CN115317809A - 一种采用结果引导实现放射性粒子植入的方法 - Google Patents
一种采用结果引导实现放射性粒子植入的方法 Download PDFInfo
- Publication number
- CN115317809A CN115317809A CN202210967621.1A CN202210967621A CN115317809A CN 115317809 A CN115317809 A CN 115317809A CN 202210967621 A CN202210967621 A CN 202210967621A CN 115317809 A CN115317809 A CN 115317809A
- Authority
- CN
- China
- Prior art keywords
- radioactive
- time sequence
- tumor
- image data
- implantation
- 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.)
- Withdrawn
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
Abstract
本发明公开了一种采用结果引导实现放射性粒子植入的方法,包括以下步骤:利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列;在有效样本序列中将每个时序处的放射性治疗效果与每个时序处的放射性粒子植入位置和放射性粒子植入剂量进行模型拟合得到植入参数预测模型。本发明利用对放射性治疗效果进行个体化的量化评估,选取出有效治疗效果的放射性粒子植入位置和放射性粒子植入剂量构建出植入参数预设模型,以使得制定出的放射性粒子植入参数与个体进行精准适配,从而保证个体的放射性治疗效果。
Description
技术领域
本发明涉及放疗粒子植入技术领域,具体涉及一种采用结果引导实现放射性粒子植入的方法。
背景技术
肿瘤是当今全球范围内医疗技术面临的一大难题,据国际癌症研究机构(IARC)发布的近年来全球每年新增癌症患者近2000万,因为肿瘤导致死亡的近1000万人。放化疗成为了肿瘤治疗手段中最为普遍和有效的治疗手段。放化疗对于癌细胞虽然有着明显的抑制甚至杀死作用,但同样的对健康细胞亦产生致命伤害,所以基于放化疗的原因,其不可避免的会给患者带来极大的副作用。随着科学技术的不断提升,现在临床已经广泛的运用精准放射手段,其利用微小的放射性粒子对具备区域进行针对性的放射,以达到杀死肿瘤中的癌细胞,同时又实现健康器官细胞不受放射影像的技术效果。
放射性粒子植入治疗技术是根据超声、CT、MRI等影像检查结果,首先利用放射性粒子治疗计划系统(TreatmentPlanningSystem,TPS)准确设计放射性粒子植入的位置、数量、植入途径,制定出治疗方案;然后在CT、B超、内窥镜引导或手术直视下经皮穿刺,通过粒子植入枪将放射性粒子按计划植入实体恶性肿瘤间;最后通过放射粒子发出的持续低能量的X射线或γ射线,使肿瘤组织受到最大程度杀伤,从而达到治疗目的。由于采用TPS计划系统,可使肿瘤在得到最大照射剂量的同时,减少正常组织的照射量,从而很大程度地改善患者的治疗效果及治疗后的生活质量。此外,持续低剂量的适形照射治疗,可以使肿瘤组织内分裂周期不同的肿瘤细胞得到均匀地照射治疗,符合肿瘤生长的规律,因此,近年来放射性粒子植入治疗技术在恶性肿瘤的治疗方面得到了广泛应用。
为了提高放射治疗精度,在手术前,医生需依据TPS系统设计优化的穿刺布源方案,即:首先根据超声、CT、MRI等影像检查结果,勾勒并重建肿瘤的三维形态;随后,依据肿瘤致死有效等剂量区的计算结果,并结合人体解剖结构,设计放射粒子植入的位置、数量及植入途径;然后医生需要根据所设计的放射性粒子植入的方案进行粒子植入,而现实往往是TPS系统只能够根据制定出普适性高的放射性粒子植入参数的设定,换言之就是制定出的放射性粒子植入参数是在大部分患者身上取得过较好治疗效果的植入方案,个体适应性未必得到保障,难以探索出完全符合单一个体的植入方案,最终影响个体治疗效果。
发明内容
本发明的目的在于提供一种采用结果引导实现放射性粒子植入的方法,以解决现有技术中个体适应性得不到保障的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种采用结果引导实现放射性粒子植入的方法,包括以下步骤:
步骤S1、获取目标对象接受放射性治疗过程中的肿瘤影像数据时序序列,并利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列;
步骤S2、在有效样本序列中将每个时序处的放射性治疗效果与每个时序处的放射性粒子植入位置和放射性粒子植入剂量进行模型拟合得到植入参数预测模型,所述放射性粒子植入位置和放射性粒子植入剂量由放射性粒子治疗计划系统基于每个时序处的肿瘤影像数据分析得到;
步骤S3、选取目标对象在后续时序处的放射性治疗效果期望值,利用所述植入参数预测模型根据所述放射性治疗效果期望值预测出目标对象在后续时序处的放射性粒子植入位置和放射性粒子植入剂量,并依据放射性粒子植入位置按放射性粒子植入剂量向目标对象体内进行放射性粒子植入。
作为本发明的一种优选方案,所述获取目标对象接受放射性治疗过程中的肿瘤影像数据时序序列,包括:
在目标对象每次接受放射性治疗前拍摄肿瘤影像数据作为量化肿瘤萎缩量的第一肿瘤影像时序数据,并将对应的放射性治疗时间作为第一肿瘤影像数据的时序属性,并将所有第一肿瘤影像数据以时序排列得到第一肿瘤影像数据时序序列;
在目标对象每次接受放射性治疗后拍摄肿瘤影像数据作为量化放射性粒子放射效果的第二肿瘤影像时序数据,并将对应的放射性治疗时间作为第二肿瘤影像数据的时序属性,并将所有第二肿瘤影像数据以时序排列得到第二肿瘤影像数据时序序列,所述放射性粒子投放效果包括放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度。
作为本发明的一种优选方案,所述利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,包括:
在第一肿瘤影像数据时序序列中依次提取出每个时序处第一肿瘤影像数据中的肿瘤尺寸,将第一个时序处的肿瘤尺寸作为标尺尺寸,并将每个时序处的肿瘤尺寸与标尺尺寸进行尺寸缩小率计算得到每个时序处的肿瘤萎缩量,所述肿瘤萎缩量的计算公式为:
式中,Gi为第i个时序处的肿瘤萎缩量,Vi为第i个时序处的肿瘤尺寸,Vbasic为标尺尺寸,i为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于非肿瘤的健康组织内的放射性粒子植入剂量,将每个时序处的放射性粒子植入剂量作为每个时序处的标尺剂量,将每个时序处的位于非肿瘤的健康组织内的放射性粒子植入剂量与标尺剂量进行放射性粒子的放射误差度计算得到每个时序处的放射性粒子的放射误差度,所述放射误差度的计算公式为:
式中,F1i为第i个时序处的放射误差度,mi为第i个时序处的位于非肿瘤的健康组织内的放射性粒子植入剂量,mi,basic为标尺剂量,i为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于肿瘤内的所有放射性粒子的位置坐标,将每个时序处的位于肿瘤内的所有放射性粒子的位置坐标进行放射性粒子的放射强度计算得到每个时序处的放射性粒子的放射强度,所述放射强度的计算公式为:
式中,F2i为第i个时序处的放射强度,Si,j为第i个时序处的第j个放射性粒子的位置坐标,Mi为第i个时序处的位于肿瘤内的放射性粒子总数量,i,j均为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于肿瘤内的放射性粒子占据尺寸和肿瘤尺寸,将每个时序处的位于肿瘤内的放射性粒子的占据尺寸和肿瘤尺寸进行放射性粒子的放射覆盖率计算得到每个时序处的放射性粒子的放射覆盖率,所述放射覆盖率的计算公式为:
式中,F3i为第i个时序处的放射覆盖率,Vre,i为第i个时序处的位于肿瘤内的放射性粒子占据尺寸,Vgoal,i为第i个时序处的肿瘤尺寸,i均为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量。
将每个时序处肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度作为每个时序处放射性治疗效果的量化值。
作为本发明的一种优选方案,所述在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列,包括:
在第一肿瘤影像数据时序序列中将肿瘤萎缩量小于0的时序对应的第一肿瘤影像数据进行剔除,在剔除后的第一肿瘤影像数据时序序列中依次计算每个时序处的肿瘤萎缩量与相邻前置时序处的肿瘤萎缩量的差值,将所述差值小于预设萎缩阈值的时序对应的第一肿瘤影像数据进行剔除得到第一有效影像数据时序序列;
在第二肿瘤影像数据时序序列中将放射误差度大于预设误差阈值的时序对应的第二肿瘤影像数据进行剔除得到第二有效影像数据时序序列;
在在第二肿瘤影像数据时序序列中将放射强度小于预设强度阈值的时序对应的第二肿瘤影像数据进行剔除得到第三有效影像数据时序序列;
在在第二肿瘤影像数据时序序列中将放射覆盖率小于预设覆盖阈值的时序对应的第二肿瘤影像数据进行剔除得到第四有效影像数据时序序列;
在第一有效影像数据时序序列、第二有效影像数据时序序列、第三有效影像数据时序序列和第四有效影像数据时序序列中提取出共有时序,并将共有时序处的肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度以时序排列得到所述有效样本序列。
作为本发明的一种优选方案,所述模型拟合得到植入参数预测模型,包括:
将所述有效样本序列中每个时序处的肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度作为BP神经网络的输入项,并将每个时序处的放射性粒子植入位置和放射性粒子植入剂量作为BP神经网络的输出项,利用BP神经网络基于所述输入项和输出项进行模型训练拟合得到表征放射性治疗效果与放射性粒子植入位置和放射性粒子植入剂量映射关系的植入参数预测模型;
所述植入参数预设模型的模型表达式为:
[P,m]=BP([G,F1,F2,F3]);
式中,P为放射性粒子植入位置的表达式标识符,m为放射性粒子植入剂量的表达式标识符,G为肿瘤萎缩量的表达式标识符,F1为放射误差度的表达式标识符,F2为放射覆盖率的表达式标识符,F3为放射强度的表达式标识符。
作为本发明的一种优选方案,所述利用所述植入参数预测模型根据所述放射性治疗效果期望值预测出目标对象在后续时序处的放射性粒子植入位置和放射性粒子植入剂量,包括:
选取后续时序处的肿瘤萎缩量期望值、放射误差度期望值、放射覆盖率期望值和放射强度的期望值,并将肿瘤萎缩量期望值、放射误差度期望值、放射覆盖率期望值和放射强度的期望值输入至植入参数预测模型中,由植入参数预测模型输出在后续时序处的放射性粒子植入位置和放射性粒子植入剂量。
作为本发明的一种优选方案,所述依据放射性粒子利用激光引导按放射性粒子植入剂量向目标对象体内进行放射性粒子植入。
作为本发明的一种优选方案,在对所述放射性治疗效果进行评估量化时将第一肿瘤影像数据时序序列中肿瘤尺寸、第二肿瘤影像数据时序序列中放射性粒子植入剂量、放射性粒子占据尺寸和肿瘤尺寸进行各时序上的归一化处理。
作为本发明的一种优选方案,所有时序上的肿瘤影像数据均为同一影像规格。
作为本发明的一种优选方案,在由植入参数预设模型得到的放射性粒子植入位置和放射性粒子植入剂量对目标对象的放射性治疗效果真实值与放射性治疗效果期望值偏离度高于监测偏离阈值时,对植入参数预设模型进行训练更新。
本发明与现有技术相比较具有如下有益效果:
本发明利用放射性粒子治疗计划系统得到普适性高的放射性粒子植入位置和放射性粒子植入剂量进行放射性治疗,并对放射性治疗效果进行个体化的量化评估,选取出有效治疗效果的放射性粒子植入位置和放射性粒子植入剂量构建出植入参数预设模型,以使得制定出的放射性粒子植入参数与个体进行精准适配,从而保证个体的放射性治疗效果。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的采用结果引导实现放射性粒子植入的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种采用结果引导实现放射性粒子植入的方法,包括以下步骤:
步骤S1、获取目标对象接受放射性治疗过程中的肿瘤影像数据时序序列,并利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列;
获取目标对象接受放射性治疗过程中的肿瘤影像数据时序序列,包括:
在目标对象每次接受放射性治疗前拍摄肿瘤影像数据作为量化肿瘤萎缩量的第一肿瘤影像时序数据,并将对应的放射性治疗时间作为第一肿瘤影像数据的时序属性,并将所有第一肿瘤影像数据以时序排列得到第一肿瘤影像数据时序序列;
在目标对象每次接受放射性治疗后拍摄肿瘤影像数据作为量化放射性粒子放射效果的第二肿瘤影像时序数据,并将对应的放射性治疗时间作为第二肿瘤影像数据的时序属性,并将所有第二肿瘤影像数据以时序排列得到第二肿瘤影像数据时序序列,放射性粒子投放效果包括放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度。
利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,包括:
在第一肿瘤影像数据时序序列中依次提取出每个时序处第一肿瘤影像数据中的肿瘤尺寸,将第一个时序处的肿瘤尺寸作为标尺尺寸,并将每个时序处的肿瘤尺寸与标尺尺寸进行尺寸缩小率计算得到每个时序处的肿瘤萎缩量,肿瘤萎缩量的计算公式为:
式中,Gi为第i个时序处的肿瘤萎缩量,Vi为第i个时序处的肿瘤尺寸,Vbasic为标尺尺寸,i为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于非肿瘤的健康组织内的放射性粒子植入剂量,将每个时序处的放射性粒子植入剂量作为每个时序处的标尺剂量,将每个时序处的位于非肿瘤的健康组织内的放射性粒子植入剂量与标尺剂量进行放射性粒子的放射误差度计算得到每个时序处的放射性粒子的放射误差度,放射误差度的计算公式为:
式中,F1i为第i个时序处的放射误差度,mi为第i个时序处的位于非肿瘤的健康组织内的放射性粒子植入剂量,mi,basic为标尺剂量,i为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于肿瘤内的所有放射性粒子的位置坐标,将每个时序处的位于肿瘤内的所有放射性粒子的位置坐标进行放射性粒子的放射强度计算得到每个时序处的放射性粒子的放射强度,放射强度的计算公式为:
式中,F2i为第i个时序处的放射强度,Si,j为第i个时序处的第j个放射性粒子的位置坐标,位置坐标为三维坐标的向量形式Si,j=(Xi,j,Yi,j,Zi,j),Xi,j,Yi,j,Zi,j分别为第i个时序处的第j个放射性粒子的位置坐标中三个维度上的坐标值,Mi为第i个时序处的位于肿瘤内的放射性粒子总数量,i,j均为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量,T为转置运算符;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于肿瘤内的放射性粒子占据尺寸和肿瘤尺寸,将每个时序处的位于肿瘤内的放射性粒子的占据尺寸和肿瘤尺寸进行放射性粒子的放射覆盖率计算得到每个时序处的放射性粒子的放射覆盖率,放射覆盖率的计算公式为:
式中,F3i为第i个时序处的放射覆盖率,Vre,i为第i个时序处的位于肿瘤内的放射性粒子占据尺寸,Vgoal,i为第i个时序处的肿瘤尺寸,i均为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量。
影像中提取各项所需的数据值(肿瘤尺寸、放射性粒子占据尺寸、位置坐标、植入剂量等),均可采用图像目标识别技术进行数据提取,也可进行人工标记识别进行数据提取。
将每个时序处肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度作为每个时序处放射性治疗效果的量化值。
在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列,包括:
在第一肿瘤影像数据时序序列中将肿瘤萎缩量小于0的时序对应的第一肿瘤影像数据进行剔除,在剔除后的第一肿瘤影像数据时序序列中依次计算每个时序处的肿瘤萎缩量与相邻前置时序处的肿瘤萎缩量的差值,将差值小于预设萎缩阈值的时序对应的第一肿瘤影像数据进行剔除得到第一有效影像数据时序序列;
在第二肿瘤影像数据时序序列中将放射误差度大于预设误差阈值的时序对应的第二肿瘤影像数据进行剔除得到第二有效影像数据时序序列;
在在第二肿瘤影像数据时序序列中将放射强度小于预设强度阈值的时序对应的第二肿瘤影像数据进行剔除得到第三有效影像数据时序序列;
在在第二肿瘤影像数据时序序列中将放射覆盖率小于预设覆盖阈值的时序对应的第二肿瘤影像数据进行剔除得到第四有效影像数据时序序列;
在第一有效影像数据时序序列、第二有效影像数据时序序列、第三有效影像数据时序序列和第四有效影像数据时序序列中提取出共有时序,并将共有时序处的肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度以时序排列得到有效样本序列。
放射性粒子治疗计划系统(TreatmentPlanningSystem,TPS)是制定放射性粒子植入位置和放射性粒子植入剂量的成熟技术,能够制定出放疗效果普适性更高的放射性粒子植入位置和放射性粒子植入剂量,即能够保证制定出的放射性粒子植入位置和放射性粒子植入剂量是能够使得大部分人产生较好放疗效果,但是由于生物个体化的影响,也并不能完全保证制定出的放射性粒子植入位置和放射性粒子植入剂量在目标对象这个独一性个体上一定会产生有益效果,因此还需要对TPS系统制定出放射性粒子植入位置和放射性粒子植入剂量产生的放疗效果进行个体化评估量化,本实施例提供了肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度对个体放疗效果进行评估量化,肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度分别量化出肿瘤治疗程度、对健康组织的损害程度、对肿瘤组织的治疗范围和对肿瘤组织的治疗强度,实现对放射性治疗的宏观效果和微观效果的共同衡量。
步骤S2、在有效样本序列中将每个时序处的放射性治疗效果与每个时序处的放射性粒子植入位置和放射性粒子植入剂量进行模型拟合得到植入参数预测模型,放射性粒子植入位置和放射性粒子植入剂量由放射性粒子治疗计划系统基于每个时序处的肿瘤影像数据分析得到;
模型拟合得到植入参数预测模型,包括:
将有效样本序列中每个时序处的肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度作为BP神经网络的输入项,并将每个时序处的放射性粒子植入位置和放射性粒子植入剂量作为BP神经网络的输出项,利用BP神经网络基于输入项和输出项进行模型训练拟合得到表征放射性治疗效果与放射性粒子植入位置和放射性粒子植入剂量映射关系的植入参数预测模型;
植入参数预设模型的模型表达式为:
[P,m]=BP([G,F1,F2,F3]);
式中,P为放射性粒子植入位置的表达式标识符,m为放射性粒子植入剂量的表达式标识符,G为肿瘤萎缩量的表达式标识符,F1为放射误差度的表达式标识符,F2为放射覆盖率的表达式标识符,F3为放射强度的表达式标识符。
对目标对象进行个体治疗效果评估后,在由TPS系统制定出的放射性粒子植入参数中选出适应目标对象且产生有效治疗效果的放射性粒子植入参数,并将个体产生的有效治疗效果与放射性粒子植入位置和放射性粒子植入剂量进行映射关系的拟合,从而能够实现根据需要得到符合期望放射性治疗效果的放射性粒子植入位置和放射性粒子植入剂量,同时由于该模型中关于放射性粒子植入位置和放射性粒子植入剂量的训练数据均来自TPS系统,因此模型预测出的放射性粒子植入位置和放射性粒子植入剂量也符合TPS系统,进而实现在普适性高的放射性粒子植入位置和放射性粒子植入剂量中选取出适应于适应个体的放射性粒子植入位置和放射性粒子植入剂量,实现在普适性的基础筛选个体适应性,保证放射性粒子植入位置和放射性粒子植入剂量制定的科学性的同时,也能够更适用于单一个体的使用。
步骤S3、选取目标对象在后续时序处的放射性治疗效果期望值,利用植入参数预测模型根据放射性治疗效果期望值预测出目标对象在后续时序处的放射性粒子植入位置和放射性粒子植入剂量,并依据放射性粒子植入位置按放射性粒子植入剂量向目标对象体内进行放射性粒子植入。
利用植入参数预测模型根据放射性治疗效果期望值预测出目标对象在后续时序处的放射性粒子植入位置和放射性粒子植入剂量,包括:
选取后续时序处的肿瘤萎缩量期望值、放射误差度期望值、放射覆盖率期望值和放射强度的期望值,并将肿瘤萎缩量期望值、放射误差度期望值、放射覆盖率期望值和放射强度的期望值输入至植入参数预测模型中,由植入参数预测模型输出在后续时序处的放射性粒子植入位置和放射性粒子植入剂量。
依据放射性粒子利用激光引导按放射性粒子植入剂量向目标对象体内进行放射性粒子植入。
在对放射性治疗效果进行评估量化时将第一肿瘤影像数据时序序列中肿瘤尺寸、第二肿瘤影像数据时序序列中放射性粒子植入剂量、放射性粒子占据尺寸和肿瘤尺寸进行各时序上的归一化处理。
所有时序上的肿瘤影像数据均为同一影像规格。
在由植入参数预设模型得到的放射性粒子植入位置和放射性粒子植入剂量对目标对象的放射性治疗效果真实值与放射性治疗效果期望值偏离度高于监测偏离阈值时,对植入参数预设模型进行训练更新,从而使得植入参数预设模型能够时序跟随性,即能够实时保持预测准确度。
本发明利用放射性粒子治疗计划系统得到普适性高的放射性粒子植入位置和放射性粒子植入剂量进行放射性治疗,并对放射性治疗效果进行个体化的量化评估,选取出有效治疗效果的放射性粒子植入位置和放射性粒子植入剂量构建出植入参数预设模型,以使得制定出的放射性粒子植入参数与个体进行精准适配,从而保证个体的放射性治疗效果。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种采用结果引导实现放射性粒子植入的方法,其特征在于,包括以下步骤:
步骤S1、获取目标对象接受放射性治疗过程中的肿瘤影像数据时序序列,并利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列;
步骤S2、在有效样本序列中将每个时序处的放射性治疗效果与每个时序处的放射性粒子植入位置和放射性粒子植入剂量进行模型拟合得到植入参数预测模型,所述放射性粒子植入位置和放射性粒子植入剂量由放射性粒子治疗计划系统基于每个时序处的肿瘤影像数据分析得到;
步骤S3、选取目标对象在后续时序处的放射性治疗效果期望值,利用所述植入参数预测模型根据所述放射性治疗效果期望值预测出目标对象在后续时序处的放射性粒子植入位置和放射性粒子植入剂量,并依据放射性粒子植入位置按放射性粒子植入剂量向目标对象体内进行放射性粒子植入。
2.根据权利要求1所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于:所述获取目标对象接受放射性治疗过程中的肿瘤影像数据时序序列,包括:
在目标对象每次接受放射性治疗前拍摄肿瘤影像数据作为量化肿瘤萎缩量的第一肿瘤影像时序数据,并将对应的放射性治疗时间作为第一肿瘤影像数据的时序属性,并将所有第一肿瘤影像数据以时序排列得到第一肿瘤影像数据时序序列;
在目标对象每次接受放射性治疗后拍摄肿瘤影像数据作为量化放射性粒子放射效果的第二肿瘤影像时序数据,并将对应的放射性治疗时间作为第二肿瘤影像数据的时序属性,并将所有第二肿瘤影像数据以时序排列得到第二肿瘤影像数据时序序列,所述放射性粒子投放效果包括放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度。
3.根据权利要求2所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于:所述利用肿瘤影像数据时序序列对每个时序处的放射性治疗效果进行评估量化,包括:
在第一肿瘤影像数据时序序列中依次提取出每个时序处第一肿瘤影像数据中的肿瘤尺寸,将第一个时序处的肿瘤尺寸作为标尺尺寸,并将每个时序处的肿瘤尺寸与标尺尺寸进行尺寸缩小率计算得到每个时序处的肿瘤萎缩量,所述肿瘤萎缩量的计算公式为:
式中,Gi为第i个时序处的肿瘤萎缩量,Vi为第i个时序处的肿瘤尺寸,Vbasic为标尺尺寸,i为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于非肿瘤的健康组织内的放射性粒子植入剂量,将每个时序处的放射性粒子植入剂量作为每个时序处的标尺剂量,将每个时序处的位于非肿瘤的健康组织内的放射性粒子植入剂量与标尺剂量进行放射性粒子的放射误差度计算得到每个时序处的放射性粒子的放射误差度,所述放射误差度的计算公式为:
式中,F1i为第i个时序处的放射误差度,mi为第i个时序处的位于非肿瘤的健康组织内的放射性粒子植入剂量,mi,basic为标尺剂量,i为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于肿瘤内的所有放射性粒子的位置坐标,将每个时序处的位于肿瘤内的所有放射性粒子的位置坐标进行放射性粒子的放射强度计算得到每个时序处的放射性粒子的放射强度,所述放射强度的计算公式为:
式中,F2i为第i个时序处的放射强度,Si,j为第i个时序处的第j个放射性粒子的位置坐标,Mi为第i个时序处的位于肿瘤内的放射性粒子总数量,i,j均为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量;
在第二肿瘤影像数据时序序列中提取出每个时序处第二肿瘤影像数据中位于肿瘤内的放射性粒子占据尺寸和肿瘤尺寸,将每个时序处的位于肿瘤内的放射性粒子的占据尺寸和肿瘤尺寸进行放射性粒子的放射覆盖率计算得到每个时序处的放射性粒子的放射覆盖率,所述放射覆盖率的计算公式为:
式中,F3i为第i个时序处的放射覆盖率,Vre,i为第i个时序处的位于肿瘤内的放射性粒子占据尺寸,Vgoal,i为第i个时序处的肿瘤尺寸,i均为计量常数,i∈[1,N],N为第一/二肿瘤影像数据时序序列中的时序总数量。
将每个时序处肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度作为每个时序处放射性治疗效果的量化值。
4.根据权利要求3所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于:所述在肿瘤影像数据时序序列中剔除表征无效放射性治疗的肿瘤影像数据得到有效样本序列,包括:
在第一肿瘤影像数据时序序列中将肿瘤萎缩量小于0的时序对应的第一肿瘤影像数据进行剔除,在剔除后的第一肿瘤影像数据时序序列中依次计算每个时序处的肿瘤萎缩量与相邻前置时序处的肿瘤萎缩量的差值,将所述差值小于预设萎缩阈值的时序对应的第一肿瘤影像数据进行剔除得到第一有效影像数据时序序列;
在第二肿瘤影像数据时序序列中将放射误差度大于预设误差阈值的时序对应的第二肿瘤影像数据进行剔除得到第二有效影像数据时序序列;
在在第二肿瘤影像数据时序序列中将放射强度小于预设强度阈值的时序对应的第二肿瘤影像数据进行剔除得到第三有效影像数据时序序列;
在在第二肿瘤影像数据时序序列中将放射覆盖率小于预设覆盖阈值的时序对应的第二肿瘤影像数据进行剔除得到第四有效影像数据时序序列;
在第一有效影像数据时序序列、第二有效影像数据时序序列、第三有效影像数据时序序列和第四有效影像数据时序序列中提取出共有时序,并将共有时序处的肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度以时序排列得到所述有效样本序列。
5.根据权利要求4所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于:所述模型拟合得到植入参数预测模型,包括:
将所述有效样本序列中每个时序处的肿瘤萎缩量、放射性粒子的放射误差度、放射性粒子的放射覆盖率和放射性粒子的放射强度作为BP神经网络的输入项,并将每个时序处的放射性粒子植入位置和放射性粒子植入剂量作为BP神经网络的输出项,利用BP神经网络基于所述输入项和输出项进行模型训练拟合得到表征放射性治疗效果与放射性粒子植入位置和放射性粒子植入剂量映射关系的植入参数预测模型;
所述植入参数预设模型的模型表达式为:
[P,m]=BP([G,F1,F2,F3]);
式中,P为放射性粒子植入位置的表达式标识符,m为放射性粒子植入剂量的表达式标识符,G为肿瘤萎缩量的表达式标识符,F1为放射误差度的表达式标识符,F2为放射覆盖率的表达式标识符,F3为放射强度的表达式标识符。
6.根据权利要求5所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于:所述利用所述植入参数预测模型根据所述放射性治疗效果期望值预测出目标对象在后续时序处的放射性粒子植入位置和放射性粒子植入剂量,包括:
选取后续时序处的肿瘤萎缩量期望值、放射误差度期望值、放射覆盖率期望值和放射强度的期望值,并将肿瘤萎缩量期望值、放射误差度期望值、放射覆盖率期望值和放射强度的期望值输入至植入参数预测模型中,由植入参数预测模型输出在后续时序处的放射性粒子植入位置和放射性粒子植入剂量。
7.根据权利要求6所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于,所述依据放射性粒子利用激光引导按放射性粒子植入剂量向目标对象体内进行放射性粒子植入。
8.根据权利要求7所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于,在对所述放射性治疗效果进行评估量化时将第一肿瘤影像数据时序序列中肿瘤尺寸、第二肿瘤影像数据时序序列中放射性粒子植入剂量、放射性粒子占据尺寸和肿瘤尺寸进行各时序上的归一化处理。
9.根据权利要求8所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于,所有时序上的肿瘤影像数据均为同一影像规格。
10.根据权利要求9所述的一种采用结果引导实现放射性粒子植入的方法,其特征在于,在由植入参数预设模型得到的放射性粒子植入位置和放射性粒子植入剂量对目标对象的放射性治疗效果真实值与放射性治疗效果期望值偏离度高于监测偏离阈值时,对植入参数预设模型进行训练更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967621.1A CN115317809A (zh) | 2022-08-12 | 2022-08-12 | 一种采用结果引导实现放射性粒子植入的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967621.1A CN115317809A (zh) | 2022-08-12 | 2022-08-12 | 一种采用结果引导实现放射性粒子植入的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115317809A true CN115317809A (zh) | 2022-11-11 |
Family
ID=83922900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967621.1A Withdrawn CN115317809A (zh) | 2022-08-12 | 2022-08-12 | 一种采用结果引导实现放射性粒子植入的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115317809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115715852A (zh) * | 2022-11-18 | 2023-02-28 | 哈尔滨理工大学 | 一种基于蒙特卡洛模拟的囊结构优化方法 |
-
2022
- 2022-08-12 CN CN202210967621.1A patent/CN115317809A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115715852A (zh) * | 2022-11-18 | 2023-02-28 | 哈尔滨理工大学 | 一种基于蒙特卡洛模拟的囊结构优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11738211B2 (en) | Dose-distribution estimation in proton therapy | |
RU2629235C2 (ru) | Вычисление дозы на уровне сегментов пучка и отслеживание движения во времени для адаптивного планирования лечения | |
EP2315613B1 (en) | Device and method for 3d dose tracking in radiation therapy | |
EP2086638B1 (en) | Method and device for imrt verification | |
US20040068182A1 (en) | Digitally reconstruced portal image and radiation therapy workflow incorporating the same | |
KR20100016039A (ko) | 분계 불확실성의 확률론적 분석에 의한 방사선 요법시 개선된 치료 계획 평가 | |
CN108367159A (zh) | 自适应辐射治疗规划 | |
Jarlskog et al. | Assessment of organ-specific neutron equivalent doses in proton therapy using computational whole-body age-dependent voxel phantoms | |
CN115317809A (zh) | 一种采用结果引导实现放射性粒子植入的方法 | |
Paelinck et al. | Comparison of dose–volume histograms of IMRT treatment plans for ethmoid sinus cancer computed by advanced treatment planning systems including Monte Carlo | |
Tang et al. | A feasibility study of treatment verification using EPID cine images for hypofractionated lung radiotherapy | |
KR101996268B1 (ko) | 방사선의 전달 정도 관리 방법 및 이를 이용한 방사선의 전달 정도 관리 장치 | |
US20200298019A1 (en) | Robustness evaluation of brachytherapy treatment plan | |
Shamir et al. | A Machine Learning Based Approach for Rapidly Estimating Tumor Treating Fields Distributions in the Body | |
Ramanathan et al. | Evaluation of Set-Up Errors and Set-Up Margin in Three-Dimensional Conformal Radiotherapy for Pelvic Tumours by Using Electronic Portal Imaging Device | |
Suvira | Dosimetric differences between scheduled and adapted plans generated from ethos adaptive radiotherapy for patients with prostate cancer | |
Mukherji et al. | Evaluating a Treatment Plan | |
EP4179495A1 (en) | System for planning and verifying treatment during iort procedures | |
Tabor et al. | [P254] Local gamma index analysis-new approach | |
Doozan | Empirical Beam Angle Optimization for Lung Cancer | |
Klinker | Dosimetry Comparison of Gamma Knife and External Beam Radiation Therapy on Brain Tumors | |
Pyakuryal | Implications of Histogram Analysis in Radiation Therapy (HART) Software | |
Heuchel | Towards reducing uncertainties in the applied effective dose for two specialized radiotherapy techniques: Total body irradiation and proton therapy | |
Arts et al. | RADIATION ONCOLOGY PHYSICS TALKS | |
Bielaiew | Speeding up Monte Carlo for treatment planning |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221111 |
|
WW01 | Invention patent application withdrawn after publication |