CN115485019A - 自动计划的基于放射的治疗 - Google Patents

自动计划的基于放射的治疗 Download PDF

Info

Publication number
CN115485019A
CN115485019A CN202180025939.1A CN202180025939A CN115485019A CN 115485019 A CN115485019 A CN 115485019A CN 202180025939 A CN202180025939 A CN 202180025939A CN 115485019 A CN115485019 A CN 115485019A
Authority
CN
China
Prior art keywords
automatically
patient
imaging information
treatment
information
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
CN202180025939.1A
Other languages
English (en)
Inventor
J·诺德
A·科斯蒂-埃利亚
S·斯皮尔森斯
H·菲利普斯
S·T·T·奥利拉
T-E·玛伦
F·阿塔纳西
A·M·弗里曼
A·拉扎维
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.)
Siemens Medical International Co ltd
Original Assignee
Siemens Medical International Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Medical International Co ltd filed Critical Siemens Medical International Co ltd
Publication of CN115485019A publication Critical patent/CN115485019A/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
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

深度学习方法自动分割至少一些乳腺组织图像，而非深度学习方法自动分割有危险的器官。三维CT成像信息和二维正交断层定位片成像信息两者可以被用于确定虚拟皮肤体积。前述成像信息还可以用于自动确定(205)针对患者的至少部分的身体外形。身体外形连同虚拟皮肤体积和配准信息一起可以用做输入以根据经优化的放射治疗计划自动计算(210)放射治疗平台轨道、冲突检测信息和治疗递送的虚拟预演信息。

Description

自动计划的基于放射的治疗
相关申请
本申请涉及共同未决和共同拥有的题为“AUTOMATICALLY－REGISTERED PATIENTFIXATION DEVICE IMAGES”的美国专利申请No.16/833,778(代理人案卷号No.8632－144156－US(2018－061))和题为“冲突METHOD AND APPARATUS TO DERIVE AND UTILIZEVIRTUAL VOLUMETRIC STRUCTURES FOR PREDICTING POTENTIAL COLLISIONS WHENADMINISTERING THERAPEUTIC RADIATION”的美国专利申请No.16/833,801(代理人案卷号No.8632－144811－US(2018－065))，两者均与本PCT专利申请要求优先权的美国专利申请同日提交，其内容在此全部引入作为参考。
技术领域
这些教导总体涉及使用放射作为治疗的方法，并且更具体地涉及形成和使用对应的放射治疗计划。
背景技术
使用放射来处理医疗状况包括现有技术努力的已知领域。例如，放射疗法包括多个用于减少或消除有害肿瘤的治疗形式的重要组件。不幸的是，应用的放射内在地无法区分有害物质与相邻的组织、器官或类似对延续患者生存所期望的或甚至关键的物质。结果，放射通常以谨慎实施的方式被应用以至少试图将放射限制在给定目标体积。所谓的放射治疗计划用于前述方面。
治疗计划用于指定关于给定患者和特定真实世界物理放射治疗平台的、与该治疗的实施相关的任何数目的操作参数。该治疗计划经常在使用之前被优化。(如本文所使用的，“优化”将被理解为指的是在候选治疗计划上进行改进，而不需要确保经优化的结果实际上是独一无二的最佳解决方案。)多个优化方法使用自动递增方法论，该自动递增方法论使用各种自动修改的(即，“递增的”)治疗方法优化参数来依次计算和测试各种优化结果。
放射治疗计划的计划工作流通常涉及多个手动和迭代步骤。当采用诸如IMRT和VMAT的基于逆向规划的技术时尤其如此。在做出的一系列步骤/选择的中的每个步骤/选择可以经常影响稍后的阶段。当仅需要简单的3-D计划时，这样的因素可以导致过于复杂的计划工作流(例如，开发治疗计划以处理乳腺癌)。特别地，医生必须经常经由耗时的过程来手动描绘目标结构和有危险的器官，该过程也易受观察者变化影响。该变化性进而被在开始优化过程前必须被手动确定的领域设置和针对优化器的适当目标的定义所加重。
因为探索全部或大部分可能的组合通常包括耗时并且计算上昂贵的过程，在一些应用设置中，用户可以选择利用更简单的方法或简单的之前已知的实践来进行。但是，做出该选择可以极大的限制考虑特定患者可用的和适合的选项。
现有技术中还发现了其他限制。例如，虽然一种现有技术方法针对不同的治疗单元估计多个脚本计划，但是那些计划不是考虑到冲突(collision)避免而被创建的，并且通常既没有针对特定患者准备好递送也没有针对特定患者适当地定制。
发明内容
在一方面，本发明提供一种用于自动计划治疗体积的基于放射的治疗的方法，如权利要求1所限定。可选特征在权利要求1的从属权利要求中被指明。
在另一方面，本发明提供用于自动计划治疗体积的基于放射的治疗的装置，如权利要求10所限定。可选特征在权利要求10的从属权利要求中被指明。
附图说明
以上需要至少部分通过提供下文具体实施方式中所述的自动计划的基于放射的治疗装置和方法被满足，特别在结合附图时被研究，其中：
图1包括根据这些教导的各种实施例配置的框图；
图2包括根据这些教导的各种实施例配置的流程图；以及
图3包括根据这些教导的各种实施例配置的流程图。
图中的元素为了简单和清晰而示出，并且不必按比例绘制。例如，图中元素的维度和/或相对位置相对于其他元素可以是被夸大的，为了帮助提高对本教导的各种实施例的理解。此外，在商业可行的实施例中有用或必要的常见但是很好被理解的元素经常不会被描绘，目的是利于这些本教导的各个实施例的更少遮挡的视图。某个动作和/或步骤可以按特别的发生顺序被描述或描绘，而本领域技术人员将理解该有关顺序的特殊性实际上是不需要的。本文中所用的术语和表达具有与前述技术领域中的技术人员的该术语和表达一致的普通的技术含义，除非本文中另外提出了不同的特定含义。除非另外特定地指明，本文中使用的词语“或者”应该被解释为具有分离语法结构而不是连接语法结构。
具体实施方式
总体而言，提供这些各种实施例中的多个实施例用于特定患者治疗体积的基于放射的治疗的自动计划。作为这些方面的一个特别显著的示例，这可以包括自动计划特定患者乳腺组织内治疗体积的基于放射的治疗。作为有用的说明性示例，通过使用控制电路来促进多个或全部活动对前文的支持。
通过一种方法，这些教导提供了访问针对治疗区域的成像信息，该治疗区域包括特定患者的治疗体积。控制电路然后可以使用该成像信息连同深度学习一起来自动地分割特定患者的至少一些乳腺组织(并且可能是心脏)和以及连同非深度学习一起来自动分割一些有危险的器官的至少部分(诸如但不限于，肺、脊柱的部分以及胸壁的部分)以提供自动分割的患者内容。基于图集(atlas)的方法和基于模型的方法是两个非深度学习方法的示例。基于图集的分割假设给定患者图像可以通过传播来自手动分割的图集的结构而被分割。使用一个或多个可变形图像配准(registration)算法使图集图像变形以匹配患者图像，并且使用将图集图像的体素映射到患者图像的体素的变形向量场来传播结构。基于模型的结构分割通过直接检测患者图像上的边缘和点来描绘结构。在这些方面，多种图像处理技术经常被使用。在多种情况中手动限定体积是适合用户的。总体而言这些方法会将深度学习和密度与启发式搜索算法相结合。后者是有时被用于存在的治疗计划系统的存在的算法。但是，该存在的基于密度和启发式的工具与深度学习的结合是对申请人先前所未知的。
控制电路还可以使用该成像信息来自动确定与至少部分前述乳腺组织(特别地，其中的皮肤)相对应的虚拟皮肤体积。通过一种方法，当为该特定患者的前述治疗体积自动优化放射治疗计划时，控制电路则采用自动分割的患者内容和虚拟皮肤体积作为输入，从而提供针对该特定患者的优化的放射治疗计划。
通过一种方法，前述成像信息包括三维计算机断层扫描(CT)成像信息。通过一种方法，前述成像信息可以进一步包括二维断层定位片(topogram)成像信息。在此情况下，当控制电路使用成像信息以自动确定上文提到的与至少部分特定患者的乳腺组织相对应的虚拟皮肤体积时，这可以至少部分地包括使用三维CT成像信息和二维正交断层定位片成像信息两者来确定虚拟皮肤体积。
通过一种方法，控制电路还可以使用成像信息连同深度学习(与非深度学习相反)一起来自动分割特定患者的至少一些心脏组织。总体而言，发明人已经确定诸如肺、脊髓、骨头、眼睛结构等的一些解剖结构可以使用标准的非深度学习方法容易地并且精确地分割，而其它结构并且尤其是那些没有明确限定边缘的结构是更有问题的。在后者方面中，基于深度学习的方法可以更快地产出更好的结果。
在多个放射治疗应用设置中，患者被患者支撑表面支撑(诸如但是不限于，治疗床)。在一些情况下，患者固定装置也可以被使用替代前述或与其相结合，以在空间上固定患者身体的某个部分，从而将身体部分保持在相对稳定的位置/方向。考虑到这一点，通过一种方法，这些教导可以进一步包括将患者支撑表面和患者固定装置中的至少一个自动配准到成像信息中的至少一些成像信息，以提供配准信息和使用该配准信息作为当自动优化前述放射治疗计划时的进一步输入。作为这些方面一个非限制性说明性示例，前述可以包括将患者支撑表面和患者固定设备中的至少一个的模型自动配准到成像信息中的至少一些成像信息。
通过一种方法，这些教导将进一步适用于使用前述成像信息来自动确定针对至少部分的患者的身体外形(outline)。例如，在此情况下，控制电路则可以使用该身体外形、上文提到的虚拟皮肤体积和上文描述的配准信息作为输入来自动计算放射治疗平台的轨道、冲突检测信息和根据经优化的放射治疗计划的治疗递送的虚拟预演信息。
如此配置，并且通过一种方法，这些教导促进多个耗时步骤的自动化，该多个耗时步骤当前阻碍用户使用例如适形放射治疗以外的替代技术。通过一种方法这些教导用于针对基于射束的放射治疗的多个形式自动生成多个经评分的计划。这些计划中的每个计划可以包括免冲突几何定义、射束能量选择、剂量测定优化和剂量计算。还可以注意到这些教导利用深度学习以实现乳腺CT数据分割，并且还对如下文所述改进丸剂的创建和利用起到重要作用。
这些和其他益处在对下文的详细描述进行全面的回顾和研究后可以变得更加清楚。
然而，在更详细地描述前述教导之前，首先提供一个当前反向计划工作流治疗乳腺癌实例的示例的一般描述，对读者可以是有帮助的。该示例将帮助举例说明至少一些当前过程，在依赖于一定程度的自动化的同时，必须频繁调用人为干涉、主观判断和监督。
当前反向计划工作流的示例开始于CT模拟。该模拟可以通过扫描包括胸前板(该胸前板可以包括对患者进行三角测量或水准测量)，针对边界的引线、和/或针对整个乳腺组织的线框开始。技术人员随后使用CT模拟软件来创建必需的3-D图像和轮廓(contour)。
在适当装备的轮廓化(contouring)工作站上工作的该技术人员(或另一技术人员)导入前述CT/身体内容成像信息并且自动将该信息轮廓化。(容积弧形调强放射治疗(VMAT)用户在优化期间还可以手动扩展身体图像以适用于“皮肤闪光(skin flash)”。)该轮廓化可以包括轮廓化左肺和右肺两者、心脏、对侧乳腺、脊髓、淋巴结链和患者目标体积(PTV)。
如果期望增加皮肤剂量或作为针对皮肤闪光的变通方案，技术人员也可以添加丸剂(bolus)内容。(针对VMAT，在优化期间用户可以添加丸剂内容来得到皮肤闪光，并且随后在计算剂量之前移除该丸剂内容。)后者活动可以包括限定丸剂的厚度和丸剂的形状两者(例如，通过选择预定义形状或创建定制的形状，例如，该形状用于覆盖完整的被辐射的区域)。(在放射疗法中，丸剂是在被辐射时与诸如乳腺组织的给定组织具有等同属性的物质。丸剂内容经常被用于减少或改变针对放射疗法目标的剂量。例如，丸剂内容可以用于补偿缺失或不规则形状的组织和/或修改皮肤处的放射剂量。)
轮廓化过程的结果随后被从轮廓化过程传递到外部射束计划工作台和对应的技术人员。外部射束计划过程通常创建前向计划(即，基础剂量计划)，该前向计划包括针对多个治疗领域计算的和归一化的参数。在一些情况下，该活动也可以包括将等剂量线转换成对应结构以获得经优化的患者治疗体积。针对外部射束计划的具体计算和步骤将部分地取决于计划对应于IMRT计划还是VMAT计划而变化。在一些情况下，该计划过程也可以包括使用皮肤闪光工具以向一个或多个领域添加闪光。
外部射束计划过程通常与对应的优化过程一起工作，以迭代地计算实施的剂量。在任何情况下，作为结果的计划在随后由外部射束计划(EB)或计划评估(PE)工作站评估。该评估可以包括评估由该计划实现的100％等剂量线覆盖、最小和最大剂量的位置和实施的监控单元(MU)(监控单元是对来自针对放射疗法的临床加速器(诸如线性加速器)的机器输出的测量)。
被平台切换和经常或有时的持续人类参与所充满，这整个过程，虽然经常能够实现有用的结果，但还是耗时的，承受着人类的脆弱，并且本质上不能实现其组成活动的潜在协同作用。
现在参考附图，特别在图1中，与多个这些教导兼容的说明性装置100将在现在被呈现。
在特定示例中，使能装置100包括控制电路101。作为“电路”，控制电路101因此包括结构，该结构包括至少一个(并且通常多个)以有序方式运送电力的导电路径(诸如，包括诸如铜或银的导电金属)，该(多个)路径还将通常地包括对应的电子组件(视情包括无源的(诸如，电阻器和电容器)和有源的(诸如，任何各种基于半导体的设备)两者)，以允许该电路实现这些教导的控制方面。
这种控制电路101可以包括固定目的的硬件连接的硬件平台(包括但不限于专用集成电路(ASIC)(该特定专用电路是为特别使用而不是打算针对通用目的使用而设计的定制集成电路)、现场可编程门阵列(FPGA)等)，或者可以包括部分或全部可编程的硬件平台(包括但不限于微控制器、微处理器等)。这些针对这种结构的架构选项在本领域中是已知和被理解的，在此不需要进一步描述。该控制电路101被配置为(例如，通过使用对应的那些本领域的技术人员将很好理解的编程)实行本文中描述的一个或多个步骤、动作和/或功能。
在该说明性示例中，控制电路101可操作地与存储器102耦合。存储器102可以是集成到控制电路101上或可以根据需要与控制电路101(整体或部分地)物理分立。该存储器102也可以相对于控制电路101是本地的(其中例如两者共享通用电路板、底架、电源和/或外壳)，或可以相对于控制电路101部分的或整体的是远程的(其中例如，存储器102与控制电路101相比，物理上位于另一设施、都市区域、或甚至国家)。
该存储器102可以用于，例如，非暂态地存储计算机指令，该指令被控制电路101执行时，使控制电路101按本文中描述的一样行动。(如本文中用到的，对“非暂态”的引用将被理解为指的是针对存储内容的非短暂的状态(并且因此不包括当存储的内容仅仅由信号和波构成)，而不是存储媒介本身的易失性，并且因此包括非易失性存储器(诸如，只读存储器(ROM)以及易失性存储器(诸如动态随机存取存储器(DRAM)两者。)
在该示例中，该存储器102也可以用于存储成像信息103。该成像信息可以包括针对包括特定患者的治疗体积105的患者的治疗区域的图像(诸如，“图像”本身)相关的信息。为了说明性示例，这里将假定该治疗体积105是在患者的乳腺组织104内。
这些教导在实践中是灵活的，并且将适用于各种成像信息。例如，通过一种方法，成像信息103包括由相应的CT装置106提供的三维计算机断层扫描(CT)成像信息。作为另一示例，代替前述内容或与其结合，成像信息103可以包括由CT装置106或相应合适的成像装置107提供的二维断层定位片成像信息。(断层定位片在本领域中是很好理解的，并且有时被称为侦察视图(sount view)或检查视图(surview)；断层定位片是用断层成像术生成而没有被重构为切片的二维图像。)
还应当被理解的是，成像信息103可以包括针对特定患者的一个或多个有危险的器官(在图1中由第一有危险的器官108到第N有危险的器官109(其中“N”是大于“1”的整数)表示)的成像信息。有危险的器官是非目标器官的部分或全部，该非目标器官在使用放射来治疗治疗体积105时处于被放射伤害的危险中。该有危险的器官的相关示例(当治疗体积105在乳腺组织104内时)包括一个或两个肺、部分的脊柱和部分的胸壁以及心脏。
并且将被进一步理解的是，成像信息103也可以包括针对患者支撑装置110(诸如，所谓的治疗床)和/或用于将患者身体的一些部分与相对放射治疗射束112保持固定位置的一个或多个患者固定装置111的成像信息。
如果期望，控制电路101也可操作性地与网络接口(未示出)耦合。如此配置的控制电路101可以与(在装置100内和其外部的)其他元件经由该网络接口进行通信。包括无线和非无线平台两者的网络接口在本领域中可以很好地理解并且在此不需要特别的详尽阐述。
通过另一可选的方法(代替前述方法或与其结合)，控制电路101也可以可操作地与用户接口(未示出)耦合。该用户接口可以包括任何各种用户输入机构(诸如但不限于，键盘和小键盘、光标控制设备、触敏显示器、语音识别接口、手势识别接口等)和/或用户输出机构(诸如，但不限于，视觉显示器、音频变换器、打印机等)，以促进接收来自用户的信息和/或指令和/或提供信息给用户。
如下文更详细描述的，控制电路101至少部分被配置为优化放射治疗计划，从而产出一个或多个经优化的放射治疗计划113。例如，该经优化的放射治疗计划113用于控制可以包括放射源115的放射治疗平台114，该放射源115可以(如果期望)可操作地耦合到控制电路101并且对其响应。放射源在本领域中是很好理解的并且不需要在此进一步描述。
如此配置，由放射源115发出的相应的放射射束116可以选择性地被控制电路101开启和关闭。这些教导还将适用于使控制电路101控制放射射束116的相对强度。放射治疗平台114也可以被配置为在治疗阶段期间来移动放射源115，因此从各种不同方向(“场”)来实施放射线。在此情况下，控制电路101也可以被配置为控制该移动。
通过一种可选的方法，如在此说明的，放射治疗平台114可以进一步包括一个或多个射束成形装置117。例如，该装置117用于通过使射束116成形和/或通过其他方式调制放射射束来修改放射射束116，从而产出相对应的输出放射射束112，治疗体积105被暴露于该放射射束112。已知的射束成形装置的示例包括但不限于夹片、准直器和多叶准直器。
为了说明性示例，本文将假定前述控制电路101，结合上文描述的应用设置，实现了至少一些(并可能全部)本文描述的动作、步骤和/或功能。图2呈现了与这些教导的许多内容相符的过程200。
在框201处，该过程200提供了访问针对包括特定患者的治疗体积105的治疗区域的成像信息(诸如，前述成像信息103)。该说明性示例假定治疗体积105位于该患者的乳腺组织104内。同样为了说明，该示例假定成像信息103特定地包括三维CT成像信息以及二维断层定位片成像信息。除治疗体积105本身之外，成像信息103可以包括成像信息，该成像信息至少包括一个或多个有危险的器官108、109的部分，诸如患者的肺、患者脊柱的部分和/或患者胸壁的部分。而且在适当的应用设置中，成像信息103可以包括针对患者支撑装置110和/或一个或多个患者固定设备111中的一个或多个的成像信息。
通过一种方法，在特别需要的时间(即，在针对特定患者准备和优化放射治疗计划时)和当患者位于放射治疗平台114本身上时，成像信息103的一个或多个项被捕获。通过另一方法，在更早的时间，并且可能当患者没有位于放射治疗平台114本身上时，成像信息103的一个或多个项被捕获。
在框202处，该过程200提供了使用成像信息103的同时，也使用深度学习来自动分割特定患者的至少一些乳腺组织104以及使用非深度学习来自动分割一些有危险的器官108、109的至少部分，以提供自动分割的患者内容。该过程还将适用于自动分割患者身体内的任何高密度伪影。
通过一种方法，该活动可以包括限定针对患者的身体外形。除此之外，或者作为其替代，该活动可以包括在患者身体表面自动检测和限定线的位置和/或放射照相术标记。按此检测和限定，该活动则可以包括从3-D CT图像中自动移除特定内容。
分割包括很好理解的活动并且包括谨慎地标识特定器官或伪影(和该结构的外部边缘)，从而允许将一个器官(或伪影)与另一器官区分开。
CT图像经常具有软组织对比度低的特征，并且一方面治疗体积和另一方面有危险的器官的总体外观通常在视觉上表现得相似。申请人已经确定，深度学习技术可以提供有用的结果以支持自动分割患者的乳腺组织，同时非深度学习技术可以提供有用的结果以支持自动分割患者的有危险的器官。(也就是说，申请人也已经确定了利用成像信息103连同深度学习一起来自动分割特定患者的至少部分心脏组织是有用的。)
深度学习(有时也指层次学习、深度神经学习或深度结构的学习)在人工智能中通常被限定为机器学习的子集，深度学习具有能够从未结构化或未标记的数据中无监督的学习的网络。也就是说如果需要，深度学习还可以是有监督的或半监督的。深度学习框架包括深度神经网络、深度信念网络、递归神经网络和卷积神经网络。
深度学习采用多个层从原始输入中渐进地导出更高级的特征。在通常的配置中，各级学习将其输入数据转变为更加抽象和复合的表示。作为简单的示例，在图像识别应用中，初始原始输入可能是像素矩阵，第一表示层可以提取像素并且对边进行编码，第二层可以组成那些边的排列并对其进行编码，第三层可以对诸如鼻子和眼睛的特定特征进行编码，并且第四层可以识别该图像包含脸。一般来讲，深度学习过程自己会学习哪些特征优选地放在哪层。
通过一种方法，深度学习算法可以在有监督学习的设置中使用数百位患者的图像和真实轮廓进行训练。例如，有用的数据可以从遍布全球的医疗服务提供方处获得。训练集的图像可以被选择以表示解剖学各种通常的图像制品的实际范围。如果需要，真实轮廓可以由人类解剖专家来创建作为算法开发的部分。
虽然使用传统模型和/或基于图集的算法来自动的分割可以实现专家级的性能，但该性能仅在少数器官中能被实现(因此在被临床可接受之前，需要进一步基于人类的编辑)。发明人已经确定，通过比较，前述基于深度学习的方法可以产出显著的更好的结果，尤其对于没有使用数百患者的图像和真实轮廓的、很好限定的学习设置的结构。
在框203处，该过程200提供了也使用成像信息103来自动确定与特定患者的至少部分的乳腺组织104对应的虚拟皮肤体积。通过一种方法，该活动可以包括至少部分使用，前述三维CT成像信息和二维正交断层定位片成像信息来确定虚拟皮肤体积。(如本文使用的，表达“虚拟皮肤体积”将被理解为是指在通过计算得到的(并且因此是“虚拟的”)皮肤周围外切形成的患者体积。)
在通常的放射治疗应用设置中，患者将躺在或坐在一个或多个患者支撑装置110上，诸如治疗床、椅子、扶手或类似的。结合前述内容或代替前述内容，患者的一个或多个部分可以由一个或多个患者固定设备111而被保持在固定位置。患者固定设备用于在实施放射期间将患者的一些部分保持固定的位置，以将治疗体积和/或有危险的器官相对放射源115保持固定的位置。患者支撑装置和患者固定设备在本领域中是很好理解的，并且在此不需要进一步详细描述。
考虑到前述内容，在可选框204处，该过程200可以提供针将患者支撑表面110和患者固定设备111中的至少一个自动与成像信息103中的至少一些成像信息配准，以提供对应的结果配准信息。通过一种方法，将该装置自动配准到成像信息103可以包括将患者支撑表面和患者固定设备的中的至少一个的模型自动配准到成像信息中的至少一些成像信息。“配准”指的是对准并且使项之间处于空间上对应。在此上下文中，所讨论的伪影的代表性的模型被对准并且使其与成像信息中的一个或多个特征在空间上相对应。当如下文描述的一样自动优化放射治疗计划时，后者则可以被作为进一步输入使用。
通过另一方法，结合前述内容或代替前述内容，在可选框205中，该过程200使用成像信息103来自动确定针对患者的至少部分的身体的外形。该身体外形用于表示患者的最外面的物理边缘。
在框206处，该过程200提供了使用如上文所述的自动分割的患者内容以及虚拟皮肤体积作为过程的输入207，该过程用于自动优化针对该特定患者的治疗体积105的放射治疗计划，从而提供针对该患者的经优化的放射治疗计划113。
各种优化放射治疗计划的方法在本领域中是已知的。然而，可以被注意到，如上所述，当自动优化放射治疗计划时，前述配准信息208也可以被用于进一步输入。
在优化过程的结尾，该过程200产出针对特定患者经优化的放射治疗计划113，如框209所表示。(如将在下文更详细地描述的，该过程200可以实际上产出多个治疗计划，包括例如三个彼此不同的关于他们的特定放射线递送形式和技术的计划。)如果期望，并且如可选框210和211所示，该过程200可以进一步包括使用上文提到的身体外形、虚拟皮肤体积和配准信息作为输入以自动计算放射治疗平台的轨道、冲突检测和根据经优化的放射治疗计划113的治疗递送的虚拟预演信息。
应当理解，这些计划时随时可以使用的，并且相应的可以被用于经由前述平台对患者实施放射。通过一种方法，实际上，至少一个这样的结果计划被用于递送治疗放射以治疗患者的治疗体积。
现在参考图3，这些教导的特别说明将被呈现。为了说明性示例，图3呈现了在乳腺计划工作流的上下文中的该过程300(即，开发可实施的基于射束的放射疗法以治疗包括特定患者的胸腺组织104中的癌症肿瘤的治疗体积105)。将理解，该示例的具体细节旨在用于说明性的目的，并且不旨在建议任何关于这些教导的特别的限制。
在框301处，该过程300以CT图像开始工作流。在根据被很好理解的已有技术实践将患者适当定位在胸板上之后，该活动包括获得至少一个断层定位片和一个CT扫描。通过一种方法，前者包括获得至少两个正交断层定位片，该至少两个断层成像包括患者的胳膊和胸板，该胸板在给定可用装备以及其他应用设置的限制情况下尽可能如场一样宽。通过一种方法，至少一个CT扫描包括向上看包括患者肩部以上切片和向下看患者乳腺组织104下方的扫描，以及包括治疗体积105的扫描。在通常的应用设置中，这些图像是如早先描述的数字格式。
总体而言，使用的装备和过程获得这些断层成像和CT扫描图像在现有技术中被很好的理解。虽然本文中描述的获取特别视图和后续使用不必要符合现有技术实践，但为了简洁，这里不需要对关于图像获取本身进行进一步的详细描述。
在框302处，前述图像被导入到自动轮廓化的活动。当然，轮廓化包括标识和/或指定个体器官、组织或其他解剖的结构的外形和患者的伪影，诸如但不限于，患者乳腺组织的部分或全部、患者的肺、心脏和/或胸壁。该轮廓化活动包括，例如，自动轮廓化患者的不包括胸板和任何可能存在的伴随的线/导体的身体外形。通过另一方法，代替前述方法或与其结合，该轮廓化活动包括自动轮廓化与其他图像内容分开并且远离的胸板和/或前述线/导体。
通过一种方法，该活动可以包括将可用的CT图像扩展以向外扩展，从而包括患者的外部身体外形。这样配置，CT图像内容可以被扩展至包括患者躯干、颈部和/或部分或全部患者胳膊的外围边缘。
通过一种方法，该自动轮廓化活动使用了相关模型。例如，胸板和/或患者支撑治疗床的相关模型可以被用于在这些方面中进行辅助。
在框303处，并且在前述轮廓化活动之后，该过程300提供了外部射束计划。通过一种方法，如果期望，该外部射束计划活动可以包括自动的或用户发起的乳腺计划创建向导的使用。(将被理解的是向导包括软件，该软件通过询问用户一系列易于回答的问题将复杂的任务自动化，该问题的回答然后驱动任务的定制化执行。)
基于轮廓化信息，该框303可以包括自动选择所描绘的治疗目标(或多个目标)是表示左侧乳腺的情况、右侧乳腺的情况还是两侧乳腺的情况。该选择可以基于，例如，在轮廓化过程期间被分配的结构编码。(如果期望，该过程300将适合于向技术人员呈现覆写和改变该自动选择的机会。)总体而言，该过程还包括自动限定特定患者方向。也就是说，如果期望，可以提供允许参加的技术人员选择包括淋巴结的机会。
该过程随后提供了自动选择特别起始点的乳腺治疗的模板。该选择可以基于各种标准。通过一种方法，该标准包括患者的临床目标(视情况包括，此目标的任何已建立的排序和/或优先顺序)。通过一种方法，该标准包括相关的剂量处方、默认的直线性加速器的标识和/或任何能量规格(其中后者可以是自动限定或用户指定或按需覆写)。通过另一方法，该标准可以包括丸剂规格(包括，例如，任何对应部分的数量)。通过另一方法，该标准可以包括针对皮肤闪光的大小信息(例如，以毫米或厘米为单位)。并且到目前为止通过另一方法，该标准可以包括指定特定RapidPlanTM(RP)模型以便于预测直方图剂量体积的信息。
当考虑丸剂时，如果期望，该过程可以包括在用户界面上打开显示窗口以便于限定丸剂。通过一种方法，该过程将适用于限定针对仅一些小部分(fraction)而不是全部的丸剂。当仅有一些小部分具有丸剂时，通过一种方法，该计划活动可以自动用于创建至少六个对应计划。(“小部分”仅指所表示的总体剂量的部分，例如，从特定角度或场实施的剂量。)
该活动包括选择特定成像模板并且自动创建对应设置的场，该场可以被用于针对使用特定加速器的治疗的初始起始点。示例包括但不限于锥形束计算机断层扫描(CBCT)、百万伏(MV)和千伏(kV)。
在该示例中，外部射束计划包括生成、优化和计算三个计划(或者，当针对一些小部分使用丸剂时，六个计划)。这些计划包括TO-VMAT(容积弧形调强放射治疗轨道优化器)计划、TO-IMRT(调强放射治疗轨道优化器)计划和iComp不规则表面补偿技术计划。这些不同的计划按照指定情况使用不同的技术。这些教导还将适用于其他技术诸如，例如，如果期望，VMAT和IMRT的混合组合或开放场和IMRT的混合组合。
VMAT弧和IMRT场的几何形状定义使用了轨道优化器(TO)，该轨道优化器支持动态或静态准直器角度决定、共面和非共面场、能量选择和等深点放置。(本领域技术人员将认识到，如本领域所理解，轨道优化是在放射疗法中使用分割方法对轨道优化的扩充。)特别的，为了计划质量、冲突避免和高效率递送，场顺序被调整。针对弧度、受限叶序列和经修改的控制点权重的机架减慢是附加修改，这些教导将适用于帮助提高计划质量。
如果期望，优化叶片序列和通量可以将皮肤闪光边距考虑进去以处理可能的目标改变和移动。
可以基于包括等深点放置在内的勾画出轮廓的目标体积对不规则表面补偿器计划做几何形状定义。通过将针对已定义的有危险的器官的剂量最小化，同时保持目标体积的期望覆盖范围，可以将按优先级排序的医生临床目的考虑进去来完成通量的优化。通过一种方法，预定大小的皮肤闪光边距可以被自动添加到通量中以处理计划中可能的目标改变或移动。一旦通量被优化，叶片移动计算和剂量计算就可以自动被完成。
如果期望，针对容积弧形调强放射治疗计划(如本领域中所理解)的自动交互式优化可以在针对一些或全部计划的优化过程期间被利用以实现Pareto最佳优化剂量。
TO-VMAT计划创建
该过程可以通过将一个或多个弧形和准直器位置定义为乳腺模板和患者治疗体积(后者根据需要和/或指定来考虑有或没有结点)中的一个或多个有危险的器官的排序考虑因素的函数，来自动优化放射源轨道。通过一种方法，冲突检测可以在后台运行以检查该轨道是无冲突的。通过一种方法，可用的临床目的被转变成优化目标，该目标随后被利用来引导迭代优化过程。通过一种方法，加速器光子能量被限定。
计划优化之后，该过程可以计算实施剂量。
TO-IMRT计划创建
该过程可以至少部分地通过将静态场定义为乳腺模板和患者治疗体积(后者根据需要和/或指定来考虑有或没有结点)中的一个或多个有危险的器官的排序考虑因素的函数，来自动优化放射源轨道。通过一种方法，冲突检测可以在后台运行以检查轨道是无冲突的。通过一种方法，该目标随后被利用来引导迭代优化过程。通过一种方法，能量被限定。
计划优化之后，该过程可以计算用于使用多叶片准直器的叶片移动以及实施剂量。
iComp计划创建
该过程可以基于患者治疗体积来自动指出相切场。此场是并行相对的场。场的数目通常取决于目标的大小。虽然使用两个场通常将足够，但是附加场可以被添加。如果淋巴结被包括，则有时添加附加的邻接场以促进处理结点。通过一种附加冲突检测可以在后台运行以检查轨道是无冲突的。通过一种方法，可用的临床目的被转换成优化目标，该目标随后被利用于引导迭代优化过程。通过一种方法，该能量被限定。
可以基于相对于相关机架弧形平面中的治疗床和(多个)固定设备的患者几何形状来计算无冲突的几何形状。通过一种方法并且基于图像的模型支持计算冲突区域。使用该方法允许自动搜索和生成更复杂的轨道，该轨道可以转而提高计划质量和功效。
计划优化之后，该过程可以计算用于使用多叶片准直器的叶片移动以及实施的剂量。
在框304处，该过程300提供对前述一个或多个计划的评估。同样，在典型的应用设置中，前述过程提供三个单独的计划(或六个，当为一些小部分选择丸剂时)。通过一种方法，在所有计划准备就绪之前，没有结果被呈现以供技术人员考虑。
通过一种方法，当计算表示对应于按优先级排序的医生的意图和其他关注的指标(诸如，异构指数(HI)、梯度指数(GI)、监控单元、调强复杂度和治疗时间)的结果时，该评估包括呈现全部三个乳腺计划的经计算的结果。当呈现考虑到丸剂存在的双重计划时，每次针对具有和不具有丸剂的计划，计划和可以被创建。在任何情况下，全部三个乳腺综合计划可以被呈现有基于对应临床目的和其他感兴趣的指标的得分。例如，该得分可以包括针对每个临床目的的通过/失败指示。
如此配置，技术人员可以审阅提出的计划并且标识针对患者的最优计划。该计划转而可以导致批准针对该特定患者的特定计划。
如果期望，这些教导将适用于允许技术人员进行经由3-D动画的已定义治疗场的治疗递送的虚拟预演。该虚拟预演可以包括用实际治疗机器、治疗床、固定设备和患者维度的治疗递送的表示。如果期望，山形视图给出了在治疗递送期间患者与应用设置机器之间的空隙和/或每个机器之间的空隙的指示。
那些本领域技术人员将认识到在不偏离本发明的范围的情况下，可以关于上文描述的实施例进行各种修改、变更和组合，并且该修改、变更和组合被视为在本发明概念的范围内。

Claims (18)

1.一种用于自动计划特定患者的乳腺组织内的治疗体积的基于放射的治疗的方法，所述方法包括：
由控制电路：
访问针对治疗区域的成像信息，所述治疗区域包括所述特定患者的所述治疗体积；
使用所述成像信息、并且使用深度学习来自动分割所述特定患者的至少一些乳腺组织以及使用非深度学习来自动分割一些有危险的器官的至少部分，以提供自动分割的患者内容；
使用所述成像信息来自动确定与所述特定患者的所述乳腺组织的至少部分对应的虚拟皮肤体积；
使用所述自动分割的患者内容和所述虚拟皮肤体积作为输入来自动优化针对所述特定患者的所述治疗体积的放射治疗计划，并且从而提供针对所述特定患者的经优化的放射治疗计划。
2.根据权利要求1所述的方法，其中所述成像信息包括三维计算机断层扫描(CT)成像信息。
3.根据权利要求2所述的方法，其中所述成像信息还包括二维定位片成像信息，以及其中使用所述成像信息来自动确定与所述特定患者的所述乳腺组织的至少部分对应的虚拟皮肤体积至少部分包括：使用所述三维CT成像信息和所述二维定位片成像信息两者来确定所述虚拟皮肤体积。
4.根据权利要求1、2或3所述的方法，其中使用所述成像信息并且使用深度学习来自动分割所述特定患者的至少一些乳腺组织还包括：使用所述成像信息并且使用深度学习来自动分割所述特定患者的至少一些心脏组织。
5.根据权利要求1至4中的任一项所述的方法，其中所述有危险的器官包括以下至少一项：肺、脊柱的部分和胸壁的部分。
6.根据权利要求1至5中的任一项所述的方法，还包括：
将患者支撑表面和患者固定装置中的至少一个与所述成像信息中的至少一些成像信息自动配准以提供配准信息，并且使用所述配准信息作为进一步输入以自动优化所述放射治疗计划。
7.根据权利要求6所述的方法，其中将患者支撑表面和患者固定装置中的至少一个与所述成像信息中的至少一些成像信息自动配准包括：将所述患者支撑表面和所述患者固定装置中的至少一个的模型与所述成像信息中的至少一些成像信息自动配准。
8.根据权利要求6或7所述的方法，还包括：
使用所述成像信息来自动确定针对所述患者的至少部分的身体外形。
9.根据权利要求9所述的方法，还包括：
至少使用所述身体外形、所述虚拟皮肤体积和所述配准信息作为输入，来根据所述经优化的放射治疗计划自动计算放射治疗平台轨道、冲突检测和治疗递送的虚拟预演信息。
10.一种用于自动计划特定患者的乳腺组织的内治疗体积的基于放射的治疗的装置，所述装置包括：
存储器，包含针对治疗区域的成像信息，所述治疗区域包括所述特定患者的所述治疗体积；
控制电路，可操作地被耦合到所述存储器并被配置为：
访问针对治疗区域的成像信息，所述治疗区域包括所述特定患者的所述治疗体积；
使用所述成像信息、并且使用深度学习来自动分割所述特定患者的至少一些乳腺组织以及使用非深度学习来自动分割一些有危险的器官的至少部分，以提供自动分割的患者内容；
使用所述成像信息来自动确定与所述特定患者的所述乳腺组织的至少部分对应的虚拟皮肤体积；
使用所述自动分割的患者内容和所述虚拟皮肤体积作为输入来自动优化针对所述特定患者的所述治疗体积的放射治疗计划，并且从而提供针对所述特定患者的经优化的放射治疗计划。
11.根据权利要求10所述的装置，其中所述成像信息包括三维计算机断层扫描(CT)成像信息。
12.根据权利要求11所述的装置，其中所述成像信息还包括二维定位片成像信息，并且其中所述控制电路被配置为：至少部分通过使用所述三维CT成像信息与所述二维定位片成像信息两者来确定所述虚拟皮肤体积，来使用所述成像信息自动确定与所述特定患者的所述乳腺组织的至少部分对应的虚拟皮肤体积。
13.根据权利要求10、11或12所述的装置，其中所述控制电路还被配置为使用深度学习来自动分割所述特定患者的至少一些心脏组织。
14.根据权利要求10至13中的任一项所述的装置，其中所述有危险的器官包括以下至少一项：肺、脊柱的部分和胸壁的部分。
15.根据权利要求10至14中的任一项所述的装置，其中所述控制电路还被配置为：
将患者支撑表面和患者固定装置中的至少一个与所述成像信息中的至少一些成像信息自动配准以提供配准信息，并且使用所述配准信息作为进一步输入以自动优化所述放射治疗计划。
16.根据权利要求15所述的装置，其中所述控制电路被配置为：通过将所述患者支撑表面和所述患者固定装置中的至少一个的模型与所述成像信息中的至少一些成像信息自动配准，来将患者支撑表面和患者固定装置中的至少一个与所述成像信息中的至少一些成像信息自动配准。
17.根据权利要求15或16所述的装置，其中所述控制电路还被配置为：
使用所述成像信息来自动确定针对所述患者的至少部分的身体外形。
18.根据权利要求17所述的装置，其中所述控制电路还被配置为：
至少使用所述身体外形、所述虚拟皮肤体积和所述配准信息作为输入，来根据所述经优化的放射治疗计划自动计算放射治疗平台轨道、冲突检测和治疗递送的虚拟预演信息。
CN202180025939.1A 2020-03-30 2021-03-26 自动计划的基于放射的治疗 Pending CN115485019A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/833,752 US11478660B2 (en) 2020-03-30 2020-03-30 Automatically-planned radiation-based treatment
US16/833,752 2020-03-30
PCT/EP2021/058049 WO2021198117A1 (en) 2020-03-30 2021-03-26 Automatically-planned radiation-based treatment

Publications (1)

Publication Number Publication Date
CN115485019A true CN115485019A (zh) 2022-12-16

Family

ID=75362602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180025939.1A Pending CN115485019A (zh) 2020-03-30 2021-03-26 自动计划的基于放射的治疗

Country Status (4)

Country Link
US (1) US11478660B2 (zh)
EP (1) EP4126214B1 (zh)
CN (1) CN115485019A (zh)
WO (1) WO2021198117A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3791401A4 (en) * 2018-05-07 2022-02-09 Dalhousie University SYSTEMS AND METHODS FOR PLANNING, ORDERING AND/OR DELIVERING RADIATION THERAPY AND RADIO SURGERY USING COMBINED DYNAMIC AXIS OPTIMIZATION (CODA)
US11406844B2 (en) 2020-03-30 2022-08-09 Varian Medical Systems International Ag Method and apparatus to derive and utilize virtual volumetric structures for predicting potential collisions when administering therapeutic radiation
US11478210B2 (en) 2020-03-30 2022-10-25 Varian Medical Systems International Ag Automatically-registered patient fixation device images
US11992705B2 (en) * 2021-09-29 2024-05-28 Siemens Healthineers International Ag On-line adaptive deep inspiration breath-hold treatment
CN114446440A (zh) * 2022-01-28 2022-05-06 福建自贸试验区厦门片区Manteia数据科技有限公司 放疗计划的确定方法和装置、存储介质及处理器

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130142310A1 (en) 2011-06-06 2013-06-06 The Board Of Trustees Of The Leland Stanford Junior University Dynamic multi-axes trajectory optimization and delivery method for radiation treatment
US10549116B2 (en) 2015-03-05 2020-02-04 The Regents Of The University Of California Radiotherapy utilizing the entire 4PI solid angle
US10299740B2 (en) 2015-09-29 2019-05-28 General Electric Company Methods and systems for cone-beam computed tomography
WO2017087985A1 (en) 2015-11-20 2017-05-26 Duke University Systems and methods for automatic, customized radiation treatment plan generation for cancer
WO2017210690A1 (en) 2016-06-03 2017-12-07 Lu Le Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans
US10751548B2 (en) 2017-07-28 2020-08-25 Elekta, Inc. Automated image segmentation using DCNN such as for radiation therapy
US11406844B2 (en) 2020-03-30 2022-08-09 Varian Medical Systems International Ag Method and apparatus to derive and utilize virtual volumetric structures for predicting potential collisions when administering therapeutic radiation
US11478210B2 (en) 2020-03-30 2022-10-25 Varian Medical Systems International Ag Automatically-registered patient fixation device images

Also Published As

Publication number Publication date
EP4126214A1 (en) 2023-02-08
US20210299470A1 (en) 2021-09-30
EP4126214B1 (en) 2024-03-20
WO2021198117A1 (en) 2021-10-07
US11478660B2 (en) 2022-10-25

Similar Documents

Publication Publication Date Title
CN111068187B (zh) 用于执行适应性放射疗法阶段的自动化工作流的系统
US10987522B2 (en) Three dimensional localization and tracking for adaptive radiation therapy
US10152790B2 (en) Three dimensional localization of a moving target for adaptive radiation therapy
CN107072624B (zh) 用于自动治疗计划的系统和方法
CN107708808B (zh) 用于在放射治疗期间使用质量指标进行靶追踪的系统和方法
US8803910B2 (en) System and method of contouring a target area
EP4126214B1 (en) Automatically-planned radiation-based treatment
US11786204B2 (en) Automatically-registered patient fixation device images
US11406844B2 (en) Method and apparatus to derive and utilize virtual volumetric structures for predicting potential collisions when administering therapeutic radiation
CN114681813A (zh) 放射治疗自动计划系统、自动计划方法及计算机程序产品
CN114728166A (zh) 使用mr linac的心脏消融
US20240212111A1 (en) Machine learning training corpus apparatus and method
CN114344737A (zh) 一种肿物放射治疗控制系统及存储介质

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