CN117524502B - 一种基于模式挖掘的调强放射治疗多目标射束优化方法 - Google Patents
一种基于模式挖掘的调强放射治疗多目标射束优化方法 Download PDFInfo
- Publication number
- CN117524502B CN117524502B CN202410010897.XA CN202410010897A CN117524502B CN 117524502 B CN117524502 B CN 117524502B CN 202410010897 A CN202410010897 A CN 202410010897A CN 117524502 B CN117524502 B CN 117524502B
- Authority
- CN
- China
- Prior art keywords
- dose
- optimization
- solution
- representing
- solutions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005065 mining Methods 0.000 title claims abstract description 38
- 238000002721 intensity-modulated radiation therapy Methods 0.000 title claims abstract description 17
- 210000000920 organ at risk Anatomy 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000011282 treatment Methods 0.000 claims description 9
- 238000001959 radiotherapy Methods 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241001123605 Peru tomato mosaic virus Species 0.000 claims description 3
- 238000002939 conjugate gradient method Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供了一种基于模式挖掘的调强放射治疗多目标射束优化方法，包括以下步骤：数据输入：包含贡献度矩阵，靶区和周围危及器官的处方剂量约束；射束方向划分：按照贡献度矩阵划分若干等间距射束方向；构建多目标优化模型：将靶区和周围危及器官的处方剂量约束通过模式挖掘建模转化为一个包含两个优化目标的多目标优化问题；约束处理机制：选择不同解集所包含的最大射束数量和最小射束数量作为优化的约束;多目标优化：通过模式挖掘方法来引导多目标进行优化；输出结果：将模式挖掘进化优化得到的非劣解自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式，供用户选择。
Description
技术领域
本发明涉及调强放射治疗技术领域，特别涉及一种基于模式挖掘的调强放射治疗多目标射束优化方法。
背景技术
恶性肿瘤被认为是严重威胁人类生命健康的主要原因，仅2020年，全球就有近1000万人死于恶性肿瘤。而目前主要的治疗方式分为放射治疗、手术治疗和化学治疗。作为癌症治疗中最常用的技术之一，调强放射治疗旨在通过照射肿瘤区域而不损害周围的正常组织和危及器官来根除肿瘤细胞。其通常分为三个连续的子问题：射束角度优化、通量图优化和多叶准直器排序。在射束角度优化问题中，我们尝试优化出一个满意的射束角度配置来进行辐射照射。然后，在通量图优化问题中，计算了在当前射束角度配置下的最佳剂量分布。最后，需要解决一个排序问题，以控制多叶准直器叶片在优化通量传递过程中的运动。从上面的过程可以清楚地看出，作为调强放射治疗，优化出一个合理的射束配置对整个调强放射治疗的优化效果和后续过程都尤为重要。
作为一个大规模组合优化问题，射束优化问题很难最优化，具有多个局部极小值。在国内外，射束优化的问题已经有很多学者进行了研究，如启发式算法、基于指标进行统计的算法和基于深度学习的算法。尽管上述射束优化算法在获得高质量射束配置方面取得了很大的成功，但在临床实践中仍需考虑射束的多样性需求。上述已有算法的治疗效果不佳，效率不高。针对计算速度和最终临床放疗效果的研究仍然有较大的提升空间。
发明内容
为解决上述问题，本发明旨在提出一种基于模式挖掘的调强放射治疗多目标射束优化方法，通过构建基于模式挖掘的调强放射治疗多目标射束优化模型，并通过模式挖掘进化优化得到非劣解，自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式来供用户选择。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于模式挖掘的调强放射治疗多目标射束优化方法，包括以下步骤：
S1：数据输入：将放疗数据样本导入，其中，包含贡献度矩阵，靶区和周围危及器官的处方剂量约束；
S2：射束方向划分：初始化共面射束角度为，按照贡献度矩阵A划分若干等间距射束方向；
S3：构建多目标优化模型：将靶区和周围危及器官的处方剂量约束通过模式挖掘建模转化为一个包含两个优化目标的多目标优化问题，其中,包括最大剂量、最小剂量/>、最大剂量体积约束/>、最小剂量体积约束/>；
S4：约束处理机制：选择不同解集所包含的最大射束数量和最小射束数量作为优化的约束;
S5：多目标优化：通过模式挖掘方法来引导多目标进行优化；
S6：输出结果：将模式挖掘进化优化得到的非劣解自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式，供用户选择。
进一步的，在所述步骤S1中：贡献度矩阵表示治疗方案中每个照射野下，单位强度的射束对病人体内各个计算采样点的剂量沉积，靶区和周围危及器官的处方剂量约束通过临床医生给出，考虑既往期间患者所接收的辐射量。
进一步的，在所述步骤S2中：射束方向划分如下：
（1）
式中表示射束划分的最小间隔角度，k表示射束序列集合，K表示射束方向集合。
进一步的，在所述步骤S3中：假设表示包含不同射束的角度集合，则计算在射束集合/>的剂量照射下某个感兴趣区域内采样点/>所受的剂量为：
（2）
式中表示第/>个射束，n表示当前/>集合中射束的数量，/>表示在射束集合/>中第/>个射束的强度，通过共轭梯度法优化得出；
在S3过程中，所述靶区和周围危及器官的处方剂量约束的四个目标约束公式如下：
（3）
（4）
（5）
（6）
式中表示限定区域R在射束角度集合/>照射下的最小接受剂量/>，/>表示限定区域R在射束角度集合/>照射下的最大接受剂量/>，/>表示限定区域R接受剂量达到临床设定剂量水平的肿瘤体素比例，其中/>表示在比例/>下的最小剂量，表示限定区域R接受剂量低于某一剂量水平的体素的比例，其中表示在比例/>下的最大剂量；
根据目标之间的关系，将上述处方剂量约束进行分类，将其转化为两个目标的多目标优化模型：
（7）
（8）
（9）
式中PTVs表示所有靶区的集合，OARs表示所有危及器官的集合。
进一步的，在所述步骤S4中，约束处理机制中的控制解集中最大射束数量和最小射束数量/>的约束公式如下：
式中表示当前射束角度集合中的射束数量。
进一步的，在所述步骤S5中：多目标优化：通过模式挖掘方法来引导多目标进行优化；具体包括以下步骤：
S5.1：根据每个不同射束方向照射至危及器官和靶区剂量比值大小来指导种群初始化，利用不同单个射束方向照射至危及器官和靶区剂量比值大小作为指导初始化过程的评价指标，根据以下公式计算评价指标：
（11）
式中表示第/>个单个射束，/>表示靶区的数量，/>表示危及器官的数量，该评价指标越小表明该射束方向的剂量尽可能分布在目标靶区上；因此在初始化种群中每个解时，优先将评价指标更小的射束方向加入该解，以此在初始化时提高解的优化效率；
S5.2：将多目标算法中种群的非劣解通过模式挖掘方法构造所有解的并集解作为最大射束候选集，同理构造所有解的交集解作为最小射束候选集，种群中每个解是由维二进制向量组通过0，1表示成一个射束角度集合/>，其中B表示整个平面划分的射束数量；若解向量的第/>维为1即表示该方向射束存在，否则不存在；
S5.3：最大和最小候射束选集引导种群进行多点位交叉和变异，在交叉过程中以一定概率采用单点交叉方法，采用单点交叉和多点交叉混合的交叉算子，以一定概率将单个射束方向置为0或1，否则将以一定概率随机从多个点同时置为0或1；
S5.4：根据种群中每个解的适应度大小来选择，其中解x的适应度大小由步骤S3转化的两个优化目标分别归一化后和公式（10）中得到解x的约束值线性加权得到，适应度值小的解继续进入下一代，具体的目标和约束线性加权的公式如下：
（12）
式中表示解x第i个目标归一化后的值，/>表示解/>在公式（10）下的约束归一化后的值，/>表示当前种群中非零解数量和所有解的数量之比；通过公式（12）自适应的调控可以保证算法在优化时的收敛性和多样性；
S5.5：如果此时迭代次数达到设置的最大迭代次数结束优化，否则转至步骤S5.2继续进行优化。
进一步的，在所述步骤S5.2中，通过种群中非劣解生成最大和最小射束候选集的模式挖掘方法具体步骤如下：
A:从当前非劣解中找出至少在一个解中为1的维数计入最大射束候选集;
B:从当前非劣解中找出在所有解中都为1的维数计入最小射束候选集;
C:将最大射束候选集和最小射束候选集的未计入维数置为0。
有益效果：本发明通过构建基于模式挖掘的调强放射治疗多目标射束优化模型，并通过模式挖掘进化优化得到非劣解，自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式来供用户选择。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于模式挖掘的调强放射治疗多目标射束优化方法的流程图；
图2为本发明实施例所述的基于模式挖掘的调强放射治疗多目标射束优化方法的模式挖掘进化算法流程图；
图3为本发明实施例所述的基于模式挖掘的调强放射治疗多目标射束优化方法中的生成最大和最小射束候选集的过程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例1
参见图1-3：一种基于模式挖掘的调强放射治疗多目标射束优化方法，包括以下步骤：
S1：数据输入：将放疗数据样本导入，其中，包含贡献度矩阵，靶区和周围危及器官的处方剂量约束；贡献度矩阵/>表示治疗方案中每个照射野下，单位强度的射束对病人体内各个计算采样点的剂量沉积，靶区和周围危及器官的处方剂量约束通过临床医生给出，考虑既往期间患者所接收的辐射量。
S2：射束方向划分：初始化共面射束角度为，按照贡献度矩阵A划分若干等间距射束方向；射束方向划分如下：
（1）
式中表示射束划分的最小间隔角度，k表示射束序列集合，K表示射束方向集合。
S3：构建多目标优化模型：将靶区和周围危及器官的处方剂量约束通过模式挖掘建模转化为一个包含两个优化目标的多目标优化问题，其中,包括最大剂量、最小剂量/>、最大剂量体积约束/>、最小剂量体积约束/>；
假设表示包含不同射束的角度集合，则计算在射束集合/>的剂量照射下某个感兴趣区域内采样点/>所受的剂量为：
（2）
式中表示第/>个射束，n表示当前/>集合中射束的数量，/>表示在射束集合/>中第/>个射束的强度，通过共轭梯度法优化得出；
在S3过程中，所述靶区和周围危及器官的处方剂量约束的四个目标约束公式如下：
（3）
（4）
（5）
（6）
式中表示限定区域R在射束角度集合/>照射下的最小接受剂量/>，/>表示限定区域R在射束角度集合/>照射下的最大接受剂量/>，/>表示限定区域R接受剂量达到临床设定剂量水平的肿瘤体素比例，其中/>表示在比例/>下的最小剂量，表示限定区域R接受剂量低于某一剂量水平的体素的比例，其中表示在比例/>下的最大剂量；
根据目标之间的关系，将上述处方剂量约束进行分类，将其转化为两个目标的多目标优化模型：
（7）
（8）
（9）
式中PTVs表示所有靶区的集合，OARs表示所有危及器官的集合。
S4：约束处理机制：选择不同解集所包含的最大射束数量和最小射束数量作为优化的约束;
约束处理机制中的控制解集中最大射束数量和最小射束数量/>的约束公式如下：
式中表示当前射束角度集合中的射束数量。
S5：多目标优化：通过模式挖掘方法来引导多目标进行优化；具体包括以下步骤：
S5.1：根据每个不同射束方向照射至危及器官和靶区剂量比值大小来指导种群初始化，利用不同单个射束方向照射至危及器官和靶区剂量比值大小作为指导初始化过程的评价指标，根据以下公式计算评价指标：
（11）
式中表示第/>个单个射束，/>表示靶区的数量，/>表示危及器官的数量，该评价指标越小表明该射束方向的剂量尽可能分布在目标靶区上；因此在初始化种群中每个解时，优先将评价指标更小的射束方向加入该解，以此在初始化时提高解的优化效率；
S5.2：将多目标算法中种群的非劣解通过模式挖掘方法构造所有解的并集解作为最大射束候选集，同理构造所有解的交集解作为最小射束候选集，种群中每个解是由维二进制向量组通过0，1表示成一个射束角度集合/>，其中B表示整个平面划分的射束数量；若解向量的第/>维为1即表示该方向射束存在，否则不存在；
通过种群中非劣解生成最大和最小射束候选集的模式挖掘方法具体步骤如下：
A:从当前非劣解中找出至少在一个解中为1的维数计入最大射束候选集;
B:从当前非劣解中找出在所有解中都为1的维数计入最小射束候选集;
C:将最大射束候选集和最小射束候选集的未计入维数置为0。
具体操作流程由图2所示，可以看到不同单个射束在不同射束集合下出现的概率是不一样的，由此通过模式挖掘方法构造出8个非劣解的最大和最小射束候选集。
本实施例利用非劣解的最大和最小射束角度集来提高进化多目标优化的有效性。其中，最小射束角度集是检测所有非劣解共同包含的射束角度，用于加快解的收敛；最大射束角度集是求出任意非劣解所包含的射束角度，以提高解的多样性。
S5.3：最大和最小候射束选集引导种群进行多点位交叉和变异，在交叉过程中以一定概率采用单点交叉方法，采用单点交叉和多点交叉混合的交叉算子，以一定概率将单个射束方向置为0或1，否则将以一定概率随机从多个点同时置为0或1；
S5.4：根据种群中每个解的适应度大小来选择，其中解x的适应度大小由步骤S3转化的两个优化目标分别归一化后和公式（10）中得到解x的约束值线性加权得到，适应度值小的解继续进入下一代，具体的目标和约束线性加权的公式如下：
（12）
式中表示解x第i个目标归一化后的值，/>表示解/>在公式（10）下的约束归一化后的值，/>表示当前种群中非零解数量和所有解的数量之比；通过公式（12）自适应的调控可以保证算法在优化时的收敛性和多样性；
S5.5：如果此时迭代次数达到设置的最大迭代次数结束优化，否则转至步骤S5.2继续进行优化。
S6：输出结果：将模式挖掘进化优化得到的非劣解自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式，供用户选择。
需要说明的是，进化算法作为启发式算法的一种，具有良好的全局搜索能力，可以一次性为临床提供多种解决方案，因此，本实施例通过模式挖掘进化算法利用非劣解的最大和最小射束角度集来提高进化多目标优化的有效性，能加快射束角度的求解速度，使实际放疗效果达到临床要求并提供多种射束数量不同的解决方案，以供临床选择多种治疗方案。本实施例基于问题特定知识的种群初始化策略，具体来说，每个射束首先由正常器官和肿瘤组织的接受剂量之比来评估，然后，后续对射束角的比值进行归一化，指导解的初始化过程，加快解的收敛。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于模式挖掘的调强放射治疗多目标射束优化方法，其特征在于，包括以下步骤：
S1：数据输入：将放疗数据样本导入，其中，包含贡献度矩阵，靶区和周围危及器官的处方剂量约束；在所述步骤S1中：贡献度矩阵/>表示治疗方案中每个照射野下，单位强度的射束对病人体内各个计算采样点的剂量沉积，靶区和周围危及器官的处方剂量约束通过临床医生给出，考虑既往期间患者所接收的辐射量；
S2：射束方向划分：初始化共面射束角度为，按照贡献度矩阵A划分若干等间距射束方向；在所述步骤S2中：射束方向划分如下：
（1）
式中表示射束划分的最小间隔角度，k表示射束序列集合，K表示射束方向集合；
S3：构建多目标优化模型：将靶区和周围危及器官的处方剂量约束通过模式挖掘建模转化为一个包含两个优化目标的多目标优化问题，其中,包括最大剂量、最小剂量/>、最大剂量体积约束/>、最小剂量体积约束/>；在所述步骤S3中：假设/>表示包含不同射束的角度集合，则计算在射束集合/>的剂量照射下某个感兴趣区域内采样点/>所受的剂量为：
（2）
式中表示第/>个射束，n表示当前/>集合中射束的数量，/>表示在射束集合/>中第/>个射束的强度，通过共轭梯度法优化得出；
在S3过程中，所述靶区和周围危及器官的处方剂量约束的四个目标约束公式如下：
（3）
（4）
（5）
（6）
式中表示限定区域R在射束角度集合/>照射下的最小接受剂量/>，/>表示限定区域R在射束角度集合/>照射下的最大接受剂量/>，/>表示限定区域R接受剂量达到临床设定剂量水平的肿瘤体素比例，其中/>表示在比例/>下的最小剂量，表示限定区域R接受剂量低于某一剂量水平的体素的比例，其中表示在比例/>下的最大剂量；
根据目标之间的关系，将上述处方剂量约束进行分类，将其转化为两个目标的多目标优化模型：
（7）
（8）
（9）
式中PTVs表示所有靶区的集合，OARs表示所有危及器官的集合；
S4：约束处理机制：选择不同解集所包含的最大射束数量和最小射束数量作为优化的约束;在所述步骤S4中，约束处理机制中的控制解集中最大射束数量和最小射束数量的约束公式如下：
（10）
式中表示当前射束角度集合中的射束数量
S5：多目标优化：通过模式挖掘方法来引导多目标进行优化；在所述步骤S5中：多目标优化：通过模式挖掘方法来引导多目标进行优化；具体包括以下步骤：
S5.1：根据每个不同射束方向照射至危及器官和靶区剂量比值大小来指导种群初始化，利用不同单个射束方向照射至危及器官和靶区剂量比值大小作为指导初始化过程的评价指标，根据以下公式计算评价指标：
（11）
式中表示第/>个单个射束，/>表示靶区的数量，/>表示危及器官的数量，该评价指标越小表明该射束方向的剂量尽可能分布在目标靶区上；因此在初始化种群中每个解时，优先将评价指标更小的射束方向加入该解，以此在初始化时提高解的优化效率；
S5.2：将多目标算法中种群的非劣解通过模式挖掘方法构造所有解的并集解作为最大射束候选集，同理构造所有解的交集解作为最小射束候选集，种群中每个解是由维二进制向量组通过0，1表示成一个射束角度集合/>，其中B表示整个平面划分的射束数量；若解向量的第/>维为1即表示该方向射束存在，否则不存在；
S5.3：最大和最小候射束选集引导种群进行多点位交叉和变异，在交叉过程中以一定概率采用单点交叉方法，采用单点交叉和多点交叉混合的交叉算子，以一定概率将单个射束方向置为0或1，否则将以一定概率随机从多个点同时置为0或1；
S5.4：根据种群中每个解的适应度大小来选择，其中解x的适应度大小由步骤S3转化的两个优化目标分别归一化后和公式（10）中得到解x的约束值线性加权得到，适应度值小的解继续进入下一代，具体的目标和约束线性加权的公式如下：
（12）
式中表示解x第i个目标归一化后的值，/>表示解/>在公式（10）下的约束归一化后的值，/>表示当前种群中非零解数量和所有解的数量之比；通过公式（12）自适应的调控可以保证算法在优化时的收敛性和多样性；
S5.5：如果此时迭代次数达到设置的最大迭代次数结束优化，否则转至步骤S5.2继续进行优化；
S6：输出结果：将模式挖掘进化优化得到的非劣解自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式，供用户选择。
2.根据权利要求1所述的基于模式挖掘的调强放射治疗多目标射束优化方法，其特征在于，在所述步骤S5.2中，通过种群中非劣解生成最大和最小射束候选集的模式挖掘方法具体步骤如下：
A:从当前非劣解中找出至少在一个解中为1的维数计入最大射束候选集;
B:从当前非劣解中找出在所有解中都为1的维数计入最小射束候选集;
C:将最大射束候选集和最小射束候选集的未计入维数置为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410010897.XA CN117524502B (zh) | 2024-01-04 | 2024-01-04 | 一种基于模式挖掘的调强放射治疗多目标射束优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410010897.XA CN117524502B (zh) | 2024-01-04 | 2024-01-04 | 一种基于模式挖掘的调强放射治疗多目标射束优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117524502A CN117524502A (zh) | 2024-02-06 |
| CN117524502B true CN117524502B (zh) | 2024-03-22 |
Family
ID=89753389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410010897.XA Active CN117524502B (zh) | 2024-01-04 | 2024-01-04 | 一种基于模式挖掘的调强放射治疗多目标射束优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117524502B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和系统 |
| CA2796159A1 (en) * | 2010-06-07 | 2011-12-15 | The University Of Manitoba | Multi-objective radiation therapy optimization method |
| CN103143123A (zh) * | 2013-01-10 | 2013-06-12 | 合肥超安医疗科技有限公司 | 一种基于蚁群算法的射束方向多目标优化系统及方法 |
| CN105447330A (zh) * | 2015-12-30 | 2016-03-30 | 上海联影医疗科技有限公司 | 调强放射治疗的权重调整方法和装置 |
| CN107545137A (zh) * | 2017-08-16 | 2018-01-05 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗计划智能优化方法 |
| CN110020710A (zh) * | 2019-03-08 | 2019-07-16 | 华南理工大学 | 一种基于人工蜂群算法的射束方向及权重多目标优化方法 |
| CN110211664A (zh) * | 2019-04-25 | 2019-09-06 | 安徽大学 | 一种基于机器学习自动设计放射治疗方案的系统 |
| CN110604550A (zh) * | 2019-09-24 | 2019-12-24 | 广州医科大学附属肿瘤医院 | 一种肿瘤放疗后正常组织器官并发症的预测方法 |
| CN115920257A (zh) * | 2023-01-17 | 2023-04-07 | 安徽大学 | 一种调强放射治疗射束角度优化系统 |
| CN116341182A (zh) * | 2022-12-12 | 2023-06-27 | 安徽大学 | 基于多目标进化和传统优化方法协同的质子调强多目标优化方法及其系统 |
| CN116391234A (zh) * | 2020-09-21 | 2023-07-04 | 医科达有限公司 | 放射治疗的注量图的机器学习优化 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150202464A1 (en) * | 2014-01-23 | 2015-07-23 | Mitsubis | Multi-Criteria Optimization in Particle Beam Dose Optimization |
| US9884206B2 (en) * | 2015-07-23 | 2018-02-06 | Loma Linda University Medical Center | Systems and methods for intensity modulated radiation therapy |
| US11865362B2 (en) * | 2020-04-30 | 2024-01-09 | The Board Of Regents Of University Of Texas System | Beam selection for radiotherapy |
-
2024
- 2024-01-04 CN CN202410010897.XA patent/CN117524502B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和系统 |
| CA2796159A1 (en) * | 2010-06-07 | 2011-12-15 | The University Of Manitoba | Multi-objective radiation therapy optimization method |
| CN103143123A (zh) * | 2013-01-10 | 2013-06-12 | 合肥超安医疗科技有限公司 | 一种基于蚁群算法的射束方向多目标优化系统及方法 |
| CN105447330A (zh) * | 2015-12-30 | 2016-03-30 | 上海联影医疗科技有限公司 | 调强放射治疗的权重调整方法和装置 |
| CN107545137A (zh) * | 2017-08-16 | 2018-01-05 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗计划智能优化方法 |
| CN110020710A (zh) * | 2019-03-08 | 2019-07-16 | 华南理工大学 | 一种基于人工蜂群算法的射束方向及权重多目标优化方法 |
| CN110211664A (zh) * | 2019-04-25 | 2019-09-06 | 安徽大学 | 一种基于机器学习自动设计放射治疗方案的系统 |
| CN110604550A (zh) * | 2019-09-24 | 2019-12-24 | 广州医科大学附属肿瘤医院 | 一种肿瘤放疗后正常组织器官并发症的预测方法 |
| CN116391234A (zh) * | 2020-09-21 | 2023-07-04 | 医科达有限公司 | 放射治疗的注量图的机器学习优化 |
| CN116341182A (zh) * | 2022-12-12 | 2023-06-27 | 安徽大学 | 基于多目标进化和传统优化方法协同的质子调强多目标优化方法及其系统 |
| CN115920257A (zh) * | 2023-01-17 | 2023-04-07 | 安徽大学 | 一种调强放射治疗射束角度优化系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于射束元的调强逆向治疗计划中子野权重的最优化研究;陈炳周;侯氢;;核技术;20070810(08);全文 * |
| 放射治疗计划的优化方法;周正东;罗立民;舒华忠;王征;李兵;;中国医疗器械杂志;20071130(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117524502A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10850122B2 (en) | Optimization methods for radiation therapy planning | |
| US7876882B2 (en) | Automated software system for beam angle selection in teletherapy | |
| Wang et al. | Development of methods for beam angle optimization for IMRT using an accelerated exhaustive search strategy | |
| US9507886B2 (en) | Multi-objective radiation therapy optimization method | |
| US7496173B2 (en) | Method and system for optimizing dose delivery of radiation | |
| CN110114117A (zh) | 使用优先化约束的交互式剂量操纵 | |
| US20070201614A1 (en) | Method and system for optimizing dose delivery of radiation | |
| CN110327554B (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
| WO2000015299A1 (en) | Falcon: automated optimization method for arbitrary assessment criteria | |
| US20210244970A1 (en) | Systems and methods for planning, controlling and/or delivering radiotherapy and radiosurgery using combined optimization of dynamic axes (coda) | |
| D D'Souza et al. | A nested partitions framework for beam angle optimization in intensity-modulated radiation therapy | |
| Fallahi et al. | Direct aperture optimization for intensity modulated radiation therapy: Two calibrated metaheuristics and liver cancer case study | |
| Bedford et al. | Beam selection for stereotactic ablative radiotherapy using Cyberknife with multileaf collimation | |
| CN117524502B (zh) | 一种基于模式挖掘的调强放射治疗多目标射束优化方法 | |
| Lei et al. | An approaching genetic algorithm for automatic beam angle selection in IMRT planning | |
| McShan et al. | Advanced interactive planning techniques for conformal therapy: high level beam descriptions and volumetric mapping techniques | |
| CN116341182A (zh) | 基于多目标进化和传统优化方法协同的质子调强多目标优化方法及其系统 | |
| CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化系统 | |
| Ni et al. | Fast VMAT planning for prostate radiotherapy: dosimetric validation of a deep learning-based initial segment generation method | |
| Li et al. | Adaptive particle swarm optimizer for beam angle selection in radiotherapy planning | |
| Li et al. | A modified genetic algorithm for the beam angle optimization problem in intensity-modulated radiotherapy planning | |
| Li | Prior knowledge helps improve beam angle optimization efficiency in radiotherapy planning | |
| Peer | Generating treatment plans for prostate VMAT using deep learning | |
| Nguyen et al. | Using Monte Carlo dropout and bootstrap aggregation for uncertainty estimation in radiation therapy dose prediction with deep learning neural networks | |
| Mousazadeh | Optimization Approaches for Intensity Modulated Proton Therapy Treatment Planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |