CN116785601A - 用于剂量映射不确定性的稳健放疗治疗计划的方法和系统 - Google Patents
用于剂量映射不确定性的稳健放疗治疗计划的方法和系统 Download PDFInfo
- Publication number
- CN116785601A CN116785601A CN202310286794.1A CN202310286794A CN116785601A CN 116785601 A CN116785601 A CN 116785601A CN 202310286794 A CN202310286794 A CN 202310286794A CN 116785601 A CN116785601 A CN 116785601A
- Authority
- CN
- China
- Prior art keywords
- image
- dose
- mapped
- doses
- treatment
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 121
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013507 mapping Methods 0.000 title claims abstract description 34
- 238000013439 planning Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 38
- 210000000920 organ at risk Anatomy 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000670 limiting effect Effects 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 230000036961 partial effect Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 7
- 238000011268 retreatment Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000011221 initial treatment Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 108091006611 SLC10A1 Proteins 0.000 description 2
- 102100021988 Sodium/bile acid cotransporter Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011287 therapeutic dose Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
-
- 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
- A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
-
- 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
- A61N5/1075—Monitoring, verifying, controlling systems and methods for testing, calibrating, or quality assurance of the radiation treatment apparatus
-
- 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
- A61N2005/1074—Details of the control system, e.g. user interfaces
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及用于剂量映射不确定性的稳健放疗治疗计划的方法和系统。一种用于为对象的治疗体积生成稳健放疗治疗计划的方法，治疗体积使用多个体素来定义，该方法包括以下步骤：接收治疗体积的第一图像；接收治疗体积的至少一个第二图像；通过使用图像配准将在至少一个第二图像中定义的剂量映射到第一图像来生成第一图像中的映射的剂量的分布；使用针对与放疗治疗相关的总剂量的至少一个优化函数来定义优化问题；基于第一图像中的映射的剂量的分布中的至少两个映射的剂量来计算至少一个优化函数值；以及通过优化通过考虑在映射的剂量的分布中的至少两个映射的剂量而评估的至少一个优化函数值来生成放疗治疗计划。
Description
技术领域
本公开总体涉及放疗治疗领域，特别地，涉及放疗治疗计划的生成、优化和评估。
背景技术
医学成像在放疗治疗计划中被广泛使用，以识别和勾画患者体内的目标(肿瘤)和处于危险中的器官(OAR)。连同其它放疗计划参数，诸如向肿瘤递送的最小或目标剂量和用于OAR的最大剂量，来自采集的图像的勾画的目标和OAR用作输入以优化计划的剂量分布，使得辐射集中到目标，同时限制OAR的暴露。
在许多治疗情况下，在不同的时间和/或空间点采集患者的多个图像。示例包括但不限于自适应计划，其中，原始计划在放疗治疗、再治疗以及4维稳健优化中进行调适，在再治疗中，患者经历附加放疗治疗，在4维稳健优化中，例如在一个呼吸周期内采集多个图像。
为了比较在不同时间和/或从不同角度采集的同一患者的医学图像并获得递送剂量的信息，图像经历图像配准(IR)，以将不同数据集变换成一个坐标系，例如，一个第一图像。然而，在放疗治疗过程中，可能发生变化，该变化影响剂量递送的精度和有效剂量的空间分布。这样的变化能够包括肿瘤移位、收缩或扩张，或患者体内的肿瘤和周围解剖结构的形状变化，例如，由于体重减轻/增加。
为了减轻解剖变化的影响，使用可变形图像配准(DIR)，其中，各个体积元素使用非刚性平移和/或旋转从一个图像映射到另一图像，从而导致变形映射或变形矢量场(DVF)。尽管如此，由于没有完美地使所有解剖区域变形的性能良好的变形，所以DIR的当前方法是不明确的，因此，基于DIR的任何剂量映射是固有不确定的。
现有技术没有准确地考虑到这种不确定性。相反，选择是在信任一个区域中的变形矢量场(DVF)或将其完全拒绝之间，从而应用潜在的过于保守的估计作为映射的剂量。
WO 2012/069965A1公开了一种用于手动或自动校正由两个计划图像集的配准产生的变形映射的系统和方法。然而，校正过程耗时，需要用户专业知识并且不能充分克服剂量映射中的不确定性。
发明内容
本公开的目标在于提供一种改进的解决方案，其中，提供了一种稳健优化方法来应对图像配准中的剂量映射不确定性。该目标在本公开的第一方面中实现，其中，提供了一种用于为对象的治疗体积生成稳健放疗治疗计划的方法，所述治疗体积使用多个体素来定义，所述方法包括以下步骤：
-接收治疗体积的第一图像；
-接收治疗体积的至少一个第二图像；
-通过使用图像配准将在至少一个第二图像中定义的剂量映射到第一图像来生成第一图像中的映射的剂量的分布；
-使用针对与放疗治疗相关的总剂量的至少一个优化函数来定义优化问题，其中，总剂量是在第一图像中定义的剂量和在至少一个第二图像中定义的剂量的函数；
-基于第一图像中的映射的剂量的分布中的至少两个映射的剂量来计算至少一个优化函数值；以及
-通过优化通过考虑在映射的剂量的分布中的至少两个映射的剂量而评估的至少一个优化函数值来生成放疗治疗计划。
通过将DVF考虑为在合理限制内的不确定，或者考虑多个可信DVF，本公开使得能够获得对所建模的剂量映射不确定性稳健的总剂量。主要优点在于，通过考虑映射的剂量的分布而不是仅考虑标称映射的剂量，能够将优化器引导到确保足够总剂量的解决方案，即使在陡峭剂量梯度和IR不确定性的区域中也是如此。
本公开提供了关于已经递送的剂量的不确定性的稳健性，而常规方法仅考虑将来将要递送的剂量。此外，第一图像中的映射的剂量的分布的生成能够以几种方式完成，并且不限于治疗体积中的体素之间的任何特定依赖结构。在该背景下，分布能够被定义为映射的剂量的集合，并且可选地被定义为集合中的每个成员的对应概率。替代地，分布能够被定义为标称值和误差估计。例如，这些值可以是每个体素的平均值和每个体素的标准偏差，或者替代地是每个体素的最大偏差。
在一个实施例中，使用可变形图像配准(DIR)来执行将至少一个第二图像中的剂量映射到第一图像。DIR可以解释解剖结构中的非刚性平移、旋转和/或其它变化。
在一个实施例中，使用至少两个不同的图像配准来执行将至少一个第二图像中的剂量映射到第一图像，其中，映射的剂量的分布是包含至少两个映射的剂量的集合。增加图像配准的数目，例如，使用几种不同的算法或算法参数选择，提供了剂量映射不确定性的更可靠估计。
在一个实施例中，通过针对由图像配准产生的变形矢量场中的每个矢量进行误差估计来执行将至少一个第二图像中的剂量映射到第一图像，其中，映射的剂量的分布是基于根据误差估计使用至少两个不同扰动而扰动的变形的矢量场产生的至少两个映射的剂量。扰动之一能够是零扰动。
在一个实施例中，至少一个第二图像中的剂量是来自先前治疗、治疗分次或部分治疗分次的剂量，并且其中，生成放疗治疗计划的步骤包括生成放疗再治疗计划或调适预先存在的放疗治疗计划。
在一个实施例中，至少一个第二图像中的剂量是4维放疗治疗计划中的部分射束剂量。
在一个实施例中，优化问题包括定义在优化期间保持的参数的约束。约束可以例如是定义的子体积(例如，目标)中的预定剂量的形式，其在优化期间不被改变。以这种方式，目标剂量被保持以确保一定的剂量分布，但是放疗治疗计划的剩余部分被稳健地优化。
在一个实施例中，优化问题包括生物或物理目的。优选地，物理目的包括对治疗体积中的目标和处于危险中器官(OAR)的剂量限制、剂量体积直方图(DVH)限制、LET限制、粒子停止的位置和/或均匀性和适形指数。以这种方式，生物不确定性也能够与其它(物理)目标组合。计划优化和评估应能够结合使用不同的生物模型以及结合物理优化功能和目的。优化问题可以是物理目的的组合，诸如分别对目标和处于风险中的器官的最小和最大剂量，以及DVH限制，以及生物目的，诸如BED、EQD2、EUD、TCP和NTCP。
在一个实施例中，物理目的包括对治疗体积中的目标和处于危险中的器官(OAR)的剂量限制、剂量体积直方图(DVH)限制、线性能量传递(LET)限制、粒子停止的位置和/或均匀性和适形指数。
在一个实施例中，优化包括：随机编程方法，其中，优化函数在映射的剂量的分布中的至少两个映射的剂量上的期望值被最小化；极小化极大方法，其中，优化函数在映射的剂量的分布中的至少两个映射的剂量上的最大值被最小化；或者这两者的任何组合，通常称为极小化极大随机编程；或逐体素最坏情况方法，在逐体素最坏情况方法中，对单独考虑的每个体素的最坏情况剂量进行优化。
在一个实施例中，映射的剂量的分布中的至少两个映射的剂量进一步与附加误差场景集合组合，其中，该附加误差场景集合表示与治疗计划有关的一个或多个参数的不确定性的特定实现，参数包括粒子范围、治疗体积的空间位置、放疗治疗装置设置、被照射组织的密度、相互作用效应、器官移动和/或生物模型参数值。
根据第二方面，提供了一种计算机程序产品，该计算机程序产品包括计算机可读代码装置，计算机可读代码装置当在计算机上运行时使计算机执行根据第一方面的方法。
根据第三方面，提供了一种计算机系统，该计算机系统包括处理器，该处理器耦合到存储器，在存储器上存储有计算机可读指令，计算机可读指令当被处理器执行时使处理器执行根据第一方面的方法。
根据第四方面，提供了一种治疗计划系统，该治疗计划系统包括上述计算机系统。
附图说明
本公开的这些和其它特征、方面和优点将在以下参考附图的描述中进一步解释，在附图中：
图1示出了旧图像上的递送的剂量到新图像的三个映射；
图2示出了表示根据本公开的一个实施例的用于生成稳健放疗治疗计划的基于计算机的方法的步骤的流程图；
图3a和图3b图示了根据本公开的一个实施例的映射的剂量的分布的生成；
图4a和图4b图示了根据本公开的另一实施例的映射的剂量的分布的生成；
图5示意性地示出了根据本公开的一个实施例的用于评估、可视化、生成和改进放疗治疗计划的基于计算机的系统。
在本文中，在可能的情况下使用相同的附图标记来表示相同的元件，这些元件对于多个图是共有的。而且，附图中的图像是为了说明的目的而被简化，并且不一定按比例描绘。
具体实施方式
现在参考图1图示剂量映射不确定性的基本问题。在图1的左手侧上示出了患者的图像，其中指示了递送的剂量。阴影的不同颜色指示递送到治疗体积的特定区域的剂量的量。在图1的右手侧上示出了同一治疗体积但是在不同时间点的三个不同图像。为了能够比较或整合从这些不同图像获得的数据，例如，以将旧图像上的递送的剂量映射到新图像，旧图像借助于图像配准与新图像配准。三个图像中的每一个使用不同的算法表示不同的图像配准，并且在新图像上产生三个不同的映射的剂量。因此，剂量映射中存在影响放疗治疗计划的固有不确定性。
图2是根据本公开的方法的实施例的流程图，其可以与生成放疗治疗计划一起使用。在一个实施例中，开始点是初始治疗计划和要考虑的许多场景，并且该方法旨在基于初始治疗计划获得改进的治疗计划，以利用一些约束修改初始计划，或者在其中初始治疗计划不满足所有机器限制的情况下获得可递送的治疗计划。取决于包括在计划中的数据的类型，可能需要其它输入数据，例如，与患者有关的数据，以用于剂量计算。初始治疗计划可以通过本领域已知的任何方式获得，包括基于场景的和非基于场景的方法。
生成治疗计划的目的是提供对对象(患者)的治疗体积的放疗治疗，对象可以是器官，并且包括可以是肿瘤或肿瘤细胞簇的目标。治疗体积使用多个体素来定义，如本领域已知的。
在步骤S100中，接收治疗体积的第一图像。第一图像可以是表示要在放疗治疗计划中使用的患者的当前状态的参考图像。在步骤S102中，接收治疗体积的至少一个第二图像。第二图像可以是表示患者在先前时间点(例如，在先前治疗或分次治疗期间)的状态的目标图像。替代地，第二图像可以是表示患者在不同阶段(例如，在患者的呼吸周期的不同阶段)的状态的阶段图像。
第一和第二图像两者可以使用任何合适的医学成像技术获得，包括但不限于X射线计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描(PET)、超声和单光子发射计算机断层扫描(SPECT)。
在步骤S104中，使用图像配准将在至少一个第二图像中定义的剂量映射到第一图像，因此生成第一图像中的映射的剂量的分布。在一个实施例中，考虑到解剖结构的非刚性平移、旋转和/或其它变化，使用可变形图像配准。图像配准产生变形矢量场，其中，表示第一图像与第二图像之间的变形的矢量被指配给治疗体积中的每个体素。
在步骤S106中，使用针对与放疗治疗相关的总剂量的至少一个优化函数来定义优化问题。总剂量是在第一图像中定义的剂量与在至少一个第二图像中定义的剂量的函数。
在步骤S108中，基于第一图像中的映射的剂量的分布中的至少两个映射的剂量来计算优化函数值。优化函数值计算可以通过使用映射的剂量和在第一图像中定义的剂量作为输入变量来执行，从而产生一个优化函数值。替代地，映射的剂量中的每一个可以被用作输入变量，其中，第一函数值是基于第一映射的剂量并且第二函数值是基于第二映射的剂量。
在步骤S110中，优化通过考虑在映射的剂量的分布中的至少两个映射的剂量而评估的优化函数值以生成放疗治疗计划。
映射的剂量的分布可以以几种方式生成，并且不限于体素之间的任何特定依赖结构。现在参考图3a和图3b，其中示出了一个实施例的图示，其中，至少两个不同的图像配准被用于将至少一个第二图像中的剂量映射到第一图像。图3a示出了第一图像，该第一图像包括点A，以及表示将图3b中所示的第二图像中的四个点A’、A”、A”’和A””映射到第一图像中的点A的四个箭头。然后，四个箭头中的每一个是由四个不同的图像配准产生的对应变形矢量场中的矢量。
映射的剂量的集合可以被认为是映射的剂量的分布。通过增加图像配准的数目，即，使用几种不同的图像配准算法，或使用具有不同设置或添加的不同扰动的相同算法，实现了剂量映射不确定性的更可靠估计。
现在参考图4a和图4b，其中示出了如何生成映射的剂量的分布的另一实施例，其中，变形矢量场中的每个矢量被认为是错误的。图4a示出了第一图像，该第一图像包括两个点A和B，以及被指配给每个点的矢量，分别表示将图4b中所示的第二图像中的点A’和B’映射到第一图像中的点A和B。图4a中两个矢量的误差的估计在此由分别具有半径εA和εB的点A’和B’周围的圆表示。然后，使用该误差估计针对每个矢量生成多个可信实现，以生成映射的剂量的分布。更具体地，映射的剂量的分布能够是基于由根据误差估计使用至少两个不同的扰动而扰动的变形的矢量场产生的至少两个映射的剂量。扰动之一能够是零扰动，即，其中，考虑从图像配准获得的变形矢量场而不扰动矢量。
根据本公开的方法可以被用于不同的计划情况。在一个实施例中，该方法被用于生成放疗再治疗计划或调适预先存在的放疗治疗计划。在这样的情况下，在至少一个第二图像中定义的剂量是来自先前治疗、分次治疗或部分分次治疗的剂量，本文中也称为背景剂量。然后，总剂量是背景剂量与在再治疗计划或调适的计划中要被递送的新剂量的总和。
在一个实施例中，该方法被用于生成4维放疗治疗计划，其中，治疗体积在(例如，患者的呼吸周期的)不同阶段期间经历周期性空间变形。在这样的情况下，在至少一个第二图像中定义的剂量是在特定阶段期间递送的部分射束剂量。然后，总剂量是在4维放疗治疗计划中要被递送的部分射束剂量的总和。
优化函数可以作为约束被包括在优化中。替代地，优化函数可以作为目标函数构成被包括在优化中。通常，为治疗设定目的，并且这些目的被用于定义目标函数构成、约束或这些的组合。目标函数构成是期望目的，优化应该努力实现该期望目的或优化应该尽可能地满足该期望目的，而约束是必须被精确满足的严格目的或条件，诸如到肿瘤的最小剂量或到OAR的最大剂量或控制目标函数的变量的边界。
用于实现稳健性的各种类型的优化方法能够与根据本公开的方法结合使用。例如，能够使用极小化极大(或“复合最坏情况”)优化，其中，在复合目标函数上的最坏情况场景被优化。然后，优化问题被公式化为
其中，X是可行优化变量的集合(例如，允许的点权重的集合、MLC叶位置等)，S是枚举不同映射的剂量的场景的集合，并且
f(x；s)
是作为场景s下的优化变量x的函数的复合目标。例如，f(x；s)可以由g(d(x)+db(s))给出，其中，d(x)为由优化变量x产生的新剂量，db(s)是场景s下的背景剂量(即，映射的剂量)，并且g为与总剂量d(x)+db(s)相关的函数。
实现稳健性的另一类型的优化方法是期望值优化，其中，关于不确定性的期望值被优化。优化问题被公式化为
其中，E为期望运算符，并且Y为呈现来自场景集合S的值的随机变量。
第三替代方案是逐体素最坏情况优化方法。在该方法中，基于映射的剂量来计算两种人工最坏情况剂量分布dhigh和dlow。这里，dhigh被计算为关于场景对每个单独考虑的体素的最高映射的剂量，并且dlow被计算为关于场景对对每个单独考虑的体素的最低映射的剂量，即
其中，db,i(s)表示情景s下映射到体素i的剂量，并且N是体素的数目。
然后，优化问题被公式化为
其中，fhigh是复合目标函数，其构成被用于避免过剂量(例如，处于危险中的器官OAR的目标)，并且flow是复合目标函数，其构成被用于避免剂量不足(例如，目标的最小剂量要求)。
另一替代方案是最小化不一定(但可能)与场景的全集合S相关的目标函数h(x)，并针对S中的所有s包括函数f(x；s)的约束，即，
受制于f(x；s)≤0,s∈S.
目标函数h(x)能够根据上述任何一种方法被公式化，但也能够被公式化为只考虑对应于没有误差的标称场景。
其它方法，诸如随机极小化极大方法，其为复合最坏情况优化和期望值优化的组合，也能够使用并且是本领域已知的。
现在参考图5，图5示出了根据本公开的用于生成放疗治疗计划114的基于计算机的系统100的简化示意性表示。基于计算机的系统100包括具有存储在其上的放疗治疗计划114的存储器或数据库110，以及用于生成改进的放疗治疗计划118的计算机程序116。存储器110能够是任何易失性或非易失性存储器设备，诸如闪存驱动器、硬盘驱动器、光盘驱动器、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)，以及用于存储信息以及以后的信息检索和用于数据处理的任何其它合适的设备。此外，系统100包括用于执行数据处理的一个或多个硬件处理器120，其能够访问存储器110。硬件处理器120能够由中央处理单元(CPU)、数字信号处理器(DSP)、精简指令集计算机(RISC)、专用集成电路(ASIC)、复杂可编程逻辑器件(CPLD)、现场可编程门阵列(FPGA)、并行处理器系统或者这些不同硬件处理器类型的组合中的一个或多个制成。
计算机程序116由能够传递到硬件处理器120并且能够被硬件处理器120执行的计算机可读指令制成。当在硬件处理器120上执行时，计算机可读指令将执行用于生成改进的放疗治疗计划118的方法。在执行计算机程序116时由硬件处理器120执行的处理的结果(例如，改进的放疗治疗计划118，以及相关联的数据)能够被存储在存储器110中。硬件处理器120还能够经由直接存储器访问(DMA)访问存储器110并且还能够使用高速缓冲存储器来存储临时处理结果。计算机程序116还能够被存储在非暂时性计算机可读介质130上，诸如，通用串行总线(USB)闪存驱动器、光学数据载体，诸如CD-ROM、DVD-ROM和蓝光盘、软盘、可交换硬件驱动器、USB外部硬盘驱动器(HDD)，或任何其它便携式信息存储设备，使得计算机程序116能够被传递到不同的计算系统，并且还能够被加载到系统100的存储器110。这能够通过将计算机可读介质130经由数据读取器/写入器140(例如，光驱、USB接口等)连接到系统100完成。
此外，系统100还包括显示单元150，显示单元150具有显示驱动器，该显示驱动器允许可视化数据处理的结果，例如可视化包含例如肿瘤或癌细胞的患者的目标体积的三维(3D)表示，以及必须防止对其进行剂量递送的健康的处于危险中的器官、3D轮廓数据、或者针对目标体积以及处于危险中的器官两者中的各种交叉方向和LET分布的二维(2D)切片表示、生物效应(例如，损伤/细胞死亡/副作用的可能性)等等。例如，能够显示CT扫描的3D计算机再现。此外，显示单元150能够通过使用图形2D格式来显示概括3D剂量分布的剂量体积直方图(DVH)。例如，显示单元150被配置成针对示出放疗治疗计划114的剂量贡献的患者的体积和针对优化或改进的放疗治疗计划118的相同体积示出比较DVH图，使得也能够视觉比较LET分布。
显示单元150被用于显示在治疗之前、治疗期间或治疗之后进行的患者的3D扫描。例如，能够显示CT扫描的3D计算机再现。此外，显示单元150能够通过使用图形2D格式或使用数值格式来显示LET、剂量和/或概括3D剂量分布的DVH。例如，显示单元150被配置成示出针对患者体积的比较LET图，其示出放疗治疗计划114的癌细胞破坏或剂量贡献。这针对相同体积的优化的或改进的放疗治疗计划示出和比较，使得能够在视觉上比较改进。此外，可能的是显示单元150配备有触摸屏功能，并且能够显示图形用户界面以操作系统100。
另外，计算机系统100具有连接硬件处理器120、存储器110、数据读取器140、触摸屏以及未示出的各种其它数据输入-输出接口和外围设备的系统总线160。例如，计算机系统100能够被连接到用于由用户输入数据的键盘170，并且可以被连接到已经创建了放疗治疗计划的外部放疗治疗计划设备180，例如，强大的专用计算机。此外，系统100可以被连接到未示出的CT扫描仪。例如，创建放疗治疗计划114的外部设备180可以能够开发被编码成软件的剂量和LET分布计算算法，可以访问关于开处方的剂量分布的辐射数据、机器校准数据以及关于患者的目标体积和处于危险中的器官的患者特定信息。然后，该外部设备180能够将放疗治疗计划114递送到计算机系统100以用于评估、可视化、创建新计划、考虑到LET分布改进现有计划。然而，也可能的是计算机程序116在外部设备本身上运行，由此不仅生成放疗治疗计划114而且生成改进的放疗治疗计划118。
此外，介绍了一种用于执行参数优化的计算机程序产品。计算机程序产品130包括计算机可读代码装置，计算机可读代码装置当在计算机中运行时执行如上所述的方法。
示例1：具有对背景剂量不确定性的稳健性的再治疗计划
已经经受放疗的某些患者可能经历在先前治疗的体积附近的肿瘤复发。在这些情况下，可以考虑第二疗程的放疗，称为再治疗或再辐射。然后，采集关于其计划再治疗的计划图像形式的第一图像。还考虑了先前治疗的旧计划图像形式的第二图像。为了避免健康组织超过一定的总分次校正剂量，再治疗计划必须考虑第二图像中存在的已经递送的剂量。递送的剂量能够在图像配准之后从第二图像映射到第一图像，以用作背景剂量。然而，图像配准以及背景剂量也可能是不确定的或不明确的。不同的图像配准可能导致不同的背景剂量。
问题：哪个映射的剂量能够被信任被用作基于总剂量的再治疗计划的背景剂量？
建议的解决方案：生成至少两个背景剂量的分布，并稳健地优化到OAR的总剂量，以考虑剂量映射不确定性。
-在接收到的第一图像上定义新的治疗计划。
-为至少一个OAR上的总剂量定义至少一个目标，该目标将希望针对剂量映射中的不确定性进行稳健地优化。
这些目标的示例有：
o到OAR的最大总物理剂量
o到OAR的最大总生物等效剂量(BED)，诸如EQD2
-定义用于对目标的再治疗剂量的至少一个目标。
-可选地，定义附加的错误情景，其表示用于放疗治疗计划的一个或多个附加的相关参数的特定实现，诸如设置错误或范围错误。
-从原始治疗计划接收第二图像，并且在第一图像与第二图像之间执行图像配准，以将第二图像中的递送剂量映射到第一图像。
-生成映射的剂量的分布并基于该映射的剂量的分布定义场景，例如以下列两种方式之一：
o利用替代算法或使用替代算法参数执行至少一个附加图像配准。为每个所得的映射的剂量定义场景。
o为图像配准计算误差估计，并使用误差估计来表征映射的剂量的分布。基于人工最坏情况剂量分布定义场景，例如，如上所述的随机极小化极大方法。
-使用优选的稳健优化框架优化再治疗计划。
示例2：具有对背景剂量不确定性的稳健性的自适应治疗计划
在放疗治疗过程期间，可以期望调适原始治疗计划以考虑患者解剖结构的变化或治疗递送中的先前错误。在这种情况下，采集再计划图像形式的第一图像。还考虑递送分次的分次图像形式的至少一个第二图像。递送剂量能够在图像配准之后从至少一个第二图像映射到第一图像以被用作背景剂量。然而，图像配准以及背景剂量也可能是不确定的或不明确的。不同的图像配准技术可能导致不同的背景剂量。
问题：哪个映射的剂量能够被信任被用作用于基于总剂量的自适应治疗计划的背景剂量？
建议的解决方案：生成至少两个背景剂量的分布，并稳健地优化到OAR的总剂量，以考虑剂量映射不确定性。
-在接收到的第一图像上定义新调适的治疗计划。
-为总剂量定义至少一个目标，该目标将希望针对剂量映射中的不确定性进行稳健地优化。
这些目标的示例可以为：
o到OAR的最大总物理剂量
o到OAR的最大总BED
o到目标体积的最小物理剂量
-可选地，定义附加的错误情景，其表示用于放疗治疗计划的一个或多个附加的相关参数的特定实现，诸如设置错误或范围错误。
-从先前递送的分次接收至少一个第二图像，并且在第一图像与至少一个第二图像之间执行图像配准，以将至少一个第二图像中的递送剂量映射到第一图像。
-针对每个第二图像，生成第一图像中的映射的剂量的分布，例如，以下列两种方式之一：
o利用替代算法或使用替代算法参数执行至少一个附加图像配准。
o为图像配准计算误差估计，并使用该误差估计来表征映射的剂量的分布。
-基于来自至少一个第二图像的每个映射的剂量的分布中的不确定性的实现来定义场景。
-使用优选的稳健优化框架优化再治疗计划。
示例3：具有对剂量映射不确定性的稳健性的4D治疗计划
在治疗身体的经受周期性运动的部分中的肿瘤时，可以期望对运动周期(在运动周期期间递送剂量)中的该阶段稳健。为此，有时采集来自运动周期的各个阶段的多个图像。然后，要被优化的剂量是被DIR映射到公共参考图像的每个阶段图像中的剂量的函数。
问题：哪个剂量映射能够被信任被用作4D优化的治疗计划中的阶段剂量？
建议的解决方案：从至少一个阶段图像到参考图像生成至少两个映射的剂量并对剂量映射不确定性稳健地优化映射的剂量。
-在经受运动的患者体积中定义4D治疗计划。
-为参考阶段图像中的剂量定义至少一个目标，该目标将希望针对剂量映射中的不确定性进行稳健地优化。
这些目标的示例为：
o到OAR的最大总物理剂量
o到目标体积的最小总物理剂量
-可选地，定义附加错误情景，其表示用于放疗治疗计划的一个或多个附加相关参数的特定实现，诸如设置错误或范围错误。
-接收作为来自运动周期中的不同阶段的阶段图像的至少一个第二图像，并在第一图像与至少一个第二图像之间执行图像配准，以被用于将至少一个第二图像中的剂量映射到第一图像。
-针对每个第二图像，生成第一图像中的映射的剂量的分布。
在这种情况下，映射的剂量将是优化变量的函数，并在优化的每次迭代中变化。映射的剂量的分布例如能够以下列方式之一生成：
o利用替代算法或使用替代算法参数执行至少一个附加图像配准。
o为图像配准计算误差估计，并使用该误差估计来表征映射的剂量的分布。
-基于来自至少一个第二图像的每个映射的剂量的分布中的不确定性的实现来定义场景。
-使用优选的稳健优化框架优化再治疗计划。
用于生成放疗治疗计划的方法和系统的优选实施例已经在上文中公开。然而，本领域技术人员应意识到，这能够在所附权利要求的范围内变化而不背离本发明构思。
只要组合不矛盾，上文描述的所有替代实施例或实施例的多个部分能够自由地组合或彼此分开地采用而不背离本发明构思。
使用了以下缩写：
BED 生物等效剂量
CT 计算机断层扫描
CTV 临床肿瘤/目标体积
DICOM 医学数字成像和通信
DVH 剂量体积直方图
EHR 电子健康记录系统
EQD 等效标准分次剂量
EQD2 2Gy分次的等效剂量
EUD 等效均匀分布
eMIX 电子医学信息交换系统
GUI 图形用户界面
GTV 总肿瘤/目标体积
HIS 医院信息系统
HIM 健康信息管理系统
IGRT 图像引导放疗
IMRT 调强放疗
LET 线性能量传递
MLC 多叶准直器
MRI 磁共振成像系统
MU 监控单元
NTCP 正常组织并发症概率
OAR 处于危险中的器官
PBS 铅笔射束扫描
PET 正电子发射断层扫描
PTV 计划肿瘤/目标体积
QA 质量保证
QC 质量控制
US 超声检查
RBE 相对生物有效性
ROI 感兴趣的区域
RVS 记录和验证系统
SPECT 单光子正电子发射断层扫描
TCP 肿瘤控制概率
Claims (14)
1.一种用于为对象的治疗体积生成稳健放疗治疗计划的方法，所述治疗体积使用多个体素来定义，所述方法包括以下步骤：
-接收(S100)所述治疗体积的第一图像；
-接收(S102)所述治疗体积的至少一个第二图像；
-通过使用图像配准将在所述至少一个第二图像中定义的剂量映射到所述第一图像来生成(S104)所述第一图像中的映射的剂量的分布；
-使用针对与所述放疗治疗相关的总剂量的至少一个优化函数来定义(S106)优化问题，其中，所述总剂量是在所述第一图像中定义的剂量和在所述至少一个第二图像中定义的所述剂量的函数；
-基于所述第一图像中的映射的剂量的所述分布中的至少两个映射的剂量来计算(S108)至少一个优化函数值；以及
-通过优化通过考虑在映射的剂量的所述分布中的所述至少两个映射的剂量而评估的所述至少一个优化函数值来生成(S110)放疗治疗计划。
2.根据权利要求1所述的方法，其中，使用可变形图像配准来执行将所述至少一个第二图像中的所述剂量映射到所述第一图像。
3.根据权利要求1或2所述的方法，其中，使用至少两个不同的图像配准来执行将所述至少一个第二图像中的所述剂量映射到所述第一图像，其中，映射的剂量的所述分布是所述至少两个映射的剂量之间的变化。
4.根据权利要求1或2所述的方法，其中，通过针对由所述图像配准产生的变形矢量场中的每个矢量进行误差估计来执行将所述至少一个第二图像中的所述剂量映射到所述第一图像，其中，映射的剂量的所述分布是基于根据所述误差估计使用至少两个不同扰动而扰动的变形的矢量场产生的至少两个映射的剂量。
5.根据前述权利要求中的任一项所述的方法，其中，所述至少一个第二图像中的所述剂量是来自先前治疗、治疗分次或部分治疗分次的剂量，并且其中，生成放疗治疗计划的步骤包括生成放疗再治疗计划或调适预先存在的放疗治疗计划。
6.根据前述权利要求1至4中的任一项所述的方法，其中，所述至少一个第二图像中的所述剂量是4维放疗治疗计划中的部分射束剂量。
7.根据前述权利要求中的任一项所述的方法，其中，所述优化问题包括定义在所述优化期间保持的参数的约束。
8.根据前述权利要求中的任一项所述的方法，其中，所述优化问题包括生物或物理目的。
9.根据权利要求8所述的方法，其中，所述物理目的包括对所述治疗体积中的目标和处于危险中的器官(OAR)的剂量限制、剂量体积直方图(DVH)限制、线性能量传递(LET)限制、粒子停止的位置和/或均匀性和适形指数。
10.根据前述权利要求中的任一项所述的方法，其中，所述优化包括：随机编程方法，其中，所述优化函数在映射的剂量的所述分布中的所述至少两个映射的剂量上的期望值被最小化；极小化极大方法，其中，所述优化函数在映射的剂量的所述分布中的所述至少两个映射的剂量上的最大值被最小化；或者这两者的任何组合，通常称为极小化极大随机编程；或逐体素最坏情况方法，在所述逐体素最坏情况方法中，对单独考虑的每个体素的最坏情况剂量进行优化。
11.根据前述权利要求中的任一项所述的方法，其中，映射的剂量的所述分布中的所述至少两个映射的剂量进一步与附加误差场景组合，其中，所述附加误差场景表示与治疗计划有关的一个或多个参数的不确定性的特定实现，所述参数包括粒子范围、所述治疗体积的空间位置、放疗治疗装置设置、被照射组织的密度、相互作用效应、器官移动和/或生物模型参数值。
12.一种计算机程序产品(130)，所述计算机程序产品包括计算机可读指令，所述计算机可读指令当在计算机上运行时使所述计算机执行根据权利要求1至11中的任一项所述的方法。
13.一种计算机系统(100)，所述计算机系统包括处理器(120)，所述处理器耦合到存储器(110)，在所述存储器上存储有计算机可读指令，所述计算机可读指令当被所述处理器执行时使所述处理器执行根据权利要求1至11中的任一项所述的方法。
14.一种放疗治疗计划系统，所述放疗治疗计划系统包括根据权利要求13所述的计算机系统(100)。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP22163558.4 | 2022-03-22 | ||
| EP22163558.4A EP4249049B1 (en) | 2022-03-22 | 2022-03-22 | Method and system for robust radiotherapy treatment planning for dose mapping uncertainties |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116785601A true CN116785601A (zh) | 2023-09-22 |
Family
ID=80930502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310286794.1A Pending CN116785601A (zh) | 2022-03-22 | 2023-03-21 | 用于剂量映射不确定性的稳健放疗治疗计划的方法和系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US12083358B2 (zh) |
| EP (1) | EP4249049B1 (zh) |
| JP (1) | JP2023140321A (zh) |
| CN (1) | CN116785601A (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3888744A1 (en) * | 2020-04-02 | 2021-10-06 | RaySearch Laboratories AB | Computer-implemented method for radiotherapy treatment planning, computer program product and computer system for performing the method |
| US12059578B2 (en) * | 2020-12-22 | 2024-08-13 | University Of South Florida | Fluency map optimization in intensity-modulated radiation therapy |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012069965A1 (en) | 2010-11-23 | 2012-05-31 | Koninklijke Philips Electronics N.V. | Interactive deformation map corrections |
| US9089696B2 (en) * | 2013-11-07 | 2015-07-28 | Varian Medical Systems International Ag | Time-resolved pre-treatment portal dosimetry systems, devices, and methods |
| US10137314B2 (en) * | 2014-11-07 | 2018-11-27 | Raysearch Laboratories Ab | Robust radiotherapy treatment plan generation |
| US10328282B2 (en) * | 2015-07-13 | 2019-06-25 | Mayo Foundation For Medical Education And Research | System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties |
| US10668304B2 (en) * | 2018-04-30 | 2020-06-02 | Elekta, Inc. | Phantom for adaptive radiotherapy |
| EP3586920A1 (en) * | 2018-06-29 | 2020-01-01 | RaySearch Laboratories AB | System and method for radiation treatment planning |
| EP4106866A4 (en) * | 2020-03-16 | 2023-04-19 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEMS AND METHODS FOR GENERATION OF AN ADAPTIVE RADIATION THERAPY PLAN |
| EP3888744A1 (en) * | 2020-04-02 | 2021-10-06 | RaySearch Laboratories AB | Computer-implemented method for radiotherapy treatment planning, computer program product and computer system for performing the method |
-
2022
- 2022-03-22 EP EP22163558.4A patent/EP4249049B1/en active Active
-
2023
- 2023-03-17 JP JP2023042690A patent/JP2023140321A/ja active Pending
- 2023-03-20 US US18/186,773 patent/US12083358B2/en active Active
- 2023-03-21 CN CN202310286794.1A patent/CN116785601A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US12083358B2 (en) | 2024-09-10 |
| EP4249049B1 (en) | 2024-06-05 |
| US20230302298A1 (en) | 2023-09-28 |
| JP2023140321A (ja) | 2023-10-04 |
| EP4249049A1 (en) | 2023-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automatic delineation of on-line head-and-neck computed tomography images: toward on-line adaptive radiotherapy | |
| US8929621B2 (en) | Methods and systems for segmentation and surface matching | |
| US7672705B2 (en) | Weighted surface-to-surface mapping | |
| Xing et al. | Computational challenges for image-guided radiation therapy: framework and current research | |
| Arai et al. | Feasibility of CBCT-based proton dose calculation using a histogram-matching algorithm in proton beam therapy | |
| US12083358B2 (en) | Method and system for robust radiotherapy treatment planning for dose mapping uncertainties | |
| Feng et al. | Direct aperture deformation: an interfraction image guidance strategy | |
| US10342994B2 (en) | Methods and systems for generating dose estimation models for radiotherapy treatment planning | |
| US11426606B2 (en) | Method and system of evaluating a radiation therapy treatment plan | |
| US12076586B2 (en) | Method and system for robust radiotherapy treatment planning for biological uncertainties | |
| CN110935109B (zh) | 提供经注释的医学图像数据组的方法和医学成像单元 | |
| WO2012069965A1 (en) | Interactive deformation map corrections | |
| US20230302297A1 (en) | Patient imaging for dynamic online adaptive radiotherapy | |
| Freislederer et al. | Comparison of planned dose on different CT image sets to four‐dimensional Monte Carlo dose recalculation using the patient's actual breathing trace for lung stereotactic body radiation therapy | |
| US20240001149A1 (en) | Methods and systems for dose distribution prediction | |
| Coolens et al. | The susceptibility of IMRT dose distributions to intrafraction organ motion: an investigation into smoothing filters derived from four dimensional computed tomography data | |
| Lin et al. | Development of a novel post-processing treatment planning platform for 4D radiotherapy | |
| JP7566798B2 (ja) | 生物学的不確実性に関する堅牢な放射線治療計画作成のための方法及びシステム | |
| Ma | Efficient and Intelligent Radiotherapy Planning and Adaptation | |
| US20220230304A1 (en) | Method, computer program product and computer system for providing an approximate image | |
| Bridge | Principles and Practice of Treatment Planning | |
| Peroni | Methods and algorithms for image guided adaptive radio-and hadron-therapy | |
| Folkerts | Topics in Cancer Radiotherapy: Automated Treatment Planning and Quality Assurance | |
| Landry et al. | Perspectives for using artificial intelligence techniques in radiation therapy | |
| GB2627771A (en) | Machine learning approach to segmentation of an organ image |
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 |