CN116096461A - 基于深度学习的自动束建模 - Google Patents
基于深度学习的自动束建模 Download PDFInfo
- Publication number
- CN116096461A CN116096461A CN202080103747.3A CN202080103747A CN116096461A CN 116096461 A CN116096461 A CN 116096461A CN 202080103747 A CN202080103747 A CN 202080103747A CN 116096461 A CN116096461 A CN 116096461A
- Authority
- CN
- China
- Prior art keywords
- dose
- model
- radiation therapy
- beam model
- deep learning
- 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
Links
- 238000013135 deep learning Methods 0.000 title description 103
- 238000001959 radiotherapy Methods 0.000 claims abstract description 197
- 238000011282 treatment Methods 0.000 claims abstract description 135
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000005855 radiation Effects 0.000 claims abstract description 72
- 230000015654 memory Effects 0.000 claims abstract description 65
- 238000013439 planning Methods 0.000 claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims description 113
- 238000012549 training Methods 0.000 claims description 106
- 238000004088 simulation Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 238000013526 transfer learning Methods 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 description 37
- 238000002591 computed tomography Methods 0.000 description 34
- 238000012545 processing Methods 0.000 description 34
- 238000003384 imaging method Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 27
- 238000002595 magnetic resonance imaging Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 20
- 238000002560 therapeutic procedure Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000005291 magnetic effect Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 17
- 210000000056 organ Anatomy 0.000 description 16
- 238000005259 measurement Methods 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 15
- 210000001519 tissue Anatomy 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 238000012384 transportation and delivery Methods 0.000 description 12
- 210000003484 anatomy Anatomy 0.000 description 11
- 210000003128 head Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000002604 ultrasonography Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000011109 contamination Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000002600 positron emission tomography Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000004980 dosimetry Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000013170 computed tomography imaging Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000013213 extrapolation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 231100000628 reference dose Toxicity 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 210000002464 muscle smooth vascular Anatomy 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000001418 vibrating-sample magnetometry Methods 0.000 description 3
- 238000012879 PET imaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 201000007197 atypical autism Diseases 0.000 description 2
- 208000029560 autism spectrum disease Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000133 brain stem Anatomy 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002594 fluoroscopy Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 238000001407 pulse-discharge detection Methods 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 238000011517 stereotactic body radiotherapy Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 230000005461 Bremsstrahlung Effects 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000013929 Psidium pyriferum Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 231100000673 dose–response relationship Toxicity 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000003027 ear inner Anatomy 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- A61N2005/1035—Simulated annealing
-
- 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
-
- 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
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
- A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [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
- A61N2005/1085—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy characterised by the type of particles applied to the patient
- A61N2005/1089—Electrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
讨论了用于生成针对放射治疗计划的束模型的系统和方法。示例性系统包括:存储器,其用于存储经训练的深度学习模型;以及处理器电路,其用于生成束模型。深度学习模型可以被训练以建立机器扫描数据与束模型参数值之间的关系,并且被验证,以实现准确性。处理器电路可以:接收指示放射疗法设备的配置或操作状态的机器扫描数据;将机器扫描数据应用于经训练的深度学习模型以确定束模型参数的值;以及基于所确定的多个束模型参数的值生成束模型。束模型可以被提供给用户或治疗计划系统。
Description
技术领域
本文献总体上涉及放射疗法治疗系统中的剂量计算,并且更具体地,涉及用于自动生成在放疗治疗计划中使用的束模型的系统和方法。
背景技术
放射疗法(或“放疗”)可以用于治疗哺乳动物(例如,人和动物)组织中的癌症或其他疾病。提供一种这样的放疗技术,该放疗技术使用线性加速器(也称为“linac”),由此通过高能X射线或电子辐射肿瘤。放射疗法的目标是使对靶组织(例如,肿瘤或其他异常组织)的放射剂量最大化,同时使对周围健康组织的损害最小化。与药物的处方类似,医师对靶(肿瘤或其他异常组织)开出预定量的放射剂量,并为周围器官开出临床剂量限制。通常,以准直束形式的电离放射从外部放射源指向患者。可以精确地控制放射束以确保剂量给送。
可以使用指定的或可选择的束能量用于给送诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器例如多叶准直器(MLC)和钳口提供。可以通过准直器来调整放射束的强度和形状,以例如通过使投射的束与靶组织的轮廓一致来避免损害与靶组织相邻的健康组织。
治疗计划是涉及以下内容的过程:确定用于在约束下实现治疗目标的特定放疗参数。放疗参数的示例包括放射束角度、剂量强度水平、剂量分布等。放射剂量可以使用剂量计算算法来计算。治疗计划过程的成果是放射疗法治疗计划(也称为“治疗计划”或简称为“计划”)。治疗计划可以使用治疗计划系统(TPS)制定。在可以向患者给送放疗给送之前,为每个患者定制设计治疗计划。为了创建计划,可以使用一种或更多种医学成像技术例如来自X射线、计算机断层扫描(CT)、核磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或超声波的图像来提供靶肿瘤的图像。临床医师可以使用患者解剖结构的图像来识别靶肿瘤和肿瘤附近的周围器官,描绘要接收规定放射剂量的靶,并且类似地描绘附近组织例如处于可能受到放射治疗损害的风险下的器官(OAR)。描绘靶肿瘤与OAR或勾画靶肿瘤与OAR的轮廓可以手动完成,或者通过使用帮助识别或描绘靶肿瘤和OAR的自动软件工具完成。然后可以基于临床和剂量测定的目标和约束(例如,针对部分肿瘤体积或全部肿瘤体积的最大剂量、最小剂量、平均剂量和部分剂量,以及针对关键器官的类似措施)使用优化技术生成放射疗法治疗计划。
治疗计划的剂量分布可以使用剂量计算算法生成。用于该算法的束模型包括对从放射疗法机器(例如,linac)发射的放射的能量分布进行描述的参数。束模型参数值会根据不同的放射疗法机器而改变,即使来自同一制造商的同一型号的放射疗法机器也需要不同的束模型参数。机械差异(例如,机械尺寸或材料特征)或者部件值的差异(例如,电子电路部件值)会导致不同放射疗法机器之间的束模型参数值的差异。医学物理学家可以通过以下内容来执行束建模:手动调整模型参数,以使束模型输出剂量分布与来自机器的测量紧密匹配。
发明内容
治疗计划是确定用于经由放射疗法设备治疗患者的放疗参数的过程。治疗计划过程可以包括使用患者的三维(3D)图像来识别靶区域(例如,肿瘤)并识别肿瘤附近的关键器官。治疗计划的创建可能是耗时的过程,在该过程中,计划者试图遵守各种治疗目标或约束(例如,剂量体积直方图(DVH)、交叠体积直方图(OVH))、考虑它们各自的重要性(例如,权重)以便产生临床上可接受的治疗计划。该治疗计划由数字参数构成,这些数字参数指定一个或更多个放射束的方向、截面形状和强度。一旦生成治疗计划,就可以通过以下操作来执行治疗计划:将患者定位在治疗机器中并且给送由经优化的计划参数指导的规定放射疗法。在一些示例中,放射疗法治疗计划可以包括剂量“划分”,从而可以在预定时间段内向患者提供一系列的放射治疗(例如,在患者的治疗期间可能存在30个至45个部分),其中每次治疗包括总规定剂量的指定部分。在治疗期间,患者相对于治疗机器(例如,linac)的位置以及靶肿瘤相对于治疗机器(例如,linac)的位置是重要考虑因素,以确保辐射靶肿瘤而不辐射健康组织。
对于治疗计划系统(TPS),为使用剂量计算算法来计算针对特定linac的剂量,需要为linac创建剂量算法的束模型。束模型的生成是TPS调试的一部分。束模型可以包括尤其对从放射疗法机器发射的放射的能量分布进行描述的参数,所述参数是供TPS计算剂量分布的关键输入。在某些方法中,在安装放射疗法机器并执行最终调整后,客户可以使用用于束建模参考的体模(例如,水体模)来执行对不同设置下的放射束的测量。
治疗计划和束建模的一个重要方面是确定束模型参数值。常规的束建模通常需要人类建模者(例如,建模物理学家)手动调整束模型参数,并将具有经手动调整后的模型参数的束模型应用到剂量引擎以计算剂量度量(例如,剂量分布(dose distribution)或剂量分布(dose profile))。在虚拟体模中,人类专家(例如,同一人类建模师,或不同的人例如放射肿瘤学家或医学物理学家)可以验证计算出的剂量满足预先确定的剂量测定验证标准。剂量测定验证标准可以基于对低剂量梯度区域中的有限数目的点的分析,或者基于高剂量梯度区域中的等剂量线之间的距离的测量。人类专家可以通过将检测器(例如,电离室)放置在体模(例如,水体模)中来对期望的剂量和测量结果进行比较,以可视化它们的差异并检查任何差异或验证一致性。如果计算出的剂量不满足预定的剂量测定验证标准,则可以对束模型参数进行进一步的手动调整,直至基于束模型计算出的剂量度量满足预定的剂量测定验证标准。
手动调整束模型参数并生成相对应的束模型可能耗时且低效。在一些情况下,人类建模师的任务是例如针对不同能级(例如,6MV、10MV或15MV)以及/或者针对不同类型的准直器生成单独的束模型。束模型参数的手动调整和测试可能需要很长时间来完成,并且需要很高程度的努力。附加地,在一些情况下,手动调整可能会不一致并导致解释错误,特别是对于关于更先进的放射疗法技术(例如,强度调制放射疗法(IMRT)或体积调制电弧疗法(VMAT))的剂量计划,所述放射疗法技术涉及更复杂的剂量度量和分布表示以及更复杂的剂量计算。例如,IMRT剂量给送技术的完整性和复杂性取决于使计划的IMRT剂量分布和给送的IMRT剂量分布的一致性定量。因此,手动束建模和参数调整可能特别耗时且繁重。
本文献讨论了使用基于人工智能(AI)的方法生成束模型的系统、设备和方法。示例性系统包括:存储器,其用于存储经训练的深度学习模型;以及处理器电路,其用于生成束模型。深度学习模型可以被训练以建立机器扫描数据与束模型参数值之间的关系,并且被验证,以实现准确性。处理器电路可以:接收指示放射疗法设备的配置或操作状态的机器扫描数据;将机器扫描数据应用于经训练的深度学习模型以确定束模型参数的值;以及基于所确定的多个束模型参数的值生成束模型。束模型可以被提供给用户或治疗计划系统。
根据本文献中讨论的各种示例的基于AI的束建模可以提高先进的放射疗法中的束建模的效率和质量。与常规的手动建模方法相比,如本文中讨论的基于深度学习(DL)的自动束建模可以缩短模型开发和部署周期、减少人类建模者的工作量、提高模型准确性和治疗计划效率。与需要针对模型参数的每个手动调整值的大量剂量计算的手动剂量建模相对,利用如根据本文中的各种示例讨论的基于AI的束建模,可以仅对剂量分布计算一次来确定束模型是否满足给送标准。因此,可以实现对于束建模和治疗计划的总体成本节约并改进放疗。
以上内容旨在提供本专利申请的主题的概述。以上内容并不旨在提供本发明的排他性或详尽的解释。本申请包括具体实施方式以提供关于本专利申请的进一步信息。
附图说明
附图不一定按比例绘制,在附图中,遍及若干视图,相同的附图标记描述基本上相似的部件。具有不同字母后缀的相同的附图标记表示基本上相似的部件的不同实例。附图通过示例的方式而非通过限制的方式大体上示出了本文献中讨论的各种示例。
图1示出了示例性放疗系统。
图2A示出了可以提供疗法束的示例性放疗系统。
图2B示出了包括计算机断层扫描(CT)成像系统和放射疗法系统的示例性组合系统。
图3示出了包括核磁共振(MR)成像系统和放射疗法系统的示例性组合系统的局部剖视图。
图4是示出基于蒙特卡罗(MC)的TPS系统的至少一部分和可用于对临床束进行建模的虚拟源模型(VSM)的图。
图5是示出对用于预测束模型中的束模型参数的深度学习(DL)模型进行训练的示例性过程的框图。
图6A是示出可被构造和训练以预测束模型参数的示例性卷积神经网络(CNN)的框图。
图6B是示出图6A中的CNN的卷积层中的初始模块(Inception Module)的示例性结构的框图。
图7A至图7E是示出在放射模拟期间基于扫描数据的测量生成的剂量特性的示例的图。
图8是示出在放疗治疗计划中使用的束模型的基于AI的建模和验证的示例性方法的流程图。
图9大体上示出了示例机器的框图,在示例机器上可以执行本文中所讨论的技术(例如,方法)中的任何一种或更多种。
具体实施方式
在以下详细描述中,参照形成详细描述的一部分的附图,并且通过可以实践本公开内容的图示特定示例的方式示出详细描述。在本文中也被称为“示例”的这些示例被足够详细地描述以使得本领域技术人员能够实践本公开内容,并且应当理解,在不脱离本公开内容的范围的情况下,可以将示例组合或者可以利用其他示例并且可以进行结构、逻辑和电气改变。因此,以下详细描述不应被视为具有限制意义,并且本公开内容的范围由所附方面及其等同内容限定。
图1示出了用于向患者提供放射疗法的示例性放疗系统100。放疗系统100包括数据处理设备112以及其他部件。数据处理设备112可以连接至网络120。网络120可以连接至因特网122。网络120可以将数据处理设备112与下述中的一个或更多个连接:数据库124、医院数据库126、肿瘤学信息系统(OIS)128、放射疗法设备130、图像获取设备132、显示设备134和用户接口136。数据处理设备112可以被配置成生成要由放射疗法设备130使用的放射疗法治疗计划142。
数据处理设备112可以包括存储器116、处理器114和通信接口118。存储器116可以存储计算机可执行指令,例如放射疗法治疗计划142(例如,原始治疗计划、经调整的治疗计划等)、操作系统143、软件程序144以及要由处理器114执行的任何其他计算机可执行指令。存储器116可以附加地存储数据,例如医学图像146、患者数据145以及实现放射疗法治疗计划142所需的其他数据。
软件程序144可以包括一个或更多个软件包,所述一个或更多个软件包当由诸如处理器114的机器执行时可以执行特定的图像处理并生成放射治疗计划142。在示例中,软件程序144可以通过产生诸如伪CT图像的合成图像来将一种格式(例如,MRI)的医学图像转换为另一格式(例如,CT)。例如,软件程序144可以包括图像处理程序,该图像处理程序用以训练用于将医学图像从一种模态的医学图像146(例如,MR图像)转换为不同模态的合成图像(例如,伪CT图像)的预测模型;可替选地,经训练的预测模型可以将CT图像转换为MR图像。在另一示例中,软件程序144可以将患者图像(例如,CT图像或MR图像)与该患者的剂量分布(也表示为图像)配准,使得相应的图像体素和剂量体素通过网络适当地关联。在又一示例中,软件程序144可以替代患者图像的功能,例如签名的距离功能或强调图像信息的一些方面的图像的处理版本。这样的功能可能强调体素纹理的边缘或差异,或对神经网络学习有用的任何其他结构方面。软件程序144可以替代强调剂量信息的一些方面的剂量分布的功能。这样的功能可能强调靶周围的陡峭梯度或对神经网络学习有用的任何其他结构方面。
在示例中,软件程序144可以针对描绘解剖结构(例如,一个或更多个靶和一个或更多个OAR)的二维(2D)和/或3D CT或MR图像集生成投影图像,所述投影图像表示从放疗装备的治疗台架角度的解剖结构的不同视图。例如,软件程序144可以处理CT或MR图像集并且创建投影图像的堆栈,所述投影图像描绘了在CT或MR图像中的从放疗装备的台架的各个视角描绘的解剖结构的不同视图。特别地,一种投影图像可以表示从台架的0度的解剖结构视图,第二投影图像可以表示从台架的45度的解剖结构视图,而第三投影图像可以表示从台架的90度的解剖结构视图。所述度数可以是束相对于CT或MR图像中描绘的解剖结构的特定轴的方向。对于不同度数的各个束,轴可以保持相同。
在示例中,软件程序144可以生成MLC叶片位置在各种台架角度下的图形孔径图像表示。这些图形孔径图像也称为孔径图像。特别地,软件程序144可以接收控制点集,所述控制点用于控制放疗设备产生成形的放疗束。控制点可以表示束强度、相对于患者位置的台架角度、以及MLC的叶片位置等其他机器参数。基于这些控制点可以生成图形图像来以图形方式表示由MLC和钳口以特定台架角度输出的束形状和强度。软件程序144可以将在特定台架角度下的孔径的图形图像与所生成的在该角度下的相对应投影图像对准。图像与投影对准并且按比例缩放,使得投影图像像素与相对应孔径图像像素对准。
软件程序144可以包括治疗计划软件。治疗计划软件在例如由治疗计划系统(TPS)执行时可以生成放射疗法治疗计划142。在示例中,治疗计划软件的执行可以针对表示从给定台架角度的解剖结构视图的解剖结构投影图像产生MLC叶片位置在给定台架角度下的图形孔径图像表示。
如所描绘的,软件程序144可以包括束模型147。束模型通过放射束的各种特性表示,所述放射束伴随着特定于治疗机器的宽放射场的导入并离开放射疗法机器并被施加至患者。使用恰当确定的束模型,可以计算针对给定类型的机器的机器参数或控制点,并且放射疗法机器可以从MLC输出束,该束实现了与MLC叶片位置和强度相同或相似的估计的图形孔径图像表示。治疗计划软件在被执行时可以输出图像,所述图像表示针对给定台架角度和针对该台架在该角度下的给定投影图像的束形状和强度的估计图像,并且该功能可以计算针对给定放疗设备的控制点以实现该束形状和强度。
束模型147可以由表征一种或更多种放射模态例如光子或电子的各种特征的一种或更多种束模型类型的函数表示。不同的束模型可以在放射源的数目和/或配置方面有所不同。因此,束模型参数(例如,放射源的尺寸、位置、能谱或注量分布)可能因不同的束模型类型而改变。通过示例且非限制的方式,束模型参数可以包括:放射疗法机器内的一个或更多个光子源的尺寸和位置、关于从放射疗法机器发射的光子的光子谱的最大能量或平均能量、对从放射疗法机器发射的光子谱的形状进行描述的因素、放射疗法机器内的一个或更多个电子源的尺寸和位置、从放射疗法机器发射的电子谱的最大能量或平均能量、描述电子谱的形状的因素、或者对由放射疗法机器发射的放射(例如,电子或光子)可以如何离轴变化进行描述的一个或更多个数字等。
根据本文献中讨论的各种示例的基于AI的束建模技术可以适用于不同的束模型。束模型147的示例是完整的蒙特卡罗(MC)模型。完整的MC模型可以通过对来自linac头的初级光子和散射光子以及污染电子进行模拟来生成准确的剂量估计。因此,完整的MC模型可以处理与现代放疗技术相关联的复杂束排列,所述现代放疗技术例如立体定向体部放疗(SBRT)、强度调制放疗(IMRT)或容积调制弧疗法(VMAT)。然而,完整的MC模型可能涉及大量的机器部件。对所述部件中的每一个的详细建模可能需要大的相空间文件(PSF)来包含大量的粒子信息,所述信息例如粒子在不同评分平面处的能量、位置、方向、电荷、生成的区域或相互作用。PSF的大的文件大小(例如,大到几千兆字节)可能会导致与文件存储、读取、部署和文件传输相关的一个或更多个问题(例如,从硬盘读取PSF并将其传输至本地机器的速度慢)。附加地,针对完整的MC模型的PSF可能依赖于关于linac头中的各种部件的精确信息,例如详细的几何和材料规格,这些信息可以是对于束建模者无法容易获得的制造商的专有信息。
束模型147的另一示例是虚拟源模型(VSM),它可以近似于完整的MC模型。现在参照图4,其示出了采用VSM来对临床束进行建模的基于蒙特卡罗(MC)的TPS系统400的至少一部分。基于MC的剂量测定算法提供了准确模拟异质介质内的剂量分布并因此用于放射疗法中的临床情况的能力。所描绘的基于MC的TPS系统400的部分包括治疗头(例如,linac头)410和多叶准直器(MLC)以及钳口420。MLC和钳口420可以被调整成为患者提供个性化的放射疗法,并且因此被称为放射疗法机器的患者特定部分。从放射源发射并通过治疗头410传输的放射束可以通过束模型例如VSM建模。通过MLC和钳口420的放射传输可以通过透射滤波器建模。医学图像430(例如,CT图像)可以通过MLC和钳口的放射输出产生。根据医学图像430,可以例如使用处理器114中的剂量引擎152来基于组织的电子密度计算剂量度量和剂量分布。基于蒙特卡罗技术的各种剂量计算算法可用于计算剂量度量或分布,所述剂量计算算法包括例如体素蒙特卡罗(VMC)或X射线体素蒙特卡罗(XVMC)。
VSM是束模型,其假设从linac头发射的粒子源自具有不同几何形状(例如,点状、盘状、环状)的一个或更多个虚拟粒子源。关于每个子源的注量分布和能谱可以根据经良好调试的PSF或测量集重建。具体地,VSM使linac头中的光子和电子部件参数化,并使用若干个拟合参数描述束。VSM克服了与加速器头的完整的MC模拟有关的问题,例如模拟时间长、调试例程繁琐以及对关于加速器头的技术信息的依赖性。如图4所描绘的,VSM可以包括两个虚拟光子源(表示来自靶和平坦化滤波器的贡献)和一个虚拟电子源。VSM的每个虚拟源都可以生成与来自MC模型的原始PSF的剂量分布(例如,能量和角度分布)相当(具有所需的精度)的粒子分布。特别地,VSM模型包括初级光子源412、散射光子源414(也称为次级光子源)和电子污染源416。初级光子源412可以位于轫致辐射靶平面中,所述轫致辐射靶平面也称为深度(z)为零(z=0)的参考平面。散射光子源414可以位于主准直器的基座处,在示例中其深度为相对于参考平面大约z=11.9cm。电子污染源416可以位于平坦化滤波器的基座处,在示例中其深度为相对于参考平面大约z=15.7cm。
VSM的虚拟源可以由一个或更多个参数的相应分析函数来描述。通过示例而非限制的方式,图4示出了由相应高斯分布模型建模的相应虚拟源的注量分布。例如,初级光子注量可以由具有能量相关标准偏差σ0的高斯模型表示,散射光子注量可以由具有能量相关标准偏差σs的高斯模型表示,以及电子注量可以由具有能量相关标准偏差σe的高斯模型表示。对虚拟源进行描述的参数可以包括基于完整的MC数据分析所固定的参考参数,以及在模型调试期间对于每个单独的加速器适配的开放参数。VSM模型中的光子源和电子源可以再现多种效应,所述多种效应存在于广泛的临床束中。可以使用这些虚拟源计算相关性,包括例如关于初级光子和次级光子的离轴能量软化、平坦化滤波器中的吸收/散射、能量注量归一化、关于初级光子注量和次级光子注量和电子注量的能量注量平坦性和粒子注量分布、初级光子源和次级光子源以及电子源的能谱、针对关于次级光子和污染电子的源分布的能量聚焦的校正、对于污染电子的焦点粒子注量的增强等。三个虚拟源(即,初级光子、次级光子和电子污染)可以是彼此独立的源,并且联合概率为1。
现在返回至图1,软件程序144可以包括经训练的深度学习(DL)模型148,其被配置成预测束模型147中的模型参数的值。该预测基于指示放射疗法机器的配置或操作状态的机器扫描数据。经训练的DL模型148被训练以建立从放射疗法机器收集的机器扫描数据与束模型的多个束模型参数之间的关系。可以从用户接口136或从数据库124接收与放射疗法机器相对应的机器扫描数据,并将所述机器扫描数据应用于经训练的DL模型148,所述经训练的DL模型148可以预测束模型的束模型参数。经训练的DL模型148的示例可以包括卷积神经网络(CNN)、递归神经网络(RNN)、深度信念网络(DBN)或者包括不同类型或不同模型配置的两个或更多个神经网络模型的混合神经网络。
CNN网络可以自动地从样本中学习数据的特性,从而消除通常需要大量专业知识的常规机器学习模型中复杂的特征提取。CNN的附加优点在于借助于权重共享,可以大大减少CNN参数的规模。因此,可以降低训练过程的复杂性,可以提高收敛速度,并且可以增强模型泛化能力。
RNN包括节点之间的连接以形成沿着时间序列的有向图。该有向图可以使用内部状态(存储器)来存储过去的信息,并且网络决策受到其从过去学到的东西的影响。在示例中,可以使用长短期记忆(LSTM)网络。LSTM是一种类型的RNN架构,其特征在于反馈连接。常见的LSTM单元可以由元(cell)组成,输入门决定要向元添加多少新信息,遗忘门决定哪些信息要丢弃或保留在元中,以及输出门决定要输出的值。
在束模型147是虚拟源模型(VSM)的示例中。DL模型148可以被训练以预测针对如图4所描绘的一个或更多个虚拟源的VSM参数的值。下面例如参照图6A至图6B讨论用于预测束模型参数的经训练的CNN的示例。
除了存储软件程序144的存储器116之外,软件程序144可以附加地或替选地存储在可移除计算机介质上,该可移除计算机介质诸如是硬盘驱动器、计算机盘、CD-ROM、DVD、HD、蓝光DVD、USB闪存驱动器、SD卡、记忆棒或任何其他合适的介质;并且在软件程序144被下载至数据处理设备112时可以由处理器114执行该软件程序144。
处理器114可以通信地耦接至存储器116,并且处理器114可以被配置成执行存储在存储器116中的计算机可执行指令。处理器114可以向存储器116发送医学图像146或者从存储器116接收医学图像146。例如,处理器114可以经由通信接口118和网络120从图像获取设备132接收医学图像146以将该医学图像146存储在存储器116中。处理器114还可以经由去往网络120的通信接口118发送存储器116中存储的医学图像146以将该医学图像146存储在数据库124或医院数据库126中。
处理器114可以包括训练模块151,该训练模块151被配置成训练深度学习(DL)模型并且被配置成生成经训练的DL模型148以预测束模型参数例如VSM参数。为了训练DL模型,可以使用指示放射疗法机器(例如,linac)的配置或操作状态的机器扫描数据来构建训练数据集。训练数据可以包括具有束模型参数的已知值和受控测试条件的模拟数据,例如关于模拟环境(例如,在体模中)的剂量分布(dose distribution)和剂量分布(doseprofile)。训练模块151可以使用取自模拟数据的样本和束模型参数的相应已知值来训练DL模型。训练涉及在算法上调整一个或更多个DL模型参数(例如,网络层节点权重和偏差),直至被训练的DL模型满足指定的训练收敛标准。下面参照图5讨论训练DL模型以预测束模型参数的值的示例。
经训练的DL模型148可以存储在存储器116或数据库124中。在示例中,训练模块151和经训练的DL模型148可以在服务器中归档,并且可以由一个或更多个客户端(例如,TPS系统)访问。在一些示例中,多个DL模型可以被训练并在服务器中归档,对应于不同的多叶准直器(MLC)类型(例如,Agility 160叶准直器或MLCi2 80叶准直器,以上均来自瑞典斯德哥尔摩的Elekta AB)以及/或者不同的能量水平(例如,4MV,6MV,10MV和15MV)。在服务器中归档的DL模型可以通过MLC类型和能量水平进行索引。可以根据多叶准直器(MLC)类型和/或不同的能量水平从服务器查询和检索适当的DL模型。
处理器114可以使用归档的经训练的DL模型为特定放射疗法机器(具有特定准直器类型和/或能量水平)生成束模型147。在示例中,为了生成束模型147,处理器114可以根据与放射疗法机器相关联的准直器类型和/或能量水平从服务器归档存储的多个DL模型中检索经训练的DL模型。然后,处理器114可以将从放射疗法机器获取的机器扫描数据(例如,剂量曲线和剂量统计)应用于检索到的经训练的DL模型,其可以产生作为束模型147的束模型参数的输出值。
所生成的束模型147可以存储在软件程序144中。在示例中,束模型147可以被呈现给用户,例如被显示在显示设备134上。其他信息可以被呈现给用户(例如,被显示在显示设备134上),例如包含束模型参数、几何信息、剂量计算设置和拟合结果的报告,所述报告示出了测量的剂量分布与基于束模型计算的剂量分布两者。拟合结果。在示例中,束模型147可以被给送至TPS,用于临床治疗计划。
在一些示例中,在将束模型部署至TPS以供临床使用之前,处理器114可以在生成模型之后验证束模型。验证可以包括将束模型导入至TPS中,以执行治疗计划软件(例如,由瑞典斯德哥尔摩的Elekta AB制造的治疗计划系统)并计算虚拟体模(例如,水体模)中的剂量分布。用于计算虚拟体模中的剂量分布的算法可以包括蒙特卡罗剂量算法,例如XVMC算法。可以将计算的剂量分布与来自靶放射疗法机器(例如,linac)的测量的束特征进行比较,以确定计算的剂量是否满足剂量验证标准(也称为给送标准),所述剂量验证标准例如落入相对于测量值的剂量度量的公差范围(±x%)内的一个或更多个剂量度量。给送标准的示例可以包括:在±2%公差内的中心射线,在3%公差内低梯度处的高剂量,在3%公差内3mm处的高梯度(例如,30%/cm),在3%公差内低梯度处的低剂量,在2%公差内的输出因子,或者其任意组合。在一些示例中,给送标准可以包括人工检查和验证。例如,建模物理学家可以例如在用户界面中将束模型(例如,VSM模型)分级为以下其中之一:“通过”(指示模型已准备好给送)、“失败”(指示模型对于给送是不可接受的)或“需要改进”(指示需要进一步调整束模型参数)。建模物理学家可以进一步添加注释以指示需要改进的剂量的各种特性,例如PDD的光谱、输出因子(OF,在参考深度处)、累积区域(针对电子污染的衰减的深度范围)、角状突起(远离中心轴的束强度增加,这主要取决于平坦化滤波器设计)和轮廓的半影(围绕几何束边缘)等。
处理器114可以包括剂量引擎152,该剂量引擎被配置成使用束模型来计算剂量度量或剂量统计,所述束模型例如具有由经训练的DL模型确定的模型参数的VSM模型。可以使用各种算法来计算剂量。在示例中,剂量引擎可以使用蒙特卡罗算法或折叠锥卷积技术(CCC)算法(其可以被实现为存储在软件程序144中的软件包)来计算剂量度量或剂量统计。剂量引擎的示例可以包括体素蒙特卡罗(VMC)剂量引擎、X射线体素蒙特卡罗(XVMC)剂量引擎或GPU蒙特卡罗剂量(GPUMCD)。
处理器114可以包括治疗计划系统(TPS)的至少一部分,该治疗计划系统(TPS)被配置成执行治疗计划软件(作为软件程序144的一部分)并使用束模型、医学图像146和患者数据145生成放射疗法治疗计划142。医学图像146可以包括诸如与患者解剖结构区域、器官或感兴趣体积分割数据相关联的成像数据的信息。患者数据145可以包括如下信息,例如:功能性器官建模数据(例如串行器官与并行器官、适当的剂量响应模型等);放射剂量数据(例如DVH信息);或者关于患者和治疗的其他临床信息(例如其他手术、化学疗法、先前的放疗等)。
在一些示例中,处理器114可以利用软件程序144来生成中间数据,诸如例如将由诸如神经网络模型的机器学习模型使用的更新后的参数;或者生成中间2D或3D图像,然后,该中间2D或3D图像可以随后被存储在存储器116中。然后,处理器114可以随后经由去往网络120的通信接口118将可执行的放射疗法治疗计划142传送至放射疗法设备130,其中,可以使用放射疗法计划用于利用放射来治疗患者。另外,处理器114可以执行软件程序144以实现诸如图像转换、图像分割、深度学习、神经网络和人工智能的功能。例如,处理器114可以执行训练医学图像或勾画医学图像轮廓的软件程序144;这样的软件程序144在被执行时可以训练边界检测器或利用形状字典。
处理器114可以是处理设备,包括:一个或更多个通用处理设备,例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等。更具体地,处理器114可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器、或实现指令集的组合的处理器。处理器114还可以由诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、芯片上系统(SoC)等的一个或更多个专用处理设备来实现。如本领域技术人员将理解的,在一些示例中,处理器114可以是专用处理器而不是通用处理器。处理器114可以包括一个或更多个已知的处理设备,例如来自由IntelTM制造的PentiumTM、CoreTM、XeonTM或系列的微处理器、来自由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列的微处理器、或者由Sun Microsystems制造的各种处理器中的任何处理器。处理器114还可以包括图形处理单元,例如来自由NvidiaTM制造的系列、由IntelTM制造的GMA、IrisTM系列或者由AMDTM制造的RadeonTM系列的GPU。处理器114还可以包括加速处理单元,例如由IntelTM制造的Xeon PhiTM系列。所公开的示例不限于以其他方式被配置成满足识别、分析、维护、生成和/或提供大量数据或操纵这样的数据以执行本文中公开的方法的计算需求的任何类型的处理器。另外,术语“处理器”可以包括多于一个处理器(例如,多核设计或均具有多核设计的多个处理器)。处理器114可以执行存储在存储器116中的计算机程序指令序列以执行以下将更详细说明的各种操作、过程、方法。
在一些示例中,由处理器114执行的各种功能——例如由训练模块151训练DL模型、生成和验证束模型以及使用剂量引擎152基于束模型计算剂量——可以被分布在两个或更多个处理器中,或者被分布在客户端-服务器架构中。在示例中,训练模块151可以在服务器中实现,并且剂量引擎152可以在客户端(例如,本地TPS系统)中实现。在示例中,经训练的DL模型148可以在服务器中归档。
存储器116可以存储医学图像146。在一些示例中,医学图像146可以包括一个或更多个MR图像(例如,2D MRI、3D MRI、2D流式MRI、四维(4D)MRI、4D体积MRI、4D影像MRI等)、功能性MR图像(例如,fMRI、DCE-MRI、扩散MRI)、CT图像(例如,2D CT、锥形束CT、3D CT、4DCT)、超声图像(例如,2D超声、3D超声、4D超声)、表示MRI中描绘的解剖结构视图的一个或更多个投影图像、合成CT(伪CT)和/或台架相对于患者轴的不同角度下的CT图像、PET图像、X射线图像、荧光透视图像、放疗射野(portal)图像、SPECT图像、计算机生成的合成图像(例如,伪CT图像)、孔径图像、MLC叶片位置在不同台架角度下的图形孔径图像表示等。此外,医学图像146还可以包括医学图像数据,例如,训练图像以及真实图像(ground truthimage)、轮廓图像以及剂量图像。在示例中,可以从图像获取设备132接收医学图像146。因此,图像获取设备132可以包括MRI成像设备、CT成像设备、PET成像设备、超声成像设备、荧光透视设备、SPECT成像设备、集成的linac和MRI成像设备、或者用于获得患者的医学图像的其他医学成像设备。可以以数据处理设备112可以使用以执行符合所公开的示例的操作的任何数据类型或任何格式类型来接收和存储医学图像146。
存储器116可以是非暂态计算机可读介质,例如只读存储器(ROM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、闪速存储器、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)的动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、静态存储器(例如,闪速存储器、闪存盘、静态随机存取存储器)以及其他类型的随机存取存储器、高速缓冲存储器、寄存器、CD-ROM、DVD或其他光存储装置、盒式磁带、其他磁性存储设备、或者可以用于存储包括能够被处理器114或任何其他类型的计算机设备访问的(例如以任何格式存储的)图像、数据或计算机可执行指令的信息的任何其他非暂态介质。计算机程序指令可以被处理器114访问、被从ROM或任何其他合适的存储器位置读取并被加载到RAM中以供处理器114执行。例如,存储器116可以存储一个或更多个软件应用。存储器116中存储的软件应用可以包括例如用于公共计算机系统以及用于受软件控制的设备的操作系统143。此外,存储器116可以存储可由处理器114执行的整个软件应用或者软件应用的仅一部分。例如,存储器116可以存储一个或更多个放射疗法治疗计划142。
数据处理设备112可以经由通信接口118与网络120进行通信,通信接口118可以通信地耦接至处理器114和存储器116。通信接口118可以提供数据处理设备112与放疗系统100的部件之间的通信连接(例如,允许与外部设备交换数据)。例如,在一些示例中,通信接口118可以具有适当的接口电路系统以连接至用户接口136,用户接口136可以是用户可以通过其将信息输入至放疗系统100中的硬件键盘、小键盘或触摸屏幕。
通信接口118可以包括例如网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器(例如,诸如光纤、USB3.0、雷电(thunderbolt)等)、无线网络适配器(例如,诸如WiFi适配器)、电信适配器(例如,3G、4G/LTE等)等。通信接口118可以包括一个或更多个数字和/或模拟通信设备,所述一个或更多个数字和/或模拟通信设备允许数据处理设备112经由网络120与其他机器和设备例如远程定位的部件进行通信。
网络120可以提供局域网(LAN)、无线网络、云计算环境(例如,软件即服务、平台即服务、基础设施即服务等)、客户端-服务器、广域网(WAN)等的功能。例如,网络120可以是LAN或WAN,其可以包括其他系统S1(138)、S2(140)和S3(141)。系统S1、S2和S3可以与数据处理设备112相同,或者可以是不同的系统。在一些示例中,网络120中的系统中的一个或更多个系统可以形成协作地执行本文中描述的示例的分布式计算/模拟环境。在一些示例中,一个或更多个系统S1、S2和S3可以包括获得CT图像(例如,医学图像146)的CT扫描仪。另外,网络120可以连接至因特网122以与远程驻留在因特网上的服务器和客户端进行通信。
因此,网络120可以允许数据处理设备112与许多不同的其他系统和设备例如OIS128、放射疗法设备130和图像获取设备132之间的数据传输。此外,由OIS 128和/或图像获取设备132生成的数据可以被存储在存储器116、数据库124和/或医院数据库126中。根据需要,可以通过通信接口118经由网络120传送/接收数据以便由处理器114访问该数据。
数据处理设备112可以通过网络120与数据库124进行通信以发送/接收数据库124上存储的多种不同类型的数据。例如,数据库124可以存储与放射疗法设备130、图像获取设备132或与放疗有关的其他机器相关联的机器数据。机器数据信息可以包括控制点,例如放射束大小、弧放置、束开启和关闭的持续时间、机器参数、分割、MLC配置、台架速度、MRI脉冲序列等。在示例中,数据库124可以存储训练数据,所述训练数据可以用于训练DL模型以预测束模型的模型参数值。训练数据可以包括指示相应放射疗法机器(例如,linac机器)的配置或操作状态的机器扫描数据,以及相对应的真实、测量的剂量度量。数据库124可以是存储设备并且可以配备有适当的数据库管理软件程序。本领域技术人员将理解,数据库124可以包括以中心式或分布式方式定位的多个设备。
在一些示例中,数据库124可以包括处理器可读存储介质(未示出)。虽然示例中的处理器可读存储介质可以是单个介质,但是术语“处理器可读存储介质”应被视为包括存储一组或更多组计算机可执行指令或数据的单个介质或多个介质(例如,集中式或分布式数据库,和/或相关联的高速缓存和服务器)。术语“处理器可读存储介质”还应被视为包括能够存储或编码指令集的任何介质,所述指令集由处理器执行并且使处理器执行本公开内容的方法中的任何一种或更多种方法。因此,术语“处理器可读存储介质”应被视为包括但不限于固态存储器、光学介质和磁介质。例如,处理器可读存储介质可以是一个或更多个易失性、非暂态或者非易失性有形计算机可读介质。
处理器114可以与数据库124进行通信以将图像读取到存储器116中或者将来自存储器116的图像存储到数据库124。例如,数据库124可以被配置成存储数据库124从图像获取设备132接收的多个图像(例如,3DMRI、4D MRI、2D MRI切片图像、CT图像、2D荧光透视图像、X射线图像、来自MR扫描或CT扫描的原始数据、医学数字成像与通信(DICOM)数据、投影图像、图形孔径图像等)。数据库124可以存储处理器114在执行软件程序144时或者在创建放射疗法治疗计划142时要使用的数据。数据处理设备112可以从数据库124、放射疗法设备130(例如,MR-linac)和或图像获取设备132接收图像数据,例如医学图像146(例如,2D MRI切片图像、CT图像、2D荧光透视图像、X射线图像、3D MR图像、4D MR图像、投影图像、图形孔径图像等)以生成治疗计划142。
在示例中,放疗系统100可以包括图像获取设备132,其能够获取患者的医学图像(例如,MR图像、3D MRI、2D流式MRI、4D体积MRI、CT图像、锥形束CT、PET图像、功能性MR图像(例如,fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光透视图像、超声图像、放疗射野图像、SPECT图像等)。图像获取设备132例如可以是MRI成像设备、CT成像设备、PET成像设备、超声设备、荧光透视设备、SPECT成像设备或者用于获得患者的一个或更多个医学图像的任何其他合适的医学成像设备。由图像获取设备132获取的图像可以作为成像数据和/或测试数据而存储在数据库124内。通过示例的方式,由图像获取设备132获取的图像也可以作为医学图像146由数据处理设备112存储在存储器116中。
在示例中,例如,图像获取设备132可以与放射疗法设备130集成为单个设备。例如,MR成像设备可以与线性加速器组合以形成被称为“MR-linac”的系统。这样的MR-linac可以用于例如确定患者体内的靶器官或靶肿瘤的位置,以根据放射疗法治疗计划142将放射疗法准确地定向至预定靶。
图像获取设备132可以被配置成针对感兴趣区域(例如,靶器官、靶肿瘤或两者)获取患者解剖结构的一个或更多个图像。每个图像——通常是2D图像或切片——可以包括一个或更多个参数(例如,2D切片厚度、取向和位置等)。在示例中,图像获取设备132可以获取任何取向的2D切片。例如,2D切片的取向可以包括矢状取向(sagittal orientation)、冠状取向(coronal orientation)或轴向取向。处理器114可以对一个或更多个参数例如2D切片的厚度和/或取向进行调整以包括靶器官和/或靶肿瘤。在示例中,可以根据诸如3D MRI体积的信息来确定2D切片。例如,在使用放射疗法设备130的情况下,在患者正在接受放射疗法治疗的同时可以由图像获取设备132“实时”获取这样的2D切片,其中“实时”意味着至少以数毫秒或更短时间来获取数据。
数据处理设备112可以生成并且存储针对一个或更多个患者的放射疗法治疗计划142。放射疗法治疗计划142可以提供关于要施加给每个患者的特定放射剂量的信息。放射疗法治疗计划142还可以包括诸如控制点的其他放疗信息,所述控制点包括束角度、台架角度、束强度、剂量-直方图-体积(DVH)信息、所述疗法期间使用的放射束的数量、每束的剂量等。
处理器114可以通过使用软件程序144例如治疗计划软件(例如,由瑞典的ElektaAB制造的)来生成放射疗法治疗计划142。为了生成放射疗法治疗计划142,处理器114可以与图像获取设备132(例如,CT设备、MRI设备、PET设备、X射线设备、超声设备等)进行通信以访问患者的图像并且描绘诸如肿瘤的靶。在一些示例中,可能需要一个或更多个OAR例如肿瘤周围或接近肿瘤的健康组织的描绘。因此,在OAR靠近靶肿瘤时,可以执行对OAR的分割。另外,如果靶肿瘤靠近OAR(例如,前列腺接近膀胱和直肠),则通过相对于肿瘤分割OAR,放疗系统100不仅可以研究靶中的剂量分布,而且还可以研究OAR中的剂量分布。
为了相对于OAR描绘靶器官或靶肿瘤,可以通过图像获取设备132非侵入式地获得正在进行放疗的患者的医学图像例如MR图像、CT图像、PET图像、fMR图像、X射线图像、超声图像,放疗射野图像、SPECT图像等以揭露身体部位的内部结构。基于来自医学图像的信息,可以获得相关解剖部分的3D结构。另外,在治疗计划过程期间,可以考虑许多参数以实现对靶肿瘤的有效治疗(例如,使得靶肿瘤接受足够的放射剂量以便有效治疗)与对OAR的低辐射(例如,OAR接收尽可能低的放射剂量)之间的平衡。可以考虑的其他参数,包括靶器官和靶肿瘤的位置、OAR的位置以及靶相对于OAR的运动。例如,可以通过在MRI或CT图像的每个2D层或切片内勾画靶的轮廓或勾画OAR的轮廓并且将每个2D层或切片的轮廓进行组合来获得3D结构。可以手动地(例如,由医师、剂量师或医护人员使用程序例如由瑞典的Elekta AB制造的)或自动地(例如,使用程序例如由瑞典的Elekta AB制造的基于Atlas的自动分割软件ABASTM)生成轮廓。在某些示例中,可以通过治疗计划软件自动生成靶肿瘤或OAR的3D结构。
在靶肿瘤和(一个或多个)OAR已经被定位并且描绘之后,剂量师、医师或医护人员可以确定要施加至靶肿瘤的放射剂量以及可以由接近肿瘤的OAR(例如,左右腮腺、视神经、眼睛、晶状体、内耳、脊髓、脑干等)接收的剂量的任何最大剂量。在针对每个解剖结构(例如,靶肿瘤、OAR)确定了放射剂量之后,可以执行已知为逆向计划的过程以确定将实现期望的放射剂量分布的一个或更多个治疗计划参数。治疗计划参数的示例包括体积描绘参数(例如,其限定靶体积、轮廓敏感结构等)、靶肿瘤和OAR周围的边缘、束角度选择、准直器设置和束开启时间。在逆向计划过程期间,医师可以限定剂量约束参数,剂量约束参数设定OAR可以接收多少放射的界限(例如,限定对肿瘤靶的全剂量和对任何OAR的零剂量;限定对靶肿瘤的95%的剂量;限定脊髓、脑干和视神经结构分别接收≤45Gy、≤55Gy和<54Gy)。逆向计划的结果可以构成可以被存储在存储器116或数据库124中的放射疗法治疗计划142。这些治疗参数中的一些可以是相关的。例如,调整一个参数(例如,针对不同目标的权重,例如增加对靶肿瘤的剂量)以试图改变治疗计划可能会影响至少一个其他参数,这进而可能导致不同的治疗计划的发展。因此,数据处理设备112可以生成具有这些参数的定制的放射疗法治疗计划142以便放射疗法设备130向患者提供放疗治疗。
另外,放疗系统100可以包括显示设备134和用户接口136。显示设备134可以包括向用户显示医学图像、接口信息、治疗计划参数(例如,投影图像、图形孔径图像、轮廓、剂量、束角度等)、治疗计划、靶、定位靶位置和/或跟踪靶或者任何相关信息的一个或更多个显示屏幕。用户接口136可以是键盘、小键盘、触摸屏幕或用户可以向放疗系统100输入信息的任何类型的设备。替选地,显示设备134和用户接口136可以集成到诸如平板电脑的设备中。
此外,放疗系统100的任何和所有部件可以被实现为虚拟机器(例如,VMWare、Hyper-V等)。例如,虚拟机器可以是充当硬件的软件。因此,虚拟机器可以至少包括一起充当硬件的一个或更多个虚拟处理器、一个或更多个虚拟存储器和一个或更多个虚拟通信接口。例如,数据处理设备112、OIS 128、图像获取设备132可以被实现为虚拟机器。鉴于处理能力、存储器和计算能力可得到,整个放疗系统100可以被实现为虚拟机器。
图2A示出了示例性放射疗法设备202,其可以包括放射源(例如,X射线源或linac)、床216、成像检测器214和放射疗法输出204。放射疗法设备202可以被配置成发射放射束208以向患者提供疗法。放射疗法输出204可以包括一个或更多个衰减器或准直器,例如MLC。患者可以被定位在区域212中并且由床216支承以根据放射疗法治疗计划接收放射疗法剂量。放射疗法输出204可以被安装或附接至台架206或其他机械支承件。当床216被插入治疗区域中时,一个或更多个底盘电机(未示出)可以使台架206和放射疗法输出204围绕床216旋转。在示例中,当床216被插入治疗区域中时,台架206可以围绕床216连续地旋转。在另一示例中,当床216被插入治疗区域中时,台架206可以旋转至预定位置。例如,台架206可以被配置成使疗法输出204围绕轴(“A”)旋转。床216可以独立地移动到患者周围的其他位置,例如,能够沿横向方向(“T”)移动、能够沿侧向方向(“L”)移动,或者能够围绕一个或更多个其他轴旋转,例如围绕横轴(指示为“R”)旋转。通信连接至一个或更多个致动器(未示出)的控制器可以控制床216移动或旋转,以便根据放射疗法治疗计划将患者适当地定位在放射束208之内或之外。床216和台架206两者均能够以多个自由度彼此独立地移动,这允许将患者定位成使得放射束208能够以肿瘤为靶。MLC可以与台架206集成以给送特定形状的放射束208。
图2A所示的坐标系(包括轴A、T和L)可以具有位于等中心210处的原点。等中心可以被定义为放射束208的中心轴与坐标轴的原点相交的位置,以便将规定的放射剂量给送至患者上或患者体内的位置。替选地,等中心210可以被定义为下述位置:在该位置处,对于由台架206定位的放射疗法输出204围绕轴A的各种旋转位置,放射束208的中心轴与患者相交。如本文所讨论的,虽然任何其他轴或轴的组合都可以被参考并且用于确定台架角度,但台架角度对应于台架206相对于轴A的位置。
linac系统可以具有优选地与放射疗法输出204相对的成像检测器214。在示例中,成像检测器214可以位于疗法束208的场内。成像检测器214可以保持与疗法束208对准。成像检测器214可以随着台架206旋转而围绕旋转轴旋转。在示例中,成像检测器214可以是平板检测器(例如,直接检测器或闪烁体检测器)。以这种方式,成像检测器214可以监测疗法束208,或者生成患者的解剖结构的图像。放疗设备202的控制电路系统可以集成在系统100内或远离系统100。
在说明性示例中,床216、疗法输出204或台架206中的一个或更多个可以被自动地定位,并且疗法输出204可以根据用于特定疗法给送实例的指定剂量来建立疗法束208。可以根据放射疗法治疗计划(例如,使用台架206、床216或疗法输出204的一个或更多个不同的取向或位置)来指定一系列疗法给送。疗法给送可以顺序地发生,但是也可以在患者上或患者体内的期望治疗部位中(例如,等中心210处)交叉。由此可以将放射疗法的规定剂量给送到治疗部位,同时可以减少或避免对治疗部位附近的组织的损害。
图2B示出了将放射系统(例如,linac)和CT成像系统结合的示例性放疗系统202。放射疗法输出204可以包括MLC(未示出)。CT成像系统可以包括例如以千电子伏特(keV)能量范围提供X射线能量的成像X射线源218。成像X射线源218可以提供指向诸如平板检测器的成像检测器222的扇形和/或锥形束208。放射疗法设备202可以类似于关于图2A描述的系统,例如包括放射疗法输出204、台架206、床216和另一成像检测器214(例如平板检测器)。X射线源218可以提供用于成像的相对较低能量的X射线诊断束。
如图2B所示,放射疗法输出204和X射线源218可以被安装在同一旋转的旋转机构上,彼此旋转分开达90度。在一些示例中,可以沿着旋转机构的外围安装两个或更多个X射线源,使得每个X射线源具有其自己的检测器布置以同时提供多角度的诊断成像。类似地,可以提供多个放射疗法输出204。
图3示出了将放射系统(例如,linac)和核MR成像系统结合的示例性放疗系统300,该放疗系统300也被称为MR-linac系统。系统300可以包括床216、图像获取设备320和放射给送设备330。系统300可以根据放疗治疗计划(例如,在存储器116中生成和存储的治疗计划142)向患者给送放射疗法。在一些示例中,图像获取设备320可以对应于图1中的可以获取第一模态的图像(例如,MR图像)或者第二模态的目标图像(例如,CT图像)的图像获取设备132。
床216可以在治疗阶段期间支承患者。在一些实现方式中,床216可以沿着水平平移轴(标记为“I”)移动,使得床216可以将躺在床216上的患者移入和/或移出系统300。床216还可以围绕横向于平移轴的中心竖直旋转轴旋转。为了允许这样的移动或旋转,床216可以具有使床216能够移动的电机(未示出)。控制器(未示出)可以控制这些移动或旋转以便根据治疗计划适当地定位患者。
在一些示例中,图像获取设备320可以包括MR成像机器,MR成像机器可以在治疗阶段之前、期间和/或之后获取患者的2D或3D MR图像。图像获取设备320可以包括用于生成用于磁共振成像的主磁场的磁体321。通过磁体321的操作而生成的磁场线可以基本上平行于中心平移轴“I”延伸。磁体321可以包括其轴平行于平移轴“I”延伸的一个或更多个线圈。在一些示例中,磁体321中的一个或更多个线圈可以间隔开,使得磁体321的中心窗口323没有线圈。在其他示例中,磁体321中的线圈可以足够薄或具有减小的密度,使得线圈对于由放疗设备330生成的波长的放射基本上是透射的。在一些示例中,图像获取设备320还可以包括一个或更多个屏蔽线圈,该一个或更多个屏蔽线圈可以在磁体321外部生成近似相等的幅度和相反极性的磁场,以消除或减小磁体321外部的任何磁场。如下所述,放疗设备330的放射源331可以被定位在磁场至少被消除至一阶或被减小的区域中。
图像获取设备320还可以包括两个梯度线圈325和326,这两个梯度线圈325和326可以生成叠加在主磁场上的梯度磁场。线圈325和326可以在所产生的磁场中生成梯度,该梯度允许对质子进行空间编码以使得可以确定质子的位置。梯度线圈325和326可以围绕与磁体321的公共中心轴被定位,并且可以沿着该中心轴被移位。该移位可以在线圈325与线圈326之间产生间隙或窗口。在磁体321包括在线圈之间的中心窗323的示例中,两个窗口可以彼此对准。
在一些示例中,图像获取设备320可以是除MRI之外的成像设备,例如,X射线、CT、CBCT、螺旋CT、PET、SPECT、光学断层扫描、荧光成像、超声成像、放疗射野成像设备等。如本领域的普通技术人员将认识到的,图像获取设备320的以上描述涉及某些示例,而不旨在是限制性的。
放疗设备330可以包括放射源331(例如,X射线源或linac)以及诸如MLC 332的准直器。该准直器是束限制设备,其可以有助于使从机器出来的放射束成形并且可以限制束的最大场尺寸。MLC 332可以用于对到患者体内的指定靶部位的放射疗法束进行成形、指引或对放射疗法束的强度进行调制。MLC 332可以包括金属准直器板(也称为MLC叶片),该金属准直器板滑入用以形成期望的场形状的位置中。放疗设备330可以被安装在底盘335上。当床216被插入治疗区域中时,一个或更多个底盘电机(未示出)可以使底盘335围绕床216旋转。在示例中,当床216被插入治疗区域中时,底盘335可以围绕床216连续地旋转。底盘335还可以具有附接的放射检测器(未示出),该放射检测器优选地位于与放射源331相对并且其中底盘335的旋转轴定位在放射源331与检测器之间。此外,设备330可以包括用于控制例如床216、图像获取设备320和放疗设备330中的一个或更多个的控制电路系统(未示出)。放疗设备330的控制电路系统可以集成在系统300内或远离系统300。
在放疗治疗阶段期间,患者可以被定位在床216上。然后系统300可以将床216移动到由磁体321和线圈325、326以及底盘335限定的治疗区域中。然后,控制电路系统可以控制放射源331、MLC 332和底盘电机以根据放疗治疗计划通过线圈325与线圈326之间的窗口将放射给送给患者。
图2A至图2B和图3中所示的放射疗法输出配置——例如放射疗法输出可以围绕中心轴(例如,轴“A”)旋转的配置——是出于说明的目的而非限制。可以使用其他放射疗法输出配置。例如,放射疗法输出可以被安装至具有多个自由度的机械臂或操纵器。在又一示例中,疗法输出可以是固定的(例如,位于与患者横向分开的区域中),并且可以使用支承患者的平台来将放射疗法等中心与患者内的指定靶部位对准。
图5是示出用于训练深度学习(DL)模型的示例性过程500的图,该深度学习(DL)模型可以预测诸如束模型147的束模型的束模型参数值。过程500可以实现为计算机可读和可执行的指令并且由训练模块151执行。输入504可以包括具有初始网络架构和初始参数设置的DL模型510。DL模型510的示例可以包括卷积神经网络(CNN)、递归神经网络(RNN)、深度信念网络(DBN)或者包括不同类型或不同模型配置的两个或更多个神经网络模型的混合神经网络。下面例如参照图6A至图6B描述用于预测模型参数值的CNN模型的示例。
输入504可以包括可以用于训练DL模型510的训练数据520。如所描绘的,训练数据520可以包括模拟数据522和预期结果524。模拟数据522是对DL模型的输入,而预期结果524是DL模型的相对应的期望输出(或“靶标签”)。模拟数据522可以包括表示来自诸如linac头的放射疗法机器的束的特性的模拟机器扫描数据。机器扫描数据的示例可以包括:表征相对剂量量的百分比深度剂量(PDD),其被确定为特定深度(z,例如在0mm至300mm的范围内)处的轴剂量与在参考剂量深度处的轴剂量之间的比率(z0);表征诸如对角线上的剂量的离轴剂量分布(dose distribution)的剂量分布(dose profile)(或剂量分布(dosedistribution)),表示相对剂量随径向距离变化的百分比径向剂量(PRD)分布;剂量体积直方图;交叠体积直方图;或三维剂量分布等。
机器模拟数据522可以在放射模拟期间使用软件程序144中的剂量引擎生成,在所述放射模拟中,放射疗法机器配置有具有已知值X=X*的束模型参数{X}。在模拟期间,来自放射疗法机器的放射束可以应用于体模(例如,虚拟水体模)。扫描数据(例如,PPD和剂量分布)可以在体模中的不同深度处测量,所述深度例如0厘米(cm)至30厘米(cm)之间的多个深度。在特定深度(例如,z=5cm),扫描数据可以在一个或更多个区域尺寸(例如,2×2cm2、3×3cm2、5×5cm2、10×10cm2、20×20cm2或40×40cm2)内测量。在一些示例中,可以针对诸如4MV、6MV、10MV和15MV的束能量水平中的每一个生成机器模拟数据。
在一些示例中,训练数据520可以附加地包括机器设置数据,所述机器设置数据包括关于放射疗法机器的设置的信息。机器设置数据的示例可以包括:linac设置和几何信息,例如钳口准直器和MLC的位置和厚度;每个施加器的厚度、位置、形状(周长和边缘)以及组成;每个插入件的厚度、形状和组成;台架的位置;台架的位置等。机器设置数据还可以包括:关于放射疗法机器的一般信息,例如linac模型、序列号、MLC模型和模态等等。
预期结果524可以包括具有已知值X=X*的束模型参数{X}。束模型参数的示例可以包括放射疗法机器内的一个或更多个光子源的尺寸和位置、从放射疗法机器发射的光子的光子光谱的最大能量、对从放射疗法机器发射的光子光谱的形状进行描述的许多因素、放射疗法机器内的一个或更多个电子源的尺寸和位置、从放射疗法机器发射的电子光谱的平均能量、或者描述由放射疗法机器发射的放射(例如,电子或光子)可以如何离轴变化的一个或更多个数字等。
由于束模型参数{X}被设置成相应已知值,因此可以在不同测试条件下的剂量模拟期间收集模拟数据522。在示例中,放射疗法机器可以在模拟期间在没有施加器的情况下且在准直器钳口张开的情况下给送放射。在该测试条件下收集的机器扫描数据被称为开放场测量。开放场测量的示例可以包括深度-剂量曲线上的特定点处的绝对剂量(参考剂量)、特定源到检测器距离(SDD)处的空气中的剂量分布、在水中在特定SSD处的深度-剂量曲线。在示例中,SSD大约为100cm。在另一示例中,可以在剂量模拟期间使用施加器。在这种测试条件下收集的机器扫描数据被称为施加器测量。在示例中,可以针对每个能量/施加器组合执行施加器测量,所述施加器测量包括深度-剂量曲线上的特定点处的绝对剂量(参考剂量)、在水中在特定SSD处的深度-剂量曲线等。可以针对每个束能量在开放场和施加器组合中收集机器扫描数据(例如,PDD和剂量分布),其中,测量是在空气和/或水中在多个深度处进行的。
参照图7A至图7E,在图7A至图7E中的图基于模拟期间测量的扫描数据示出了例如在体模(例如,水体模)中的束特性例如百分比深度剂量(PDD)曲线或剂量分布。图7A示出了示例性PDD曲线710。沉积的放射量——作为介质中的深度的函数——可以使用安装在体模中的传感器测量。PDD曲线表示归一化成在参考深度(例如10cm)处的参考场尺寸(例如,10×10cm2)情况下的点剂量在不同深度处的剂量测量。图7B示出了示例性剂量分布720。剂量分布是离轴剂量分布,其由在具有距离束的中心轴的不同距离的位置处的相对剂量测量表示,并归一化成在参考深度和参考场尺寸处的剂量值。对于每个剂量分布,可以在特定场尺寸内在特定深度(z)处测量剂量值。通过示例的方式,剂量分布720表示与体模的x轴上z=10cm的深度和10×10cm2的场尺寸相对应的剂量分布。
可以使用与多个不同场尺寸相对应的剂量测量或模拟来生成剂量特性(例如,PDD曲线或剂量分布)。模拟剂量数据可用于构建包含可用于训练DL模型的剂量特性(例如,PDD曲线或剂量分布)的2D剂量值矩阵。具有不同类型或场尺寸的PDD曲线或剂量分布可以以它们各自的采样率进行采样以形成2D矩阵。在示例中,可以以0.2mm的分辨率对与2×2cm2的场尺寸相对应的剂量分布进行采样。在示例中,可以以0.3mm的分辨率对与3×3cm2的场尺寸相对应的剂量分布进行采样。通过示例而非限制的方式,图7C示出了根据相应PDD曲线采样的多个一维(1D)相对剂量阵列的叠加图730,其被称为采样PDD 731至736。图7D示出了根据特定深度(例如,体模的x轴上的5cm)处的剂量分布采样的多个1D相对剂量阵列的叠加图740,其被称为采样剂量分布741至746。在图7D中示出了仅具有正位置(即,距离大于零)的剂量分布的部分。采样PDD 731和剂量分布741对应于2×2cm2的场尺寸。采样PDD 732和采样剂量分布742对应于3×3cm2的场尺寸。采样PDD 733和采样剂量分布743对应于5×5cm2的场尺寸。采样PDD 734和采样剂量分布744对应于10×10cm2的场尺寸。采样PDD 735和采样剂量分布745对应于20×20cm2的场尺寸。采样PDD 736和采样剂量分布746对应于40×40cm2的场尺寸。在图7C和图7D两者中,y轴表示相对剂量值,而x轴表示相对剂量阵列的索引。使用插值法或外推法对数字索引表示的深度处的相对剂量值进行采样。来自多个采样PDD731至736或来自多个采样剂量分布741至746的相对剂量值可以构建成数据阵列,例如二维(2D)剂量值矩阵。可以将具有相同场尺寸的采样PDD和采样剂量分布组合成一个曲线。2D剂量值矩阵具有表示不同采样位置的第一维度和表示不同场尺寸的第二维度。所得2D剂量值矩阵可以用作训练数据来训练DL模型510。
训练DL模型可能需要大量训练数据。虽然更多的模拟可能会产生更多的训练数据,但它们也会延长模拟时间并增加计算复杂性。此外,本文献描述了在不执行过多模拟的情况下生成附加的训练数据的方法。该方法基于将从模拟中获得并组织在2D剂量值矩阵中的模拟数据进行插值和/或外推。图7E示出了表示在场尺寸范围内和在位置范围内的相对剂量值的表面图750。表面图750的z轴表示相对剂量值,y轴表示场尺寸的采样索引,以及x轴表示位置的采样索引。相对剂量值可以由2D剂量矩阵表示。如所描绘的,表面图750包括第一部分751和第二部分752。第一部分751上的剂量值可以由第一2D剂量矩阵表示,该第一2D剂量矩阵是通过对至少两个PDD曲线之间的相对剂量值进行插值和/或外推创建的。第二部分752上的剂量值可以由第二2D剂量矩阵表示,该第二2D剂量矩阵通过对至少两个剂量分布之间的相对剂量值进行插值和/或外推创建的。插值的示例可以包括线性插值、最近邻插值、多项式插值或样条插值等。相对剂量值的插值和/或外推可以以更精细的深度(z)分辨率和/或更精细的场尺寸分辨率在剂量值上执行。在一些示例中,插值的第一2D剂量矩阵和第二2D剂量矩阵各自可以具有不均匀的深度分辨率。例如,对于0mm与150mm之间的深度,PDD(第一剂量矩阵)可以以1mm的分辨率进行线性插值;以及对于从151mm至300mm的深度,PDD(第一2D剂量矩阵)可以以3mm的分辨率进行线性插值。在示例中,剂量分布(第二2D剂量矩阵)可以以根据其场尺寸的分辨率进行插值。例如,对于2×2cm2的场尺寸,场尺寸的分辨率可能约为0.2mm。这样,插值/外推的第一2D剂量矩阵和第二2D剂量矩阵各自表示针对具有相应更精细分辨率的位置范围和场尺寸范围计算的剂量值。插值/外推的第一2D剂量矩阵和第二2D剂量矩阵可以被连接。特定数目(例如,3000至5000个)连接的2D剂量矩阵可以用作训练数据来训练DL模型。在示例中,训练模块151可以以指定的采样分辨率将剂量特性采样到连接的2D剂量矩阵。连接的2D剂量矩阵可以包括插值剂量值。在示例中,可以根据场尺寸来选择采样分辨率。
在示例中,束模型包括VSM,例如以上参照图4所描述的。在剂量模拟期间,VSM被编程为具有多个VSM参数的已知值,XVSM=XVSM*。可以生成模拟机器扫描数据(例如,PPD和剂量分布),同时针对具有相同MLC类型的相同类型的linac仅改变VSM参数的子集并将其他VSM参数保持在它们的相应默认值(即,不改变整个剂量模拟)。为生成模拟数据而变化的VSM参数的子集的示例可以包括:输出因子(OF)参数,其包括初级光子、初级西格玛、散射距离、散射西格玛;光谱参数,其包括能量最大值、能量最小值、B值、次级B值;以及累积区域参数,其包括带电粒子、带电半径、带电平均能量E平均值、带电最大能量E最大值等。在示例中,VSM参数的子集中的至少一些子集可以被随机组合,并且可以生成与随机组合的VSM参数相对应的模拟数据522。在示例中,可以分析VSM参数的概率分布,并且可以基于它们的相应概率分布生成与VSM参数集相对应的模拟数据522。
现在返回参照图5,DL训练过程508可以应用训练数据520来训练DL模型510。在示例中,DL训练过程508可以在诸如服务器的第一设备中实现,并且训练数据520可以驻留在诸如本地客户端(例如,TPS系统)的不同的第二设备中。训练数据520可以被压缩,以及然后经由通信信道传送至服务器。
由于检测器的体积效应(检测器的有限尺寸提供了对敏感体积的平均响应),从模拟获得的剂量分布的半影可能变得比实际束特性更大。根据测量的剂量分布的半影获取的模拟数据当被用于训练DL模型时可能会在诸如主西格玛或散射距离以及其他VSM参数的一个或更多个束模型参数中引入预测误差。为了避免或减少这种预测误差,可以将加性噪声应用于模拟数据522以更真实地表示临床环境中的扫描数据,从而通过使用这样的“有噪”训练数据可以改进深度学习模型。例如,计算的剂量分布与测量的剂量分布之间的差异(称为剂量噪声)可以被添加至模拟数据522的至少一部分以产生表示更真实的实际临床数据的“有噪”训练数据。使用有噪训练数据训练DL模型可以提高经训练的DL模型的稳健性。
DL训练过程508可以包括对训练数据进行预处理以便减轻训练数据的某些缺陷的训练数据预处理531操作。如上所述,在将模拟数据用于DL训练过程508之前,可以人工地将噪声添加至模拟数据。预处理531可以包括可以从模拟数据中去除或衰减噪声的去噪操作(例如,计算模型)。在一些示例中,去噪操作可以整合至DL模型中。例如,去噪可以作为CNN中的全连接层来实现。CNN中的去噪层可以与DL模型的其余部分分开训练。去噪模型的训练数据可以包括测量的剂量分布和给送模型的XVMC计算数据。在训练去噪模型的示例中,测量的剂量分布可以被馈送至去噪模块以生成估计的XVMC计算剂量分布。估计的分布可以与计算的剂量进行比较,每个剂量点的差异之和被认为是用于优化去噪模块的惩罚。替选地,去噪层可以与DL模型的其余部分一起训练。包含对训练数据进行去噪的过程可以提高经训练的DL模型的模型参数预测性能。在一些示例中,训练数据预处理531操作可以包括将训练数据转换成期望的数据格式,例如重新排列2D剂量矩阵中的PDD数据和/或剂量分布数据的序列,而不改变用于特征识别的数据点的值。
预处理的模拟数据可以被馈送至DL模型510中以生成估计结果532,例如要预测的束模型参数(例如,VSM参数)的值。可以将估计结果532与预期结果524进行比较,所述预期结果524例如已经在剂量模拟中使用以产生模拟数据522的那些束模型参数{X}(例如,VSM模型参数{XVSM})的已知值X*。在533处,可以计算估计误差,例如估计结果532与预期结果524之间的差异。在534处,可以将估计误差与模型收敛或训练停止标准(例如关于指定数目的训练迭代进行持续的最小值)进行比较。如果未满足收敛或训练停止标准,则估计误差可以用于例如通过反向传播来更新DL模型参数(Θ,例如,层节点权重和偏差),以减少或最小化后续训练试验期间的估计误差或机器参数中的误差。然后可以从训练数据520和预期结果中选择另一批训练数据以用于DL模型训练的另一迭代。在示例中,可以执行使用估计误差的模型参数更新以最小化或减小损失函数(或目标函数、或成本函数)。如等式(1)中给出的,损失函数的示例是估计误差的平方:
J(Θ*)=argminΘ||Y*Y*||2 (1)
其中Y可以表示束模型参数X的估计值(估计结果532),Y*可以表示束模型参数X*的已知值(预期结果524),并且其中,Θ*可以表示DL模型的使Y与Y*之间的平方误差最小化的理想参数(例如,如上所述的层节点权重和偏差)。可以使用其他损失函数,例如logcosh、平均绝对误差(MAE)、均方误差(MSE)、加权MSE、Huber损失(平滑MAE)或分位数损失等。可以迭代地改进DL模型参数(Θ)的值。
更新DL模型的参数之后,迭代索引可以递增一。迭代索引可以对应于已经更新DL模型的参数的次数。可以在534处检查收敛或训练停止标准。在示例中,收敛或停止标准可以包括迭代索引值与阈值迭代数目比较。在示例中,收敛或停止标准可以包括在多次训练试验中的估计误差例如累积损失(例如,如上所讨论的通过损失函数计算出的束模型参数X的估计值与束模型参数X*的已知值之间的差异)与误差阈值比较。误差阈值可以对应于所确定的所有误差的渐近最小值。在示例中,误差阈值可以由相对于束模型参数X*的已知值的准确度水平例如公差范围来表示。准确度水平可以基于参数如何影响计算的剂量分布。通过示例而非限制的方式,表1示出了各种VSM参数的准确度水平。
如果在534处确定已经满足收敛或停止标准(例如,迭代索引超过阈值迭代数目,或累积损失落在误差阈值以下),则可以停止训练过程。可以将经训练的DL模型540保存在数据处理设备112的存储器116中或保存在服务器中。附加地或替选地,包含关于经训练的DL模型540的信息的报告可以经由用户接口136输出给用户。
对于从靶放疗系统收集的测试数据542,经训练的DL模型540可以部署到DL推理过程512以预测束模型参数(例如,VSM参数)。测试数据542可以包括指示放射疗法机器的配置或操作状态的机器扫描数据。通过将测试数据542应用于经训练的DL模型540,可以确定预测结果544(例如,束模型参数的值)。TPS系统可以使用具有预测束模型参数值的束模型来创建治疗计划。
在一些示例中,可以针对不同的MLC类型(例如,Agility准直器或MLCi2准直器,以上均来自瑞典斯德哥尔摩的Elekta AB)以及/或者在不同的能量水平(例如,4MV,6MV,10MV和15MV)下训练多个DL模型。经训练的DL模型可以通过MLC类型和能量水平进行索引,并在服务器中归档。在测试期间,客户端(例如,TPS系统)可以请求访问服务器中的经训练的DL模型,根据MLC类型和/或能量水平查询和检索适当的DL模型。然后,可以将测试数据542应用于检索到的DL模型以确定束模型的值。可以通过使用由DL模型确定的参数值替换束模型参数的默认值来更新束模型文件。然后,可以将束模型文件从服务器传输至客户端,在客户端可以基于束模型生成疗法治疗计划。
在一些示例中,经训练的DL模型540可以在在DL推理过程512中被测试之前被验证。可以使用与生成训练数据520类似的方法来生成验证数据。在示例中,验证数据可以包括从与剂量表面图750相对应的2D剂量矩阵随机获取的样本。验证数据中包括的样本可能不同于模拟数据522中的用于DL训练过程508的样本。将验证数据应用于训练模型540可以产生束模型参数X的预测值。如果预测的束模型参数值X与已知的束模型参数值X*之间的差异落在指定的准确度水平内,则认为DL模型通过了验证检查。在表1中示出了关于训练DL模型以进行预测的VSM束模型的各种参数的准确度水平的示例。
在一些示例中,用于验证DL模型540的验证数据可以包括测量的临床剂量数据(与从以上所讨论的模拟获得的模拟数据相反)。从具有相应场尺寸的多个部位(例如,5至10个部位)收集的临床剂量数据例如PPD和剂量分布数据可以应用于DL模型540。批量验证过程可以预测束模型参数,并且剂量引擎可以使用具有预测束模型参数的束模型来计算剂量度量。如果计算出的剂量度量与临床剂量度量基本相当,则认为DL模型通过了验证检查。然后,可以将DL模型发布到束建模过程,在束建模过程中可以生成束模型并将其提供至TPS以计算剂量度量并生成放疗治疗计划。
表1:VSM参数的准确度水平
图6A和图6B示出了预测VSM参数的卷积神经网络(CNN)。CNN网络可以自动地从样本中学习数据的特性,从而消除通常需要大量专业知识的常规机器学习模型中复杂的特征提取。CNN已被用于分析图像,尤其是用于识别数据中的层级模式。CNN的附加优点在于借助于权重共享,可以大大减少CNN参数的规模。因此,可以降低训练过程的复杂性,可以提高收敛速度,并且可以增强模型泛化能力。
图6A是示出LeNet CNN 610的示例性架构的图。LeNet CNN 610包括一个输入层611、中间学习层612和输出层613。在所示出的示例中,中间学习层612包括两个卷积层和两个全连接层。在每个卷积层之后为最大池化层。最大池化是非线性下采样的形式。最大池化将输入划分成不交叠的子区域集,并为每个这样的子区域输出最大值。最大池化可以帮助减少中间表示的维数、减少整体计算量并提高CNN的稳健性。
为了检测具有若干种场尺寸的束特性的变化,可以通过初始模块替换标准卷积层。初始模块被合并至CNN中作为减少计算费用的方式。图6B是示出图6A中的LeNet CNN610的卷积层中的初始模块620(也称为初始V1模块)的示例性架构的图。初始模块620可以包括同一层上的具有相应核尺寸的多个并行卷积滤波器。可以基于单个CNN修改核大小。如所描绘的,初始模块620使用三种不同尺寸的滤波器(1×1、3×3、5×5)执行卷积(例如,在卷积层1中)。1×1卷积、3×3卷积和5×5卷积可以在同一水平上执行,如图6B所示。因此,网络渐进地变得更宽。可以在初始模块中执行最大池化(例如,3×3最大池化)。所得输出可以连接并被发送至下一层。为了使该过程的计算费用更低,可以在3×3卷积层和5×5卷积层中的每一个之前添加额外的1×1卷积。因此,输入通道的数目受到限制,并且1×1卷积比3×3卷积和5×5卷积更便宜。在3×3最大池化层之后添加1×1卷积。在一些示例中,初始V1模块的变型例如初始V2、初始V3、初始V4或初始-ResNet可用于替换LeNet 610中的卷积层。
图8是示出在放疗治疗计划中使用的束模型的基于AI的建模和验证的示例性方法800的流程图。方法800可以使用经训练的深度学习(DL)模型来预测束模型(例如虚拟源模型(VSM))的参数值。在示例中,方法800可以在放疗系统100中实现并由放疗系统100执行,该放疗系统100可以包括用于根据治疗计划向对象提供放疗的放射疗法机器。
在810处,可以从放射疗法机器接收或以其他方式测量机器扫描数据。机器扫描数据可以包括关于放射疗法机器的设置、不同测试条件下的剂量分布(dose distribution)和剂量分布(dose profile)的信息。在示例中,机器扫描数据表示linac头的束特性,并且可以通过水体模中的一个或更多个放射检测器(例如,离子室)测量。扫描数据的示例可以包括:表征相对剂量量的百分比深度剂量(PDD),其被确定为特定深度(z,例如在0mm至300mm的范围内)处的轴剂量与在参考剂量深度处的轴剂量之间的比率(z0);以及表征诸如对角线上的剂量的离轴剂量分布(dose distribution)的剂量分布(dose profile),或者表示相对剂量随径向距离变化的百分比径向剂量(PRD)分布。
在820处,可以将接收到的机器扫描数据应用于经训练的深度学习(DL)模型以确定关于束模型的束模型参数的值,束模型参数包括例如放射疗法机器内的一个或更多个光子源的大小和位置、从放射疗法机器发射的光子的光子光谱的最大能量、对从放射疗法机器发射的光子光谱的形状进行描述的许多因素、放射疗法机器内的一个或更多个电子源的大小和位置、从放射疗法机器发射的电子光谱的平均能量、或者描述由放射疗法机器发射的放射(例如,电子或光子)可以如何离轴变化的一个或更多个数字等。可以例如使用训练模块151预先训练DL模型。如以上所讨论的,可以使用示例性过程500来执行DL模型的训练。DL模型的示例可以包括卷积神经网络(CNN)、递归神经网络(RNN)、长期和短期记忆(LSTM)网络、深度信念网络(DBN)、生成对抗网络、机器学习模型、迁移学习模块、包括不同类型或不同模型配置的两个或更多个神经网络模型的混合神经网络,或者任何类型的基于人工智能的模型。DL模型的架构和参数可以根据要预测的束模型而变化。在示例中,束模型是如图4中描绘的VSM模型。以上参照图6A至图6B描述了用于预测VSM的模型参数值的示例性CNN模型。在一些示例中,经训练的DL模型可以包括经训练的去噪模块(例如,计算模型)以预处理接收到的机器扫描数据。预处理模块可以实现为CNN的去噪模块中的全连接层,并被训练成从接收到的机器扫描数据中去除或衰减噪声。去噪模块可以与DL模型的其余部分分开训练。在DL模型中包含预处理模块可以提高束模型参数预测的稳健性。预处理数据可以在被用于束模型参数值的预测之前被转换成期望的数据格式。例如,如以上参照图7E所描述的在2D剂量矩阵中的PDD数据和/或剂量分布数据的序列可以被重新排列,而无需改变用于特征识别的数据点的值。
在830处,可以例如使用剂量引擎来使用束模型计算虚拟体模(例如,水体模)中的剂量度量,该束模型具有根据820从经训练的DL模型获得的预测的模型参数值。剂量引擎的示例可以包括体素蒙特卡罗(VMC)剂量引擎或X射线体素蒙特卡罗(XVMC)剂量引擎。可以使用各种算法来计算剂量,所述算法包括例如蒙特卡罗剂量算法例如XVMC算法。在示例中,束模型可以导入至TPS(例如,由瑞典斯德哥尔摩的Elekta AB制造的治疗计划系统)中,它可以使用蒙特卡罗算法(实现为存储在软件程序144中的软件包)计算虚拟体模中的剂量分布。
在840处,具有基于DL模型确定的模型参数的束模型可以在被部署用于临床治疗计划之前被验证。可以将来自步骤830的计算的剂量与测量值进行比较以确定计算的剂量是否满足剂量验证标准(也称为给送标准),所述剂量验证标准例如落入相对于测量值的剂量度量的公差范围(±x%)内的一个或更多个剂量度量。给送标准的示例可以包括以下中的任何一个:在±2%公差内的中心射线,在3%公差内低梯度处的高剂量,在3%公差内3mm处的高梯度(例如,30%/cm),在3%公差内低梯度处的低剂量,在2%公差内的输出因子。在一些示例中,给送标准可以包括人工检查和验证。例如,建模物理学家可以例如在用户界面中将束模型(例如,VSM模型)分级为以下其中之一:“通过”(指示模型已准备好给送)、“失败”(指示模型对于给送是不可接受的)或“需要改进”(指示需要进一步调整束模型参数)。建模物理学家可以进一步添加注释以指示需要改进的剂量的各种特性,例如PDD的光谱、输出因子(OF,在参考深度处)、累积区域(针对电子污染的衰减的深度范围)、角状突起(远离中心轴的束强度增加,这主要取决于平坦化滤波器设计)和轮廓的半影(围绕几何束边缘)等。
如果在850处,束模型满足给送标准,则束模型可以被输出给用户,或者在870处被部署至TPS以用于临床治疗计划。TPS可以使用束模型、医学图像(例如,与患者解剖结构区域、器官或感兴趣体积分割数据相关联的成像数据)和患者数据(例如,功能性器官建模数据、放射剂量数据(例如,DVH信息)以及关于患者和治疗的其他临床信息来生成放射疗法治疗计划。
如果在850处,束模型不满足给送标准,则可以在862处修改束模型,例如由人类建模者(例如,建模物理学家)手动调整一个或更多个束模型参数,直至它准备好被部署至TPS。替选地,在失败束模型的情况下,DL模型可以在864处被重新训练或调整,以及然后用于预测新的束模型参数集。可以在840处验证具有新的模型参数集的束模型。
图9示出了机器900的示例的框图,在该机器900上可以实现如本文所讨论的方法中的一种或更多种。在一个或更多个示例中,数据处理设备112的一项或更多项可以由机器900来实现。在替选的示例中,机器900作为独立的设备进行操作,或者可以连接(例如,联网)至其他机器。在一个或更多个示例中,数据处理设备112可以包括机器900的项中的一项或更多项。在联网的部署中,机器900可以在服务器-客户端网络环境中以服务器或客户端机器的能力进行操作,或者在对等(或分布式)网络环境中作为对等机器进行操作。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络设备、网络路由器、交换机或网桥或者能够(顺序地或以其他方式)执行指令的任何机器,这些指令指定要由该机器采取的动作。此外,尽管仅示出了单个机器,但是术语“机器”也应被理解为包括机器的任一集合,这些机器单独地或共同地执行一组(或多组)指令以执行本文所讨论的方法中的任何一个或更多个。
示例机器900包括处理器902(例如,中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路、电路系统(例如一个或更多个晶体管、电阻器、电容器、电感器、二极管、逻辑门、复用器、缓冲器、调制器、解调器、无线电(例如,发送或接收无线电或者收发器))、传感器921(例如,将一种形式的能量(例如,光、热、电、机械或其他能量)转换为另一形式的能量的换能器)等或者其组合)、主存储器904和静态存储器906,所述处理器902、主存储器904和静态存储器906经由总线908彼此通信。机器900(例如计算机系统)还可以包括视频显示单元910(例如,液晶显示器(LCD)或阴极射线管(CRT))。机器900还包括字母数字输入设备912(例如键盘)、用户接口(UI)导航设备914(例如鼠标)、磁盘驱动器或大容量存储单元916、信号生成设备918(例如扬声器)和网络接口设备920。
磁盘驱动器单元916包括机器可读介质922,在该机器可读介质922上存储一组或更多组指令和数据结构(例如软件)924,这些指令和数据结构(例如软件)体现本文所述的方法或功能中的任何一种或更多种或者被本文所述的方法或功能中的任何一种或更多种利用。在由机器900执行指令924期间,指令924还可以全部或至少部分地驻留在主存储器904内和/或在处理器902内,主存储器904和处理器902也构成机器可读介质。
如所示的机器900包括输出控制器928。输出控制器928管理至/来自机器900的数据流。输出控制器928有时被称为设备控制器,其中直接与输出控制器928交互的软件被称为设备驱动器。
虽然在示例中机器可读介质922被示出为单个介质,但是术语“机器可读介质”可以包括存储一个或更多个指令或者数据结构的单个介质或多个介质(例如,集中式或分布式数据库,和/或相关联的高速缓存和服务器)。术语“机器可读介质”还应被认为包括能够存储、编码或携带指令或者能够存储、编码或携带数据结构的任何有形介质,这些指令由机器执行并且使机器执行本发明的方法中的任何一种或更多种方法,这些数据结构由这样的指令利用或与这样的指令相关联。因此,术语“机器可读介质”应被认为包括但不限于固态存储器以及光学介质和磁介质。机器可读介质的特定示例包括非易失性存储器,所述非易失性存储器通过示例的方式包括:半导体存储器件,例如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存器件;磁盘,例如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM磁盘。
还可以使用传输介质通过通信网络926来发送或接收指令924。可以使用网络接口设备920和许多众所周知的传输协议(例如HTTP)中的任何一种来发送指令924。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)、因特网、移动电话网络、普通老式电话(POTS)网络和无线数据网络(例如WiFi和WiMax网络)。术语“传输介质”应被认为包括能够存储、编码或携带由机器执行并且包括数字或模拟通信信号的指令的任何无形介质,或者便于这样的软件的通信的其他无形介质。
如本文所使用的,“在……之间通信上耦接”指的是在耦接中的任何一个上的实体必须通过在其之间的项进行通信,并且这些实体在不通过该项进行通信的情况下无法彼此进行通信。
下面提供各种非限制性示例性实施方式的进一步描述。下面描述的示例性实施方式可以结合一个或更多个其他方面或示例性实施方式来实践。也就是说,本发明的示例性实施方式,例如下面描述的那些,可以以任何组合(例如,适合的、可行的和/或可行的任何组合)来实现、实践或利用,并且不仅限于本文中描述的和/或包含在所附权利要求中的那些组合。
示例1是用于生成针对放射疗法治疗计划的束模型的系统,所述放射疗法治疗计划用于经由放射疗法设备治疗患者。该系统包括:存储器,其用于存储经训练的深度学习(DL)模型和多个束模型参数;以及处理器电路,其被配置成:接收指示放射疗法设备的配置或操作状态的机器扫描数据;将所接收到的机器扫描数据应用于所述经训练的DL模型以确定多个束模型参数的值;基于所确定的多个束模型参数的值生成束模型;以及将束模型存储在能够由用户或治疗计划系统访问的存储器中。
在示例2中,示例1的主题可选地包括可以包括一个或更多个虚拟粒子源的束模型,所述虚拟粒子源包括:初级光子源;散射光子源;或电子污染源。
在示例3中,示例1至2中的任何一个或更多个的主题可选地包括处理器电路,所述处理器电路可以包括训练模块,所述训练模块被配置成:访问在放射模拟中测量的模拟机器扫描数据,其中,所述模拟机器扫描数据由以束模型参数的已知值编程的放射疗法设备测量;基于所述模拟机器扫描数据构建训练数据集;以及通过应用训练数据集和束模型参数的已知值来训练DL模型。
在示例4中,示例3的主题可选地包括模拟机器扫描数据,该模拟机器扫描数据可以包括至少一个剂量特征,所述剂量特性包括:百分比深度剂量(PDD)曲线;剂量分布;剂量体积直方图;交叠体积直方图;或三维剂量分布。
在示例5中,示例3至4中的任何一个或更多个的主题可选地包括模拟机器扫描数据,所述模拟机器扫描数据可以包括与多个场尺寸相对应的多个剂量分布,并且训练模块被配置成:在与不同场尺寸相对应的多个剂量分布中的至少两个之间插值剂量值;以及使用取自包括经插值的剂量值的多个剂量分布的样本构建训练数据集。
在示例6中,示例5的主题可选地包括训练模块,所述训练模块可以被配置成:使用与多个场尺寸相对应的多个剂量分布生成二维(2D)剂量矩阵,所述2D剂量矩阵表示针对多个位置并与多个场尺寸相对应的剂量值;以及通过以根据场尺寸的采样分辨率对2D剂量矩阵进行采样来构建训练数据集。
在示例7中,示例3至6中任何一个或更多个的主题可选地包括训练模块,所述训练模块可以配置成将加性噪声应用于模拟机器扫描数据以构建使得能够改进DL模型的训练数据集。
在示例8中,示例3至7中的任何一个或更多个的主题可选地包括:第一设备,其包括训练模块;以及第二设备,其被配置成经由通信信道从第一设备接收经训练的DL模型,并且通过将所接收到的机器扫描数据应用于DL模型来生成束模型。
在示例9中,示例1至8中任何一个或更多个的主题可选地包括经训练的DL模型,该经训练的DL模型可以包括以下中的至少一个:卷积神经网络(CNN);递归神经网络(RNN);长期和短期记忆(LSTM)网络;深度信念网络(DBN);生成对抗网络;机器学习模型;迁移学习模块;或基于人工智能的学习模型。
在示例10中,示例9的主题可选地包括经训练的DL模型,该经训练的DL模型可以包括具有初始模块的CNN。
在示例11中,示例1至10中的任何一个或更多个的主题可选地包括经训练的DL模型,该经训练的DL模型可以包括去噪模块,并且处理器电路被配置成生成经训练的深度学习模型,包括被配置成训练去噪模块以去除或衰减来自训练数据的噪声。
在示例12中,示例1至11中的任何一个或更多个的主题可选地包括处理器电路,该处理器电路可以进一步被配置成:使用所生成的具有所确定的束模型参数值的束模型计算剂量分布;以及如果所计算的剂量分布满足与从放射疗法设备测量的束特性相关的条件,则确定束模型通过验证检查。
在示例13中,示例1至12中的任何一个或更多个的主题可选地包括被配置成基于束模型为患者生成放射疗法治疗计划的治疗计划系统。
在示例14中,示例1至13中的任何一个或更多个的主题可选地包括用户接口,所述用户接口被配置成向用户呈现经训练的DL模型或束模型。
示例15是用于生成针对放射疗法治疗计划的束模型的方法,所述放射疗法治疗计划用于经由放射疗法设备治疗患者,所述方法包括:接收指示所述放射疗法设备的配置或操作状态的机器扫描数据;提供与多个束模型参数相关联的经训练的深度学习(DL)模型;将所接收到的机器扫描数据应用于经训练的DL模型以确定多个束模型参数的值;基于所确定的多个束模型参数的值生成束模型;以及将束模型输出给用户或治疗计划系统。
在示例16中,示例15的主题可选地包括束模型,所述束模型可以包括一个或更多个虚拟粒子源,所述虚拟粒子源包括:初级光子源;散射光子源;或电子污染源。
在示例17中,示例15至16中的任何一个或更多个的主题可选地包括:访问在放射模拟中测量的模拟机器扫描数据,其中,模拟机器扫描数据由以束模型参数的已知值编程的放射疗法设备测量;基于模拟机器扫描数据构建训练数据集;以及通过应用训练数据集和束模型参数的已知值来生成经训练的DL模型。
在示例18中,示例17的主题可选地包括模拟机器扫描数据,所述模拟机器扫描数据可以包括与多个场尺寸相对应的多个剂量分布,并且其中,构建训练数据集包括:在与不同场尺寸相对应的多个剂量分布中的至少两个之间插值剂量值;以及使用取自包括经插值的剂量值的多个剂量分布的样本构建训练数据集。
在示例19中,示例18的主题可选地包括构建训练数据集,构建训练数据集可以包括:使用与多个场尺寸相对应的多个剂量分布生成二维(2D)剂量矩阵,所述2D剂量矩阵表示针对多个位置并与多个场尺寸相对应的剂量值;以及以根据场尺寸的采样分辨率对所述2D剂量矩阵进行采样。
在示例20中,示例18至19中的任何一个或更多个的主题可选地包括将加性噪声应用于模拟机器扫描数据,以构建使得能够改进DL模型的训练数据集。
在示例21中,示例15至20中的任何一个或更多个的主题可选地包括经训练的DL模型,该经训练的DL模型可以包括具有初始模块的卷积神经网络(CNN)。
在示例22中,示例15至21中的任何一个或更多个的主题可选地包括经训练的DL模型,该经训练的DL模型可以包括去噪模块,并且生成经训练的DL模型可以包括训练去噪模块以去除或衰减来自训练数据集的噪声。
在示例23中,示例15至22中的任何一个或更多个的主题可选地包括:使用所生成的具有所确定的束模型参数值的束模型计算剂量分布;以及如果所计算的剂量分布满足与从放射疗法设备测量的束特性相关的条件,则确定束模型通过验证检查。
在示例24中,示例15至23中的任何一个或更多个的主题可选地包括经由治疗计划系统基于束模型为患者生成放射疗法治疗计划。
补充注释
以上的详细描述包括对附图的参照,这些附图形成详细描述的一部分。附图通过说明的方式而不是通过限制的方式示出了具体示例,在所述具体示例中可以实践本公开内容。这些示例在本文中也被称为“示例”。这些示例可以包括除了示出或描述的那些元素之外的元素。然而,本发明人还设想了提供仅示出或描述的那些元素的示例。此外,相对于特定示例(或其一个或更多个方面)或相对于在本文中示出或描述的其他示例(或其一个或更多个方面),本发明人还设想了使用示出或描述的那些元素的任何组合或置换(或其一个或更多个方面)的示例。
本文献中参考的所有出版物、专利和专利文献都通过引用整体并入本文,就好像通过引用单独地并入一样。如果在本文献与通过引用并入的那些文献之间存在不一致用法,则并入的一个或多个参考中的用法应被视为对本文献的用法的补充;对于矛盾的不一致之处,以本文献中的用法为准。
在本文献中,在介绍本公开内容的各个方面或其示例中的元素时,如在专利文献中常见的那样,使用术语“一”、“一个”、“该”和“所述”以包括元素中的一个或多于一个或更多个,独立于“至少一个”或者“一个或更多个”的任何其他实例或用法。在本文献中,术语“或”被用于表示非排他性,或者,使得除非另有说明,否则“A或B”包括“A而非B”、“B而非A”以及“A和B”。
在所附方面中,术语“包括(including)”和“其中(in which)”被用作相应术语“包括(comprising)”和“其中(wherein)”的通俗英语等同物。此外,在以下方面中,术语“包括(comprising)”、“包括(including)”和“具有”旨在是开放性的,意指除了所列元素之外可能还有其他元素,使得在某方面中的这样的术语(例如,包括(comprising)、包括(including)、具有)之后的仍被认为落入该方面的范围内。此外,在以下方面中,术语“第一”、“第二”和“第三”等仅被用作标记,并且不旨在对其对象施加数字要求。
本公开内容的示例可以用计算机可执行指令来实现。计算机可执行指令(例如,软件代码)可以被组织成一个或更多个计算机可执行部件或模块。可以用任何数目的这样的部件或模块以及这样的部件或模块的任何组织来实现本公开内容的各个方面。例如,本公开内容的各个方面不限于在附图中示出和在本文中描述的特定计算机可执行指令或者特定部件或模块。本公开内容的其他示例可以包括具有比本文中示出和描述的功能更多或更少的功能的不同的计算机可执行指令或部件。
本文中描述的方法示例(例如,操作和功能)可以至少部分地是机器或计算机实现的(例如,被实现为软件代码或指令)。一些示例可以包括编码有指令的计算机可读介质或机器可读介质,所述指令能够操作成配置电子器件来执行如在以上示例中所述的方法。这样的方法的实现方式可以包括软件代码例如微代码、汇编语言代码、高级语言代码等(例如“源代码”)。这样的软件代码可以包括用于执行各种方法的计算机可读指令(例如,“对象”或“可执行代码”)。软件代码可以形成计算机程序产品的部分。可以经由在其上存储有代码或指令的制品,或者经由操作通信接口以经由通信接口(例如,无线地、通过因特网、经由卫星通信等)发送数据的方法来提供本文描述的示例的软件实现方式。
此外,可以在执行期间或在其他时间将软件代码有形地存储在一个或更多个易失性或非易失性计算机可读存储介质上。这些计算机可读存储介质可以包括以可以由机器(例如,计算设备、电子系统等)访问的形式存储信息的任何机构,例如但不限于软盘、硬盘、可移动磁盘、任何形式的磁盘存储介质、CD-ROM、磁光盘、可移动光盘(例如,压缩光盘和数字视频磁盘)、闪存器件、磁带盒、存储卡或存储棒(例如,安全数字卡)、RAM(例如CMOS RAM等)、可记录/不可记录介质(例如,只读存储器(ROM))、EPROM、EEPROM或者适于存储电子指令的任何类型的介质等。这样的计算机可读存储介质耦接至计算机系统总线以可以由处理器和OIS的其他部分来访问。
在示例中,计算机可读存储介质可以已经编码了用于治疗计划的数据结构,其中治疗计划可以是自适应的。用于计算机可读存储介质的数据结构可以是医学数字成像和通信(DICOM)格式、扩展的DICOM格式、XML格式等中的至少一种。DICOM是一种定义用于在各种类型的医疗装备之间传输与医学图像有关的数据的格式的国际通信标准。DICOM RT指的是特定于放射疗法的通信标准。
在本公开内容的各种示例中,创建部件或模块的方法可以以软件、硬件或其组合来实现。例如,可以通过使用标准编程语言诸如例如C、C++、Java、Python等以及其组合以软件来实现由本公开内容的各种示例提供的方法。如本文所使用的,术语“软件”和“固件”是可互换的,并且包括存储在存储器中以由计算机执行的任何计算机程序。
通信接口包括与硬连线介质、无线介质、光学介质等中的任何一种对接以与另一设备进行通信的任何机构,例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来配置通信接口,以准备通信接口来提供描述软件内容的数据信号。可以经由被发送至通信接口的一个或更多个命令或信号来访问通信接口。
本公开内容还涉及用于执行本文中的操作的系统。该系统可以针对所需目的专门地被构造,或者可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。除非另有说明,否则本文示出和描述的本公开内容的示例中的操作的运行或执行的顺序不是必须的。也就是说,除非另有说明,否则可以以任何顺序来执行操作,并且与本文公开的那些操作相比,本公开内容的示例可以包括另外的操作或更少的操作。例如,设想到,在另一操作之前、与另一操作同时或在另一操作之后执行或进行特定操作落入本公开内容的各个方面的范围内。
鉴于以上内容,将看到,实现了本公开内容的若干目的并且获得了其他有利的结果。已经详细地描述了本公开内容的各个方面,将明显的是,在不脱离如在所附各个方面中限定的本公开内容的各个方面的范围的情况下,修改和变型是可行的。由于可以在不脱离本公开内容的各个方面的范围的情况下在以上构造、产品和方法中进行各种改变,因此旨在,以上描述中包含的和附图中示出的所有内容应被解释为说明性的,而并非在限制性的意义上。
以上描述旨在是说明性的,而不是限制性的。例如,上述示例(或其一个或更多个方面)可以彼此组合使用。另外,在不脱离本公开内容的范围的情况下,可以做出许多修改以使特定情况或材料适应于本公开内容的教导。尽管本文描述的材料和涂层的尺寸、类型旨在限定本公开内容的参数,但是其绝不是限制性的,而是示例性示例。在回顾以上描述之后,许多其他示例对于本领域技术人员将是明显的。因此,本公开内容的范围应参考所附各个方面以及这些方面被赋予的等同物的全部范围来确定。
此外,在以上的具体实施方式中,可以将各种特征组合在一起以简化本公开内容。这不应被解释为一种预期之外的公开特征对于任何方面是必要的意图。而是,本发明的主题可以在于少于特定公开的示例的所有特征。因此,以下方面由此被并入具体实施方式中,其中每个方面独自作为单独的示例。本公开内容的范围应参考所附各个方面以及这些方面被赋予的等同物的全部范围来确定。此外,以下各个方面的限制不以装置加功能的格式编写,并且也不旨在基于35 U.S.C.§112第六段进行解释,除非并且直至这样的方面的限制明确地使用短语“用于……的装置”,“用于”之后是没有进一步的结构的功能陈述。
提供摘要以允许读者快速地确定技术公开内容的实质。提交时应理解,其将不被用于解释或限制权利要求的范围或含义。
Claims (24)
1.一种用于生成针对放射疗法治疗计划的束模型的系统,所述放射疗法治疗计划用于经由放射疗法设备治疗患者,所述系统包括:
存储器,其用于存储经训练的深度学习模型和多个束模型参数;以及
处理器电路,其被配置成:
接收指示所述放射疗法设备的配置或操作状态的机器扫描数据;
将所接收到的机器扫描数据应用于所述经训练的深度学习模型以确定所述多个束模型参数的值;
基于所确定的所述多个束模型参数的值生成束模型;以及
将所述束模型存储在能够由用户或治疗计划系统访问的所述存储器中。
2.根据权利要求1所述的系统,其中,所述束模型包括一个或更多个虚拟粒子源,所述一个或更多个虚拟粒子源包括:
初级光子源;
散射光子源;或
电子污染源。
3.根据权利要求1或2中任一项所述的系统,其中,所述处理器电路包括训练模块,所述训练模块被配置成:
访问在放射模拟中测量的模拟机器扫描数据,其中,所述模拟机器扫描数据由以束模型参数的已知值编程的所述放射疗法设备测量;
基于所述模拟机器扫描数据构建训练数据集;以及
通过应用所述训练数据集和所述束模型参数的已知值来训练深度学习模型。
4.根据权利要求3所述的系统,其中,所述模拟机器扫描数据包括至少一个剂量特性,所述至少一个剂量特性包括:
百分比深度剂量(PDD)曲线;
剂量分布;
剂量-体积直方图;
交叠体积直方图;或
三维剂量分布。
5.根据权利要求3所述的系统,其中,所述模拟机器扫描数据包括与多个场尺寸相对应的多个剂量分布,并且所述训练模块被配置成:
在与不同场尺寸相对应的所述多个剂量分布中的至少两个之间插值剂量值;以及
使用取自包括经插值的剂量值的所述多个剂量分布的样本构建所述训练数据集。
6.根据权利要求5所述的系统,其中,所述训练模块被配置成:
使用与多个场尺寸相对应的所述多个剂量分布生成二维(2D)剂量矩阵,所述2D剂量矩阵表示针对多个位置和多个场尺寸计算的剂量值;以及
通过以根据场尺寸的采样分辨率对所述2D剂量矩阵进行采样来构建所述训练数据集。
7.根据权利要求3至6中任一项所述的系统,其中,所述训练模块被配置成将加性噪声应用于所述模拟机器扫描数据,以构建使得能够改进所述深度学习模型的所述训练数据集。
8.根据权利要求3至7中任一项所述的系统,包括:
第一设备,其包括所述训练模块;以及
第二设备,其被配置成经由通信信道从所述第一设备接收所述经训练的深度学习模型,并且通过将所接收到的机器扫描数据应用于所述深度学习模型来生成所述束模型。
9.根据权利要求1至8中任一项所述的系统,其中,所述经训练的深度学习模型包括以下中的至少一个:
卷积神经网络(CNN);
递归神经网络(RNN);
长期和短期记忆(LSTM)网络;
深度信念网络(DBN);
生成对抗网络;
机器学习模型;
迁移学习模块;或
基于人工智能的学习模型。
10.根据权利要求9所述的系统,其中,所述经训练的深度学习模型包括具有初始模块的CNN。
11.根据权利要求1至10中任一项所述的系统,其中,所述经训练的深度学习模型包括去噪模块,并且所述处理器电路被配置成生成所述经训练的深度学习模型包括训练所述去噪模块以去除或衰减来自训练数据的噪声。
12.根据权利要求1至11中任一项所述的系统,其中,所述处理器电路还被配置成:
使用具有所确定的所述束模型参数值的所生成的束模型计算剂量分布;以及
如果所计算的剂量分布满足与从所述放射疗法设备测量的束特性相关的条件,则确定所述束模型通过验证检查。
13.根据权利要求1至12中任一项所述的系统,包括被配置成基于所述束模型为所述患者生成放射疗法治疗计划的所述治疗计划系统。
14.根据权利要求1至13中任一项所述的系统,包括用户接口,所述用户接口被配置成向所述用户呈现所述经训练的深度学习模型或所述束模型。
15.一种用于生成针对放射疗法治疗计划的束模型的方法,所述放射疗法治疗计划用于经由放射疗法设备治疗患者,所述方法包括:
接收指示所述放射疗法设备的配置或操作状态的机器扫描数据;
提供与多个束模型参数相关联的经训练的深度学习模型;
将所接收到的机器扫描数据应用于所述经训练的深度学习模型以确定所述多个束模型参数的值;
基于所确定的所述多个束模型参数的值生成束模型;以及
将所述束模型输出给用户或治疗计划系统。
16.根据权利要求15所述的方法,其中,所述束模型包括一个或更多个虚拟粒子源,所述虚拟粒子源包括:
初级光子源;
散射光子源;或
电子污染源。
17.根据权利要求15或16中任一项所述的方法,包括:
访问在放射模拟中测量的模拟机器扫描数据,其中,所述模拟机器扫描数据由以束模型参数的已知值编程的所述放射疗法设备测量;
基于所述模拟机器扫描数据构建训练数据集;以及
通过应用所述训练数据集和所述束模型参数的已知值来生成所述经训练的深度学习模型。
18.根据权利要求17所述的方法,其中,所述模拟机器扫描数据包括与多个场尺寸相对应的多个剂量分布,并且其中,构建所述训练数据集包括:
在与不同场尺寸相对应的所述多个剂量分布中的至少两个之间插值剂量值;以及
使用取自包括经插值的剂量值的所述多个剂量分布的样本构建所述训练数据集。
19.根据权利要求18所述的方法,其中,构建所述训练数据集包括:
使用与多个场尺寸相对应的所述多个剂量分布生成二维(2D)剂量矩阵,所述2D剂量矩阵表示针对多个位置和多个场尺寸计算的剂量值;以及
以根据场尺寸的采样分辨率对所述2D剂量矩阵进行采样。
20.根据权利要求18所述的方法,还包括将加性噪声应用于所述模拟机器扫描数据,以构建使得能够改进所述深度学习模型的所述训练数据集。
21.根据权利要求15至20中任一项所述的方法,其中,所述经训练的深度学习模型包括具有初始模块的卷积神经网络(CNN)。
22.根据权利要求15至21中任一项所述的方法,其中,所述经训练的深度学习模型包括去噪模块,并且生成所述经训练的深度学习模型包括训练所述去噪模块以去除或衰减来自所述训练数据集的噪声。
23.根据权利要求15至22中任一项所述的方法,还包括:
使用具有所确定的所述束模型参数值的所生成的束模型计算剂量分布;以及
如果所计算的剂量分布满足与从所述放射疗法设备测量的束特性相关的条件,则确定所述束模型通过验证检查。
24.根据权利要求15至23中任一项所述的方法,包括经由所述治疗计划系统基于所述束模型为患者生成放射疗法治疗计划。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/112920 WO2022047637A1 (en) | 2020-09-02 | 2020-09-02 | Automatic beam modeling based on deep learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116096461A true CN116096461A (zh) | 2023-05-09 |
Family
ID=80492191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080103747.3A Pending CN116096461A (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习的自动束建模 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230285774A1 (zh) |
EP (1) | EP4208253A4 (zh) |
CN (1) | CN116096461A (zh) |
WO (1) | WO2022047637A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11903760B2 (en) * | 2021-09-08 | 2024-02-20 | GE Precision Healthcare LLC | Systems and methods for scan plane prediction in ultrasound images |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150094519A1 (en) * | 2013-09-30 | 2015-04-02 | Varian Medical Systems, Inc. | Predicting achievable dose distribution using 3d information as an input |
CN108415058A (zh) * | 2018-01-23 | 2018-08-17 | 深圳市旭东数字医学影像技术有限公司 | 放射线的剂量计算方法及系统 |
CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
CN109843377A (zh) * | 2016-09-07 | 2019-06-04 | 医科达有限公司 | 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法 |
CN110290832A (zh) * | 2017-01-30 | 2019-09-27 | 皇家飞利浦有限公司 | 对治疗目标在放射疗法中的可实现性的评估 |
US20200075148A1 (en) * | 2018-08-31 | 2020-03-05 | The Board Of Regents Of The University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
CN110944717A (zh) * | 2017-07-25 | 2020-03-31 | 医科达有限公司 | 使用深度卷积网络的放射疗法计划 |
CN111432879A (zh) * | 2017-12-08 | 2020-07-17 | 医科达有限公司 | 使用深度卷积神经网络确定束模型参数 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9409039B2 (en) * | 2013-05-21 | 2016-08-09 | Varian Medical Systems International Ag | Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
US11557390B2 (en) * | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
-
2020
- 2020-09-02 WO PCT/CN2020/112920 patent/WO2022047637A1/en unknown
- 2020-09-02 EP EP20951885.1A patent/EP4208253A4/en active Pending
- 2020-09-02 CN CN202080103747.3A patent/CN116096461A/zh active Pending
- 2020-09-02 US US18/043,755 patent/US20230285774A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150094519A1 (en) * | 2013-09-30 | 2015-04-02 | Varian Medical Systems, Inc. | Predicting achievable dose distribution using 3d information as an input |
CN109843377A (zh) * | 2016-09-07 | 2019-06-04 | 医科达有限公司 | 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法 |
US20190192880A1 (en) * | 2016-09-07 | 2019-06-27 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
CN110290832A (zh) * | 2017-01-30 | 2019-09-27 | 皇家飞利浦有限公司 | 对治疗目标在放射疗法中的可实现性的评估 |
CN110944717A (zh) * | 2017-07-25 | 2020-03-31 | 医科达有限公司 | 使用深度卷积网络的放射疗法计划 |
CN111432879A (zh) * | 2017-12-08 | 2020-07-17 | 医科达有限公司 | 使用深度卷积神经网络确定束模型参数 |
CN108415058A (zh) * | 2018-01-23 | 2018-08-17 | 深圳市旭东数字医学影像技术有限公司 | 放射线的剂量计算方法及系统 |
CN108717866A (zh) * | 2018-04-03 | 2018-10-30 | 陈辛元 | 一种预测放疗计划剂量分布的方法、装置、设备及存储介质 |
US20200075148A1 (en) * | 2018-08-31 | 2020-03-05 | The Board Of Regents Of The University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
Also Published As
Publication number | Publication date |
---|---|
EP4208253A1 (en) | 2023-07-12 |
US20230285774A1 (en) | 2023-09-14 |
WO2022047637A9 (en) | 2023-03-23 |
WO2022047637A1 (en) | 2022-03-10 |
EP4208253A4 (en) | 2024-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018307739B2 (en) | Radiation therapy planning using deep convolutional network | |
US11896847B2 (en) | Adversarial prediction of radiotherapy treatment plans | |
CN111432879B (zh) | 用于放射机器的束模型的计算机实现的方法和系统 | |
AU2019452405B2 (en) | Predicting radiotherapy control points using projection images | |
US20220088410A1 (en) | Machine learning optimization of fluence maps for radiotherapy treatment | |
EP4230261A1 (en) | Dose volume histogram optimization based on quantile regression | |
WO2023041167A1 (en) | Generative model of phase space | |
EP4196214A1 (en) | Patient imaging for dynamic online adaptive radiotherapy | |
WO2022077160A1 (en) | Evaluation and presentation of robustness of treatment plan | |
WO2022047637A1 (en) | Automatic beam modeling based on deep learning | |
WO2023279188A1 (en) | Quality factor using reconstructed images | |
US20230218926A1 (en) | Bed calculation with isotoxic planning | |
EP4279125A1 (en) | Joint training of deep neural networks across clinical datasets for automatic contouring in radiotherapy applications | |
US20220245757A1 (en) | Deformable image registration using deep learning | |
US20220379139A1 (en) | Dose management based on cryostat variation | |
WO2023041166A1 (en) | Inferring clinical preferences from data |
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 |