CN115135380A - 生成和应用鲁棒的剂量预测模型 - Google Patents

Abstract

访问(202)与先前定义的放射处理计划相关联的参数的标称值和标称值的扰动。针对处理计划的每个处理场，基于那些扰动来确定(204)特定于场的计划靶标体积(fsPTV)。还描绘了至少一个临床靶标体积(CTV)和至少一个危及器官(OAR)体积。每个OAR包括至少一个子体积，该至少一个子体积基于每个OAR与CTV和针对每个处理场的fsPTV之间的空间关系来描绘(208)。基于标称值和扰动确定(210)针对子体积的剂量分布。针对每个子体积生成(f212)一个或多个剂量预测模型。(多个)剂量预测模型使用剂量分布而被训练。

Description

生成和应用鲁棒的剂量预测模型

背景技术

使用放射疗法处理癌症是众所周知的。典型地，放射疗法涉及将高能质子、光子、离子或电子辐射(“治疗性辐射”)射束引导到靶标或靶标体积(例如，包括肿瘤或病变的体积)中。

在对患者进行放射处理之前，制定针对该患者的处理计划。该计划使用基于过去经验的模拟和优化来定义疗法的各个方面。一般而言，处理计划的意图是向不健康组织递送足够的辐射，同时使周围健康组织对辐射的暴露最小化。

计划者的目标是找到对于多个临床目标最优的解决方案，所述多个临床目标可为矛盾的，即一个目标的改进可对达到另一个目标具有不利影响。例如，避免肝脏接受一定剂量辐射的处理计划可能会导致胃部接受过多的辐射。这些类型的权衡导致迭代过程，在该迭代过程中，计划者创建不同的计划以找到用于实现期望结果的最优化(最适合)的一个计划。

处理计划的关键组成部分是预测将被应用到患者的辐射的剂量和剂量分布。在基于知识的剂量预测中，来自先前所计划的放射处理的信息可用于获得关于在新病例中可实现的剂量分布是什么的知识，而无需执行实际计划。基于知识的剂量预测的一种方法是使用一组处理计划来创建模型，该模型然后可用于预测针对新病例的剂量。预测可被转换为优化目标，当其与优化算法结合使用时，产生完整的处理计划。

发明内容

本发明提供了根据权利要求中所定义的计算机实现的方法。

期望的是，剂量预测模型是“鲁棒的”以便它们考虑(account for)处理期间可能发生的扰动。例如，患者的位置可在处理期间改变，并且优选地的是，在处理患者之前，当使用模型来优化放射或放射疗法处理计划的目标时，剂量预测模型可以考虑患者的移动。

根据本发明的实施例提供了一种改进的放射处理计划方法。更具体地，根据本发明的实施例涉及鲁棒的剂量预测模型的生成，并且涉及应用那些模型以开发和优化放射处理计划。

在本发明的一个方面，提供了一种计算机实现的方法，包括：访问多个处理计划，该多个处理计划具有与多个处理计划相关联的、处理计划的参数的标称值的扰动；

针对处理计划的每个处理场，基于扰动确定特定于场的计划靶标体积(fsPTV)；

访问描绘至少一个临床靶标体积(CTV)的信息和描绘至少一个危及器官(OAR)体积的信息，其中每个所述OAR体积包括至少一个子体积，该至少一个子体积基于所述每个OAR体积与CTV和针对所述每个处理场的fsPTV之间的空间关系而被描绘；

确定针对每个所述子体积的剂量分布，其中剂量分布包括基于标称值的剂量分布和基于扰动的剂量分布；以及

针对每个所述子体积生成剂量预测模型，其中模型包括使用基于标称值的剂量分布而被训练的模型和使用基于扰动的剂量分布而被训练的模型。

剂量预测模型的每个模型可包括将所述每个模型与用于训练所述每个模型的剂量分布相关联的信息。

该方法可包括将剂量预测模型应用于放射处理计划，其中所述应用包括：使用剂量预测模型计算放射处理计划的剂量-体积直方图，其中剂量-体积直方图包括使用标称值计算的剂量-体积直方图和使用标称值的扰动计算的剂量-体积直方图；以及使用剂量预测模型并基于剂量-体积直方图生成放射处理计划的目标。

在实施例中，访问与先前定义的放射处理计划相关联的参数的标称值和标称值的扰动。针对那些处理计划的每个处理场，基于扰动确定特定于场的计划靶标体积(fsPTV)。还描绘了至少一个临床靶标体积(CTV)和至少一个危及器官(OAR)体积。每个OAR包括至少一个子体积，该子体积基于每个OAR与CTV和针对每个处理场的fsPTV之间的空间关系而被描绘。基于标称值和基于扰动确定针对子体积的剂量分布。例如，如果存在N个扰动，则确定N+1个剂量分布：基于标称值的剂量分布，以及基于每个扰动的剂量分布。

在实施例中，针对每个子体积生成多个鲁棒的剂量预测模型。例如，如果存在N个扰动，则针对每个子体积生成N+1个剂量预测模型：使用基于标称值的剂量分布而被训练的剂量预测模型，以及使用基于每个扰动的每个剂量分布而被训练的剂量预测模型。

在其他实施例中，针对每个子体积仅生成一个鲁棒的剂量预测模型。然而，该模型使用所有剂量分布来训练。例如，如果存在N个扰动，则使用上述N+1个剂量分布来训练剂量预测模型。

因此，在根据本发明的实施例中，生成鲁棒的剂量预测模型，该模型针对处理期间计划参数中的潜在扰动进行了训练并且因此考虑了这些潜在扰动。

在针对每个子体积生成多个鲁棒的剂量预测模型的实施例中，当将模型应用于放射处理计划时，将扰动作为参数插入到模型中以开发优化目标。更具体地，模型被用于预测用于计划的剂量-体积直方图(DVH)。如果存在N个扰动并因此存在N+1个模型，则为该计划确定每子体积的一组N+1个DVH。剂量预测模型然后可用于基于DVH生成优化目标。

在本发明的一个方面，提供了一种计算机实现的方法，包括：访问多个处理计划，该多个处理计划具有与多个处理计划相关联的、处理计划的参数的标称值的扰动；

针对处理计划的每个处理场，基于扰动确定特定于场的计划靶标体积(fsPTV)；

访问描绘至少一个临床靶标体积(CTV)的信息和描绘至少一个危及器官(OAR)体积的信息，其中每个所述OAR体积包括至少一个子体积，该至少一个子体积基于每个所述OAR体积与CTV和针对所述每个处理场的fsPTV之间的空间关系来描绘；

确定多个剂量分布，多个剂量分布包括基于标称值的剂量分布和基于扰动的剂量分布；以及针对每个所述子体积生成剂量预测模型，该模型使用多个剂量分布来训练。

剂量预测模型可包括将剂量预测模型与用于训练剂量预测模型的剂量分布相关联的信息。

该方法可进一步包括将剂量预测模型应用于放射处理计划，其中所述应用包括：使用剂量预测模型并使用标称值计算放射处理计划的剂量-体积直方图；以及使用剂量预测模型并基于剂量-体积直方图生成放射处理计划的目标。

在针对每个子体积仅生成单个鲁棒的剂量预测模型的实施例中，该模型用于预测针对每个子体积的标称DVH。剂量预测模型然后可用于基于标称DVH生成优化目标。

根据本发明的实施例，通过增加剂量预测模型的鲁棒性来改进放射处理计划，并且因此改进处理本身，剂量预测模型进而用于开发和优化放射处理计划以利于被处理的患者。鲁棒的模型可用于在受扰动处理情形中向CTV递送足够的剂量，同时确保OAR在任何受扰动情形中不接收太多的剂量。鲁棒的模型对于质子射束处理尤其重要，但对于其他模态也很重要。

本领域技术人员在阅读了以下详细说明之后，将认识到根据本发明的实施例的这些和其他目的和优点，这些详细说明在各个附图中示出。

提供本概述以介绍将在以下详细描述中进一步描述的一些概念。本概述不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。

附图说明

结合在本说明书中并形成本说明书的一部分并且其中相同的数字描画相同的元件的附图示出了本公开的实施例，并且与详细描述一起用于解释本公开的原理。

图1A是根据本发明的实施例中生成和应用剂量预测模型的计算机实现的方法的流程图。

图1B是示出根据本发明的实施例中生成和应用剂量预测模型的方法中的元件的框图。

图2是在根据本发明的实施例中生成新的和鲁棒的剂量预测模型的计算机实现的方法的流程图。

图3示出了当在根据本发明的实施例中生成新的和鲁棒的剂量预测模型时使用的子体积。

图4是在根据本发明的其他实施例中生成新的和鲁棒的剂量预测模型的计算机实现的方法的流程图。

图5是在根据本发明的实施例中应用新的和鲁棒的剂量预测模型的计算机实现的方法的流程图。

图6是可在其上实施本文所描述的实施例的计算机系统的示例的框图。

具体实施方式

现在将详细参考本公开的各种实施例，其示例在附图中示出。尽管结合这些实施例进行了描述，但是应理解，它们并不旨在将本公开限制于这些实施例。相反，本公开旨在覆盖可包括在由所附权利要求定义的本公开的精神和范围内的替换、修改和等同物。此外，在本公开的以下详细描述中，阐述了许多具体细节，以便提供对本公开的透彻理解。然而，应理解，本公开可在没有这些具体细节的情况下实践。在其他情况下，没有详细描述公知的方法、工序、组件和电路，以免不必要地模糊本公开的各方面。

下面的详细描述的一些部分按照工序、逻辑块、处理和对计算机存储器内的数据位的操作的其他符号表示形式呈现。这些描述和表示是数据处理领域的技术人员用来最有效地向本领域的其他技术人员传达他们工作的实质的手段。在本申请中，过程、逻辑块、过程等被认为是导致期望结果的步骤或指令的自相容序列。这些步骤是利用物理量的物理操纵的步骤。通常，尽管不是必须的，这些量采取能够在计算机系统中被存储、传输、组合、比较和以其他方式操纵的电或磁信号的形式。已经证明，将这些信号称为事务、比特、值、元件、符号、字符、样本、像素等有时是方便的，这主要是出于通用的原因。

然而，应记住，所有这些和类似的术语将均与适当的物理量相关联，并且仅仅是应用于这些量的方便标记。除非特别声明，否则如从以下论述中显而易见的，应理解，在整个本公开中，利用诸如“确定”、“访问”、“生成”、“应用”、“表示”、“指示”、“存储”、“使用”、“调整”、“包括”、“计数”、“计算”、“关联”等术语的论述是指计算机系统或类似电子计算设备或处理器(例如，图6的计算机系统600)的动作和过程(例如，图1A、2、4和5的流程图)。计算机系统或类似的电子计算设备操纵并转换表示为计算机系统存储器、寄存器或其他此类信息存储、传输或显示设备内的物理(电子)量的数据。术语诸如“剂量”、“剂量率”或一些其他参数或属性一般分别指剂量值、剂量率值、属性值或参数值；这些术语的使用将从周围论述的上下文中变得清楚。

本文所描述的实施例可在驻留于某种形式的计算机可读存储介质上的计算机可执行指令的一般上下文中进行论述，诸如由一台或多台计算机或其他设备执行的程序模块。作为示例而非限制，计算机可读存储介质可变化非暂时性计算机存储介质和通信介质。一般而言，程序模块包括执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。在各种实施例中，程序模块的功能性可根据需要进行组合或分布。

计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、闪存或其他存储器技术、光盘ROM(CD-ROM)、数字多功能盘(DVD)或其他光存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储设备，或可用于存储期望的信息并可被访问以检索该信息的任何其他介质。

通信介质可体现计算机可执行指令、数据结构和程序模块，并且包括任何信息递送介质。作为示例而非限制，通信介质包括诸如有线网络或直接线连接的有线介质，以及诸如声学、射频(RF)、红外和其他无线介质的无线介质。上述任何的组合也可包括在计算机可读介质的范围内。

根据方法介绍和论述了以下详细说明的部分内容。尽管在描述这些方法的操作的附图(例如，图1A、2、4和5)中公开了其步骤和排序，但是这些步骤和排序仅仅是示例。实施例非常适合于执行各种其他步骤或本文附图的流程图中所述步骤的变型，并且以不同于本文所描画和描述的顺序。

图1A、2、4和5分别是根据本发明的实施例中用于生成剂量预测模型或将此类模型应用于放射处理计划的计算机实施的操作的示例的流程图100、200、400和500。流程图100、200、400和500可被实现为驻留于某种形式的计算机可读存储介质上(例如，图6的计算机系统600的存储器中)的计算机可执行指令(例如，图6的模型650和651)。

图1A是流程图100，其提供了在根据本发明的实施例中生成和应用剂量预测模型的计算机实现的方法的概述。还参考图1B讨论图1A，图1B是示出图1A的过程中的元件的框图。

在框102中，从处理计划数据库(例如，基于知识的数据库112)访问一组先前定义的处理计划110。

在框104中，选择那些处理计划中的信息，诸如针对每个危及器官(OAR)和剂量体积直方图(DVH)的信息，以用于训练新的剂量预测模型。

在框106中，训练新的剂量预测模型114。在实施例中，训练过程包括标识可接受的临床目标，包括靶标剂量覆盖与对危及器官(OAR)的剂量之间的可接受的权衡。训练过程还可包括使用被训练的模型计算DVH，所计算的DVH可与处理计划训练集中的DVH进行比较。

在框108中，一旦预测模型被训练，就可将其添加至数据库112或另一数据库，并且还可将其用于预测DVH和剂量以用于针对患者的放射处理而正在被开发的处理计划116。剂量预测模型可用于开发用于(但不限于)强度调制放射疗法(IMRT)和体积调制弧形疗法(VMAT)的处理计划。

图2是在根据本发明的实施例中生成新的和鲁棒的剂量预测模型的计算机实现的方法的流程图200。还参考图3讨论图2，图3示出了在生成剂量预测模型时使用的子体积。

在图2的框202中，从例如数据库选择并访问一组先前定义的处理计划(其在本文中可被称为训练集)。为特定解剖区域(例如，头部和颈部，或躯干等)生成新的剂量预测模型，并且训练集将包括针对相同解剖区域的处理计划。在实施例中，访问20个或更多个处理计划。一般而言，被访问的计划的数目足以适当地训练和生成鲁棒的剂量预测模型。因此，取决于训练过程的结果，所选择的计划的数目可多于或少于20个。所选择的计划的数目还可取决于被建模的解剖区域。

所选择的处理计划包括对要递送的处理剂量具有影响的参数的标称值。针对处理计划的标称值可存储在计划本身中或被链接到计划。一般而言，在框202中访问训练集的标称值。这些参数可包括例如患者移动(处理场的等中心相对于患者位置的移位)、射束校准(例如，计算机断层摄影(CT)校准曲线的变化)、场大小、射束衰减，以及计划和处理期间的成像。

同样在框202中，定义或访问标称值的多个扰动(例如，不确定性、容差、范围)。理想地，尽管本发明不限于此，扰动与用于训练一组先前定义的处理计划的扰动相同。处理计划的扰动可存储在计划本身中或被链接到计划。

同样在框202中，并且参考图3，定义至少一个OAR体积302，并且定义至少一个临床靶标体积(CTV)304。CTV 304包括靶标体积(例如，正被处理的肿瘤的体积)，并且还考虑靶标体积的边界中的不确定性(例如，可能未被成像的肿瘤扩散)。

在图2的框204中，针对预定义的一组处理计划的每个处理场(例如，图3的场310和312)，确定基于扰动的特定于场的计划靶标体积(fsPTV)。计划靶标体积(PTV)包括CTV，并且还考虑扰动。fsPTV是针对每个处理场的单独的PTV。

在框206中，在实施例中，使用针对每个处理场的fsPTV作为靶标体积来计算基于几何结构的预期剂量(GED)。本质上，GED提供剂量分布的估计。GED提供将处理射束和患者几何结构映射到DVH的度量。

在实施例中，使用参数的标称值并使用针对每个处理场的fsPTV作为靶标体积来计算标称GED。然后使用标称GED估计与标称值的扰动对应的GED。更具体地，标称GED可根据由扰动(例如，患者移动)引起的等中心移位而相对于处理射束横向地移位，或者标称GED可由于例如与影响射束范围的校准曲线或与CT图像相关联的扰动而朝向或远离射束源移位。

在框208中，(从框202)访问描绘至少一个CTV 304和描绘至少一个OAR体积302的信息，并且将每个OAR体积划分为一个或多个子体积，该子体积基于每个OAR体积与CTV和针对每个处理场的fsPTV之间的空间关系来描绘。

更具体地，在实施例中，子体积包括：场内fsPTV区域，其包括与来自至少一个处理场的fsPTV的投影重叠的OAR体积的至少一部分；场内CTV区域，其包括与来自至少一个处理场的CTV的投影重叠的OAR体积的至少一部分；重叠fsPTV区域，其包括在所有fsPTV的并集内的OAR体积的至少一部分；以及重叠CTV区域，其包括在任何CTV(一个或多个)内部的OAR体积的至少一部分。术语“投影”是本领域的术语，并且可针对不同的处理模态(例如，射束类型)被不同地定义。例如，对于光子射束，它是靶标处理场在射束方向上的投影，延伸通过靶标体积。作为另一个示例，对于质子射束，它是最接近靶标体积(在射束源和靶标体积之间，但是不延伸超过靶标体积)的处理场的投影。

一般而言，在实施例中，图3的场内区域306被划分为场内fsPTV区域和场内CTV区域，该场内fsPTV区域包括与来自至少一个处理场的fsPTV的投影重叠的OAR体积的至少一部分，该场内CTV区域包括与来自至少一个处理场的CTV的投影重叠的OAR体积的至少一部分；并且图3的场外区域308被划分为重叠fsPTV区域和重叠CTV区域，该重叠fsPTV区域包括在所有fsPTV的并集内的OAR体积的至少一部分，该重叠CTV区域包括在任何CTV(一个或多个)内部的OAR体积的至少一部分。

在图2的框210中，从训练集中的处理计划提取数据。更具体地，针对在框206中标识的每个子体积确定剂量分布。每子体积的剂量分布包括基于标称值的剂量分布和基于扰动的剂量分布。例如，如果存在N个扰动，则针对每个处理计划确定每子体积的N+1个剂量分布：基于标称值的一个剂量分布和基于每个扰动的一个剂量分布。

在框212中(也在数据提取阶段期间)，在图2的实施例中，针对每个子体积生成多个剂量预测模型。模型包括使用基于标称值的剂量分布而被训练的模型和使用基于扰动的剂量分布而被训练的模型。因此，例如，如果存在N个扰动，则针对每个子体积生成N+1个剂量预测模型，针对每个扰动一个模型。

在一个实施例中，每个剂量预测模型包括将该模型与用于训练该模型的剂量分布相关联的信息。因此，例如，每个剂量预测模型具有标识与其相关联的扰动的信息。

图4是在根据本发明的其他实施例中生成新的和鲁棒的剂量预测模型的计算机实现的方法的流程图400。上文结合图2描述了图4的框202、204、206、208和212。在流程图400中，框412代替图2的框212。

在图4的框412中(在数据提取阶段期间)，针对每个子体积生成单个剂量预测模型。然而，该模型使用所有剂量分布来训练。例如，如果存在N个扰动加上标称值，则使用N+1个剂量分布来训练该剂量预测模型。在一个实施例中，该剂量预测模型包括将模型与用于训练模型的剂量分布相关联的信息。

图5是在根据本发明的实施例中应用新的和鲁棒的剂量预测模型的计算机实现的方法的流程图500。

在框502中，访问所提出的放射处理计划。

在框504中，在针对每个子体积生成多个鲁棒的剂量预测模型的实施例中，针对该放射处理计划计算多个DVH。使用标称值计算一个DVH，并且使用多个扰动计算多个DVH。

更具体地，在针对每个子体积生成多个鲁棒的剂量预测模型的实施例中，当将模型应用于所提出的放射处理计划时，将扰动作为参数插入到模型中以开发优化目标。如果存在N个扰动并因此存在N+1个模型，则针对该计划为每个子体积确定一组N+1个DVH。

在框506中，剂量预测模型用于基于DVH生成优化目标。例如，优化目标可以是：在任何受扰动情形中，针对OAR的最大剂量不能超过特定值。

在框508中，在针对每个子体积仅生成单个鲁棒的剂量预测模型的实施例中，该模型用于计算每子体积的标称DVH。

在框510中，该剂量预测模型用于基于标称DVH生成优化目标。

图6示出了可在其上实施本文所描述实施例的计算机系统600的示例的框图。在其最基本的配置中，系统600包括至少一个处理单元602和存储器604。这一最基本的配置在图6中由虚线606示出。系统600还可具有附加的特征和/或功能性。例如，系统600还可包括附加存储装置(可移除和/或不可移除)，包括但不限于磁盘或光盘或磁带。此类附加存储装置在图6中由可移除存储装置608和不可移除存储装置620示出。系统600还可含有(多个)通信连接622，该通信连接部允许设备例如在使用到一个或多个远程计算机的逻辑连接部的网络化环境中与其他设备通信。

系统600还包括诸如键盘、鼠标、笔、语音输入设备、触摸输入设备等(多个)输入设备624。还包括诸如显示设备、扬声器、打印机等(多个)输出设备626。

在图6的示例中，存储器604包括与用于生成剂量预测模型的模型650和用于将剂量预测模型应用于放射处理计划的模型651相关联的计算机可读指令、数据结构、程序模块等，如上文结合1A、2、4和5所描述的。然而，与之相反，模型650和651可驻留于系统600所使用的任何一个计算机存储介质中，或者可分布在计算机存储介质的某种组合上，或者可分布在联网计算机的某种组合上。

因此，如上所述，根据本发明的实施例提供了一种改进的放射处理计划方法。更具体地，根据本发明的实施例涉及鲁棒的剂量预测模型的生成，并且涉及应用那些模型以开发和优化放射处理计划。对鲁棒的剂量预测模型进行训练并由此考虑处理期间计划参数中的潜在扰动。

根据本发明的实施例通过增加剂量预测模型的鲁棒性来改进放射处理计划，并且因此改进处理本身，剂量预测模型继而用于开发和优化放射处理计划以利于被处理的患者。鲁棒的模型可用于在受扰动处理情形下向CTV递送足够的剂量，同时确保OAR在任何受扰动情形下不接收太多的剂量。鲁棒的模型对于质子射束处理尤其重要，但对于其他模态也很重要。

使用包括多个处理计划的训练集来训练剂量预测模型，其中多个参数包括标称值和标称值的扰动。对于每个计划，确定多个fsPTV体积，并且将处理区域中的结构划分为多个子体积。考虑所有这些因素来确定剂量分布。因此，开发一个或多个剂量预测模型是一个复杂的任务，其超出了人类的能力并依赖于计算系统的使用。

将剂量预测模型应用于所提出的放射处理计划也可能是复杂的任务。例如，根据处理模态，可用的自由度包括射束成形(准直)、射束加权(光斑扫描)、射束强度或能量、射束方向、剂量率以及光斑的数目和布置。还考虑了诸如本文前面提到的会影响剂量率的参数。如果靶标体积被划分为子体积或体素，则参数值可以是基于每个子体积或每个体素(例如，每个子体积或体素的值)的。因此，一致且有效地生成和评估高质量的处理计划超出了人类的能力，并且依赖于计算系统的使用，特别是在考虑与使用放射疗法来处理疾病(如癌症)相关联的时间限制，以及在任何给定时间段期间经历或需要经历放射疗法的大量患者的情况下。

虽然已经用结构特征和/或方法动作专用的语言描述了本主题，但是应理解，所附权利要求中定义的主题不必限于上述具体特征或动作。相反，上述具体特征和动作是作为实施权利要求的示例形式而公开的。

Claims (15)

1.一种计算机实现的方法，包括：

访问多个处理计划，所述多个处理计划具有与其相关联的所述处理计划的参数的标称值的扰动；

针对所述处理计划的每个处理场，基于所述扰动确定特定于场的计划靶标体积(fsPTV)；

访问描绘至少一个临床靶标体积(CTV)的信息和描绘至少一个危及器官(OAR)体积的信息，其中每个所述OAR体积包括至少一个子体积，所述至少一个子体积基于每个所述OAR体积与所述CTV和针对所述每个处理场的所述fsPTV之间的空间关系来描绘；以及

以下之一：

(a)确定针对每个所述子体积的剂量分布，其中所述剂量分布包括基于所述标称值的剂量分布和基于所述扰动的剂量分布；以及针对每个所述子体积生成剂量预测模型，其中所述模型包括使用基于所述标称值的所述剂量分布训练的模型和使用基于所述扰动的所述剂量分布训练的模型；

(b)确定包括基于所述标称值的剂量分布和基于所述扰动的剂量分布的多个剂量分布；以及针对每个所述子体积生成剂量预测模型，所述模型使用所述多个剂量分布而被训练。

2.根据权利要求1所述的方法，包括步骤(a)，其中所述剂量预测模型的每个模型包括将所述每个模型与用于训练所述每个模型的剂量分布相关联的信息。

3.根据权利要求1或2所述的方法，包括步骤(a)，进一步包括将所述剂量预测模型应用于放射处理计划。

4.根据权利要求3的方法，其中所述应用包括：

使用所述剂量预测模型计算针对所述放射处理计划的剂量-体积直方图，其中所述剂量-体积直方图包括使用所述标称值计算的剂量-体积直方图和使用所述标称值的所述扰动计算的剂量-体积直方图；以及

使用所述剂量预测模型并基于所述剂量-体积直方图生成所述放射处理计划的目标。

5.根据权利要求1所述的方法，包括步骤(b)，其中所述剂量预测模型包括将所述剂量预测模型与用于训练所述剂量预测模型的所述剂量分布相关联的信息。

6.根据权利要求1或5所述的方法，包括步骤(b)，进一步包括将所述剂量预测模型应用于放射处理计划。

7.根据权利要求6的方法，其中所述应用包括：

使用所述剂量预测模型并且使用所述标称值，计算针对所述放射处理计划的剂量-体积直方图；以及

使用所述剂量预测模型并且基于所述剂量-体积直方图，生成所述放射处理计划的目标。

8.根据权利要求1至7中任一项所述的方法，其中所述至少一个子体积包括选自由以下各项组成的组的子体积：场内fsPTV区域，所述场内fsPTV区域包括与来自所述每个处理场中的至少一个处理场的fsPTV的投影重叠的OAR体积的至少一部分；场内CTV区域，所述场内CTV区域包括与来自所述每个处理场中的至少一个处理场的CTV的投影重叠的OAR体积的至少一部分；重叠fsPTV区域，所述重叠fsPTV区域包括在所有fsPTV的并集内的OAR体积的至少一部分；以及重叠CTV区域，所述重叠CTV区域包括在所述至少一个CTV的任一个CTV内部的OAR体积的至少一部分。

9.根据权利要求1至8中任一项所述的方法，其中所述确定包括计算基于几何结构的期望剂量(GED)。

10.根据权利要求9所述的方法，其中使用针对所述每个处理场的所述fsPTV作为所述靶标体积来计算所述GED。

11.根据权利要求9所述的方法，其中所述计算包括：

使用所述参数的所述标称值并使用针对所述每个处理场的所述fsPTV作为所述靶标体积来计算标称GED；以及

使用所述标称GED来估计与所述标称值的所述扰动相对应的GED。

12.一种计算机实现的方法，包括：

访问放射处理计划；

使用多个剂量预测模型计算针对所述放射处理计划的剂量-体积直方图，其中所述剂量预测模型具有与其相关联的所述放射处理计划的参数的标称值和所述标称值的扰动，并且其中所述计算包括：

使用所述标称值计算剂量-体积直方图；以及

使用所述扰动计算剂量-体积直方图；以及

使用所述多个剂量预测模型并基于针对所述放射处理计划的所述多个剂量-体积直方图，生成所述放射处理计划的目标。

13.根据权利要求12所述的方法，其中所述使用所述标称值计算剂量-体积直方图包括使用利用所述标称值训练的剂量预测模型。

14.根据权利要求12或13所述的方法，其中所述使用所述扰动计算剂量-体积直方图包括使用利用所述扰动训练的剂量预测模型。

15.根据权利要求12、13或14所述的方法，其中所述多个剂量预测模型中的每个模型包括将所述每个模型与用于训练所述每个模型的剂量分布相关联的信息。

Images