CN115666718B - 放射疗法治疗规划 - Google Patents
放射疗法治疗规划 Download PDFInfo
- Publication number
- CN115666718B CN115666718B CN202180039518.4A CN202180039518A CN115666718B CN 115666718 B CN115666718 B CN 115666718B CN 202180039518 A CN202180039518 A CN 202180039518A CN 115666718 B CN115666718 B CN 115666718B
- Authority
- CN
- China
- Prior art keywords
- dose
- function
- distribution
- derived
- dose distribution
- 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.)
- Active
Links
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 604
- 230000006870 function Effects 0.000 claims abstract description 416
- 238000000034 method Methods 0.000 claims abstract description 172
- 238000005457 optimization Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000013507 mapping Methods 0.000 claims description 21
- 238000011524 similarity measure Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 39
- 230000004048 modification Effects 0.000 description 39
- 238000005259 measurement Methods 0.000 description 32
- 230000000875 corresponding effect Effects 0.000 description 30
- 230000001186 cumulative effect Effects 0.000 description 16
- 238000005315 distribution function Methods 0.000 description 16
- 230000005855 radiation Effects 0.000 description 12
- 238000009795 derivation Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 8
- 210000000920 organ at risk Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 6
- 239000000470 constituent Substances 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013442 quality metrics Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007595 memory recall Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002725 brachytherapy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002710 external beam radiation therapy Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or 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
- A61N5/103—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
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
-
- 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
-
- 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
- A61N2005/1034—Monte Carlo type methods; particle tracking
-
- 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
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
一种用于为患者的体积产生放射疗法治疗计划的计算机实现的方法,该方法包括:接收该体积的图像;接收至少一个剂量分布导出的函数,该函数被配置成基于相对于所述图像定义的剂量分布的至少一部分作为输入来提供值作为输出;接收第一概率分布和至少不同的第二概率分布,第一和至少第二概率分布;定义多准则优化问题,其包括基于至少一个剂量分布导出的函数、第一概率分布和损失函数的至少第一目标函数;以及基于至少一个剂量分布导出的函数、第二概率分布和损失函数的第二目标函数;以及基于所述至少两个目标函数执行多准则优化过程,以产生至少两个输出治疗计划。
Description
技术领域
本公开涉及用于放射疗法治疗规划的装置和方法。特别地,本公开涉及一种用于放射疗法治疗规划的装置和方法,其使用多准则优化过程,并使用概率分布来表示从历史治疗计划获得的知识,以导出多个输出治疗计划。本公开还涉及一种相关联的计算机程序。
背景技术
可以为不同类型的放射疗法执行放射疗法治疗规划,诸如基于光子、轻离子或电子的外部射束放射疗法,或者近距离放射疗法。
在放射疗法治疗领域,一个关键的挑战是设计高质量的治疗计划。治疗计划可以定义要施加到治疗目标体积的放射量,以及例如在所述疗法期间可以由一个或多个危及器官(OAR)或其他身体组织接收的放射量。存在能够创建治疗计划的过程,特别是那些治疗计划的探索和选择,以确保诸如肿瘤的目标体积接收到期望的放射剂量,同时对健康组织造成尽可能小的损害,并且优选地对诸如心脏或脊髓等所有OAR没有任何损害。
一种创建或改进治疗计划的方法包括使用数学优化技术的优化过程,并且特别是多准则优化(MCO)。该MCO优化过程通常基于包括多个目标函数和约束的优化问题。目标函数本身可以表示为一个或多个函数。用于形成多准则优化问题的目标函数可能至少在某种程度上是不兼容的,因为一个目标函数输出的改进可能需要一个或多个其他目标函数输出的劣化。形成MCO问题的每一目标函数可以不同地定义。因此,MCO过程可以基于每一目标函数的优化而产生不同的治疗计划,例如第一、第二、第三治疗计划等。因此,MCO过程提供多个候选的输出治疗计划,临床医生可以从中选择最终的治疗计划。在一个或多个示例中,可以在候选输出治疗计划之间进行插值(也称为导航)。MCO可以用于从理想化的放射剂量分布开始,并产生多个候选治疗计划选项,每一选项定义可递送的治疗计划。
在优化问题中使用的目标函数和约束以及它们相应的组成函数可以被认为是治疗计划的质量度量。目标函数可以测量剂量测量与和剂量分布相关的期望值的偏差。应理解,在一个或多个示例中,问题可以包括不基于输入剂量分布评估的目标函数。剂量测量的期望值可以指示例如特定器官或体积的最小或最大剂量。约束函数可以包括质量度量和/或定义治疗计划的参数可以采用的一组可行值。因此,在一个或多个示例中,可行值可以被配置成考虑放射疗法递送设备的技术限制。质量度量应具有使它们适合于优化的数学属性,诸如连续性和可微性。
在已经定义了优化问题之后,达成治疗计划的最常见方式是找到表示所述治疗计划的参数,这些参数在满足约束的同时最小化或最大化每一目标函数。
以有效的方式定义优化问题以达成候选的输出治疗计划的过程是一个挑战。因此,需要一种专门针对使用MCO有效产生候选治疗计划的过程。
发明内容
根据本公开的第一方面,提供一种用于为患者的体积产生放射疗法治疗计划的计算机实现的方法,该方法包括:
接收至少一个剂量分布导出的函数,该至少一个剂量分布导出的函数或每一剂量分布导出的函数被配置成基于相对于所述图像定义的剂量分布的至少一部分作为输入来提供值作为输出;
接收第一概率分布和至少不同的第二概率分布,该第一和至少第二概率分布表示对于输入剂量分布从所述至少一个剂量分布导出的函数输出的值的范围的可实现性或合意性;
定义包括至少两个目标函数的多准则优化问题,目标函数包括:
基于至少一个剂量分布导出的函数、第一概率分布和损失函数的第一目标函数;以及
基于至少一个剂量分布导出的函数、第二概率分布和损失函数的第二目标函数;
基于所述至少两个目标函数执行多准则优化过程,以产生至少两个输出治疗计划。
在一个或多个示例中,执行多准则优化过程的步骤包括基于多准则优化问题执行至少两个优化过程,以产生一组至少两个输出治疗计划。在一个或多个示例中,输出治疗计划的数量至少是目标函数的数量。
在一个或多个示例中,该方法包括基于至少两个输出治疗计划来确定最终治疗计划。最终治疗计划的确定可以基于用户输入。在其他示例中,该确定可以是自动的,并且在一个或多个示例中,该方法可以包括基于预定义准则对至少两个输出治疗计划进行自动评分,并且最终治疗计划的确定可以基于接收到最高分数的输出治疗计划。
在一个或多个示例中,该方法包括接收多个剂量分布导出的函数,并且第一概率分布包括用于所述多个剂量分布导出的函数的联合概率分布。在一个或多个示例中,该方法包括接收多个剂量分布导出的函数,并且第二概率分布包括用于所述多个剂量分布导出的函数的联合概率分布。
在一个或多个示例中,该方法包括接收多个剂量分布导出的函数,并且第一概率分布包括用于多个剂量分布导出的函数中的每一者或多组的多个边缘概率分布。在一个或多个示例中,该方法包括接收多个剂量分布导出的函数,并且第二概率分布包括用于多个剂量分布导出的函数中的每一者或多组的多个边缘概率分布。
在一个或多个示例中,该方法包括修改所述第一概率分布以形成第二概率分布。
在一个或多个示例中,所述修改可以通过对第一或第二概率分布的边缘概率分布的子集(例如,一个或多个但不是全部),诸如与剂量分布导出的函数的对应子集相关的那些,应用修改来提供。在一个或多个示例中,所述修改可以通过对唯一的一个或联合概率分布应用修改来提供,诸如当概率分布共同应用于剂量分布导出的函数时。
在一个或多个示例中,所述修改第一概率分布以形成第二概率分布包括以下各项中的一者或多者:
第一概率分布的平均值的变化;
第一概率分布的标准偏差的变化;
源自第一概率分布的指数倾斜的变化;以及
第一概率分布的偏斜度的变化。
在一个或多个示例中,该方法包括在多准则优化问题的所述定义之前修改所述第一概率分布以形成其修改版本,并且其中至少两个目标函数包括:
基于至少一个剂量分布导出的函数、第一概率分布的修改版本和损失函数的第一目标函数;以及
基于至少一个剂量分布导出的函数、第二概率分布和损失函数的第二目标函数。
在一个或多个示例中,所述修改基于以下各项中的一者来确定:
(i)定义所述修改的用户输入;以及
(ii)多个默认修改;以及
该方法包括向用户的输出设备提供反馈,所述反馈指示以下各项中的一者或多者:
(i)由于所述修改导致的第一概率分布和第二概率分布的不同形状;
(ii)由于所述修改导致的第一和第二概率分布的特性之间的差异;
(iii)该体积的剂量分布将如何由于所述修改而改变的指示;以及
(iv)作为所述修改的结果而确定的输出治疗计划;以及
基于定义该修改的用户输入或者多个默认修改中的一者的用户选择来选择要应用的所述修改。
在一个或多个示例中,所述默认修改可以被定义为通过不同数量的标准偏差(例如,一个或两个标准偏差)或通过不同的预定百分比的平均值或其他特性的变化。
在一个或多个示例中,从先前递送的治疗计划的数据库中确定第一概率分布,其中该第一概率分布表示基于在先前递送的治疗计划中实现的剂量分布而确定的实现的至少一个剂量分布导出的函数的值的范围的可能性。
在一个或多个示例中,所述方法包括:
接收当前患者图像,该当前患者图像包括表示待治疗患者的所述体积的所述图像和识别所述图像中至少一个身体结构的信息;
访问具有多个记录的数据库,这些记录表示先前递送的治疗计划的剂量分布以及相应的患者图像,患者图像具有识别所述图像中的至少一个身体结构的信息;
至少针对所述至少一个身体结构中的一者或多者,确定当前患者图像与所述记录的每一患者图像之间的相似性度量;
使用所述记录的多个剂量分布来评估为当前患者接收的剂量分布导出的函数中的一者或多者,以获得每一剂量分布的剂量分布导出的函数的值的数据集;
使用映射函数从所述数据集确定对应于所述评估的一个或多个剂量分布导出的函数的所述第一概率分布,该映射函数对对应于与当前患者图像具有更大相似性度量的患者图像的数据集的值给予更大权重,并对对应于与当前患者图像具有更小相似性度量的患者图像的数据集的值给予更小权重。
在一个或多个示例中,基于当前患者图像与每一患者图像之间的相似性度量来导出概率分布的上述方法被应用于剂量分布导出的函数,这些函数被配置成基于表示为剂量体积直方图的输入剂量分布来提供它们相应的值。因此,对于此类剂量分布导出的函数,其输出值仅取决于定义该函数的感兴趣区域的剂量体积直方图。也就是说,每当所述两个剂量分布的感兴趣区域中的剂量体积直方图重合时,其两个剂量分布的值将重合。
在一个或多个示例中,第二概率分布也是以与第一概率分布相似的方式使用记录的数据库产生的。该数据库可以是包含不同于用于第一概率分布的记录的不同数据库。不同的数据库可以是从治疗计划中获得的剂量分布的数据库,治疗计划可能被临床医生分类为更积极的。可替代地,它可以是相同的数据库,但是与第一概率分布相比,不同的记录子集可以用于产生第二概率分布。在一个或多个示例中,数据库的记录可以被分类成多个记录集,并且第一概率分布可以从一个记录集产生,并且第二概率分布可以从不同的记录集产生。记录集之间的差异可以由临床医生或自动过程来定义。
在另一示例中,第二概率分布也是以与第一概率分布相似的方式使用记录的数据库产生的。然而,在一个或多个示例中,使用不同的映射函数来提供不同的第一和第二概率分布。
在一个或多个示例中,如果剂量分布导出的函数被配置成基于体积的预定义区域提供其相应的值,并且输入剂量分布被表示为体积的所述预定义区域的剂量体积直方图,则该方法包括使用映射函数将权重应用于所述评估的一个或多个剂量分布导出的函数,其中所述映射函数包括相似性度量的单调变换;以及
如果所述剂量分布导出的函数包括单体素函数,其中所述患者图像由多个体素形成并且该剂量分布导出的函数被配置成提供等于递送到特定单个体素的剂量的输出,则该方法包括使用剂量预测模型,该剂量预测模型被训练成基于患者图像和识别所述图像中至少一个身体结构的信息来预测当前患者的剂量分布。在一个或多个示例中,接收至少一个剂量分布导出的函数的步骤可以包括接收所述类型中的每一者的至少一个函数。
在一个或多个示例中,将理解,应用于单体素类型的剂量分布导出的函数的方法可以等同地应用于其他非基于剂量体积直方图的剂量分布导出的函数。
在一个或多个示例中,接收第一概率分布的步骤包括:
接收当前患者图像x,当前患者图像包括表示待治疗患者的所述体积的所述图像和识别所述图像中至少一个身体结构的信息;以及
基于至少一个剂量分布导出的函数{ψj}j,其中每一函数包括在所述患者图像上的剂量分布d的函数,估计条件概率分布:
p({ψj(d)}j|x,{(xn,dn)}n)
使用使用训练数据训练的机器学习过程,训练数据包括具有识别所述图像中的所述至少一个身体结构的信息的历史患者图像xn以及在先前递送的治疗计划中实现的对应历史剂量分布dn的对{(xn,dn)}n,条件概率分布由此指示基于为历史患者实现的剂量分布,针对当前患者的来自剂量分布d的剂量分布导出的函数的输出范围的可能性。
在一个或多个示例中,所述第一概率分布包括高斯混合模型,其中所述高斯混合模型的参数基于至少一个剂量分布导出的函数和从先前递送的治疗计划的数据库导出的剂量分布来确定。
在一个或多个示例中,该方法包括基于用户输入在输出治疗计划之间进行插值,以将插值的治疗计划定义为最终治疗计划。
在一个或多个示例中,根据一个或多个计划参数来定义输出治疗计划,并且该方法包括基于用户输入,在所述输出治疗计划之间插值所述计划参数,以将插值的治疗计划定义为最终治疗计划。
在一个或多个示例中,定义至少一个剂量分布导出的函数中的一者或多者,使得其输入剂量分布是不同于剂量体积直方图(DVH)的剂量分布。因此,剂量分布导出的函数可以不是基于DVH的。
在一个或多个示例中,输出治疗计划中的每一者包括以下各项中的一者:
根据放射疗法递送设备的操作参数定义的治疗计划,并且从该治疗计划可以导出所述体积上的剂量分布;
根据剂量分布定义的治疗计划;以及
根据从空间中每一方向随时间积分的照射强度定义的治疗计划,并且从该治疗计划可以导出所述体积上的剂量分布。
在一个或多个示例中,接收剂量分布导出的函数的步骤包括以下各项中的一者或多者:
接收用户输入以定义剂量分布导出的函数中的一者或多者;以及
从一组候选剂量分布导出的函数中选择一个或多个剂量分布导出的函数,候选剂量分布导出的函数包括基于定义所述体积的患者的身体的部分选择的预定函数。
在一个或多个示例中,对于整个体积或其部分,所述剂量分布导出的函数包括体积剂量、剂量体积、平均剂量、包括整个体积或部分体积中剂量均匀性的度量的均匀性、适形指数和罚函数中的一者或多者,罚函数包括最小剂量、最大剂量或剂量体积直方图函数。
在一个或多个示例中,该方法包括接收该体积的图像,并且可以基于所述图像的多个体素来定义从第一和/或第二治疗计划导出的剂量分布。在一个或多个示例中,该图像包括定义图像的离散子体积的多个体素。
在一个或多个示例中,损失函数选自以下各项中的一者或多者:
对数损失函数;以及
交叉熵损失函数。
在一个或多个示例中,该方法包括以下步骤:对于每一剂量分布导出的函数,将所述一个或多个概率分布表示为优化问题中的累积分布函数或概率密度函数。
在一个或多个示例中,执行优化过程的步骤包括:
将优化问题的选定目标函数最小化到这样一个点,在该点上,优化问题的其他目标函数的值针对选定目标函数的任何进一步变化而劣化;以及
选择优化问题的其他目标函数中的每一者作为选定目标函数,并且重复所述最小化。
在一个或多个示例中,所述接收至少一个剂量分布导出的函数的步骤包括接收至少两个剂量分布导出的函数。
因此,在一个或多个示例中,本方法的优点在于,通过形成剂量分布导出的函数和概率分布之一的函数并将其用作损失函数的输入的过程,可以将剂量分布导出的函数转换成用于形成多准则优化问题的至少一部分的目标函数。
根据本公开的第二方面,提供一种用于产生放射疗法治疗计划的装置,该装置包括处理器和存储器以及存储在所述存储器中的计算机程序代码,该计算机程序代码被配置成在由所述处理器执行时,使得所述装置执行所述第一方面的方法。应理解,第一方面的任选特征可以由被配置成通过所述计算机程序代码提供所述功能性的所述装置来提供。
根据本公开的第三方面,提供一种优选地在非暂时性计算机可读介质上提供的计算机程序,包括计算机程序代码,这些计算机程序代码在由处理器执行时被配置成执行第一方面的方法。
在一个或多个示例中,第一方面的计算机实现的方法是由计算设备执行的方法。在一个或多个示例中,该方法由计算设备执行,该计算设备具有用于接收用户输入的输入设备、用于从数据库106或其他存储器检索预定数据的记忆调用设备以及处理设备。在一个或多个示例中,接收体积图像和/或接收至少一个剂量分布导出的函数和/或接收第一和第二概率分布的步骤可以使用输入设备或记忆调用设备来执行。在一个或多个示例中,定义多准则优化问题和/或执行多准则优化过程和/或确定所述最终治疗计划的步骤可以由处理设备执行。在一个或多个示例中,计算设备包括输出设备,该输出设备可以将所确定的一个或多个输出治疗计划输出到另一装置,诸如设备107,或者通过输出设备输出到用户,该输出设备可以包括视觉显示单元。
在一个或多个示例中,输出治疗计划包括从装置输出的数据,该数据可以用于对放射疗法递送设备进行编程。在其他示例中,输出治疗计划可以包括表示来自空间中每一方向的随时间积分的照射强度的数据。
在一个或多个示例中,该体积包括三维图像或者由三维图像表示,并且可以基于所述图像的多个离散体素来定义从输出治疗计划导出的剂量分布或者在达成输出治疗计划时由MCO过程导出的任何治疗计划,所述体素定义图像的离散三维区域。
在一个或多个示例中,该装置包括输入设备,该输入设备被配置成接收由用户绘制的表示概率分布的输入。
根据另一方面,提供一种产生放射疗法治疗计划的装置,该装置包括被配置成进行以下操作的部件或至少一个处理模块:
接收至少一个剂量分布导出的函数,该至少一个剂量分布导出的函数或每一剂量分布导出的函数被配置成基于相对于所述图像定义的剂量分布的至少一部分作为输入来提供值作为输出;
接收第一概率分布和至少不同的第二概率分布,该第一和至少第二概率分布表示对于输入剂量分布从所述至少一个剂量分布导出的函数输出的值的范围的可实现性或合意性;
定义包括至少两个目标函数的多准则优化问题,目标函数包括:
基于至少一个剂量分布导出的函数、第一概率分布和损失函数的第一目标函数;以及
基于至少一个剂量分布导出的函数、第二概率分布和损失函数的第二目标函数;
基于所述至少两个目标函数执行多准则优化过程,以产生至少两个输出治疗计划。
在一个或多个示例中,可以提供多个部件或处理模块来各自执行一个或多个相应的动作:接收该体积的图像,该图像可以被电子传递;接收至少一个剂量分布导出的函数,诸如通过用户指定或从预定候选中选择;接收第一概率分布,诸如基于历史数据记录;接收第二概率分布,诸如通过复制第一概率分布并对其进行修改;定义多准则优化问题;以及执行多准则优化过程。第一方面的任选特征也可以通过被配置成执行相应方法的部件或处理模块来执行。
附图说明
现在仅通过示例的方式,参考以下附图对本发明的实施例进行详细描述,其中:
图1示出用于产生放射疗法治疗计划的示例装置;
图2示出第一和第二概率分布的示例;
图3示出一部分患者图像的示例剂量体积直方图,并示意性地示出具有相关联的第一概率分布和第二概率分布的剂量分布导出的函数的定义;
图4示出了说明用于为一定体积的患者产生放射疗法治疗计划的示例方法的流程图;以及
图5示出示例计算机可读介质。
具体实施方式
放射疗法治疗规划是一项复杂的任务,有许多不同的因素在起作用。体内肿瘤的大小和位置、肿瘤周围的器官(所谓的危及器官)的位置和敏感性、放射疗法递送设备的技术能力以及历史放射疗法治疗的临床结果都可能有助于治疗计划的确定。
示例图1示出了示例治疗规划装置100。装置100可以包括计算机系统101,计算机系统101包括处理器102和存储器103,被配置成执行由计算机程序代码定义的方法,计算机程序代码可以存储在所述存储器中或者以其他方式提供给计算机系统101。应理解,计算机系统101可以包括连接到网络(诸如因特网)的终端,并且执行该方法的处理器和存储器可以位于一个或多个远程服务器(未示出)上,终端向用户提供接口。
治疗规划装置100可以包括输入设备104,以使用户能够输入用于执行治疗规划的信息。在一个或多个示例中,输入设备104可以使得偏好、呈现的选项的选择或其他输入能够被输入在诸如图形用户界面上。在一个或多个示例中,输入设备104可以使用户能够指向所显示的图形项目或者用图画绘制输入。因此,输入设备104可以包括触控笔、鼠标或触摸屏接口等。治疗规划装置100可以包括耦合到计算机系统101的显示设备105,用于显示信息和/或呈现图形用户界面。
治疗规划装置100可以包括对数据库106的访问用于接收数据记录。在该示例中,为了简单起见,数据库106被示出为系统101的一部分,尽管可以理解,虽然它可以被本地存储,但它也可以被存储在远离计算机系统101的地方。因此,在替代方案中,系统101可以包括用于从数据库获得信息的通信模块,该信息可以存储在所述通信模块可访问的一个或多个数据存储设备或服务器上。
在一个或多个示例中,治疗规划装置100可以耦合到或能够耦合到用于向患者递送放射的放射疗法递送设备107。因此,使用治疗规划装置100确定的治疗计划可以被提供给放射疗法递送设备107,用于后续的递送。在一个或多个示例中,治疗计划可以被转换成放射疗法递送设备107的操作参数,或者治疗计划可以已经根据放射疗法递送设备107的操作参数来定义。
多准则优化可以被认为是一类治疗计划优化,其中基于形成优化问题的对应的多个目标函数产生多个输出治疗计划。应理解,在一些示例中,所产生的治疗计划数量可以不同于目标函数的数量,诸如超过目标函数的数量。目标函数可以被认为是以不同的方式表达对患者的相同体积的优化过程的目标。临床医生然后可以判断哪个产生的输出治疗计划是优选的。在一些示例中,治疗规划装置100可以被配置成在所产生的治疗计划之间进行插值,从而允许临床医生在至少两个不同的所产生治疗计划之间选择折衷。
应理解,术语“优化”是在基于定义的度量获得改进的意义上使用的,而不是找到绝对最佳的解决方案。通常,治疗计划的优化是寻找治疗计划的参数,尽可能最小化(或最大化)一些目标函数,该目标函数根据一些约束来评估治疗计划。例如,治疗计划的参数可以包括放射疗法递送设备107的操作参数(例如,多叶准直器位置、随时间的机架旋转速度、随时间的放射束功率和任何其他操作参数),并且可以根据基于那些操作参数计算的递送到体积的放射剂量分布来定义目标函数。目标函数可以考虑约束,约束可以包括设备107的技术限制。在其他示例中,治疗计划的参数可以是注量图,其中治疗计划参数定义了来自空间中每一方向的随时间积分的照射强度。因此,应理解,可以根据许多不同类型的参数来定义治疗计划,这些参数定义或指示在待治疗的患者的体积上的放射剂量分布。剂量分布包括剂量如何在体积上分布的定义。剂量分布可以根据递送给多个体素中的每一者的剂量来定义,多个体素包括形成待治疗体积的图像的离散体积。通常,治疗计划可以定义放射的递送和体积中的剂量分布,特别是可以从中导出体积的电子表示。
在一个或多个示例中,优化过程的起点可以包括具有参数的治疗计划,在该治疗计划中已经对参数的适当值进行了猜测,诸如基于临床医生的经验的合格猜测(在此项技术中称为冷启动)。例如,冷启动治疗计划可以根据一个或多个随机选择的计划参数来定义;或对应于在目标体积(或接近目标体积的目标)中递送等于相关联处方剂量水平的平均剂量的计划参数。本文描述的优化过程与包括起始点的治疗计划是否可实现无关,因为它代表了设备107在技术上能够递送的治疗计划,或者与治疗计划是否理想化无关,因为它可以或不可以由放射疗法递送设备107递送。此外,由本方法产生的治疗计划可以以多种方式表示,诸如根据放射疗法递送设备107的操作参数或作为剂量分布,其可以是理想的剂量分布。虽然在一些示例中,本文描述的方法可以从治疗计划开始,但是在其他示例中可能不是。因此,可替代地,可以通过解决优化问题来导出治疗计划,其中优化问题使用期望的计划参数来构建,并且由优化问题中定义的临床目标来引导。
因此,本文稍后定义的优化问题的每一目标函数可以根据设备107的操作参数来定义,或者定义为从空间中的每一方向(除了其他方式之外)随时间积分的照射强度,并且从中可以确定待治疗体积(其可以表示为体素的患者图像)的剂量分布。剂量分布然后可以用作剂量分布导出的函数的输入,这将在后面描述。如本领域技术人员所知,存在各种方法,通常称为剂量沉积映射,用于将计划参数转换成适于评估在该体积上递送的剂量的形式。
因此,总之,将意识到,本方法的起点可以包括第一治疗计划,其可以包括在给定例如放射疗法递送设备的操作参数的约束或其他约束的情况下可实现的现实治疗计划。在其他示例中,第一治疗计划可能是理想的治疗计划,因为可能还没有确定它是否可实现。在其他示例中,该方法不以理想化或可实现的治疗计划开始,并且输出治疗计划的计划参数在优化问题的公式中定义。
因此,在本文的示例中描述的MCO优化过程可以被配置成通过修改原始目标函数以获得以不同方式从多个剂量分布导出的函数导出的多个目标函数来导出治疗计划。MCO类型优化问题的解决或部分解决导致多个输出治疗计划,如将在此描述的。
参考示例图2、图3和图4,将描述由所述治疗规划装置100执行的示例方法400。
该示例方法涉及多准则优化和多个放射疗法治疗计划的产生,在以下示例中称为输出治疗计划。输出治疗计划可以根据参数来定义,这些参数定义了应当如何将放射递送到患者的体积。
参考图4,示例步骤401包括接收表示待治疗患者的体积的患者图像。在此示例中,图像包括由多个体素形成的三维图像,这些体素定义了待治疗的体积的离散子体积。患者图像可以与识别图像中表示的身体结构的其他信息相关联,诸如哪些体素与特定的身体结构相关。因此,可以在信息中定义表示危及器官的体素以及表示肿瘤的体素。应理解,可以在信息中指定其其他结构和属性。如本领域技术人员所熟悉的,具有相关联身体结构信息的图像可以被称为轮廓患者图像。
可以基于所述图像的多个体素来定义从由本示例方法确定的治疗计划中导出的剂量分布,其中可以计算递送到表示待治疗体积的子体积的每一体素的剂量。因此,可以基于所产生的治疗计划向每一体素或体素组指派表示该体素或体素组将接收的剂量的值。图像通常包括来自计算机断层摄影(CT)扫描仪的输出,例如基于x射线或正电子发射断层摄影的扫描仪或磁共振成像(MRI)扫描仪,尽管也可以使用其他医学成像技术。
虽然该方法可以使用由体素形成的患者图像,但应理解,作为治疗规划方法的对象的患者的体积可以以任何形式表示,诸如存储器103中的数据结构。
步骤402包括接收一个或多个剂量分布导出的函数。此类函数在此项技术中被称为剂量统计或临床目标。临床医生/用户(或人工智能、AI、代理)可以指定或输入剂量分布导出的函数,以实现对患者的有效治疗规划的方式控制优化过程。该输入可以定义一个或多个体积区域、剂量相关要求或函数本身,如下文将描述。每一剂量分布导出的函数包括基于作为输入的剂量分布的至少一部分来提供数值作为输出的函数,所述剂量分布是根据其所定义的体积的至少一部分或全部。因此,剂量分布导出的函数可以将全部体素(例如,一个或多个体素)的子体积上的剂量分布或者体素的整个体积上的剂量分布作为输入。为了便于参考,由剂量分布导出的函数提供的数值将被称为剂量测量值。
根据本公开的示例,可能期望在优化过程中对治疗计划的参数进行调整,这些参数涉及从剂量分布导出的函数获得的值,其中剂量分布可从治疗计划的参数导出。剂量测量可以被用作相对于评级尺度的评级,其中评级尺度可以由另一函数来表示。应理解,剂量分布导出的函数可以用作优化问题中的目标函数。例如,取一个剂量分布导出的函数,m,它确定了分布d的平均剂量,可能希望该体积具有6000cGy的平均剂量。因此,目标函数f可以从剂量分布导出的函数导出,如下f(d)=(m(d)-6000)2。应理解,f(d)和m(d)都接收剂量分布作为输入,但f(d)与目标相关联并且可以用于稍后描述的MCO问题,其中m(d)不与目标相关联并且确定在此示例中包括平均剂量的剂量测量。因此,剂量分布导出的函数可以确定剂量测量,而不是表示相对于目标的剂量测量的值。
由该至少一个剂量分布导出的函数或每一剂量分布导出的函数输出的剂量测量值将部分用于驱动优化。因此,剂量分布导出的函数被配置成输出可以用于导出评级的剂量测量值。当提供给相关联剂量分布导出的函数的剂量分布相对于目标是期望的时,该评级可以取高值或低值。剂量分布导出的函数可以由用户(诸如临床医生)确定,和/或可以从一组候选剂量分布导出的函数中选择。
因此,在一个或多个示例中,接收剂量分布导出的函数的步骤402包括诸如经由输入设备104接收用户输入,以定义剂量分布导出的函数中的一者或多者。用户输入可以包括在该体积的一个或多个图像中选择一个区域,并使该选定区域与剂量相关要求相关联。剂量分布导出的函数可以基于该用户输入来确定。因此,在一个或多个示例中,用户可以定义该体积的子体积并输入剂量相关目标,诸如最小剂量、最大剂量或其他目标要求,并且剂量分布导出的函数可以至少部分地基于所述用户定义。
在一个或多个其他示例中,步骤402包括从一组候选剂量分布导出的函数中选择一个或多个剂量分布导出的函数。在一个或多个示例中,基于所述体积所在的患者身体部分来确定候选剂量分布导出的函数。因此,预定的剂量分布导出的函数可以与身体的不同部分相关联,并且然后由系统101基于例如在患者图像中表示的感兴趣的身体部分选择为候选。在一个或多个示例中,该方法可以包括用户识别体积中的身体器官,或者计算机系统201识别体积中的身体器官,诸如基于预定的器官识别数据,并且呈现与所述识别的器官预先关联的多个预定的“候选”剂量分布导出的函数以供选择。
对于整个体积或其部分,该至少一个剂量分布导出的函数或每一剂量分布导出的函数可以是确定相对于体积的预定部分或全部的体积剂量(诸如以体积的百分比表示)、相对于预定剂量水平的剂量体积或平均剂量中的一者或多者的函数。对于整个体积或其部分,该至少一个剂量分布导出的函数或每一剂量分布导出的函数可以是确定相对于体积的预定部分或全部的均匀性指数的函数(诸如以体积的百分比表示),表示目标体积或其子体积中的剂量均匀性。对于整个体积或其部分,该至少一个剂量分布导出的函数或每一剂量分布导出的函数可以是确定相对于预定等剂量水平的适形指数的函数。治疗计划的适形指数可以被定义为参考等剂量水平覆盖的体积与目标体积之间的比率。应理解,存在用于计算均匀性指数和适形指数的多种定义和算法,但是为了本公开的目的,使用哪一种并不重要。
对于整个体积或其部分,该至少一个剂量分布导出的函数或每一剂量分布导出的函数可以是罚函数,诸如二次罚函数。二次罚函数的类型包括最小剂量函数、最大剂量函数或剂量体积直方图函数。
对于整个体积或其部分,剂量分布导出的函数可以是相对于某一体素的所谓单体素函数,其输出递送到所述体素的剂量。在一个或多个示例中,候选剂量分布导出的函数集包括体积中每一体素的对应单体素函数。因此,在剂量分布导出的函数的上述示例中,在一个或多个示例中,对体积的一部分的参考可以包括单个体素。在其他示例中,剂量分布导出的函数可以是所谓的基于剂量体积直方图(DVH)的函数,其中剂量分布导出的函数被配置成基于体积的预定义区域提供其相应的值,并且输入剂量分布被表示为该体积的所述预定区域的剂量体积直方图。
通常,剂量分布导出的函数可以是任何将剂量分布作为输入并给出体积的某个感兴趣区域的单个数字(即,单个体素或一组体素)作为输出的函数。该数字,即剂量测量值,包括可以与剂量相关目标进行比较的剂量相关统计数据。剂量分布导出的函数可以是单体素类型的,其中它们确定递送到单个体素的剂量。剂量分布导出的函数可以是DVH类型的,其中它们被配置成作用于待治疗体积的特定区域,并将所述特定区域的剂量体积直方图(即,代表该直方图的数据)作为输入。
步骤403包括以第一概率分布的形式接收剂量分布导出的函数的相应剂量测量值的剂量相关目标。因此,由一个或多个剂量分布导出的函数输出的一个或多个剂量测量值可以以第一概率分布的形式被指派在优化过程中向其移动的第一目标。如下文将描述,第一概率分布优选地基于历史数据来确定。然而,作为替代方案,临床医生可以以概率分布的形式指定他们希望的通过优化过程实现的目标剂量测量。概率分布可以被认为表示对于输入剂量分布从所述剂量分布导出的函数输出的值范围的偏好程度或可实现程度。应理解,偏好程度可以表示临床医生的偏好,且因此偏好程度也可以理解为相对于目标的剂量测量值的接受程度。第一概率分布可以是基于在步骤402选择的剂量分布导出的函数的预定分布。
该方法可以包括接收多个剂量分布导出的函数,并且第一概率分布可以包括联合概率分布或多个边缘概率分布。联合概率分布共同表示多个剂量分布导出的函数的优化过程的目标。可替代地,第一概率分布可以表示为多个剂量分布导出的函数中的每一者或多组的多个边缘概率分布。
在本文描述的示例中,第一概率分布是联合概率分布,其共同表示该组(例如,多个)剂量分布导出的函数的目标范围。在此类情况下,该方法可以假设单独的剂量分布导出的函数之间的独立性,并导出该组的概率分布。可替代地,该方法可以使用预定的相关数据从每一组成剂量分布导出的函数的概率分布中导出该组剂量分布导出的函数的概率分布,其中相关数据可以指示不同的剂量分布导出的函数如何相互相关。
对剂量分布导出的函数使用概率分布而不是单个目标值可以提供在执行治疗计划时更好地表示临床医生用户的目标和偏好的能力,和/或可以提供更有效和高效的优化,因为与来自剂量分布导出的函数的不同剂量测量输出相关联的临床相关性/满意度可以更有效地用概率分布来表征。因此,使用概率分布而不是单个目标值可能是有利的,因为它可以被视为“模糊”目标值,并且因此可以为优化过程提供比使用单个目标值更多的信息,特别是当第一概率分布是基于历史数据确定时。与在该至少一个剂量分布导出的函数或每一剂量分布导出的函数上使用权重相比,使用概率分布也可能是有利的,因为概率分布为优化过程提供了更多的信息。因此,用于优化过程的更多信息可以导致更高效和有效的优化过程,且因此导致更有效的第二治疗计划。
步骤404包括接收或导出第二概率分布。该方法可以包括导出多个概率分布,即第二、第三、第四概率分布等等,每个概率分布用于MCO问题中所使用的每一目标函数。如同第一概率分布,第二概率分布可以被认为表示对于输入剂量分布从所述剂量分布导出的函数输出的值范围的偏好程度或可实现程度。同样地,如上文关于第一概率分布所述,第二概率分布可以包括联合概率分布或多个边缘概率分布。
在一个或多个示例中,该方法包括修改所述第一概率分布以形成第二概率分布。可以进行不同的修改以形成第三、第四和任何其他概率分布。还将了解,(例如,第三)概率分布可以通过修改任何其他概率分布(例如,第一或第二概率分布)来形成。
在MCO过程中使用第一和至少第二概率分布也可以是有利的,因为使用不同的概率分布(如下文将要描述的)可以提供一种有效的方式来产生从MCO过程输出的不同的目标函数和不同的治疗计划。此外,假设概率分布表示值的范围以及这些值的偏好程度或可实现程度,则概率分布可以具有不同的形状,以不同的方式驱动优化,诸如更积极地达到剂量测量值。已经发现,这导致了高临床质量以及多样性的输出治疗计划,从而为治疗计划者提供了更多的治疗规划的选择。
在以下描述中,我们描述了用于获得第一和至少第二概率分布使得它们不同的各种方式,并且还描述了修改第一概率分布以形成第二概率分布的不同方式,如步骤403和404所概括。
步骤403可以包括接收表示待治疗患者的所述体积的当前患者图像(或体积的其他表示)以及识别所述当前患者图像中至少一个身体结构的信息。此类患者图像可以被称为轮廓患者图像,并且通常识别肿瘤、危及器官以及任选地其他结构。该信息可以在随后的过程中实现当前患者图像与历史患者图像之间的公平比较。
第一概率分布可以基于先前递送的治疗计划的历史数据。这可能是有利的,因为它提供了一种理解什么是可能可实现的手段。因此,第一概率分布可以表示步骤402的剂量分布导出的函数的剂量测量值的结果,给定(例如,轮廓化)当前患者图像和具有它们各自的(例如,轮廓化)图像的多个先前递送的治疗计划。因此,在一个或多个示例中,从先前递送的治疗计划的数据库中确定第一概率分布,其中该概率分布表示基于在先前递送的治疗计划中实现的剂量分布而实现的至少一个剂量分布导出的函数的值的范围的可能性。因此,通过使用在历史治疗计划和它们各自的轮廓化的患者图像中实现的剂量分布来评估步骤402的剂量分布导出的函数,可以通过第一概率分布来确定和表示对当前患者可以实现剂量测量的可能性。
应理解,肿瘤的大小和位置在历史治疗计划中可能不同,待治疗体积的大小和形状也可能不同。因此,该方法可以另外包括处理以解决那些差异。
一般而言,在历史治疗计划中治疗的部分体积可以与当前患者图像中的部分体积相关,使得对应体积中的历史剂量分布可以用于导出第一概率分布。
该方法可以包括访问具有多个记录的数据库106,这些记录表示先前递送的治疗计划的剂量分布以及相应的患者图像,患者图像具有识别所述图像中的至少一个身体结构的信息。
然后,该方法包括至少针对所述至少一个身体结构中的一者或多者,确定当前患者图像(或体积的其他表示)与所述记录的每一患者图像之间的相似性度量。因此,该方法可以使用预定的度量来评定身体结构的位置和/或大小和/或形状的相似性。在一个或多个示例中,可以使用已知的图像相似性算法。
在一个或多个示例中,该方法可以包括使用所述记录的多个剂量分布来评估在步骤402中为当前患者接收的一个或多个剂量分布导出的函数,以获得每一剂量分布的剂量分布导出的函数的值的数据集。
该方法然后可以包括在包括使用映射函数的过程中,从所述数据集确定对应于所述评估的一个或多个剂量分布导出的函数的所述第一概率分布,该映射函数对对应于与当前患者图像具有更大相似性度量的患者图像的数据集的值给予更大权重,并对对应于与当前患者图像具有更小相似性度量的患者图像的数据集的值给予更小权重。因此,映射函数可以提供所确定的相似性度量与所确定的历史患者图像和剂量分布的剂量度量对第一概率分布的确定的贡献程度之间的关系。
根据相似性度量,映射函数可以采用各种形式,但是应对历史患者图像及其身体结构与当前患者图像相似的数据记录给予更大权重,而对历史患者图像及其身体结构不相似的数据记录给予更小权重。映射函数可以是线性函数或高阶函数或者采用其他形式。
应理解,如上所述的确定相似性度量然后使用映射函数的方法可以被实现为从机器学习中导出的过程。
在一个或多个示例中,基于当前患者图像与每一患者图像之间的相似性度量来导出概率分布的该示例方法被应用于剂量分布导出的函数,这些函数被配置成基于表示为剂量体积直方图的输入剂量分布来提供它们相应的值。因此,对于此类剂量分布导出的函数,其输出值仅取决于定义该函数的感兴趣区域的剂量体积直方图。也就是说,每当所述两个剂量分布的感兴趣区域中的剂量体积直方图重合时,其两个剂量分布的值将重合。
在一个或多个示例中,可以使用确定第一概率分布的不同方法,诸如用于作为单体素函数的剂量分布导出的函数。所述单体素函数包括剂量分布导出的函数,该函数被配置成提供等于递送到特定单个体素的剂量的输出。在此类情况下,该方法可以包括使用空间剂量预测模型,该模型被训练成基于患者图像和识别所述历史患者图像中的至少一个身体结构的信息来预测当前患者的空间剂量分布(剂量在体积上的空间分布)。因此,可以使用从机器学习过程导出的模型,而不是所述相似性度量。应理解,剂量预测模型可以用于不是单体素函数的剂量分布导出的函数。
在一个或多个示例中,根据剂量分布导出的函数的类型,用于确定第一概率分布的技术可以导致第一概率分布被表示为几个概率分布的组合。因此,例如,一组剂量分布导出的函数的剂量测量值的概率分布可以由每一所述剂量分布导出的函数的相关联概率分布来表示。应理解,可以从组成边缘剂量分布导出的函数中导出联合概率分布,并且此类过程对于本领域技术人员来说是已知的,包括可能需要做出的假设。
第一概率分布可以包括剂量测量值范围内的连续函数。
我们现在更详细地考虑上面总结的确定第一概率分布的示例方法。
在该示例中,步骤402提供了多个剂量分布导出的函数ψ1、ψ2、…,每一者都是当前患者的剂量分布d的函数,其在当前患者图像中以体积表示。该方法要求我们使用历史数据记录预测当前患者的值ψ1(d)、ψ2(d)、…。值ψ1(d)、ψ2(d)、…是未知的,且因此它们可以模拟为随机变量。这种预测可以作为机器学习问题来执行,其中训练数据包括历史患者图像xn和历史剂量分布dn的对{(xn,dn)}n,并且其中目标是为具有图像x的当前患者获得预测ψ1(d)、ψ2(d)、…,这相当于估计条件概率分布p({ψj(d)}j|x,{(xn,dn)}n)。
其中j表示每一剂量分布导出的函数,并且其中p通常用于表示概率密度函数。
在一个或多个示例中,相似性的度量由“精确度”a1、a2、……表示。因此,如上所述,an表示当前患者图像x与历史患者图像xn之间相似性的概念。用于确定an的示例算法在McIntosh等人(2017)在医学及生物学物理(Physics in Medicine&Biology)、62(15)、5926-5944中的Fully automated treatment planning for head and neckradiotherapy using a voxel-based dose prediction and dose mimicking method(使用基于体素的剂量预测和剂量模仿方法的头和颈部放射治疗的全自动治疗规划)中概述。应理解,可以使用其他相似性算法。
当剂量分布导出的函数ψ1、ψ2、…被配置成基于表示为剂量体积直方图的部分或全部体积的输入剂量分布提供它们各自的值(所谓的基于DVH的剂量分布导出的函数)时,有可能在数据记录的历史剂量分布上评估ψ1、ψ2、…。因此,使用识别图像中身体结构的信息,可以为当前患者的每一感兴趣区域找到每一历史患者的对应感兴趣区域。然后,该方法可以包括将对应的剂量体积直方图输入到剂量分布导出的函数中。
如上所述,相似性的度量被用作通过映射函数对先前评估的值进行加权来估计概率分布的基础。映射函数可以包括相似性度量an的单调变换τ,也就是说,历史患者图像xn与当前图像x越相似,对{ψj(d)}j的预测就越接近对应的评估值{ψj(dn)}j。
在一个或多个示例中,第一概率分布可以采用高斯混合模型的形式。将第一概率分布确定为高斯混合模型概括如下。
如上所述,函数τ包括单调递增函数(即,使得τ(t)≤τ(t'),只要t≤t'),例如τ(t)=t2。
如果对于所有n我们让y=(ψj(d))j和yn=(ψj(dn))j,我们让(其中φc、μc、Σc分别包括“类别权重”、“平均值”和“协方差”)是具有C个类别的高斯混合模型的参数(C可以包括该方法使用的默认值),这将包括基于DVH的剂量分布导出的函数的概率分布的参数——也就是说,
其中k是y的维数,并且|∑c|是Σc的行列式。φc是“类别权重”,Σc是“协方差”,μc是“平均值”且T表示转置。假设数据{(xn,yn)}n的似然函数的形式为:
可以选择或预定参数的先验分布p(θ)。分布的示例包括类别权重{φc}c的狄利克雷(Dirichlet)分布和每一均值-协方差对μc、Σc的高斯-逆-维沙特(Gaussian-Inverse-Wishart)分布,其中这些分布的确切定义对于本领域技术人员来说是已知的。后验分布
p(θ|x,{(xn,yn)n})∝p({yn}n|x,{xn}n,θ)p(θ)
其中∝表示比例,可以使用本领域技术人员已知的算法来计算或近似计算。此类算法的示例包括期望最大化(EM)和变分贝叶斯。特别地,在本示例中,可以使用最大后验EM。
一旦获得后验分布,所寻求的预测分布p(y|x,{(xn,yn)}n)由下式给出p(y|x,{(xn,yn)}n)=∫p(y|θ)p(θ|x,{(xn,yn)}n)dθ
计算(或近似计算)该积分可以以几种方式进行,例如通过后验的狄拉克δ(Diracdelta)或拉普拉斯近似(Laplace approximation),通过变分法或通过马尔可夫链蒙特卡罗(Markov Chain Monte Carlo)法,所述方法为本领域技术人员所熟悉。对于某些情况,最终的第一概率分布将是高斯混合模型,而对于其他情况,则是多元学生t分布的混合。
确定包括单体素函数的剂量分布导出的函数的第一概率分布(即,对于某个体素指数i,ψj(d)=di),代替可以使用相似性度量an作为对atlas回归森林模型一起加权的基础。其结果是以每一体素i的边缘概率分布p(di|x,{(xn,dn)}n)的形式进行预测,由此可以通过附加的假设获得所有剂量分布导出的函数的联合概率分布。特别地,在一个或多个示例中,可以假设在剂量分布导出的函数的剂量测量值之间存在独立性,并且可以从边缘分布和独立性假设导出联合概率分布。这种技术对本领域技术人员来说是已知的。
以上对剂量分布导出的函数值的预测的更详细描述是一个示例,并且应理解,可以使用其他剂量预测和/或DVH预测算法。所述其他算法可以使用某种形式的相似性度量和映射函数。
然而,总而言之,在一个或多个示例中,如果剂量分布导出的函数被配置成基于体积的预定义区域提供其相应的值,并且输入剂量分布被表示为体积的所述预定义区域的剂量体积直方图,则该方法包括使用映射函数将权重应用于所述评估的(历史剂量分布上的)剂量分布导出的函数,其中所述映射函数可以包括相似性度量的单调变换。
在一个或多个示例中,如果剂量分布导出的函数包括单体素函数,则该方法基于患者图像和识别所述图像中至少一个身体结构的信息,使用基于包括历史递送的治疗计划的数据训练的空间剂量预测模型来预测当前患者的空间剂量分布。剂量预测模型可以包括由机器学习确定的模型,以便为当前图像的每一体素提供指示所述当前图像的所述体素的预测剂量的信息。在一个或多个示例中,所述信息可以包括表示剂量值范围的可实现性或合意性的概率分布。
因此,大体来说,有几种不同的方式从与历史递送的治疗计划相关的数据库106的数据记录中导出第一概率分布。还应理解,第一概率分布可以是使用上述技术形成的边缘概率分布以及用户绘制的或者由用户输入提供的以其他方式指定的概率分布的组合。
因此,如上所述,多个剂量分布导出的函数的子集可以具有参考数据库106的数据记录确定的相关联概率分布,并且剩余的剂量分布导出的函数可以与用户输入的概率分布相关联。第一概率分布可以由以这些不同方式确定的边缘概率分布的组合来表示。
步骤404可以通过修改使用来自数据库106的数据记录确定的第一概率分布(或使用导出第一概率分布的不同方法)来形成第二概率分布来提供。
在一个或多个示例中,第一概率分布可以由一组边缘概率分布来表示,并且修改可以应用于一个、一些或所有边缘概率分布。
因此,第二概率分布(以及任何分量边缘分布)可以包括第一概率分布(以及任何对应的分量边缘分布)的修改版本,其中应用于第一概率分布以形成第二概率分布的修改可以包括以下各项中的一者或多者:
第一概率分布的平均值的变化;
第一概率分布的标准偏差的变化;
源自第一概率分布的指数倾斜的变化;以及
第一概率分布的偏斜度的变化。
该变化的程度可以由用户输入指定。可替代地,变化的程度可以是预定的量。例如,应用于概率分布平均值的变化可以是预定数量的标准偏差。第一概率分布的形状可以通过改变概率分布的标准偏差而变窄或变宽,诸如通过预定的百分比变化。倾斜和偏斜度也可以改变预定的量。因此,该方法可以包括确定第一概率分布的平均值、标准偏差、偏斜度或倾斜中的一者或多者,并且可以确定实现该变化的函数。第二概率分布可以包括应用了确定的“改变”函数的第一概率分布。
在一个或多个示例中,第一概率分布在步骤405中用于MCO问题之前被修改。例如,可以通过包括以下各项中的一者或多者的步骤的方法来修改第一概率分布:第一概率分布的平均值的一个或多个变化;第一概率分布的标准偏差的变化;源自第一概率分布的指数倾斜的变化;以及第一概率分布的偏斜度的变化。因此,应理解,第二概率分布以不同于可以应用于第一概率分布的任何修改的方式被修改。
计算机系统101可以被配置成提供用户输入来定义对第一概率分布的修改以形成第二概率分布。可以用不同的方式来确定要进行的修改。例如,所述修改可以基于定义所述修改的用户输入来确定。因此,用户可以指定变化以及任选地变化程度。可替代地,系统101可以基于用户选择来提供多个默认修改中的一者的选择。
在一个或多个示例中,该方法可以包括向用户的输出设备105提供反馈,以便可以理解修改的效应。在一个或多个示例中,所述反馈可以指示以下各项中的一者或多者:
(i)由于所述修改导致的第一概率分布和第二概率分布的不同形状,诸如通过图解地示出概率分布;
(ii)由于所述修改导致的第一和第二概率分布的特性之间的差异,诸如在平均值、标准偏差、指数倾斜或偏斜度中的一者或多者的数值差异方面;
(iii)该体积的剂量分布将如何由于所述修改而改变的指示,诸如通过在该体积的图像上的图形覆盖;以及
(iv)作为所述修改的结果而确定的输出治疗计划。
因此,系统101和方法可以基于定义修改的用户输入或者用户对多个默认修改之一的选择来进行。在其他示例中,修改不向用户示出,而是可以包括默认修改。
在一个或多个示例中,所述默认修改可以被定义为通过不同数量的标准偏差(例如,一个或两个标准偏差)或通过不同的预定百分比的平均值或其他特性的变化。
在本文的示例中,修改的意图可以是将最初估计的概率分布变换成更集中/积极/乐观于一个、几个或所有的剂量分布导出的函数,从而导致所产生的输出治疗计划(在下文描述的步骤406中)反映不同的焦点。通常,包括在目标函数中的每一剂量分布导出的函数的剂量测量值在理想情况下要么被最小化要么被最大化。对于前一种情况,例如,通过向下移位平均值,可以使概率分布更积极。较低的标准偏差也可能对应于更积极。
在上述示例中,通过修改第一概率分布来产生第二概率分布是通过改变其统计参数来做出的。然而,在其他示例中,第二概率分布可以以不同的方式产生。例如,在一个或多个示例中,第二概率分布也是以与第一概率分布相似的方式使用记录的数据库106产生的。该数据库可以是包含不同于用于第一概率分布的记录的不同数据库。不同的数据库可以是从治疗计划中获得的剂量分布的数据库,该治疗计划可能已经被临床医生分类为更积极的(或其他分类)。可替代地,它可以是相同的数据库,但是与第一概率分布相比,不同的记录子集可以用于产生第二概率分布。在一个或多个示例中,数据库的记录可以被分类成多个记录集,并且第一概率分布可以从一个记录集产生,并且第二概率分布可以从不同的记录集产生。记录集之间的差异可以由临床医生或自动过程来定义。
在另一示例中,第二概率分布也是以与第一概率分布相似的方式使用记录的数据库106产生的。然而,在一个或多个示例中,使用不同的映射函数来提供不同的第一和第二概率分布。应理解,使用不同的映射函数具有与修改第一概率分布以产生第二概率分布相同的效果,因为两个概率分布都基于相同的基础数据,但是在它们之间引入了修改。在此示例中,修改被引入到映射函数中,而不是作为第一概率分布的统计属性的后处理变化。
图2示出第一和第二概率分布的示例。x轴201示出由一个或多个剂量分布导出的函数输出的值的范围,并且y轴示出基于数据记录获得这些值的可能性。绘制了第一概率分布203。通过创建第一概率分布的修改版本来产生第二概率分布204。在该示意性表示的示例中,平均值和偏斜度已被修改以创建第二概率分布204。
示例图3示出标注的剂量体积直方图300,其表示体积的不同区域(肿瘤和危及器官)的两个剂量分布301、302。由箭头303和304指示的体积的两个不同区域定义了剂量分布导出的函数。对于每一剂量分布导出的函数301、302,还定义了概率分布305和306(它们共同形成第一概率分布)。
在一个或多个示例中,在相应的剂量分布导出的函数303、304上的概率分布305、306有效地指派了在治疗计划中达到/可接受/令人满意的剂量测量值(在给定输入剂量分布的情况下来自剂量分布导出的函数的输出)的对应可能性。一个概率分布306宽且对称,这可以指示临床医生正在接受目标剂量测量值周围的更宽范围的剂量测量值。另一概率分布305较窄且偏斜,这可以指示临床医生对目标剂量测量值一侧的剂量测量值的接受程度低于另一侧。可以修改形成第二概率分布的边缘概率分布,以使分布306变窄,从而对特定剂量测量更具选择性,并且可以将分布305的平均值改变得更积极,以实现对肿瘤的更高剂量。
历史数据可以指示如何精确地满足剂量测量目标,并且概率分布的形状/定义特性可以反映这一点。
如上所述,第一概率分布和第二概率分布是一个或多个剂量分布导出的函数的联合概率分布。在一个或多个示例中,第一概率分布和第二概率分布都由每一剂量分布导出的函数的一组边缘概率分布来表示。更详细地,一旦定义了该组剂量分布导出的函数,也可以指定多维真实随机变量的概率分布,其维度等于剂量分布导出的函数的数目n。如本领域技术人员所理解的那样,如果作出关于独立性的假设或者指示剂量分布导出的函数之间的相关性的信息是可用的,则此类概率分布可以从每一剂量分布导出的函数的边缘概率分布导出。n维随机变量X=(X1,X2,…,Xn)的概率分布由它的累积分布函数FX唯一确定,以n个实数作为输入,并且以区间[0,1]中的一个数作为输出,这样
分别对于X和Y的所有实现对(x1,x2,...,xn),(y1,y2,...,yn),FX(x1,x2,...,xn)≤FX(y1,y2,...,yn),使得xi≤yi,针对所有i=1,2,…,n;
,针对所有i=1,2,…,n;
以及
针对所有i=1,2,…,n。
因此,在一个或多个示例中,剂量分布导出的函数组的概率分布被表示为累积分布函数。然而,概率分布可以以不同的方式指定,并且累积分布函数只是一种方式。
对于每一分量Xi,边缘累积分布函数由以下积分给出:
其中xj≠i=(x1,...,xi-1,xi+1,...,xn)。
因此,在一个或多个示例中,概率分布由边缘累积分布函数表示,i=1,2,…,n。应理解,在一个或多个示例中,对于要完全定义的对应优化问题,指定与每一组成剂量分布导出的函数相关联的边缘累积分布函数就足够了。在一个或多个示例中,通过对X的分布特性的附加假设,可以从所有Xi的边缘累积分布函数/>恢复X上的累积分布函数FX。因此,在一个或多个示例中,假设X遵循多元正态分布的混合,并且每一混合类别中的每对Xi、Xj之间的相关性是给定的(例如,通过用户输入或作为预定值);由此,累积分布函数FX可以通过本领域技术人员已知的过程来确定。
示例步骤405包括定义包括至少两个目标函数的多准则优化问题,目标函数包括:
至少一个剂量分布导出的函数、第一概率分布(其可以是或可以不是从历史数据导出的概率分布的修改版本)和损失函数的第一目标函数;以及
至少一个剂量分布导出的函数、第二概率分布和损失函数的第二目标函数。
因此,目标函数的数量可能取决于概率分布的数量。因此,该方法可以包括通过进一步修改第一概率分布或第二概率分布来确定第三概率分布。因此,多准则优化问题则可以包括至少一个剂量分布导出的函数、第三概率分布和损失函数的第三目标函数。可以用相同的方式定义其他的目标函数。
在该示例中,在每一目标函数中使用相同的损失函数,但在其他示例中,可以使用不同的损失函数。损失函数可以选自对数损失函数和交叉熵损失函数等中的一者或多者。
损失函数和相应的概率分布可以充当先前描述的评级尺度函数。
步骤405可以包括确定每一目标函数,基于该目标函数执行多准则优化过程,即解决或部分解决优化问题,每一目标函数具有至少一个变量,该变量包括定义相应输出治疗计划的参数。至少一个变量的修改被配置成影响由剂量分布导出的函数输出的至少一个剂量测量值,并且其中每一目标函数的确定是基于剂量分布导出的函数和它们各自的概率分布。
步骤405可以包括通过将相应的损失函数应用于每一剂量分布导出的函数及其相关联的概率分布,将一个或多个剂量分布导出的函数转换成目标函数,该目标函数可以定义优化问题。
如何从剂量分布导出的函数以及第一和第二概率分布分别导出第一和第二目标函数以形成MCO问题的示例如下:
步骤402提供剂量分布d的一组(例如,一个或多个)n个剂量分布导出的函数ψ1、ψ2、…、ψn,并且步骤403、404提供例如该组的相关联第一或第二概率分布。
为了确定第一目标函数ψfirst(除了使用第二概率分布之外,第二目标函数ψsecond的确定是相同的):
让η表示我们用来表示输出治疗计划的计划参数。计划参数可以例如包括设备107的操作参数,并且从中可以导出剂量分布,但是原则上计划参数可以是唯一确定剂量分布的任何参数。应理解,对应的剂量分布d=d(η)完全由计划参数确定。将计划参数转换成剂量分布的函数d(η)可以是预定的,并且可以是本领域技术人员已知的。
在步骤405中定义的要在步骤406中解决的优化问题是:
最小化ψfirst(η)
假设η满足用户可能提供的任何约束或放射疗法递送设备107的技术约束。
在一个或多个示例中,该方法可以使用加权和形式
应理解,形成第一目标函数的M个目标函数部分可以等于或小于剂量分布导出的函数的数量n。因此,在一个或多个示例中,多个剂量分布导出的函数中的两个或更多个可以组合成一个目标函数。
设置可以包括以下步骤:
1.决定函数部分的数量M和权重wi。系统101可以接收用户输入以指定这些值或者可以具有默认值。例如,M可以等于2,并且剂量分布导出的函数可以分成两组:单体素函数和非单体素函数。因此,两组中的每一组的函数可以组合成两个目标函数部分,这两个目标函数部分形成第一目标函数。
2.对于每一i=1,2,…,M:
a.决定索引集Si,它是所有索引{1,2,…,n}的子集。系统101可以接收用户输入以指定Si值或者可以使用默认值。
b.决定指数集中剂量分布导出的函数值的第一概率分布的参数化,例如累积分布函数FX或概率密度函数fX,其中X=(X1,X2,…,Xn)是向量值随机变量。这可以由用户输入或预定算法来决定。一种示例方式是将概率密度函数用于单体素类型的剂量分布定义的函数,否则使用累积分布函数。
c.决定损失函数L,将2b中参数化的输出作为输入,并给出一个数字作为输出,该数字表示在观察所述参数化输出时的损失贡献。例如,L可以是对数损失L(t)=-log t或交叉熵损失L(t)=-a log t-(1-a)log(1-t),其中a∈{0,1}。同样,损失函数的选择可以通过用户输入来接收,或者可以选择预定的损失函数。在一个或多个示例中,损失函数的选择可以基于剂量分布定义的函数的类型,例如单体素类型或非单体素类型。
d根据我们使用的是FY还是fX(假设前者),获得ψi为
作为示例,假设我们想要将剂量分布导出的函数分组为下/上寻峰(尽可能下/上)和寻尾(尽可能接近模式)。然后,我们将对前者情况使用累积分布函数和0/1的交叉熵损失,并且对后者情况使用概率密度函数和对数损失。此处,索引集表示函数的相关索引。
因此,总而言之,在一个或多个示例中,使用一个或多个剂量分布导出的函数和第一概率分布以及损失函数来确定第一目标函数。因此,第一目标函数ψfirst并入至少一个剂量分布导出的函数和第一概率分布,并且根据输出治疗计划的计划参数来定义。如本文所述,就选择剂量测量以指导优化过程的灵活性而言,以这种方式公式化优化问题是有利的。
应理解,第二目标函数ψsecond的确定是类似的,其中步骤2b涉及第二概率分布。剂量分布导出的函数的任何分组的选择可以是相同的,但原则上可以是不同的。计划参数η是相同的。
作为更具体的示例,该方法可以被配置成基于相应的至少一个剂量分布定义的函数,通过以下步骤来确定包括至少一个目标函数部分的第一目标函数:
(i)接收该组剂量分布导出的函数,划分成所有组成单体素函数的索引集S1和不是单体素函数的所有组成函数的索引集S2;
(ii)对于S1和S2中的每一函数,接收表示为边缘累积分布函数的相关联概率分布;
(iii)假设S1和S2中所有函数的剂量测量值之间的独立性,并获得两个累积分布函数,一个用于S1中的那些,并且一个用于S2中的那些(如何从边缘分布和独立性假设中导出累积分布是本领域技术人员已知的);
(iv)对于S2,在对应的累积分布函数上应用交叉熵损失函数,这将定义一个目标函数ψ2;
(v)对于S1,进行微分以从来自对应的概率密度函数的累积分布函数获得,并应用对数损失函数,这将定义另一个目标ψ1;
(vi)使用等权重w1=w2=1获得总目标函数为ψtot=ψ1+ψ2。
在一个或多个示例中,本方法是有利的,因为它在定义MCO优化问题时提供了更大的灵活性。已经发现,使用两种不同的概率分布(第一和第二以及任选地第三、第四等)作为目标函数之间的微分器,提供了定义MCO问题的方便和有效的方式,并且平均起来,可以产生更大数量的可行输出治疗计划,同时仍然覆盖足够多样化的可能性范围。
步骤406包括解决(或部分解决)在步骤405中确定的MCO优化问题。因此,系统101可以被配置成基于所述至少两个目标函数执行多准则优化过程,以产生至少两个输出治疗计划。步骤406可以包括找到使满足约束的第一目标函数最小化的变量(输出治疗计划的参数)。步骤406可以包括找到使满足约束的第二目标函数最小化的变量(输出治疗计划的参数),对于任何其他目标函数也是如此。然而,应理解,MCO问题的解决可以包括本领域技术人员所熟悉的附加过程。
步骤406可以包括使用例如加权和方法或ε约束方法来获得期望数量的帕累托(Pareto)最优输出治疗计划。应理解,帕累托最优计划是这样确定的治疗计划,使得没有一个目标函数(第一或第二或其他)可以在不劣化其他至少一个目标函数的情况下得到改善。
输出的治疗计划可以用作导航或插值过程的输入。
本文描述的输出治疗计划指示所述体积上的剂量分布。因此,可以根据输出治疗计划的参数或在优化过程期间确定的治疗计划参数来计算体积上的剂量分布。在一个或多个示例中,输出治疗计划的参数是“完整的”,因为它们唯一地确定了对应的剂量分布。可以以多种方式定义输出治疗计划。在一个或多个示例中,输出治疗计划具有定义放射疗法递送设备107的操作参数的参数,并且由此计算所述体积上的剂量分布。在一个或多个其他示例中,治疗计划具有定义剂量分布的参数。在一个或多个其他示例中,治疗计划具有定义从空间中每一方向随时间积分的照射强度的参数,包括所谓的注量图,并且由此确定所述体积上的剂量分布。用于从治疗计划的参数中导出最终剂量分布的算法对于本领域技术人员来说是已知的。
与使用先验知识的自动治疗规划中的现有方法相比,所提出的方法能够更准确地捕获关于在剂量分布导出的函数中表示的临床目标的偏好。与常规的MCO相比,所产生的帕累托最优输出治疗计划覆盖了更精确的临床相关剂量区域。在剂量分布导出的函数上使用完整的概率分布消除了例如产生样本计划以便能够产生帕累托最优计划的需要。第一和第二目标函数能够利用概率信息,诸如预测不确定性,这在现有技术中通常被丢弃,减少了对用于使优化工作良好的各种特别构造的需要。使用第一概率分布的一个或多个修改来从“普通”优化问题构造MCO问题的方法可以被认为是一个主要贡献。此外,以这种方式公式化MCO问题避免了非线性约束的使用,这可以使得解决MCO问题在计算上更高效。
由于MCO问题产生多个输出治疗计划,该方法可以包括基于至少两个输出治疗计划确定最终治疗计划。最终治疗计划的确定可以基于用户输入,诸如用户选择其中之一。在其他示例中,该确定可以是自动的。例如,在一个或多个示例中,该方法可以包括基于预定义准则对至少两个输出治疗计划进行自动评分,并且最终治疗计划的确定可以基于接收到最高分数的输出治疗计划。
在其他示例中,该方法可以通过在两个或更多个输出治疗计划之间进行插值来提供最终治疗计划的确定。因此,基于用户输入,系统101可以被配置成在输出治疗计划之间进行插值,以将插值的治疗计划定义为最终治疗计划。特别地,根据一个或多个计划参数η来定义输出治疗计划,并且该方法包括基于用户输入,在所述输出治疗计划中指定的值之间插值一个或多个所述计划参数η,以将插值的治疗计划定义为最终治疗计划。可以提供具有控制插值程度的用户操作滑块的图形用户界面。
步骤407包括使用输出治疗计划或最终治疗计划之一配置或编程放射疗法递送设备107的任选步骤,用于根据输出/最终治疗计划来递送放射疗法。
本文描述的方法在一个或多个示例中可能是有利的,因为它提供了选择任意剂量分布定义的函数来产生总目标函数的能力。例如,可以直接输入评估准则,诸如临床目标。这允许以一种自然的方式阐明所得的剂量分布的哪些方面是重要的,哪些方面是不重要的。此外,在一个或多个示例中,概率分布能够捕获比仅使用二次惩罚更复杂的用户偏好的细微差别或特定剂量测量的可实现性(基于历史数据记录)。在一个或多个示例中,由于使用了第一和第二概率分布,该方法还可以更有效地处置不同目标之间的折衷。通过使用第一和第二概率分布来定义MCO问题的目标函数,可以捕获不同的细微差别并用于MCO过程。
应理解,在一个或多个示例中,该方法包括接收一个或多个约束的步骤,其中输出治疗计划根据一组第一计划参数来定义,并且一个或多个约束定义输出治疗计划的参数在所述优化中可以和/或不可以采用的值。例如,输出治疗计划可以根据与放射疗法递送设备107相关的参数来定义,并且约束因此可以涉及放射疗法递送设备的技术限制,诸如最大机架旋转速度或最大功率输出的项。在其他示例中,约束可以表示对该体积或其子体积的剂量分布的限制。
示例图5示出作为计算机程序产品示例的计算机可读介质500。计算机可读介质可以包括非暂时性计算机可读介质。计算机可读介质500包含计算机程序,该计算机程序包括计算机程序代码,计算机程序代码在由诸如具有处理器202和存储器203的计算机系统201的装置执行时,被配置成执行本文描述的方法。
以上附图中的指令和/或流程图步骤可以以任何顺序执行,除非明确说明了特定的顺序。此外,本领域技术人员将认识到,虽然已经讨论了一组示例指令/方法,但是本说明书中的材料也可以以各种方式组合以产生其他示例,并且将在由该具体描述提供的上下文中被理解。
在一些示例实施例中,上述方法步骤被实现为功能和软件指令,这些指令被体现为一组可执行指令,这些指令在用所述可执行指令编程并受其控制的计算机或机器上实现。这些指令被加载以在处理器(诸如一个或多个CPU)上执行。术语处理器包括微处理器、微控制器、处理器模块或子系统(包括一个或多个微处理器或微控制器)、或其他控制或计算设备。处理器可以指代单个组件或多个组件。
在其他示例中,本文所示的方法以及与其相关联的数据和指令被存储在相应的存储设备中,这些存储设备被实现为一个或多个非瞬态机器或计算机可读或计算机可用的存储介质。此类计算机可读或计算机可用的存储介质被认为是物品(或制造物品)的一部分。物品或制造物品可以指代任何制造的单个组件或多个组件。本文定义的非瞬态机器或计算机可用介质不包括信号,但此类介质可以能够接收和处理来自信号和/或其他瞬态介质的信息。
本说明书中讨论的材料的示例实施例可以全部或部分地通过网络、计算机或基于数据的设备和/或服务来实现。这些可能包括云、因特网、内联网、移动设备、台式机、处理器、查找表、微控制器、消费者设备、基础设施或其他支持设备和服务。如本文和权利要求中可能使用的,提供了以下非排他性定义。
在一个示例中,本文论述的一个或多个指令或步骤是自动的。术语自动的或自动地(及其类似的变体)意指使用计算机和/或机械/电气设备来控制装置、系统和/或过程的操作,而不需要人为干预、观察、努力和/或决策,除非另外指明需要用户输入。
在本说明书中,已经根据一组选定的细节呈现了示例实施例。然而,本领域普通技术人员将理解,可以实施包括选定的不同组的这些细节的许多其他示例实施例。以下权利要求旨在覆盖所有可能的示例实施例。
Claims (15)
1.一种用于为患者的体积产生放射疗法治疗计划的计算机实现的方法,所述方法包括:
接收所述体积的图像;
接收至少一个剂量分布导出的函数,所述剂量分布导出的函数或每一剂量分布导出的函数被配置成基于相对于所述图像定义的剂量分布的至少部分作为输入来提供值作为输出;
接收第一概率分布和不同的至少第二概率分布,所述第一概率分布和至少第二概率分布表示从所述至少一个剂量分布导出的函数输出的所述值的范围的可实现性或合意性;
定义包括至少两个目标函数的多准则优化问题,所述至少两个目标函数包括:
基于所述至少一个剂量分布导出的函数、所述第一概率分布和损失函数的第一目标函数;以及
基于所述至少一个剂量分布导出的函数、所述第二概率分布和所述损失函数的第二目标函数;
基于所述至少两个目标函数执行多准则优化过程,以产生至少两个输出治疗计划。
2.根据权利要求1所述的计算机实现的方法,其中,所述方法包括修改所述第一概率分布以形成所述第二概率分布。
3.根据权利要求2所述的计算机实现的方法,其中,所述修改所述第一概率分布以形成所述第二概率分布包括以下各项中的一者或多者:
所述第一概率分布的平均值的变化;
所述第一概率分布的标准偏差的变化;
源自所述第一概率分布的指数倾斜的变化;以及
所述第一概率分布的偏斜度的变化。
4.根据权利要求1至3中的任一项所述的计算机实现的方法,其中,所述方法包括在所述多准则优化问题的所述定义之前修改所述第一概率分布以形成其修改版本,并且其中所述至少两个目标函数包括:
基于所述至少一个剂量分布导出的函数、所述第一概率分布的所述修改版本和损失函数的所述第一目标函数;以及
基于所述至少一个剂量分布导出的函数、所述第二概率分布和所述损失函数的所述第二目标函数。
5.根据权利要求1至3中的任一项所述的计算机实现的方法,其中,从先前递送的治疗计划的数据库中确定所述第一概率分布,其中所述第一概率分布表示基于在先前递送的治疗计划中实现的所述剂量分布而确定的实现的所述至少一个剂量分布导出的函数的所述值的范围的可能性。
6.根据权利要求1至3中的任一项所述的计算机实现的方法,其中,所述方法包括:
接收当前患者图像,所述当前患者图像包括表示待治疗患者的所述体积的所述图像和识别所述图像中至少一个身体结构的信息;
访问具有多个记录的数据库,所述记录表示先前递送的治疗计划的剂量分布以及相应的患者图像,所述患者图像具有识别所述图像中的至少一个身体结构的信息;
至少针对所述至少一个身体结构中的一者或多者,确定所述当前患者图像与所述记录的所述患者图像中的每一个之间的相似性度量;
使用所述记录的多个剂量分布来评估为所述当前患者图像接收的所述剂量分布导出的函数中的一者或多者,以获得每一剂量分布的所述剂量分布导出的函数的值的数据集;
使用映射函数从所述数据集确定对应于所述评估的一个或多个剂量分布导出的函数的所述第一概率分布,所述映射函数对对应于与所述当前患者图像具有更大相似性度量的患者图像的所述数据集的值给予更大权重,并对对应于与所述当前患者图像具有更小相似性度量的患者图像的所述数据集的值给予更小权重。
7.根据权利要求6所述的计算机实现的方法,其中
如果所述剂量分布导出的函数被配置成基于所述体积的预定义区域提供其相应的值,并且输入剂量分布被表示为所述体积的所述预定义区域的剂量体积直方图,则所述方法包括使用所述映射函数将权重应用于所评估的一个或多个剂量分布导出的函数,其中所述映射函数包括相似性度量的单调变换;以及
如果所述剂量分布导出的函数包括单体素函数,其中所述患者图像由多个体素形成并且所述剂量分布导出的函数被配置成提供等于被递送到特定单个体素的所述剂量的输出,则所述方法包括使用剂量预测模型,所述剂量预测模型被训练成基于所述患者图像和识别所述图像中至少一个身体结构的信息来预测所述当前患者的所述剂量分布。
8.根据权利要求6所述的计算机实现的方法,其中,所述接收所述第一概率分布的步骤包括:
接收当前患者图像x,所述当前患者图像包括表示所述待治疗患者的所述体积的所述图像和识别所述图像中至少一个身体结构的信息;以及
基于所述至少一个剂量分布导出的函数{ψj}j估计条件概率分布,每一剂量分布导出的函数包括在所述当前患者图像上的剂量分布d的函数:
p({ψj(d)}j|x,{(xn,dn)}n)
使用机器学习过程,使用训练数据训练所述机器学习过程,所述训练数据包括具有识别所述图像中的所述至少一个身体结构的信息的历史患者图像xn以及在先前递送的治疗计划中实现的对应历史剂量分布dn的对{(xn,dn)}n,所述条件概率分布由此指示基于为所述历史患者实现的所述剂量分布来针对所述当前患者的来自所述剂量分布d的所述剂量分布导出的函数的输出范围的可能性。
9.根据权利要求5所述的计算机实现的方法,其中,所述第一概率分布包括高斯混合模型,其中所述高斯混合模型的参数基于所述至少一个剂量分布导出的函数和从先前递送的治疗计划的所述数据库导出的剂量分布来确定。
10.根据权利要求1至3中的任一项所述的计算机实现的方法,其中,所述方法包括基于用户输入在所述输出治疗计划之间插值一个或多个计划参数,以将插值的治疗计划定义为所述方法的最终治疗计划。
11.根据述权利要求1至3中的任一项所述的计算机实现的方法,其中,定义所述至少一个剂量分布导出的函数中的一者或多者,使得其输出值不能仅由表示所述剂量分布的所述至少部分的剂量体积直方图来确定。
12.根据权利要求1至3中的任一项所述的计算机实现的方法,其中,接收剂量分布导出的函数的步骤包括以下各项中的一者或多者:
接收用户输入以定义所述剂量分布导出的函数中的一者或多者;以及
从一组候选剂量分布导出的函数中选择一个或多个剂量分布导出的函数,所述候选剂量分布导出的函数包括基于定义所述体积的所述患者的身体的部分选择的预定函数。
13.根据权利要求1至3中的任一项所述的计算机实现的方法,其中,对于整个体积或其部分,所述剂量分布导出的函数包括体积剂量、剂量体积、平均剂量、包括所述整个体积或部分体积中所述剂量均匀性的度量的均匀性、适形指数和罚函数中的一者或多者,所述罚函数包括最小剂量、最大剂量或剂量体积直方图函数。
14.一种用于产生放射疗法治疗计划的装置,所述装置包括处理器和存储器以及存储在所述存储器中的计算机程序代码,所述计算机程序代码被配置成在由所述处理器执行时,使得所述装置执行根据权利要求1至13中的任一项所述的方法。
15.一种包括计算机程序的计算机可读介质,所述计算机程序包括计算机程序代码,所述计算机程序代码在由处理器执行时被配置成执行根据权利要求1至13中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20178508.6A EP3919123A1 (en) | 2020-06-05 | 2020-06-05 | Radiation therapy treatment planning |
EP20178508.6 | 2020-06-05 | ||
PCT/EP2021/063322 WO2021244853A1 (en) | 2020-06-05 | 2021-05-19 | Radiation therapy treatment planning |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115666718A CN115666718A (zh) | 2023-01-31 |
CN115666718B true CN115666718B (zh) | 2023-11-28 |
Family
ID=71016422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180039518.4A Active CN115666718B (zh) | 2020-06-05 | 2021-05-19 | 放射疗法治疗规划 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11826560B2 (zh) |
EP (1) | EP3919123A1 (zh) |
JP (1) | JP2023529581A (zh) |
CN (1) | CN115666718B (zh) |
WO (1) | WO2021244853A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7831289B2 (en) | 2003-10-07 | 2010-11-09 | Best Medical International, Inc. | Planning system, method and apparatus for conformal radiation therapy |
US7369645B2 (en) * | 2004-06-21 | 2008-05-06 | Derek Graham Lane | Information theoretic inverse planning technique for radiation treatment |
EP1909904B1 (en) * | 2005-07-25 | 2013-09-04 | Karl Otto | Methods and apparatus for the planning of radiation treatments |
WO2008106522A2 (en) * | 2007-02-27 | 2008-09-04 | Wisconsin Alumni Research Foundation | System and method for optimization of a radiation therapy plan in the presence of motion |
US8812240B2 (en) * | 2008-03-13 | 2014-08-19 | Siemens Medical Solutions Usa, Inc. | Dose distribution modeling by region from functional imaging |
US10046177B2 (en) * | 2014-06-18 | 2018-08-14 | Elekta Ab | System and method for automatic treatment planning |
US10328282B2 (en) * | 2015-07-13 | 2019-06-25 | Mayo Foundation For Medical Education And Research | System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties |
US11367520B2 (en) * | 2019-07-16 | 2022-06-21 | Elekta Ab (Publ) | Compressing radiotherapy treatment plan optimization problems |
-
2020
- 2020-06-05 EP EP20178508.6A patent/EP3919123A1/en active Pending
-
2021
- 2021-05-19 WO PCT/EP2021/063322 patent/WO2021244853A1/en active Application Filing
- 2021-05-19 US US17/999,708 patent/US11826560B2/en active Active
- 2021-05-19 CN CN202180039518.4A patent/CN115666718B/zh active Active
- 2021-05-19 JP JP2022572266A patent/JP2023529581A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115666718A (zh) | 2023-01-31 |
US11826560B2 (en) | 2023-11-28 |
US20230191156A1 (en) | 2023-06-22 |
JP2023529581A (ja) | 2023-07-11 |
EP3919123A1 (en) | 2021-12-08 |
WO2021244853A1 (en) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10796793B2 (en) | Aggregation of artificial intelligence (AI) engines | |
US11996178B2 (en) | Parameter search in radiotherapy treatment plan optimization | |
US20230173303A1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
CN103857439A (zh) | 语义放射治疗计划优化指导 | |
CN116391234A (zh) | 放射治疗的注量图的机器学习优化 | |
EP3342461B1 (en) | Selecting a dose prediction model based on clinical goals | |
CN108771794A (zh) | 用于生成辐射处理计划中的剂量计算的系统和方法 | |
CN108721792A (zh) | 用于放射疗法治疗计划的系统和方法 | |
CN113795303A (zh) | 用于放射治疗规划的质量感知持续学习的方法和系统 | |
Ajayi et al. | Objective selection for cancer treatment: An inverse optimization approach | |
CN115666718B (zh) | 放射疗法治疗规划 | |
JP7128369B2 (ja) | 放射線治療計画作成のためのシステム、コンピュータプログラム製品、及び方法 | |
EP3892327B1 (en) | Radiation therapy treatment planning | |
Meyer et al. | A multiplan treatment-planning framework: a paradigm shift for intensity-modulated radiotherapy | |
Huang | Developing automated tools in radiation therapy to streamline treatment planning and improve plan quality | |
Ma | Efficient and Intelligent Radiotherapy Planning and Adaptation | |
WO2023069917A1 (en) | Ai-assisted clinician contour reviewing and revision | |
EP4288146A1 (en) | Parameter search in radiotherapy treatment plan optimization |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |