CN117531131A - 一种基于4d ct的自适应放疗方法及装置 - Google Patents
一种基于4d ct的自适应放疗方法及装置 Download PDFInfo
- Publication number
- CN117531131A CN117531131A CN202311707195.9A CN202311707195A CN117531131A CN 117531131 A CN117531131 A CN 117531131A CN 202311707195 A CN202311707195 A CN 202311707195A CN 117531131 A CN117531131 A CN 117531131A
- Authority
- CN
- China
- Prior art keywords
- dose
- radiotherapy
- image
- image sequence
- target patient
- 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
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims abstract description 52
- 238000007408 cone-beam computed tomography Methods 0.000 claims abstract description 49
- 230000000241 respiratory effect Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 210000000920 organ at risk Anatomy 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000003484 anatomy Anatomy 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A61N5/1039—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
- A61N5/1064—Monitoring, verifying, controlling systems and methods for adjusting radiation treatment in response to monitoring
-
- 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
本发明公开一种基于4D CT的自适应放疗方法及装置,自适应放疗方法包括:获取目标患者放疗当日的CBCT医学影像;匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;基于相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;根据虚拟CT影像CT_M’得到相似度最大的影像序列CT_M的实际剂量Dose_D_M;根据相似度最大的影像序列CT_M计算初始计划剂量Dose_M;计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。本发明可大幅减少由于患者治疗当日呼吸运动导致的实时采集影像解剖结构变化对自适应放疗决策带来的错误影响,提升自适应放疗决策正确性。
Description
技术领域
本发明涉及放射治疗技术领域,具体的涉及一种基于4D CT的自适应放疗方法及装置。
背景技术
在放射治疗过程中,患者解剖结构的变化会导致人体内实际的剂量分布与放疗计划系统计算出的剂量分布有所差异。靶区受照剂量偏低或正常组织受照剂量过高,均会使得放射治疗的结果变差。为了实现更精准的放射治疗,产生了自适应放射治疗的概念,根据治疗过程中的反馈信息及时调整放疗计划。
虽然自适应放疗有利于实现更精准的癌症治疗,但临床上尚未大规模应用,存在的关键问题在于,是否进行自适应放疗的临床决策缺乏个体化方案,目前决策的基础多为放疗医生的主观判断。更为定量化的方法是可以基于形变配准重建患者实际接收的剂量,进而评估分次剂量或累积剂量与原计划的剂量分布间的差异。但该方法未考虑到不同的治疗分次中对患者进行实时影像采集时,患者可能处于不同的呼吸运动状态,由此带来的解剖结构的变化可能会对实际接收剂量结果的评估产生错误影响。
有鉴于此,特提出本发明专利。
发明内容
为了解决上述技术问题,本发明提供一种基于4D CT的自适应放疗方法及装置,可大幅减少由于患者放疗当日呼吸运动导致的实时采集影像解剖结构变化对自适应放疗决策带来的错误影响。具体地,采用了如下技术方案:
一种基于4D CT的自适应放疗方法,包括:
获取目标患者放疗当日的CBCT医学影像;
匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;
基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;
根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M;
根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M;
计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M包括:
基于所述虚拟CT影像CT_M’计算获取放疗当日实际照射剂量Dose_D;
将所述实际照射剂量Dose_D形变配准到所述影像序列CT_M上,获得所述相似度最大的影像序列CT_M的实际剂量Dose_D_M。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述基于所述虚拟CT影像CT_M’计算获取放疗当日实际照射剂量Dose_D包括:
基于目标患者的4D CT制定原始放疗计划Plan_O;
将所述目标患者的原始放疗计划Plan_O加载到所述虚拟CT影像CT_M’上进行剂量计算,获取放疗当日实际照射剂量Dose_D。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M包括:
基于目标患者的4D CT制定原始放疗计划Plan_O;
将所述目标患者的原始放疗计划Plan_O加载到所述相似度最大的影像序列CT_M上进行剂量计算,获取放疗当日实际照射剂量Dose_M。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M包括:
将目标患者的4D CT中N个时相医学影像序列分别与目标患者放疗当日的CBCT医学影像进行形变配准,得到N个形变场的形变量,将所述N个形变场的形变量中的最小值对应的时相医学影像序列作为所述目标患者放疗当日CBCT医学影像相似度最大的影像序列CT_M。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’包括:
将所述影像序列CT_M形变配准到目标患者放疗当日的CBCT医学影像上;
根据影像序列CT_M的HU值划分人体区域并将区域内CT平均像素值赋值给目标患者放疗当日的CBCT医学影像的相应区域;
通过深度学习算法模型实现影像序列CT_M到CBCT医学影像的转换,生成虚拟CT影像CT_M’。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述形变配准的方法为基于互信息的形变配准方法或者基于深度学习的形变配准方法。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta包括:所述差异Delta由危及器官的DVH曲线差异Delta1与靶区的DVH曲线差异Delta2加权得到;
可选地,所述差异Delta的计算公式为:Delta=w1*Delta1+w2*Delta2,其中,w1、w2表示权重,Delta1由受呼吸运动影响程度不同的多类危及器官的DVH曲线差异平均值加权得到,权重分别为weight1、weight2、…、weightn,满足weight1+weight2+…+weightn=1,Delta2表示所有靶区的DVH曲线差异的平均值;
可选地,所述DVH曲线差异计算方法包括欧几里德距离、余弦相似度、平均绝对误差和曼哈顿距离。
作为本发明的可选实施方式,本发明的一种基于4D CT的自适应放疗方法中,所述判定是否重新制定放疗计划包括:
若所述差异Delta大于预设阈值Threshold,或者所述放疗当日实际照射剂量Dose_D违背人工评判准则,则重新制定放疗计划;
若所述差异Delta不大于预设阈值Threshold且所述放疗当日实际照射剂量Dose_D不违背所述人工评判准则,则不进行放疗计划重新制定;
可选地,所述的人工评判准则包括靶区是否出现不可接受的冷点热点和正常组织接受的剂量是否超过上限。
本发明同时提供一种基于4D CT的自适应放疗装置,包括:
CBCT模块,获取目标患者放疗当日的CBCT医学影像;
最大相似度影像序列获取模块,匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;
虚拟影像生成模块,基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;
实际计量计算模块,根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M,根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M;
自适应计划判定模块,计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。
与现有技术相比,本发明的有益效果:
本发明的一种基于4D CT的自适应放疗方法,根据目标患者的4D CT中与患者放疗当日CBCT相似度最大的影像序列CT_M生成虚拟CT影像CT_M’,减少了虚拟CT影像CT_M’生成的误差,提升了当日实际照射剂量计算的精度;计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划,充分考虑了患者治疗当日呼吸运动导致的实时采集影像解剖结构变化,为自适应放疗的时机选择提供决策基础,最终提高自适应放疗的准确性。
因此,本发明的一种基于4D CT的自适应放疗方法,可大幅减少由于患者治疗当日呼吸运动导致的实时采集影像解剖结构变化对自适应放疗决策带来的错误影响,提升自适应放疗决策正确性。
附图说明:
图1本发明实施例一种基于4D CT的自适应放疗方法的具体示例流程图;
图2本发明实施例一种基于4D CT的自适应放疗方法中匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M的具体流程示例图;
图3本发明实施例一种基于4D CT的自适应放疗装置的模块化原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的部分实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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和技术方案可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,这类术语仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
参见图1所示,本实施例的一种基于4D CT的自适应放疗方法,包括:
获取目标患者放疗当日的CBCT医学影像;
匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;
基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;
根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M;
根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M;
计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。
本实施例的一种基于4D CT的自适应放疗方法,根据目标患者的4D CT中与患者放疗当日CBCT相似度最大的影像序列CT_M生成虚拟CT影像CT_M’,减少了虚拟CT影像CT_M’生成的误差,提升了当日实际照射剂量计算的精度;计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划,充分考虑了患者治疗当日呼吸运动导致的实时采集影像解剖结构变化,为自适应放疗的时机选择提供决策基础,最终提高自适应放疗的准确性。
因此,本实施例的一种基于4D CT的自适应放疗方法,可大幅减少由于患者治疗当日呼吸运动导致的实时采集影像解剖结构变化对自适应放疗决策带来的错误影响,提升自适应放疗决策正确性。
作为本实施例的可选实施方式,本实施例的一种基于4D CT的自适应放疗方法中,所述根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M包括:
基于所述虚拟CT影像CT_M’计算获取放疗当日实际照射剂量Dose_D;
将所述实际照射剂量Dose_D形变配准到所述影像序列CT_M上,获得所述相似度最大的影像序列CT_M的实际剂量Dose_D_M。
具体地,本实施的一种基于4D CT的自适应放疗方法中,所述基于所述虚拟CT影像CT_M’计算获取放疗当日实际照射剂量Dose_D包括:
基于目标患者的4D CT制定原始放疗计划Plan_O;
将所述目标患者的原始放疗计划Plan_O加载到所述虚拟CT影像CT_M’上进行剂量计算,获取放疗当日实际照射剂量Dose_D。
本实施例的一种基于4D CT的自适应放疗方法中,所述根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M包括:
基于目标患者的4D CT制定原始放疗计划Plan_O;
将所述目标患者的原始放疗计划Plan_O加载到所述相似度最大的影像序列CT_M上进行剂量计算,获取放疗当日实际照射剂量Dose_M。
参见图2所示,作为本实施例的可选实施方式,本实施例的一种基于4D CT的自适应放疗方法中,所述匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M包括:
将目标患者的4D CT中N个时相医学影像序列分别与目标患者放疗当日的CBCT医学影像进行形变配准,得到N个形变场的形变量,将所述N个形变场的形变量中的最小值对应的时相医学影像序列作为所述目标患者放疗当日CBCT医学影像相似度最大的影像序列CT_M。
作为本实施例的可选实施方式,本实施例的一种基于4D CT的自适应放疗方法中,所述基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’包括:
将所述影像序列CT_M形变配准到目标患者放疗当日的CBCT医学影像上;
根据影像序列CT_M的HU值划分人体区域并将区域内CT平均像素值赋值给目标患者放疗当日的CBCT医学影像的相应区域;
通过深度学习算法模型实现影像序列CT_M到CBCT医学影像的转换,生成虚拟CT影像CT_M’。
作为本实施例的可选实施方式,本实施例的一种基于4D CT的自适应放疗方法中,所述形变配准的方法为基于互信息的形变配准方法或者基于深度学习的形变配准方法。
本实施例的一种基于4D CT的自适应放疗方法中,所述计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta包括:所述差异Delta由危及器官的DVH曲线差异Delta1与靶区的DVH曲线差异Delta2加权得到。
可选地,本实施例所述差异Delta的计算公式为:Delta=w1*Delta1+w2*Delta2,其中,w1、w2表示权重,Delta1由受呼吸运动影响程度不同的多类危及器官的DVH曲线差异平均值加权得到,权重分别为weight1、weight2、…、weightn,满足weight1+weight2+…+weightn=1,本实施例在计算Delta1时,考虑危及器官受呼吸运动影响程度的不同,通过加权计算的方式得到的Delta1更加的精准。本实施例的Delta2表示所有靶区的DVH曲线差异的平均值。
具体地示例,本实施例的Delta1由所有受呼吸运动影响的第一类危及器官的DVH曲线差异平均值与所有受呼吸运动影响的第二类危及器官的DVH曲线差异平均值加权得到,权重分别为weight1与weight2,满足weight1+weight2=1,所述第一类危及器官受呼吸运动影响程度大于第二类危及器官受呼吸运动影响程度,即第一类危及器官受呼吸运动影响较大,第二类危及器官受呼吸运动影响较小,与之相应的权重weight1>权重weight2。
可选地,所述DVH曲线差异计算方法包括欧几里德距离、余弦相似度、平均绝对误差和曼哈顿距离。
本实施例的一种基于4D CT的自适应放疗方法中,所述判定是否重新制定放疗计划包括:
若所述差异Delta大于预设阈值Threshold,或者所述放疗当日实际照射剂量Dose_D违背人工评判准则,则重新制定放疗计划;
若所述差异Delta不大于预设阈值Threshold且所述放疗当日实际照射剂量Dose_D不违背所述人工评判准则,则不进行放疗计划重新制定。
可选地,所述的人工评判准则包括靶区是否出现不可接受的冷点热点和正常组织接受的剂量是否超过上限。
参见图3所示,本实施例同时提供一种基于4D CT的自适应放疗装置,包括:
CBCT模块,获取目标患者放疗当日的CBCT医学影像;
最大相似度影像序列获取模块,匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;
虚拟影像生成模块,基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;
实际计量计算模块,根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M,根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M;
自适应计划判定模块,计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。
本实施例的一种基于4D CT的自适应放疗装置,虚拟影像生成模块根据目标患者的4D CT中与患者放疗当日CBCT相似度最大的影像序列CT_M生成虚拟CT影像CT_M’,减少了虚拟CT影像CT_M’生成的误差,提升了当日实际照射剂量计算的精度;实际计量计算模块计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划,充分考虑了患者治疗当日呼吸运动导致的实时采集影像解剖结构变化,为自适应放疗的时机选择提供决策基础,最终提高自适应放疗的准确性。
因此,本实施例的一种基于4D CT的自适应放疗装置,可大幅减少由于患者治疗当日呼吸运动导致的实时采集影像解剖结构变化对自适应放疗决策带来的错误影响,提升自适应放疗决策正确性。
本实施例同时提供一种计算机可读存储介质,存储有计算机可执行程序,所述计算机可执行程序被执行时,实现如所述的一种基于4D CT的自适应放疗方法。
本实施例所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读存储介质还可以是可读存储介质以外的任何可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
本实施例还提供了一种电子设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行所述的一种基于4D CT的自适应放疗方法。
电子设备以通用计算设备的形式表现。其中处理器可以是一个,也可以是多个并且协同工作。本发明也不排除进行分布式处理,即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体,也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序,通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行,以使得电子设备能够执行本发明的方法,或者方法中的至少部分步骤。
所述存储器包括易失性存储器,例如随机存取存储单元(RAM)和/或高速缓存存储单元,还可以是非易失性存储器,如只读存储单元(ROM)。
应当理解,本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如,有些电子设备中还包括有显示屏等显示单元,有些电子设备还包括人机交互元件,例如按钮、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤,均可认为是本发明所涵盖的电子设备。
通过以上对实施方式的描述,本领域的技术人员易于理解,本发明可以由能够执行特定计算机程序的硬件来实现,例如本发明的系统,以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现,例如由微处理器、电子控制单元,客户端、服务器端等执行的控制软件来实现。但需要说明的是,执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行,其也可以是由不特定具体硬件的以分布式的方式来实现。对于计算机软件,软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中,也可以分布式存储于网络上,只要其能使得电子设备执行根据本发明的方法。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于4D CT的自适应放疗方法,其特征在于,包括:
获取目标患者放疗当日的CBCT医学影像;
匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;
基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;
根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M;
根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M;
计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。
2.根据权利要求1所述的一种基于4D CT的自适应放疗方法,其特征在于,所述根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M包括:
基于所述虚拟CT影像CT_M’计算获取放疗当日实际照射剂量Dose_D;
将所述实际照射剂量Dose_D形变配准到所述影像序列CT_M上,获得所述相似度最大的影像序列CT_M的实际剂量Dose_D_M。
3.根据权利要求2所述的一种基于4D CT的自适应放疗方法,其特征在于,所述基于所述虚拟CT影像CT_M’计算获取放疗当日实际照射剂量Dose_D包括:
基于目标患者的4D CT制定原始放疗计划Plan_O;
将所述目标患者的原始放疗计划Plan_O加载到所述虚拟CT影像CT_M’上进行剂量计算,获取放疗当日实际照射剂量Dose_D。
4.根据权利要求1所述的一种基于4D CT的自适应放疗方法,其特征在于,所述根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M包括:
基于目标患者的4D CT制定原始放疗计划Plan_O;
将所述目标患者的原始放疗计划Plan_O加载到所述相似度最大的影像序列CT_M上进行剂量计算,获取放疗当日实际照射剂量Dose_M。
5.根据权利要求1所述的一种基于4D CT的自适应放疗方法,其特征在于,所述匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M包括:
将目标患者的4D CT中N个时相医学影像序列分别与目标患者放疗当日的CBCT医学影像进行形变配准,得到N个形变场的形变量,将所述N个形变场的形变量中的最小值对应的时相医学影像序列作为所述目标患者放疗当日CBCT医学影像相似度最大的影像序列CT_M。
6.根据权利要求1所述的一种基于4D CT的自适应放疗方法,其特征在于,所述基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’包括:
将所述影像序列CT_M形变配准到目标患者放疗当日的CBCT医学影像上;
根据影像序列CT_M的HU值划分人体区域并将区域内CT平均像素值赋值给目标患者放疗当日的CBCT医学影像的相应区域;
通过深度学习算法模型实现影像序列CT_M到CBCT医学影像的转换,生成虚拟CT影像CT_M’。
7.根据权利要求2或5或6所述的一种基于4D CT的自适应放疗方法,其特征在于,所述形变配准的方法为基于互信息的形变配准方法或者基于深度学习的形变配准方法。
8.根据权利要求1所述的一种基于4D CT的自适应放疗方法,其特征在于,所述计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta包括:所述差异Delta由危及器官的DVH曲线差异Delta1与靶区的DVH曲线差异Delta2加权得到;
可选地,所述差异Delta的计算公式为:Delta=w1*Delta1+w2*Delta2,其中,w1、w2表示权重,Delta1由受呼吸运动影响程度不同的多类危及器官的DVH曲线差异平均值加权得到,权重分别为weight1、weight2、…、weightn,满足weight1+weight2+…+weightn=1,所述第一类危及器官受呼吸运动影响程度大于第二类危及器官受呼吸运动影响程度,Delta2表示所有靶区的DVH曲线差异的平均值;
可选地,所述DVH曲线差异计算方法包括欧几里德距离、余弦相似度、平均绝对误差和曼哈顿距离。
9.根据权利要求1所述的1所述的一种基于4D CT的自适应放疗方法,其特征在于,所述判定是否重新制定放疗计划包括:
若所述差异Delta大于预设阈值Threshold,或者所述放疗当日实际照射剂量Dose_D违背人工评判准则,则重新制定放疗计划;
若所述差异Delta不大于预设阈值Threshold且所述放疗当日实际照射剂量Dose_D不违背所述人工评判准则,则不进行放疗计划重新制定;
可选地,所述的人工评判准则包括靶区是否出现不可接受的冷点热点和正常组织接受的剂量是否超过上限。
10.一种基于4D CT的自适应放疗装置,其特征在于,包括:
CBCT模块,获取目标患者放疗当日的CBCT医学影像;
最大相似度影像序列获取模块,匹配获取目标患者4D CT医学影像中与目标患者放疗当日的CBCT医学影像相似度最大的影像序列CT_M;
虚拟影像生成模块,基于所述相似度最大的影像序列CT_M与目标患者放疗当日的CBCT医学影像生成虚拟CT影像CT_M’;
实际计量计算模块,根据所述虚拟CT影像CT_M’得到所述相似度最大的影像序列CT_M的实际剂量Dose_D_M,根据所述相似度最大的影像序列CT_M计算初始计划剂量Dose_M;
自适应计划判定模块,计算相似度最大的影像序列CT_M的初始计划剂量Dose_M与实际剂量Dose_D_M的DVH统计结果差异Delta,判定是否重新制定放疗计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311707195.9A CN117531131A (zh) | 2023-12-12 | 2023-12-12 | 一种基于4d ct的自适应放疗方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311707195.9A CN117531131A (zh) | 2023-12-12 | 2023-12-12 | 一种基于4d ct的自适应放疗方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117531131A true CN117531131A (zh) | 2024-02-09 |
Family
ID=89795895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311707195.9A Pending CN117531131A (zh) | 2023-12-12 | 2023-12-12 | 一种基于4d ct的自适应放疗方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117531131A (zh) |
-
2023
- 2023-12-12 CN CN202311707195.9A patent/CN117531131A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hansen et al. | ScatterNet: a convolutional neural network for cone‐beam CT intensity correction | |
Zabel et al. | Clinical evaluation of deep learning and atlas-based auto-contouring of bladder and rectum for prostate radiation therapy | |
Zhang et al. | A patient‐specific respiratory model of anatomical motion for radiation treatment planning | |
De Luca et al. | Evaluation of 2D and 3D ultrasound tracking algorithms and impact on ultrasound‐guided liver radiotherapy margins | |
Hou et al. | Deformable planning CT to cone‐beam CT image registration in head‐and‐neck cancer | |
Loi et al. | Performance of commercially available deformable image registration platforms for contour propagation using patient‐based computational phantoms: a multi‐institutional study | |
Allozi et al. | Tools for consensus analysis of experts’ contours for radiotherapy structure definitions | |
Samavati et al. | Effect of deformable registration uncertainty on lung SBRT dose accumulation | |
JP6498934B2 (ja) | 適応的治療計画のためのビームセグメントレベル線量計算及び時間的動き追跡 | |
Rosu et al. | Dose reconstruction in deforming lung anatomy: dose grid size effects and clinical implications | |
EP2992819B1 (en) | Weighted surface-to-surface mapping | |
US10149987B2 (en) | Method and system for generating synthetic electron density information for dose calculations based on MRI | |
CN109069861A (zh) | 质子疗法中的剂量分布估计 | |
US20140122112A1 (en) | Hybrid point-based registration | |
Branchini et al. | Validation of a method for “dose of the day” calculation in head-neck tomotherapy by using planning ct-to-MVCT deformable image registration | |
Wang et al. | Adaptive radiotherapy based on statistical process control for oropharyngeal cancer | |
Amit et al. | Automated planning of breast radiotherapy using cone beam CT imaging | |
Ding et al. | Deep‐learning based fast and accurate 3D CT deformable image registration in lung cancer | |
Bourque et al. | A particle filter based autocontouring algorithm for lung tumor tracking using dynamic magnetic resonance imaging | |
CN115083567A (zh) | 基于规则的自动放射治疗计划获得方法及装置 | |
Azcona et al. | A novel concept to include uncertainties in the evaluation of stereotactic body radiation therapy after 4D dose accumulation using deformable image registration | |
CN117116421B (zh) | 放疗计划的确定方法和装置 | |
Osman et al. | A comparative study of deep learning‐based knowledge‐based planning methods for 3D dose distribution prediction of head and neck | |
Zhou et al. | Feasibility study of deep learning‐based markerless real‐time lung tumor tracking with orthogonal X‐ray projection images | |
Kallis et al. | Is adaptive treatment planning in multi-catheter interstitial breast brachytherapy necessary? |
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 |