CN114642835A - 放射治疗规划 - Google Patents

放射治疗规划 Download PDF

Info

Publication number
CN114642835A
CN114642835A CN202111551680.2A CN202111551680A CN114642835A CN 114642835 A CN114642835 A CN 114642835A CN 202111551680 A CN202111551680 A CN 202111551680A CN 114642835 A CN114642835 A CN 114642835A
Authority
CN
China
Prior art keywords
objective function
dose distribution
treatment
dose
radiation
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
Application number
CN202111551680.2A
Other languages
English (en)
Inventor
R·J·韦泽
A·A·伊索拉
M·L·邦达尔
T·维克
N·弗莱施纳
J·维格特
H·S·黑泽
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN114642835A publication Critical patent/CN114642835A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
    • 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
    • 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
    • A61N5/1042—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
    • 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
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [MRI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source
    • 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
    • A61N2005/1092—Details

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

本发明涉及一种用于辅助规划放射疗法治疗的系统，所述放射疗法治疗使用治疗计划来提供，该治疗计划包括用于控制辐射递送的辐照参数。所述系统被配置为(i)接收第一剂量分布；(ii)获得第一目标函数，其取决于至少一个参数和剂量分布；(iii)确定参数的第一值，使得当针对参数的第一值和针对从第一剂量分布导出的第二剂量分布进行评估时，第一目标函数满足预定义标准；(iii)将与至少一个参数的第一值有关的第一目标函数提供给用户，用于修改第一目标函数以生成第二目标函数；以及(v)使用第二目标函数确定治疗计划。此外，本发明涉及相应的方法和计算机程序。

Description

放射治疗规划
技术领域
本发明涉及患者身体区域的放射疗法治疗的规划。更具体地，本发明涉及用于辅助规划患者身体区域的放射疗法治疗的方法和系统，其中治疗基于包括用于控制对身体区域的辐射递送的辐射参数的治疗计划来提供。
背景技术
在放射治疗中，电离辐射被施加到患者的身体区域，以便控制包括在这些身体区域中的诸如肿瘤的靶结构中的癌细胞的生长或杀死这些靶结构中的癌细胞。在现代类型的放射疗法中——例如所谓的强度调制放射疗法(IMRT)——根据不均匀的剂量分布将辐射递送到相关的身体区域，所述不均匀的剂量分布被确定为使得足够高的辐射剂量被施加到靶结构，同时尽可能绕开靶结构附近的敏感结构，所述敏感结构通常也被称为危及器官(OAR)。
这种辐射剂量分布特别地通过配备有所谓的多叶准直器(MLC)的辐射源来实现，该多叶准直器包括叶片，该叶片独立地移入和移出辐射束的路径，以便使其成形并改变其横截面上的强度。使用这种MLC，可以根据几种IMRT模式施加辐射。例如，已知的IMRT模态包括所谓的步进激发式(step-and-shoot)方法，其中在多个所谓的分段中递送辐射，其中每个分段对应于包括辐射源相对于患者的特定位置的特定束配置和特定MLC配置，并且其中当从一个分段改变到下一个分段时不施加辐射。根据被称为体积调制弧治疗(VMAT)的另一IMRT模态，在MLC和/或辐射源处于恒定运动时递送辐射。因此，可以减少治疗时间，并且通常可能实现具有改善的靶结构覆盖和更好的OAR绕过的剂量分布。特别地，放射源可以以一个或多个弧围绕患者移动。
为了根据所选择的IMRT模态将辐射递送到相关身体区域，基于诸如指定由辐射源生成的辐射束的强度、MLC配置和辐射源的位置的参数的辐射参数来控制治疗设备。照射参数在治疗计划中被指定，该治疗计划通常在计划过程中针对新患者(以下也称为“当天的患者”)的治疗单独地生成。
更具体地，治疗计划通常在逆向规划过程中生成。在这样的过程中，靶结构和周围的OAR被标识，并且基于患者的临床处方来限定治疗目标，该临床处方指定了对递送到靶结构和OAR的辐射剂量的要求。然后，考虑到由治疗设备和要使用的IMRT模态产生的物理和技术约束，基于治疗目标来制定优化问题，并且解决优化问题以便找到产生满足指定治疗目标的剂量分布的治疗计划。
特别地，优化问题可以在操作者引导的迭代优化程序中在几个迭代周期中解决。在每个周期中，规划者可以检查所生成的治疗计划，以便检查他/她是否对由相应治疗计划产生的剂量分布满意。如果不是，则规划者可以对优化问题进行修改以实现期望的剂量分布，并且基于修改的优化问题执行下一个优化周期。
优化问题的解通常包括目标函数的至少近似最小化，其基于患者的治疗目标而产生。该目标函数可以被配置为个体目标函数的加权和，其中每个个体目标函数表示将要递送给患者的剂量分布所要实现的一个目标，并且根据相关联的权重而被包括在整个目标函数中。典型地，使用描述由根据治疗参数生成的辐射束对沉积在相关身体区域的组织中的能量的吸收的物理模型来生成各个目标函数，使得目标函数对应于这些参数的方程。此外，基于治疗目标来特别地确定目标和相关的目标函数。例如，物镜可能需要将一定的最小辐射剂量递送到靶结构和/或将一定的最大剂量递送到OAR。各个目标函数的相对权重影响所要实现的相关目标的可能性，特别是在冲突目标的情况下，使得与更重要目标相关的个体目标函数被设置有更高的相对权重。
在优化过程的每个周期中，目标函数可以至少近似地自动最小化，例如使用适当的数值过程。当规划者不满足由一个周期中的最小化目标函数所产生的剂量分布时，他/她可以通过修改个体目标函数和/或它们的权重来修改优化问题。这种修改可以包括删除目标函数、添加新的个体目标函数和/或修改包括在整个目标函数中的个体函数的权重。然后，修改的目标函数被至少近似地最小化，以便确定对应于新剂量分布的新治疗参数。
根据最近提出的用于治疗规划的新方法，通过人工智能(AI)算法来预测患者治疗的剂量分布，例如在出版物J.Fan等人的“Automatic treatment planning based onthree-dimensional dose distribution predicted from deep learning technique”，Med.Phys.2019，46，370－381中所描述的。AI算法可使用过去已成功递送到患者的剂量分布以及这些患者的治疗身体区域的相关解剖学配置来训练。基于当天患者的解剖结构，训练的AI算法然后能够预测要递送给该患者的剂量分布。然后，创建基于预测剂量分布和待递送的剂量分布之间的差异的目标函数，用于自动生成治疗计划。
使用这种方法，在许多情况下可以有效地产生临床可接受的剂量分布和治疗计划。然而，期望允许规划者查看和修改治疗计划。
特别地，如果必须修改剂量分布以便递送至患者，这将是期望的。这是当AI算法确定的剂量分布不能被递送给患者的情况，这例如是由于在治疗或治疗设备中应用的IMRT模态的物理约束或技术约束所导致的。作为实例，如果AI算法是基于使用治疗设备和/或IMRT模态递送的剂量分布——所述治疗设备和/或IMRT模态不同于用于当天患者的治疗的那些——来训练的，则可能违反这样的技术约束。
此外，由于其它原因，由AI算法确定的剂量分布可能不是最佳的，并且在这种情况下，可能通过由规划者执行的手动修改来改进剂量分布。
发明内容
本发明的目的是允许基于先前生成的剂量分布生成用于放射疗法治疗的治疗计划，使得规划者可以控制治疗计划的生成。特别地，本发明的目的是允许规划者基于由AI算法确定的剂量分布来控制治疗计划的生成。
根据一个方面，本发明提出了一种用于辅助规划患者身体区域的放射疗法治疗的系统，其中基于治疗计划来提供治疗，所述治疗计划包括用于控制对身体区域的辐射递送的辐照参数。该系统被配置为(i)接收用于身体区域的第一剂量分布；(ii)获得第一目标函数，其取决于至少一个参数和身体区域中的剂量分布；(iii)确定至少一个参数的第一值，使得当针对至少一个参数的第一值和针对从第一剂量分布导出的第二剂量分布进行评估时，第一目标函数满足预定义标准；(iv)将与至少一个参数的第一值有关的第一目标函数提供给用户，用于修改第一目标函数以生成第二目标函数；以及(v)使用第二目标函数确定治疗计划。预定义标准可能特别要求第一目标函数至少近似最小。
由于系统通过基于对应于第一剂量分布的第二剂量分布确定其至少一个参数来产生第一目标函数，所以可能基于修改的第二目标函数确定导致修改的剂量分布的治疗计划。由此，可能基于第一剂量分布生成治疗计划，并且允许规划者通过修改第一目标函数来控制治疗计划的生成。因此，规划者可以根据上述已知规划过程来控制治疗计划的生成。
该系统可以被配置成通过使用人工智能的算法，特别是通过神经网络来生成第一剂量分布。在该实施例中，规划者可以基于通过AI算法生成的剂量分布生成治疗计划。由于这种算法通常产生可接受的结果，因此由这种算法所产生的剂量分布是在规划者的控制下产生治疗计划的良好起点，这可以允许快速和有效地产生优化的治疗计划。
在一个实施例中，系统被配置为通过使用物理模型将第一辐射分布近似为在治疗中要应用的束元素的函数来导出第二剂量分布，该物理模型描述了取决于束元素而在患者的身体区域中吸收的辐射。物理模型的使用确保了第二剂量分布是可以实际递送给患者的可行剂量分布。这对于第一剂量分布不一定成立，特别是在通过AI算法产生第一剂量分布的情况下。在第一剂量分布不可行的情况下，第二剂量分布将不同于第一剂量分布。然而，如果第一剂量分布实际上可以被递送，则第二剂量分布将基本上对应于第一剂量分布。
在相关实施例中，物理模型是将身体区域中吸收的辐射剂量描述为影响矩阵与束元素矢量的乘积的线性模型。这样的影响矩阵本身对于本领域技术人员是已知的，并且可以特别指定由每个体积元素(这里也称为体素)从每个束元素的单位辐射强度吸收的剂量的量。
在另一实施例中，该系统被配置为基于用于为放射治疗选择的治疗模式指定可能束元素的模板来导出第二剂量分布。这允许仅考虑在根据所选择的治疗模式的治疗期间可以递送的那些束元素，并且确保第二剂量分布在所选择的治疗模式中是可行的。
治疗模式可以特别地对应于IMRT模态，其可以在根据步进激发方法的治疗和VMAT治疗中选择。因此，本发明的一个实施例包括基于治疗的模态从多个模板中选择模板，治疗的模态选自至少包括步进激发的IMRT和VMAT的组。
在另外的实施例中，可以存在用于根据步进激发方法的治疗的若干模板和/或用于VMAT治疗的若干模板，并且模板进一步地基于关于治疗模式的附加信息而被选择。对于根据步进激发方法的治疗，特别地，存在用于不同数量的分段的模板，并且可以基于在治疗期间要递送的分段的数量来选择模板。对于VMAT治疗，可以存在针对不同数量的弧的模板，并且可以基于在治疗期间要递送的弧的数量来选择模板。
在本发明的另一个实施例中，系统被配置为通过最小化第三目标函数来导出第二剂量分布，该第三目标函数取决于第一和第二剂量分布之间的差。在该实施例中，系统确定第二剂量分布，使得第三目标函数最小化。
在相关实施例中，第一剂量分布和第二剂量分布的元素在第三目标函数中被设置以不同的权重，基于第一剂量分布和第二剂量分布的元素所属的身体区域的部分来选择权重。特别地，第一剂量分布的元素和第二剂量分布的对应元素之间的每个差异可以被设置以相关联的权重。在第二剂量分布和第一剂量分布之间存在差异的情况下，权重确保差异在分配较高权重的部分中将较小。这些部分可以特别对应于治疗的靶结构和/或OAR。
在本发明的一个实施例中，第一目标函数包括输入到第一目标函数中的具有相关权重的个体目标函数的和，并且其中至少一个参数是权重中的至少一个权重。个体目标函数中的每一个表示在治疗期间要被递送到身体区域的一部分的辐射的要求。相关的示例包括个体的目标函数，其表示对诸如目标区域之类的身体区域的一部分递送的辐射剂量高于最小剂量的要求以及对诸如OAR之类的身体区域的一部分递送的辐射剂量低于最大剂量的要求。
在相关实施例中，第二目标函数是通过来自包括以下各项的组中的修改而从第一目标函数导出的：修改权重中的至少一个、将个体目标函数添加到该目标函数、以及删除个体目标函数。特别地，使用这些修改，规划者可以确定对应于特定优化剂量分布的治疗计划，所述特定优化剂量分布包括相对于第二剂量分布的改变。
在另一方面，本发明提出了一种用于辅助规划患者的身体区域的放射疗法治疗的方法，其中基于治疗计划来提供治疗，所述治疗计划包括用于控制对身体区域的辐射递送的辐照参数。该方法包括(i)接收用于身体区域的第一剂量分布；(ii)获得第一目标函数，其取决于至少一个参数和身体区域中的剂量分布；(iii)确定至少一个参数的第一值，使得当针对至少一个参数的第一值和针对从第一剂量分布导出的第二剂量分布进行评估时，第一目标函数满足预定义标准；(iv)将与至少一个参数的第一值有关的第一目标函数提供给用户，用于修改第一目标函数以生成第二目标函数；以及(v)使用第二目标函数确定治疗计划。
在另一方面，本发明提出了一种计算机程序，其包括程序代码，当在计算机中执行该程序代码时，该程序代码用于指示计算机执行该方法。
应当理解，根据权利要求1所述的系统，根据权利要求12所述的方法和根据权利要求13所述的计算机程序具有类似和/或相同的优选实施例，特别是如从属权利要求中所定义的。
应当理解，本发明的优选实施例也可以是从属权利要求或上述实施例与相应独立权利要求的任何组合。
参考下面描述的实施例，本发明的这些和其它方面将变得显而易见并且得以阐明。
附图说明
在以下附图中：
图1示意性和示例性地示出了用于向患者递送放射疗法治疗的放射疗法系统的组件，以及
图2示意性和示例性地示出了用于规划放射疗法治疗的规划系统的组件。
具体实施方式
图1示意性地和示例性地示出了放射治疗(RT)系统11的实施例，其用于将IMRT治疗递送到人或动物患者体内的肿瘤或其它患病靶结构。在图示的实施例中，RT系统11包括辐射源12，其可被操作以发射要被递送到包括靶结构的患者身体的区域的电离辐射。为了递送辐射，患者身体位于可移动患者台14上的系统的治疗区域13中。
辐射源12可以包括用于产生电离辐射的x射线管或线性粒子加速器。辐射源12是可控的，以便改变所产生的辐射的强度和/或能量。此外，辐射源11可以设置有用于成形辐射束的准直器15。准直器15可以特别地允许以限定的方式改变辐射束横截面上的辐射强度。为此，准直器15可以被配置为多叶准直器(MLC)。准直器15优选地同样可控以在治疗期间改变放射束的形状。
此外，可以改变辐射源12相对于身体或靶结构的相对位置，以便改变辐射束进入身体表面的位置和/或辐射束进入身体的角度。为此目的，放射源12可以安装在可旋转机架16上，使得放射源12可以围绕治疗区域13并且因此围绕患者台14在一定角度范围内旋转，该角度范围可以是360°或更小。例如，机架16可以包括承载辐射源12的C形臂。此外，放射源12、机架16和/或患者台14可以在平行于机架16的旋转轴的方向上前后移动。此外，也可能围绕垂直于机架16的旋转轴的轴旋转患者台14。
RT系统11能够根据一种或多种IMRT模态递送IMRT治疗。在一个实施例中，RT系统11被配置为根据VMAT过程向患者递送辐射。此外或作为替代，RT系统可以被配置为以步进激发方法递送辐射。在VMAT中，辐射在MLC15和/或辐射源12处于恒定运动时被递送。通常，在VMAT治疗期间，放射源12围绕患者以一个或几个弧旋转。根据步进激发方法，辐射在单独的分段中被递送，其中每个分段对应于特定的射束配置，该特定的射束配置包括辐射源11相对于患者的特定位置和定向以及MLC15的特定配置，并且其中辐射源12在从一个分段改变到下一个分段时被关闭。这些IMRT模态对本领域技术人员而言是已知的，因此这里不必提供关于这些模态的进一步细节。
为了控制包括放射源11、准直器15、机架16和患者台14的RT系统11的部件，以根据前述IMRT模态之一实施放射疗法治疗，RT系统11包括控制单元17。优选地，控制单元17在处理器单元中实现，该处理器单元包括用于执行软件程序的微处理器，该软件程序包括由控制单元17执行的控制例程。
在患者的RT治疗期间，控制单元17基于治疗计划控制RT系统，该治疗计划指定用于治疗的照射参数。这些参数可以具体指定由辐射源12产生的辐射的能量、MLC15的配置、机架16的位置和/或患者台14的位置。当RT治疗根据步进激发方法递送时，治疗指定每个分段的照射参数。在VMAT治疗的情况下，治疗计划为多个所谓的控制点指定照射参数。在治疗期间，控制单元17控制RT系统11连续地施加这些控制点的照射参数，其中辐射当从一个控制点到下一个控制点改变照射参数时也被连续地施加。
使用规划系统21单独生成用于治疗特定患者(在此也称为“当天的患者”)的治疗计划。在下文中，将参考图2描述规划系统21的实施例，图2示意性地示出了示例性实施例中的规划系统21的组件。规划系统可以被实现为包括至少一个微处理器的计算机，该微处理器用于执行计算机程序，该计算机程序提供用于生成如下所述的治疗计划的例程。图2所示的规划系统21的组件可以特别地对应于计算机程序的模块。
基于患者身体区域的三维图像生成治疗计划，该三维图像包括待治疗的靶结构并且在此也被称为规划图像。因此，规划过程从规划图像的采集和在规划系统21的描绘单元23中的相关解剖结构的描绘开始。通过成像单元22使用任何合适的成像——例如计算机断层摄影(CT)成像或磁共振(MR)成像——来获取规划图像。在实施例中，规划图像还可以是使用不同成像模态采集的若干图像的融合的结果。在描绘相关解剖结构的过程中，在描绘单元23中确定靶结构和靶结构附近的任何OAR的轮廓，并将其存储以用于进一步的规划过程。为此，可以为每个OAR创建和存储靶结构的二元掩模。描绘可以在自动或操作者辅助过程中进行，如本领域已知的那样。
在下一步骤中，基于靶结构和OAR的轮廓确定用于治疗患者的第一剂量分布。在一个实施例中，第一剂量分布由在规划系统的AI单元24中执行的AI算法自动确定。在实施例中，AI算法可以由神经网络执行，该神经网络可以是卷积神经网络(CNN)，例如U-net模型。可以使用包括在过去递送到其他患者的相关身体区域的剂量分布的数据来训练神经网络。在训练之后，神经网络可以基于由规划图像表示的患者身体的相关区域的解剖结构和靶结构的轮廓以及其中标识的OAR来预测剂量分布。此外，神经网络还可以可选地基于关于射束配置的信息来预测剂量分布，所述信息例如是分段的数目和放射源11的位置，特别是在根据步进激发方法的治疗的情况下的机架16的角度，以及在VMAT治疗的情况下的弧的数目。由神经网络执行并且可以在AI单元24中执行的AI算法的示例在J.Fan等人的“Automatictreatment planning based on three-dimensional dose distribution predictedfrom deep learning technique”，Med.Phys.2019，46，370－381；A.M.Barragán-Montero等人的“Three-dimensional dose prediction for Lung IMRT Patients with deepneural networks：“Robust learning from heterogeneous beam configurations”，arXiv：1812.06934；D.Nguyen等人的“A fibility study for predicting optimalradiation therapy dose distributions of prostate cancer patients from patientanatomy using deep learning”，Scientific Reports 2019，9，1076中描述。
使用在AI单元24中生成的第一剂量分布，进一步基于物理模型生成治疗计划，该物理模型将在患者的被照射身体区域中吸收的辐射剂量描述为借助于RT系统11生成的入射辐射的函数。为此目的，可以将入射到体区域中的辐射建模为束元素的集合，如本领域技术人员已知的那样。束元素(也被称为子束或像素)对应于辐射束的小部分，这些小部分是由将束的横截面分割成可以使用MLC15单独控制强度的部分而产生的。
在本规划过程中，基于从存储在规划系统中的多个模板中选择的模板，针对根据步进激发方法的治疗的一组分段或根据VMAT方法的治疗的一组控制点来考虑辐射束的束元素。每个模板指定可以在治疗期间递送的束元素。
在规划系统21中，用于根据步进激发方法的治疗的一个或多个模板和用于VMAT治疗的一个或多个模板可以是可用的。用于根据步进激发方法的治疗的每个模板可以指定以下组的一个或多个参数，该组包括分段的数量、辐射源11的位置，并且更具体地，每个分段中的机架16的角度，每个分段的子束的最大数目和/或子束的横截面的最小面积以及每个子束的最小辐射强度(例如，特定于监视器单元)。例如，可以有包括2-14个分段和每个分段中的辐射源12的相关位置的模板。用于VMAT治疗的每个模板可以指定弧的数目、每个弧的移动角度范围、每个弧的控制点的数目和/或辐射源12在控制点处的位置之间的角距离。
从可用的模板中，近似单元24选择用于在治疗期间模拟入射辐射的特定模板。因此，取决于治疗是根据步进激发方法还是根据VMAT方法进行递送，选择在用于相关方法的模板中进行。从这些模板中，可以在自动或操作者引导过程中选择特定的模板，其中模板由规划者选择。后一种方法可能是优选的，因为规划者通常可以基于他/她的经验选择更适当的模板。
如上所述，所选择的模板指定了在治疗期间可用于递送的子束。此外，由于束元素由MLC15的配置的变化来控制，所以在不同束元素之间存在某些关系。MLC 15通过将叶片移动到束元素的辐射路径中来遮蔽束元素。这意味着辐射束内部的束元素的遮蔽通常与其它束元素的遮蔽连接，相关MLC叶必须被移动通过所述其它束元素以便遮蔽束元素。在规划程序中，束元素之间的这些关系可以被认为是约束，其必须由治疗期间递送的束元素所满足。
在治疗期间用于所有可能位置的束元素也被称为注量图。为了执行规划程序，这些束元素可以被包括在高维注量矢量b中，其中注量矢量b的每个分量bj对应于束元素j的注量值，其对应于在辐射源12的特定位置处的辐射束的截面的特定部分。
为了描述作为束元素的函数的在患者的被辐照身体区域中吸收的辐射剂量，可以应用线性物理模型。根据这种模型，通过将注量矢量b乘以影响矩阵P来确定被辐照身体区域中的剂量分布。这意味着剂量矢量d是根据下式而确定的：
d＝P·b
剂量矢量d的每个分量di指定由被辐照的身体区域的体素i吸收的辐射剂量，其中这种体积元素通常也被称为体素。影响矩阵P的每个分量Pij量化来自子束j的每单位注量的体素i所吸收的剂量的量。
影响矩阵P是患者的被辐照身体区域的解剖结构的函数。原则上，可以通过对所有子束的射线跟踪来计算影响矩阵P，其中根据包括在射线路径中的体素关于与辐射的相互作用的物理性质来估计所沉积的能量。这些特性尤其可以使用质量衰减系数来量化。
为了计算影响矩阵，可以使用本领域技术人员已知的任何过程。例如，在以下公开中描述了用于计算影响矩阵的方法：T.Bortfeld,W.Schlegel,B.Rhein的“Decompositionof pencil beam kernels for fast dose calculations in three-dimensionaltreatment planning”，Med.Phys.，20(2)，311(1993)，和T.R.McNutt,T.R.Mackie,PaulReckwerdt,和Bhudatt R.Paliwal的“Modeling Dose Distributions from Portal DoseImages using the Convolution/Superposition Method”,Med.Phys.1996；23-28，以及T.R.Mackie的其他工作。此外，用于计算影响矩阵的算法也在市场上可获得的治疗规划软件中实现，例如Philips的软件“Pinnacle3”。
使用上述具有为当天的患者确定的影响矩阵P的线性模型，可以近似由AI单元确定的第一剂量分布以获得第二剂量分布，其是影响矩阵P与对应于所选模板的注量矢量b的乘积。
在该过程中，还考虑在治疗期间递送的束元素的上述约束。因此，所获得的第二剂量分布被配置成使得它实际上可以在治疗期间实现。如上所述，第一剂量分布不一定如此。然而，如果在治疗期间可以实现第一剂量分布，则第二剂量分布通常与第一辐射分布相同。
为了近似第一剂量分布，近似单元25可以最小化目标函数，该目标函数取决于第一剂量分布和第二剂量分布之间的差异。此外，目标函数可以包括权重，使得以更高的权重来评估患者的相关身体区域的部分。在近似的第二剂量分布不同于第一剂量分布的情况下，分配较高权重的部分的差异将较小。因此，加权确保第二辐射剂量在具有较高相关权重的身体区域的部分中良好地对应于第一剂量分布。这些部分可以对应于治疗的靶结构和/或OAR。
在一个实施例中，近似单元25使以下形式的目标函数O1最小化：
Figure BDA0003417845870000131
其中
Figure BDA0003417845870000132
表示体素i的第一剂量分布dAI的值，(Pb)i是体素i的乘积Pb的值，ai是与体素i相关联的权重并且R(b)是正则化项。
在该函数中，可以为每个像素单独指定权重ai。然而，如上所述，有利地为属于患者身体的相关区域的某一部分的体素i(例如靶结构和/或OAR)选择相同的权重ai。在一个具体示例中，针对靶结构和OAR将权重ai设置为1，并且针对身体区域的所有其他部分将权重设置为0。
正则化项R(b)被特别地包括在目标函数中，以防止由于辐射束对于具有近似相同或相反方向的两个分段或控制点可能出现的数值不稳定性，并防止注量图中的噪声。因此，正则化项确保生成临床上可接受的平滑注量图。在一个实施例中，正则化项可以由下式给出：
R(b)＝α·b2
其具有适当选择的常数α。然而，在其它实施例中，可以使用其它正则化项。
近似单元25使目标函数最小化，该目标函数服从注量矢量b的分量bi等于或大于零的条件，并且服从根据在子束bi之间的关系而产生的注量矢量b的上述约束，上述子束bi之间的关系是借助于MLC 15实现子束bi而导致的。作为最小化的结果，近似单元25确定注量矢量：
bapp＝argmin O(b)
以及第二剂量分布，其在本文中也表示为dapp并且由下式给出：
dapp＝P·bapp。
使用第二剂量分布，确定单元26确定与在治疗计划中——特别是在所谓的注量图优化(FMO)中——经常使用的那些相对应的另一目标函数，以便找到在治疗期间要使用的注量矢量。
在FMO中，通过确定导致用于患者的治疗的最佳剂量分布的注量矢量，来找到治疗计划。为了确定期望的注量矢量，如下的目标函数可以被最小化：
F(b)＝F(d＝P·b)
这是在处方剂量目标的基础上产生的，并且可以是对应于个体剂量目标的个体目标函数fk的加权和。因此，目标函数F可以具有以下形式
Figure BDA0003417845870000141
其中wk是分配给个体目标函数fk的权重，并且N是总目标函数F中考虑的个体剂量目标的总数。
例如，这些剂量目标可以指定将被递送到特定体素(例如靶结构的体素)的最小剂量dmin，或者将被递送到特定体素(例如OAR的体素)的最大剂量dmax。这样的目标可以由以下形式的分段二次成本函数来表示
fk～∑iH(dmin-di)(dmin-di)2
或
fk～∑iH(di-dmax)(di-dmax)2
其中，在与目标相关的体积的所有体素i上计算总和，并且H(x)是被定义为如下的Heaviside函数：
Figure BDA0003417845870000142
另一个示例涉及在一定体积中需要均匀剂量分布的剂量目标，其可以再次对应于靶结构或OAR。这样的目标可以由以下形式的个体目标函数来表示：
fk～∑i(di-davg)2
其中再次对相关体积中所包含的体素i计算总和，并且其中davg表示该体积中吸收的平均辐射剂量。
在确定单元26中，基于在患者的临床处方中指定的当天患者的治疗目标生成目标函数F。这可以自动地或在本领域已知的操作者引导过程本身中完成。通常，该过程包括目标函数的生成，该目标函数包括指定与治疗的靶结构相关的最小剂量目标和OAR的最大剂量目标的个体目标函数。此外，个体目标函数，例如与辐射剂量的均匀性要求有关的个体目标函数，可以被包括在整个目标函数中。
可以基于患者的临床处方来确定个体目标函数的参数，例如最小剂量值和最大剂量值。此外，可以基于在近似单元25中确定的第二剂量分布来确定这样的值。如果某一体积受到在第二剂量分布中所满足的最大剂量要求，则可以特别考虑第二剂量分布。在这种情况下，与该体积相关的个体目标函数的最大剂量值可以被设置为根据第二剂量分布在体积中出现的最小剂量值。该值可能小于患者临床要求中规定的最小剂量，因此可能过度满足临床处方。类似地，如果某一体积受到在第二剂量分布中所满足的最小剂量要求，则可以特别考虑第二剂量分布。如果是，与该体积相关的单个目标函数的最小剂量值可以被设置为根据第二剂量分布在体积中出现的最大剂量值。该值可能大于患者临床处方中规定的最小剂量，因此该处方可能被过度满足。
然而，在确定单元26中生成该函数的过程中，最初没有为与被包括在目标函数中的个体目标函数相关联的权重wi指定值。而是，基于在近似单元25中确定的第二剂量分布dapp来确定这些权重。更具体地，确定权重，使得当针对第二剂量分布进行评估时，目标函数满足预定标准。在下面描述的实施例中，权重被特别地确定为使得当针对第二剂量分布进行评价估时，目标函数至少近似最小。这对应于第二剂量分布至少近似是对应于目标函数的优化问题的最优解的假设。
当目标函数近似时，这意味着其关于子束bj的导数至少近似为零。使用如上所述的用于近似剂量分布的线性模型，这些导数由下式给出：
Figure BDA0003417845870000161
为了确定权重，可以针对第二剂量dapp分布评估该表达式并将其设置为零。这产生了用于权重wk的一组线性方程，其可以使用本领域技术人员已知的程序近似地求解。
为了避免其中所有权重都等于零的平凡解，可以将权重之一设置为预定值，并且可以将其他权重限制为严格正的。例如，权重wN可以被设置为1。这产生一组线性方程，其可以被写为矩阵方程；
A·w＝y
其中矢量w的分量对应于权重wk(k＝1，...，N-1)，其中矩阵A的分量Ajk由下式给出：
Figure BDA0003417845870000162
并且其中矢量y的分量yj由下式给出
Figure BDA0003417845870000163
其中符号g(x)|x＝x0规定要对x＝x0评估函数g(x)。
通常，该组线性方程将包括比待确定的权重wk更多的方程，使得其对应于所谓的超定方程组。对于这样的方程组，可以使用例如本领域技术人员已知的最小二乘法本身来近似解。根据该方法，近似解由下式给出
w＝(ATA)-1ATy
其中上标“T”和“-1”表示转置矩阵和逆矩阵。在一个实施例中，确定单元26使用该方法和前述等式来确定权重wk。
在另一实施例中，确定单元26确定权重wk，使得当针对第二剂量分布进行评估时以及当权重wk的值受到一个或多个约束时，目标函数F相对于子束的梯度的范数为零或至少尽可能小。因此，权重wk被确定为使得由下式给出的成本函数C被最小化：
Figure BDA0003417845870000171
即，成本函数C至少近似等于零。特别地，为了避免平凡解，当权重wk受到预定约束时，成本函数C被最小化。例如，权重可以被约束为严格为正，一个权重可以被分配给预定义的正常数，而其余权重可以被约束为严格为正，平方权重的和可以被约束为等于预定义的正常数，或者权重的和可以被约束为等于预定义的正常数。
要应用的一个或多个约束可以由操作者手动选择，或者它们可以在确定单元中预先确定，使得可以获得适当的非平凡解。考虑到所选择的约束，成本函数C可以使用本领域技术人员已知的任何合适的数值约束优化算法来最小化。在以下的教科书中描述了可以应用的示例性算法：J.Nocedal和S.Wright，“Numerical Optimization”，Springer，2006。
在不同的实施例中，可以修改函数fk的定义，使得修改的函数在第二剂量分布dapp处的值在预定限度内。
虽然在前述实施例中确定单元26确定权重wk，但是确定单元26还确定目标函数F的其它参数。这些参数尤其可以包括目标函数中规定的最小和/或最大剂量值。在相关实施例中，除了权重wk之外，这些值被认为是可变的，并且确定单元26确定这些值和权重wk，使得当针对第二剂量分布进行评估时，目标函数被近似地最小化。为此目的，可以基于目标函数相对于相关剂量值和权重wk的导数来建立用于确定最大和/或最小剂量值和权重wk的方程组，类似于以上结合权重的确定所描述的。方程组相对于权重wk是线性的并且相对于最小剂量水平和/或最大剂量水平是二次的，并且可以使用适当的数值算法来求解。
在上述确定单元26的所有实施例中，确定单元确定目标函数F，该目标函数F在针对第二剂量分布进行评估时近似最小。包括所确定的权重wk和(在适用情况下的)所确定的最小和/或最大剂量值的该目标函数F以及第二剂量分布连同相关注量图、影响矩阵和具有所描绘的靶结构和OAR的规划图像被提供给优化单元27。在优化单元27中，在迭代操作者引导的过程中基于目标函数和第二剂量分布确定进一步优化的剂量分布和注量图。
在该过程的每个步骤中，规划者可以查看当前的剂量分布。该查看通常包括对靶结构和OAR的剂量－体积直方图(DVH)的评估，以便确定患者的治疗目标是否能够以最佳可能的方式实现。如果规划者对在过程的一个步骤中确定的剂量分布满意，则基于该剂量分布生成用于治疗患者的治疗计划。这可以通过将对应于剂量分布的注量图转换成用于控制RT系统11的辐照参数来实现，使得在治疗期间递送被包括在图中的注量。这种转换可以以本领域技术人员已知的方式进行。
当规划者对剂量分布不满意时，他/她可以修改目标函数。之后，确定新的剂量分布，其至少近似地最小化经修改的目标函数并且由规划者查看，如上所述的。目标函数的可能修改包括对包括在整个目标函数中的个体目标函数的一个或多个权重wk的修改。进一步地，修改可以包括从整个目标函数中删除一个或多个个体目标函数和/或向整个目标函数添加新的个体目标函数。
以此方式，规划者可以进一步优化第二剂量分布，该第二剂量分布从如上所述的在AI单元24中确定的第一剂量分布产生。
通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的本发明时可以理解和实现所公开实施例的变型。
在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。
单个单元或设备可以实现权利要求中所述的若干项的功能。在相互不同的从属权利要求中叙述某些措施的仅有事实并不表示不能有利地使用这些措施的组合。
计算机程序可以被存储/分布在适当的介质上，例如光存储介质或固态介质，该适当的介质与其他硬件一起提供或作为其他硬件的一部分，但是也可以以其他形式分布，例如经由因特网或其他有线或无线电信系统。
权利要求中的任何附图标记不应解释为限制范围。

Claims (13)

1.一种用于辅助规划对患者的身体区域的放射疗法治疗的系统(21)，其中基于治疗计划来提供所述治疗，所述治疗计划包括用于控制对所述身体区域的辐射递送的辐照参数，所述系统被配置为：
-接收针对所述身体区域的第一剂量分布(dAI)，
-获得第一目标函数(F)，所述第一目标函数取决于至少一个参数并且取决于所述身体区域中的剂量分布，
-确定所述至少一个参数的第一值，使得所述第一目标函数(F)在针对所述至少一个参数的所述第一值并且针对从所述第一剂量分布(dAI)导出的第二剂量分布(dapp)进行评估时满足预定义的标准，
-将与所述至少一个参数的所述第一值有关的所述第一目标函数(F)提供给用户，用于修改所述第一目标函数(F)以生成第二目标函数，以及
-使用所述第二目标函数确定所述治疗计划。
2.根据权利要求1所述的系统，所述系统被配置为通过使用人工智能的算法，特别是通过神经网络来生成所述第一剂量分布(dAI)。
3.根据权利要求1或2所述的系统，所述系统被配置成：通过使用物理模型将所述第一辐射分布(dAI)近似为要在所述治疗中应用的束元素的函数，来导出所述第二剂量分布(dapp)，所述物理模型描述了取决于所述束元素而在所述患者的所述身体区域中被吸收的所述辐射。
4.根据权利要求3所述的系统，其中所述物理模型是线性模型，所述线性模型将在所述身体区域中被吸收的辐射剂量描述为影响矩阵与束元素的矢量的乘积。
5.根据前述权利要求中任一项所述的系统，所述系统被配置为基于模板来导出所述第二剂量分布(dapp)，所述模板指定针对为所述治疗选择的治疗模式的可能的束元素。
6.根据权利要求5所述的系统，所述模板是基于所述治疗的模态从多个模板中选择的，所述治疗的所述模态是从至少包括以下的组中选择的：步进激发强度调制放射疗法IMRT和体积调制电弧疗法VMAT。
7.根据前述权利要求中任一项所述的系统，所述系统被配置成通过使第三目标函数最小化来导出所述第二剂量分布(dapp)，所述第三目标函数取决于所述第一剂量分布(dAI)和所述第二剂量分布(dapp)之间的差异。
8.根据权利要求7所述的系统，其中所述第一剂量分布(dAI)和所述第二剂量分布(dapp)的元素在所述第三目标函数中被提供以不同的权重，所述权重是基于所述第一剂量分布(dAI)和所述第二剂量分布(dapp)的元素所属的所述身体区域的部分来选择的。
9.根据前述权利要求之一所述的系统，其中所述第一目标函数(F)包括输入到所述第一目标函数中的、具有相关联的权重的个体目标函数的和，并且其中所述至少一个参数是所述权重中的至少一个权重。
10.根据权利要求9所述的系统，其中所述个体目标函数中的每一个表示在所述治疗期间要被递送到所述身体区域的一部分的所述辐射的要求。
11.根据权利要求9或10所述的系统，其中所述第二目标函数是通过源自于如下组中的修改而从所述第一目标函数导出的，所述组包括：对所述权重中的至少一个权重的修改、向所述目标函数添加个体目标函数、以及对个体目标函数的删除。
12.一种用于辅助规划对患者的身体区域的放射疗法治疗的方法，其中基于治疗计划来提供所述治疗，所述治疗计划包括用于控制对所述身体区域的辐射递送的辐照参数，所述方法包括：
-接收针对所述身体区域的第一剂量分布(dAI)，
-获得第一目标函数(F)，所述第一目标函数取决于至少一个参数并且取决于所述身体区域中的剂量分布，
-确定所述至少一个参数的第一值，使得所述第一目标函数(F)在针对所述至少一个参数的所述第一值并且针对从所述第一剂量分布(dAI)导出的第二剂量分布(dapp)进行评估时满足预定义的标准，
-将与所述至少一个参数的所述第一值有关的所述第一目标函数(F)提供给用户，用于修改所述第一目标函数(F)以生成第二目标函数，以及
-使用第二目标函数确定所述治疗计划。
13.一种包括程序代码的计算机程序，当在计算机中执行所述程序代码时，所述程序代码用于指示计算机执行根据权利要求12所述的方法。
CN202111551680.2A 2020-12-18 2021-12-17 放射治疗规划 Pending CN114642835A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20215273.2 2020-12-18
EP20215273.2A EP4015038A1 (en) 2020-12-18 2020-12-18 Radiation therapy planning

Publications (1)

Publication Number Publication Date
CN114642835A true CN114642835A (zh) 2022-06-21

Family

ID=73855660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111551680.2A Pending CN114642835A (zh) 2020-12-18 2021-12-17 放射治疗规划

Country Status (3)

Country Link
US (1) US20220193448A1 (zh)
EP (2) EP4015038A1 (zh)
CN (1) CN114642835A (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5373844A (en) * 1993-06-14 1994-12-20 The Regents Of The University Of California Inverse treatment planning method and apparatus for stereotactic radiosurgery
CN103282967B (zh) * 2010-08-17 2016-07-06 德克萨斯州立大学董事会 用于放射疗法的自动化治疗计划
WO2016092441A1 (en) * 2014-12-11 2016-06-16 Koninklijke Philips N.V. A method to reduce local hot/cold spots in dmpo-based imrt planning
US11123574B2 (en) * 2017-01-30 2021-09-21 Koninklijke Philips N.V. Estimation of the achievability of treatment goals in radiation therapy

Also Published As

Publication number Publication date
EP4019085A1 (en) 2022-06-29
EP4019085B1 (en) 2023-11-01
EP4015038A1 (en) 2022-06-22
US20220193448A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
CN110799244B (zh) 用于自适应辐射治疗的规划系统
US11278737B2 (en) Systems and methods for automatic treatment planning and optimization
US10744344B2 (en) Adaptive radiation therapy planning
JP7159289B2 (ja) 最適化中のｏａｒ及び標的目標に対する調整メカニズム
CN110170111B (zh) 用于放射治疗治疗计划的治疗计划计算机结构
CN106687177A (zh) 图像引导放射疗法
CN107708805A (zh) 一种用于放疗治疗计划的优化的方法、计算机程序产品和系统
CA2657791A1 (en) Systems and methods for optimization of on-line adaptive radiation therapy
US10799715B2 (en) Adaptive radiation therapy planning
EP3375485A1 (en) Image-guided radiation therapy
US11282192B2 (en) Training deep learning engines for radiotherapy treatment planning
CN110709136B (zh) 用于放射治疗处置的处置计划生成
CN110290832B (zh) 对治疗目标在放射疗法中的可实现性的评估
Yan et al. A fast optimization approach for treatment planning of volumetric modulated arc therapy
Pastor‐Serrano et al. Sub‐second photon dose prediction via transformer neural networks
CN114642835A (zh) 放射治疗规划
Hrinivich et al. Artificial intelligence-based radiotherapy planning with reinforcement learning
Mahnam Column Generation-Based Techniques for Intensity-Modulated Radiation Therapy (IMRT) and Volumetric Modulated Arc Therapy (VMAT) Treatment Planning
Kafaei et al. Deep Q-learning for simultaneous Beam Orientation and trajectory optimization for Cyberknife

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