CN116864051A - 一种剂量预测方法、系统、装置及存储介质 - Google Patents
一种剂量预测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116864051A CN116864051A CN202310946257.5A CN202310946257A CN116864051A CN 116864051 A CN116864051 A CN 116864051A CN 202310946257 A CN202310946257 A CN 202310946257A CN 116864051 A CN116864051 A CN 116864051A
- Authority
- CN
- China
- Prior art keywords
- dose
- target
- clinical
- information
- image information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000000056 organ Anatomy 0.000 claims abstract description 17
- 210000000920 organ at risk Anatomy 0.000 claims description 63
- 238000001959 radiotherapy Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 12
- 230000003439 radiotherapeutic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 40
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000002595 magnetic resonance imaging Methods 0.000 description 13
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002608 intravascular ultrasound Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 208000037841 lung tumor Diseases 0.000 description 3
- 238000012014 optical coherence tomography Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003238 esophagus Anatomy 0.000 description 2
- 238000002786 image-guided radiation therapy Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000973 chemotherapeutic effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
一种剂量预测方法、系统、装置及存储介质，该方法包括：获取目标对象的影像信息，目标对象的影像信息包括靶区信息和危及器官信息；获取用户针对目标对象的影像信息设定的临床目标表信息，临床目标表信息包括危及器官的至少一个临床剂量目标信息；基于目标对象的影像信息、靶区的处方剂量信息以及针对目标对象的影像信息设定的临床目标表信息，得到对应于目标对象的影像信息的剂量分布。
Description
技术领域
本说明书涉及医疗技术领域，特别涉及一种剂量分布预测方法及系统。
背景技术
放疗自动计划流程中，剂量预测准确性对于最终自动计划效果影响重大。临床上医生判断计划效果是否满意时通常会基于反映放疗计划中各项预期目标的临床目标表的要求重点关注以下指标：靶区处方剂量覆盖率，危及器官剂量是否满足临床限量要求，重要危及器官的剂量是否有尽可能做的更低，靶区处方剂量线适形，靶区剂量是否均匀，某个特定中低剂量线适形等。然而临床目标表会因具体病例，医生，医院治疗风格而异，也就是说对于两个靶区和周围危及器官勾画极其相似的病例，若临床目标表不同，物理师会制作出两个不同剂量分布的计划。
因此，有必要提供一种更智能更准确的剂量分布预测方法及系统。
发明内容
本说明书实施例之一提供一种剂量分布预测方法，所述方法包括：获取目标对象的影像信息，所述目标对象的影像信息包括靶区信息和危及器官信息；获取用户针对所述目标对象的影像信息设定的临床目标表信息，所述临床目标表信息包括所述危及器官的至少一个临床剂量目标信息；基于所述目标对象的影像信息、所述靶区的处方剂量信息以及所述针对所述目标对象的影像信息设定的临床目标表信息，得到对应于所述目标对象的影像信息的剂量分布。
本说明书实施例之一提供一种剂量分布预测系统，包括：第一获取模块，用于获取目标对象的影像信息，所述目标对象的影像信息包括靶区信息和危及器官信息；第二获取模块，用于获取用户针对所述目标对象的影像信息设定的临床目标表信息，所述临床目标表信息包括所述危及器官的至少一个临床剂量目标信息；确定模块，用于基于所述目标对象的影像信息、所述靶区的处方剂量信息以及所述针对所述目标对象的影像信息设定的临床目标表信息，得到对应于所述目标对象的影像信息的剂量分布。
本说明书实施例之一提供一种剂量分布预测装置，其特征在于，所述装置包括：至少一个存储介质，存储计算机指令；至少一个处理器，执行所述计算机指令，以实现如前所述的剂量分布预测方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如前所述的剂量分布预测方法。
现有技术通常是基于某家医院某个具体部位的计划数据建立剂量分布预测网络模型，服务于此家医院此部位病例计划。这种方式会要求建立多个剂量预测模型，倘若需要服务多家医院或者多个治疗部位，且不同医院或者不同部位的训练数据很难共同使用。
本说明书的实施例中，在剂量预测时不需要考虑具体肿瘤部位，而将临床目标表作为网络输入，预测剂量分布会仅与靶区勾画和临床医生对于此病例的器官限量要求相关联，从而使剂量预测网络对具体肿瘤部位不再敏感，通用性更强。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的示例性剂量分布预测系统的应用场景示意图；
图2是根据本说明书一些实施例所示的示例性剂量分布预测系统的模块图；
图3是根据本说明书一些实施例所示的示例性剂量分布预测方法的流程图；
图4是根据本说明书一些实施例所示的示例性剂量预测模型的示意图；
图5是根据本说明书一些实施例所示的示例性剂量预测模型的训练的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的示例性剂量分布预测系统的应用场景示意图。在一些实施例中，如图1所示，剂量分布预测系统的应用场景100可以至少包括放疗设备110、处理设备120、终端设备130、存储设备140和网络150。
在一些实施例中，放疗设备110可以包括治疗装置。治疗装置可以包括直线加速器、回旋加速器、同步加速器等，配置通过辐射线为对治疗对象(或放疗对象)进行放射治疗。治疗装置可以包括对应不同种类粒子的加速器，包括例如光子、电子、质子或重离子。此处所使用的辐射线可以包括粒子射线、光子射线等。粒子射线可以包括中子、质子、电子、μ介子、重离子、α射线等，或它们的任何组合。光子射线可以包括x射线、γ射线、紫外线、激光或类似的，或它们的任何组合。
在一些实施例中，放疗设备110可以进一步包括扫描装置，可以对检测区域或扫描区域内的目标对象(治疗对象或放疗对象)进行扫描，得到该目标对象的扫描数据。在一些实施例中，目标对象可以包括生物对象和/或非生物对象。例如，目标对象可以是有生命或无生命的有机和/或无机物质。
在一些实施例中，扫描装置可以包括单模态扫描仪和/或多模态扫描仪。单模态扫描仪可以包括例如超声波扫描仪、X射线扫描仪、计算机断层扫描(Computed Tomography,CT)扫描仪、核磁共振成像(Magnetic Resonance Imaging,MRI)扫描仪、超声检查仪、正电子发射计算机断层扫描(Positron Emission Tomography,PET)扫描仪、单光子发射计算机断层(Single Photon Emission Computed Tomography,SPECT)扫描仪、光学相干断层扫描(Optical Coherence Tomography,OCT)扫描仪、超声(Ultrasound,US)扫描仪、血管内超声(Intravascular Ultrasound,IVUS)扫描仪、近红外光谱(Near-Infrared Spectroscopy,NIRS)扫描仪、远红外(Far Infrared,FIR)扫描仪等或其任意组合。多模态扫描仪可以包括例如X射线成像-核磁共振成像(X-ray-MRI)扫描仪、正电子发射断层扫描-X射线成像(PET-X-ray)扫描仪、单光子发射计算机断层扫描-核磁共振成像(Single Photon EmissionComputed Tomography-Magnetic Resonance Imaging,SPECT-MRI)扫描仪、正电子发射断层扫描-计算机断层摄影(Positron Emission Tomography-Computed Tomography,PET-CT)扫描仪、单光子发射计算机断层扫描-计算机断层摄影(Single Photon EmissionComputed Tomography-Computed Tomography,SPECT-CT)扫描仪、数字减影血管造影-核磁共振成像(Digital Subtraction Angiography-Magnetic Resonance Imaging,DSA-MRI)扫描仪等或其任意组合。上述扫描设备的相关描述仅用于说明目的，而无意限制本说明书的范围。
在一些实施例中，放疗设备110可以包括治疗计划系统(treatment plan system，TPS)、图像引导放射治疗(image-guide radiotherapy，IGRT)等。
处理设备120可以处理从放疗设备110、终端设备130、存储设备140和/或剂量分布预测系统的应用场景100的其他组件获取的数据和/或信息。例如，处理设备120可以从终端设备130、存储设备140中获取放疗对象的影像信息、靶区信息、危及器官信息、临床目标表信息等，并对其进行分析处理。又例如，处理设备120可以基于分析处理的结果，控制放疗设备110工作。
在一些实施例中，处理设备120可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备120可以是本地或远程的。例如，处理设备120可以通过网络150从放疗设备110、终端设备130、和/或存储设备140访问信息和/或数据。又例如，处理设备120可以直接连接到放疗设备110、终端设备130、和/或存储设备140以访问信息和/或数据。在一些实施例中，处理设备120可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
在一些实施例中，处理设备120和放疗设备110可以集成为一体。在一些实施例中，处理设备120和放疗设备110可以直接或间接相连接，联合作用实现本说明书所述的方法和/或功能。
在一些实施例中，处理设备120可以包括输入装置和/或输出装置。通过输入装置和/或输出装置，可以实现与用户的交互(例如，设置临床目标等)。在一些实施例中，输入装置和/或输出装置可以包括显示屏、键盘、鼠标、麦克风等或其任意组合。
终端设备130可以与放疗设备110、处理设备120、和/或存储设备140通信和/或连接。在一些实施例中，可以通过终端设备130实现与用户的交互。在一些实施例中，终端设备130可以包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。在一些实施例中，终端设备130(或其全部或部分功能)可以集成在处理设备120中。
存储设备140可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从放疗设备110、处理设备120、终端设备130和/或获取的数据(例如，影像信息、靶区信息、危及器官信息、临床目标表信息等)。在一些实施例中，存储设备140可以存储处理设备120用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
在一些实施例中，存储设备140可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备140可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。在一些实施例中，存储设备140可在云平台上实现。在一些实施例中，存储设备140可以是放疗设备110、处理设备120和/或终端设备130的一部分。
网络150可以包括能够促进信息和/或数据交换的任何合适的网络。在一些实施例中，剂量分布预测系统的应用场景100的至少一个组件(例如，放疗设备110、处理设备120、终端设备130、存储设备140)可以通过网络150与剂量分布预测系统的应用场景100中至少一个其他组件交换信息和/或数据。例如，处理设备120可以通过网络150从放疗设备110获取目标对象的影像信息。
应当注意，上述关于剂量分布预测系统的应用场景100的描述仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，剂量分布预测系统的应用场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的示例性剂量分布预测系统的模块图。
在一些实施例中，如图2所示，剂量分布预测系统200可以包括第一获取模块210、第二获取模块220和确定模块230。在一些实施例中，剂量分布预测系统200对应的功能可以由处理设备120执行。
第一获取模块210，用于获取目标对象的影像信息，目标对象的影像信息包括靶区信息和危及器官信息。关于目标对象的影像信息的获取的更多内容可以参考图3的步骤310及其相关描述。
第二获取模块220，用于获取用户针对目标对象的影像信息设定的临床目标表信息，临床目标表信息包括危及器官的至少一个临床剂量目标信息。关于临床目标表信息的获取的更多内容可以参考图3的步骤320及其相关描述。
确定模块230，用于基于目标对象的影像信息、靶区的处方剂量信息以及针对目标对象的影像信息设定的临床目标表信息，得到对应于目标对象的影像信息的剂量分布。关于剂量分布预测的更多内容可以参考图3的步骤330及其相关描述。
应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，通过硬件、软件或者软件和硬件的结合来实现。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于系统及其模块的描述，仅为描述方便，作为示意，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
图3是根据本说明书一些实施例所示的示例性剂量分布预测方法的流程图。在一些实施例中，流程300可以由处理设备120或剂量分布预测系统200执行。例如，流程300可以以程序或指令的形式存储在存储设备(例如，存储设备140、处理设备120的存储单元)中，当处理器执行程序或指令时，可以实现流程300。在一些实施例中，流程300可以利用以下未描述的一个或以上附加操作，和/或不通过以下所讨论的一个或以上操作完成。另外，如图3所示的操作的顺序并非限制性的。
步骤310，获取目标对象的影像信息，目标对象的影像信息包括靶区信息和危及器官信息。在一些实施例中，步骤310可以由处理设备120或第一获取模块210执行。
目标对象的影像信息可以反映目标对象的当前情况，例如，目标对象的靶区和/或危及器官的轮廓、大小、结构、位置等。
靶区可以指放疗作用到的需要进行治疗的目标区域，例如，病变区域、肿瘤区域。
危及器官可以指靶区周围的正常器官和/或组织。
在一些实施例中，目标对象的影像信息可以从放疗系统的存储设备，例如，存储设备140、处理设备120的存储单元等获取，也可以从医生提供的数据获取。在一些实施例中，目标对象的影像信息可以从数据库(例如，医学影像存档与通信系统(PACS))获取。在一些实施例中，第一获取模块可以通过从存储设备、数据库读取，调用数据接口等方式获取得到目标对象的影像信息。
在一些实施例中，影像信息可以包括2D图像、3D图像或4D图像。在一些实施例中，影像信息可以包括单模态图像，例如，超声图像、X射线图像、CT图像、MRI图像、PET图像、SPECT图像等。在一些实施例中，影像信息可以包括多模态图像，例如，SPECT-MRI图像、PET-CT图像、SPECT-CT图像、CT-MRI图像等。本申请对影像信息的类型不作限制。
步骤320，获取用户针对目标对象的影像信息设定的临床目标表信息，临床目标表信息包括危及器官的至少一个临床剂量目标信息。在一些实施例中，步骤320可以由处理设备120或第二获取模块220执行。
临床目标表信息是指反映放疗计划中各项预期目标的信息。例如，临床目标表信息可以反映放疗计划中对危及器官的保护程度等。在一些实施例中，用户(医生)可以基于目标对象的当前的状况或者是影像设定临床目标表信息。不同用户针对同一目标对象设定的临床目标表信息可以相同或不同。
在一些实施例中，临床目标表信息包括以下临床剂量目标的至少一项：对危及器官施加的最大剂量、对危及器官中靠近靶区的部分体积施加的最大剂量和对危及器官施加的最大平均剂量。
对危及器官施加的最大剂量是指放疗临床中对危及器官施加的剂量上限。在一些实施例中，对危及器官施加的最大剂量可以通过查表(例如，查找诊疗指南)确定。在一些实施例中，对危及器官施加的最大剂量可以基于目标对象的情况、医生的经验等确定。例如，对首次进行肺部肿瘤放疗的目标对象，对危及器官食管施加的最大剂量为3000cGy。例如，对第二次或之后进行肺部肿瘤放疗的目标对象，对危及器官食管施加的最大剂量为2000cGy。
对危及器官施加的最大平均剂量是指放疗临床中对危及器官施加的平均剂量的上限。在一些实施例中，对危及器官施加的最大平均剂量可以通过查表(例如，查找诊疗指南)确定。在一些实施例中，对危及器官施加的最大平均剂量可以基于目标对象的情况、医生的经验等确定。例如，对危及器官施加的最大平均剂量可以不超过处方剂量、或者不超过处方剂量的1.02倍。又例如，对危及器官施加的最大平均剂量可以设置成较小的值(例如，500)。
对危及器官中靠近靶区的部分体积施加的最大剂量是指放疗临床中对危及器官中靠近靶区的部分体积施加的剂量上限。可以理解，危及器官中靠近靶区的区域容易受到影响，危及器官中越靠近靶区的部分越容易剂量超限。因此，用户可以通过对危及器官中的部分体积设置剂量上限，以保护危及器官，其中，危及器官中靠近靶区的部分体积占危及器官体积的百分比可以为15％、20％、31％、50％等。示例的，用户可以将对危及器官中靠近靶区的15％部分施加的最大剂量设为2000cGy。在一些实施例中，用户可以将危及器官的(1–xx％)(其中，xx％可以是15％、20％、31％、50％等)部分的体积内的采样点值设置为较小的数值，例如，设为1。
在一些实施例中，每个临床剂量目标包括其对应的优先级，优先级指示临床剂量目标的重要程度。在一些实施例中，优先级可以包括极其重要、较为重要和不重要等。在一些实施例中，优先级还可以包括第一优先级、第二优先级和第三优先级等，其中，第一优先级的重要程度高于第二优先级的重要程度，第二优先级的重要程度高于第三优先级的重要程度。
在一些实施例中，第二获取模块220对不同优先级的临床剂量目标可以进行不同的处理。对于优先级为第一优先级的临床剂量目标，在危及器官与靶区剂量覆盖率冲突时，设置剂量跌落梯度大于跌落阈值；对于优先级为第二优先级的临床剂量目标，在危及器官与靶区剂量覆盖率冲突时，优先保证靶区覆盖率。
例如，对于优先级为第一优先级的临床剂量目标，若危及器官与靶区剂量覆盖率冲突明显，则两者需要相互竞争，设置剂量跌落梯度大于跌落阈值，使此处剂量跌落梯度较大。其中，跌落阈值可以根据经验和/或需求确定，例如，跌落阈值可以为50％、60％等，跌落阈值也可以为500Gy/cm、1000Gy/cm等。又例如，对于优先级为第二优先级的临床剂量目标，需要尽量满足，但危及器官与靶区剂量覆盖率冲突时，优先保靶区覆盖率。再例如，对于优先级为第三优先级的临床剂量目标，略作限制即可，不满足也没有关系。
在一些实施例中，临床剂量目标对应的优先级可以由用户(例如，医生)设定。例如，对于极其重要的危及器官，可以将该危及器官对应的对危及器官施加的最大剂量、对危及器官的部分体积施加的最大剂量、对危及器官施加的最大平均剂量的优先级都设为极其重要。
通过为每个临床剂量目标设定优先级，医生和放疗团队可以明确放疗过程中的关键目标，合理分配放疗剂量，优先关注极其重要和/或较为重要的目标，从而提高放疗效果，确保放疗方案能够更有效地满足放疗需求。
在一些实施例中，临床目标表信息可以从存储设备140、处理设备120的存储单元等获取。在一些实施例中，第一获取模块可以通过从存储设备、数据库读取，调用数据接口等方式获取得到临床目标表信息。在一些实施例中，医生可以通过操作界面(例如，处理设备120或终端设备130的操作界面)现场输入临床目标表信息。在一些实施例中，可以通过手动或自动的方式获取临床目标表模板，然后医生可以根据目标对象的状况对模板稍作修改，以得到目标对象的临床目标表信息。临床目标表模板是指针对特定目标对象和/或特定化疗部位的标准化的格式。例如，第一获取模块可以提供针对肺部肿瘤的临床目标表模板、针对早期患者的临床目标表模板等。临床目标表模板可以各项临床目标的默认值、经验值等。用户可以编辑临床目标表模板中的各项临床目标。
步骤330，基于目标对象的影像信息、靶区的处方剂量信息以及针对目标对象的影像信息设定的临床目标表信息，得到对应于目标对象的影像信息的剂量分布。在一些实施例中，步骤330可以由处理设备120或确定模块230执行。
靶区的处方剂量信息是指处方中对靶区施加的计划剂量。靶区的处方剂量信息的单位可以是cGy或Gy，例如，将靶区的处方剂量信息设为6000cGy。
在一些实施例中，确定模块230可以通过剂量分布预测模型得到对应于目标对象的影像信息的剂量分布。剂量分布预测模型的结构、输入、输出等的说明参见图4及其描述。剂量分布预测模型的训练方法的说明参见图5及其描述。
剂量分布是指分布到目标对象的各个单位体积的放射剂量。对应于目标对象的影像信息的剂量分布可以指分布到目标对象的影像中的各个单位体积(例如，各个像素或体素)的放射剂量。
在一些实施例中，确定模块230可以通过其他方法得到对应于目标对象的影像信息的剂量分布。例如，利用计算机辅助的放疗计划系统生成对应于目标对象的影像信息的剂量分布，利用剂量计算算法推算出对应于目标对象的影像信息的剂量分布，常用的剂量计算算法包括蒙特卡洛模拟、点核方法等。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
通过将临床目标表作为模型输入，预测出的剂量分布会仅与靶区勾画和临床医生对于此病例的器官限量要求相关联，可以使模型学会预测不同的靶区与危及器官间相对位置关系和不同的危及器官限量要求对于计划最终剂量分布造成的影响。
图4是根据本说明书一些实施例所示的示例性剂量预测模型的示意图。
在一些实施例中，剂量分布预测模型可以包括机器学习模型。在一些实施例中，剂量分布预测模型可以包括神经网络模型。示例性神经网络模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)、生成对抗(GAN)网络、U-net网络、Res-net网络等。
如图4所示，在一些实施例中，剂量分布预测模型的输入包括影像信息、靶区的处方剂量信息和临床目标表信息。临床目标表信息可以包括对危及器官施加的最大剂量、对危及器官中靠近靶区的部分体积施加的最大剂量、对危及器官施加的最大平均剂量等。在一些实施例中，临床目标表信息中的每个临床剂量目标包括用户设定的其对应的优先级，优先级包括极其重要、较为重要和不重要等。在一些实施例中，剂量分布预测模型的输入可以包括每个临床剂量目标对应的优先级。例如，对于极其重要的危及器官，可以将“对危及器官施加的最大剂量”的优先级设为极其重要，若该危及器官与靶区剂量覆盖率冲突明显，则设置剂量跌落梯度大于跌落阈值，可以使两者相互竞争、使此处剂量跌落梯度较大。
剂量分布预测模型的输出包括影像信息对应的预测剂量分布。例如，预测出的分布到放疗对象的各个单位体积(例如，放疗对像的影像中的各个像素或体素)的放射剂量。
图5是根据本说明书一些实施例所示的示例性剂量预测模型的训练的示意图。在一些实施例中，流程500可以由处理设备120或剂量分布预测系统200执行。例如，流程500可以以程序或指令的形式存储在存储设备(例如，存储设备140、处理设备120的存储单元)中，当处理器执行程序或指令时，可以实现流程500。在一些实施例中，流程500可以利用以下未描述的一个或以上附加操作，和/或不通过以下所讨论的一个或以上操作完成。另外，如图5所示的操作的顺序并非限制性的。
在一些实施例中，处理设备120可以采用元学习训练剂量预测模型。通过元学习方法，可以得到一套“好”的超参数，将这套超参数作为剂量分布预测模型的初始化参数，可以使得在小规模样本(甚至可以是一个样本)上剂量分布预测模型可以迅速收敛。
采用元学习训练剂量预测模型可以使剂量预测模型学会在新任务中快速适应，从而提高模型的泛化能力和准确性，以及降低训练成本和时间成本。
在一些实施例中，采用元学习训练剂量预测模型的方法具体包括：每一个放疗目标部位对应一个训练任务。
在一些实施例中，每个任务可以对应一个身体部位(也可称作感兴趣部位)，例如，任务一可以对应肺部，任务二可以对应鼻咽部位，任务三可以对应宫颈部位，等等。此时，单个任务可理解为针对特定身体部位进行放疗剂量分布预测。当每个任务对应一个身体部位时，任一任务下的样本的标签包括该任务对应的身体部位(如肺部)的真实剂量分布信息。
每个放疗目标部位对应一个训练任务，可以对每个放疗目标部位提供更精确的剂量预测。
在一些实施例中，处理设备120可以基于多个任务下的多个损失函数(例如，多个损失函数的和、多个损失函数的加权和等)更新超参数。
在一些实施例中，如图5所示，处理设备120可以迭代更新超参数，每一轮迭代得到的超参数可以作为下一轮迭代的初始化超参数，直至获得符合预期的超参数。特别地，在首轮迭代中，可以随机初始化超参数。
如图5所示，得到超参数后，处理设备120可以将超参数作为预训练剂量分布预测模型的参数。
在一些实施例中，处理设备120可以获取目标任务下的一个或多个样本。在一些实施例中，处理设备120可以基于目标任务下的一个或多个样本对预训练剂量分布预测模型进行调整，得到针对目标任务的剂量分布预测模型。
由于预训练剂量分布预测模型具有较好的泛化能力，通过少量样本即可使剂量分布预测模型快速适应不同任务。
在一些实施例中，当多个放疗目标部位中的一个放疗目标部位的训练数据的数量少于数据数量阈值时，处理设备120可以基于多个放疗目标部位中的其他放疗目标部位的训练任务，获得超参数；基于训练数据和超参数，训练得到放疗目标部位对应的剂量预测模型。
例如，如图5所示，其中任务1至任务n对应已有足够训练数据的各个部位(例如，肺部、鼻咽部位、宫颈部位等)的剂量分布预测模型。当某个新部位(例如，膀胱)的训练数据的数量少于数据数量阈值时，可应用在训练任务1至任务n过程中得到的较好的超参数，构建对应新部位的初始剂量分布预测模型，并基于该新部位的训练数据，对初始剂量分布预测模型进行训练，使对应新部位的训练后的剂量分布预测模型在极少样本情况下也能够得到好的非过拟合的预测结果。数据数量阈值可以根据经验和/或需求确定，例如，将数据数量阈值设为5、10、20等。
在一些实施例中，模型训练方(如软件服务提供商)可以提前训练好预训练模型，并将预训练剂量分布预测模型下发给一个或多个预测方(如医院)，一个或多个预测方可以根据各自的任务需求对相同的预训练剂量分布预测模型进行微调，得到针对预测任务(即目标任务)的剂量分布预测模型。
需要说明的是，本说明书的原理适用于任意机器学习模型，例如，线性回归模型、逻辑回归模型、向量支持机、决策树、随机森林、贝叶斯模型、神经网络(如深度学习模型)等。
在一些实施例中，剂量预测模型的训练中，处理设备120可以将不同类型的临床剂量目标作为独立通道输入剂量预测模型。例如，分别将对危及器官施加的最大剂量、对危及器官中靠近靶区的部分体积施加的最大剂量、对危及器官施加的最大平均剂量作为独立通道输入剂量预测模型。
将不同类型的临床剂量目标作为独立通道输入剂量预测模型，可以使剂量预测模型明确不同类型的临床剂量目标之间的竞争关系，从而使剂量预测模型学会预测不同的靶区与危及器官间相对位置关系和不同的危及器官限量要求对于计划最终剂量分布造成的影响。
本说明书一些实施例中，基于剂量分布预测模型进行剂量分布预测。其中：(1)在剂量预测时不需要考虑具体肿瘤部位，而将临床目标表作为网络输入，预测剂量分布会仅与靶区勾画和临床医生对于此病例的器官限量要求相关联，从而使剂量预测网络对具体肿瘤部位不再敏感，通用性更强；(2)将不同类型的临床剂量目标作为独立通道输入剂量预测模型，可以使剂量预测模型明确不同类型的临床剂量目标之间的竞争关系，从而使剂量预测模型学会预测不同的靶区与危及器官间相对位置关系和不同的危及器官限量要求对于计划最终剂量分布造成的影响；(3)通过元学习得到的较好的超参数，构建对应新部位的初始剂量分布预测模型，并基于稀少的训练数据，对初始剂量分布预测模型进行训练，使对应新部位的训练后的剂量分布预测模型在极少样本情况下也能够得到好的非过拟合的预测结果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种剂量分布预测方法，其特征在于，所述方法包括：
获取目标对象的影像信息，所述目标对象的影像信息包括靶区信息和危及器官信息；
获取用户针对所述目标对象的影像信息设定的临床目标表信息，所述临床目标表信息包括所述危及器官的至少一个临床剂量目标信息；
基于所述目标对象的影像信息、所述靶区的处方剂量信息以及所述针对所述目标对象的影像信息设定的临床目标表信息，得到对应于所述目标对象的影像信息的剂量分布。
2.如权利要求1所述的方法，其特征在于，所述临床目标表信息包括以下临床剂量目标的至少一项：
对所述危及器官施加的最大剂量、对所述危及器官中靠近靶区的部分体积施加的最大剂量和对所述危及器官施加的最大平均剂量。
3.如权利要求2所述的方法，其特征在于，每个所述临床剂量目标包括其对应的优先级，所述优先级指示所述临床剂量目标的重要程度。
4.如权利要求3所述的方法，其特征在于，对于所述优先级为第一优先级的所述临床剂量目标，在所述危及器官与所述靶区剂量覆盖率冲突时，设置剂量跌落梯度大于跌落阈值；对于所述优先级为第二优先级的所述临床剂量目标，在所述危及器官与所述靶区剂量覆盖率冲突时，优先保证所述靶区覆盖率，其中，所述第一优先级的重要程度高于所述第二优先级的重要程度。
5.如权利要求1所述的方法，其特征在于，所述得到对应于所述目标对象的影像信息的剂量分布包括：
通过剂量预测模型得到对应于所述目标对象的影像信息的剂量分布；
所述剂量预测模型的训练过程包括：
采用元学习训练所述剂量预测模型，所述采用元学习训练所述剂量预测模型的方法具体包括：
每一个放疗目标部位对应一个训练任务。
6.如权利要求5所述的方法，其特征在于，当多个所述放疗目标部位中的一个放疗目标部位的训练数据的数量少于数据数量阈值时，
基于所述多个所述放疗目标部位中的其他放疗目标部位的训练任务，获得超参数；
基于所述训练数据和所述超参数，训练得到所述放疗目标部位对应的剂量预测模型。
7.如权利要求5所述的方法，其特征在于，所述剂量预测模型的训练包括：
将不同类型的临床剂量目标作为独立通道输入所述剂量预测模型。
8.一种剂量分布预测系统，其特征在于，所述系统包括：
第一获取模块，用于获取目标对象的影像信息，所述目标对象的影像信息包括靶区信息和危及器官信息；
第二获取模块，用于获取用户针对所述目标对象的影像信息设定的临床目标表信息，所述临床目标表信息包括所述危及器官的至少一个临床剂量目标信息；
确定模块，用于基于所述目标对象的影像信息、所述靶区的处方剂量信息以及所述针对所述目标对象的影像信息设定的临床目标表信息，得到对应于所述目标对象的影像信息的剂量分布。
9.一种剂分布量预测装置，其特征在于，所述装置包括：
至少一个存储介质，存储计算机指令；
至少一个处理器，执行所述计算机指令，以实现权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946257.5A CN116864051A (zh) | 2023-07-28 | 2023-07-28 | 一种剂量预测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946257.5A CN116864051A (zh) | 2023-07-28 | 2023-07-28 | 一种剂量预测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116864051A true CN116864051A (zh) | 2023-10-10 |
Family
ID=88234104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310946257.5A Pending CN116864051A (zh) | 2023-07-28 | 2023-07-28 | 一种剂量预测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116864051A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117577275A (zh) * | 2024-01-17 | 2024-02-20 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于壳结构的剂量信息确定装置、电子设备及存储介质 |
-
2023
- 2023-07-28 CN CN202310946257.5A patent/CN116864051A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117577275A (zh) * | 2024-01-17 | 2024-02-20 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于壳结构的剂量信息确定装置、电子设备及存储介质 |
| CN117577275B (zh) * | 2024-01-17 | 2024-04-19 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于壳结构的剂量信息确定装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jarrett et al. | Applications and limitations of machine learning in radiation oncology | |
| CN109069858B (zh) | 一种放射治疗系统及计算机可读存储装置 | |
| JP6960509B2 (ja) | 合成医療画像を生成するためのニューラルネットワーク | |
| US10765888B2 (en) | System and method for automatic treatment planning | |
| US20240075315A1 (en) | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions | |
| CN109011203B (zh) | 基于预处理成像的适应性放射治疗系统、装置及存储介质 | |
| US10507337B2 (en) | Radiotherapy treatment plan optimization workflow | |
| Law et al. | DICOM-RT and its utilization in radiation therapy | |
| RU2585419C2 (ru) | Система и способ автоматической генерации исходных планов лучевой терапии | |
| JP6557227B2 (ja) | 治療計画の自動化 | |
| CN105451817B (zh) | 用于自动估计自适应辐射治疗重新规划的效用的方法和系统 | |
| JP5330992B2 (ja) | 生物学に導かれた適応的な治療計画 | |
| US10929976B2 (en) | Method and apparatus for assessing image registration | |
| CN108367161A (zh) | 放疗系统、数据处理方法及存储介质 | |
| CN116864051A (zh) | 一种剂量预测方法、系统、装置及存储介质 | |
| US20230302298A1 (en) | Method and system for robust radiotherapy treatment planning for dose mapping uncertainties | |
| CN115297926A (zh) | 用于生成自适应放射治疗计划的系统和方法 | |
| Jaberi et al. | Artificial neural network based gynaecological image-guided adaptive brachytherapy treatment planning correction of intra-fractional organs at risk dose variation | |
| Jassim et al. | The geometric and dosimetric accuracy of kilovoltage cone beam computed tomography images for adaptive treatment: a systematic review | |
| CN117883712A (zh) | 一种剂量预测方法及系统 | |
| US20230021570A1 (en) | Radiotherapy treatment decision method and systems for palliative care | |
| CN117352127A (zh) | 一种放射剂量分布的优化方法、系统、装置及存储介质 | |
| CN117547742A (zh) | 一种放疗计划优化方法和系统 | |
| CN115089896A (zh) | 一种剂量预测方法及系统 |
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 |