CN115697481A - 放射治疗计划系统和方法 - Google Patents

Abstract

本说明书提供一种用于放射治疗计划的系统。所述系统可以获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关。该系统还可以基于所述计划信息生成通量图生成模型的输入。对于至少一个射野中的每一个射野，该系统还可以基于所述输入和所述通量图生成模型，生成与所述射野的至少一个子野相关的至少一个实施通量图。

Description

放射治疗计划系统和方法

技术领域

本说明书涉及放射疗法(RT)，更具体地，涉及一种用于放射疗法中治疗计划的系统和方法。

背景技术

放射治疗(或称为放射疗法)已广泛用于癌症和其他条件的临床治疗中。在放射治疗之前，可以制定治疗计划，该治疗计划可以限定如何在对象上进行放射治疗。治疗计划的准确性可能会影响放射治疗的准确性和效果。

发明内容

本说明书的一个方面提供了一种放射治疗计划系统，该系统包括：至少一个存储设备，包括一组指令集；以及，至少一个处理器，被配置为与所述至少一个存储设备通信。当执行所述指令集时，所述至少一个处理器被配置为指示所述系统执行以下操作中的一个或至少两个。该系统可以获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关。该系统还可以基于所述计划信息生成通量图生成模型的输入。对于所述至少一个射野中的每一个射野，该系统还可以基于所述输入和所述通量图生成模型，生成与所述射野的至少一个子野相关的至少一个实施通量图。

在一些实施例中，所述计划信息包括将被施加所述射野的所述对象的一个或多个感兴趣区域(ROI)的分割信息；以及所述至少一个射野中的每一个射野的射野角度。

在一些实施例中，所述计划信息还包括所述对象的参考图像。

在一些实施例中，所述计划信息包括所述至少一个射野中的每一个射野的最优通量图。

在一些实施例中，为了获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关，该系统可以执行以下操作。对于所述至少一个射野中每一个射野，获取所述射野的初始通量图；以及，通过优化所述初始通量图生成所述射野的最优通量图。

在一些实施例中，对于所述至少一个射野中的每一个射野，所述射野包括至少两个子野，以及，与所述射野的至少两个子野有关的所述至少一个实施通量图包括所述至少两个子野的复合通量图。

在一些实施例中，对于所述至少一个射野中的每一个射野，所述系统还可以将所述复合通量图转换为至少两个子野通量图，每个所述子野通量图对应于所述至少两个子野中的一个子野。

在一些实施例中，对于所述至少一个射野中的每一个射野，与所述射野的至少一个子野有关的所述至少一个实施通量图包括至少一个子野通量图，每个所述子野通量图对应于所述至少一个子野中的一个子野。

在一些实施例中，所述通量图生成模型包括卷积神经网络(CNN)或对抗生成网络(GAN)中的至少一个。

在一些实施例中，所述通量图生成模型通过以下训练过程生成。获取至少一个训练样本，其中每个训练样本包括样本计划信息和至少一个实施通量图真值，所述样本计划信息与将要施加给样本对象的至少一个样本射野相关，所述至少一个实施通量图真值与所述至少一个样本射野的至少一个样本子野相关。训练过程还可以包括通过使用所述至少一个训练样本训练初始模型，生成所述通量图生成模型。

在一些实施例中，对于所述至少一个训练样本中的每一个，所述获取训练样本包括以下操作中的一个或多个。可以获取所述样本射野的初始样本通量图。可以通过优化所述初始样本通量图，生成所述样本射野的最优样本通量图。将所述最优样本通量图转换为所述样本射野的至少一个样本子野的至少一个初始样本子野通量图。基于所述至少一个初始样本子野通量图，生成与所述至少一个样本子野相关的所述至少一个实施通量图真值。

根据本说明书的一个方面，提供了一种用于放射治疗计划的方法。该方法可以在包括至少一个处理器和至少一个用于放射治疗计划的计算机可读存储介质的计算机设备上实现。所述方法包括获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关。该方法还包括基于所述计划信息生成通量图生成模型的输入。对于所述至少一个射野中的每一个射野，该方法还包括基于所述输入和所述通量图生成模型，生成所述射野的至少一个子野相关的至少一个实施通量图。

根据本说明书的一个方面，提供了一种非暂时性计算机可读存储介质。该非暂时性计算机可读存储介质包括用于放射治疗计划的一组指令集，当由至少一个处理器执行时，所述指令集引导所述至少一个处理器实现以下方法。该方法包括获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关。该方法还可以包括基于所述计划信息生成通量图生成模型的输入。对于所述至少一个射野中的每一个射野，该方法还可以包括基于所述输入和所述通量图生成模型，生成所述射野的至少一个子野相关的至少一个实施通量图。

本说明书的一部分附加特性可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。通过实践或使用下面讨论的详细示例中阐述的方法，工具和组合的各种方面，可以实现和实现本申请的特征和实现。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。附图未按比例绘制。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的示例性RT计划系统的示意图；

图2是根据本说明书一些实施例所示的计算机设备的示例性硬件和/或软件组件的示意图；

图3是根据本说明书一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图；

图4A和4B是根据本说明书一些实施例所示的处理设备的示例性结构图；

图5是根据本说明书一些实施例所示的用于生成至少一个实施通量图的示例性过程的流程图。

图6是根据本说明书一些实施例所示的示例性通量图生成模型的示意图；

图7是根据本说明书一些实施例所示的示例性通量图生成模型的示意图；

图8是根据本说明书一些实施例所示的示例性通量图生成模型的示意图；以及

图9是根据本说明书一些实施例所示的用于生成通量图生成模型的示例性过程的流程图；

图10是根据本说明书一些实施例所示的用于生成训练样本的至少一个实施通量图真值的示例性过程的流程图；以及

图11是根据本说明书一些实施例所示的射野的一个子野的子野通量图的示意图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其它情况下，为了避免不必要地使本申请的各方面变得晦涩难懂，已经在较高的层次上描述了众所周知的方法、过程、系统、组件和/或电路。对于本领域的普通技术人员来讲，显然可以对所披露的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。

本申请中所使用的术语仅出于描述特定示例实施例的目的，而非限制性的。如本申请使用的单数形式“一”、“一个”及“该”同样可以包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中使用的术语“包括”、“包含”仅提示存在所述特征、整数、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整数、步骤、操作、组件、部件和/或其组合的情况。

可以理解的是，本文使用的术语“系统”、“引擎”、“单元”、“模块”和/或“区块”是用于按升序区分不同级别的不同构件、元件、部件、部分或组件的方法。然而，如果可以达到相同的目的，这些术语也可以被其他表达替换。

通常，这里使用的词语“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑，或者是软件指令的集合。本文描述的模块，单元或块可以被实现为软件和/或硬件，并且可以被存储在任何类型的非暂时性计算机可读介质或另一存储设备中。在一些实施例中，可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应检测到的事件或中断来调用。可以在计算机可读介质上提供用于在计算机设备(例如，图2中所示的处理器210)上执行的软件模块/单元/块，所述计算机可读介质例如为光盘、数字视频盘、闪存驱动器、磁性设备。光盘或任何其他有形媒体，或者作为数字下载(并且可以最初以压缩或可安装的格式存储，需要在执行之前进行安装，解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算机设备的存储设备中，并应用在计算机设备的操作之中。软件指令可以嵌入在诸如EPROM的固件中。还应当理解，硬件模块/单元/块可以包括在连接的逻辑组件中，例如，门和触发器，和/或可以包括可编程单元，例如，可编程门阵列或处理器。这里描述的模块/单元/块或计算机设备功能可以实现为软件模块/单元/块，但是可以用硬件或固件表示。通常，这里描述的模块/单元/块指的是逻辑模块/单元/块，其可以与其他模块/单元/块组合或者分成子模块/子单元/子块，尽管它们是物理组织或存储器件。该描述可适用于系统、引擎或其一部分。

可以理解的是，除非上下文另有明确说明，当单元、引擎、模块或块被称为在另一单元、引擎、模块或块“上”、“连接”或“耦合至”另一单元、引擎、模块或块时，其可以直接在其它单元、引擎、模块或块上，与其连接或耦合或与之通信，或者可能存在中间单元、引擎、模块或块。在本申请中，术语“和/或”可包括任何一个或以上相关所列条目或其组合。

根据以下对附图的描述，本申请的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。

本文提供了用于非侵入性成像和/或治疗的系统和组件，例如，用于疾病诊断、治疗或研究。在一些实施例中，所述系统可以包括RT系统、计算机断层成像(CT)系统、发射计算机断层成像(ECT)系统、X射线成像系统、正电子发射断层成像(PET)系统等，或它们的任何组合。出于说明目的，本申请描述了用于放射治疗的系统和方法。

在本申请中，术语“图像”用于统称图像数据(例如，扫描数据、投影数据)和/或各种形式的图像，包括二维(2D)图像、三维(3D)图像、四维(4D)图像等。本申请中的术语“像素”和“体素”可互换地用于指代图像的元素。本申请中的术语“解剖结构”可以指对象的气体(例如，空气)、液体(例如，水)、固体(例如，结石)、细胞、组织、器官或其任何组合，可以显示在图像(例如，计划成像或治疗成像等)中，并且确实存在于受试者体内或体表。本申请中的术语“部位”、“位置”和“区域”可以指图像中所示的解剖结构的位置或存在于对象体内或身上的解剖结构的实际位置，因为图像可以指示对象体内或其上存在的某些解剖结构的实际位置。

放射疗法已广泛用于临床治疗癌症和其他疾病。治疗计划是放射治疗的重要组成部分，治疗计划过程中产生的治疗计划的准确性可能会影响治疗效果和/或治疗准确性。通常，在对一个对象(例如，癌症患者)的放射治疗时，一个或以上的射野可以被施加到对象以治疗对象，其中每个射野包括至少两个子野。在治疗计划阶段，可能需要生成一个或以上的实施通量图，以引导如何施加射野和/或射野的子野。

传统上，治疗计划技术可以生成射野的初始通量图，通过优化初始通量图以生成射野的最优通量图，并进一步将射野的最优通量图划分成一个或多个实施通量图。射野的通量图的划分通常涉及生成至少两个初始子野通量图，以及对初始子野通量图的迭代或手动优化过程。传统的治疗计划技术可能需要大量的计算资源，导致治疗计划时间较长，和/或易受人为误差或主观性的影响。

本说明书的一个方面涉及用于放射治疗中治疗计划的系统和方法。系统和方法可以获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关。系统和方法基于计划信息生成通量图生成模型的输入。对于至少一个射野中的每一个射野，系统和方法可以基于输入和通量图生成模型，生成与所述射野的至少一个子野相关的至少一个实施通量图。例如，射野的至少一个实施通量图可以包括射野的至少两个子野的复合通量图、射野的每个子野的子野通量图等，或其任意组合。射野的至少一个实施通量图可用于在治疗对象期间引导射野的施加。

与传统的治疗计划技术相比，本说明书的系统和方法可高效和/或准确地生成射野的至少一个实施通量图。例如，通量图生成模型可以应用于治疗计划，从训练数据中学习生成实施通量图的最优机制。通量图生成模型的应用可以免去生成射野的初始通量图、优化初始通量图，和/或划分最优通量图，这可以提高治疗计划的效率，例如，减少用户的工作量、用户差异的影响、和/或治疗计划所需的时间。另外，在本说明书的一些实施例中，射野的实施通量图的生成可以经过很少或没有直接人为干预，这更客观可靠，不受人为误差或主观性影响，和/或完全自动化。

图1是根据本说明书一些实施例所示的示例性RT计划系统100的示意图。RT计划系统100可以包括射线递送设备110、网络120、一个或多个终端130、处理设备140和存储设备150。在一些实施例中，RT计划系统100的两个或更多个组件可以经由无线连接(例如，网络120)、有线连接或其组合彼此连接和/或彼此通信。RT计划系统100的组件之间的连接可以改变。仅作为示例，射线递送设备110可以通过网络120或直接连接到处理设备140。作为另一示例，存储设备150可以通过网络120或直接连接到处理设备140。作为又一个示例，终端130可以直接或通过网络120连接到处理设备140。

在一些实施例中，射线递送设备110可以是RT设备。RT设备可以被配置为为癌症和其他患者提供放射治疗。例如，RT设备可以将一个或多个放射射野施加到对象(例如，患者)的治疗区域(例如，肿瘤)，以缓解对象的症状。在一些实施例中，RT设备可以是组合放射治疗装置，如，图像引导放射治疗(IGRT)装置、调强放射治疗(IMRT)装置、弧形调强放疗(IMAT)装置等。

如图1所示，在一些实施例中，射线递送设备110可以包括成像部件113、治疗部件116、病床114等。成像部件113可以用于在放射治疗分期和/或在放射处理之后获取对象的图像。对象可以包括任何生物学对象(例如，人类、动物、植物或其一部分)和/或非生物学对象(例如，模体)。例如，成像部件113可以包括计算机断层扫描(CT)设备(例如，锥形射野计算机断层扫描(CBCT)设备，扇形射野计算机断层扫描(FBCT)设备)、超声成像装置、透视成像装置、磁共振成像(MRI)装置、单光子发射计算机断层扫描(SPECT)装置、正电子发射断层扫描(PET)装置、X射线成像装置等或其任何组合。

在一些实施例中，成像部件113可以包括成像放射源115、探测器112、机架111等。成像放射源115和探测器112可以安装在机架111上。成像放射源115可以向对象发出放射线。探测器112可以检测从成像部件113的成像区域发射的射线(例如，X射线光子、伽马射线光子)。在一些实施例中，探测器112可以包括一个或多个探测单元。探测器单元可以包括探测器(例如，探测器，氧氯酰硫化物探测器)，气体探测器等。探测器单元可以包括单行探测器和/或多行探测器。

治疗部件116可以被配置为向对象施加放射治疗。治疗部件116可包括治疗头和机架118。在一些实施例中，治疗部件116可包括治疗放射源117、准直器119等。处理放射源117可以被配置为产生并向对象发射用于治疗的射线。准直器119可以被配置为控制由处理放射源117产生的射线束的形状。在一些实施例中，机架118可以可旋转，并且机架118的旋转可以驱动处理头围绕对象旋转。在机架118旋转期间，处理放射源117可以以不同的射野角朝向对象发射射线。在一些实施例中，当机架118位于特定的角度时，处理放射源117可以向对象传递至少两个子野，该子野具有由准直器119形成的不同形状。在一些实施例中，由处理放射源117发射的射线束可包括电子、光子或其他类型的射线。在一些实施例中，射线束的能量可以是在兆伏范围(例如，>1MeV)，可以称为兆伏(MV)射野。在一些实施例中，处理放射源117可以包括用于加速电子、离子或质子的直线加速器(LINAC)。

在一些实施例中，成像部件113可以与治疗部件116间隔一定距离。在一些实施例中，治疗部件116的成像部件113的机架111和治疗部件116的机架118可以共用旋转轴线。对象可以放置在病床114上以进行治疗和/或成像。在一些实施例中，成像放射源115和处理放射源117可以集成为一个放射源，以对对象成像和/或治疗。在一些实施例中，成像部件113和治疗部件116可以共用相同的机架。例如，处理放射源117可以安装在成像部件113的机架111上。

网络120可以包括任何合适的网络，可以用于RT计划系统100的信息和/或数据交换。在一些实施例中，RT计划系统100的一个或多个组件(例如，射线递送设备110、终端130、处理设备140、存储设备150等)可以通过网络120与RT计划系统100的一个或多个其他组件传送信息和/或数据。例如，处理设备140可以经由网络120从射线递送设备110获取图像数据。作为另一示例，处理设备140可以通过网络120从终端130获取用户指令。网络120可以是或包括公共网络(例如，互联网)、专用网络(例如，局域网(LAN))、有线网络、无线网络(例如，802.11网络、Wi-Fi网络)、帧中继网络、虚拟专用网(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。例如，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙^TM网络、ZigBee^TM网络、近场通信(NFC)网络等、或它们的任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括诸如基站和/或互联网交换点之类的有线和/或无线网络接入点，RT计划系统100的一个或多个组件可以通过有线和/或无线网络接入点连接到网络120以交换数据和/或信息。

终端130可以用于实现用户与RT计划系统100之间的交互。在一些实施例中，终端130可以包括移动设备131、平板计算机132、膝上型计算机133等或其任何组合。在一些实施例中，移动设备131可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。仅作为示例，终端130可以包括如图3所示的移动设备。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可以包括手镯、鞋类、眼镜、头盔、手表、衣物、背包、智能配件等，或其任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、膝上型计算机、平板计算机、台式计算机等等，或其任何组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlass^TM、OculusRift^TM、Hololens^TM、GearVR^TM等。在一些实施例中，终端130可以是处理设备140的一部分。

处理设备140可以处理从射线递送设备110、终端130和/或存储设备150获得的信息。例如，处理设备140可以通过通量图生成模型生成至少一个实施通量图。作为另一示例，处理设备140可以通过使用多个训练样本训练初始模型来生成通量图生成模型。在一些实施例中，处理设备可以执行通量图生成模型的生成和/或更新，而通量图生成模型的应用可以由另一处理设备执行。在一些实施例中，通量图生成模型可以通过不同于RT计划系统100的系统或者不同于处理设备140的服务器执行。例如，通量图生成模型可以由提供和/或维护该模型，和/或有获取该模型的训练样本的供应商的第一系统生成，而基于该通量图生成模型进行的通量图生成可以由供应商的客户的第二系统执行。在一些实施例中，可以响应于通量图生成的请求在线生成通量图生成模型。在一些实施例中，可以离线生成通量图生成模型。

在一些实施例中，可以通过例如射线递送设备110的制造商或供应商来生成和/或更新(或维护)通量图生成模型。例如，制造商或供应商可以在射线递送设备110和/或处理设备140的安装之前或期间将通量图生成模型加载到RT计划系统100或其部分中(例如，处理设备140)，并实时(定期或不定期)维护或更新通量图生成模型。维护或更新可以通过安装程序来实现，所述程序可以存储在存储设备(例如，光盘，USB驱动器等)上或利用网络120从外部源(例如，由制造商或供应商维护的服务器)搜索而来。该程序可以包括新模型(例如，新的通量图生成模型)或模型的一部分，该部分替代或补充原通量图生成模型的相应部分。

在一些实施例中，处理设备140可以是计算机、用户控制台、单个服务器、服务器组等。服务器组可以是集中式或分布式的。在一些实施例中，处理设备140可以是本地的或远程的。例如，处理设备140可以经由网络120访问存储在射线递送设备110、终端130和/或存储设备150中的信息。又例如，处理设备140可以直接连接至射线发射设备110、终端130和/或存储设备150以访问所存储的信息。在一些实施例中，处理设备140可以在云平台上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，处理设备140可以由具有如图2所示的一个或多个组件的计算机设备200来实现。

存储设备150可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备150可以存储从终端130和/或处理设备140获取的数据。在一些实施例中，存储设备150可以存储由处理设备140用来执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备150可以包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性大容量存储设备可以包括磁盘、光盘、固态驱动器等。示例性可移动存储设备可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDRSDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等在一些实施例中，存储设备150可以被实现在云平台上。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备150可以连接到网络120以与RT计划系统100的一个或多个其他组件(例如，处理设备140，终端130)通信。RT计划系统100的一个或多个组件可以通过网络120访问存储在存储设备150中的数据和/或指令。在一些实施例中，存储设备150可以直接连接到RT计划系统100的一个或多个其他组件(例如，处理设备140，终端130)。在一些实施例中，存储设备150可以是处理设备140的一部分。在一些实施例中，存储设备150可以经由网络120连接到射线递送设备110或与处理设备140的后端连接或与射线递送设备110通信。

应当注意，RT计划系统100的以上描述旨在是说明性的，而不是限制本说明书的范围。许多替代、修改和变化对于本领域技术人员来说是显而易见的。本文描述的示例性实施例的特征、结构、方法和其他特征可以以各种方式组合以获取附加和/或替代的示例性实施例。例如，RT计划系统100可以包括一个或多个附加组件。此外，可以省略上述RT计划系统100(例如，射线递送设备110的成像部件113)的一个或多个组件。又例如，RT计划系统100的两个或更多个组件可以集成到单个组件中。

图2是根据本说明书一些实施例所示的计算机设备200的示例性硬件和/或软件组件的示意图。计算机设备200可用于实现如本文所述的RT计划系统100的任何组件。例如，处理设备140和/或终端130可以分别经由其硬件、软件程序、固件或其组合在计算机设备200上实现。尽管仅示出了一个计算机设备，但是为了方便起见，与本文所述的RT计划系统100有关的计算机功能可以分布在多个类似平台上实现，以分配处理负荷。如图2所示，计算机设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。

处理器210可以根据本文描述的技术执行计算机指令(例如，程序代码)并执行处理设备140的功能。计算机指令可以包括例如例程、程序、对象、组件、数据结构、过程、模块和功能，其执行本文描述的特定功能。例如，处理器210可以处理从射线递送设备110、终端130、存储设备150和/或RT计划系统100的任何其他组件获得的图像数据。在一些实施例中，处理器210可以包括一个或多个硬件处理器，诸如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机器(ARM)、可编程逻辑设备(PLD)、能够执行一个或多个功能的任何电路或处理器等，或其任意组合。

仅仅为了说明，在计算机设备200中仅描述了一个处理器。然而，应注意，本申请中的计算机设备200还可以包括多个处理器，因此，如本申请中所述的由一个处理器执行的操作和/或方法也可以由多个处理器联合或分别执行。例如，如果在本申请中，计算机设备200的处理器同时执行操作A和操作B，则应当理解，操作A和操作B也可以由计算机设备200中的两个或以上不同的处理器联合或分开地执行。(例如，第一处理器执行操作A，第二处理器执行操作B，或者第一处理器和第二处理器共同执行操作A和B)。

存储器220可以存储从RT计划系统100的一个或多个组件获得的数据。在一些实施例中，存储装置220可以包括大容量存储装置、可移动存储装置、易失性读写存储器、只读存储器(ROM)等或其任意组合。在一些实施例中，存储器220可以存储一个或多个程序和/或指令以执行本申请中描述的示例性方法。例如，存储器220可以存储在处理设备140上执行以生成至少一个实施通量图的程序。

I/O 230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O 230可以使用户能够与处理设备140交互。在一些实施例中，I/O 230可以包括输入设备和输出设备。输入设备可以包括字母数字和其他按键，可以通过键盘、触摸屏(例如，带有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他可比较的输入来输入机制。通过输入设备接收的输入信息可以经由例如总线被发送到另一组件(例如，处理设备140)，以进行进一步处理。其他类型的输入设备可以包括光标控制设备，例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器(例如，液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)(触摸屏)、扬声器、打印机等或其组合。

通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以在处理设备140与射线发射设备110，终端130和/或存储设备150之间建立连接。该连接可以是有线连接、无线连接，可以实现数据发送和/或接收的任何其他通信连接，和/或这些连接的任意组合。有线连接可以包括例如电缆、光缆、电话线等，或其任何组合。无线连接可以包括，例如，Bluetooth^TM链路、Wi-Fi^TM链路、WiMax^TM链路、WLAN链路、ZigBeeTM链路、移动网络链路(例如3G、4G、5G)等等，或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，例如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，可以根据数字成像和医学通信(DICOM)协议来设计通信端口240。

图3是根据本说明书一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图。在一些实施例中，可以在移动设备300上分别实现终端130和/或处理设备140。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，可将移动操作系统370(例如，iOS^TM、Android^TM、WindowsPhone^TM)和一个或多个应用380从存储器390加载到内存360中，以便由CPU 340执行。应用380可以包括用于接收和呈现与RT计划系统100有关的信息的浏览器或任何其他合适的移动应用。可以通过I/O 350实现与信息流的用户交互，并通过网络120将其提供给处理设备140和/或RT计划系统100的其他组件。

为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若计算机被适当的程序化，计算机亦可用作服务器。

图4A和4B是根据本说明书一些实施例所示的处理设备140A和140B的示例性结构图。在一些实施例中，处理设备140A和140B可以是如图1所述的处理设备140的实例。处理设备140A可以被配置为生成用于待治疗的对象的一个或多个实施通量图。例如，处理设备140A可以应用通量图生成模型以生成一个或多个实施通量图。处理设备140B可以被配置为通过模型训练生成通量图生成模型。

在一些实施例中，处理设备140A和140B可以分别在一个处理单元(例如，图2所示的处理器210或如图3所示的CPU 340)上实现。仅作为示例，处理设备140A可以在终端设备的CPU 340上实现，并且处理设备140B可以在计算机设备200上实现。作为另一示例，处理设备140A可以在RT计划系统100的计算机设备上实现，而处理设备140B可以是RT计划系统100或其一部分(例如，射线递送设备110)的制造商的设备或系统。或者，处理设备140A和140B可以在相同的计算机设备200或相同的CPU 340上实现。例如，处理设备140A和140B可以在相同的计算机设备200上实现。

如图4A所示，处理设备140A可以包括获取模块401和生成模块402。获取模块401可以被配置为获取与RT计划系统100有关的信息。例如，获取模块401可以获取计划信息，该计划信息与将在治疗中施加给对象(例如，一个特定治疗分期)的至少一个射野有关。关于获取计划信息的更多描述可以在本说明书的其他地方找到。例如，参见步骤510及其相关描述。

生成模块402可以被配置为基于计划信息生成通量图生成模型的输入。如本文所使用的，通量图生成模型是指基于其输入生成实施通量图的模型(例如，机器学习模型)或算法。关于通量图生成模型的生成的更多描述可以在本说明书其他地方找到。例如，参见步骤520及其相关描述。此外，生成模块402可以被配置为基于输入和通量图生成模型生成与至少一个射野有关的至少一个实施通量图。关于至少一个实施通量图的生成的更多描述可以在本说明书的其他地方找到。例如，参见步骤530及其相关描述。

如图4B所示，处理设备140B可以包括获取模块403、训练模块404和生成模块405。

获取模块403可以被配置为获取与通量图生成模型的训练有关的信息。例如，获取模块403可以获取至少一个训练样本，每个训练样本可以包括样本计划信息和至少一个实施通量图真值。训练样本的样本计划信息可以涉及要施加到样本对象的至少一个样本射野。关于获取训练样本的更多描述可以在本说明书的其他地方找到。例如，参见步骤910及其相关描述。

训练模块404可以被配置为通过使用至少一个训练样本训练初始模型来生成通量图生成模型。关于通量图生成模型的生成的更多描述可以在本说明书其他地方找到。例如，参见步骤920和其相关描述。

生成模块405可以被配置为生成训练样本的至少一个实施通量图真值。例如，生成模块可以通过执行如图10描述的流程1000的一个或多个步骤来生成训练样本的至少一个实施通量图真值。

应当注意的是，以上描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。在一些实施例中，处理设备140A和处理设备140B可以共享两个或更多个模块，并且可以将任何一个模块分成两个或更多个单元。例如，处理设备140A和140B可以共享相同的获取模块，即获取模块401和获取模块403是相同的模块。在一些实施例中，处理设备140A和/或处理设备140B可以包括一个或多个附加模块，例如用于存储数据的存储模块(未示出)。在一些实施例中，处理设备140A和处理设备140B可以集成到一个处理设备140中。

图5是根据本说明书一些实施例所示的用于生成至少一个实施通量图的示例性过程的流程图。在一些实施例中，流程500可以由RT计划系统100执行。例如，流程500可以被存储在存储设备(例如，存储设备150、存储设备220和/或存储设备390)中的指令集(例如，应用程序)实现。在一些实施例中，处理设备140(例如，计算机设备200的处理器210，移动设备300的CPU340和/或图4所示的一个或多个模块)可以执行该组指令集，并且当执行指令时，处理设备140A可以被配置为执行流程500。以下所示流程的操作仅出于说明的目的。在一些实施例中，流程500可以通过未描述的一个或多个未描述的操作和/或省略下文讨论的操作中的一个或多个操作来完成流程500。另外，图5中所示的流程500的操作顺序及下面的描述不是限制性的。

一般地，对治疗对象进行放射处理之前(例如，几天或几周前)，可以通过成像装置(例如，CT器件，MRI装置)来获取对象的计划图像，并根据计划图像来生成治疗计划。治疗计划可以描述如何对对象进行放射治疗。仅作为示例，可以在多个治疗分期将放射治疗施加至对象，这一过程会在维期多天的治疗期(例如，2至5周)内实施。治疗计划可以包括信息，例如，在治疗过程中每个治疗分期如何将一个或多个射野施加到对象的靶区。例如，治疗计划可以包括每个治疗分期的总剂量(例如，0.1Gy、10Gg、50Gg、100Gg等)和对象的剂量分布。

在一些实施例中，在对象的治疗期间(例如，治疗分期)，可以通过放射治疗装置从特定射野角度(或治疗角度)将至少一个射野施加到对象以治疗对象。可以通过向对象施加至少一个子野来将每个射野施加给对象。例如，可以依次向对象施加至少两个子野(或子场)。对应于射野的至少两个子野可以被准直器(例如，多叶子准直器(MLC))塑造成不同形状。在治疗计划阶段，可以生成对应于每个射野的初始通量图(或称为计划通量图)。射野的初始通量图可以显示通过射野的所有子野施加到对象的放射剂量的计划分布情况。出于说明目的，下文描述了如何通过至少两个子野施加射野。应该理解的是，这不是限制性的，射野可以仅包括一个子野。

传统上，可能需要优化射野的初始通量图以生成射野的最优通量图。例如，可以利用通量图优化算法来优化初始通量图，以生成一个具有更高质量(例如，较高分辨率、对健康器官的放射剂量较低，和/或在对象靶区的剂量分布更均匀)的最优通量图。示例性的通量图优化算法可以包括线性/非线性编程算法、混合整数编程算法、模拟退火算法、遗传算法、通量图优化(FMO)算法、直接子野优化(DAO)算法、直接机器参数优化(DMPO)算法等。

然后，射野的最优通量图可以被分成至少两个子野(或称为可施加的子野)，例如，利用叶形测序算法。对于每个子野，初始子野通量图可以用于描述通过该子野传递给对象的放射剂量的计划分布。然而，受生成的最优通量图和/或初始子野通量图的准确性的影响，至少两个子野的初始子野通量图的初始复合通量图与最优通量图之间可能会存在误差。最优通量图和初始复合通量图之间的误差可能影响治疗计划的准确性。传统的治疗计划技术可能需要优化子野的初始子野通量图，以生成可用于引导子野施加的最优子野通量图。例如，可以迭代优化初始子野通量图，使得最优子野通量图的最优复合通量图可以匹配最优通量图。作为另一示例，用户(例如，医生、放射科医师)可以在终端设备的界面手动调整子野的参数和/或初始子野通量图。初始子野通量图的优化可能需要大量的计算资源，导致长时间的治疗时间，和/或易受人为误差或主观性的影响。

有必要提供用于生成施加到对象的至少一个射野的至少一个实施通量图的系统和方法。如本文所用，射野的实施通量图是指，可以用于在放射处理中引导射野的施加的通量图。例如，射野的至少一个实施通量图可以包括至少两个子野通量图(或称为上文所述的最优子野通量图)，每个子野通量图对应于射野的至少两个子野中的一个子野。又例如，所述至少一个实施通量图可以包括所述至少两个子野的复合通量图(或称为上文所述的最优复合通量图)。

例如，下面描述的流程500可以通过通量图生成模型来生成用于将射野施加到对象的至少一个实施通量图。通量图生成模型是指基于其输入生成实施通量图的模型(例如，机器学习模型)或算法。传统方法需要生成射野的至少两个初始子野通量图，并且迭代或手动优化初始子通量图。与其相比，本文公开的系统和方法可以更高效和准确，例如，避免了子野通量图的优化，减少用户的工作量、用户差异的影响、以及生成至少一个实施通量图所需的时间。

如本文所用，射野或射野的一个或以上的子野的通量图可以用例如图形、图表、表格等形式表示。出于说明目的，图11示出了根据本说明书一些实施例所示的射野的一个子野1120的子野通量图1130的示意图。射野的子野1120可以由放射治疗装置的MLC 1110调整。如图11所示，子野通量图1130可以在二维图中表示，其表示垂直于子野1120入射方向(例如，射野的中心轴方向)的平面上的放射剂量的分布。二维图可以包括对应于平面水平方向的X轴和对应于平面垂直方向的Y轴。子野通量图1130中的点可以对应于平面上的物理点或区域。子野通量图1130中的点的x轴和y轴坐标可以分别反映相应物理点或区域在平面水平方向上的位置和垂直方向的位置。子野通量图1130中的点的值可以反映在相应的物理点或区域上照射的光子强度(即，物理点或区域处的放射剂量)。应当注意，提供图11中所示的子野通量图1130是用于说明目的，而不是限制性的。可以根据实际需要修改子野通量图1130的形式。例如，子野通量图1130中的不同点可以根据点的值以不同的颜色显示。

在510中，处理设备140A(例如，获取模块401)可以获取与在治疗过程中(例如，特定治疗分期)将被施加到对象的至少一个射野有关的计划信息。

对象可包括患者、患者的一部分或需要通过放射治疗设备(例如，射线递送设备110)治疗的任何生物。计划信息可以包括与要被施加到对象的至少一个射野有关的任何信息。例如，计划信息可以包括对象的特征信息(例如，性别、年龄、身高、宽度、厚度等)、对象的一个或多个感兴趣区域(ROI)的特征信息、至少一个射野中的每个射野的射野角度、对象的参考图像、至少一个射野中的每个射野的初始通量图、至少一个射野中的每个射野的最优通量图、至少一个射野的剂量约束、由使用者(例如，医生、放射科医师)规定的对象的处方等，或其任何组合。

对象的ROI可以包括目标附近的靶区和/或风险器官(OAR)。靶区可以包括对象的区域，该区域包括至少一部分恶性组织(例如，肿瘤、癌肿的器官或放射治疗的非癌靶)。例如，靶区可以是需要通过放射治疗的肿瘤、具有肿瘤的器官、具有肿瘤的组织或其任意组合。OAR可以包括靠近靶区的器官和/或组织，该器官和/或组织不需要进行辐射处理，但由于靠近靶区而存在被辐射损伤的风险。对象的ROI的示例性特征信息可以包括ROI的位置、轮廓、形状、高度、宽度、厚度、区域、高度与宽度的比率等，或其任何组合。

在一些实施例中，ROI的特征信息可以包括ROI的分割信息(或称为轮廓信息或边缘信息)。例如，ROI的分割信息可以包括从对象的参考图像(或其他图像)分割的ROI的轮廓、描述ROI的轮廓的一个或多个参数(例如，形状、高度、宽度、厚度、面积、高度与宽度的比率等)，或其任何组合。关于分割信息的更多描述可以在本说明书中的其他地方找到。例如，参见图6及其相关描述。

射野的射野角度是指在放射治疗过程中施加到对象的射野的子野的角度或方向。对象的参考图像可以是二维(2D)图像、三维(3D)图像(例如，3D图像的时间序列)、四维(4D)图像等，或者其组合。对象的参考图像可以包括CT图像(例如，锥形射野CT(CBCT)图像、扇形射野CT(FBCT)图像)、MR图像、PET图像、X射线图像、荧光检查图像、超声图像、放射疗法放射线图像、SPECT图像等或其组合。在一些实施例中，对象的参考图像(例如，CT图像)可以是用于制定治疗计划的计划图像。与所述至少一个射野有关的剂量约束可以包括，例如，通过至少一个射野施加到对象或其部分(例如，靶区、OAR)的最大总放射剂量、通过每个射野施加到对象(或其一部分)的最大总放射剂量、通过每个射野的每个子野施加到对象(或其一部分)的最大总放射剂量、或其任何组合。在一些实施例中，所有至少一个射野施加到对象的总放射剂量可能需要满足特定的约束(例如，低于阈值)。对象的处方可以由用户(例如，医生或放射科医师)提供，其可包括肿瘤位置、肿瘤等级、最大总放射剂量、放射区域的位置或由用户提供的其他信息，或其任何组合。

在一些实施例中，计划信息(或其部分)可以预先生成并存储在存储设备(例如，存储设备150、存储设备220或外部存储设备)中。处理设备140A可以从存储设备获取计划信息(或其一部分)。例如，对象的参考图像可以是存储在存储设备中的对象的历史医学影像，并且处理设备140A可以从存储设备检索历史医学影像作为参考图像。或者，处理设备140A可以使成像装置(例如，成像部件113)通过扫描对象来获取参考图像，并从成像装置获取对象的参考图像。

在一些实施例中，可以由处理设备140A生成计划信息(或其部分)。仅作为示例，对于至少一个射野中的每一个射野，处理设备140A可以获取射野的初始通量图，并优化初始通量图以生成射野的最优通量图。至少一个射野中的每一个射野的最优通量图可以被视为与至少一个射野有关的计划信息。在一些实施例中，处理设备140A可以根据本说明书中其他地方所述的通量图算法优化初始通量图。

在520中，处理设备140A(例如，生成模块402)可以基于计划信息生成通量图生成模型的输入。

如本文所述，通量图生成模型是指基于其输入生成实施通量图的模型(例如，机器学习模型)或算法。在一些实施例中，通量图生成模型可以是机器学习模型。例如，通量图生成模型可以包括神经网络模型，例如卷积神经网络(CNN)模型(例如，完整CNN模型、V-net模型、U-net模型、AlexNet模型、牛津视觉几何群(VGG)模型、ResNet模型)、生成对抗网络(Generative Adversarial Network，GAN)模型等，或其任何组合。在一些实施例中，通量图生成模型可以包括用于特征提取和/或特征组合的一个或多个组件，例如全卷积块、跳跃连接、残余块、密集块等，或其任何组合。

在一些实施例中，处理设备140A可以通过RT计划系统100的一个或多个组件(例如，存储设备150、终端130)或外部源，经由网络(例如，网络120)获取通量图生成模型。例如，通量图生成模型可以预先由计算机设备(例如，处理设备140B)训练，并且存储在RT计划系统100的存储设备中(例如，存储设备220和/或存储器390中)。处理设备140A可以访问存储设备并从存储设备检索通量图生成模型。在一些实施例中，可以根据机器学习算法生成通量图生成模型。机器学习算法可以包括但不限于人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似性和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等，或其任何组合。用于生成一个或多个机器学习模型的机器学习算法可以是监督学习算法、半监督学习算法、无监督的学习算法等。在一些实施例中，可以通过计算机设备(例如，处理设备140B)执行本文公开的用于生成通量图生成模型的流程(例如，流程900)，以生成通量图生成模型。

在一些实施例中，通量图生成模型的输入可以包括对象的参考图像、对象的ROI的分割信息，以及至少一个射野中每个射野的射野角度。或者，通量图生成模型的输入可以包括至少一个射野中的每个射野的最优通量图。在一些实施例中，至少一个射野可包括至少两个射野。处理设备140A可以基于计划信息单独确定用于每个射野的输入。仅作为示例，对于每个射野，处理设备140A可以获取或生成参考图像、ROI的分割信息，以及射野的射野角度，作为相应射野的输入。或者，至少两个射野可以共用相同的输入。仅作为示例，处理设备140A可以获取或生成至少两个射野的最优通量图，作为相应至少两个射野的输入。关于通量图生成模型的输入的更多描述可以在本说明书中其他地方找到。例如，参见图6至图8及其相关描述。

在530中，对于至少一个射野中的每一个射野，处理设备140A(例如，模块402)可以基于输入和通量图生成模型，生成与射野的至少两个子野相关的至少一个实施通量图。

如上所述，与射野的子野有关的至少一个实施通量图可以包括，例如，至少两个子野的复合通量图、每个子野的子野通量图，或者任何组合。在一些实施例中，处理设备140A可以将520中确定的输入输入到通量图生成模型中，通量图生成模型可以响应于该输入输出每个射野的至少一个实施通量图。例如，对于一个射野，通量图生成模型可以输出射野的子野的复合通量图或至少两个子野通量图，每个子野通量图对应于射野的一个子野。在一些实施例中，射野可以仅包括一个子野，并且所述射野的至少一个实施通量图可以包括所述子野的子野通量图。

或者，通量图生成模型可以响应于输入而生成输出，处理设备140A可以基于通量图生成模型的输出生成用于射野的至少一个实施通量图。例如，通量图生成模型的输出可以包括射野的复合通量图，处理装置140A可以基于叶形测序算法，将复合通量图转换成射野的至少两个子野的至少两个子野通量图。

在一些实施例中，至少一个射野可以包括至少两个射野。在520中，处理设备140A可以确定与每个射野对应的输入。在530中，对于每个射野，处理设备140A可以将相应的输入输入到通量图生成模型中，以获取射野的至少一个实施通量图，或者从通量图生成模型获取输出并基于输出生成射野的至少一个实施通量图。或者，至少两个射野可以共用相同的输入。处理设备140A可以将输入输入到通量图生成模型中，并且通量图生成模型可以联合输出每个射野的至少一个实施通量图。关于生成每个射野的至少一个实施通量图的更多描述可以在本说明书其他地方找到。例如，参见图6至8及其相关描述。

应当注意，上面的关于流程500的描述仅用于说明的目的，而不是为了限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。在一些实施例中，流程500可以通过一个或多个未描述的附加操作和/或没有上述一个或多个操作来完成。例如，流程500可以包括在510之前的附加操作，以获取与至少一个射野有关的一个或多个通量图。

图6是根据本说明书一些实施例所示的示例性通量图生成模型的示意图。

如图6所示，通量图生成模型620的输入610可以包括对象的参考图像、一个或多个对象的ROI的分割信息，以及在治疗过程中将施加给对象的每个射野的射野角度。出于说明目的，假设在治疗期间可能将N射野施加到对象，其中n可以是任何正整数。在这种情况下，可以获取N个射野的N个射野角度(表示为G1，G2，......和GN)，作为输入610的一部分。

如在510中所述，ROI的分割信息可以包括从对象的参考图像(或其他图像)分割的ROI的轮廓、描述ROI的轮廓的一个或多个参数(例如，形状、高度、宽度、厚度、面积、高度比到宽度的比率)等，或其任何组合。

在一些实施例中，ROI的轮廓可以手动、半自动或自动地从对象的参考图像(或其他图像)分割出来。在手动方法中，ROI的轮廓可以根据用户提供的指令从参考图像(或其他图像)分割。例如，通过在如终端130或移动设备300上实现的用户界面，用户可以在参考图像中标记轮廓。在半自动方法中，可以在用户干预下由计算机设备(例如，图2中所示的计算机设备200)从参考图像(或其他图像)识别ROI的轮廓。例如，轮廓分割可以由计算机设备基于图像分割算法并结合用户提供的信息来执行。用于半自动方法的示例性的用户干预可以包括提供与图像分割算法有关的参数、提供与ROI有关的位置参数、对由计算机设备执行的初始轮廓分割进行调整或确认、提供指令使计算机设备重复或重做轮廓分割等。在自动方法中，可以在没有用户干预的情况下由计算机设备(例如，如图2中所示的计算机设备200)自动地从参考图像识别ROI的轮廓。例如，可以通过图像分析(如根据图像分割算法，特征识别算法等或其任何组合)来自动地从参考图像识别轮廓。

在一些实施例中，输入610可以直接输入到通量图生成模型620中。或者，输入610可以被进行预处理，并且可以将预处理后的输入输入到通量图生成模型620中。例如，处理设备140A可以执行一个或多个图像处理操作，在参考图像上预处理参考图像，例如，图像去噪、图像增强、图像平滑、图像变换、图像重采样、图像归一化等或其任何组合。仅作为示例，处理设备140A可以确定参考图像的成像分辨率是否与预设图像分辨率相同(或基本相同)。如果参考图像具有与预设图像分辨率不同的成像分辨率，则处理设备140A可以对参考图像进行重采样，以生成具有预设成像分辨率的重采样后的参考图像。

通量图生成模型620的输出630可以包括每个对应于N射野中的每一个射野的复合通量图(表示为I1，I2，......，和IN)。例如，复合通量图Ii可以对应于具有射野角Gi的第i射野的至少两个子野，其中，i可以是等于或小于N的任何正整数。在一些实施例中，复合通量图Ii可以根据例如叶形测序算法被转换成至少两个子野通量图，每个子野通量图对应于第i射野的一个子野。

在一些实施例中，N可以大于1，在治疗期间将有至少两个射野被施加给对象。通量图生成模型620的输入610可以包括对应于每个射野的输入。对于每个射野，可以将相应的输入输入到通量图生成模型620中，以获取射野的子野的复合通量图。例如，对于第i射野，相应的输入可以包括对象的参考图像、对象的ROI的分割信息，以及第i射野的射野角度Gi。可以将第i射野的输入输入到通量图生成模型620中，通量图生成模型620可以输出对应于第i射野的复合通量图Ii。

在一些实施例中，至少两个射野可以共用相同的输入610，其包括参考图像、ROI的分割信息和每个射野的射野角度。输入610可以被输入到通量图生成模型620中，并且通量图生成模型620可以联合输出至少两个射野的复合通量图。在一些实施例中，可以训练通量图生成模型620以学习至少两个射野之间的相互作用或关系。例如，在治疗过程中，所有射野施加到对象的总放射剂量可能需要满足特定的约束，例如，低于阈值剂量。由不同射野施加的放射剂量可以具有补偿关系，例如，如果由一定射野施加的放射剂量相对较高，则由剩余射野施加的放射剂量可以相对较低。在生成射野的复合通量程图中，通量图生成模型620可以考虑射野之间的补偿关系，这可以减少对象辐射损伤并提高治疗准确性。在一些实施例中，通量图生成模型620可以从训练数据学习补偿关系。或者，通量图生成模型620的训练数据可以包括与补偿关系有关的一个或多个参数，例如，由射野施加的总放射剂量的阈值剂量。可选地，在应用通量图生成模型620时，阈值剂量可以是输入610的一部分。

在一些实施例中，可以应用至少两个通量图生成模型620，其各自对应于人类的特定部分(例如，特定器官)。例如，处理设备140A可以根据待处理的对象的靶区，从至少两个通量图生成模型620中选择一个通量图生成模型620。所选择的通量图生成模型620可以用于对象的治疗计划。仅作为示例，可以有与心脏相对应的第一通量图生成模型620、对应于腹部的第二通量图生成模型620，以及对应于头部的第三通量图模型620。如果靶区处于对象的头部，则处理设备140A可以选择第三通量图生成模型620用于为对象生成实施通量图。如本说明书的其他地方(例如，图5及相关描述)所述，传统的治疗计划技术可能需要生成射野的初始通量图，优化初始通量图以生成射野的最优通量图，并进一步将射野的最优通量图划分成实施通量图。射野的最优通量图的划分通常涉及至少两个初始子野通量图的迭代或手动优化过程。根据本说明书的一些实施例，可以将参考图像与其他信息组合并输入通量图生成模型620，用于生成射野的至少一个实施通量图。通量图生成模型620的应用可以避免生成射野的初始通量图、优化初始通量图、最优通量图拆分操作，这可以通过减少用户的工作量、用户差异的影响和/或治疗计划所需的时间，来提高治疗计划的效率。另外，在一些实施例中，可以根据对象的靶区选择特定的通量图生成模型620并用于治疗计划。与针对不同的靶区使用相同的通量图生成模型相比，本文公开的系统和方法可以提高所生成的至少一个实施通量图的准确性，从而提高放射治疗的准确性。

图7是根据本说明书一些实施例所示的示例性通量图生成模型的示意图。

如图7所示，通量图生成模型720的输入710可以包括要施加到对象的至少一个射野中每个射野的最优通量图。例如，N个射野可能被施加到对象，N个最优通量图(表示为F1，F2，......和FN)可以指定为输入710。在一些实施例中，对于每个射野，可以通过由处理设备140A优化射野的初始通量图来生成射野的最优通量图。例如，可以基于对象的计划图像(例如，CT图像)生成射野的初始通量图，并且处理设备140A可以基于通量图优化算法来优化初始通量图以生成射野的最优通量图。关于生成最优通量图的更多描述可以在本说明书的其他地方找到。例如，参见图5及其相关操作。在一些实施例中，最优通量图可以预先生成并存储在存储设备(例如，存储设备150或外部存储设备)中。处理设备140A可以从存储设备获取射野的最优通量图，并将所获取的最优通量图指定为输入710或输入710的一部分。

在一些实施例中，输入70可以直接输入到通量图生成模型720中。或者，输入710可以进行预处理(例如，重采样)，并且可以将预处理的输入输入到通量图生成模型720中。

通量图生成模型720的输出730可以包括复合通量图I1，I2，......，和IN，并且每个复合通量图对应于N射野之一。输出730可以类似于如图6所述的输出630，这里不再重复描述。

在一些实施例中，N可以大于1，并且可以计划在治疗期间将至少两个射野施加到对象。通量图生成模型720的输入710可以包括对应于每个射野的输入。例如，第i射野的输入可以包括最优通量图Fi。可以将第i射野的输入输入到通量图生成模型720中，并且通量图生成模型720可以输出对应于第i射野的复合通量图Li。或者，至少两个射野可以共用相同的输入710，其可以包括每个射野的最优通量图。可以同时将射野的最优通量图输入到通量图生成模型720中，并且通量图生成模型720可以联合输出射野的复合通量图。

图8是根据本说明书一些实施例所示的示例性通量图生成模型的示意图。

如图8所示，通量图生成模型820的输入810可以类似于通量图生成模型720的输入710，如图7所述。输入810可以包括N射野的最优通量图F1，F2，......和FN。

通量图生成模型820的输出830可以包括每个射野的至少两个子野通量图。射野的至少两个子野通量图可以对应于射野的至少两个子野。例如，第i射野可以具有Mi子野，其中Mi可以是任何大于1的正整数。不同射野的子野数可以是相同或不同的。如图8所示，通量图生成模型820的输出830可以包括与第i射野相对应的子野通量图I_i-1，I_i-2，...，I_i-Mi。每个子野通量图I_i-1，I_i-2，...，I_i-Mi可以对应于第i射野的Mi子野中的一个子野。

在一些实施例中，可以单独地将每个射野的最优通量图输入到通量图生成模型820中，并且通量图生成模型820可以分别地输出不同射野的子野通量图。或者，可以同时将射野的最优通量图输入到通量图生成模型820中，并且通量图生成模型820可以联合输出不同射野的子野通量图。

如本说明书的其他地方(例如，图5和相关描述)所述，传统的治疗计划技术可能需要生成射野的初始通量图、优化初始通量图以生成射野的最优通量图，并进一步将射野的最优通量图划分成实施通量图。射野的最优通量图的划分通常涉及至少两个初始子野通量图的迭代或手动优化过程。与传统的治疗计划技术相比，利用本文公开的通量图生成模型720或820的系统和方法无需迭代或手动更新初始子野通量图，这可以提高治疗计划的效率，例如，减少用户的工作量、交叉用户变换和/或治疗计划所需的时间。

结合图7所述，通量图生成模型720可以输出射野的复合通量图，并且可能需要将复合通量图转换成射野的至少两个子野对应的至少两个子野通量图。与通量图生成模型720相比，通量图生成模型820可以直接输出射野的子野通量图，无需转换射野的复合通量图，并提高治疗计划的效率。在一些实施例中，结合图6所述，可以训练对应于不同人体部位的至少两个通量图生成模型620，并且可以根据对象的靶区选择特定的通量图生成模型620。与通量图生成模型620相比，通量图生成模型720和/或通量图生成模型820可以具有更高的普适性，并且适合于不同的人体部位。

应当注意，图6至图8中所示的上述示例仅为说明的目的提供，而不是为了限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本说明书的范围。在一些实施例中，通量图生成模型的输入可以包括附加信息，例如剂量约束、由用户(例如，医生、放射医师)规定的对象的处方。附加地或替代地，可以省略如上所述的输入的一部分。仅作为示例，可以省略通量图生成模型620的输入610中的参考图像。在一些实施例中，通量图生成模型的输出可以包括附加信息或省略如上所述的特定信息。例如，通量图生成模型620的输出630和/或通量图生成模型720的输出730可以包括每个射野的至少两个子野通量图。作为另一示例，输出830可以包括每个射野的复合通量图。

图9是根据本说明书一些实施例所示的用于生成通量图生成模型的示例性过程的流程图。在一些实施例中，流程900可以由RT计划系统100执行。例如，流程900可以存储在存储设备(例如，存储设备150、存储设备220和/或存储设备390)中的指令集(例如，应用程序)实现。在一些实施例中，处理设备140B(例如，计算机设备200的处理器210，移动设备300的CPU 340，和/或图4b中所示的一个或多个模块)可以执行该组指令集并因此被定向执行流程900。在一些实施例中，可以执行流程900的一个或多个操作以实现如图5所述的步骤520的至少一部分。在一些实施例中，流程900可以由除RT计划系统100之外的另一设备或系统执行，例如，制造商或供应商的设备或系统。出于说明目的，下文以处理设备140B为例描述流程900的实现过程。

在910中，处理设备140B(例如，获取模块403)可以获取至少一个训练样本。

在一些实施例中，训练样本可以包括样本计划信息和至少一个实施通量图真值。训练样本的样本计划信息可以涉及至少一个要施加到样本对象的样本射野。样本对象与510所述的对象可以是相同的类型或不同的类型。例如，对象可以是患者的头部，并且样本对象可以是另一患者的头部(或另一部分)或人造对象(例如，模体)。样本对象的样本计划信息是指样本对象的计划信息。例如，样本计划信息可以包括样本对象的样本特征信息，样本对象的一个或多个样本ROI的样本特征信息(例如，样本分割信息)，至少一个样本射野中的每个样本射野的样本射野角度，样本对象的样本参考图像，至少一个样本射野中每个的最优样本通量图、剂量约束、用户(例如，医生、放射科医师)给样本对象规定的处方，或类似的，或其任何组合。样本ROI的样本分割信息是指样本ROI的分割信息。样本射野的样本射野角度是指样本射野的射野角度。样本对象的样本参考图像是指样本对象的参考图像(例如，计划图像)。

训练样本的至少一个实施通量图真值可以涉及至少一个样本射野的至少一个样本子野。例如，训练样本的样本射野可以包括至少两个样本子野，与样本射野的至少两个样本子野相关的至少一个实施通量图真值可以包括样本子野的真值复合通量图、每个样本子野的真值子野通量图，或其任何组合。作为另一个例子，训练样本的样本射野可以仅包括一个样本子野，并且训练样本的至少一个实施通量图真值可以包括样本子野的真值子野通量图。出于说明目的，下文描述的训练样本的样本射野包括至少两个样本子野，这并不是用于限制本说明书的范围。

在一些实施例中，可以通过计算机设备(例如，处理设备140B)来生成训练样本(或其部分)并存储在存储设备中(例如，存储设备150、存储设备220、存储器390或外部数据库)。处理设备140B可以从存储设备检索训练样本(或其一部分)。或者，可以由处理设备140B生成训练样本(或其部分)。仅作为示例，处理设备140B可以执行如图10所述的流程1000的一个或多个步骤，以生成训练样本的至少一个实施通量图真值。

在一些实施例中，可以通过执行流程900来生成与通量图生成模型620相同或类似的第一通量图生成模型。在这种情况下，训练样本的样本计划信息可以包括样本对象的样本参考图像、样本对象的样本ROI的样本分割信息、施加到样本对象的每个样本射野的样本射野角度等，或其任何组合。训练样本的至少一个实施通量图真值可包括每个样本射野的真值复合通量图。

在一些实施例中，可以通过执行流程900来生成与通量图生成模型720相同或类似于通量图生成模型720的第二通量图生成模型。在这种情况下，训练样本的样本计划信息可包括施加到样本对象的每个样本射野的最优样本通量图。训练样本的至少一个实施通量图真值可以包括每个样本射野的真值复合通量图。

在一些实施例中，可以通过执行流程900来生成与通量图生成模型820相同或类似的第三通量图生成模型。在这种情况下，训练样本的样本计划信息可以包括施加到样本对象的每个样本射野的最优样本通量图。训练样本的至少一个实施通量图真值可以包括每个样本射野的至少两个真值子野通量图。

在一些实施方案中，对于通量图生成模型的不同训练样本(例如，第一、第二、第三通量图生成模型)，相应的样本对象的靶区可以是相同或基本相同的。例如，对于第一通量图生成模型，不同训练样本的样本对象的靶区可以是相同或基本相同的。仅作为示例，可以使用具有肺癌的多个样本患者的多个训练样本来生成与人肺相对应的第一通量图生成模型。对应于人肺的第一通量图生成模型可用于生成治疗肺癌患者的治疗计划。作为又一个例子，对于第二或第三个通量图生成模型，不同训练样本的样本对象的靶区可以是相同的或不同的。

在920中，处理设备140B(例如，训练模块404)可以通过使用至少一个训练样本训练初始模型来生成通量图生成模型。

在一些实施例中，初始模型可以是任何类型的模型(例如，机器学习模型)，例如，神经网络模型(例如，CNN模型、GAN模型)等。初始模型可以包括一个或多个模型参数。例如，初始模型可以是CNN模型，初始模型的示例性模型参数可以包括层的数量(或计数)、内核的数量(或计数)、内核大小、步幅、每个卷积层的填充(padding)、损失函数等，或其任何组合。训练前，初始模型的模型参数可能有各自的初始值。例如，处理设备140B可以初始化初始模型的模型参数的参数值。

在一些实施例中，初始模型可以根据本发明其他地方描述的机器学习算法(例如，图5和相关描述)进行训练。例如，处理设备140B可以根据有监督机器学习算法，通过执行一个或多个迭代来迭代地更新初始模型的模型参数，从而生成通量图生成模型。出于说明目的，在以下描述中描述了迭代的示例性当前迭代。可以基于多个训练样本的至少一部分来执行当前迭代。在一些实施例中，可以在训练初始模型中的不同迭代中使用相同或不同的训练样本集合。

在当前迭代中，对于至少一部分训练样本中的每一个，处理设备140B可以基于训练样本的样本计划信息生成或获取样本输入。训练样本的样本输入的生成方式可以与步骤520所述的通量图生成模型的输入的生成方式类似，这里不再重复描述。对于至少一部分训练样本中的每一个，处理设备140B可以通过将训练样本的样本输入输入到先前迭代中确定的更新的初始模型中，来生成至少一个预测实施通量图。然后，处理设备140B可以至少一部分训练样本中的每一个的至少一个预测实施通量图和至少一个实施通量图真值，来确定更新的初始模型的损失函数的值。损失函数可用于评估更新的初始模型的准确性和可靠性，例如，损失函数越小，更新的初始模型越可靠。示例性损失函数可以包括L1损耗函数、焦点损失函数、对数损失函数、交叉熵损失函数、Dice损失函数等。处理设备140B还可以根据例如反向传播等算法，基于损失函数的值，更新更新后的初始模型的模型参数的值，以用于下一次迭代。

在一些实施例中，如果在当前迭代中满足终止条件，则可以终止一个或多个迭代。示例性终止条件可以是在当前迭代中获得的损失函数的值小于预定阈值。其他示例性终止条件可以包括已执行特定次数的迭代计数、损失函数收敛、在连续迭代中获得的损失函数的值的差异在阈值内等。如果在当前迭代中满足终止条件，则处理设备140B可以将更新的初始模型指定为通量图生成模型。

应当注意，关于流程900的上述描述仅仅是为了说明的目的，而不是为了限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。在一些实施例中，流程900可以通过未描述的一个或多个附加操作和/或上面没有讨论的操作中的一个或多个来完成。例如，在生成通量图生成模型之后，处理设备140B可以使用一组测试样本进一步测试通量图生成模型。附加地或替代地，处理设备140B可以基于一个或多个新生成的训练样本(例如，在治疗中生成的新治疗计划)周期性地或不定期地更新通量图生成模型。作为又一个示例，在初始模型的训练之前可以预处理训练样本(或其部分)。仅作为示例，可以对样本参考图像和/或训练样本的最优样本通量图执行一个或多个图像处理操作(例如，图像裁剪、图像重采样)。

图10是根据本说明书一些实施例所示的用于生成训练样本的至少一个实施通量图真值的示例性过程的流程图。在一些实施例中，流程1000可以由RT计划系统100执行。例如，流程1000可以被存储在存储设备(例如，存储设备150、存储设备220和/或存储设备390)中的指令集(例如，应用程序)实现。在一些实施例中，处理设备140(例如，计算机设备200的处理器210，移动设备300的CPU340和/或图4b所示的一个或多个模块)可以执行该组指令集，并因此被指示执行流程1000。在一些实施例中，可以执行流程1000的一个或多个操作以实现如结合图9所述的步骤910的至少一部分。

如结合步骤910所述，训练样本可以包括与施加到样本对象一个或至少两个样本射野有关的样本计划信息、与每个样本射野的至少两个样本子野相关至少一个实施通量图真值。样本射野的至少一个实施通量图真值可以包括样本射野的样本子野的真值复合通量图、样本射野的每个样本子野的真值子野通量图等。在一些实施例中，处理设备140B可以针对训练样本的每个样本射野执行流程1000，以生成样本射野的至少一个实施通量图。出于说明目的，下文描述了如何针对一个样本射野执行流程1000，以作为示例。

在1010中，对于将要施加到样本对象的样本射野，处理装置140B(例如，例如模块405)可以获取样本射野的初始样本通量图。

在一些实施例中，可以基于样本对象的计划图像生成初始样本通量图。样本射野的初始样本通量图可以与如图5所述的射野的初始通量图类似。

在1020中，处理设备140B(例如，例如模块405)可以通过优化初始样本通量图来生成最优样本通量图。例如，可以基于本说明书中其他地方(例如，图5和相关描述)的一个或多个通量图优化算法，来执行优化初始样本通量图。

在1030中，处理装置140B(例如，例如模块405)可以将最优样本通量图转换成样本射野的至少两个样本子野的至少两个初始样本子野通量图。每个初始样本子野通量图可以对应于样本射野的样本子野之一。例如，最优样本通量图可以根据叶形测序算法转换成初始样本子野通量图。

在1040中，处理设备140B(例如，例如模块405)可以基于至少两个初始样本子野通量图，生成样本射野的至少两个样本子野对应的至少一个实施通量图真值。

在一些实施方案中，在最优样本通量图和初始样本子野通量图的复合通量图之间可能存在误差。可能需要优化初始样本子野通量图，以生成至少两个最优样本子野通量图，使得最优样本子野通量图的复合通量图与最优样本通量图相匹配。如本文所用，如果两个通量图之间的相似度超过阈值相似度，则可以认为两个通量图彼此匹配。

在一些实施例中，可以自动地、半自动地或手动地执行初始样本子野通量图的优化。例如，处理设备140B可以根据一个或多个通量图优化算法迭代地更新初始样本子野通量图。作为另一示例，用户(例如，医生、放射科医师)可以通过例如在终端设备上实现的界面来手动调整样本子野的参数和/或初始样本子野通量图。作为又一示例，处理设备140B可以根据一个或多个通量图优化算法结合用户干预(例如，调整或确认由处理设备140B生成的初步优化结果)来迭代地更新样本子野通量图。

在优化初始子野通量图之后，处理设备140B可以指定最优样本子野通量图作为样本子野的真值子野通量图。附加地或替代地，处理装置140B可以指定最优样本子野通量图的复合通量图，作为样本子野的真值复合通量图。

应当注意，关于流程1000的以上描述仅是出于说明的目的而提供的，并且不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。在一些实施例中，流程1000可以利用一个或多个未描述的附加操作和/或不具有上面讨论的一个或多个操作来完成。例如，步骤1010和1020可以集成到一个步骤中。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本申请的各方面可以完全以硬件，完全以软件(包括固件、驻留软件、微代码等)来实现，或者以软件和硬件实现的组合来实现，在此可以将它们全部统称为“模块”、“单位”、“组件”、“设备”或“系统”。此外，本申请的方面可以采取体现在其上体现有计算机可读程序代码的一个或多个计算机可读介质中体现的计算机程序产品的形式。

计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如，在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。

可以以一种或多种编程语言的任何组合来编写用于执行本申请的各方面的操作的计算机程序代码，所述编程语言包括诸如Java，Scala，Smalltalk，Eiffel，JADE，Emerald，C，C的面向对象的编程语言。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者可以与外部计算机建立连接(例如，通过使用网络服务提供商的网络)或在云计算环境中或作为服务提供，例如，软件服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

在一些实施例中，用于描述和要求保护本申请的某些实施例的表示数量或性质的数字应理解为在某些情况下被术语“大约”，“近似”或“基本上”修饰。例如，除非另有说明，否则“大约”，“近似”或“基本上”可以指示其所描述的值的某些变化(例如，±1％，±5％，±10％或±20％)。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。在一些实施例中，提供用于分类的分类条件用于说明目的，并根据不同情况进行修改。例如，“概率值大于阈值”的分类条件可以进一步包括或排除“概率值等于阈值”的条件。

本文参考的每个专利，专利申请，专利申请，专利申请，诸如文章，书籍，规格，出版物，文献，事物和/等的材料，如文章，书籍，规格，出版物，文件，事物和/等。除了与本文件相关的任何起诉文件历史之外的所有目的，除了与本文件不一致的任何检察文件历史记录，或任何可能对现在的权利要求的最广泛的范围有限制效果本文件。举例来说，如果在描述、定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突，则描述、定义和/或在本文件中使用的术语以本文件为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (23)

1.一种放射治疗计划系统，包括：

至少一个存储设备，包括一组指令集；以及

至少一个处理器，被配置为与所述至少一个存储设备通信，当执行所述指令集时，所述至少一个处理器被配置为指示所述系统执行以下操作：

获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关；

基于所述计划信息生成通量图生成模型的输入；以及

对于所述至少一个射野中的每一个射野，基于所述输入和所述通量图生成模型，生成与所述射野的至少一个子野相关的至少一个实施通量图。

2.根据权利要求1所述的系统，其特征在于，所述计划信息包括：

将被施加所述射野的所述对象的一个或多个感兴趣区域(ROI)的分割信息；以及

所述至少一个射野中的每一个射野的射野角度。

3.根据权利要求2所述的系统，其特征在于，所述计划信息还包括所述对象的参考图像。

4.根据权利要求1所述的系统，其特征在于，所述计划信息包括所述至少一个射野中的每一个射野的最优通量图。

5.根据权利要求4所述的系统，其特征在于，所述获取计划信息包括：

对于所述至少一个射野中每一个射野，

获取所述射野的初始通量图；以及

通过优化所述初始通量图生成所述射野的最优通量图。

6.根据权利要求1所述的系统，其特征在于，对于所述至少一个射野中的每一个射野，

所述射野包括至少两个子野，以及

与所述射野的至少两个子野有关的所述至少一个实施通量图包括所述至少两个子野的复合通量图。

7.如权利要求6所述的系统，其特征在于，所述至少一个处理器还被配置为指示所述系统执行以下操作，包括：

对于所述至少一个射野中的每一个射野，将所述复合通量图转换为至少两个子野通量图，每个所述子野通量图对应于所述至少两个子野中的一个子野。

8.根据权利要求1所述的系统，其特征在于，对于所述至少一个射野中的每一个，与所述射野的至少一个子野有关的所述至少一个实施通量图包括至少一个子野通量图，每个所述子野通量图对应于所述至少一个子野中的一个子野。

9.根据权利要求1所述的系统，其特征在于，所述通量图生成模型包括卷积神经网络(CNN)或对抗生成网络(GAN)中的至少一个。

10.根据权利要求1所述的系统，其特征在于，所述通量图生成模型通过以下训练过程生成：

获取至少一个训练样本，其中每个训练样本包括样本计划信息和至少一个实施通量图真值，所述样本计划信息与将要施加给样本对象的至少一个样本射野相关，所述至少一个实施通量图真值与所述至少一个样本射野的至少一个样本子野相关；以及

通过使用所述至少一个训练样本训练初始模型，生成所述通量图生成模型。

11.如权利要求10所述的系统，其特征在于，对于所述至少一个训练样本中的每一个，所述获取训练样本包括：

对于对应于所述至少一个样本射野的所述至少一个训练样本中的每一个，

获取所述样本射野的初始样本通量图；

通过优化所述初始样本通量图，生成所述样本射野的最优样本通量图；

将所述最优样本通量图转换为所述样本射野的至少一个样本子野的至少一个初始样本子野通量图；以及

基于所述至少一个初始样本子野通量图，生成与所述至少一个样本子野相关的所述至少一个实施通量图真值。

12.一种在包括至少一个处理器和至少一个用于放射治疗计划的计算机可读存储介质的计算机设备上实现的方法，所述方法包括：

获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关；

基于所述计划信息生成通量图生成模型的输入；以及

对于所述至少一个射野中的每一个射野，基于所述输入和所述通量图生成模型，生成所述射野的至少一个子野相关的至少一个实施通量图。

13.如权利要求12所述的方法，其特征在于，所述计划信息包括：

将被施加所述射野的所述对象的一个或多个感兴趣区域(ROI)的分割信息；以及

所述至少一个射野中的每一个射野的射野角度。

14.如权利要求13所述的方法，其特征在于，所述计划信息还包括所述对象的参考图像。

15.根据权利要求12所述的方法，其特征在于，所述计划信息包括所述至少一个射野中的每一个射野的最优通量图。

16.根据权利要求15所述的方法，其特征在于，所述获取计划信息包括：

对于所述至少一个射野中每一个射野，

获取所述射野的初始通量图；以及

通过优化所述初始通量图生成所述射野的最优通量图。

17.根据权利要求12所述的方法，其特征在于，对于所述至少一个射野中的每一个射野，

所述射野包括至少两个子野，以及

与所述射野的至少两个子野有关的所述至少一个实施通量图包括所述至少两个子野的复合通量图。

18.如权利要求17所述的方法，还包括：

对于所述至少一个射野中的每一个射野，将所述复合通量图转换为至少两个子野通量图，每个所述子野通量图对应于所述至少两个子野中的一个子野。

19.根据权利要求12所述的方法，其特征在于，对于所述至少一个射野中的每一个射野，与所述射野的所述至少一个子野有关的所述至少一个实施通量图包括至少一个子野通量图，每个所述子野通量图对应于所述至少一个子野中的一个子野。

20.根据权利要求12所述的方法，其特征在于，所述通量图生成模型包括卷积神经网络(CNN)或对抗生成网络(GAN)中的至少一个。

21.根据权利要求12所述的方法，其特征在于，所述通量图生成模型通过以下训练过程生成：

获取至少一个训练样本，其特征在于每个训练样本包括样本计划信息和至少一个实施通量图真值，所述样本计划信息与将要施加给样本对象的至少一个样本射野相关，所述至少一个实施通量图真值与所述至少一个样本射野的至少一个样本子野相关；以及

通过使用所述至少一个训练样本训练初始模型，生成所述通量图生成模型。

22.根据权利要求21所述的方法，其特征在于，对于所述至少一个训练样本中的每一个，所述获取训练样本包括：

对于对应于所述至少一个样本射野的所述至少一个训练样本中的每一个，

获取所述样本射野的初始样本通量图；

通过优化所述初始样本通量图，生成所述样本射野的最优样本通量图；

将所述最优样本通量图转换为所述样本射野的至少一个样本子野的至少一个初始样本子野通量图；以及

基于所述至少一个初始样本子野通量图，生成与所述至少一个样本子野相关的所述至少一个实施通量图真值。

23.一种非暂时性计算机可读存储介质，包括用于放射治疗计划的一组指令集，当由至少一个处理器执行时，所述指令集引导所述至少一个处理器实现以下方法，包括：

获取计划信息，所述计划信息与将在治疗中施加给对象的至少一个射野有关；

基于所述计划信息生成通量图生成模型的输入，以及

对于所述至少一个射野中的每一个射野，基于所述输入和所述通量图生成模型，生成所述射野的至少一个子野相关的至少一个实施通量图。

Images