JP2017536190A - 治療プランニング・システム、治療プラン生成方法及び記憶媒体 - Google Patents

治療プランニング・システム、治療プラン生成方法及び記憶媒体 Download PDF

Info

Publication number
JP2017536190A
JP2017536190A JP2017529068A JP2017529068A JP2017536190A JP 2017536190 A JP2017536190 A JP 2017536190A JP 2017529068 A JP2017529068 A JP 2017529068A JP 2017529068 A JP2017529068 A JP 2017529068A JP 2017536190 A JP2017536190 A JP 2017536190A
Authority
JP
Japan
Prior art keywords
treatment plan
treatment
plan
goals
planning system
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.)
Granted
Application number
JP2017529068A
Other languages
English (en)
Other versions
JP6845136B2 (ja
Inventor
アントニン ブズセック，カルル
アントニン ブズセック，カルル
クマール，プラシャント
マクナット，トッド
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2017536190A publication Critical patent/JP2017536190A/ja
Application granted granted Critical
Publication of JP6845136B2 publication Critical patent/JP6845136B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

放射線療法の治療プランを自動的に生成するためのシステム及び方法は、1つ以上のプロセッサの利用を含み、プロセッサは、危険臓器の幾何学的形状と対象に固有のターゲット・ボリュームを獲得し、形状ベースのアルゴリズムを利用して、対象と同様な幾何学的形状を求めて、過去に作成された治療プランのナレッジベース(38)を検索する(152)ように構成される。システム及び方法は、同様な幾何学的形状を伴うプランからの線量測定情報を、漸進的アルゴリズムの患者固有の開始点に結び付け(154)、少ない反復回数の結果をもたらす。漸進的なチューニング・アルゴリズムは、最適化された治療プランを生成する(156，158，162)。最適化されたプランは、治療ゴールに対して評価される。非充足の治療ゴールに従う代替的なプランを生成するように、トレードオフ・プランが生成される(164)。

Description

本願は一般に放射線治療に関連する。特に、放射線治療プランニングに関するアプリケーションが見出されており、この点について特に説明される。しかしながら、他の利用状況におけるアプリケーションも見出され、言及されるアプリケーションに必ずしも限定されないことが、理解されるべきである。
放射線治療プランニングにおいて、患者固有の治療プランを生み出すことは、時間のかかる面倒なタスクになり得る。ステップの多くは、冗長的であり、患者毎に又はプラン毎にほとんど変わらない。これらのステップの多くは、マクロ言語又はスクリプトを利用して自動化されることが可能であるが、ある種の形態は、論理表現、ループを書くためのツール及びその他の一般的なプログラミング機能が無ければ困難である。
この10年の技術進歩は、強度変調放射線治療(intensity-modulated radiation therapy：IMRT)、強度変調プロトン治療(intensity-modulated proton therapy：IMPT)等の技術分野において、線量照射を改善する多大な飛躍をもたらした。現在の治療プランニングで自動化が困難な分野の1つは、強度変調放射線治療(IMRT)又は強度変調回転放射線治療(volumetric-modulated arc therapy：VMAT)の最適化である。最近の研究の関心は、臨床ユーザの作業負担を支援及び削減するように、ビーム配置から始まって線量最適化に至るプラン生成に関わる様々なタスクの自動化方法の方向へシフトしてきた。最適化は反復的なプロセスであり、ユーザは、ターゲット構造に対する理想的な線量(典型的には、均一な高い線量)を生み出すように線量又は生物学的対象の形式でプランニング・ゴールを指定し、重要な構造に対する線量を最小化することを試みる。
プランの評価は3つの段階に分類される：1．物理的な評価，2.技術的な評価，及び3.臨床評価である。プランの物理的及び技術的な側面は、一般に、プランの完成後に技術者により検査される。プランの臨床的な側面は、プランの物理的，技術的及び臨床的な側面をカバーする5つのカテゴリに基づいて評価され、そのカテゴリは：1．幾何学的分析，2．線量分布分析，3．線量体積ヒストグラム(Dose Volume Histogram：DVH)，4．パラメータ分析，及び5．照射妥当性分析(Deliverability analysis)である。
幾何学的分析は、ビーム配置の最適性を評価するために実行される。ビーム配置は非常に重要なステップである。最適性の品質は、ビームの個数及びそれらの角度により影響を受ける。IMRTプランの最適性及び照射妥当性を増進する観点から、IMRTにおける最適なビーム配置に対するルールが策定されている。
線量分布分析は、軸平面、冠状面及び矢状面における線量分布の最適性を定量的に検証する。この分析は、2D分析及び3D分析に更に分割されることが可能である。2D線量分布分析は、スライス毎に線量分布の評価を示す。この種の分析は、各スライス内のターゲット体積に対する処方量の均一性を評価するために使用される。また、この種の分析は、ターゲット体積の中及び周辺のコールド又はホット・スポットの分布も明らかにすることが可能である。コールド又はホット・スポットは、意図される放射線量より少なくしか受けない又は多く受けてしまうリスクがあるターゲット及び臓器内の領域である。3D分布分析は、一群のビーム方向に関し、線量分布がターゲット体積の全体に対してどの程度均一かを決定する際に、有用である。
線量体積ヒストグラム(DVH)は、プランの最適性を評価するための強力なツールである。DVHは、グラフィカル2次元フォーマットで3次元線量分布を表現する。ターゲット体積に対するDVHは、カバレッジ、適合性(conformity)及び一様性(homogeneity)の観点から線量分布の品質を図形的に表現する。危険臓器 (Organs-at-risk：OARs)に対するDVHカーブは、平均及び最大の線量ではOARsが見逃されてしまう性質を表現する。
パラメータ分析は、線量の最適性を定量的に検証するために実行される。この分析に使用されるパラメータは：(a)ターゲット体積及びOARsに対する最小、平均及び最大線量、(b)ターゲット体積に対するカバレッジ、適合性及び一様性の指標(又はインデックス)である。プラン評価のための物理的な測定基準とは別に、複数の生理学的な測定基準がプラン評価で使用される。これらの生理学的な測定基準は、等価均等線量(Equivalent Uniform Dose：EUD)、腫瘍制御率(TCP)、及び、正常組織合併症確率(Normal Tissue Complication Probability：NTCP)等を含む。
照射妥当性分析は、線量照射の観点からそのプランがどの程度ロバスト的であるかを評価するために実行される。この分析は、セグメント数、セグメント当たりの最小又は平均モニタ・ユニット(MU)、最小セグメント・エリア(MSA)、総照射時間などのようなパラメータの検証を含む。MUは、放射線治療における線形加速器のマシン出力の測定基準である。照射妥当性分析は、プランが実際に妥当であるか否かを明らかにする。
プラン作成の様々なステージは、様々な技術により自動化されている。これらの技術は、照射対象の操作及びIMRT/VMAT最適化などのようなプラン生成プロセスを自動化することにより、臨床ユーザ(すなわち、放射線技師)の負担を減らす。放射線療法治療プランの生成に関わる複雑さの下では、ユーザは或る程度のマニュアル制御及び再検討を望むが、それと同時に、これらの技術の完全な自動化を止めてしまうことが不可避となってしまう。現在の自動プランニング・ソリューションは、ユーザが規定したテンプレートのワン・タイム・コンフィギュレーションを提供し、そのコンフィギュレーションは、治療プランを自動的に生成するために、以後、新たな患者に適用されることが可能である。
具体的には、ゴールを達成する最良のプランを決定することは困難であり、その理由は、「最良」の定義は主観的であり且つ同じユーザに対しても患者毎に変動し得るからである。プラン生成の後、ユーザは、ターゲット・ゴールと危険臓器ゴールとの間で様々なトレードオフを重み付けし、各患者に対して何が許容可能であるかを判定する。トレードオフを理解することは、様々な技術の焦点となっている。しかしながら、そのアプローチに付随する問題の1つは、ユーザが必要とされる以上に過剰に多くの柔軟性を有することであり、過剰な柔軟性は、ワークフローを、過剰に一般化してしまい且つ医師にとって関心をぼかしてしまう。
本願は一般に医学的な撮像に関連する。開示内容は、ポジトロン放出断層撮影(PET)ディテクタのキャリブレーションにおける特定のアプリケーションが見出され、この点については特に説明される。しかしながら、他の利用状況におけるアプリケーションも見出され、上記のアプリケーションに必ずしも限定されないことが、理解されるべきである。本願は、放射線治療プランニング最適化パラメータを初期化する形状ベースの方法(the shape based method)を、最適化パラメータの漸進的チューニングと組み合わせる。本願は、形状ベースのDVH予測を利用して、潜在的なトレードオフを識別し且つプラン品質QA(plan quality QA)を提供する。
最適化パラメータを決定するために形状ベースの方法を利用することは、読み取られるパラメータが過去のプラン(又はモデル)で使用されたもののみであるように制限され、所望の治療タイプに利用可能な特定の情報を必要とする。情報源は、必ずしも最適である必要はなく、限界まで追いやられる必要はない。しかしながら、形状ベースの方法は、承認されたプランの中で為されるトレードオフをキャプチャーし、比較的高速である。
最適化パラメータの漸進的なチューニングは、或る制約を有し、その制約は、初期状態が各患者について同じであり且つ最終的な解に到達するまでにかなりの時間がかかるということである。そして、アルゴリズムは、最適パラメータを限界まで追いやるように努力する。
漸進的なチューニングとともに形状ベースの最適化パラメータを利用することは、トレードオフを把握する方法を提供し、充分な情報が存在する場合に一般的な最適化ゴールを決める必要性を排除し、最適化パラメータを全て比較的速やかに限界まで追い込む。トレードオフ・プランを生成して品質保証するための仕組みも提供される。
一実施形態によれば、最適な治療プランを生成するための治療プランニング・システムは、少なくとも1つのプロセッサを有し、プロセッサは：複数の治療プラン目標を受け入れること；治療プランを生成するように、複数の治療プラン目標に基づいて、複数の治療プラン・パラメータを最適化すること；複数の治療プラン目標を策定し直すことであって、複数の治療プラン目標のパラメータを修正すること、及び/又は、複数の治療プラン目標に1つ以上の追加的な目標を追加することのうちの少なくとも何れかを含む、こと；及び、策定し直された治療プランを生成するために、策定し直された複数の治療プラン目標に基づいて、最適化を反復すること；を行うようにプログラムされている。
本願の好ましい方法例による方法は、最適な治療プランを生成するための方法であって：複数の治療プラン目標を受け入れるステップ；治療プランを生成するように、複数の治療プラン目標に基づいて、複数の治療プラン・パラメータを最適化するステップ；複数の治療プラン目標を策定し直すステップであって、複数の治療プラン目標のパラメータを修正すること、及び/又は、複数の治療プラン目標に1つ以上の追加的な目標を追加することのうちの少なくとも何れかを含む、ステップ；及び、策定し直された治療プランを生成するために、策定し直された複数の治療プラン目標に基づいて、最適化を反復するステップ；を有する。
本願の別の形態による治療プランニング・システムは、1つのプロセッサを有し、プロセッサは：OARsとターゲットとの間の形状の関係に基づくナレッジベース内のルックアップにより、初期の最適ゴールを決定すること；現在の患者の形状の関係及びナレッジベースについて、形状の関係に基づくアルゴリズムを実行し、類似する形状の関係を有する過去に生成されたプランを発見すること；達成された線量ボリューム・ヒストグラムを取り出すこと；達成された線量ボリューム・ヒストグラムに基づいて最適化ゴールを決定すること；漸進的アルゴリズムにより治療プラン目標を最適化し、最適化された治療プランを生成すること；ナレッジベース内の過去に生成されたプランの治療プラン目標と、最適化された治療プランとを比較すること；及び、最終的なプランをナレッジベースに保存すること；を行うようにプログラムされる。
利点の1つは、医師にとって、無駄なく合理化された治療プラン分析である。
別の利点は、ナレッジベース内に獲得されているトレードオフに基づいて、プランが最適化されることである。
別の利点は、漸進的アルゴリズムの少ない反復回数しか必要とせず、効率の増進をもたらすことである。
別の利点は、IMRT/VMATプランニングの複雑さが低減されることである。
別の利点は、臨床ゴールが初期の最適化プランによっては充足されなかった場合に、代替プランをもたらす提供されるトレードオフ・プランが容易に作成できることである。
更に別の利点は、以下の詳細な記述を参照及び理解した当業者に明らかになるであろう。
プラン生成を自動化する改善された方法を実行するIMRTプランニング・システムを示す図。 治療プランを生成する方法を示す図。 感化ポイントを伴うDVHカーブを示す図。
図1に関し、強度変調放射線治療(IMRT)システム又は強度変調回転放射線治療(VMAT)システム等のような治療システム10は、患者の関心領域の1つ以上のプランニング画像を生成するための撮像システム12を含む。画像ボリューム(すなわち、プランニング画像)はボリューメトリック(すなわち、3次元的)であり、典型的には、治療システム10のプランニング画像メモリ14に保存される。関心領域は、1つ以上のターゲット構造を含み、典型的には、1つ以上のクリティカル構造(critical structures)又は危険臓器(OARs)を含む。ターゲット構造の各々は、放射線照射されるべき病変又はその他の組織領域(例えば、腫瘍)である。クリティカル構造の各々は、臓器その他の組織領域であり、その領域は、ターゲット構造の方に進行してターゲット構造を通過する又はターゲット構造の極めて近くを通過する放射線などのような、ターゲット構造を意図する放射線からダメージを受けるリスクがあるものである。
撮像システム12は、1つ以上の撮像モダリティを利用してプランニング画像を生成し、その撮像モダリティは、例えば、コンピュータ断層撮影(CT)、ポジトロン放出断層撮影(PET)、磁気共鳴(MR)、シングル・フォトン放出コンピュータ断層撮影(SPECT)、コーン・ビーム・コンピュータ断層撮影(CBCT)等である。従って、撮像システム12は、撮像モダリティに対応する1つ以上のスキャナ16に加えて、スキャナからの未加工画像データをプランニング画像に再構築するバックエンド・システムを含む。図示の実施形態では、撮像システム12は、例えばCTを利用してプランニング画像を生成し、及び、CTスキャナ16を含む。
治療システム10のプランニング・システム18は、プランニング画像により患者のための最適な治療プランを生成し、そのプランニング画像は典型的にはプランニング画像メモリ14から受け取られる。最適な治療プランは、複数の治療フラクション(treatment fractions)を適切に含み、各々の治療フラクションは、ターゲット構造のプランニング・ターゲット・ボリューム(planning target volumes：PTVs)、ターゲット構造周辺のマージン、ターゲット構造の線量プロファイル、クリティカル構造の限界線量、並びに、治療ビーム方向及び強度を識別し、治療プランは典型的には治療システム10の治療プラン・メモリ20に保存される。プランニング・システム18は、少なくとも1つのプロセッサ22と、少なくとも1つのプログラム・メモリ24とを含む。プログラム・メモリ24は、プロセッサ実行可能な命令を含み、その命令は、プロセッサ22により実行される場合に、最適な治療プランを生成する。プロセッサ22は、最適な治療プランを生成するようにプロセッサ実行可能命令を実行する。プランニング・システム18は、プロセッサ22、プログラム・メモリ24、及び、プランニング・システムの他の何らかのコンポーネントを相互接続する少なくとも1つのシステム・バス26を更に含む。
プロセッサ実行可能命令についての制御モジュール28、コンピュータ・ルーチン、プロセッサ等は、最適な治療プランの生成を含むプランニング・システム18のオペレーション全体を制御する。制御モジュール28は、プランニング・システム18のディスプレイ・デバイス30を利用して、プランニング・システム18のユーザにグラフィカル・ユーザ・インターフェース(GUI)を表示する。更に、制御モジュール28は、プランニング・システム18のユーザ入力デバイス32を利用してGUIとやり取りをすることを、ユーザに適切に許容する。例えば、ユーザは、パラメータを指定するためにGUIと相互作用し、最適な治療プランの生成を制御することが可能である。特に、ユーザは、ユーザ入力デバイス32及び他の固有のパラメータを通じて、プランニング画像メモリ14に存在する画像ボリューム中の関心領域及び危険臓器を指定する。一実施形態では、ユーザが決める臨床目標を保存するメモリが使用される。ディスプレイ・デバイス30は、トレードオフ値、充足及び非充足の目標(met and unmet objectives)、及び、トレードオフの具体的なエリアについての視覚的なプレゼンテーションを表示する。
治療ビーム・セットアップ・モジュール34、コンピュータ又はソフトウェア・ルーチン、プロセッサ等は、治療の施術に使用される1つ以上の治療ビームを設定する。これは、自動的及び/又は手動的に実行されることが可能である。自動的な治療ビーム・セットアップについて言えば、治療ビームを設定するパラメータを自動的に設定するために、適切なルーチンが使用される。治療ビーム・セットアップは、自動的な及び手動的な治療ビーム・セットアップを利用して、治療ビーム・セットアップの実行が可能であることも、想定されている。標準的な臨床診療が後に続くビーム設定に関し、ビーム角度の最適化又は選択方法を利用して、ビーム配置が実行され、例えば、頭及び首に関し、典型的には、標準的な等間隔の7ないし9個のビームの同一平面構成で充分である。ユーザから入力されるビーム数を受け入れるための追加的な対策も可能であり、その場合、システムはビーム角度を最適化するだけである。自動プラン結果が望まれるものでない場合に、ビーム配置の反復的な調整も可能である。自動的に設定されるパラメータは、ディスプレイ・デバイス30を利用してユーザに表示されることが可能であり、ユーザは、必要に応じて、ユーザ入力デバイス32を利用してユーザに表示されることが可能である。
パラメータが最終的に決まると、自動プランニング・モジュール36、コンピュータ又はソフトウェア・ルーチン、プロセッサ等は、候補の治療プランを生成する。自動プランニング・モジュール36は、治療パラメータの生成のための入力パラメータを受信することを含む。入力パラメータは、プランニング画像内の構造の境界に加えて(構造は、例えば、ターゲット構造であり、典型的には、クリティカル構造である)、治療ビーム・セットアップ・モジュール34を利用して決定される治療ビーム設定パラメータを含む。
自動プランニング・モジュール36は、機械学習データベース38に動作可能に結合される。機械学習データベース38はナレッジデータベースであり、そのナレッジデータベースは、ターゲット・ボリューム、OARs、患者の特徴、線量測定情報などを含む過去に生成された放射線治療プランを保存している。
図2に関し、自動プランニング・モジュール36は、形状ベースのアルゴリズムを利用して、OARsとターゲット・ボリュームとの間の形状の関係を把握する。形状の関係は、類似する幾何学的形状を有する患者について生成されたプランと照合するために使用される(152)。自動プランニング・モジュール36は、ターゲット・ボリュームとOARsとの間の重なり(又はオーバーラップ)を判定し、オーバーラップ・ボリューム・ヒストグラム(OVH)等のような形状メトリックに関して近隣情報を特徴付ける。自動プランニング・モジュール36は、類似する形状メトリックを有するプランを求めて機械学習データベース38を探す。自動プランニング・モジュール36は、合致した幾何学的形状及びプランから、線量ボリューム・ヒストグラム(DVH)値を形成する(154)。DHV値又はOARsに関する他の線量測定情報は、既存のプラン情報及びテンプレートの機械学習データベース38から取り出される。図3に関し、線量・体積ゴールは、DVHカーブ204における感化ポイント202から導出されることが可能である。平均線量、等価均等線量(EUD)、最大線量などのようなDVHの他の特性が、OARのゴールに依存して使用されることも可能である。一実施形態では、機械学習データベース38で類似するプランを発見するために、別のデータ検索アルゴリズムが使用されてもよい。
自動プランニング・モジュール36は、ゴールの固定されたテンプレートではなく、初期の開始ポイントとして、線量・体積ゴールを漸進的最適化アルゴリズムに結び付ける。一般的には、(従来の)漸進的アルゴリズムは、固定されたテンプレートを初期開始ポイントとして使用し、そして、かなりの反復回数の後に、患者固有のプランを作成する。本願のアルゴリズムでは、形状ベースのアルゴリズムの中で合致したプラン(具体的には、DVH値)を、漸進的アルゴリズムに結び付け、最適化された放射線治療プランを作成する。漸進的アルゴリズムは、形状ベースのアルゴリズムの出力を、患者固有の開始ポイントとして使用し、最適な治療プランを生成するためにその出力に関して反復的に動作する。形状ベースのアルゴリズムの出力は、良好に決定された開始ポイントを漸進的アルゴリズムに提供し、そのような提供は、漸進的アルゴリズムの反復回数の低減という結果をもたらし、処理パワー及び時間を節約する。
漸進的アルゴリズムは、形状ベースのアルゴリズムからの一群の線量目標(the set of dose objectives)を徐々に精緻化し、複雑な多次元空間における最適解に向かうようにインバース・プランニング最適化(an inverse planning optimization)を追い込む。最適な治療プランは、典型的には、治療システム10の治療プラン・メモリ20に保存される。
図2を更に参照すると、漸進的アルゴリズムは、治療プランを生成するためのインバース・プランニング最適化を含む(156)。インバース・プランニング最適化ルーチンは、多数の良く知られたルーチンのうちの何れかであるとすることが可能である。そのゴールは、ターゲット構造の大部分のカバレッジ(又は版に)が損なわれる直前に至るまで、クリティカル構造及びその他の非ターゲット構造に対する線量を減らす一方、ターゲット構造についての意図される線量のカバレッジを維持することである。
インバース・プランニング最適化ルーチンは、線量目標の各々に対するチューニング力を判定することを含む。チューニング力は、線量、ウェイト、現在値(すなわち、最適化装置の解に対する客観的な評価)及び任意の数の生理学的パラメータ(例えば、「a」値)のうちの1つ以上に基づく。チューニング力がクリティカル構造に対応する場合、チューニング力は、対応する領域の線量を、低いレベルの方へプッシュする。しかしながら、チューニング力が、ターゲット構造に対応する場合、チューニング力は、対応する領域の線量を、ターゲット構造の線量プロファイルの方へプッシュする。比較に基づいて、臨床ゴールが充足されるか否かについて、判断がなされる。例えば、治療プランと臨床ゴールとの間の類似性が、所定のレベルを超える限り、治療プランは最適な治療プランを表現している。そうでない場合、線量目標は策定し直される。
治療プランが作成された後、その治療プランは、構造の線量プロファイル又は不均一性インデックス等のような臨床ゴールと比較され(158)、治療プランが臨床ゴールをどの程度良く達成しているかを定量的に評価する。比較及び定量的評価は、例えば、治療プランが臨床ゴールをどの程度良く達成しているかを採点するように設計されるスコアリング・ルーチンにより、実行されることが可能である。臨床ゴールは、プランニング・パラメータの中に組み込まれていてもよいし、或いは、プランニング・パラメータにより決められてもよい。ステップ158の比較に基づいて、臨床ゴールが充足されているか否かについての判定がなされる(160)。例えば、治療プランと臨床ゴールとの間の類似度が所定のレベルを超える限り、その治療プランは最適な治療プランを表現している。そうでない場合、線量目標は策定し直される(162)。
線量目標の策定し直しは、平衡状態を維持しつつ、チューニング力を発揮することにより(ユーザの優先度による)最適解の方へ誘導する。クリティカル構造が臨床ゴールを充足しない場合、線量目標に対応するチューニング力は、より低い線量又はウェイトの方へ調整される。そうでない場合、チューニング力は、クリティカル構造の優先度及び臨床ガイドライン条件に基づいて、最適なトレードオフを達成するように、調整される。
線量目標を策定し直すために、目的関数(the objective functions)の各々についての現在値が判定される。上述したように、現在値は、最適化装置の解(すなわち、治療プラン)に対する客観的な評価である。現在値は、例えば、ユーザ入力デバイスを利用してユーザが指定する所定の収束値と比較される。現在値が所定の収束値より小さい場合、線量目標のパラメータは、近似的に所定の収束値の方へ、線量目標の現在値を増やすように修正される。現在値が所定の収束値より大きい場合、線量目標のパラメータは、近似的に所定の収束値の方へ、線量目標の現在値を減らすように修正される。
線量目標のパラメータを修正することに加えて、高い優先度の構造について追加的な線量目標が追加されることが可能であり、及び/又は、存在する目標のウェイトを調整することが可能である。例えば、臨床ゴールを越えてプッシュすることなく、対応する臨床ゴールを達成するように、目標が追加されることが可能である。別の例として、ホット及び/又はコールド・スポットが識別されることが可能であり、これらのスポットに対応する目標が、ターゲット構造に対する均一な線量分布を達成するために、追加されることが可能である。別の例として、ターゲット構造の外側への線量漏れの識別が可能であり、識別された漏洩を減らすように、目標の追加が可能である。
一実施形態では、漸進的アルゴリズムにより生成された最適な治療プランは、形状ベースのアルゴリズムから説明されるゴール及び目標を全部は充足しない。トレードオフ・モジュール40は、自動プランニング・モジュール36からの最適化された治療プラン及び臨床ゴールを利用して、代替的なトレードオフ・プラン164を生成する。トレードオフ・モジュール40は、自動プランニング・モジュール36から、候補の治療プランを受け取る。トレードオフ・モジュール40は、入力臨床目標に対して、候補の治療プランを評価し、目標が満たされるか否かを判定する。目標が満たされる場合、トレードオフ・モジュール40が代替的なトレードオフ・プランを生成することなく、最適化された治療プランが選択される。
目標が満たされない場合、代替的なプランが生成され、各々の目標又は目標の組み合わせが充足されるならば、その結果を示す。トレードオフ・モジュール40によりナレッジベースから取り出される他の線量情報及び/又はDVHと、候補プランとが比較される。データベースにおける全ての類似情報に関する統計も使用される。OARのためのプランにより達成される線量の節約が、形状ベースのアルゴリズムにより予想される線量よりも不都合である場合(或いは、実質的にかなり好ましくない場合)、そのOARはトレードオフ分析の候補である。予想される線量を達成する代替的なプランが提示される。現在のプランが現在の認識を改善する場合、ナレッジ・ベース(又はモデル)は改善され、ベースライン(又は基準)が、より忠実になる。更に、以下に説明されるように、充足されていない治療ゴールを選択するためのトレードオフ・プランの生成も可能である。
トレードオフ・モジュール40が、治療プランは全ての臨床目標を充足しない旨を判定した場合、トレードオフ分析が実行される。ユーザは、トレードオフ・モジュール40により為されたトレードオフ判定を再検討する。一実施形態において、トレードオフ・モジュール40は、非充足の目標を伴う代替的な治療プランであって、充足する又は更に充分に充足するように制約される治療プランを生成するように、自動プランニング・モジュール36を制御する。代替的な実施形態において、トレードオフ・モジュールは、ゴールが満たされる又は満たされない場所の判断を、ディスプレイでユーザに表示する。ユーザは、ユーザ入力を利用して、トレードオフ分析により、代替的なトレードオフ・プランを更に検討する。別の実施形態では、危険臓器が、トレードオフ・モジュール40により自動的に選択される。
ユーザは、特定の目標に対する優先度のランキングを入力する選択肢を有する。一実施形態では、優先度のランキングは分類されており、例えば、「低」、「中」及び「高」に分類されてもよい。別の実施形態では、優先度ランキングは、相対的な数値(例えば、1ないし10の数値)である。ユーザは、ユーザ入力32により目標及び優先度を選択することが可能であり、自動プランニング・モジュール36は、低優先度のゴールを犠牲にして、高優先度のゴールを充足することを試みる。一実施形態では、トレードオフ・モジュール40は、他のものをかなり上回る非充足の目標を充足するように努力し、候補の治療プランがどのように変化するかを示す。一実施形態では、優先度及び選択された危険臓器が、所定のプラン・テンプレートに対して選択される。
一実施形態では、トレードオフ・モジュール40は、既に生成した治療プランを開始ポイントとして使用して、少なくとも1つの代替的なプランを生成することにより、トレードオフ分析を実行する。生成されたプランを利用することは、初めからプランを作り直す場合の時間及び労力を節約する。一実施形態では、トレードオフ・モジュール40は、各々の危険臓器、又は、充足若しくは選択されていない他のゴールについて、オリジナルの選択されたプランをコピーする。トレードオフ・モジュール40は、特定の危険臓器に対する最低かパラメータを変更することにより、非充足ゴールを充足する又は更にしっかりと充足するように、最適化アルゴリズムを駆動する。特定の危険臓器についてゴールが充足される場合、トレードオフ・モジュール40は、残りの危険臓器に対する残りのゴールを充足することを試みる。一実施形態では、トレードオフ・モジュール40は、残りのゴールを充足しようとする一方、特定の危険臓器に対するゴールを充足するように最適化する。トレードオフ・モジュール40は、選択された危険臓器の各々に対する非充足ゴールの各々に対応する複数の代替的なトレードオフ・プランを生成する。生成されたトレードオフ・プランは、ターゲット及び危険組織構造に対する残りのゴールのうちの何れかのゴールを充足する効果を示す。一実施形態において、トレードオフ・プランは、非充足の危険組織ゴールの組み合わせについて生成される。
トレードオフ・プランが生成された後、トレードオフ・モジュール40は、プランを互いに比較するために別のトレードオフ分析を実行する。ユーザは、DHVオーバーラップ又はサイドバイサイド・トライアル線量(side by side trial dose)のようなプラン比較特徴を利用して、トレードオフ・プランにおけるトレードオフを評価する。一実施形態では、補間のレベルを制御するために混合パラメータを利用して、2つの線量グリッド間を補間することにより、プランに対する線量推定がなされる。
一実施形態では、ユーザが、患者に施さされる候補プラン又は代替的なトレードオフ・プランの中から何れかを選択する。別の実施形態では、トレードオフ・モジュール40により、最終的なプランが自動的に選択される。プランが選択された後、トレードオフ・モジュール40は、将来のIMRTプランニングでの使用のために、選択されたプランにより、機械学習データベース38を選択的に更新する。例えば、データベースに保存される選択されたプランは、将来、危険臓器に対する目標が満たされない場合に、既に生成されたトレードオフ・プランとして使用されることが可能である。
デリバリ・システム42は、選択された治療プランを実行し、アブレーション治療、外的なビーム放射線治療、及び/又は、小線源治療などのような治療を、患者に施す。治療は、典型的には、x線、プロトン、高密度焦点式超音波(HIFU)のうちの1つ以上のような放射線を含む。デリバリ・システム42は、線形粒子加速器のようなデリバリ装置44及び制御システム46を含み、制御システムは、最適な治療プランに従ってデリバリ装置44を制御する。最適な治療プランは、一般的には、治療プラン・メモリ20から受け取られるが、他のソースも本願では想定されている。
ユーザは、全部又は一部のステップの後に、自動的に決定された選択を確認することにより、自動プラン生成についての制御を追加的に実行してよいことが、認められる。本願で使用されるように、メモリは、非一時的なコンピュータ読み取り可能な媒体；磁気ディスク又は他の磁気記憶媒体；光ディスク又は他の光記憶媒体；ランダム・アクセス・メモリ(RAM)、リードオンリ・メモリ(ROM)、又は、他の電子メモリ・デバイス又はチップ、或いは、動作可能に相互接続された複数のチップのセット；保存された命令がインターネット/イントラネット又はローカル・エリア・ネットワークを介して取り出される元となるインターネット/イントラネット・サーバ；等のうちの1つ以上を含む。更に、本願で使用されるように、プロセッサは、マイクロプロセッサ、マイクロコントローラ、グラフィック・プロセシング・ユニット(GPU)、特定用途向け集積回路(ASIC)、フィールド・プログラマブル・ゲート・アレイ(FPGA)等のうちの1つ以上を含み；コントローラは：(1)プロセッサ及びメモリを含み、プロセッサはコントローラの機能を組み込むメモリにおけるコンピュータ実行可能な命令を実行し；或いは、(2)アナログ及び/又はディジタル・ハードウェアを含み；ユーザ入力デバイスは、マウス、キーボード、タッチ・スクリーン・ディスプレイ、1つ以上のボタン、1つ以上のスイッチ、1つ以上のトグル、音声認識エンジン等のうちの1つ以上を含み；データベースは1つ以上のメモリを含み；及び、ディスプレイ・デバイスは、液晶ディスプレイ(LCD)、発光ダイオード(LED)ディスプレイ、プラズマ・ディスプレイ、プロジェクション・ディスプレイ、タッチ・スクリーン・ディスプレイ等のうちの1つ以上を含む。
本開示によるシステム及び方法がその例示的な実施形態を参照しながら説明されてきたが、本開示はそのような例示的な実施形態に限定されない。むしろ、本願で開示されるシステム及び方法は、本願の精神及び範囲から逸脱することなく、様々な修正、改善及び/又は変形を受け入れる余地がある。従って、本開示は、そのような修正、改善及び/又は変形を、添付の特許請求の範囲内に統合及び包含する。
一実施形態によれば、最適な治療プランを生成するための治療プランニング・システムは、少なくとも１つのプロセッサを有し、プロセッサは：複数の治療プラン目標を受け入れること；対象の診断撮像データを受け入れること；危険臓器の幾何学的形状と、前記対象に固有のターゲット・ボリュームとを獲得すること；ナレッジベースにアクセスし、及び、近隣情報、オーバーラップ及び算出された形状メトリックを利用して、前記ナレッジベースから返される過去に生成された治療プランと、獲得された幾何学的形状とを照合すること；治療プランを生成するように、複数の治療プラン目標に基づいて、複数の治療プラン・パラメータを最適化すること；複数の治療プラン目標を策定し直すことであって、複数の治療プラン目標のパラメータを修正すること、及び／又は、複数の治療プラン目標に１つ以上の追加的な目標を追加することのうちの少なくとも何れかを含む、こと；及び、策定し直された治療プランを生成するために、策定し直された複数の治療プラン目標に基づいて、最適化を反復すること；を行うようにプログラムされており、前記少なくとも１つのプロセッサは：過去に生成された治療プランから、対象固有の線量測定情報を構築すること；及び、前記線量測定情報を、最適化のための初期の対象固有の治療プラン目標に結び付けること；を行うように更にプログラミングされている。
本願の好ましい方法例による方法は、最適な治療プランを生成するための方法であって：複数の治療プラン目標を受け入れるステップ；対象の診断撮像データを受け入れるステップ；危険臓器の幾何学的形状と、前記対象に固有のターゲット・ボリュームとを獲得するステップ；前記ナレッジベースにアクセスし、及び、近隣情報、オーバーラップ及び算出された形状メトリックを利用して、前記ナレッジベースから返される過去に生成された治療プランと、獲得された幾何学的形状とを照合するステップ；治療プランを生成するように、複数の治療プラン目標に基づいて、複数の治療プラン・パラメータを最適化するステップ；複数の治療プラン目標を策定し直すステップであって、複数の治療プラン目標のパラメータを修正すること、及び／又は、複数の治療プラン目標に１つ以上の追加的な目標を追加することのうちの少なくとも何れかを含む、ステップ；及び、策定し直された治療プランを生成するために、策定し直された複数の治療プラン目標に基づいて、最適化を反復するステップ；を有し、過去に生成された治療プランから、対象固有の線量測定情報を構成すること；及び、前記線量測定情報を、最適化のための初期の対象固有の治療プラン目標に結び付けること；を特徴とする。

Claims (20)

  1. 最適な治療プランを生成するための治療プランニング・システムであって：
    少なくとも1つのプロセッサを有し、前記プロセッサは：
    複数の治療プラン目標を受け入れること；
    治療プランを生成するように、前記複数の治療プラン目標に基づいて、複数の治療プラン・パラメータを最適化すること；
    前記複数の治療プラン目標を策定し直すことであって、前記複数の治療プラン目標のパラメータを修正すること及び前記複数の治療プラン目標に1つ以上の追加的な目標を追加することのうちの少なくとも何れかを含む、こと；及び
    策定し直された治療プランを生成するために、策定し直された複数の治療プラン目標に基づいて、前記最適化を反復すること；
    を行うようにプログラムされている、治療プランニング・システム。
  2. 自動プランニング・モジュールが、ナレッジベースにアクセスし、前記複数の治療プラン目標の形状ベースの検索を実行するように構成される、請求項1に記載の治療プランニング・システム。
  3. 前記ナレッジベースが、過去に生成された複数の治療プランを含み；
    少なくとも1つのプロセッサは：
    対象の診断撮像データを受け入れること；
    危険臓器の幾何学的形状と、前記対象に固有のターゲット・ボリュームとを獲得すること；
    前記ナレッジベースにアクセスすること；
    近隣情報、オーバーラップ及び算出された形状メトリックを利用して、前記ナレッジベースから返される過去に生成された治療プランと、獲得された幾何学的形状とを照合すること；及び
    過去に生成された治療プランから、対象固有の線量測定情報を構成すること；
    を行うようにプログラムされている、請求項2に記載の治療プランニング・システム。
  4. 前記プロセッサは、線量測定情報を、最適化のための初期の対象固有の治療プラン目標に結び付けるようにプログラムされ、当該結び付けは、DVHカーブの感化ポイントを算出すること、及び、算出された感化ポイントから前記線量測定情報を導出することを含む、請求項1ないし3のうち何れか一項に記載の治療プランニング・システム。
  5. 前記策定し直し及び最適化は、所定の反復回数の間又は臨床ゴールが充足されるまで、反復される、請求項1ないし4のうち何れか一項に記載の治療プランニング・システム。
  6. 前記最適化は：
    各々の目標に対してチューニング力を判定することであって、前記チューニング力は、線量、ウェイト及び現在値のうちの1つ以上に基づいており、前記現在値は、現在の解が当該目標を達成する程度を評価している、こと；及び
    複数の構造に対応する領域に対して線量を調整することであって、クリティカル構造に対応するチューニング力は低線量の方へプッシュする一方、それと同時に、ターゲット構造に対応するチューニング力は均一な又はより高い線量の方へプッシュする、こと；
    を含む、請求項1ないし5のうちの何れか一項に記載の治療プランニング・システム。
  7. ボリューム診断画像を保存するプランニング画像メモリ；
    ターゲット及び危険臓器に施されるターゲット放射線線量に関する臨床ゴール及び危険臓器を規定するデータを入力するようにユーザのために構成される臨床目標を保存するメモリ；及び
    を有し、前記1つ以上のプロセッサは：
    第1の治療プランにより前記危険臓器の各々に施された線量と、前記ターゲット放射線線量とを比較することにより、治療プランを評価すること；
    前記ターゲット放射線線量と施された放射線線量との間の差が、前記危険臓器の少なくとも何れかに関して近接するように、前記臨床ゴールを課す1つ以上の以後の治療プランを生成すること；及び
    前記第1及び少なくとも1つの後続の治療プランの中から最終プランを選択するように、ユーザに、前記第1及び1つ以上の後続の治療プランを表示すること；
    を行うように構成される、請求項1ないし6のうちの何れか一項に記載の治療プランニング・システム。
  8. 前記プロセッサは：
    危険臓器の各々に施されるターゲット放射線線量に対する優先度ランキングを受け取ること；及び
    前記優先度ランキングを調整する少なくとも1つの後続の治療プランを生成すること；
    を行うように構成される、請求項1ないし7のうちの何れか一項に記載の治療プランニング・システム。
  9. 最適な治療プランを生成するための方法であって：
    複数の治療プラン目標を受け入れるステップ；
    治療プランを生成するように、前記複数の治療プラン目標に基づいて、複数の治療プラン・パラメータを最適化するステップ；
    前記複数の治療プラン目標を策定し直すステップであって、前記複数の治療プラン目標のパラメータを修正すること及び前記複数の治療プラン目標に1つ以上の追加的な目標を追加することのうちの少なくとも何れかを含む、ステップ；及び
    策定し直された治療プランを生成するために、策定し直された複数の治療プラン目標に基づいて、前記最適化を反復するステップ；
    を有する方法。
  10. ナレッジベースにアクセスするステップ；及び
    前記複数の治療プラン目標の形状ベースの検索を実行するステップ；
    を有する請求項9に記載の方法。
  11. 前記ナレッジベースが、過去に生成された複数の治療プランを含み；
    前記方法は：
    対象の診断撮像データを受け取るステップ；
    危険臓器の幾何学的形状と、前記対象に固有のターゲット・ボリュームとを獲得するステップ；
    前記ナレッジベースにアクセスするステップ；
    近隣情報、オーバーラップ及び算出された形状メトリックを利用して、過去に生成された治療プランと、獲得された幾何学的形状とを照合するステップ；及び
    過去に生成された治療プランから、対象固有の線量測定情報を構成するステップ；
    を含む請求項10に記載の方法。
  12. 線量測定情報を、最適化のための初期の対象固有の治療プラン目標に結び付けるステップを有し、
    当該結び付けは、DVHカーブの感化ポイントを算出すること、及び、算出された感化ポイントから前記線量測定情報を導出することを含む、請求項9ないし11のうち何れか一項に記載の方法。
  13. 前記策定し直し及び最適化は、所定の反復回数の間又は臨床ゴールが充足されるまで、反復される、請求項9ないし12のうち何れか一項に記載の方法。
  14. 前記最適化するステップは：
    各々の目標に対してチューニング力を判定するステップであって、前記チューニング力は、線量、ウェイト及び現在値のうちの1つ以上に基づいており、前記現在値は、現在の解が当該目標を達成する程度を評価している、ステップ；及び
    複数の構造に対応する領域に対して線量を調整するステップであって、クリティカル構造に対応するチューニング力は低線量の方へプッシュする一方、それと同時に、ターゲット構造に対応するチューニング力は均一な又はより高い線量の方へプッシュする、ステップ；
    を含む、請求項9ないし13のうちの何れか一項に記載の方法。
  15. 第1の治療プランにより危険臓器の各々に施された線量と、ターゲット放射線線量とを比較することにより、治療プランを評価するステップ；
    前記ターゲット放射線線量と施された放射線線量との間の差が、前記危険臓器の少なくとも何れかに関して近接するように、臨床ゴールを課す1つ以上の以後の治療プランを生成するステップ；及び
    前記第1及び少なくとも1つの後続の治療プランの中から最終プランを選択するように、ユーザに、前記第1及び1つ以上の後続の治療プランを表示するステップ；
    を含む請求項9ないし14のうちの何れか一項に記載の方法。
  16. 危険臓器の各々に施されるターゲット放射線線量に対する優先度ランキングを受け取るステップ；及び
    前記優先度ランキングを調整する少なくとも1つの後続の治療プランを生成するステップ；
    を含む請求項9ないし15のうちの何れか一項に記載の方法。
  17. 請求項9ないし16のうち何れか一項に記載の方法を実行するように1つ以上のプロセッサを制御するソフトウェアを担う非一時的なコンピュータ読み取り可能な記憶媒体。
  18. 1つ以上のプロセッサを有する治療プランニング・システムであって、前記1つ以上のプロセッサは：
    形状の関係を構築するためにナレッジベースを検索すること；
    前記形状の関係及び前記ナレッジベースについて形状ベースのアルゴリズムを実行し、前記形状の関係に類似する、治療プラン目標を有する過去に生成されたプランを発見すること；
    最適化された治療プランを生成するために、漸進的アルゴリズムにより前記治療プラン目標を最適化すること；
    前記ナレッジベース内の過去に生成されたプランの治療プラン目標と、最適化された治療プランとを比較すること；及び
    最終的なプランを前記ナレッジベースに保存すること；
    を行うようにプログラムされる、治療プランニング・システム。
  19. 前記プロセッサは、線量測定情報を、最適化のための初期の対象固有の治療プラン目標に結び付けるようにプログラムされ、当該結び付けは、DVHカーブの感化ポイントを算出すること、及び、算出された感化ポイントから前記線量測定情報を導出することを含む、請求項18に記載の治療プランニング・システム。
  20. 前記プロセッサは：
    ユーザが選択した優先されるゴールを充足するように、トレードオフ治療プランを生成すること；
    最適化された治療プラン、又は、生成されたトレードオフ治療プランのうちの何れかを、最終的なプランとして選択すること；
    を行うようにプログラムされる、請求項18に記載の治療プランニング・システム。
JP2017529068A 2014-12-04 2015-12-03 治療プランニング・システム、治療プラン生成方法及び記憶媒体 Active JP6845136B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462087264P 2014-12-04 2014-12-04
US62/087,264 2014-12-04
PCT/IB2015/059327 WO2016088075A1 (en) 2014-12-04 2015-12-03 Shape based initialization and qa of progressive auto-planning

Publications (2)

Publication Number Publication Date
JP2017536190A true JP2017536190A (ja) 2017-12-07
JP6845136B2 JP6845136B2 (ja) 2021-03-17

Family

ID=55066690

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017529068A Active JP6845136B2 (ja) 2014-12-04 2015-12-03 治療プランニング・システム、治療プラン生成方法及び記憶媒体

Country Status (5)

Country Link
US (1) US10603511B2 (ja)
EP (1) EP3227809B1 (ja)
JP (1) JP6845136B2 (ja)
CN (1) CN107278303B (ja)
WO (1) WO2016088075A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020177394A (ja) * 2019-04-17 2020-10-29 キヤノンメディカルシステムズ株式会社 医用検査管理システム、オーダリングシステム及びプログラム
JP2022537875A (ja) * 2019-06-27 2022-08-31 クアンタム サージカル ディープラーニングに基づいて組織アブレーションを計画する方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016144915A1 (en) * 2015-03-06 2016-09-15 Duke University Automatic determination of radiation beam configurations for patient-specific radiation therapy planning
US10252081B2 (en) * 2015-09-25 2019-04-09 Varian Medical Systems International Ag Apparatus and method using automatic generation of a base dose
US11056243B2 (en) * 2015-12-21 2021-07-06 Elekta Ab (Publ) Systems and methods for optimizing treatment planning
EP3426343B1 (en) * 2016-03-09 2020-09-16 Koninklijke Philips N.V. Pre-optimization method for quick prediction of achievability of clinical goals in intensity modulated radiation therapy
US10639501B2 (en) 2016-09-23 2020-05-05 Varian Medical Systems International Ag Creating treatment field using initial field and patient specific geometry and achievable dose
US10556125B2 (en) * 2017-04-13 2020-02-11 Varian Medical Systems International Ag Knowledge based treatment planning corrected for biological effects
US10661097B2 (en) * 2017-09-21 2020-05-26 Varian Medical Systems, Inc. VMAT treatment planning using multicriteria optimization and a progressive optimization scheme
CN109771843B (zh) * 2017-11-10 2021-10-22 北京连心医疗科技有限公司 云放射治疗计划评估方法、设备与存储介质
EP3486913A1 (en) * 2017-11-15 2019-05-22 Koninklijke Philips N.V. Evaluation of dose accuracy of radiation therapy treatment plans
US10493299B2 (en) * 2017-12-08 2019-12-03 Elekta, Inc. Determining parameters for a beam model of a radiation machine using deep convolutional neural networks
US11173322B2 (en) * 2018-12-31 2021-11-16 Varian Medical Systems International Ag Systems and methods for treatment planning using continuous quality metrics
WO2020169787A1 (en) * 2019-02-21 2020-08-27 Koninklijke Philips N.V. Method to optimally splitting arcs in modulated arc therapy (mat) plans
EP3744394A1 (en) * 2019-05-27 2020-12-02 Koninklijke Philips N.V. Intensity modulated particle therapy plan normalization scheme
US11529531B2 (en) 2020-06-09 2022-12-20 Siemens Healthineers International Ag Using reinforcement learning in radiation treatment planning optimization to locate dose-volume objectives

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110153547A1 (en) * 2009-06-23 2011-06-23 The Johns Hopkins University System and method for shape based retrieval of prior patients for automation and quality control of radiation therapy treatment plans
JP2012500036A (ja) * 2008-08-15 2012-01-05 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ モデルにより強調される画像化
US20130085343A1 (en) * 2011-09-30 2013-04-04 Lasse Toimela Semantic radiation treatment plan optimization guidance
WO2014068435A2 (en) * 2012-10-29 2014-05-08 Koninklijke Philips N.V. Automatic optimal imrt/vmat treatment plan generation.
WO2014167461A1 (en) * 2013-04-11 2014-10-16 Koninklijke Philips N.V. Isodose optimization

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7362848B2 (en) * 2005-06-27 2008-04-22 Accuray Incorporated Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans
US7880154B2 (en) 2005-07-25 2011-02-01 Karl Otto Methods and apparatus for the planning and delivery of radiation treatments
US8180020B2 (en) 2008-10-23 2012-05-15 Accuray Incorporated Sequential optimizations for treatment planning
CN102232835A (zh) * 2010-04-21 2011-11-09 清华大学 一种影像引导放射治疗的定位方法
CN103282967B (zh) * 2010-08-17 2016-07-06 德克萨斯州立大学董事会 用于放射疗法的自动化治疗计划
WO2012035463A1 (en) * 2010-09-17 2012-03-22 Koninklijke Philips Electronics N.V. Contour delineation for radiation therapy planning with real-time contour segment impact rendering
EP2624911B1 (en) 2010-10-06 2017-08-23 University Health Network Methods and systems for automated planning of radiation therapy
CN110570950A (zh) * 2010-12-16 2019-12-13 皇家飞利浦电子股份有限公司 用于使用基于病例的推理的治疗计划的临床决策支持的系统和方法
US9123097B2 (en) * 2010-12-20 2015-09-01 Koninklijke Philips N.V. System and method for automatic generation of initial radiation treatment plans
US8774358B2 (en) 2011-09-28 2014-07-08 Varian Medical Systems, Inc. Radiation therapy treatment plan improvement through use of knowledge base
WO2013179221A1 (en) * 2012-05-29 2013-12-05 Koninklijke Philips N.V. Elasticity imaging-based methods for improved gating efficiency and dynamic margin adjustment in radiation therapy
US20140378736A1 (en) * 2013-06-21 2014-12-25 Emory University Methods, systems and computer readable storage media storing instructions for generating a radiation therapy treatment plan
CN103810670B (zh) * 2014-01-24 2017-01-18 兰州交通大学 基于cuda流和共享内存的dvh图并行统计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012500036A (ja) * 2008-08-15 2012-01-05 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ モデルにより強調される画像化
US20110153547A1 (en) * 2009-06-23 2011-06-23 The Johns Hopkins University System and method for shape based retrieval of prior patients for automation and quality control of radiation therapy treatment plans
US20130085343A1 (en) * 2011-09-30 2013-04-04 Lasse Toimela Semantic radiation treatment plan optimization guidance
WO2014068435A2 (en) * 2012-10-29 2014-05-08 Koninklijke Philips N.V. Automatic optimal imrt/vmat treatment plan generation.
WO2014167461A1 (en) * 2013-04-11 2014-10-16 Koninklijke Philips N.V. Isodose optimization

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020177394A (ja) * 2019-04-17 2020-10-29 キヤノンメディカルシステムズ株式会社 医用検査管理システム、オーダリングシステム及びプログラム
JP7383391B2 (ja) 2019-04-17 2023-11-20 キヤノンメディカルシステムズ株式会社 医用検査管理システム、オーダリングシステム及びプログラム
JP2022537875A (ja) * 2019-06-27 2022-08-31 クアンタム サージカル ディープラーニングに基づいて組織アブレーションを計画する方法
JP7455862B2 (ja) 2019-06-27 2024-03-26 クアンタム サージカル ディープラーニングに基づいて組織アブレーションを計画する方法

Also Published As

Publication number Publication date
WO2016088075A1 (en) 2016-06-09
US10603511B2 (en) 2020-03-31
EP3227809B1 (en) 2020-09-16
US20170259082A1 (en) 2017-09-14
CN107278303B (zh) 2021-06-29
EP3227809A1 (en) 2017-10-11
CN107278303A (zh) 2017-10-20
JP6845136B2 (ja) 2021-03-17

Similar Documents

Publication Publication Date Title
JP6845136B2 (ja) 治療プランニング・システム、治療プラン生成方法及び記憶媒体
CN105793854B (zh) 处置规划系统及非瞬态计算机可读介质
JP6317749B2 (ja) 自動的な最適ｉｍｒｔ／ｖｍａｔ処置計画の生成
Jarrett et al. Applications and limitations of machine learning in radiation oncology
EP3027279B1 (en) Automation of therapy planning
EP3030316B1 (en) Method and system for automatic estimation of utility of adaptive radiation therapy re-planning
EP3268931B1 (en) Method and apparatus for assessing image registration
US10864382B2 (en) System and method for radiation therapy treatment planning
US20140378736A1 (en) Methods, systems and computer readable storage media storing instructions for generating a radiation therapy treatment plan
US20150095051A1 (en) Automated algorithm and framework for multi-patient treatment plan access in radiation therapy
US20230117544A1 (en) Radiation therapy treatment planning

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170606

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181130

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191001

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190927

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20191206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200327

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200825

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201112

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210126

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210225

R150 Certificate of patent or registration of utility model

Ref document number: 6845136

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150