限定了可选特征。
本文公开了被配置为基于能够使用诸如基于知识的信息和临床目的模板之类的多个临床输入数据源(即,输入度量)的自动工作流来自动生成治疗计划的系统和方法。
本文描述的系统和方法被配置为自动生成从临床目的导出的辅助目标以引导基于临床目的的自动剂量优化来输出临床上可接受的治疗计划。
本文描述了被配置为用兼容目的自动替换不兼容目的的系统和方法。
本文还描述了被配置为自动生成和优化自适应工作流中的经适配的治疗计划的系统和方法。
还公开了包括计算机处理设备的系统,该计算机处理设备被配置为执行体现在计算机可读存储介质上的编程指令序列,该编程指令序列的执行使该系统执行本文公开的方法步骤。
还公开了一种在其上体现了用于生成要在自适应放射疗法中使用的按天治疗图像的编程指令序列的非暂时性计算机可读存储介质,以及一种执行体现在计算机可读存储介质上的编程指令序列的计算机处理系统。编程指令序列的执行可以使计算机处理系统执行本文描述的自动治疗计划和优化过程。
当结合附图考虑时,所公开的主题的实施例的目标和优点将从以下描述中变得显而易见。
附图说明
图1是根据所公开的主题的各种实施例的放射疗法系统的简化示意图。
图2是根据所公开的主题的各种实施例的将图1的放射疗法系统用于治疗床上的自适应放射疗法的简化图示。
图3是根据所公开的主题的各种实施例的用于在治疗计划设备中使用的治疗计划模块的示意图。
图4是根据所公开的主题的各种实施例的使用多个临床数据源的自动治疗计划的过程流程图。
图5是根据所公开的主题的各种实施例的治疗计划候选的显示和选择的图示。
图6是根据所公开的主题的各种实施例的使用从DVH估计所转换的临床目的的自动治疗计划的过程流程图。
图7A是根据所公开的主题的各种实施例的一组优先级化的临床目的和相关联的优先级的图示。
图7B是图7A的临床目的的用户使能的动态重组织的图示。
图8是根据所公开的主题的各种实施例的被用来将DVH估计转换为临床目的的实际和DVH估计线的图示。
图9是所转换的临床目的的用户使能的动态重组织的图示。
图10是根据所公开的主题的各种实施例的用于自动辅助目标生成的过程流程图。
图11A是针对基于临床目的缺失信息的两个靶结构所获得的剂量曲线的图示。
图11B是使用辅助目标针对图11A的两个靶结构所获得的剂量曲线的图示。
图12是用于自动调节不兼容临床目的的过程流程图。
图13是在图12的过程中获得的临床目的和经适配的临床目的的图示。
图14A是描绘根据所公开的主题的各种实施例的用于作为剂量目标的临床目的的连续质量度量函数的图表。
图14B是描绘根据所公开的主题的各种实施例的在处理冲突目的之后用于临床目的的连续质量度量函数的图表。
图15是根据所公开的主题的各种实施例的治疗床上的自适应工作流。
图16是根据所公开的主题的各种实施例的疗程患者模型、经调度的计划和经适配的计划生成的过程流程图。
图17是根据所公开的主题的各种实施例的经适配的计划的自动生成和优化的过程流程图。
图18是根据所公开的主题的各种实施例的用于确定治疗等同中心的过程流程图。
具体实施方式
参照图1,示出了示例性放射疗法系统100,其可以被用于图2中所示的自适应放射疗法中,并且其可以根据使用本文所述技术确定的治疗计划来递送放射。放射疗法系统100可以向位于治疗床112上的患者110提供放射,并且可以允许实现各种放射剂量验证协议。放射疗法可以包括基于光子的放射疗法、粒子疗法、电子射束疗法或任何其它类型的治疗疗法。
在一个实施例中,放射疗法系统100可以包括放射治疗设备101,诸如但不限于LINAC,其可操作以生成用于治疗的兆伏(MV)X射线放射的一个或多个射束。LINAC还可以可操作以生成例如用于患者成像的千伏(kV)X射线放射的一个或多个射束。系统100具有支撑放射治疗头114的台架102,放射治疗头114具有一个或多个放射源106和各种射束调制元件,诸如但不限于平坦化滤波器104和准直组件108。准直组件108可以包括例如多叶准直器(MLC)、上钳口和下钳口和/或其它准直元件。准直组件108和/或平坦化滤波器104可以通过可由控制器200控制的相应致动器(未示出)而被定位在放射射束路径内。
台架102可以是环形台架(即,其延伸通过完整的360°弧以产生完整的环或圆),但是也可以采用其他类型的安装布置。例如,可以使用静态梁或C型的部分环形台架或机器臂。也可以使用能够将治疗头114定位在相对于患者110的各种旋转和/或轴向位置处的任何其它框架。
在一个实施例中,放射疗法设备是MV能量强度调制放射疗法(IMRT)设备。这样的系统中的强度分布是针对个体患者的治疗要求而定制的。IMRT场由MLC 108递送,MLC 108可以是附接到头114的计算机控制的机械射束整形设备,并且包括金属指或叶片的组装。对于每个射束方向,通过具有优化形状和权重的各种子场的顺序递送来实现优化的强度分布。从一个子场到下一个子场,叶片可以随着放射射束打开(即,动态多叶片准直(DMLC))或随着放射射束关闭(即,分段多叶片准直(SMLC))而移动。
备选地或附加地,放射疗法设备101可以是断层疗法设备、螺旋断层疗法设备或简化的强度调制弧形疗法(SIMAT)设备、体积调制弧形疗法(VMAT)设备或体积高清晰度(或超弧形)疗法(HDRT)。实际上,任何类型的IMRT设备都可以被用作系统100的放射疗法设备101,并且还可以包括板上体积成像,其可以被用来生成在治疗疗程期间所生成的治疗中图像数据。每种类型的放射疗法设备可以伴随有对应的放射计划和放射递送程序。
可以是但不限于图形处理单元(GPU)的控制器200可以包括计算机,其具有诸如处理器之类的适当硬件,以及用于运行各种软件程序和/或通信应用的操作系统。控制器200可以包括操作以与放射疗法设备101通信的软件程序,该软件程序可操作以从外部软件程序和硬件接收数据。计算机还可以包括任何合适的输入/输出(I/O)设备210,其可以适于允许控制器200和放射疗法系统100的用户(例如医务人员)之间的通信。例如,控制器200可以提供有I/O接口、控制台、存储设备、存储器、键盘、鼠标、监控器、打印机、扫描仪以及诸如通信和管理接口(DICOM)之类的部门信息系统(DIS),以用于存储和传输医学成像信息和相关数据,并且使得能够集成诸如扫描仪、服务器、工作站、打印机、网络硬件等等之类的医学成像设备。
备选地或附加地,I/O设备210可以提供对用于在控制器200和远程系统之间传输数据的网络(未示出)的访问。例如,控制器200可以经由I/O 210来与其他计算机和放射疗法系统联网。放射疗法系统100、放射治疗设备101和控制器200可以与网络以及数据库和服务器通信,例如剂量计算服务器(例如,分布式剂量计算框架)和治疗计划系统300。控制器200还可以被配置为在不同的医疗装备之间传送医学图像相关的数据。
系统100还可以包括包含编程指令的多个模块(例如,作为控制器200的一部分,或作为系统100内的单独模块,或被集成到系统100的其它组件中),这些指令在被执行时使系统100执行与自适应放射疗法或其它放射治疗相关的不同功能,如本文所讨论的。例如,系统100可以包括:治疗计划模块,其可操作以基于由医务人员输入到系统中的多个数据来生成针对患者110的治疗计划;患者定位模块,其可操作以针对特定放射疗法治疗而将患者110相对于期望位置(诸如台架的等同中心)来进行定位和对准;图像采集模块,其可操作以指示放射疗法系统和/或成像设备在放射疗法治疗之前采集患者110的图像(即,被用于治疗计划和患者定位的治疗前/参考图像)和/或在放射疗法治疗期间采集患者110的图像(即,治疗中的疗程图像)。以及指示放射疗法系统100和/或成像设备101或其他成像设备或系统采集患者110的图像。
系统100还可以包括:放射剂量预测模块,其可操作以在放射治疗疗法开始之前预测将被递送到患者110的剂量;剂量计算模块,其可操作以计算在放射疗法治疗期间递送到患者110的实际剂量;治疗递送模块,其可操作以指示放射疗法设备100将治疗计划递送到患者110;相关模块,其可操作以使计划图像与在放射疗法期间所获得的治疗中图像相关;计算模块,其可操作以根据治疗中图像重建三维靶体积;分析模块,其可操作以计算位移测量;以及反馈模块,其可操作以基于计算出的位移与预定阈值(范围)的比较来实时地指示控制器停止放射疗法。
系统100还可以包括:一个或多个轮廓生成模块,其可操作以生成治疗前(计划,参考)和治疗中(治疗疗程)图像中的靶体积和其他结构的轮廓;图像配准模块,其可操作以将治疗前图像与随后的治疗中图像配准;剂量计算模块,其可操作以计算累积剂量;轮廓传播模块,其可操作以将轮廓从一个图像传播到另一个图像;轮廓验证模块,其可操作以验证所生成的轮廓;配准变形矢量场生成模块,其可操作以确定作为图像变形过程的结果的变形矢量场(DVF)。系统100还可以包括用于电子密度图生成、等同剂量分布生成、剂量体积直方图(DVH)生成、图像同步、图像显示、治疗计划生成、治疗计划优化、自动优化参数生成、更新和选择、以及自适应命令和治疗信息传送的模块。例如,可以用C或C++编程语言来编写模块。用于执行本文所描述的操作的计算机程序代码可以用任何编程语言来编写,例如C或C++编程语言。
自动治疗计划生成
治疗计划系统300可以被用来基于诸如例如保存在存储设备400中的CT或CBCT图像数据之类的图像数据来生成用于放射疗法系统100的治疗计划。在典型的计划过程中,合格的医务人员(医生)在一个或多个初始参考计划图像上手动绘制轮廓。这些轮廓描绘了将被照射的恶性肿瘤,以及一个或多个其他结构,诸如易受到来自放射暴露的实质性损害的器官、组织等。计划图像也可以被半自动地分割以描绘作为照射靶的恶性肿瘤以及其照射应被限制的任何周围关键结构(OAR)。针对恶性肿瘤的典型描绘包括大体靶体积(GTV)、临床靶体积(CTV)和计划靶体积(PTV)。GTV确定了具有最高肿瘤细胞密度并需要最高规定剂量的解剖区域。GTV是总肿瘤的位置和范围,即可以看到的、触诊的或成像的。CTV包含GTV加上亚临床疾病扩散的边界,其因此无法被完全成像。CTV是必须被充分治疗以实现治愈的体积。PTV考虑到计划或治疗递送中的不确定性。这是一种几何概念,其被设计来确保放射疗法剂量实际被递送到CTV。因此,PTV被用来通过CTV边界的体积膨胀来补偿治疗设置不确定性。参考/计划图像还可以图示软组织、影响物结构、器官、血管、骨骼等。
一旦医生生成治疗参数的列表,诸如但不限于放射要被最大化的靶、放射要被最小化的器官和健康组织区域,则生成治疗计划,该治疗计划还考虑了由用于向患者递送放射的放射疗法系统100施用在治疗过程上的约束。附加地或备选地,治疗计划系统300可以使用来自诸如MRI、PET等的其他成像模态的信息和/或用于生成治疗计划的其他图像数据。然后由医生查看治疗计划以确保其满足患者的临床需要。
自动治疗计划遵循两种一般性的方法/技术。第一种方法(即,基于目的的方法)是开发一种自动优化算法以自动调节用于新患者的优化模型参数,以生成满足某些预定临床标准的满意计划。在基于目的的方法中,为了获得符合预定临床标准的剂量分布,使用具有为剂量分布所定义的成本函数的优化算法(即,表示剂量目标的数学模型)。然后,计划优化需要使成本函数最小化,并且治疗计划是将成本函数最小化的解决方案。计划优化可以包括一系列次优化,每个次优化都将已定义的成本函数最小化。成本函数可以使用剂量目标来定义,但是也可以使用不是剂量目标的目的来定义,例如监控器单元(MU)。
在基于目的的方法中,针对指定优选剂量分布的优化算法的起始点是临床目的(CG)的集合或模板。放射疗法需要医生开具针对治疗患者的放射剂量的适当目的。这些临床目的(CG)可以例如以对靶结构的平均放射剂量(以Gray为单位)和一定体积的器官(诸如危及器官(OAR))禁止超过的剂量的形式而被给出。然而,临床目的也可以以其它维度来给出,这些维度不是对靶结构的放射剂量和对器官体积的剂量的形式。每个给定的目的还可以按优先级排序,优先级描述了与另一个目的相比而言满足一个目的的重要性。这种集合被称为临床目的的优先级化的集合(优先级化的CG)。每个临床目的可以被表达为质量度量Q及其关联的目的值。一组示例性的优先级化的临床目的是:
目的1:靶(PTV)必须接收50Gy:优先级1
目的2:危及器官X(OARx)必须接收少于25Gy:优先级2
目的3:危及器官Y(OARy)必须接收少于30Gy的平均剂量:优先级3
定义针对优先级化(prioritized)的临床目的(CG)的剂量分布的这样一个集合的成本函数(CG)可以示例性地被表达为:
CG=wP1(DPTV-GLPTV)2+wP2(Dx-GLx)2+wP3(Dy-GLy)2 (1)
其中WP1是针对优先级i的加权因子,D是靶结构/器官中的当前剂量,并且GL是靶结构/器官中的目的剂量。该成本函数(CG)仅是示例性的,并且成本函数可以采取许多不同的形式,包括其中临床目的不被表达为剂量-体积目的的成本函数。例如,在计划优化包括一系列次优化的情况下,每个次优化使用剂量目标将已定义的成本函数最小化,次优化的结果可以对照临床目的的质量值而被连续地评估。在这种情况下,对于下一个次优化可以连续地改变成本函数形式。这允许临床目的的表达不同于剂量-体积目的。例如,未被表达为剂量-体积目的的示例性临床目的是入射放射(注量,英语fluence)模式。
不管如何表达成本函数,在基于目的的方法中,一旦成本函数被表达,就可以通过将成本函数(CG)最小化来生成治疗计划候选。可以应用许多算法来将成本函数最小化,包括但不限于计算成本函数的梯度。
第二种方法(即,基于知识的方法)是采用具有类似医学特性的先前治疗的患者的临床批准和递送的计划库,以便为新患者找到产生临床期望计划的参数集合。在该方法中,根据历史患者数据(即,结构和剂量分布)训练的算法(即,例如,剂量体积直方图(DVH)模型)被用作预测新患者结构集合的可实现的剂量分布的起始点。可实现的剂量分布被表示为一对剂量体积直方图(DVH),其表示预测的95%置信区间的下限和上限。这些DVH直方图然后可以被用作针对每个结构的目的(即,例如,线目标)。用于基于知识的方法的成本函数CK因此可以示例性地被表达为:
CK=(DVHPTV-LOPTV)2+(DVHx-LOx)2+(DVHy-LOy)2 (2)
其中DVH是针对靶结构/器官的当前剂量体积直方图曲线,并且LO是针对该靶结构/器官的线目标曲线。
在优先级化的临床目的(CG)的模板以及基于知识的模型都作为优化算法的输入度量而存在的情形中,为了生成满足两个输入的治疗计划,需要确定适当的成本函数。
图3图示了被配置为基于不同输入源的临床数据来生成治疗计划的治疗计划系统300,不同输入源诸如包括作为临床数据的第一集合的优先级化的临床目的(CG)的第一数据源以及包括作为临床数据的第二集合的基于知识的信息(诸如基于知识的模型)的第二数据源。治疗计划系统300包括至少一个处理器310,其具有输入/用户接口311、显示设备313和可选的单独的选择器312、以及治疗计划模块320。虽然被图示为单独的选择器312,但是选择器可以是输入/用户接口的一部分。
治疗计划模块320包括包含处理器可执行指令的程序存储器,当处理器可执行指令由处理器310执行时,生成治疗计划候选和可以由放射疗法系统100的处理单元(例如,控制器200)执行的关联的治疗计划。治疗计划模块320包括多个模块(321-331),其有助于生成治疗计划候选并且最终生成治疗计划。
治疗计划系统300被配置为与包含图像数据的计划图像存储器400通信,并且与知识库500通信,知识库500是包含计划模板以及基于知识的信息的数据库或其他信息检索系统,计划模板包括针对不同解剖结构的临床目的(CG)和优先级,基于知识的信息诸如类似于当前患者记录的患者记录(即,先前/现有治疗计划)、治疗类型和基于知识的统计模型,诸如DVH模型。
为了基于两种类型的输入来生成治疗计划,生成总体成本函数CTotal,其是基于目的的方法的目的(即,目的目标)和基于知识的方法的目的(即,线目标)的加权组合。总体成本函数CTotal可以被表达为:
CTotal=CG+mCK (3)
其中m是可以由用户经由用户接口311改变的加权因子。加权因子m的值越高,给予基于知识的方法的线目标越多权重。例如,对于m=10%,将更多的权重给予基于目的的方法的目的目标,而对于m=90%,将更多的权重给予基于知识的方法的线目标。因此可以使用加权因子m的不同值来生成不同的治疗计划候选。
考虑到临床目的的优先级顺序,总体成本函数CTotal也可以用不同的目标集合来表达:
CTotal=CG+awP1(DVHPTV-LOPTV)2+bwP2(DVHx-LOx)2+cwP3(DVHy-LOy)2(4)
其中来自等式(1)的优先级加权因子WPi被应用于等式2中的线目标成本并与策略加权因子a、b和c结合,其可以被用来生成不同类型的治疗计划。例如,目的加权计划候选可以使用a=0.1、b=0.08和c=0.07,而向基于知识的计划加权的计划候选可以使用例如a=0.9、b=0.08和c=0.7。
下面详细描述获得每个成本函数CG和CK的示例性方式。
为了获得成本函数CG,质量度量生成器321为经由用户接口311获得的一组优先级化的临床目的(CG)中的每个目的生成质量度量Qi。质量度量(Qi)的示例是:靶(PTV)必须接收50Gy,危及器官X(OARx)必须接收少于25Gy,危及器官Y(OARy)必须接收少于30Gy的平均剂量,脊柱最大剂量少于50Gy,获得少于处方剂量的相对(PTV)体积少于5%Gy等。在治疗计划系统300中,如果与不同的目的值相关联,则相同的质量度量Qi可以出现在多个不同的目的中。此外,治疗计划可以涉及多个临床目的,其被表示为具有对应的临床目的值的不同的相应质量度量Q。临床目的的优先级由区分优先级的度量值(0,1,2等)表示,较小的区分优先级的度量值指示优先级更重要。
从个体质量度量Qi中,可以通过指派依赖于质量度量的计划质量来扣除计划质量,这意味着如果仅评估质量度量之一,则用户可以定义计划质量是什么。总体计划质量可以作为依赖于个体质量度量的计划质量的函数而由计划质量生成器324来生成。总体计划质量然后可以表示成本函数CG。成本函数CG在数学上表示用于在基于目的的方法中的优选剂量分布的目标OG。
备选地,每个临床目的可以被表示为连续质量度量(CQM),在这种情况下,计划质量可以被定义为从与质量度量Qi相关联的连续函数Gi(即,Q函数)导出的连续函数Gi。连续函数Gi更详细地描述了质量度量Qi。例如,连续函数Gi可以被配置为影响在优化期间何时要实现对应的质量度量Qi的期望值(Q值)。备选地或附加地,连续函数Gi可以被配置为影响质量度量Qi的期望值相对于另一质量度量Qi和/或相对于质量度量Qi的另一期望值要实现得多快。备选地或附加地,连续函数Gi可以被配置为影响优化器329在优化期间已经实现其期望值之后如何对待质量度量Qi。
连续函数Gi可以由质量度量生成器321生成。备选地,可以由用户经由用户接口311通过允许用户输入不同的参数来定义每个函数来定义连续函数Gi。备选地,用户接口311可以允许用户从先前形成的连续函数的列表中选择期望的连续函数,和/或针对特定患者修改所选择的连续函数。备选地,质量度量生成器321可以被配置为针对每个用户定义的临床目的自动生成连续函数Gi。
然后从个体连续函数Gi获得总体计划质量函数G。例如,函数G可以被定义为所有个体连续函数Gi的最小值。备选地,函数G可以被定义为将与从个体连续函数Gi计算出的个体计划质量的差异最小化的函数。备选地,函数G可以被定义为将像差最小化到不同质量度量评分的函数。
总体计划质量函数G可以表示成本函数CG。成本函数CG在数学上表示用于在基于目的的方法中的优选剂量分布的目标OG。
质量度量Qi、连续质量度量(CQM)、连续质量函数Gi(Q函数)、个体计划质量、总体计划质量和连续计划质量函数G的生成在2018年12月31日提交并转让给Varian医疗系统国际AG的美国专利申请第16/237,489号中进行了详细描述,其全部内容通过引用整体并入本文。
另一方面,为了生成成本函数CK,治疗计划模块320经由用户接口311获得基于知识的信息,包括以下中的一个或多个或其组合:从现有治疗计划的列表中选择的治疗计划、患者几何形状、靶结构的识别、以及危及器官(OAR)的识别、以及先前遵循期望临床实践而开发的剂量分布模型中的一个或多个。治疗计划模块320还可以经由用户接口311获得输入,该输入定义或影响如何为新患者生成剂量分布模型。
包括用来开发这些治疗计划的治疗参数和/或先前模型在内的现有治疗计划可以被存储在知识库500中。备选地,它们可以被存储在存储介质323中。备选地,它们可以被存储在单独的存储设备中,并且经由存储介质323通过有线或无线连接而被传送到治疗计划模块320。
在一些实施例中,治疗计划模块320可以要求用于由模型生成器322创建当前患者剂量分布模型的最小数量的现有治疗计划。例如,为诸如头部或颈部之类的某些解剖区域创建的模型可以要求多于最小数量的计划。模型生成器322可以获得生成鲁棒模型所需的任何数量的先前/现有的治疗计划。可以选择现有的治疗计划作为具有与当前/新患者相同的OAR结构的治疗计划。
现有/先前的治疗计划被用作治疗计划模块320的模型训练器326的基线,以定义当前/新患者的训练剂量分布模型。在一些实施例中,经训练的模型是DVH估计模型。模型训练器326被配置为执行计划和患者数据建模,包括来自临床数据库500的数据提取和随后的模型训练。经训练的模型考虑了当前/新患者的解剖结构和计划目标。DVH估计模型的训练(例如使几何和剂量测定特征相关)通过主成分和回归模型来生成数学参数,以由DVH估计器330使用来基于计划和患者数据建模来估计用于当前/新患者的剂量-体积直方图(DVH)。
模型训练器326可以使用各种可用方法来训练DVH估计模型,诸如但不限于用于现有治疗计划的结构集和剂量矩阵的参数化。参数化识别可接受的临床权衡——包括对OAR的靶覆盖和剂量的权衡,并分析计算出的DVH、到靶的距离直方图(distance-to-targethistogram,缩写DTH)和解剖特征(即,相对重叠体积、相对场外体积、绝对OAR体积、绝对靶体积等)。然而,可以使用任何其它可用的模型训练器方法来训练模型。
模型训练器326还可以被配置为生成并提供关于模型的优度的统计概要作为训练阶段的输出,然后可以将其用作模型训练器评估。还可以提供度量,其测量原始DVH与估计的DVH的上限和下限的均值之间的距离。
然后由DVH估计器330将经训练的DVH估计模型应用于新病例,即新患者,以生成针对新患者的DVH估计。DVH估计可以以标记优化器329在优化期间要实现的上限和下限的带的形式来呈现。DVH估计器330还可以被配置为例如利用PCA回归模型或均值和标准偏差模型来生成最可能的上限和下限DVH。
然后,目标生成器327基于由DVH估计器330获得的DVH估计来确定剂量体积约束(作为线目标LO和/或点目标)。这些目标(例如线目标)可以由目标生成器327转换成一个或多个成本函数CK。在一个实施例中,成本函数CK在数学上表示使用基于知识的方法的优选剂量分布的线目标OL。
目标生成器327还被配置为基于靶结构的处方和用户定义的覆盖来设置靶目标,和/或确定优化目标及其优先级。
备选地或附加地,优化目标及其优先级可以由用户经由用户接口311来添加。备选地或附加地,可以为模型中的每个结构选择线目标LO、上限目标、下限目标、均值目标或这些的任意组合,以及它们各自的优先级。备选地或附加地,优先级可以由用户经由用户接口311来手动定义,或者可以基于DVH估计和靶处方来计算。
备选地或者附加地,如果需要和/或期望的话,用户可以在优化之前向成本函数CK添加另外的目标并且修改优先级。
然后可以在成本函数生成器325中生成总体成本函数CTotal。总体成本函数CTotal可以被表达为加权的个体成本函数CG和CK的和,或基于目的的目标(即,目标的第一集合)和基于行的目标(即,目标的第二集合)的加权和,如等式(3)或(4)所指示的。
在获得总体成本函数CTotal之后,优化器329可以执行治疗计划优化以基于总体成本函数CTotal来确定多个治疗计划候选。优化器329可以通过使用任何适当的最小化技术将总体成本函数CTotal最小化从而执行优化。例如,优化器329可以被配置为确定初始解S;基于所述初始解S来计算剂量D;获得总体成本函数CTotal;计算剂量D周围的总体成本函数CTotal的梯度;将总体成本函数CTotal的梯度投影到解空间中,以得到S的梯度;以及基于初始解S和S的梯度来确定新的解S'。优化器329还被配置为重复这些步骤直到解收敛。
通过对等式(3)中定义的总体成本函数CTotal中的加权因子(m)给出不同的值,优化器329被配置为生成要在显示器313上呈现给用户的多个治疗计划候选,以用于使用选择器312进行选择。例如,可以为10%的加权因子(m)生成第一治疗计划候选。10%的加权因子指示目的加权的计划,这意味着该第一治疗计划候选为基于目的的方法的目标提供更多的权重(即,90%)。类似地,例如90%的加权因子(m)指示基于知识的加权计划,这意味着第二治疗计划候选向基于知识的方法的基于知识的目标给予更多的权重。
当加权因子(m)被表达为优先级加权因子WPi和策略加权因子a、b和c的优先级化的组合时,为因子a、b和c选取不同的值可以被用来生成不同类型的计划。被用于加权因子(m)的值以及类似地被用于策略因子a、b和c的值仅仅是示例性的,并且可以使用任何其他值和/或值的组合来生成不同加权的治疗计划候选。
优化器329对优化过程的解导致为治疗计划候选确定的治疗参数。通过优化不同的治疗计划候选,可以将不同的治疗计划选项给予用户以从中选择。治疗计划可以被存储在治疗计划系统300的存储设备中,以稍后由放射治疗系统100检索,以用于操作治疗系统100根据所挑选的放射治疗计划来递送放射治疗。
尽管本文使用了针对个体成本函数CG和CK的特定表达式,但是应当理解,这些表达式仅仅是示例性的,并且在整个说明书中描述的自动优化被配置为使用成本最小化函数来解决成本函数形式的子问题,该成本函数考虑了不同的信息源以在其搜索最佳计划质量时获得计划候选。
为了优化治疗计划,在治疗计划过程开始时,针对射束轨迹指定多个控制点(CP),这考虑了放射疗法系统100的射束整形元素。每个控制点(CP)与一组治疗参数相关联,包括但不限于一组(MLC)叶片位置、(MLC)形状、台架旋转速度、台架位置、剂量率和/或任何其它参数。控制点(CP)的数量和位置可以以任何方便的方式来设置,诸如但不限于通过使用治疗计划软件或通过系统操作者。在示例性实施例中,射束轨迹可以包括单个180度弧线轨迹和大约177个顺序控制点(CP),这意味着存在LINAC应当符合的177个配置,以便递送计划治疗。基于治疗参数,可以通过任何数量的技术,诸如但不限于笔形射束卷积或任何其他合适的算法,为每个控制点(CP)计算治疗体积内的剂量分布,并且每个(CP)的放射剂量分布可以与对应的台架角度(MLC)配置和监控器单元(MU)相关联。如此,在治疗递送期间,所提取的(CP)参数可以与每个(CP)的对应计算出的剂量分布相关联。
图4图示了用于基于经由用户接口311从用户接收的两个不同输入源的临床输入数据来生成多个治疗计划候选的过程S100。在步骤S101中,治疗计划模块经由用户接口接收一组优先级化的临床目的。在步骤S102中,为优先级化的临床目的生成质量度量或连续质量度量。接下来在步骤S103中生成质量计划或质量计划函数,以获得基于目的的方法的目标OG。
在步骤S104中,治疗计划模块302接收基于知识的信息,包括关于先前治疗计划的信息、被用于先前治疗计划的剂量分布模型以及新的患者信息。在步骤S105中根据基于知识的信息来生成DVH模型,并且在步骤S106中训练DVH模型。在步骤S107中,将经训练的模型应用于新的患者数据以生成DVH估计。在步骤S108中从DVH估计获得基于知识的方法的目标。成本函数CK表示该基于知识的方法的线目标集合。
尽管在图4中图示了模型生成和训练步骤S105和S106,但是应当理解,这些步骤可以在优化之前单独执行,并且所得到的经训练的DVH估计模型被保存在存储介质323中,例如供以后使用。在优化期间,正是这种保存的经训练的DVH估计模型构成了从第二源输入的基于知识的信息(即,基于知识的方法),然后将其自动应用于新患者以生成DVH估计。因此,此先前生成的经训练的DVH估计模型包括关于早期计划的所有相关信息。
在步骤S109中,通过将一组基于目的的方法的目标(OG)与一组基于知识的方法的目标(OL)相加来获得总体成本函数CTotal,其中目标的第二集合包括加权因子(m)。备选地,目标的第二集合中的每个目标可以具有其关联的加权因子(a、b、c等),该加权因子考虑了目标的第一集合的相对优先级。
在步骤S110中,通过优化总体成本函数CTotal来生成两个治疗计划候选。第一治疗计划候选包括例如10%的加权因子(m),并且第二治疗计划候选包括例如90%的加权因子(m)。然后,用户可以在步骤S111中选择最佳地反映期望结果的治疗计划候选。
在图5中图示了示例性候选治疗计划。在剂量预览和计划选择期间,用户可以查看针对不同加权因子(m)所获得的剂量分布和治疗计划候选,并且选择最佳地表示期望治疗结果的治疗计划。所选择的治疗计划可以被存储在处理器310的存储设备中,以被实现为在放射疗法系统100中治疗患者的计划。
另外,在已经在治疗计划系统300中开发了治疗计划之后,并且在由图2中所示的自适应放射治疗系统执行治疗计划之前,医生可以开发一组自适应命令,其是描述自适应治疗的意图的参数/命令/信息的列表,即,针对患者的计划治疗的4D描述。该组自适应命令可以包括关于如下的信息:计划剂量规范(即,Rx处方)、是否要使用自适应或标准IGRT疗法、规定的临床目的(CG)(诸如但不限于靶剂量覆盖和(OAR)风险剂量限制、临床目的值(CG)、计划质量值、总体计划质量值)、计划图像(诸如但不限于CT图像、具有其对应配准信息的支持图像(PET、MRI等))、计划患者模型(即,结构的轮廓、诸如计划图像上的靶体积、OAR和其他结构)、治疗计划3D剂量(即,RT 3D剂量)、结构的列表(靶体积、OAR等)、计划图像上的计划结构的形状和位置相关信息、以及诸如台架角度、(MLC)配置和每个控制点(CP)的监控器单元(MU)之类的治疗计划优化相关信息。
将DVH估计转换为临床目的
基于来自不同输入源的临床输入数据来生成治疗计划的另一种方式是将在基于知识的方法中获得的DVH估计转换为临床目的(转换后的临床目的),并且将这些转换后的临床目的与第一输入源的优先级化的临床目的最初集合一起使用以生成要优化的成本函数。
图6图示了过程S200,通过该过程,可以基于经由用户接口311从用户接收的两个不同输入源的临床输入数据来生成治疗计划。在步骤S201中,治疗计划模块302接收基于知识的信息,包括关于先前治疗计划的信息、被用于先前治疗计划的剂量分布模型以及新的患者信息。在步骤S202中根据基于知识的信息来生成DVH模型,并且在步骤S203中训练DVH模型。在步骤S204中,将经训练的模型应用于新的患者数据以生成DVH估计。
如前面所指出的,模型训练器326可以使用各种可用方法来训练DVH估计模型,诸如但不限于针对现有治疗计划的结构集合和剂量矩阵的参数化。参数化尤其可以识别和分析当前剂量体积直方图曲线(即,当前/实际DVH线)。
尽管在图6中图示了模型生成和训练步骤S202和S203,但是应当理解,这些步骤可以在优化之前单独执行,并且所得到的经训练的DVH估计模型被保存在存储介质323中,例如在优化期间直接被用作从源2输入的基于知识的信息。
一旦将经训练的DVH模型应用于新患者,在步骤S204中可以以一对剂量体积直方图(DVH)(表示预测的95%置信区间的下限和上限)的形式获得针对患者的每个相关结构的DVH估计。然后,对于每个结构,可以获得表示DVH估计的上限和下限之间的均值的DVH线估计。图8图示了用于结构的示例性DVH线估计和实际DVH线。
在步骤S205中,针对每个结构,由DVH转换器331将DVH线估计与实际DVH线进行比较,并且沿着整个DVH线估计来计算差异(与仅在特定剂量-体积点处计算两个DVH线之间的差异相反)。然后可以使用计算出的差异来定义“目的”,诸如在给定体积处的实际剂量(实际DVH)低于估计剂量(即估计DVH)。当在给定体积处的实际剂量低于估计剂量时,这种类型的“目的”被实现(即“通过”)并且具有高质量值。
例如,在图8的区域A(它是由两个DVH线所定义的区域)中,实际DVH线比估计DVH线表现得更好,因为在区域A中的任何给定体积(V)处的实际剂量低于估计剂量,而在区域B中,实际DVH线比估计DVH线表现得更差,因为在该区域中的任何给定体积(V)处的实际剂量高于估计剂量。因此,在区域A中实现了目的,而在区域B中没有实现目的。
通过将针对患者的每个相关结构的DVH估计转换为对应的“目的”,在步骤S205中生成一组“转换后的临床目的”,以添加到在步骤S206中接收的一组优先级化的临床目的。
附加地或备选地,优先级可以与每个转换后的临床目的相关联。例如,通过转换针对靶结构的DVH线估计而生成的目的可以具有与一组优先级化的临床目的(CG)中为该结构指派的优先级相同的优先级。如此,在步骤S205中可以获得一组优先级化的转换后的临床目的。
例如,如图7A中所示,对于在步骤S206中从第一源接收的四个优先级化的临床目的(CG):
目的1:直肠(靶)D95%>95%:优先级1
目的2:膀胱D最大<50Gy:优先级2
目的3:脊髓V50%<10Gy:优先级3
目的4:腮腺D平均<25Gy:优先级4,
在图9中所示的四个“目的”也可以在步骤S205中从对应的结构(即靶直肠、膀胱、脊髓和腮腺)的DVH线估计中生成,包括与针对临床目的CG的优先级相同的优先级。因此,例如,来自步骤S205的一组优先级化的转换后的目的可以包括具有优先级1的直肠DVH线的目的;具有优先级2的膀胱DVH线的目的;具有优先级3的脊髓DVH线的目的;以及具有优先级4的腮腺DVH线的目的。
附加地或备选地,可以根据DVH线估计加上一个标准偏差而不是DVH线估计来生成目的。
为了基于一组原始临床目的(CG)和一组转换后的临床目的来生成治疗计划,在步骤S207中,可以将两组目的添加到质量度量生成器321,以生成质量度量Qi或连续质量度量(CQM),其考虑了从第一源接收的优先级化的临床目的以及从DVH估计线生成的优先级化的转换后的目的。
在步骤S208中,可以获得总体计划质量,其是依赖于个体质量度量的计划质量的函数。对于优先级化的临床目的(CG),可以将优先级化的度量值视为计划质量值。然而,对于每个转换后的临床目的,可以通过对对应的DVH线上的负差异(即,不需要的区域,诸如区域B)求和来获得计划质量值。这些计划质量值中的每一个表示离目的的期望质量有多远。
然后,在步骤S208中生成的计划质量/CQM函数将是依赖于个体质量度量的计划质量的函数,并且因此总体计划质量将是优先级化的临床目的(CG)的计划质量值以及从DVH估计中转换的目的的计划质量值的函数。
总体计划质量可以表示成本函数。该成本函数在数学上表示基于一组原始临床目的和所生成的一组转换后的临床目的的优选剂量分布的剂量目标。
如图7B和图9中所图示的,通过使用考虑了临床和转换后的目的的优先级列表的计划质量度量作为到优化过程的输入,临床目的列表和转换后的目的列表都可以由用户动态地重新排序,以便根据其它优先级来探索剂量分布。
备选地或附加地,通过转换对应的DVH线估计而获得的每个目的可以被用来设置优先级化的临床目的CG度量中的“虚拟”延展目的。例如,如果在具有优先级3的腮腺中,对于少于20%的体积,在优先级化的临床目的列表中存在想要少于40Gy的临床目的CG,并且DVH估计模型表明:对于20%体积的计划群体中的实际DVH是35Gy,则可以基于DVH估计来制定具有较低优先级(即,例如优先级4)的“虚拟延展目的”。这种虚拟延展目的例如可以是对于腮腺中少于20%的体积需要35Gy。可以将这种虚拟延展目的添加到原始的区分优先级的临床目的列表中。以此方式,步骤S209中的优化器329将在其已实现原始目的之后尝试实现延展目的。
备选地或附加地,DVH估计可以被用来获得关于延展目的的信息,这意味着它们不被转换为具有优先级、剂量和体积值的实际临床目的,而是它们向临床目的优化器329给出关于剂量可以被推到超出实际目的多远的信息。
备选地或附加地,可以通过将对应的DVH线估计转换为目的来生成整组优先级化的临床目的。在这种情况下,可以在优化和评估过程中使用一组转换后的优先级化的临床目的而不是一组原始的优先级化的临床目的。
生成辅助目标
当使用一组优先级化的临床目的作为输入度量来优化治疗计划时,满足这些目的的剂量分布在临床上可能仍然是不可接受的。这是由于广泛使用的许多临床目的模板中缺失信息。在标准的非自动工作流中,通过手动添加剂量-体积目标来绕过该问题,剂量-体积目标对优化的剂量分布进行整形,同时满足原始临床目的度量。然而,这可能是包括许多试错的繁重工作,并且因此不能被用于自动计划。
为了解决这个问题,在诸如本文描述的自动治疗计划过程中,采用一种方法来从一组临床目的中自动导出辅助目标,以便引导基于自动临床目的的剂量优化来输出临床上可接受的计划。
图10图示了用于导出这样的辅助目标和用于使用辅助目标来生成可接受的治疗计划的过程S300。在步骤S301中,经由用户接口311接收一组临床目的。在接收到的临床目的中的一个或多个不包含足够信息来描述期望剂量覆盖的情况下,辅助目标在步骤S303中由剂量目标生成器327自动生成,以对表示满足原始临床目的度量的剂量覆盖的DVH曲线进行整形,以包括从输入度量中缺失的剂量覆盖。因此,辅助目标是附加剂量目标,其被自动添加/放置在DVH曲线的不同剂量体积位置以对剂量分布进行整形,同时仍然满足原始临床目的度量。
为了自动生成辅助目标,算法被配置为做出一个或多个假设,诸如:
1)用户希望舒适地满足临床目的(即,具有余量);以及
2)例如,如果患者的几何形状允许,则用户希望均匀剂量到达靶并且在靶外为低剂量。
这些假设仅是示例性的,并且可以做出任何其他适用的假设。
基于这些假设,优化算法自动添加辅助目标,以取决于如下来对结构体积附近的剂量进行整形:
a)剂量处方;
b)结构的类型;
c)临床可行的常识;以及
d)对于诸如后处理或剂量缩放之类的任何干扰,剂量需要有多稳妥。
针对靶目的的辅助目标可以遵循以下规则:
1.在更紧密的剂量-体积点处向目的添加主要辅助目标。例如,对于具有优先级1的目的,可以在D96%>46Gy处添加辅助目标。
2.如果目的是较低目的(<),则可以在100%体积处添加辅助目标(即,D最小),并且如果目的是较高目的(>),则可以在0%体积处添加辅助目标(即,D最大)。可以启发式地确定这些最小/最大辅助目标的剂量点,诸如要求辅助目标在原始目的值的+/-10%内。
3.可以在最大/最小辅助目标和主要辅助目标之间添加附加的辅助目标。附加的辅助目标可以可选地在体积轴中是等间隔的。
在步骤S303中获得的辅助目标也可以在步骤S304中被评估,并且可接受的辅助目标被添加到原始临床目的CG的剂量目标,以在步骤S305中生成成本函数,该成本函数当在步骤S306中被优化时给出临床上可接受的治疗计划。因此,剂量目标与辅助目标一起引导自动的基于临床目的的剂量优化以输出临床上可接受的计划。
在实施例中,在S303中生成的辅助目标是在遵循由原始临床目的的DVH曲线给出的体积值的指数曲率以上和以下的剂量/体积位置处增加的剂量目标。这种辅助目标辅助定义DVH曲线的“肩部”和“尾部”。
在图11A和图11B中示出了这种辅助目标的示例。图11A示出了用于两种结构(结构A和结构B)的剂量分布(DVH曲线),表示满足以下临床目的的剂量覆盖:
1.目的1:靶A D90%>95%
2.目的2:靶A D10%<105%
3.目的3:靶B D90%>95%
4.目的4:靶B D10%<105%
靶A和B中的每一个由两个靶体积值来限定,如图11A和图11B中的三角形所示,一个靶体积值希望DVH曲线在其上方通过,而一个靶体积值希望DVH曲线在其下方通过。尽管为这些临床目的所获得的剂量分布给出了关于10%-95%体积范围内的剂量的信息,但是没有提供针对90%以上和10%以下的体积范围的信息。因此,临床目的目的1到目的4没有提供足够的信息来控制该体积范围。由于不可接受的低最小剂量或不可接受的高最大剂量,仅基于这些临床目的来优化成本函数可能提供临床上不可接受的治疗计划。
对于如图11B中所示的两个结构A和B中的每一个,在遵循两个靶体积值(即,三角形组)的指数曲率之上和之下的剂量/体积位置处添加辅助目标(如图11B中的圆圈所示)辅助限定DVH曲线的肩部(即,高于95%的体积范围)和尾部(即,低于10%的体积范围)。所得到的DVH曲线现在完全被控制在体积范围0-100%的整个范围内,并且得到的治疗计划是临床上可接受的。
附加地或备选地,辅助目标的剂量轴位置可以进一步偏移以虑及缩放误差。
附加地或备选地,还可以生成控制靶结构外部的剂量值的辅助目标,以便限制靶结构外部过高的剂量值。
如上面所指示的,可选地在步骤S304中评估在步骤S303中获得的辅助目标。该评估可以包括:针对每个生成的辅助目标与原始临床目的集合的剂量目之间的冲突而评估每个生成的辅助目标。例如,每个辅助目标可以在它想要的和原始临床目的想要的剂量目标之间进行评估。因此,如果存在两个几何上重叠的结构,则应当避免剂量目标在重叠体积中的冲突的情形。因此,将产生这种重叠的辅助目标将被认为是不可接受的。
附加地或备选地,可以进一步手动或自动地添加来自临床目的的缺失信息的附加目标。
解决临床目的之间的冲突
自动治疗计划尽力实现医生给出的临床目的。然而,检查给定临床目的的物理可行性是乏味的。为了使自动计划系统临床上有用,使用该系统的医生不需要完全检查他们从自动计划系统询问的目的的物理可行性。这导致一些医生提供的临床目的彼此冲突。换句话说,不能同时实现所有目的。临床目的中的冲突导致临床目的具有良好定义的优先级顺序的自动计划系统的问题。
为了解决由冲突的临床目的所引起的问题,设计了一种自动修改临床目的以使其可实现的优化方法。
通常,当优化器329接收到已由用户/医生区分优先级的临床目的(CG)时,通过优化注量以使最高优先级目的通过来处理最高优先级目的,从而开始优化。一旦达到最高优先级目的,优化就转移到优先级列表中的下一个临床目的。该过程在整个临床目的列表中继续进行。
当优化遇到可能与列表中的另一目的冲突或不兼容的临床目的时,优化适配不兼容目的并用兼容目的代替不兼容目的。兼容目的是在为原始较低优先级不兼容目的提供尽可能好的实现值的同时允许所有较高优先级目的通过的目的。通过替换不兼容目的,优化可以遍历列表中的剩余目的来继续治疗计划优化。
在图12中图示了实现优化过程的这种自动适配的过程S400。在步骤S401中,接收一组优先级化的临床目的。对于涉及两个结构(计划靶体积(PTV)和危及器官(OAR))的情况,该组包括例如三个临床目的CG1、CG2和CG3,具有对应的优先级1、2和3,如图13中所示:
目的1(CG1):D95%>50Gy(由95%的PTV体积接收的剂量至少为50Gy):优先级1;
目的2(CG2):D最大<25Gy(由OAR接收的最大剂量低于25Gy):优先级2:
目的3(CG3):D最大<55Gy(在PTV处接收的最大剂量低于55Gy):优先级3。
在步骤S402中,可以为该组优先级化的临床目的生成质量度量Qi或连续质量度量(COM),基于其,可以在步骤S403中生成一个或多个计划质量函数。然后,在步骤S404中的优化期间,优化器329将试图通过将基于计划质量函数而生成的成本函数(C)最小化来优化注量以使每个临床目的CG1、CG2和CG3通过。为了将成本函数(C)最小化,优化算法试图找到成本函数(C)的局部或全局最小值,这是函数参数的进一步微调在损耗中产生很少变化或不产生变化的点。收敛到该最小值是一个可以通过一个或多个优化迭代来实现的渐进过程。当优化模型迭代时,成本函数(C)的参数被微调或校正以进一步减小成本函数,从而在S405中使成本函数(C)逐渐朝向该最小值收敛。
为了优化每个目的,优化过程在S406中通过产生试图满足最高优先级目的CG1的注量而开始。如果没有实现CG1,则优化算法在S407中自动修改CG1。优化模型在决定修改CG1之前可能经历的迭代次数可以是先前预定的次数。
备选地或附加地,优化模型在决定修改CG1之前可能经历的迭代次数可以是用户先前设置的次数。
备选地或附加地,可以基于在先前迭代中获得的结果而自适应地做出关于何时停止尝试实现CG1并继续修改CG1的决定。
备选地或附加地,可以基于预定的尝试时间长度来做出关于何时停止尝试实现CG1并继续修改CG1的决定。
备选地或附加地,可以基于所应用的最小化过程来做出关于何时停止尝试实现CG1并继续修改CG1的决定。
备选地或附加地,可以基于所使用的时间流逝和最小化方法的组合来做出关于何时停止尝试实现CG1并继续修改CG1的决定。
备选地或附加地,可以实现自动决定何时修改CG1的任何其他合适的方法。
当尝试满足目的CG1时,优化收集关于目的CG1能够实现的值的信息。换句话说,优化器知道对于CG1至少可实现哪些最小剂量值。从这些已知的可实现值中,优化器将在S407中选择CG1的修改后的目的值(即,MOD CG1),其尽可能接近CG1的给定目的值。
例如,如果确定优化器能够获得注量的最佳结果对于CG1是45Gy,则该值将替换50Gy的原始CG1值。CG1的新适配值,即MOD CG1,变为D95%>45Gy。这样,通过用兼容目的MODCG1替换它,优化适配了不兼容目的CG1。通过这种替换,优化可以找到MOD CG1通过的状态,并且可以开始优化列表中的下一个目的,即步骤S408中的CG2,同时确保:如果CG1没有被修改,则CG1保持通过,或者如果CG1已被修改,则MOD CG1保持通过。
备选地或附加地,代替用修改后的MOD CG1值来替换原始CG1值,可以实现用具有MOD CG1值的第一目的和具有较低优先级并具有在MOD CG1值和原始CG1值之间的值的第二延展目的来替换原始目的CG1。
应当理解,对结果进行改善的用于CG1的目的值修改的任何方式都可以被实现。
一旦实现CG1或MOD CG1,优化转移到优先级列表中的下一个目的,即CG2。如果在步骤S408中确定CG2与CG1有冲突(如果在S406中CG1未被修改),或者与MOD CG1有冲突(如果在S407中CG1已被修改),因此当CG1或MOD CG1通过时CG2不能通过(即,如果实现了CG1或MOD CG1,则不能实现CG2),则在S409中修改CG2以允许S409的CG1或MOD CG1和修改后的MODCG2通过。
最初,优化不知道CG1或MOD CG1与CG2之间的不兼容性,并尝试实现CG2。在尝试不成功地满足CG2一段时间之后,断定:目的CG2与CG1或MOD CG1不兼容。在此时,使用S409的修改后的目的MOD CG2。优化模型在决定修改CG3之前可能经历的迭代次数可以是先前预定的次数。
备选地或附加地,优化模型在决定修改CG2之前可能经历的迭代次数可以是用户先前设置的次数。
备选地或附加地,可以基于在先前迭代中获得的结果而自适应地做出关于何时停止尝试实现CG2并继续修改CG2的决定。
备选地或附加地,可以基于预定的尝试时间长度来做出关于何时停止尝试实现CG2并继续修改CG2的决定。
备选地或附加地,可以基于所应用的最小化过程来做出关于何时停止尝试实现CG2并继续修改CG2的决定。
备选地或附加地,可以基于所使用的时间流逝和最小化方法的组合来做出关于何时停止尝试实现CG2并继续修改CG2的决定。
备选地或附加地,可以实现自动决定何时修改CG2的任何其他合适的方法。
当尝试满足不兼容的目的CG2时,优化收集当较高优先级目的CG1或修改(MOD)CG1通过时关于目的CG2能够实现的值的信息。换句话说,优化器知道对于CG2至少可实现哪些最大剂量值。从这些已知的可实现值中,优化器将在S409中选择CG2的修改后的目的值(即,MOD CG2),其尽可能接近CG2的给定目的值,同时仍然考虑较高优先级目的CG1或MOD CG1。
例如,如果确定优化器能够获得注量的最佳结果对于CG2是37.5Gy,则该值将替换25Gy的原始CG2值。CG2的新适应值,即MOD CG2,变为D最大<37.5Gy。这样,通过用兼容目的MODCG2替换它,优化适配了不兼容目的CG2。通过这种替换,优化可以找到CG1或MOD CG1和MODCG2都通过的状态,并且可以开始优化列表中的下一个目的,即步骤S410中的CG3,同时确保CG1或MOD CG1和MOD CG2都保持通过。
备选地或附加地,代替用修改后的MOD CG2值来替换原始CG2值,可以实现用具有MOD CG2值的第一目的和具有较低优先级并具有在MOD CG2值和原始CG2值之间的值的第二延展目的来替换原始目的CG2。
应当理解,对结果进行改善的用于CG2的目的值修改的任何方式都可以被实现。
优化将再次尝试产生满足CG3以及所有较高优先级目的的注量,即CG1或MOD CG1和CG2(如果在S408中CG2未被修改),或MOD CG2(如果在S409中CG2已被修改)。在尝试不成功地满足目的CG3一段时间之后,在S410中断定:CG3与CG1或MOD CG1不兼容,和/或与CG2或MOD CG2不兼容。如果在S410中断定:它与CG1或MOD CG1不兼容,或与CG2或MOD CG2不兼容,则它在S411中将CG3修改为MOD CG3。优化模型在决定修改CG2之前可能经历的迭代次数可以是先前预定的次数。
备选地或附加地,优化模型在决定修改CG3之前可能经历的迭代次数可以是用户先前设置的次数。
备选地或附加地,可以基于在先前迭代中获得的结果而自适应地做出关于何时停止尝试实现CG3并继续修改CG3的决定。
备选地或附加地,可以基于预定的尝试时间长度来做出关于何时停止尝试实现CG3并继续修改CG3的决定。
备选地或附加地,可以基于所应用的最小化过程来做出关于何时停止尝试实现CG3并继续修改CG3的决定。
备选地或附加地,可以基于所使用的时间流逝和最小化方法的组合来做出关于何时停止尝试实现CG3并继续修改CG3的决定。
备选地或附加地,可以实现自动决定何时修改CG3的任何其他合适的方法。
如前所述,当尝试满足不兼容的目的CG3时,优化收集当较高优先级的目的CG1或MOD CG1和CG2或MOD CG2通过时关于目的CG3能够实现的值的信息。换句话说,优化器知道对于CG3至少可实现哪些最大剂量值。从这些已知的可实现值中,优化器将在S411中选择CG3的修改后的目的值(即,MOD CG3),其尽可能接近CG3的给定目的值,同时仍然考虑较高优先级目的CG1或MOD CG1和CG2或MOD CG2。
备选地或附加地,代替用修改后的MOD CG3值来替换原始CG3值,可以实现用具有MOD CG3值的第一目的和具有较低优先级并具有在MOD CG3值和原始CG3值之间的值的第二延展目的来替换原始目的CG3。
应当理解,对结果进行改善的用于CG3的目的值修改的任何方式都可以被实现。
当发现通过列表中的所有目的的注量时,过程S400在S412处结束。
附加地或备选地,过程S400还可以包括在每次迭代时确定当前状态是否是最佳状态的步骤S413,以及在优化期间存储最佳优化状态(注量、目标及其权重等)的步骤S414。该状态对应于所有较高优先级目的都通过的状态,并且当前最优化工作的目的处于其已经达到的最佳状态。当优化断定当前工作的目的与其它目的不兼容时,在步骤S415中,它可以很容易返回到最佳状态。因此,该状态可以被自动地设置为将被用来确定针对经适配的临床目的的值的状态,并且优化然后可以从该状态继续,其中所有目的通过从列表中的最高优先级目的到下一个目的。
附加地或备选地,过程S400还可以包括存储经适配的CG值以供在优化过程的稍后阶段使用。
应当理解,在过程S400中使用的临床目的的数量和每个原始和修改后的临床目的的值仅仅是示例性的,并且S400的自动适配过程可以被应用于任何数量的临床目的和任何适当的修改值。
还应当理解,本文描述的临床目的的自动修改的定时仅仅是示例性的,并且可以实现目的修改的任何其他合适方式。
过程S400还可以被应用于其中临床目的被表示为连续质量度量(CQM)的实施例,在这种情况下,当遇到不能达到的目的时,可以将针对该目的的连续质量度量(CQM)设置为对于高于和等于当前水平的所有优先级水平已经达到的(CQM)水平。因此,当如过程S400中那样修改临床目的时,也可以修改对应的连续函数Gi(即,Q函数),其表示(CQM)并且定义不同的计划质量(即,描述了对于给定优先级P获得Q度量的某一实现值的重要性)。
例如,图14A示出了原始临床目的CG1、CG2和CG3的Q函数,并且图14B图示了过程S400的修改后的临床目的CG1、CG2、CG3的Q函数。Y轴上的Q值对应于处方剂量的各部分。例如,Q=0对应于0Gy的剂量,Q=0.5对应于25Gy的剂量,并且Q=1对应于50Gy的剂量。X轴上的P值对应于每个目的的优先级(即,P=1意指优先级1,P=2意指优先级2,等等)。
如图14A中所示,原始Q度量要求CG1达到Q值为1,因此剂量为50Gy,P值为1,因此优先级为1。CG2达到Q值为0.5,因此剂量为25Gy,P值为2,因此优先级为2。CG3到达Q值为1.1,因此剂量为55Gy,P值为3,因此优先级为3。
另一方面,如图14B中所示,修改后的Q度量要求CG1达到Q值为1,因此剂量为50Gy,P值为1,因此优先级为1。CG2达到Q值为0.75,因此修改后的剂量为37.5Gy,P值为2,因此优先级为2,并且CG3达到Q值为1.1,因此剂量为55Gy,P值为3,因此优先级为3。
如此,不管临床目的被表示为质量度量Q还是被表示为连续质量度量(CQM),优化器都被配置为在冲突期间通过自动修改较低优先级目的直到满足该组中的所有较高优先级目的来自动修改用户定义的优先级化的临床目的。
自适应疗法中的自动计划优化
自适应放射治疗是这样一种过程,通过该过程,使用后续图像,可以调节原始治疗计划以抵消在患者中发生的解剖变化。如图2中所示,自适应放射疗法过程是闭环放射治疗过程,其中可以使用测量的系统反馈来修改(适配)治疗计划。通过系统地监控治疗变化并且通过将它们合并以在治疗过程期间重新优化治疗计划,自适应放射疗法改进了放射治疗。
自适应放射治疗可以以三种不同的时间量程而发生,即,治疗分次之间离线,治疗分次之前立即在线,以及治疗分次期间实时。
在离线自适应疗法过程中,在每个治疗分次期间,在每个分次之前或之后采集患者的新图像(例如CT或CTBC图像),并且对图像进行评估以确定靶体积的多天位置。基于此,可以开发新的计划(即,例如经调度的计划)以更好地反映靶体积的运动范围。
在在线自适应疗法过程中,可以在分次之前使用放射疗法系统,以验证或调节用于治疗递送的患者治疗计划。因此,成像系统可以被用来同时修改治疗递送以反映患者解剖结构的变化。
在实时(治疗床上)自适应疗法过程中,可以在治疗分次期间使用放射疗法系统。治疗床上的自适应放射疗法允许在患者处于治疗台上时基于肿瘤和解剖结构变化而调节治疗计划。
在图2和图15-图18中所示的自适应工作流中,对于每个治疗疗程,向临床医生提供两种计划以从中挑选用于治疗。第一计划是经调度的计划,而第二计划是经适配的计划,该经适配的计划是针对一天的图像(即,治疗疗程图像)进行适配的计划。两个计划都被显示给临床医生,并且基于所显示的图像数据,临床医生决定使用哪个计划来治疗患者。
然而,在自适应工作流中生成和优化经适配的计划是耗时的。为了加速该过程,采用了一种方法,其中新的适配计划的生成不是从头开始,而是以包含在经调度的计划中的信息开始,从经调度的计划中使用的信息量取决于经调度的计划的质量。
在图2和图15-图18中所示的示例性自适应工作流中,为了生成经调度的和经适配的计划,首先由处方者开发的一组自适应命令被发送到控制器200以被保存在其中和/或在自适应疗法疗程期间经由部门信息系统(例如DICOM)而使其可用。该组命令中的参考图像可以是先前例如针对相同或不同患者在可能于不同天或同一天发生的不同成像疗程中所获得的。
参考图像也可以是不同个体的图像,在这种情况下,图像配准可以被用来将患者图像映射到图谱患者图像。参考图像也可以是经由不对应于任何个体的人工智能(A1)分割而人工创建的图像。
在示例性实施例中,参考图像是在治疗计划阶段期间为患者110获得的计划图像。参考图像可以包括一组描绘的参考结构,诸如一个或多个靶体积(例如PTV、CTV、GTV)、一个或多个受影响的器官(例如OAR)、一个或多个感兴趣的解剖结构(例如身体轮廓)以及例如一个或多个非体积结构。
一旦该组自适应命令在治疗站处可用,临床医生就执行第一级治疗修改,其以与标准放射疗法治疗相同的方式将患者110设置在治疗床112上,并且使用指示等同中心位置的传统皮肤标记将患者110移动到成像位置S502,这实质上意味着将患者110带到放射疗法系统100的等同中心。
在患者设置之后,下一步骤S503是使用放射成像设备101来采集患者110的感兴趣部分的一个或多个疗程图像。在示例性实施例中,治疗疗程图像是例如在治疗疗程期间通过用放射120照射患者110的感兴趣区域而获得的3D或4D CBCT扫描。这个治疗疗程图像可以示出患者的骨骼结构,但不包括靶体积或其他结构的任何描绘。
然后,在S504中,用户可以初始化治疗疗程图像上的参考结构的轮廓的生成,以获得治疗疗程患者模型。当在S503中采集治疗疗程图像(即,例如CBCT图像)时,治疗疗程图像的中心对应于采集等同中心。如果通过将采集等同中心与系统等同中心对准来治疗患者110,则将不会正确地治疗患者110,因为如图18中所示,疗程靶体积没有与计划靶体积对准。为了在S505中确定正确的治疗等同中心,在S600中提示系统100自动地将所获得的计划患者模型的计划靶体积与在S504中获得的疗程患者模型的疗程靶体积对准。
如图18中所示,这种对准提供了采集等同中心和参考治疗等同中心之间的差异。根据该差异,计算平移(X,Y,Z)值,即患者110需要在X、Y和Z方向上移动多少才能使两个等同中心对准。然后将计算出的平移值应用于采集等同中心,以使得在S601中确定治疗等同中心位置。然后将该治疗等同中心位置提供给剂量体积计算算法,该算法使用关于原始治疗计划的信息在S602中生成经调度的计划。
经调度的计划可以包括实施患者的期望治疗所需的一个或多个控制点(CP)的放射剂量信息和射束形状信息(即,MLC配置)。还可以将在S505中生成的经调度的计划应用于剂量计算算法,以在S506中根据经调度的计划来计算要被应用于疗程靶体积的放射剂量。在S509中,可以将这样生成的经调度的剂量矩阵与所生成的经调度的计划和经调度的等同剂量值一起发送到系统100的显示设备,以便为用户进行显示。
为了生成经适配的计划,在S507中,将传播的疗程结构与经调度的计划一起用作S700中的自动计划生成算法的输入。计划生成算法可以将来自现有优化模型的若干组件(例如,用于VMAT和IMRT的光子优化算法(PO-GPU),用于叶排序的智能IMC算法,用于DVH估计的快速计划,用于优化剂量计算的FTDC-GPU,用于最终剂量计算的AcurosXP-GPU)与允许自动生成、自动选择和自动连续修改优化参数的附加组件进行组合,通过这些,算法S700以及最终所生成的计划被优化。
S700的自动计划生成算法将传播的疗程结构(即,靶结构,OAR)用作输入,以基于新的解剖结构来修改经调度的计划。在S701中,可以使用针对一个或多个控制点(CP)的经调度的计划的治疗参数来自动生成用于自适应计划生成的一组优化参数/标准。
例如,基于经调度的计划中的每个控制点(CP)的(MLC)配置,可以计算用于当前计划的剂量分布。计算出的剂量分布指示靶结构中的实际剂量分布和基于当前计划可以实现的OAR。
由于相对于原始临床目的(CG)的优先级值P(即,优先级1、优先级2、优先级3等)到该目的的实现值(即,针对该目的所实现的实际剂量)的映射给出了针对该目的的计划质量,因此可以根据计算出的剂量分布来确定相关于原始临床目的(CG)的针对当前计划的计划质量。这可以通过确定与该目的的实际剂量值相对应的优先级值P来完成。在质量目的度量由质量函数(Q函数)表示的情况下,可以从为临床目的生成的Q函数中读取P值,例如如图14A、图14B中所示。目的的优先级P的值越大,满足该目的越好,并且因此针对该目的的计划质量也越好。
因此,根据步骤S702的计算出的剂量分布,可以获得针对当前计划的一组计划质量值Ps,每个计划质量值Ps用于每个原始临床目的CG。
可选地,在步骤S703中,例如还可以通过取所有个体目的质量值中的最小值,从个体当前计划质量中获得针对当前计划的总体计划质量。
备选地,可以通过将总体计划质量定义为使与个体计划质量的差异最小化的总体计划质量来获得针对当前计划的总体计划质量。
在步骤S703中,基于当前计划的整体质量的值P,可以做出关于当前计划是否可接受的决定,在这种情况下,当前计划变为经适配的计划。如果当前计划不是可接受的情况下,在S705中经由多分辨率调节来自动调节在S701中被用作到优化算法的输入的控制点。调节控制点改变了S702中的剂量分布,这然后改变了当前计划的计划质量值。然后在S703中再次计算总体计划质量,以确定随后获得的计划是否可接受或者是否需要在S705中进一步调节控制点。
S705中的多分辨率调节允许多级(例如四级)调节,从级1的粗调节到级4的细调节。级4调节允许剂量分布的微调谐。
对于优化算法的每次迭代,例如可以通过在步骤S704中将计算出的一个/多个质量值与原始治疗计划的计划质量值/总体计划质量值进行比较来做出关于针对当前计划的个体计划质量值或总体计划质量值是否可接受的决定。如果差异超过预定阈值,则结果被确定为不可接受的,在这种情况下,在S705中逐渐修改控制点(CP)。可以基于计算出的差异来确定调节量,并且因此确定分辨率级。
当被接受时,经调度的计划被优化为剂量测定特性与原始计划的治疗计划的剂量分布相似的剂量分布。因此,经适配的计划应在与原始治疗计划相似的程度上满足原始临床目的。
在S507中生成的经适配的计划还可以被应用于剂量计算算法,以根据经适配的计划来计算在S508中被应用于疗程靶体积的放射剂量。这样生成的经适配的剂量矩阵可以与所生成的经适配的计划和经适配的等同剂量值一起被发送到显示设备,以便在S509中为用户进行显示,供用户在S510中选择在S511中要递送给患者的适当计划。一旦用户选择了治疗计划,放射治疗将根据所选择的计划在S511中进行。生成原始治疗计划、自适应命令和自适应工作流的处方医生或任何其他合格医生可以离线查看和/或监控治疗递送,如图15中所示。
因此,很明显,所公开的主题实现了自适应放射疗法疗程的自动化工作流,以获得一组命令,该组命令包括针对患者的原始治疗计划的计划质量值;使用来自该组命令的信息来生成疗程患者模型;以及基于根据原始治疗计划的计划质量值而优化的先前治疗计划来生成用于疗程患者模型的经适配的治疗计划。
还显而易见的是,所公开的主题使得能够基于来自先前治疗计划的信息而自动生成经适配的计划,其中被用于生成经适配的计划的信息量取决于先前计划的质量。
还显而易见的是,所公开的主题允许基于不同的输入度量来自动生成和优化治疗计划。
还显而易见的是,所公开的主题允许在目的冲突的情况下自动修改临床目的。
还显而易见的是,所公开的主题允许自动选择辅助目标。
还显而易见的是,公开了一种自动治疗计划系统,包括:用户接口;和治疗计划模块,其被配置为基于经由所述用户接口接收到的针对第一数据源的临床数据而导出的目标的第一集合和针对不同的第二数据源的临床数据而导出的目标的第二集合的加权组合来自动生成一个或多个治疗计划候选。
第一数据源可以包括临床目的的优先级化集合,并且第二数据源可以包括基于知识的信息。
治疗计划模块可以包括:函数生成器,该函数生成器被配置为为生成针对组合的目标集合的成本函数;以及优化器,被配置为基于所生成的成本函数来生成一个或多个治疗计划候选。
该治疗计划模块还可以被配置为:生成表示目标的第一集合的第一成本函数;以及生成表示目标的第二集合的第二成本函数;其中成本函数是第一成本函数和第二成本函数的加权组合。
第一成本函数可以通过基于目的的方法获得,并且第二成本函数可以通过基于知识的方法获得。
优化器还可以被配置为确定针对治疗计划候选的治疗参数,其中治疗参数能够由治疗设备的处理单元执行以根据所选择的治疗计划候选来操作治疗设备。
第一治疗计划候选可以包括针对第二成本函数的、为10%的加权因子(m),并且第二治疗计划候选可以包括针对第二成本函数的、为90%的加权因子(m)。
该系统还可以包括选择器,该选择器被配置为允许用户从所生成的治疗计划候选中选择治疗计划候选。
还公开了一种用于自动生成多个治疗计划候选的方法,其可以包括:经由用户接口接收来自第一数据源的临床数据的第一集合和来自第二数据源的临床数据的第二集合;为临床数据的第一集合生成第一成本函数;为临床数据的第二集合生成第二成本函数;针对组合的第一和临床数据的第二集合生成成本函数,其中该成本函数是第一成本函数和第二成本函数的加权和;以及通过优化成本函数来生成多个治疗计划候选,其中优化受到第二成本函数的加权值影响。
第一临床数据源可以包括临床目的的优先级化集合,并且第二临床数据源可以包括基于知识的信息。
可以使用基于临床目的的方法来获得第一成本函数,并且可以使用基于知识的方法来获得第二成本函数。
该方法还可以包括:从多个治疗计划候选中选择治疗计划候选;以及确定针对所选择的治疗计划候选的治疗参数,该治疗参数能够由治疗设备的处理单元执行以根据所选择的治疗计划候选来操作治疗设备。
还公开了一种自动治疗计划系统,其可以包括:用户接口;和治疗计划模块,其被配置为基于临床目的的优先级化集合和临床目的的集合来自动生成治疗计划候选,临床目的的优先级化集合是经由用户接口获得的,临床目的的集合是从使用基于知识的剂量体积直方图(DVH)模型获得的DVH估计转换来的。
治疗计划模块可以被配置为:基于DVH模型来为患者的每个相关结构获得剂量体积直方图(DVH)估计;将DVH估计转换为临床目的;基于临床目的的所述优先级化集合和从DVH估计中所转换的临床目的来生成质量度量;基于质量度量来生成成本函数;以及基于成本函数来生成治疗计划。
将DVH估计转换为临床目的可以包括:将表示结构的当前DVH的DVH线与表示DVH估计的DVH线进行比较;以及计算表示当前DVH线与估计DVH线之间的差异的值。
值的计算可以包括计算当前与估计DVH线之间的负差异的平方和。
负差异可以表示当前与估计DVH线之间的在整个DVH线上的差异。
所生成的临床目的可以包括对应的优先级。
治疗计划模块还可以包括:用于生成质量度量的质量度量生成器,其中优先级化的临床目的和转换后的临床目的的相对优先级被配置为由用户经由用户接口动态地修改。
自动治疗计划系统还可以包括:优化器,用以通过优化成本函数来生成治疗计划参数;以及控制器,用以基于质量度量来控制优化。
还公开了一种用于生成治疗计划的方法,其可以包括:应用基于知识的模型来生成针对患者的结构的估计DVH线;将估计DVH线转换为所生成的临床目的集合,每个所生成的临床目的包括优先级;基于所生成的临床目的和经由用户接口从第一临床数据源获得的优先级化的临床目的来生成质量度量;基于质量度量生成成本函数;以及通过优化成本函数来生成治疗计划,其中优先级化的临床目的的相对优先级和所生成的临床目的的相对优先级被配置为由用户经由用户接口来动态地修改,并且其中优化由质量度量来引导。
转换可以包括:将表示用于结构的当前DVH的DVH线与表示DVH估计的DVH线进行比较;以及计算表示当前与估计DVH线之间的差异的值。
值的计算可以包括:计算当前与估计DVH线之间的负差异的平方和,其中负差异表示当前与估计DVH线之间在整个DVH线上的差。
用于生成治疗计划的方法还可以包括:基于优化的成本函数来生成治疗计划参数,治疗计划参数被配置为由治疗设备执行。
还公开了一种自动治疗计划系统,其可以包括:用户接口;和治疗计划模块,其被配置为基于经由用户接口接收到的临床目的而导出的目标来自动生成治疗计划,其中目标包括剂量目标和辅助目标。
可以自动生成辅助目标。
可以为缺失足够剂量信息的每个临床目的生成辅助目标。
治疗计划模块可以包括:质量度量生成器,其基于临床目的来生成质量度量;剂量目标生成器,其被配置为针对每个质量度量自动生成辅助目标,每个辅助目标对相应质量度量的剂量目标进行整形;成本函数生成器,其被配置为生成表示目标的成本函数;以及优化器,其被配置为基于成本函数来生成治疗计划。
治疗计划模块还可以被配置为针对与相应剂量目标的冲突来评估所生成的辅助目标。
优化器可以被配置为优化成本函数并确定用于治疗计划的计划参数。
还公开了一种用于针对临床目的的给定输入自动选择辅助目标的方法,该方法可以包括:为临床目的生成剂量目标;以及当剂量目标没有达到期望的剂量覆盖时,自动生成辅助目标以对相应临床目的的剂量目标进行整形,其中辅助目标的生成包括偏移为临床目的所生成的DVH曲线的剂量或体积位置。
输入的临床目的可以是优先级化的临床目的。
还公开了一种用于在治疗计划中的冲突期间自动修改用户定义的优先级化的临床目的的系统,其可以包括:优化器,其被配置为按照用户定义的优先级化的临床目的的优先级来自动生成满足用户定义的优先级化的临床目的的注量;其中当两个临床目的之间存在冲突时,优化器被配置为自动修改较低优先级临床目的,直到达到所有较高优先级目的并且冲突被解决。
该系统还可以包括存储介质,用于将修改后的一组区分优先级的临床目的存储为最佳临床目的优化器(CGO)状态。
该系统还可以包括计划质量函数生成器,该计划质量函数生成器被配置为基于使用经适配的临床目的的优先级化集合而生成的质量度量来生成一个或多个计划质量函数。
该系统还可以包括治疗计划模块,其被配置为基于所生成的一个或多个计划质量函数来生成治疗计划。
还公开了一种用于自适应放射疗法疗程的自动化工作流,其可以包括:获得一组命令,该组命令包括针对患者的原始治疗计划的计划质量值;使用来自该组命令的信息来生成疗程患者模型;以及生成用于疗程患者模型的经适配的治疗计划,其中经适配的治疗计划是通过以下步骤生成的:使用经调度的治疗计划作为治疗计划生成算法的输入以生成当前计划,其中计划生成算法包括基于经调度的治疗计划的控制点来自动生成的优化参数;以及通过基于原始治疗计划的计划质量值优化当前计划来生成经适配的治疗计划。
工作流还可以包括:基于经调度的治疗计划的控制点来确定针对当前计划的剂量分布;基于所确定的剂量分布来确定用于当前计划的计划质量值;以及将所确定的计划质量值与原始计划质量值进行比较,其中基于比较的结果递增地调节被用于优化当前计划的控制点。
该组命令可以包括关于计划的放射剂量、计划的临床目的、计划的临床目的值、参考患者模型、参考治疗计划和一个或多个参考图像的信息。
用于疗程患者模型的经调度的治疗计划可以是先前生成的计划。
还公开了包括计算机处理设备的系统,该计算机处理设备被配置为执行体现在计算机可读存储介质上的编程指令序列,该编程指令序列的执行使该系统执行本文公开的任何方法步骤中的任何一个或者备选地执行其组合。
还公开了一种在其上体现了用于生成要在自适应放射疗法中使用的按天治疗图像的编程指令序列的非暂时性计算机可读存储介质,以及一种执行体现在计算机可读存储介质上的编程指令序列的计算机处理系统。编程指令序列的执行可以使计算机处理系统执行本文描述的自动治疗计划和优化过程。
应当了解,所公开的主题的各方面可以全部或部分地以硬件、由软件所编程的硬件、存储在计算机可读介质(例如,非暂时性计算机可读介质)上的软件指令或以上的任何组合来实现。
例如,所公开的主题的组件(包括诸如控制器、过程或任何其它特征之类的组件)可以包括但不限于个人计算机或工作站或其它此类计算系统,其包括处理器、微处理器、微控制器设备或由包括集成电路(诸如例如专用集成电路(ASIC))的控制逻辑组成。
本文讨论的特征可以在单个或分布式处理器(单核和/或多核)上执行,由分布在多个计算机或系统上的组件来执行,或由共同位于单个处理器或系统中的组件来执行。举例来说,可以经由编程的通用计算机、集成电路设备(例如ASIC)、数字信号处理器(DSP)、用微码编程的电子设备(例如微处理器或微控制器)、硬连线电子或逻辑电路、可编程逻辑电路(例如可编程逻辑器件(PLD)、可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、可编程阵列逻辑(PAL))、存储在计算机可读介质或信号上的软件、光学计算设备、电子和/或光学设备的联网系统、专用计算设备、半导体芯片、存储在计算机可读介质或信号上的软件模块或对象来实现所公开的主题的各方面。
当以软件实现时,功能可以作为一个或多个指令或代码而被存储在计算机可读介质上或通过计算机可读介质来传输。本文公开的算法或方法的步骤可以被体现在处理器可执行软件模块中,该处理器可执行软件模块可以驻留于计算机可读介质上。可以从根据编程语言提供的源代码指令来编译指令。编程指令序列和与其相关联的数据可以被存储在诸如计算机存储器或存储设备之类的计算机可读介质(例如,非暂时性计算机可读介质)中,其可以是任何合适的存储器装置,诸如但不限于只读存储器(ROM)、可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、闪存、磁盘驱动器等。
如本文中所使用的,计算机可读介质包括计算机存储介质和通信介质,包括便于将计算机程序从一个地方传送到另一个地方的任何介质。因此,存储介质可以是可由计算机访问的任何可用介质。作为示例而非限制,这样的计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备或可以被用来携带或存储指令或数据结构形式的所需程序代码并可由计算机访问的任何其它介质。
而且,任何连接被适当地称为计算机可读介质。举例来说,如果使用传输介质(例如,同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术)从网站、服务器或其它远程源传输软件,那么传输介质被包括在计算机可读介质的定义中。此外,方法或算法的操作可以作为机器可读介质和/或计算机可读介质上的代码和/或指令的集合中的一个(或其任何组合)驻留,其可以被合并到计算机程序产品中。
本领域的普通技术人员将容易理解,以上描述不是穷举的,并且所公开的主题的各方面可以以不同于以上具体公开的方式来实现。实际上,所公开的主题的实施例可以使用任何已知的或以后开发的系统、结构、设备和/或软件由本领域普通技术人员根据本文提供的功能描述以硬件和/或软件来实现。
在本申请中,除非另外具体说明,否则单数的使用包括复数,并且“或”和“和”的单独使用包括另一个,即“和/或”。此外,术语“包括”或“具有”以及其它形式的使用旨在具有与“包含”相同的效果,并且因此不应被理解为限制性的。
本文所述的任何范围应被理解为包括端点以及包括端点之间的所有值。每当“实质上”、“大约”、“基本上”、“接近”或类似语言与特定值组合使用时,除非另外明确说明,否则意指高达且包括该值的10%的变化。
术语“系统”、“设备”和“模块”在本文中可互换使用,并且在实施例的描述中使用一个术语不排除将其它术语应用于该实施例或任何其它实施例。
本公开允许许多替代、修改和变型。尽管为了说明本发明原理的应用而详细示出和描述了特定的示例,但是应当理解,在不脱离这些原理的情况下,可以以其它方式体现本发明。例如,所公开的特征可以被组合、重新布置、省略等,以产生另外的实施例,而某些公开的特征有时可以被有利地使用而无需对应地使用其他特征。因此,申请人旨在涵盖在本发明的精神和范围内的所有这样的替代、修改、等效和变型。
Claims (41)
1.一种自动治疗计划系统,包括:
用户接口;和
治疗计划模块,被配置为基于目标的第一集合和目标的第二集合的加权组合来自动生成一个或多个治疗计划候选,目标的所述第一集合是针对经由所述用户接口接收的第一数据源的临床数据而导出的,目标的所述第二集合是针对经由所述用户接口接收的不同的第二数据源的临床数据而导出的。
2.根据权利要求1所述的系统,其中所述第一数据源包括临床目的的优先级化集合,并且所述第二数据源包括基于知识的信息。
3.根据权利要求1或2的系统,其中所述治疗计划模块包括:
函数生成器,被配置为生成针对组合的目标集合的成本函数(CTotal);以及
优化器,被配置为基于所生成的所述成本函数来生成所述一个或多个治疗计划候选。
4.根据权利要求3所述的系统,其中所述治疗计划模块被还被配置为:
生成表示目标的所述第一集合的第一成本函数(CG);以及
生成表示目标的所述第二集合的第二成本函数(CK);
其中所述成本函数(CTotal)是所述第一成本函数和所述第二成本函数的加权组合(CTotal=CG+mCK)。
5.根据权利要求4所述的系统,其中所述第一成本函数(CG)是经由基于目的的方法获得的,并且所述第二成本函数(CK)是经由基于知识的方法获得的。
6.根据权利要求1至5中任一项所述的系统,其中所述优化器还被配置为确定针对所述治疗计划候选的治疗参数,其中所述治疗参数能够由治疗设备的处理单元执行以根据所选择的治疗计划候选来操作所述治疗设备。
7.根据权利要求1至6中任一项所述的系统,其中第一治疗计划候选包括针对所述第二成本函数的、为10%的加权因子(m),并且第二治疗计划候选包括针对所述第二成本函数的、为90%的加权因子(m)。
8.根据权利要求1至7中任一项所述的系统,还包括选择器,所述选择器被配置为允许用户从所生成的所述治疗计划候选中选择治疗计划候选。
9.一种用于自动生成多个治疗计划候选的方法,包括:
经由用户接口从第一数据源接收临床数据的第一集合,并且从第二数据源接收临床数据的第二集合;
生成针对临床数据的所述第一集合的第一成本函数;
生成针对临床数据的所述第二集合的第二成本函数;
生成针对组合的临床数据的所述第一集合和临床数据的所述第二集合的成本函数,其中所述成本函数是所述第一成本函数和所述第二成本函数的加权和;以及
通过优化所述成本函数来生成多个治疗计划候选,其中所述优化受到所述第二成本函数的加权值影响。
10.根据权利要求9所述的方法,其中所述第一临床数据源包括临床目的的优先级化集合,并且第二临床数据源包括基于知识的信息。
11.根据权利要求10所述的方法,其中所述第一成本函数是使用基于临床目的的方法获得的,并且所述第二成本函数是使用基于知识的方法获得的。
12.根据权利要求9、10或11所述的方法,其中第一治疗计划候选是针对为10%的所述第二成本函数的加权值而获得的,并且第二治疗计划是针对为90%的所述第二成本函数的加权值而获得的。
13.根据权利要求9至12中任一项所述的方法,还包括:
从所述多个治疗计划候选中选择治疗计划候选;以及
确定针对所选择的治疗计划候选的治疗参数,所述治疗参数能够由治疗设备的处理单元执行以根据所选择的治疗计划候选来操作所述治疗设备。
14.一种自动治疗计划系统,包括:
用户接口;以及
治疗计划模块,被配置为基于临床目的的优先级化集合和临床目的的集合来自动生成治疗计划候选,临床目的的所述优先级化集合是经由所述用户接口获得的,临床目的的所述集合是从使用基于知识的剂量体积直方图(DVH)模型获得的DVH估计转换来的。
15.根据权利要求14所述的系统,其中所述治疗计划模块被配置为:
基于剂量体积直方图(DVH)模型,针对患者的每个相关结构获得所述DVH估计;
将所述DVH估计转换为临床目的;
基于临床目的的所述优先级化集合和从所述DVH估计转换来的所述临床目的来生成质量度量;
基于所述质量度量来生成成本函数;以及
基于所述成本函数来生成治疗计划。
16.根据权利要求15所述的系统,其中将所述DVH估计转换为临床目的包括:
将表示结构的当前DVH的DVH线与表示所述DVH估计的DVH线进行比较;以及
计算表示所述当前DVH线与所述估计DVH线之间的差异的值。
17.根据权利要求16所述的系统,其中计算所述值包括计算所述当前DVH线与所述估计DVH线之间的负差异的平方和。
18.根据权利要求17所述的系统,其中所述负差异表示所述当前DVH线与所述估计DVH线之间的在整个DVH线上的差异。
19.根据权利要求14至18中任一项所述的系统,其中所生成的所述临床目的包括对应的优先级。
20.根据权利要求14至19中任一项所述的系统,其中所述治疗计划模块还包括:
用于生成所述质量度量的质量度量生成器,
其中优先级化的临床目的和所转换的临床目的两者的相对优先级被配置为由用户经由所述用户接口动态地修改。
21.根据权利要求20所述的系统,还包括:
优化器,用以通过优化所述成本函数来生成治疗计划参数;和
控制器,用以基于所述质量度量来控制所述优化。
22.一种用于生成治疗计划的方法,包括:
应用基于知识的模型来生成针对患者的结构的估计DVH线;
将所述估计DVH线转换为所生成的临床目的集合,每个所生成的临床目的包括优先级;
基于所生成的临床目的和经由用户接口从第一临床数据源获得的优先级化的临床目的来生成质量度量;
基于所述质量度量来生成成本函数;以及
通过优化所述成本函数来生成治疗计划,
其中优先级化的所述临床目的的相对优先级和所生成的临床目的的相对优先级被配置为由用户经由所述用户接口动态地修改,以及
其中所述优化由所述质量度量来引导。
23.根据权利要求22所述的方法,其中所述转换包括:
将表示结构的当前DVH的DVH线与表示所述DVH估计的DVH线进行比较;以及
计算表示所述当前DVH线与所述估计DVH线之间的差异的值。
24.根据权利要求23所述的方法,其中计算所述值包括计算所述当前DVH线与所述估计DVH线之间的负差异的平方和,其中所述负差异表示所述当前DVH线与所述估计DVH线之间的在整个DVH线上的差异。
25.根据权利要求22、23或24所述的方法,还包括:基于所优化的所述成本函数来生成治疗计划参数,所述治疗计划参数被配置为由治疗设备执行。
26.一种自动治疗计划系统,包括:
用户接口;以及
治疗计划模块,被配置为基于针对经由所述用户接口接收的临床目的而导出的目标来自动生成治疗计划,
其中所述目标包括剂量目标和辅助目标。
27.根据权利要求26所述的系统,其中所述辅助目标是自动生成的。
28.根据权利要求27所述的系统,其中辅助目标是针对缺失足够剂量信息的每个临床目的而生成的。
29.根据权利要求26、27或28所述的系统,其中所述治疗计划模块包括:
质量度量生成器,基于所述临床目的来生成质量度量;
剂量目标生成器,被配置为针对每个质量度量自动生成辅助目标,每个辅助目标对相应质量度量的剂量目标进行整形;
成本函数生成器,被配置为生成表示所述目标的成本函数;以及
优化器,被配置为基于所述成本函数来生成所述治疗计划。
30.根据权利要求29所述的系统,其中所述治疗计划模块还被配置为针对与相应剂量目标的冲突来评估所生成的所述辅助目标。
31.根据权利要求30所述的系统,其中所述优化器被配置为优化所述成本函数并且确定针对所述治疗计划的计划参数。
32.一种用于针对临床目的的给定输入自动选择辅助目标的方法,包括:
生成针对所述临床目的剂量目标;以及
当所述剂量目标没有达到期望的剂量覆盖时,自动生成辅助目标以对相应临床目的的所述剂量目标进行整形,
其中所述辅助目标的生成包括使针对所述临床目的所生成的DVH曲线的剂量或体积位置偏移。
33.根据权利要求32所述的方法,其中输入的所述临床目的是优先级化的临床目的。
34.一种用于在治疗计划中的冲突期间自动修改用户定义的优先级化的临床目的的系统,包括:
优化器,被配置为按照用户定义的优先级化的临床目的的优先级顺序来自动生成满足所述用户定义的优先级化的临床目的的注量;
其中当两个临床目的之间存在冲突时,所述优化器被配置为自动修改较低优先级临床目的,直到所有较高优先级目的被取得并且所述冲突被解决。
35.根据权利要求34所述的系统,还包括存储介质,所述存储介质用以将修改的优先级化的临床目的的集合存储为最佳临床目的优化器(CGO)状态。
36.根据权利要求34或35所述的系统,还包括计划质量函数生成器,所述计划质量函数生成器被配置为基于使用经适配的优先级化的临床目的的集合而生成的质量度量来生成一个或多个计划质量函数。
37.根据权利要求34至36中任一项所述的系统,还包括治疗计划模块,所述治疗计划模块被配置为基于所生成的所述一个或多个计划质量函数来生成治疗计划。
38.一种用于自适应放射疗法疗程的自动化工作流,包括:
获得命令的集合,命令的所述集合包括针对患者的原始治疗计划的计划质量值;
使用来自命令的所述集合的信息来生成疗程患者模型;以及
生成针对所述疗程患者模型的所适配的治疗计划,
其中所述所适配的治疗计划是通过以下步骤来生成的:
使用经调度的治疗计划作为治疗计划生成算法的输入以生成当前计划,其中所述计划生成算法包括基于所述经调度的治疗计划的控制点来自动生成的优化参数;以及
通过基于所述原始治疗计划的所述计划质量值优化所述当前计划来生成所述所适配的治疗计划。
39.根据权利要求38所述的工作流,还包括:
基于所述经调度的治疗计划的所述控制点来确定针对所述当前计划的剂量分布;
基于所确定的剂量分布来确定针对所述当前计划的计划质量值;以及
将所确定的所述计划质量值与原始计划质量值进行比较,
其中用于优化所述当前计划的所述控制点基于所述比较的结果而被递增地调节。
40.根据权利要求38或39所述的工作流,其中命令的所述集合包括关于以下项的信息:计划的放射剂量、计划的临床目的、计划的临床目的值、参考患者模型、参考治疗计划和一个或多个参考图像。
41.根据权利要求38至40中任一项所述的工作流,其中用于所述疗程患者模型的所述经调度的治疗计划已被预先生成。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/564,924 | 2019-09-09 | ||
US16/564,924 US11278737B2 (en) | 2019-09-09 | 2019-09-09 | Systems and methods for automatic treatment planning and optimization |
PCT/EP2020/075105 WO2021048143A1 (en) | 2019-09-09 | 2020-09-08 | Systems and methods for automatic treatment planning and optimization |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114364435A true CN114364435A (zh) | 2022-04-15 |
Family
ID=72885491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080062881.3A Pending CN114364435A (zh) | 2019-09-09 | 2020-09-08 | 用于自动治疗计划和优化的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (3) | US11278737B2 (zh) |
EP (1) | EP4028121A1 (zh) |
CN (1) | CN114364435A (zh) |
WO (1) | WO2021048143A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862812A (zh) * | 2023-02-28 | 2023-03-28 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的处理装置、存储介质及电子设备 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11986670B2 (en) * | 2018-09-19 | 2024-05-21 | The University Of Chicago | System and method for multi-site radiotherapy |
WO2020150505A1 (en) * | 2019-01-16 | 2020-07-23 | Reflexion Medical, Inc. | Methods for setup corrections in radiation therapy |
CA3146431A1 (en) | 2019-07-12 | 2021-01-21 | Reflexion Medical, Inc. | Multi-target treatment planning and delivery and virtual localization for radiation therapy |
US11354800B2 (en) * | 2019-12-27 | 2022-06-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for error checking in radioitherapy treatment replanning |
US11654299B2 (en) * | 2020-07-02 | 2023-05-23 | Siemens Healthineers International Ag | Methods and apparatus pertaining to radiation treatment plans |
US11478661B2 (en) * | 2020-09-29 | 2022-10-25 | Varian Medical Systems International Ag | Trajectory optimization using dose estimation and conflict detection |
US11786756B2 (en) | 2020-12-30 | 2023-10-17 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11712587B2 (en) | 2020-12-30 | 2023-08-01 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11844962B2 (en) | 2020-12-30 | 2023-12-19 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11660473B2 (en) | 2020-12-30 | 2023-05-30 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11759656B2 (en) | 2020-12-30 | 2023-09-19 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11577095B2 (en) | 2020-12-30 | 2023-02-14 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11786757B2 (en) | 2020-12-30 | 2023-10-17 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11607563B2 (en) * | 2020-12-30 | 2023-03-21 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11604564B2 (en) | 2020-12-30 | 2023-03-14 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11638840B2 (en) | 2020-12-30 | 2023-05-02 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11817210B2 (en) | 2020-12-30 | 2023-11-14 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11654303B2 (en) | 2020-12-30 | 2023-05-23 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
US11869151B2 (en) * | 2021-01-26 | 2024-01-09 | Beth Israel Deaconess Medical Center | Systems and methods for finite element analysis of tumor treating fields |
EP4180088A1 (en) | 2021-11-16 | 2023-05-17 | Koninklijke Philips N.V. | A machine learning based system for generating objective functions for radiation therapy treatment planning |
US20240001138A1 (en) * | 2022-06-29 | 2024-01-04 | Siemens Healthineers International Ag | Detecting anomalous dose volume histogram information |
US20240001139A1 (en) * | 2022-06-30 | 2024-01-04 | Siemens Healthineers International Ag | Machine learning prediction of dose volume histogram shapes |
WO2024051943A1 (en) * | 2022-09-08 | 2024-03-14 | Brainlab Ag | Method for determining a treatment plan for a radiotherapy treatment |
US20240207643A1 (en) * | 2022-12-21 | 2024-06-27 | Siemens Healthineers International Ag | Systems and methods for generating plan quality scores to optimize radiotherapy treatment planning |
US20240212822A1 (en) * | 2022-12-21 | 2024-06-27 | Siemens Healthineers International Ag | Systems and methods for optimizing radiotherapy planning using plan quality scores |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014187866A1 (en) * | 2013-05-21 | 2014-11-27 | Varian Medical Systems International Ag | Systemes and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
EP3229905A1 (en) * | 2014-12-11 | 2017-10-18 | Koninklijke Philips N.V. | A method to reduce local hot/cold spots in dmpo-based imrt planning |
US20180185669A1 (en) * | 2016-12-30 | 2018-07-05 | Varian Medical Systems International Ag | Interactive dose manipulation using prioritized constraints |
WO2019025460A1 (en) * | 2017-07-31 | 2019-02-07 | Koninklijke Philips N.V. | ADJUSTING MECHANISM FOR OAR AND TARGET OBJECTIVES DURING OPTIMIZATION |
CN109890460A (zh) * | 2016-09-22 | 2019-06-14 | 安科锐公司 | 用于选择放射疗法治疗方案的系统和方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2540602A1 (en) | 2003-10-07 | 2005-04-21 | Nomos Corporation | Planning system, method and apparatus for conformal radiation therapy |
US7986768B2 (en) | 2009-02-19 | 2011-07-26 | Varian Medical Systems International Ag | Apparatus and method to facilitate generating a treatment plan for irradiating a patient's treatment volume |
US8144833B2 (en) | 2010-04-20 | 2012-03-27 | Elekta Ab (Publ) | Planning for adaptive radiotherapy |
US10022560B2 (en) | 2013-07-31 | 2018-07-17 | Koninklijke Philips N.V. | Automation of therapy planning |
EP3137166A1 (en) | 2014-04-30 | 2017-03-08 | Stc.Unm | Optimization methods for radiation therapy planning |
US10328279B2 (en) | 2015-08-31 | 2019-06-25 | Varian Medical Systems International Ag | Memory and apparatus pertaining to the automated calculation of supplemental patient volume information |
US10290093B2 (en) | 2015-09-22 | 2019-05-14 | Varian Medical Systems International Ag | Automatic quality checks for radiotherapy contouring |
US10446265B2 (en) * | 2015-09-25 | 2019-10-15 | Varian Medical Systems International Ag | Clinical goal treatment planning and optimization |
WO2017066248A1 (en) | 2015-10-16 | 2017-04-20 | Varian Medical Systems, Inc. | Iterative image reconstruction in image-guided radiation therapy |
US10600514B2 (en) | 2016-05-27 | 2020-03-24 | Varian Medical Systems, Inc. | Intuitive automation in patient modeling |
US10143859B2 (en) | 2016-09-22 | 2018-12-04 | Varian Medical Systems International Ag | Controlling and shaping the dose distribution outside treatment targets in external-beam radiation treatments |
US10188873B2 (en) | 2017-03-22 | 2019-01-29 | Varian Medical Systems International Ag | Systems and methods for dose calculation in generating radiation treatment plans |
US11449208B2 (en) | 2017-07-06 | 2022-09-20 | Varian Medical Systems International Ag | Interactive and intuitive method to shape 3D dose distribution during optimization of IMRT plans |
US10792514B2 (en) | 2017-09-15 | 2020-10-06 | Varian Medical Systems International Ag | Automatic generation of radiation treatment plan optimization objectives |
US10981019B2 (en) | 2018-02-01 | 2021-04-20 | Varian Medical Systems International Ag | Systems and methods for triggering adaptive planning using knowledge based model |
US10828509B2 (en) | 2018-02-13 | 2020-11-10 | Varian Medical Systems International Ag | Optimizing radiation dose to overlapping structures |
US10902621B2 (en) | 2018-03-25 | 2021-01-26 | Varian Medical Systems International Ag | Deformable image registration based on masked computed tomography (CT) image |
US11964169B2 (en) | 2018-03-30 | 2024-04-23 | Varian Medical Systems International Ag | Apparatus and method for forming prescribed radiation therapy treatment instructions |
US10918885B2 (en) | 2018-09-27 | 2021-02-16 | Varian Medical Systems International Ag | Systems, methods and devices for automated target volume generation |
US11004549B2 (en) | 2018-09-28 | 2021-05-11 | Varian Medical Systems International Ag | Patient object mapping techniques |
US10799716B2 (en) | 2018-10-18 | 2020-10-13 | Varian Medical Systems International Ag | Streamlined, guided on-couch adaptive workflow |
US11173322B2 (en) | 2018-12-31 | 2021-11-16 | Varian Medical Systems International Ag | Systems and methods for treatment planning using continuous quality metrics |
US11602643B2 (en) * | 2018-12-31 | 2023-03-14 | Varian Medical Systems International Ag | Systems and methods for combining clinical goals with knowledge based dose prediction in treatment planning |
-
2019
- 2019-09-09 US US16/564,924 patent/US11278737B2/en active Active
-
2020
- 2020-09-08 CN CN202080062881.3A patent/CN114364435A/zh active Pending
- 2020-09-08 WO PCT/EP2020/075105 patent/WO2021048143A1/en unknown
- 2020-09-08 EP EP20792292.3A patent/EP4028121A1/en active Pending
-
2022
- 2022-02-07 US US17/665,838 patent/US12011613B2/en active Active
-
2024
- 2024-03-21 US US18/612,071 patent/US20240226603A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014187866A1 (en) * | 2013-05-21 | 2014-11-27 | Varian Medical Systems International Ag | Systemes and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
CN110201319A (zh) * | 2013-05-21 | 2019-09-06 | 瓦里安医疗系统国际股份公司 | 用于自动产生剂量预测模型以及作为云服务的疗法治疗计划的系统和方法 |
EP3229905A1 (en) * | 2014-12-11 | 2017-10-18 | Koninklijke Philips N.V. | A method to reduce local hot/cold spots in dmpo-based imrt planning |
CN109890460A (zh) * | 2016-09-22 | 2019-06-14 | 安科锐公司 | 用于选择放射疗法治疗方案的系统和方法 |
US20180185669A1 (en) * | 2016-12-30 | 2018-07-05 | Varian Medical Systems International Ag | Interactive dose manipulation using prioritized constraints |
WO2019025460A1 (en) * | 2017-07-31 | 2019-02-07 | Koninklijke Philips N.V. | ADJUSTING MECHANISM FOR OAR AND TARGET OBJECTIVES DURING OPTIMIZATION |
Non-Patent Citations (1)
Title |
---|
MASOUD ZAREPISHEH: "A DVH-guided IMRT optimization algorithm for automatic treatment planning and adaptive radiotherapy replanning", 《MED. PHYS》, 30 June 2014 (2014-06-30), pages 061711 - 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862812A (zh) * | 2023-02-28 | 2023-03-28 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗计划的处理装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US20240226603A1 (en) | 2024-07-11 |
US11278737B2 (en) | 2022-03-22 |
US20220161058A1 (en) | 2022-05-26 |
US20210069527A1 (en) | 2021-03-11 |
WO2021048143A1 (en) | 2021-03-18 |
US12011613B2 (en) | 2024-06-18 |
EP4028121A1 (en) | 2022-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11278737B2 (en) | Systems and methods for automatic treatment planning and optimization | |
US11865366B2 (en) | Streamlined, guided on-couch adaptive workflow | |
US20190099620A1 (en) | Adaptive radiation therapy planning | |
US11823778B2 (en) | Clinical goal treatment planning and optimization | |
EP3632508B1 (en) | Systems, methods and devices for automated target volume generation | |
US11013937B2 (en) | Automatic selection of optimization strategy in iterative treatment planning | |
US11123574B2 (en) | Estimation of the achievability of treatment goals in radiation therapy | |
EP3634578B1 (en) | Treatment plan generation for radiation therapy treatment | |
Gawish et al. | Dosimetric and volumetric effects in clinical target volume and organs at risk during postprostatectomy radiotherapy | |
Gawish et al. | Dosimetrische und volumetrische Effekte auf klinisches Zielvolumen und Risikoorgane während der Strahlentherapie nach Prostatektomie |
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 |