JP2020528791A - ディープ畳み込みニューラルネットワークを使用する放射線治療計画 - Google Patents
ディープ畳み込みニューラルネットワークを使用する放射線治療計画 Download PDFInfo
- Publication number
- JP2020528791A JP2020528791A JP2020503934A JP2020503934A JP2020528791A JP 2020528791 A JP2020528791 A JP 2020528791A JP 2020503934 A JP2020503934 A JP 2020503934A JP 2020503934 A JP2020503934 A JP 2020503934A JP 2020528791 A JP2020528791 A JP 2020528791A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- image
- radiotherapy
- parameters
- convolutional neural
- 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
Links
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 174
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 42
- 238000013439 planning Methods 0.000 title claims description 33
- 238000011282 treatment Methods 0.000 claims abstract description 156
- 238000012549 training Methods 0.000 claims abstract description 35
- 210000003484 anatomy Anatomy 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 31
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 5
- 206010028980 Neoplasm Diseases 0.000 description 47
- 230000005855 radiation Effects 0.000 description 44
- 230000015654 memory Effects 0.000 description 41
- 238000002591 computed tomography Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 31
- 238000003384 imaging method Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 28
- 238000002595 magnetic resonance imaging Methods 0.000 description 26
- 210000000056 organ Anatomy 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000005291 magnetic effect Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000002600 positron emission tomography Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 9
- 230000001225 therapeutic effect Effects 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000007408 cone-beam computed tomography Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000002728 volumetric modulated arc therapy Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 235000013929 Psidium pyriferum Nutrition 0.000 description 2
- 244000236580 Psidium pyriferum Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000000133 brain stem Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 231100000673 dose–response relationship Toxicity 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 210000003027 ear inner Anatomy 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- 210000003681 parotid gland Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 238000002673 radiosurgery Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011301 standard therapy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—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
- A61N5/1042—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head
- A61N5/1045—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy with spatial modulation of the radiation beam within the treatment head using a multi-leaf collimator, e.g. for intensity modulated radiation therapy or IMRT
-
- 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
- A61N5/1065—Beam adjustment
- A61N5/1067—Beam adjustment in real time, i.e. during treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
Description
[0001]
この出願は、2017年7月26日に出願された米国特許出願第15,658,484号の優先権の利益を主張し、その開示は参照により本明細書に全体が組み込まれる。
[0002]
本発明の実施形態は、一般に、放射線療法治療システムにおける機械パラメータを決定することに関する。特に、本発明は、ディープラーニング技術を使用して、放射線治療システムにおける治療計画のための機械パラメータを決定することに関する。
放射線治療すなわち「放射線療法」を使用して、哺乳類(例えば、ヒトおよび動物)の組織のがんまたはその他の病気を治療することができる。そのような放射線治療技術の1つはガンマナイフであり、それにより、患者は、標的(例えば、腫瘍)に高強度および高精度で収束する多数の低強度ガンマ線で照射される。他の実施形態では、線形加速器を使用して放射線療法が提供され、それにより、腫瘍に、高エネルギー粒子(例えば、電子、陽子、イオン、高エネルギー光子など)が照射される。放射線ビームの配置と線量は、腫瘍が所定の放射線を確実に受けるように正確に制御する必要があり、ビームの配置は、しばしばリスク臓器(OAR)と呼ばれる周囲の健康な組織への損傷を最小限に抑えるようなものでなければならない。医師は、薬の処方と同様に、腫瘍と周囲の臓器に所定量の放射線を命じるため、放射線は「処方」と呼ばれる。一般に、コリメートされたビーム形状の電離放射線は、外部放射線源から患者に向かって照射される。
指定されまたは選択可能なビームエネルギーは、診断エネルギーレベル範囲または治療エネルギーレベル範囲を提供する等のために、使用することができる。放射ビームの変調は、1つまたはそれ以上の減衰器またはコリメータ(例えば、マルチリーフコリメータ)によって提供することができる。放射ビームの強度と形状は、投影ビームを標的組織のプロファイルに適合させることにより、標的組織に隣接する健康な組織(例えば、リスク臓器)の損傷を避けるコリメーションにより調整することができる。
治療計画手順には、患者の3次元画像を使用して、標的領域(例えば、腫瘍)を識別し、腫瘍付近の重要な臓器を識別することが含まれる。治療計画の作成は、臨床的に受け入れられる治療計画を作成するために、プランナーが、個々の重要性を考慮して(例えば、重み付け)、さまざまな治療目標または制約(例えば、線量ボリュームヒストグラム(DVH)、オーバーラップボリュームヒストグラム(OVH))に準拠しようとする、時間のかかるプロセスである。このタスクは、OARの数が増える(例えば、頭頸部治療で13個まで)につれてプロセスの複雑さが増すので、さまざまなリスク臓器(OAR)によって複雑になる時間のかかる試行錯誤のプロセスになる。腫瘍から離れたOARは放射線から容易に免れることができるが、標的腫瘍に近いまたは標的領域と重複するOARは免れることが難しい。
従来は、各患者について、初期治療計画は「オフライン」で作成される。治療計画は、1つまたはそれ以上の医用画像技術を使用するなど、放射線療法が実施されるかなり前に作成される。イメージング情報には、例えば、X線、コンピュータ断層撮影(CT)、核磁気共鳴(MR)、陽電子放出断層撮影(PET)、単一光子放出コンピュータ断層撮影(SPECT)、または超音波からの画像が含まれる。医師などの医療提供者は、患者の解剖学的構造を示す3次元画像情報を使用して、1つまたはそれ以上の標的腫瘍と、その近くのリスク臓器を識別することができる。医療提供者は、手技を使用して、処方された放射線量を受ける標的腫瘍の輪郭を描くことができ、医療提供者は、同様に、放射線治療による損傷のリスクがある臓器などの近くの組織を描くことができる。代替的または追加的に、自動ツール(例えば、スウェーデンのエレクタAB社が提供するABAS)を使用して、標的腫瘍およびリスク臓器の特定または描写を支援することができる。放射線療法治療計画(「治療計画」)は、臨床および線量測定の目的と制約(例えば、腫瘍ボリュームのフラクションに対する放射線量の最大、最小、およびフラクション(「標的の95%は処方線量の100%以上を受けなければならない」)と、重要な臓器に対する同様の措置)に基づく最適化手法を使用して作成することができる。
治療計画手順には、患者の3次元画像を使用して、標的領域(例えば、腫瘍)を識別し、腫瘍付近の重要な臓器を識別することが含まれる。治療計画の作成は、臨床的に受け入れられる治療計画を作成するために、プランナーが、個々の重要性を考慮して(例えば、重み付け)、さまざまな治療目標または制約(例えば、線量ボリュームヒストグラム(DVH)目標)に準拠しようとする、時間のかかるプロセスである。このタスクは、OARの数が増える(例えば、頭頸部治療で13個まで)につれてプロセスの複雑さが増すので、さまざまなリスク臓器(OAR)によって複雑になる時間のかかる試行錯誤のプロセスになる。腫瘍から離れたOARは放射線から容易に免れることができるが、標的腫瘍に近いまたは標的領域と重複するOARは免れることが難しい。その後、治療装置に患者を配置し、処方された放射線療法を実施することにより、治療計画を実行する。放射線治療計画は、線量「フラクション」を含み、それにより、一連の放射線療法の送達が所定の期間(例えば、45フラクション)にわたって提供され、各治療送達は総処方線量の特定のフラクションを含む。ただし、治療中は、健康な組織ではなく標的腫瘍に確実に照射するために、患者の位置と治療装置に対する標的腫瘍の位置(例えば、線形加速器「リニアック」)が非常に重要である。
強度変調放射線治療(Intensive Modulated Radiation Therapy:IMRT)および
強度変調回転照射法(Volumetric Modulated Arc Therapy:VMAT)は、現代のがん放射線療法の標準治療となっている。個々の患者のIMRTまたはVMAT治療計画の決定には、試行錯誤のプロセスを含めることができ、また、目標線量とリスク臓器(OAR)のトレードオフの比較と、プログラムの制約の調整(そこでは、プログラムの制約が計画の品質指標に及ぼす影響を調整し、線量分布を予測することは非常に困難である)を含めることができる。計画の制約を調整する順番は線量差をもたらすことがある。治療計画の品質は、線量測定士による主観的判断に依存し、それは線量測定士の経験またはスキルレベルに依存する。最も熟練した線量測定士でさえ、彼らの計画が最適に近いという保証はなく、わずかな労力または多くの労力がより良い計画をもたらすかどうかはわからない。あるアプローチでは、計算量の多いアルゴリズムを使用して治療計画を決定するが、そのようなアプローチでは治療計画の計算に数時間かかる場合がある。計算アプローチは、新しい患者(DVH、OVH)の1次元の標的器官のオーバーラップ測定値を、以前の患者の高品質計画に関連するオーバーラップ測定値と比較して、新しい患者の計画と同様の計画を見つけること、計画品質空間を探索して、線量測定者が放射線療法治療で使用するために選択できる最適な、またはパレート最適な計画群を決定することを含む。本願発明者らは、患者のワークフローを改善すること(例えば、放射線治療を受けるまでの患者の待ち時間を短縮すること)や、迅速な放射線治療療法の再計画を提供すること(例えば、治療計画が患者の変化に基づいて再計算または更新されること)のように、とりわけ、高品質の治療計画をリアルタイムで決定すること(例えば、患者のワークフロー中に治療計画または更新された治療計画を提供すること)ができる治療計画システムの必要性を認識している。高品質の治療計画は、治療計画の処方を満足する治療計画、例えば、処方医が意図した範囲で標的を照射し、かつ、可能な限りまたは治療計画の制約で指定された範囲でリスク臓器に危害を与えない計画である。治療計画には、強度変調放射線治療、または強度変調回転照射法を含めることができる。これらの制約は、通常、標的またはOARボリュームの体積分画あたりの累積線量と、上述の分画の標的/OARへの分画線量とを表示する線量ボリュームヒストグラム(DVH)として表される。本願発明者らは、また、ディープ畳み込みニューラルネットワークのようなニューラルネットワークをトレーニングして、画像情報に基づいて放射線療法治療計画のための機械パラメータを決定することが可能であることを認識した。ニューラルネットワークは、一般的な診断の治療計画の特性を学習し、意図した線量分布を提供するような、治療マシンのパラメータ設定を予測できる。機械パラメータは、ガントリ角度と、治療用X線ビームを標的に照射できるビーム開口部(例えば、ビーム断面形状)と、開口部強度を含む。ニューラルネットワークは、患者と標的の画像、およびOARの描写に基づいて、治療装置を駆動するための機械パラメータを推定できる。ニューラルネットワークは、患者の解剖学的構造と治療制約との間のリンクを含むモデルと、意図した3D線量分布を提供できる治療機械のパラメータ設定とを含むことができる。トレーニングされたニューラルネットワークは、計画作成中に行われた多くの主観的な意思決定をカプセル化することができ、計画作成を開始するための計画テンプレートの作成を有効にし、計画品質の評価を提供し、ローカルなIMRT/VMATの深い専門知識を欠く治療クリニックに援助を提供し、そしておそらく将来的には完全に自動化された治療計画を提供する治療計画プロセスのモデルを提供することができる。
一態様では、本開示は、ディープ畳み込みニューラルネットワークをトレーニングして、放射線治療計画を提供する方法を特徴とする。その方法は、患者のグループから患者データを収集することを含むことができる。患者データは患者の解剖学的構造の少なくとも1つの画像とこれまでの治療計画とを含むことができる。治療計画は所定の機械パラメータを含むことができる。その方法は、これまでの治療計画と対応する収集された患者データとを使用することにより、回帰のためのディープ畳み込みニューラルネットワークをトレーニングして、新しい治療計画を決定することができる。新しい治療計画は、予測された機械パラメータを含むことができる。その方法は、また、ディープ畳み込みニューラルネットワークの1つまたはそれ以上のパラメータを調整することによりディープ畳み込みニューラルネットワークをトレーニングして、所定の機械パラメータのセットと予測の機械パラメータのセットとの間の差を含むコスト関数を最小化することを含むことができる。所定の機械パラメータは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含むことができる。予測の機械パラメータは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含むことができる。その方法は、また、患者グループ内の各患者から少なくとも1つの符号付き距離マップを含む患者データを収集することを含むことができる。患者の解剖学的構造の少なくとも1つの画像は、プランニングCT画像、解剖学的構造ラベルマップ、患者からの符号付き距離マップのような決定されたオブジェクト距離のうちの少なくとも1つを含むことができる。
一態様では、本開示は、ディープ畳み込みニューラルネットワークをトレーニングして、放射線治療計画を提供する方法を特徴とする。その方法は、患者のグループからの患者データについて、前もってトレーニングされたディープ畳み込みニューラルネットワークを取得することを含むことができる。その方法は、また、新しい患者データを収集することができる。新しい患者データは患者の解剖学的構造の少なくとも1つの画像を含むことができる。その方法は、また、回帰のためのトレーニングされたディープ畳み込みニューラルネットワークを使用して、新しい患者の新しい治療計画を決定することができる。新しい治療計画は新しい機械パラメータのセットを含むことができる。トレーニングされたディープ畳み込みニューラルネットワークは、機械パラメータのセットを含む新しい治療計画を提供することができる。機械パラメータのセットは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含むことができる。新しい治療計画は、リアルタイムで作成することができる。新しい治療計画は、放射線療法治療中にリアルタイムで作成することができる。放射線療法治療中にリアルタイムで作成することができる新しい治療計画は、オンライン適応計画を含めることができる。
一態様では、本開示は、放射線療法治療システムを特徴とする。そのシステムは、患者の解剖学的構造の少なくとも1つの画像を含む患者データを収集する画像取得装置を含むことができる。そのシステムは、また、患者に放射線治療を照射する放射線治療装置を含むことができる。そのシステムは、また、トレーニングされたディープ畳み込みニューラルネットワークと放射線治療計画とを保存する非一時的機械可読媒体を含むことができる。そのシステムは、また、回帰のためのトレーニングされたディープ畳み込みニューラルネットワークを使用して、収集された患者データに基づいて新しい治療計画を生成するプロセッサを含むことができる。新しい治療計画は、機械パラメータのセットを含むことができる。そのシステムは、また、新しい機械パラメータのセットを含む新しい放射線治療計画に従って、患者に放射線治療を施すよう放射線治療装置に命令するように構成された放射線治療制御回路を含むことができる。トレーニングされたディープ畳み込みニューラルネットワークは、患者のグループからの患者データについて前もってトレーニングするように構成することができる。新しい機械パラメータのセットは、予測された機械パラメータを含むことができる。新しい機械パラメータのセットは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含むことができる。ディープ畳み込みニューラルネットワークは、ディープ畳み込みニューラルネットワークの1つまたはそれ以上のパラメータを調整することによりトレーニングして、所定の機械パラメータのセットと予測の機械パラメータのセットとの間の差を含むコスト関数を最小化することができる。患者データは、患者グループ内の各患者からの少なくとも1つの符号付き距離マップを含むことができる。患者の解剖学的構造の少なくとも1つの画像は、プランニングCT画像、解剖学的構造ラベルマップ、患者からの符号付き距離マップのような決定されたオブジェクト距離のうちの少なくとも1つを含むことができる。新しい治療計画は、リアルタイムで作成することができる。新しい治療計画は、放射線療法治療中にリアルタイムで作成することができる。
一態様では、本開示は、画像プロセッサにより実行されたときに、画像プロセッサに、患者のグループから患者データを受け取ることを実行させる命令を含む非一時的機械可読媒体を特徴とする。患者データは、患者の解剖学的構造の少なくとも1つの画像とこれまでの治療計画とを含むことができる。治療計画は、所定の機械パラメータを含むことができる。その非一時的機械可読媒体は、画像プロセッサにより実行されたときに、画像プロセッサに、これまでの治療計画と対応する収集された患者データとを使用することにより回帰のためのディープ畳み込みニューラルネットワークをトレーニングすることを実行させる命令を含むことができる。ディープ畳み込みニューラルネットワークをトレーニングの少なくとも1つまたはそれ以上のパラメータは、コスト関数を最小化するように調整することができる。その非一時的機械可読媒体は、画像プロセッサにより実行されたときに、画像プロセッサに、トレーニングされたディープ畳み込みニューラルネットワークを使用する、予測された機械パラメータの新しいセットを含む新しい治療計画を決定することを実行させる命令を含むことができる。機械パラメータは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度の少なくとも1つを含むことができる。その非一時的機械可読媒体は、また、画像プロセッサにより実行されたときに、画像プロセッサに、患者のグループ内の各患者からの少なくとも1つの符号付き距離マップを含む患者データを受信させるような命令を含むことができる。患者の解剖学的構造の少なくとも1つの画像は、プランニングCT画像、解剖学的構造ラベルマップ、患者からの符号付き距離マップのような決定されたオブジェクト距離のうちの少なくとも1つを含むことができる。新しい治療計画は、放射線療法治療中にリアルタイムで作成することができる。
必ずしも縮尺通りに描かれていない図面において、同様の数字はいくつかの図を通して実質的に同様の構成要素を説明している。異なる文字の接尾辞を持つ同じ数字は、実質的に同様の要素の異なる実例を表している。図面は、一般に、限定ではなく例として、本明細書で説明されている様々な実施形態を示している。
以下の詳細な説明では、本明細書の一部を形成し、本発明を実施することができる例示的な特定の実施形態として示されている添付図面を参照する。本明細書で「実施例」とも呼ばれるこれらの実施形態は、当業者が本発明を実施できるように十分詳細に説明されており、それらの実施形態を組み合わせてもよく、または他の実施形態も利用することができ、および、その構造的、論理的および電気的変更は、本発明の範囲から逸脱することなく行うことができるいことを理解されたい。したがって、以下の詳細な説明は、限定的な意味で解釈されるものではなく、本発明の範囲は、添付の特許請求の範囲およびそれらの均等物によって画定される。
図1は、患者に放射線療法を提供する例示的な放射線治療システム100を示す。放射線治療システム100は、画像処理装置112を含む。画像処理装置112は、ネットワーク120に接続することができる。ネットワーク120は、インターネット122に接続することができる。ネットワーク120は、画像処理装置112を、データベース124、病院データベース126、腫瘍情報システム(OIS)128、放射線治療装置130、画像取得装置132、表示装置134、およびユーザインターフェース136の1つまたはそれ以上と接続することができる。画像処理装置112は、放射線治療装置130によって使用される放射線療法治療計画142を生成するように構成される。
画像処理装置112は、メモリ装置116、プロセッサ114、および通信インターフェース118を含むことができる。メモリ装置116は、オペレーティングシステム143、放射線療法治療計画142(例えば、オリジナルの治療計画、適応治療計画、など)、ソフトウェアプログラム144(例えば、人工知能、ディープラーニング、ニューラルネットワーク、放射線治療計画ソフトウェア)、およびプロセッサ114によって実行されるその他のコンピュータ実行可能命令のようなコンピュータ実行可能命令を記憶することができる。一実施形態では、ソフトウェアプログラム144は、疑似CT画像のような合成画像を生成することにより、あるフォーマット(例えば、MRI)の医用画像を別のフォーマット(例えば、CT)に変換することができる。例えば、ソフトウェアプログラム144は、あるモダリティの医用画像146(例えば、MRI画像)を異なるモダリティの合成画像(例えば、擬似CT画像)に変換する予測モデルをトレーニングする画像処理プログラムを含むことができ、その代わりに、トレーニングされた予測モデルが、CT画像をMRI画像に変換してもよい。別の実施形態では、ソフトウェアプログラム144は、対応する画像ボクセルおよび線量ボクセルがネットワークによって適切に関連付けられるように、患者画像(例えば、CT画像またはMR画像)をその患者の線量分布(画像としても表される)と共に登録してもよい。さらに別の実施形態では、ソフトウェアプログラム144は、画像情報の何らかの部分を強調する、符号付き距離関数または画像の処理されたバージョンのような患者画像の機能を置き換えてもよい。このような関数は、ボクセルテクスチャのエッジや違い、またはニューラルネットワークラーニングに有用なその他の構造的な側面を強調する場合がある。別の実施形態では、ソフトウェアプログラム144は、線量情報の何らかの側面を強調する線量分布の機能を代用してもよい。このような関数は、標的の周囲の急勾配、またはニューラルネットワークラーニングに役立つその他の構造的な側面を強調する場合がある。メモリ装置116は、医用画像146、患者データ145、および放射線療法治療計画142を作成および実施するのに必要な他のデータを含むデータを格納することができる。
ソフトウェアプログラム144を記憶するメモリ116に加えて、ソフトウェアプログラム144は、ハードドライブ、コンピュータディスク、CD−ROM、DVD、HD、ブルーレイDVD、USBフラッシュドライブ、SDカード、メモリスティック、またはその他の適切なメディアのような、取り外し可能なコンピュータ媒体に記憶されることができ、画像処理装置112にダウンロードされたときのソフトウェアプログラム144は、画像プロセッサ114によって実行することができると考えられている。
プロセッサ114は、メモリ装置116に通信可能に結合されることができ、プロセッサ114は、そこに格納されたコンピュータ実行可能命令を実行するように構成されることができる。プロセッサ114は、医用画像146をメモリ116に送信または受信することができる。例えば、プロセッサ114は、通信インターフェース118およびネットワーク120を介して画像取得装置132から医用画像146を受信し、メモリ116に格納することができる。また、プロセッサ114は、メモリ116に格納された医用画像146を、通信インターフェース118を介してネットワーク120に送信し、データベース124または病院データベース126に格納することができる。
さらに、プロセッサ114は、医用画像146および患者データ145とともにソフトウェアプログラム144(例えば、治療計画ソフトウェア)を利用して、放射線療法治療計画142を作成することができる。医用画像146は、患者の解剖学的領域、器官、または関心ボリュームセグメンテーションデータに関連付けられた画像データのような情報を含むことができる。患者データ145は、(1)機能的臓器モデリングデータ(例えば、シリアル臓器対パラレル臓器、適切な用量反応モデルなど)、(2)放射線量データ(例えば、線量−体積ヒストグラム(DVH)情報)、(3)患者および治療経過に関する他の臨床情報(例えば、他の手術、化学療法、以前の放射線療法など)のような情報を含むことができる。
さらに、プロセッサ114は、ソフトウェアプログラムを利用して、例えば、ニューラルネットワークモデルによって使用される更新されたパラメータのような、中間データを生成する、または、中間の2Dまたは3D画像を生成することができ、それらは、その後メモリ116に格納されることができる。その後、プロセッサ114は、実行可能な放射線療法治療計画142を、通信インターフェース118を介してネットワーク120から放射線治療装置130へ送信することができ、放射線治療装置130では、放射線療法計画が患者を放射線で治療するために使用される。加えて、プロセッサ114は、ソフトウェアプログラム144を実行して、画像変換、画像分割、ディープラーニング、ニューラルネットワーク、および人工知能のような機能を実装することができる。例えば、プロセッサ114は、医用画像をトレーニングまたは輪郭化するソフトウェアプログラム144を実行することができ、そのようなソフトウェア144は、実行されると、境界検出器をトレーニングし、形状辞書を利用することができる。
プロセッサ114は、例えば、マイクロプロセッサ、中央処理装置(CPU)、グラフィックス・プロセッシング・ユニット(GPU:Graphics Processing Unit)、および/またはアクセラレーテッド・プロセッシング・ユニット(APU:Accelerated Processing Unit)のような1つまたはそれ以上の汎用処理装置を含む処理装置であってもよい。詳細には、いくつかの実施形態では、プロセッサ114は、複合命令セットコンピューティング(CISC:complex instruction set computing)マイクロプロセッサ、縮小命令セットコンピューティング(RISC:reduced instruction set computing)マイクロプロセッサ、超長命令ワード(VLIW:very long instruction Word)マイクロプロセッサ、他の命令セットを実装するプロセッサ、または命令セットの組み合わせを実装するプロセッサであってもよい。プロセッサ114は、特定用途向け集積回路(ASIC:application specific integrated circuit)、フィールドプログラマブルゲートアレイ(FPGA:field programmable gate array)、デジタルシグナルプロセッサ(DSP:digital signal processor)、システムオンチップ(SoC:System on a Chip)、またはその他の適切なプロセッサのような1つまたはそれ以上の専用処理装置によって実装されることができる。当業者に理解されるように、いくつかの実施形態では、プロセッサ114は、汎用プロセッサではなく、専用プロセッサであってもよい。プロセッサ114は、Intel(登録商標)によって製造されたPentium(登録商標)、Core(登録商標)、Xeon(登録商標)、またはItanium(登録商標)ファミリー、AMD(登録商標)によって製造されたTurion(登録商標)、Athlon(登録商標)、Sempron(登録商標)、Opteron(登録商標)、FX(登録商標)、Phenon(登録商標)ファミリー、Sun Microsystemsによって製造された様々なプロセッサのいずれか、または他の適切なプロセッサのような、1つまたはそれ以上の既知の処理装置を含み得る。画像プロセッサ114は、また、Nvidia(登録商標)によって製造されたGeForce(登録商標)、Quadro(登録商標)、Tesla(登録商標)ファミリー、Intel(登録商標)によって製造されたGMA、Iris(登録商標)ファミリー、またはAMD(登録商標)によって製造されたRadeon(登録商標)ファミリーのような、グラフィック処理ユニットを含み得る。プロセッサ114は、また、Intel(登録商標)によって製造されたXeon Phi(登録商標)ファミリーのような、加速処理装置を含み得る。開示された実施形態は、いかなるタイプのプロセッサに限定されるものではなく、大量の撮像データを識別、分析、維持、生成、および/または提供するというコンピューティング命令を満たすように構成されている。さらに、「プロセッサ」という用語は、複数のプロセッサ、例えばマルチコア設計またはそれぞれがマルチコア設計を有する複数のプロセッサを含むことができる。プロセッサ114は、本開示の例示的な実施形態による様々な動作、プロセス、および方法を実行するために、例えば、メモリ116に格納されたコンピュータプログラム命令のシーケンスを実行するように構成され得る。
メモリ装置116は、医用画像146を格納することができる。いくつかの実施形態では、医用画像146は、例えば、1つまたはそれ以上のMR画像(例えば、2DMRI、3DMRI、2DストリーミングMRI、4DMRI、4DボリュームMRI、4DシネMRIなど)、機能的MRI画像(例えば、fMRI、DCE−MRI、拡散MRI)、CT画像(例えば、2DCT、CBCT、3DCT、4DCT)、超音波画像(例えば、2D超音波、3D超音波、4D超音波)、PET画像、X線画像、透視画像、放射線治療ポータル画像、SPECT画像、および/またはコンピュータ生成合成画像(例えば、疑似CT画像)を含み得る。さらに、医用画像146は、例えば、トレーニング画像、グラウンドトゥルース画像、輪郭画像、および線量画像などの医用画像データを含むことができる。一実施形態において、医用画像146は、画像取得装置32から受信されることができる。したがって、画像取得装置132は、MR撮像装置、CT撮像装置、PET撮像装置、超音波撮像装置、蛍光透視装置、SPECT撮像装置、統合型リニアック及びMR撮像装置、または、患者の医用画像を取得するため他の医療撮像装置を含むことができる。医用画像146は、開示された実施形態による動作を実行するために画像処理装置112が使用し得る任意のタイプのデータまたは任意のタイプのフォーマットで受信および格納され得る。メモリ装置116は、読み取り専用メモリ(ROM)、相変化ランダムアクセスメモリ(PRAM)、スタティックランダムアクセスメモリ(SRAM)、フラッシュメモリ、ランダムアクセスメモリ(RAM)のような非一時的なコンピュータ可読媒体、同期DRAM(SDRAM)のようなダイナミックランダムアクセスメモリ(DRAM)、電気的に消去可能なプログラム可能な読み取り専用メモリ(EEPROM)、スタティックメモリ(例えば、フラッシュメモリ、フラッシュディスク、スタティックランダムアクセス)、または、他の適切なタイプのランダムアクセスメモリ、例えば、キャッシュ、レジスタ、コンパクトディスク読み取り専用メモリ(CD−ROM)、デジタルバーサタイルディスク(DVD)、または、その他の光学ストレージ、カセットテープ、他の磁気記憶装置、または、画像プロセッサ114または他の種類のコンピュータ装置によりアクセスされる画像、データ、またはコンピュータ実行可能命令(例えば、任意のフォーマットで保存されたもの)を含む情報を保存するために使用できる他の非一時的な媒体デバイス、であり得る。コンピュータプログラム命令は、画像プロセッサ114によってアクセスされ、ROMまたは他の任意の適切なメモリ位置から読み取られ、画像プロセッサ114による実行のためにRAMにロードされ得る。例えば、メモリ116は、1つ以上のソフトウェアアプリケーションを格納し得る。メモリ116に格納されたソフトウェアアプリケーションは、例えば、一般的なコンピュータシステムならびにソフトウェア制御デバイス用のオペレーティングシステム143を含み得る。さらに、メモリ116は、画像プロセッサ114によって実行可能なソフトウェアアプリケーション全体、またはソフトウェアアプリケーションの一部のみを格納してもよい。例えば、メモリ装置116は、1つまたはそれ以上の放射線療法治療計画42を格納してもよい。
画像処理装置112は、画像プロセッサ114およびメモリ116に通信可能に結合され得る通信インターフェース118を介してネットワーク120と通信し得る。通信インターフェース118は、画像処理装置112と放射線治療システム100の構成要素との間の通信接続(例えば、外部装置とのデータ交換を可能にする)を提供することができる。例えば、通信インターフェース118は、いくつかの実施形態では、ユーザインターフェース136に接続する適切なインターフェース回路を有することができ、ユーザインターフェース136は、例えば、ユーザが放射線治療システム100に情報を入力することができるハードウェアキーボード、キーパッド、および/またはタッチスクリーンであり得る。
通信インターフェース118は、例えば、ネットワークアダプタ、ケーブルコネクタ、シリアルコネクタ、USBコネクタ、パラレルコネクタ、高速データ伝送アダプタ(例えば、ファイバ、USB3.0、サンダーボルト)、ワイヤレスネットワークアダプタ(例えば、WiFiアダプタ)、通信アダプタ(例えば、3G、4G/LTE)、またはその他の適切なインターフェースのうちの1つまたはそれ以上を含むことができる。通信インターフェース118は、画像処理装置112がネットワーク120を介して遠隔配置されたコンポーネントなどの他の機械および装置と通信できるようにすることができる1つまたはそれ以上のデジタルおよび/またはアナログ通信装置を含むことができる。
ネットワーク120は、例えば、ローカルエリアネットワーク(LAN)、無線ネットワーク、クラウドコンピューティング環境(例えば、サービスとしてのソフトウェア、サービスとしてのプラットフォーム、サービスとしてのインフラストラクチャなど)、クライアントサーバー、またはワイドエリアネットワーク(WAN)の機能を提供することができる。例えば、ネットワーク120は、他のシステムS1(138)、S2(140)、S3(141)を含み得るLANまたはWANであり得る。システムS1、S2、およびS3は、画像処理装置112と同一であっても、異なるシステムであってもよい。いくつかの実施形態では、ネットワーク120内の1つまたはそれ以上のシステムは、本明細書で説明する実施形態を協働して実行することができる分散コンピューティング/シミュレーション環境を形成し得る。いくつかの実施形態では、1つ以上のシステムS1、S2、およびS3は、CT画像(例えば、医用画像146)を取得するCTスキャナを含み得る。加えて、ネットワーク120は、インターネット122に接続して、インターネット上に遠隔に存在するサーバーおよびクライアントと通信することができる。
したがって、ネットワーク120は、画像処理装置112と、OIS128、放射線治療装置130、および/または画像取得装置132のようないくつかの他の様々なシステムおよび装置との間のデータ送信を可能にし得る。さらに、OIS128および/または画像取得装置132によって生成されたデータは、メモリ116、データベース124、および/または病院データベース126に格納することができる。データは、必要に応じて画像プロセッサ114によってアクセスされるために、ネットワーク120を介し、通信インターフェース118を介して送信/受信され得る。
画像処理装置112は、ネットワーク120を介してデータベース124と通信して、データベース124に格納された複数の様々なタイプのデータを送受信することができる。例えば、データベース124は、放射線治療装置130、画像取得装置132、および/または放射線療法に関連する他の機械および/または装置に関連する情報を含む機械データを含むことができる。マシンデータ情報は、放射線ビームサイズ、アーク配置、ビームのオン/オフ時間、機械パラメータ、セグメント、MLC構成、ガントリ速度、MRIパルスシーケンス、および/またはその他の適切な情報を含み得る。データベース124は記憶装置であり得、適切なデータベース管理ソフトウェアプログラムを備え得る。当業者は、データベース124が中央または分散方式で配置された複数のデバイスを含むことができることを理解するであろう。
いくつかの実施形態では、データベース124は、プロセッサ可読記憶媒体(図示せず)を含み得る。いくつかの実施形態におけるプロセッサ可読記憶媒体は単一の媒体であってもよいが、用語「プロセッサ可読記憶媒体」という用語は、1つまたはそれ以上のコンピュータ実行可能命令またはデータのセットを格納する単一の媒体または複数の媒体(例えば、集中型または分散型データベース、および/または関連キャッシュおよびサーバー)を含むものと解釈されるべきである。用語「プロセッサ可読記憶媒体」は、また、プロセッサによる実行のための命令セットを格納および/またはエンコードすることができ、プロセッサに、1つまたはそれ以上の本開示の方法論(methodology)を実行させる、いかなる媒体も含むものとする。したがって、用語「プロセッサ可読記憶媒体」は、個体メモリ、光学、および磁気媒体を含むが、これらには限定されないと解釈される。例えば、プロセッサ可読記憶媒体は、1つまたはそれ以上の揮発性、非一時的、または不揮発性の有形のコンピュータ可読媒体であり得る。
画像プロセッサ114は、データベース124と通信して、画像をメモリ116に読み込み、および/または、画像をメモリ116からデータベース124に格納することができる。例えば、データベース124は、データベース124が画像取得装置132から受け取った複数の画像(例えば、3DMRI、4DMRI、2DMRIスライス画像、CT画像、2D透視画像、X線画像、MRスキャンまたはCTスキャンからの生データ、医学におけるデジタル画像化および通信(DIMCOM)データ、等)を格納するように構成されることができる。データベース124は、ソフトウェアプログラム144を実行するとき、および/または放射線療法治療計画142を作成するときに画像プロセッサ114によって使用されるデータを格納することができる。データベース124は、ネットワークによって学習されたモデルを構成するネットワークパラメータおよび結果として生じる予測データを含む、トレーニングされたニューラルネットワークによって生成されたデータを保存することができる。画像処理装置112は、データベース124、放射線治療装置130(例えば、MRI−リニアック)、および/または画像取得装置132のいずれかから医用画像146(例えば、2DMRIスライス画像、CT画像、2D透視画像、X線画像、3DMR画像、4DMR画像など)を受け取り、治療計画42を生成することができる。
例示的な実施形態では、放射線治療システム100は、患者の医用画像(例えば、3DMRI、2DストリーミングMRI、または4DボリュームMRI、CT画像、CBCT、PET画像、機能的MR画像(例えば、fMRI、DCE−MRI、拡散MRI)、X線画像、X線透視画像、超音波画像、放射線治療ポータル画像、SPECT画像など)を取得するように構成された画像取得装置132を含むことができる。画像取得装置132は、例えば、MR撮像装置、CT撮像装置、PET撮像装置、超音波装置、蛍光透視装置、SPECT撮像装置、または、1つまたはそれ以上の患者の医用画像を取得するための任意の他の適切な医療撮像装置であり得る。画像取得装置132によって取得された画像は、画像データおよび/またはテストデータのいずれかとしてデータベース124内に保存され得る。例として、画像取得装置132によって取得された画像は、メモリ116内の医用画像データ146として画像処理装置112によって保存されることができる。
いくつかの実施形態では、例えば、画像取得装置132は、単一の装置(例えば、「MRIリニアック」とも呼ばれるリニアックと組み合わされたMRIデバイス)として放射線治療装置130と統合され得る。このようなMRI−リニアックは、例えば、放射線療法治療計画142に従って放射線療法を所定の標的に正確に向けるために、患者の標的器官または標的腫瘍の位置を決定するために使用され得る。
画像取得装置132は、関心領域(例えば、標的器官、標的腫瘍、またはその両方)における患者の解剖学的構造の1つまたはそれ以上の画像を取得するように構成され得る。各画像、通常は2D画像またはスライスは、1つまたはそれ以上のパラメータ(例えば、2Dスライスの厚さ、向き、場所など)を含むことができる。一実施形態では、画像取得装置132は、任意の向きの2Dスライスを取得することができる。例えば、2Dスライスの方向には、矢状方向、冠状方向、または軸方向が含まれる。プロセッサ114は、2Dスライスの厚さおよび/または向きなどの1つまたはそれ以上のパラメータを調整して、標的器官および/または標的腫瘍を含めることができる。一実施形態では、2Dスライスは、3DMRIボリュームのような情報から決定することができる。そのような2Dスライスは、患者が放射線治療を受けている間、例えば、放射線治療装置130を使用するときに、「リアルタイム」で画像取得装置132によって取得することができる。「リアルタイム」とは、ミリ秒またはそれ以下でデータを取得することを意味する。
画像処理装置112は、1人またはそれ以上の患者の放射線療法治療計画142を生成および保存することができる。放射線療法治療計画142は、各患者に適用される特定の放射線量に関する情報を提供することができる。放射線療法治療計画142は、また、ビーム角、線量ヒストグラムボリューム情報、治療中に使用される放射線ビームの数、ビームあたりの線量、または他の適切な情報またはそれらの組み合わせのような他の放射線療法情報を含むことができる。
画像プロセッサ114は、ソフトウェアプログラム144、例えば、スウェーデンのストックホルムのエレクタAB社によって製造されたMonaco(登録商標)のような治療計画ソフトウェアを使用することにより、放射線療法治療計画142を生成することができる。放射線療法治療計画142を生成するために、画像プロセッサ114は、画像取得装置132(例えば、CT装置、MRI装置、PET装置、X線装置、超音波装置など)と通信して、患者の画像にアクセスし、腫瘍のような標的を描写することができる。いくつかの実施形態では、腫瘍の周囲または腫瘍に近接した健康な組織のような、1つまたはそれ以上のリスク臓器(OAR)の描写が必要になる。したがって、OARが標的腫瘍に近いときにOARのセグメンテーションを実行する。また、標的腫瘍がOAR(例えば、膀胱および直腸の近くにある前立腺)に近い場合には、腫瘍からOARをセグメント化することにより、放射線治療システム100は、標的だけでなくOARについても線量分布を検討することができる。
OARから標的臓器または標的腫瘍を区別して輪郭を描くために、放射線治療を受けている患者の、MR画像、CT画像、PET画像、fMR画像、X線画像、超音波画像、放射線治療ポータル画像、SPECT画像、またはその他の医用画像のような医用画像が画像取得装置132によって取得され、身体部分の内部構造が明らかにされる。医用画像からの情報に基づいて、関連する解剖学的部分の3D構造を取得することができる。さらに、治療計画プロセス中に、多くのパラメータを考慮して、標的腫瘍の効率的な治療(例えば、標的腫瘍が効果的な治療に十分な放射線量を受けること)と、OARの低照射(例えば、OARが可能な限り低い放射線量を受けること)とのバランスをとることができる。考慮され得る他のパラメータには、標的器官および標的腫瘍の位置、OARの位置、および/またはOARに関する標的の動きが含まれる。例えば、三次元構造は、標的の輪郭を描く、または、各二次元層またはスライス内のOARの輪郭を描き、各二次元層またはスライスの輪郭を統合することにより得ることができる。輪郭は、手動で(例えば、スウェーデンのストックホルムのエレクタAB社によって製造されたMONACO(登録商標)のようなプログラムを用いる医師、線量計、または医療従事者によって)、または自動で(例えば、スウェーデンのストックホルムのエレクタAB社によって製造されたアトラスベースの自動セグメンテーションソフトウエアであるABAS(登録商標)を用いて)生成することができる。特定の実施形態において、標的腫瘍またはOARの三次元構造は、治療計画ソフトウェアにより自動的に生成されることができる。
標的腫瘍とOARの位置を特定して輪郭を描いた後、放射線線量測定士、医師、または医療従事者は、標的腫瘍に照射される放射線の線量と共に、腫瘍に近接したOAR(例えば、左右の耳下腺、視神経、目、水晶体、内耳、脊髄、脳幹、または他の解剖学的構造)が受ける可能性のある最大線量とを決定することができる。関連する解剖学的構造(例、標的腫瘍、OAR)の放射線量を決定した後、逆計画法(inverse planning)として知られるプロセスを実行して、望ましい放射線量分布を達成する1つまたはそれ以上の治療計画パラメータを決定することができる。治療計画パラメータの例には、(例えば、標的ボリュームの輪郭を定める、機密構造の輪郭を描く、などの)ボリューム描写パラメータ、標的腫瘍およびOARの周囲のマージン、ビーム角選択、コリメータ設定、および/またはビームオン時間が含まれる。逆計画プロセス中、医師は、OARが受ける可能性のある放射線量の境界を設定する線量制約パラメータを定めること(例えば、腫瘍標的への全線量と任意のOARへのゼロ線量を定めること;脊髄、脳幹、および視覚構造が、それぞれ、45Gy以下の線量、55Gy以下の線量、および54Gyより低い線量を受けると定めること)ができる。逆計画の結果は、メモリ116またはデータベース124に保存される放射線療法治療計画142を構成することができる。これらの治療パラメータのいくつかは相関している可能性がある。例えば、治療計画を変更しようとして1つのパラメータ(たとえば、標的腫瘍への線量を増やすなどのさまざまな目的の重み)を調整すると、少なくとも1つの他のパラメータに影響を与え、その結果、異なる治療計画が開発される可能性がある。したがって、画像処理装置112は、放射線治療装置130が患者に放射線療法治療を提供するために、これらのパラメータを有する調整された放射線療法治療計画142を生成する。
さらに、放射線治療システム100は、表示装置134とユーザインターフェース136を含むことができる。表示装置134は、医用画像、インターフェース情報、治療計画パラメータ(例えば、輪郭、線量、ビーム角、など)、治療計画、標的、標的の位置特定、および/または標的の追跡、または、ユーザへの適切な情報、を表示するように構成された1つまたはそれ以上の表示画面を含むことができる。ユーザインターフェース136は、キーボード、キーパッド、タッチスクリーン、または、ユーザが放射線治療システム100に情報を入力することができる任意のタイプのデバイスであり得る。あるいは、表示装置134およびユーザインターフェース136は、スマートフォン、コンピュータ、またはタブレットコンピュータ、例えば、Apple社製のiPad(登録商標)、Lenovo社のThinkpad(登録商標)、Samsung社のGalaxy(登録商標)のようなデバイスに統合されてもよい。
さらに、放射線治療システム100のありとあらゆる構成要素は、仮想マシン(例えば、VMWare、Hyper−Vなど)として実装されてもよい。たとえば、仮想マシンはハードウェアとして機能するソフトウェアであってもよい。したがって、仮想マシンは、ハードウェアとして一緒に機能する少なくとも1つまたはそれ以上の仮想プロセッサ、1つまたはそれ以上の仮想メモリ、および/または1つまたはそれ以上の仮想通信インターフェースを含むことができる。例えば、画像処理装置112、OIS128、および/または画像取得装置132は、仮想マシンとして実装されてもよい。利用可能な処理能力、メモリ、および計算能力が与えられるならば、放射線治療システム100全体を仮想マシンとして実装することができる。
図2Aは、X線源または線形加速器などの放射線源、カウチ(couch)216、画像化検出器214、および放射線療法出力204を含むことができる例示的な放射線治療装置202を示している。放射線治療装置202は、患者に治療を提供するために放射線ビーム208を放出するように構成されている。放射線治療出力204は、図5の図示された実施形態で記述されている、マルチリーフコリメータ(MLC)のような1つまたはそれ以上の減衰器またはコリメータを含むことができる。
図2Aに戻ると、患者は、放射線治療計画に従って放射線治療線量を受け取るために放射線治療のカウチ216によって支持される領域212に配置される。放射線治療出力204は、ガントリ206または他の機械的支持体に備え付けられる、または、取り付けられることができる。カウチ216が治療領域に挿入されると、1つまたはそれ以上のシャーシモータ(図示せず)がガントリ206と放射線治療出力204をカウチ216の周りに回転させることができる。一実施形態では、ガントリ206は、カウチ216が治療領域に挿入されるとき、カウチ216の周りで連続的に回転することができる。別の実施形態では、ガントリ206は、カウチ216が治療領域に挿入されると、所定の位置まで回転することができる。例えば、ガントリ206は、治療出力204を軸(「A」)の周りに回転させるように構成されることができる。カウチ216および放射線療法出力204は、両方とも、横方向(transverse direction)(「T」)に移動可能、横方向(lateral direction)(「L」)に移動可能、または、横軸(transverse axis)(「R」として示される)を中心とした回転のような1つまたはそれ以上の軸の周りに回転するような、患者の周りの他の位置に独立して移動可能である。1つまたはそれ以上のアクチュエータ(図示せず)に通信可能に接続されたコントローラは、放射線療法治療計画に従って患者を放射線ビーム208の内または外に適切に配置するために、カウチ216の動きまたは回転を制御することができる。カウチ216およびガントリ206の両方が、複数の自由度で互いに独立して移動可能であるため、放射線ビーム208が腫瘍を正確に標的にできるように患者を配置することができる。
図2Aに示す座標系(軸A、T、およびLを含む)は、アイソセンタ210に位置する原点を有する。アイソセンタは、患者上または患者内部の位置に所定の放射線量を送達するために、放射線治療ビーム208の中心軸が座標軸の原点と交差する位置として定義することができる。または、アイソセンタ210は、ガントリ206によって軸Aの周りに位置決めされる放射線治療出力204の様々な回転位置について、放射線治療ビーム208の中心軸が患者と交差する場所として定義することができる。
ガントリ206は、また、取り付けられた画像化検出器214を有することができる。画像化検出器214は、好ましくは、放射線源204の反対側に配置され、一実施形態では、画像化検出器214は、治療ビーム208の視野内に配置することができる。
画像化検出器214は、治療ビーム208との位置合わせを維持するために、好ましくは放射線治療出力204の反対側のガントリ206に取り付けられる。ガントリ206が回転すると、画像化検出器214は回転軸の周りを回転する。一実施形態では、画像化検出器214は、フラットパネル検出器(例えば、直接検出器またはシンチレータ検出器)であってもよい。このようにして、画像化検出器214を使用して、治療ビーム208を監視することができ、または、画像化検出器214を使用して、ポータル画像化のような患者の解剖学的構造を画像化することができる。放射線治療装置202の制御回路は、システム100内に統合されてもよく、システム100から離れていてもよい。
例示的な実施形態では、カウチ216、治療出力204、またはガントリ206のうちの1つまたはそれ以上を自動的に配置することができ、治療出力204は、特定の治療送達インスタンスの指定線量に従って治療ビーム208を確立することができる。ガントリ206、カウチ216、または治療出力204の1つまたはそれ以上の異なる向きまたは位置を使用するような、放射線療法治療計画に従って一連の治療送達を指定することができる。治療の送達は連続して行われてもよいが、アイソセンタ210のような患者上または患者内部の所望の治療場所で交差してもよい。これにより、放射線治療の処方された累積線量が治療部位に送達され、治療部位の近くの組織への損傷が軽減または回避され得る。
図2Bは、コンピュータ断層撮影(CT)撮像システムのような、線形加速器と撮像システムの組み合わせを含む、例示的な放射線治療装置202を示す。放射線治療装置202は、マルチリーフコリメータ(図示せず)を含むことができる。CT撮像システムは、キロ電子ボルト(keV)エネルギー範囲のX線エネルギーを提供するような撮像X線源218を含むことができる。撮像X線源218は、フラットパネル検出器224のような画像化検出器222に向けられた扇形ビームおよび/または円錐ビーム220を提供する。放射線治療システム202は、放射線療法出力204、ガントリ206、プラットフォーム216、および他のフラットパネル検出器214を含むような、図2Aに関連して説明したシステム202と同様である。X線源218は、イメージングするための比較的低エネルギーのX線診断ビームを提供することができる。
図2Bの例示的な実施形態では、放射線療法出力204とX線源218が、互いに90°回転方向に分離されて、同じ回転ガントリ206上に搭載されている。別の実施例では、2つまたはそれ以上のX線源が、それぞれが独自の検出器配置を有して、複数の角度の診断イメージングを同時に提供するように、ガントリ206の周囲に沿って搭載されている。同様に、複数の放射線治療出力204を提供することができる。
図3は、開示された実施形態による核磁気共鳴(MR)撮像システム(例えば、MR−リニアックのような技術分野で知られている)のような、放射線治療装置102と撮像システムの組み合わせを含む、例示的な放射線治療システム300を示す。図示されるように、システム300は、カウチ216、画像取得装置320、および放射線送達装置を含むことができる。システム300は、放射線療法治療計画に従って患者に放射線療法を実施する。いくつかの実施形態では、画像取得装置320は、第1のモダリティのオリジナル原画像(例えば、図4Aに示されたMRI画像)または第2のモダリティのデスティネーション画像(例えば、図4Bに示されたCT画像)を取得することができる。
カウチ216は、治療セッション中に患者(図示せず)を支えることができる。いくつかの実装形態では、カウチ216は、カウチ216上に載っている患者をシステム300に出入りさせるように、水平の平行移動軸(「I」とラベル付けされた)に沿って移動することができる。カウチ216は、また、並進軸を横断する回転の中心垂直軸の周りを回転することができる。そのような移動または回転を可能にするために、カウチ216は、カウチが様々な方向に移動し、様々な軸に沿って回転することを可能にするモータ(図示せず)を有してもよい。コントローラ(図示せず)は、治療計画に従って患者を適切に配置するために、これらの動きまたは回転を制御することができる。
いくつかの実施形態では、画像取得装置320は、治療セッションの前、最中、および/または後に、患者の2Dまたは3DMRI画像を取得するために使用されるMRI機械を含むことができる。画像取得装置320は、磁気共鳴撮像のための一次磁場を生成するための磁石321を含むことができる。磁石321の動作により生成される磁力線は、中央並進軸Iに実質的に平行とすることができる。磁石321は、並進軸Iに平行に延びる軸を備えた1つまたはそれ以上のコイルを含むことができる。いくつかの実施形態では、磁石321の1つまたはそれ以上のコイルは、磁石321の中央窓323にコイルがないように間隔を空けることができる。他の実施形態では、磁石321内のコイルは、放射線治療装置330によって生成された波長の放射に対して実質的に透明であるように、十分に薄いまたは低減された密度とすることができる。画像取得装置320は、また、磁石321の外側の磁場をキャンセルまたは低減するために、ほぼ等しい大きさおよび反対の極性の磁場を磁石321の外側に生成する1つ以上の遮蔽コイルを含むことができる。以下で説明するように、放射線治療装置330の放射線源331は、磁場が少なくとも1次まで、または低減される領域に位置することができる。
画像取得装置320は、2つの勾配コイル325および326も含むことができ、これらは、一次磁場に重畳される勾配磁場を生成することができる。コイル325および326は、磁場に勾配を発生させ、プロトンの空間的な符号化を可能にして、それらの位置を決定することができる。勾配コイル325および326は、磁石321と共通の中心軸の周りに配置されてもよく、その中心軸に沿って変位して配置されてもよい。変位は、コイル325と326との間にギャップまたは窓を生成することができる。磁石321がコイル間に中央窓323も含み得る実施形態では、2つの窓は互いに位置合わせされる。
いくつかの実施形態では、画像取得装置320は、X線、CT、CBCT、スパイラルCT、PET、SPECT、光断層撮影、蛍光撮像、超音波イメージング、または放射線治療ポータルイメージング装置のような、MRI以外の撮像装置であってもよい。当業者によって認識されるように、画像取得装置320の上記の説明は、特定の実施形態に関するものであり、限定することを意図するものではない。
放射線治療装置330は、X線源、または直線加速器、および(図5で以下示されているような)マルチリーフコリメータ(MLC)332のような、放射線源331を含むことができる。放射線治療装置330は、シャーシ335に取り付けられてもよい。カウチ216が治療領域に挿入されると、1つまたはそれ以上のシャーシモータ(図示せず)がカウチ216の周りでシャーシ335を回転させることができる。一実施形態において、カウチ216が治療領域に挿入されるとき、シャーシ335がカウチ216の周りで連続的に回転可能であってもよい。シャーシ335は、また、好ましくは放射線源331の反対側に配置された放射線検出器(図示せず)を取り付けれ、シャーシ335の回転軸が、放射線源331と検出器との間に配置されていてもよい。さらに、装置330は、例えば、カウチ216、画像取得装置320、および放射線治療装置330のうちの1つまたは複数を制御するために使用される制御回路(図示せず)を含むことができる。放射線治療装置330の制御回路は、システム300に統合されてもよく、システム300から離れていてもよい。
放射線療法治療セッション中、患者はカウチ216上に配置される。次いで、システム300は、磁気コイル321、325、326、およびシャーシ335によって画定された治療領域にカウチ216を移動させる。次いで、制御回路は、放射線源331、MLC332、およびシャーシモータを制御して、放射線治療計画に従ってコイル325と326の間の窓を通して患者に放射線を送達する。
図2A、図2B、図3は、放射線療法の出力が中心軸(例えば軸「A」)の周りに回転させることができる構成を含む、患者への放射線治療を提供するように構成された、一般的な放射線治療装置の一実施形態を示す。他の放射線療法の出力構成を使用することができる。例えば、放射線療法の出力は、複数の自由度を持つロボットアームまたはマニピュレーターに取り付けることができる。さらに別の実施形態において、治療出力を、患者から横方向に離れた領域に位置するように固定することができ、患者を支えるプラットフォームを用いて、放射線治療アイソセンタを患者内の指定された標的軌跡に合わせることができる。
上述したように、図2A、図2B、図3により説明された放射線治療装置は、患者の体内の指定された標的部位に放射線療法ビームを成形、方向付け、または強度を変調するためのマルチリーフコリメータを含む。図5は、自動的に位置決めされて腫瘍540の断面または投影に近い開口を画定することができる、リーフ532Aから532Jを含む例示的なマルチリーフコリメータ(MLC)532を示す。リーフ532Aから532Jは、放射線治療ビームの変調を可能にする。リーフ532Aから532Jは、放射線治療計画に従って、開口部以外の領域で放射線ビームを減衰または遮断するような材料で作られている。例えば、リーフ532Aから532Jは、タングステンを含むような金属プレートを含み、プレートの長軸がビーム方向に平行に向けられ、(図2Aの図示平面内に示される)ビーム方向に直角に向けられた端部を有する。マルチリーフコリメータ(MLC)332の「状態」は、腫瘍540または他の標的部位の形状または位置によりよく近似する治療ビームを確立するように、放射線療法治療中に適応的に調整することができる。これは、静的コリメータ構成を用いることと比較した場合、または「オフライン」治療計画手法を使用するだけで決定されたMLC332構成を使用することと比較した場合である。腫瘍または腫瘍内の特定の領域に特定の放射線量分布を生成するためにMLC332を用いる放射線療法技術は、強度変調放射線療法(IMRT)と呼ばれる。
図6は、本開示のいくつかの実施形態による、放射線治療装置630(例えば、レクセルガンマナイフ:Leksell Gamma Knife)の別のタイプの実施形態を示す。図6に示すように、放射線治療セッション中、患者602は手術または放射線療法を受けている患者の身体部分(例えば、頭部)を安定に保つために、座標フレーム620を着用することができる。座標フレーム620および患者位置決めシステム622は、患者の撮像中または放射線手術中に使用することができる空間座標系を確立することができる。放射線治療装置630は、複数の放射線源612を囲む保護ハウジング614を含むことができる。放射線源612は、ビームチャネル616を介して複数の放射ビーム(例えば、ビームレット)を生成することができる。複数の放射ビームは、異なる方向からアイソセンタ210に焦点を合わせるように構成することができる。個々の放射線ビームの強度は比較的低くすることができるが、異なる放射線ビームからの複数の線量がアイソセンタ210に蓄積すると、アイソセンタ210は、比較的高レベルの放射線を受け取ることができる。特定の実施形態では、アイソセンタ210は、腫瘍などの手術または治療中の標的に対応する。
図7は、ディープラーニングのため例示的なフロー図を示し、そこでは、ディープ畳み込みニューラルネットワークのようなディープラーニングモデルがトレーニングされ、治療計画の機械パラメータを決定するために使用される。入力704は、値の初期セットおよびトレーニングデータを有する定義されたディープラーニングモデルを含むことができる。トレーニングデータは、患者の画像と期待される結果を含むことができる。トレーニングデータは、また、1つまたはそれ以上の解剖学的ラベルマップまたは符号付き距離マップのような患者の画像に基づくデータを含むことができる。ディープラーニングモデルは、ディープ畳み込みニューラルネットワークのようなニューラルネットワークを含むことができる。ディープラーニングネットワークは、CT画像、PET画像、MRI画像のような医用画像と、例示的なプラニング方法により生成された対応する治療の機械パラメータに基づきトレーニングすることができる。トレーニングすると、ディープラーニングネットワークは、その患者の画像のみを使用して、患者のための機械パラメータの推定値を生成することができる。どちらの場合でも、期待される結果は、患者への放射線治療の送達を定義できる推定された機械パラメータが含むことができる。機械パラメータは、少なくとも1つのガントリ角度、少なくとも1つのマルチリーフコリメータリーフ位置、および少なくとも1つのアパーチャの重みまたは強度を含むことができる。一実施形態において、画像または画像関数は、画像の第2のセット内のピクセル値として符号化された機械パラメータと対になる。他の実施形態において、画像または画像関数は、サイノグラム形式に変換され、サイノグラム行次元に等しい次元を有する一次元(1D)ベクトルの要素として表される機械パラメータと対になる。ディープラーニングモデル708のトレーニング中に、トレーニングデータのバッチを患者の画像と期待される結果から選択することができる。選択されたトレーニングデータは、患者の解剖学的構造の少なくとも1つの画像、または患者の解剖学的構造の少なくとも1つの画像および対応するグラウンドトゥルース機械パラメータデータに基づくデータを含むことができる。ディープラーニングモデルは、選択された患者画像に適用され、期待される結果(例えば、選択された患者画像に対応する機械パラメータ)と比較される推定される結果(例えば、推定された機械パラメータ)を提供し、トレーニングエラーの兆候を提供する差を計算する。エラーは、バックプロパゲーションと呼ばれる手順で使用され、その後の試行中における機械パラメータの推定値のエラーを削減または最小化するような、ディープラーニングネットワークのパラメータ(例えば、レイヤーノードの重みやバイアス)のエラーを修正する。エラーは、指定されたトレーニング反復回数で持続的な最小値に進むような、予め定められた基準と比較される。エラーが所定の基準を満たさない場合、ディープラーニングモデルのモデルパラメータは、バックプロパゲーションを用いて更新され、患者データの別のバッチが患者データとディープラーニングモデルトレーニングの別の反復の期待される結果とから選択される。エラーが所定の基準を満たしている場合、トレーニングが終了し、トレーニングモデルがディープラーニングテストまたは推論ステージ712で使用され、トレーニングデータと異なる患者データに基づく機械パラメータを予測する。トレーニングされたモデルは、新しい患者画像を受信し、予測された結果(例えば、機械パラメータ)を提供する。
図8は、既知の画像または画像関数のセットおよび既知の機械パラメータのリストを使用してトレーニングすることができるディープ畳み込みニューラルネットワーク(DCNN)800の一実施形態を示す。トレーニングされると、DCNNは、新しい患者の画像または画像関数のみ与えられた新しい患者(例えば、トレーニングプロセスで使用される既知の画像または画像関数に寄与しなかった患者)に対する機械パラメータの推定値を計算することができる。のマシンパラメータの推定値を計算できます。一実施形態では、DCNN800は、回帰のためのDCNNを含むことができる。DCNN800は、画像処理装置112のメモリ装置116のようなメモリに格納される。DCNN800は、レイヤー806、808と、レイヤー810、812、814、816のセットと、損失レイヤー818とを含むことができる。入力画像データ802と、対応する機械パラメータデータ804とは、データのスケーリングおよびセンタリングを実行するレイヤー806によりDCNNに導入される。次いで、レイヤー806の出力は、画像データと機械パラメータデータの混合を実行できる完全接続(FC)レイヤー808に入力される。完全接続レイヤー808の出力は、レイヤーセット810内の第1の畳み込みレイヤーに供給される。各畳み込みレイヤーブロック810、812、814、816は、少なくとも1つの畳み込みレイヤーと、非線形レイヤーを畳み込みレイヤーに適用できる非線形レイヤー(例えば、整流線形ユニットまたはReLU層)とから構成される。各ブロックは、また、バッチ正規化レイヤー、スケーリングレイヤー、または、所望の機械パラメータ値の最も正確な推定値を提供するような決定される他のレイヤーを含む。各セットの最後のブロックにおける最後のレイヤーは、畳み込み出力データを一定量(例えば、半分)でダウンサンプリングし、マックス−プーリング(max-pooling)として知られるプロセス中に、出力畳み込みレイヤー内の関連するレイヤーノード値の最大値を取得するプーリングレイヤーであり得る。各畳み込みブロックのセットの形状の変化は、画像データの空間解像度(ブロックの高さ)が低下する一方で、レイヤーに対するパラメータの数(ブロックの幅)が増加していることを示している。図8に示されるレイヤーの配置とレイヤーセットの組成は、DCNNの情報コンテンツを保存することができる。ネットワークトレーニング中に、損失レイヤー818での機械パラメータの推定出力は、正しい機械パラメータ値(例えば、グラウンドトゥルース機械パラメータ値)と比較され、相違(例えば、エラー)が使用されてネットワークパラメータを修正する。修正プロセスはバックプロパゲーションとして知られている。ネットワークパラメータは、バックプロパゲーション中にその値がリセットされるレイヤーノードに関連付けられた重み係数とバイアス項である。ネットワークテスト中に、新しい患者画像が、対応する機械パラメータなしで入力され、ノード重み係数とトレーニング中に評価されたバイアスとが組み合わされ、損失レイヤー818での機械パラメータ推定出力を生成する。機械パラメータ推定出力は、新しい患者に対する機械パラメータ推定を構成する。
図8に描かれたネットワークは、単なる例示であり、本発明の方法を限定するものではない。他の多くのネットワークアーキテクチャが可能であり、それらの1つまたはそれ以上が改善された機械パラメータ推定値を提供する可能性がある。別の実施形態では、入力画像データは、CT画像、または、符号付き距離関数のようなCT画像の関数、または、フィルタリングによって取得され、角度再サンプリングされた機械パラメータデータのベクトルとペアとなり、入力レイヤーで一次元(1D)ベクトルのペアとして入力される円形投影として患者の形状を表すサイノグラム形式に再フォーマットされる修正画像を含むことができる。別の実施形態では、完全接続(FC)レイヤーが損失レイヤーに近づくように動かされ、一対の畳み込みネットワーク(それぞれが画像と機械パラメータデータに対する)が確立され、並行してトレーニングされる。別の実施形態では、FCレイヤーが除去され、患者の形状と機械パラメータのガントリ角度とマルチリーフコリメータ設定との空間的関連付けが、1Dデータの関数に明示的に埋め込まれた2D畳み込みレイヤーにより確率される。別の実施形態では、第2の畳み込みニューラルネットワークが使用され、を使用して、患者画像または画像関数および第1のネットワークからの機械パラメータ誤差を使用して機械パラメータの改良値バージョンを学習する。別の実施形態では、畳み込みニューラルネットワークは、患者画像または画像関数と、グラウンドトゥルース機械パラメータに対応する3D線量分布の画像との組み合わせを用いて機械パラメータを学習する。
図9Aは、少なくとも1つの医用画像に基づいて機械パラメータのセットを決定するためのDCNN800のようなDCNNをトレーニングする方法の実施形態を示す。DCNNは医用画像のセットを受け取る(ステップ910)。医用画像は、CT画像、MRI画像、またはPET画像を含み得る。DCNNは、また、対応する解剖学ボクセルラベルマップと、ラベル付きオブジェクト距離の関数とを受け取る。次に、機械パラメータが医用画像の各セットについて決定される(ステップ914)。一実施形態では、機械パラメータは、医用画像のセットとともに受信し得る。機械パラメータは、少なくとも1つのガントリ角度と、少なくとも1つのマルチリーフコリメータリーフ位置と、少なくとも1つの開口部の重みまたは強度を含み得る。機械パラメータは、次の数1で表すことができる。
DCNNのパラメータを更新した後、反復インデックスを1だけ増加させる(ステップ942)。反復インデックスは、DCNNのパラメータが更新された回数に対応する。停止基準が計算され(ステップ946)、停止基準が満たされる場合には、DCNNモデルが、画像処理装置112のメモリ装置116のようなメモリに保存され、トレーニングが終了する(ステップ950)。停止基準が満たされない場合には、トレーニングはステップ922に継続する。一実施形態では、停止基準は反復インデックスの値を含む(例えば、停止基準は、反復インデックスが、決定された最大の反復回数と同じまたはそれ以上であるかどうかを含む)。一実施形態では、停止基準は、機械パラメータの出力セットの精度を含む(例えば、停止基準は、機械パラメータの出力セットと、トレーニングデータのバッチで受信した医用画像セットに対応する機械パラメータとの差が、しきい値より小さいかどうかを含む)。一実施形態では、しきい値は、ステップ934で決定されたすべてのエラーの漸近的最小値に対応する。一実施形態では、機械パラメータは、例えば、開口、角度、強度値を指定する固定フォーマットを有する画像形式でDCNNに提示する。一実施形態では、患者画像は、機械パラメータと共同利用され、実際のアレイとして提示される。
図9Bは、図9Aを用いて上述した方法によりトレーニングされるDCNNのような、トレーニングされたDCNNを用いる機械パラメータを生成する方法を示す。医用画像を、画像取得装置132のような画像取得装置から受け取る(ステップ960)。トレーニングされたDCNNモデルは、ネットワーク120のようなネットワークから、または、画像処理装置112のメモリ装置116のようなメモリから受け取られる(ステップ964)。トレーニングされたDCNNが使用され、放射線治療計画または再プラニングに対するような機械パラメータが決定される(ステップ968)。一実施形態では、トレーニングされたDCNNは、リアルタイムでオンラインアプリケーションに対する機械パラメータを生成する(例えば、トレーニングされたDCNNは、受信した医用画像から数秒で機械パラメータを生成する)。強度変調放射線療法用に決定された機械パラメータを使用してDCNNをトレーニングする実施形態では、トレーニングされたDCNNは、強度変調放射線療法計画のための機械パラメータを決定する。体積変調アーク治療用に決定された機械パラメータを使用してDCNNをトレーニングする実施形態では、トレーニングされたDCNNは、体積変調アーク治療 計画のための機械パラメータを決定する。
図10は、本明細書で説明される方法の1つまたはそれ以上を実施することができるマシン1000の実施形態のブロック図を一実施例として示す。1つまたはそれ以上の実施形態では、画像処理装置112の1つまたはそれ以上のアイテムは、マシン1000によって実装される。代替の実施形態では、マシン1000は、スタンドアロンデバイスとして動作するか、または他のマシンに接続されても(例えば、ネットワーク化されても)よい。1つまたはそれ以上の実施形態において、画像処理装置112は、マシン1000の1つまたはそれ以上のアイテムを含むことができる。ネットワーク化された展開では、マシン1000は、サーバー、またはサーバークライアントネットワーク環境のサーバーのクライアントマシンの容量で、またはピアツーピア(または分散)ネットワーク環境のピアマシンとして動作する。マシンは、パーソナルコンピュータ(PC)、タブレットPC、セットトップボックス(STB)、携帯情報端末(PDA)、携帯電話、ウェブアプライアンス、ネットワークルーター、スイッチまたはブリッジ、またはそのマシンが実行するアクションを指定する命令(シーケンシャルまたはそれ以外)を実行できるマシンであることができる。さらに、単一のマシンのみが示されているが、「マシン」という用語は、本明細書で説明する方法論の1つまたは複数を実行する命令のセット(または複数のセット)を個別または共同で実行するマシンの集合も含むものとする。
例示的なマシン1000は、バス1008を介して互いに接続されているプロセッシング回路1002(例えば、中央処理装置(CPU)、グラフィック処理装置(GPU)、特定用途向け集積回路、1つまたはそれ以上のトランジスタ、抵抗器、コンデンサ、インダクタ、ダイオード、論理ゲート、マルチプレクサ、バッファ、変調器、復調器、無線装置(例えば、送信または受信無線装置またはトランシーバのような回路)、センサ1021(例えば、エネルギー(光、熱、電気、機械、またはその他のエネルギー)のあるフォームを他のフォームに変換するトランスデューサーなど、またはそれらの組み合わせ)、メインメモリ1004、およびスタティックメモリを含む。マシン1000(例えば、コンピュータシステム)は、ビデオディスプレイユニット1010(例えば、液晶ディスプレイ(LCD)または陰極線管(CRT))をさらに含み得る。マシン1000は、英数字入力装置1012(例えば、キーボード)、ユーザインターフェース(UI)ナビゲーション装置1014(例えば、マウス)、ディスクドライブまたは大容量記憶装置1016、信号生成装置1018(例えば、スピーカー)およびネットワークインターフェース装置1020も含む。
ディスクドライブユニット1016は、本明細書で説明される方法または機能のうちのいずれか1つまたはそれ以上によって具現化または利用される命令およびデータ構造(例えば、ソフトウェア)1024の1つまたはそれ以上のセットが記憶される機械可読媒体1022を含む。命令1024は、また、マシン1000、メインメモリ1004およびプロセッサ1002による実行中に、完全にまたは少なくとも部分的に、メインメモリ1004および/またはプロセッサ1002内に常駐し、機械可読媒体を構成することができる。
図示されたマシン1000は、出力コントローラ1028を含む。出力コントローラ1028は、マシン1000への、またはマシン1000からのデータフローを管理する。出力コントローラ1028はデバイスコントローラと呼ばれ、出力コントローラ1028と直接相互に作用するソフトウェアはデバイスドライバと呼ばれる。
機械可読媒体1022は、例示的な実施形態では単一の媒体であるように示されているが、用語「機械可読媒体」は、1つまたはそれ以上の命令またはデータ構造を格納する、単一の媒体または複数の媒体(例えば、集中型または分散型データベース、および/または関連するキャッシュおよびサーバー)を含み得る。「機械可読媒体」という用語は、機械による実行のための命令を格納、符号化、または搬送することができ、機械に本発明の方法論の1つまたはそれ以上を実行させることができ、またはそのような命令によって利用される、または関連するデータ構造を保存、エンコード、または実行することができる、いかなる有形媒体も含むものとする。したがって、「機械可読媒体」という用語は、ソリッドステートメモリ、光学および磁気媒体を含むと解されるが、これらに限定されない。機械可読媒体の特定の例は、半導体メモリデバイスを含む不揮発性メモリ、たとえば、消去可能プログラマブル読み取り専用メモリ(EPROM)、電気的消去可能プログラマブル読み取り専用メモリ(EEPROM)、およびフラッシュメモリデバイス、内蔵ハードディスクやリムーバブルディスクなどの磁気ディスク。光磁気ディスク、およびCD−ROMおよびDVD−ROMディスクを含む。
命令1024は、さらに、伝送媒体を使用して通信ネットワーク1026を介して送信または受信され得る。命令1024は、ネットワークインターフェース装置1020や、いくつかの周知の転送プロトコル(例えば、HTTP)のうちのいずれか1つを使用して送信され得る。通信ネットワークの例には、ローカルエリアネットワーク(「LAN」)、ワイドエリアネットワーク(「WAN」)、インターネット、携帯電話ネットワーク、プレインオールドテレフォン(POTS)ネットワーク、および無線データネットワーク(例えば、WiFi、WiMaxネットワークなど)が含まれる。「伝送媒体」という用語は、機械による実行のための命令を保存、エンコード、または実行できる無形媒体を含み、そのようなソフトウェアの通信を促進するためのデジタルまたはアナログ通信信号または他の無形媒体を含むものとする。
本明細書で使用する「通信可能に結合」とは、いずれかの結合上のエンティティがその間のアイテムを介して通信する必要があり、それらのエンティティがアイテムを介して通信せずに互いに通信できないことを意味する。
[0082]
上記の詳細な説明は、詳細な説明の一部を形成する添付の図面への参照を含む。図面は、限定ではなく例示として、本発明を実施することができる特定の実施形態を示すものである。これらの実施形態は、本明細書では「例」とも呼ばれる。そのような例は、図示または記載されたものに追加した要素を含むことができる。しかし、本願発明者らは、また、図示または記載されている要素のみが提供されている例を考慮している。さらに、本願発明者らは、また、特定の例(またはその1つまたは複数の態様)に関して、あるいは他の例(またはその1つまたは複数の態様)に関して示された、または説明された要素の任意の組合せまたは置換を用いる例を考慮している。
本明細書で言及されている全ての刊行物、特許、および特許文書は、個々に参照により組み込まれるように、その全体が参照により本明細書に組み込まれる。本明細書と、参照により組み込まれたそれら文書との間で矛盾する用法がある場合には、組み込まれた文書における用法は、本明細書の用法の補脚と考えられるべきであり、調整できない矛盾については、本明細書の用法が支配する。
本明細書では、用語「a」、「an」、「the」、「said」は、特許文書において一般的であるように、本発明の態様の要素またはその実施形態の要素を紹介するときに使用され、「少なくともひとつ」または「1つまたは複数」の他の例または用法とは独立に、1つまたは複数の要素以上の1つまたは複数を含む。本明細書では、用語「または(or)」は、「AまたはB(A or B)」が、そうでないと示されない限り、「Aを含むがBを含まない(A but not B)」、「Bを含むがAを含まない(B but not A)」、「AおよびB(A and B)」を含むように、非排他的であることを指すために使用される。
添付の特許請求の範囲において、用語「including(含む)」および「in which(その中で)」は、それぞれの用語「comprising(含む)」および「wherein(ここで)」の平易な英語の等価物として使用される。また、添付の特許請求の範囲において、用語「含む(comprising)」、「含む(including)」および「有する(having)」は、請求項内のそのような用語(例えば、comprising、including、having)の後に追加の要素が依然として含まれるとみなされるように、列挙された要素以外の追加の要素が存在し得ることを意味するオープンエンドであることを意図している。さらに、添付の特許請求の範囲では、「第1の」、「第2の」、および「第3の」などの用語は、単なるラベルとして使用されており、それらの対象に数値要件を課すことを意図していない。
本発明の実施形態は、コンピュータ実行可能命令を用いて実施することができる。コンピュータ実行可能命令(たとえばソフトウェアコード)は、1つまたは複数のコンピュータ実行可能コンポーネントまたはモジュールに構成することができる。本発明の態様は、任意の数および構成の構成要素またはモジュールを用いて実施することができる。例えば、本発明の態様は、図示され本明細書に記載された特定のコンピュータ実行可能命令または特定の構成要素もしくはモジュールに限定されない。本発明の他の実施形態は、図示され本明細書に記載されたものより多いまたは少ない機能を有する異なるコンピュータ実行可能命令または構成要素を含むことができる。
本明細書で説明される方法例(例えば、動作および機能)は、機械的に実施される、または少なくとも部分的にコンピュータで実施される(例えば、ソフトウェアコードまたは命令として実施される)ことができる。いくつかの例は、上記の例で説明されたような方法を実行するように電子デバイスを構成するように動作可能な命令で符号化された、コンピュータ可読媒体または機械可読媒体を含むことができる。そのような方法の実装は、マイクロコード、アセンブリ言語コード、より高いレベルの言語コードなど(例えば、ソースコード)のようなソフトウェアコードを含むことができる。そのようなソフトウェアコードは、様々な方法を実行するためのコンピュータ可読命令(例えば、オブジェクトまたは実行可能コード)を含むことができる。ソフトウェアコードは、コンピュータプログラム製品の一部を形成してもよい。本明細書に記載の実施形態のソフトウェア実装は、コードまたは命令を格納した製品を介して、または、通信インターフェース(例えば、無線、インターネット、衛星通信、など)を介してデータを送信するために通信インターフェースを動作させる方法を介して提供される。
さらに、ソフトウェアコードは、実行中または他のときに、1つまたは複数の揮発性または不揮発性のコンピュータ可読記憶媒体に有形に格納することができる。これらのコンピュータ可読記憶媒体は、これらに限定されないが、例えば、フロッピーディスク、ハードディスク、リムーバブル磁気ディスク、任意の形態の磁気ディスク記憶媒体、CD−ROM、光磁気ディスク、リムーバブル光ディスク(例えば、コンパクトディスクおよびデジタルビデオディスク)、フラッシュメモリ装置、磁気カセット、メモリカードまたはスティック(例えば、セキュアデジタルカード)、ランダムアクセスメモリ(RAM)(例えば、CMOS、RAMなど)、記録可能/記録不可能媒体(例えば、読み出し専用メモリ(ROM))、EPROM、EEPROM、または電子命令を格納するのに適した任意の種類の媒体等々のような、機械(例えば、コンピューティングデバイス、電子システムなど)によってアクセス可能な形式で情報を格納するための任意のメカニズムを含むことができる。そのようなコンピュータ可読記憶媒体は、プロセッサおよびOISの他の部分によってアクセス可能であるようにコンピュータシステムバスに結合される。
一実施形態では、コンピュータ可読記憶媒体は治療計画用のデータ構造を符号化してもよく、治療計画は適応的でもよい。コンピュータ可読記憶媒体のためのデータ構造は、医学におけるデジタル画像形成および通信(DICOM)フォーマット、拡張DICOMフォーマット、XMLフォーマットなどのうちの少なくともひとつでもよい。DICOMは、さまざまなタイプの医療機器間で医用画像関連データを転送するために使用されるフォーマットを定義する国際通信規格である。DICOM RTは放射線療法に特有の通信規格を指し示している。
本発明の様々な実施形態では、構成要素またはモジュールを作成する方法は、ソフトウェア、ハードウェア、またはそれらの組み合わせで実施することができる。本発明の様々な実施形態によって提供される方法は、例えば、C、C++、Java(登録商標)、Pythonなど、およびそれらの組み合わせのような標準的なプログラミング言語を使用することによってソフトウェアで実装することができる。本明細書で使用されるとき、用語「ソフトウェア」および「ファームウェア」は、交換可能であり、コンピュータによる実行のためにメモリに格納された任意のコンピュータプログラムを含む。
通信インターフェースは、メモリバスインターフェース、プロセッサバスインターフェース、インターネット接続、ディスクコントローラ、およびディスクコントローラのような、他の装置と通信するための、有線、無線、光学などの媒体のいずれかとインターフェースする任意の機構を含む。通信インターフェースは、構成パラメータを提供すること、および/またはソフトウェアコンテンツを記述するデータ信号を提供するために通信インターフェースを準備するために信号を送信することによって構成することができる。通信インターフェースは、通信インターフェースに送信された1つまたは複数のコマンドまたは信号を介してアクセスされることができます。
本発明は、また本明細書の動作を実行するためのシステムに関する。このシステムは、要求される目的のために特別に構築されてもよく、あるいはコンピュータに格納されたコンピュータプログラムによって選択的に起動または再構成される汎用コンピュータを含むようにしてもよい。本明細書で図示および説明された本発明の実施形態における動作の実行の順序は、特に指定のない限り、本質的なものではない。すなわち、特に指定されない限り、動作は任意の順序で実行されてもよく、本発明の実施形態は、本明細書に開示されたものより動作が追加されてもよいし、より少ない動作でもよい。例えば、特定の動作を他の動作の前、それと同時に、またはその後に実行または実行することは、本発明の態様の範囲内であると考える。
上記を考慮すると、本発明のいくつかの目的が達成され、他の有利な結果が達成されることが理解されよう。本発明の態様を詳細に説明してきたが、添付の特許請求の範囲に規定されるような本発明の態様の範囲から逸脱することなく修正および変形が可能であることは明らかであろう。本発明の態様の範囲から逸脱することなく上記の構成、製品、および方法に様々な変更を加えることができるので、上記の説明に含まれ添付の図面に示されるすべての事項は例示として、限定的な意味ではないと解釈されるべきである。
上記の説明は例示的であり、限定的ではない。例えば、上述の例(または1つまたは複数の態様)は互いに組み合わせて使用することができる。さらに、その範囲から逸脱することなく、特定の状況または材料を本発明の教示に適合させるために多くの修正を加えることができる。本明細書に記載の寸法、材料の種類、およびコーティングは、本発明のパラメーターを規定することを意図しているが、それらは決して限定するものではなく、例示的な実施形態である。上記の説明を検討すれば、他の多くの実施形態が当業者には明らかであろう。したがって、本発明の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲が含まれる等価物の全範囲と共に決定されるべきである。
また、上記の詳細な説明では、開示を簡素化するために様々な特徴を一緒にグループ化することができる。これは、請求されていない開示された機能がいかなる請求にも不可欠であることを意図していると解釈されるべきではない。むしろ、本発明の主題は、特定の開示された実施形態の全ての特徴より少ない特徴にあってもよい。したがって、添付の特許請求の範囲は、詳細な説明に組み込まれ、各特許請求の範囲は、別個の実施形態としてそれ自体に基づいている。本発明の範囲は、添付の特許請求の範囲を、そのような特許請求の範囲が権利を有する等価物の全範囲と共に参照して決定されるべきである。さらに、添付の特許請求の範囲の限定は、ミーンズプラスファンクションの形式で書かれておらず、米国特許法(35USC)に基づいて解釈されることを意図していない。米国特許法第112条第6段落は、そのような請求の範囲の限定が明示的でない限り、さらなる構造を欠く機能の記述を続く「ミーンズフォー(means for)」なる句を使用する。
要約書は、読者が技術的開示の性質を迅速に確認することを可能にするために、米国特許法施行規則第1.72条(b)に準拠して提供される。本明細書は、特許請求の範囲または意味を解釈または限定するために使用されることはないとの理解のもとに提出されている。
Claims (24)
- ディープ畳み込みニューラルネットワークをトレーニングして、患者の放射線治療計画を提供する方法であって、
患者のグループから患者データを収集し、前記患者データは患者の解剖学的構造の少なくとも1つの画像とこれまでの治療計画とを含み、前記治療計画は所定の機械パラメータを含み、
前記これまでの治療計画と対応する前記収集された患者データとを使用することにより回帰のためのディープ畳み込みニューラルネットワークをトレーニングして、新しい治療計画を決定する
ことを特徴とする方法。 - 請求項1記載の方法において、
前記新しい治療計画は、予測された機械パラメータを含む
ことを特徴とする方法。 - 請求項1記載の方法において、
さらに、前記ディープ畳み込みニューラルネットワークの1つまたはそれ以上のパラメータを調整することにより前記ディープ畳み込みニューラルネットワークをトレーニングして、所定の機械パラメータのセットと予測の機械パラメータのセットとの間の差を含むコスト関数を最小化する
ことを特徴とする方法。 - 請求項1乃至3のいずれか1項に記載の方法において、
前記所定の機械パラメータは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含む
ことを特徴とする方法。 - 請求項2乃至4のいずれか1項に記載の方法において、
前記予測の機械パラメータは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含む
ことを特徴とする方法。 - 請求項1乃至5のいずれか1項に記載の方法において、
さらに、患者グループ内の各患者から少なくとも1つの符号付き距離マップを含む患者データを収集する
ことを特徴とする方法。 - 請求項1乃至6のいずれか1項に記載の方法において、
前記患者の解剖学的構造の少なくとも1つの画像は、プランニングCT画像、解剖学的構造ラベルマップ、前記患者からの符号付き距離マップのような決定されたオブジェクト距離のうちの少なくとも1つを含む
ことを特徴とする方法。 - ディープ畳み込みニューラルネットワークをトレーニングして、放射線治療計画を提供する方法であって、
患者のグループからの患者データについて、前もってトレーニングされたディープ畳み込みニューラルネットワークを取得し、
新しい患者データを収集し、前記新しい患者データは患者の解剖学的構造の少なくとも1つの画像を含み、
回帰のための前記トレーニングされたディープ畳み込みニューラルネットワークを使用して、前記新しい患者の新しい治療計画を決定し、前記新しい治療計画は新しい機械パラメータのセットを含む
ことを特徴とする方法。 - 請求項8記載の方法において、
前記トレーニングされたディープ畳み込みニューラルネットワークは、前記機械パラメータのセットを含む前記新しい治療計画を提供することができ、
前記機械パラメータのセットは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含む
ことを特徴とする方法。 - 請求項8又は9記載の方法において、
前記新しい治療計画は、リアルタイムで作成される
ことを特徴とする方法。 - 請求項9記載の方法において、
前記新しい治療計画は、放射線療法治療中にリアルタイムで作成される
ことを特徴とする方法。 - 患者の解剖学的構造の少なくとも1つの画像を含む患者データを収集する画像取得装置と、
患者に放射線治療を照射する放射線治療装置と、
トレーニングされたディープ畳み込みニューラルネットワークと放射線治療計画とを保存する非一時的機械可読媒体と、
回帰のための前記トレーニングされたディープ畳み込みニューラルネットワークを使用して、前記収集された患者データに基づいて新しい治療計画を生成するプロセッサであって、前記新しい治療計画は機械パラメータのセットを含むプロセッサと、
新しい機械パラメータのセットを含む前記新しい放射線治療計画に従って、前記患者に放射線治療を施すよう前記放射線治療装置に命令するように構成された放射線治療制御回路と
を有することを特徴とする放射線療法治療システム。 - 請求項12記載のシステムにおいて、
前記トレーニングされたディープ畳み込みニューラルネットワークは、患者のグループからの患者データについて前もってトレーニングされるように構成される
ことを特徴とするシステム。 - 請求項12又は13記載のシステムにおいて、
前記新しい機械パラメータのセットは、予測された機械パラメータを含む
ことを特徴とするシステム。 - 請求項12乃至14のいずれか1項に記載のシステムにおいて、
前記新しい機械パラメータのセットは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度のうちの少なくとも1つを含む
ことを特徴とするシステム。 - 請求項12記載のシステムにおいて、
前記ディープ畳み込みニューラルネットワークは、前記ディープ畳み込みニューラルネットワークの1つまたはそれ以上のパラメータを調整することによりトレーニングして、所定の機械パラメータのセットと予測の機械パラメータのセットとの間の差を含むコスト関数を最小化する
ことを特徴とするシステム。 - 請求項12乃至16のいずれか1項に記載のシステムにおいて、
患者データは、患者グループ内の各患者からの少なくとも1つの符号付き距離マップを含む
ことを特徴とするシステム。 - 請求項12乃至17のいずれか1項に記載のシステムにおいて、
前記患者の解剖学的構造の少なくとも1つの画像は、プランニングCT画像、解剖学的構造ラベルマップ、前記患者からの符号付き距離マップのような決定されたオブジェクト距離のうちの少なくとも1つを含む
ことを特徴とするシステム。 - 請求項12記載のシステムにおいて、
前記新しい治療計画は、リアルタイムで作成される
ことを特徴とするシステム。 - 請求項12記載のシステムにおいて、
前記新しい治療計画は、放射線療法治療中にリアルタイムで作成される
ことを特徴とするシステム。 - 画像プロセッサにより実行されたときに、前記画像プロセッサに、次の方法を実行させる命令を含む非一時的機械可読媒体であって、
前記方法は、
患者のグループから患者データを受け取り、前記患者データは患者の解剖学的構造の少なくとも1つの画像とこれまでの治療計画とを含み、前記治療計画は所定の機械パラメータを含み、
前記これまでの治療計画と対応する前記収集された患者データとを使用することにより回帰のためのディープ畳み込みニューラルネットワークをトレーニングし、前記ディープ畳み込みニューラルネットワークをトレーニングの少なくとも1つまたはそれ以上のパラメータはコスト関数を最小化するように調整され、
前記トレーニングされたディープ畳み込みニューラルネットワークを使用する、予測された機械パラメータの新しいセットを含む新しい治療計画を決定し、前記機械パラメータは、ガントリ角度、マルチリーフコリメータリーフ位置、または放射線治療ビーム強度の少なくとも1つが含まれる
ことを特徴とする非一時的機械可読媒体。 - 請求項21記載の非一時的機械可読媒体において、
前記画像プロセッサにより実行されたときに、前記画像プロセッサに、患者のグループ内の各患者からの少なくとも1つの符号付き距離マップを含む患者データを受信させるような命令を更に含む
ことを特徴とする非一時的機械可読媒体。 - 請求項21又は22記載の非一時的機械可読媒体において、
前記患者の解剖学的構造の少なくとも1つの画像は、プランニングCT画像、解剖学的構造ラベルマップ、前記患者からの符号付き距離マップのような決定されたオブジェクト距離のうちの少なくとも1つを含む
ことを特徴とする非一時的機械可読媒体。 - 請求項21乃至23のいずれか1項に記載の非一時的機械可読媒体において、
前記新しい治療計画は、放射線療法治療中にリアルタイムで作成される
ことを特徴とする非一時的機械可読媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021135351A JP2021183173A (ja) | 2017-07-25 | 2021-08-23 | ディープ畳み込みニューラルネットワークを使用する放射線治療計画 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/658,484 | 2017-07-25 | ||
US15/658,484 US11517768B2 (en) | 2017-07-25 | 2017-07-25 | Systems and methods for determining radiation therapy machine parameter settings |
PCT/US2018/043320 WO2019023142A1 (en) | 2017-07-25 | 2018-07-23 | RADIATION THERAPY PLANNING USING A DEEP CONVOLUTIVE NETWORK |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021135351A Division JP2021183173A (ja) | 2017-07-25 | 2021-08-23 | ディープ畳み込みニューラルネットワークを使用する放射線治療計画 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020528791A true JP2020528791A (ja) | 2020-10-01 |
JP2020528791A5 JP2020528791A5 (ja) | 2021-08-12 |
JP6934559B2 JP6934559B2 (ja) | 2021-09-15 |
Family
ID=63143406
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020503934A Active JP6934559B2 (ja) | 2017-07-25 | 2018-07-23 | ディープ畳み込みニューラルネットワークを使用する放射線治療計画 |
JP2021135351A Pending JP2021183173A (ja) | 2017-07-25 | 2021-08-23 | ディープ畳み込みニューラルネットワークを使用する放射線治療計画 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021135351A Pending JP2021183173A (ja) | 2017-07-25 | 2021-08-23 | ディープ畳み込みニューラルネットワークを使用する放射線治療計画 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11517768B2 (ja) |
EP (1) | EP3658231B1 (ja) |
JP (2) | JP6934559B2 (ja) |
CN (1) | CN110944717A (ja) |
AU (1) | AU2018307739B2 (ja) |
WO (1) | WO2019023142A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022097676A1 (ja) * | 2020-11-05 | 2022-05-12 | 国立大学法人東北大学 | 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置 |
JP2023512365A (ja) * | 2020-12-30 | 2023-03-27 | ニューロフェット インコーポレイテッド | 特性情報を考慮した医療映像分析方法、医療映像分析装置及び医療映像分析システム |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11850445B2 (en) | 2016-09-07 | 2023-12-26 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
US11517768B2 (en) | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
WO2019027924A1 (en) * | 2017-07-30 | 2019-02-07 | Icahn School Of Medicine At Mount Sinai | DEEP PLANNING RADIATION THERAPY SYSTEM AND METHOD |
US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
US10803984B2 (en) | 2017-10-06 | 2020-10-13 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
CA3100815A1 (en) * | 2018-03-07 | 2019-09-12 | Memorial Sloan Kettering Cancer Center | Methods and systems for automatic radiotherapy treatment planning |
US11030780B2 (en) * | 2018-03-26 | 2021-06-08 | The Board Of Trustees Of The Leland Stanford Junior University | Ultrasound speckle reduction and image reconstruction using deep learning techniques |
US10719961B2 (en) * | 2018-05-04 | 2020-07-21 | General Electric Company | Systems and methods for improved PET imaging |
JP7370694B2 (ja) * | 2018-08-14 | 2023-10-30 | キヤノン株式会社 | 医用情報処理装置及び医用情報処理方法、プログラム |
US11475991B2 (en) * | 2018-09-28 | 2022-10-18 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
US11823800B2 (en) * | 2018-10-12 | 2023-11-21 | The Medical College Of Wisconsin, Inc. | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs |
CN109523532B (zh) * | 2018-11-13 | 2022-05-03 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
EP3673955A1 (en) * | 2018-12-24 | 2020-07-01 | Koninklijke Philips N.V. | Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy |
CN109859817B (zh) * | 2019-04-01 | 2022-12-09 | 安徽大学 | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 |
CN110060508B (zh) * | 2019-04-08 | 2020-11-20 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
CN110141801B (zh) * | 2019-05-17 | 2021-04-27 | 天津大学 | 面向近距离粒子内放疗手术智能剂量规划方法 |
US11410766B2 (en) * | 2019-06-06 | 2022-08-09 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning based on continuous deep learning |
WO2020256750A1 (en) * | 2019-06-20 | 2020-12-24 | Elekta, Inc. | Predicting radiotherapy control points using projection images |
CN110433405A (zh) * | 2019-07-09 | 2019-11-12 | 苏州雷泰智能科技有限公司 | 一种预测剂量引导的tps优化方法及装置 |
US11097128B2 (en) | 2019-07-16 | 2021-08-24 | Elekta Ab (Publ) | Radiotherapy treatment plans using differentiable dose functions |
CN110582328B (zh) * | 2019-07-22 | 2022-03-01 | 北京市肿瘤防治研究所 | 一种放射治疗出射束监测方法和系统 |
CN110354406A (zh) * | 2019-07-30 | 2019-10-22 | 安徽大学 | 一种放射治疗的三维剂量预测方法和系统 |
CN110705626A (zh) * | 2019-09-26 | 2020-01-17 | 北京市商汤科技开发有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
CN111211831A (zh) * | 2020-01-13 | 2020-05-29 | 东方红卫星移动通信有限公司 | 一种多波束低轨卫星智能动态信道资源分配方法 |
US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
DE102020203848A1 (de) * | 2020-03-25 | 2021-09-30 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Ansteuerung eines medizinischen Geräts |
EP3892328A1 (en) * | 2020-04-09 | 2021-10-13 | RaySearch Laboratories AB | A method of generating a radiotherapy treatment plan for a patient, a computer program product and a computer system |
US11301999B2 (en) * | 2020-05-07 | 2022-04-12 | Tencent America LLC | Shape-aware organ segmentation by predicting signed distance maps |
US11813479B2 (en) * | 2020-06-11 | 2023-11-14 | Siemens Healthineers International Ag | Method and apparatus to facilitate administering therapeutic radiation to a patient |
US20220013231A1 (en) * | 2020-07-13 | 2022-01-13 | Corsmed Ab | Method for ai applications in mri simulation |
CN111833988B (zh) * | 2020-07-14 | 2024-02-06 | 北京安德医智科技有限公司 | 放射参数确定方法及装置、电子设备和存储介质 |
US20220059221A1 (en) * | 2020-08-24 | 2022-02-24 | Nvidia Corporation | Machine-learning techniques for oxygen therapy prediction using medical imaging data and clinical metadata |
EP4208253A4 (en) * | 2020-09-02 | 2024-04-10 | Elekta (Shanghai) Technology Co., Ltd. | AUTOMATIC BEAM MODELING BASED ON DEEP LEARNING |
CN112037885B (zh) * | 2020-09-07 | 2022-05-17 | 平安科技(深圳)有限公司 | 放疗计划中的剂量预测方法、装置、计算机设备及存储介质 |
WO2022056630A1 (en) * | 2020-09-16 | 2022-03-24 | Elekta Limited | Techniques for detecting movement during radiotherapy treatment |
US11992702B2 (en) | 2020-09-21 | 2024-05-28 | Elekta, Inc. | Machine learning optimization of fluence maps for radiotherapy treatment |
US11710558B2 (en) * | 2020-09-23 | 2023-07-25 | Siemens Healthineers International Ag | Computer modeling for field geometry selection |
CN112263787B (zh) * | 2020-10-30 | 2021-08-10 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
EP4019084A1 (en) | 2020-12-22 | 2022-06-29 | Koninklijke Philips N.V. | Planning apparatus for planning a radiation therapy |
US11869151B2 (en) * | 2021-01-26 | 2024-01-09 | Beth Israel Deaconess Medical Center | Systems and methods for finite element analysis of tumor treating fields |
WO2022161898A1 (en) * | 2021-01-27 | 2022-08-04 | Koninklijke Philips N.V. | Adaptive collimation for interventional x-ray |
CN112837782B (zh) * | 2021-02-04 | 2024-07-02 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的放疗三维剂量预测方法 |
WO2022256782A1 (en) * | 2021-06-02 | 2022-12-08 | Elekta, Inc. | Discreet parameter automated planning |
US11983869B2 (en) * | 2021-06-09 | 2024-05-14 | Elekta, Inc. | Feature-space clustering for physiological cycle classification |
EP4180088A1 (en) * | 2021-11-16 | 2023-05-17 | Koninklijke Philips N.V. | A machine learning based system for generating objective functions for radiation therapy treatment planning |
US20230218926A1 (en) * | 2022-01-13 | 2023-07-13 | Elekta, Inc. | Bed calculation with isotoxic planning |
CN114578750B (zh) * | 2022-03-07 | 2023-08-15 | 天津美腾科技股份有限公司 | 用于x射线设备的射源控制电路、方法及设备 |
EP4257181A1 (en) * | 2022-04-05 | 2023-10-11 | RaySearch Laboratories AB | Methods and system related to radiotherapy treatment planning |
CN114925904A (zh) * | 2022-05-17 | 2022-08-19 | 厦门大学附属第一医院 | 一种预测螺旋断层放疗计划的γ通过率的方法 |
US20230402152A1 (en) * | 2022-06-13 | 2023-12-14 | Varian Medical Systems, Inc. | Dose-directed radiation therapy plan generation using computer modeling techniques |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011502010A (ja) * | 2007-10-25 | 2011-01-20 | トモセラピー・インコーポレーテッド | 放射線療法送達の運動適応最適化のためのシステム及び方法 |
US20120136194A1 (en) * | 2010-08-17 | 2012-05-31 | Xiaodong Zhang | Automated treatment planning for radiation therapy |
WO2014205128A1 (en) * | 2013-06-18 | 2014-12-24 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
WO2018048575A1 (en) * | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240394A (ja) * | 2002-12-12 | 2004-08-26 | Sense It Smart Corp | 話者音声解析システムおよびこれに用いるサーバ装置、話者音声の解析を利用した健康診断方法、話者音声解析プログラム |
US7880154B2 (en) | 2005-07-25 | 2011-02-01 | Karl Otto | Methods and apparatus for the planning and delivery of radiation treatments |
US8467497B2 (en) | 2007-10-25 | 2013-06-18 | Tomotherapy Incorporated | System and method for motion adaptive optimization for radiation therapy delivery |
JP2011050201A (ja) | 2009-08-28 | 2011-03-10 | Pioneer Electronic Corp | 充電装置、情報処理装置及び情報処理システム並びに充電装置用プログラム及び情報処理装置用プログラム |
CN102196407B (zh) | 2010-03-18 | 2015-09-16 | 中兴通讯股份有限公司 | 锚定鉴权器重定位方法及系统 |
US8565377B2 (en) | 2011-03-07 | 2013-10-22 | Dalhousie University | Methods and apparatus for imaging in conjunction with radiotherapy |
US9042620B2 (en) | 2011-03-10 | 2015-05-26 | Siemens Corporation | Method and system for multi-organ segmentation using learning-based segmentation and level set optimization |
US9463334B2 (en) | 2013-03-15 | 2016-10-11 | Varian Medical Systems International Ag | Radiation therapy planing using integrated model |
CN103961182B (zh) | 2014-05-06 | 2017-06-30 | 深圳普门科技有限公司 | 一种多功能治疗箱组及其专家系统的治疗推荐方法 |
US10046177B2 (en) * | 2014-06-18 | 2018-08-14 | Elekta Ab | System and method for automatic treatment planning |
US10387773B2 (en) * | 2014-10-27 | 2019-08-20 | Ebay Inc. | Hierarchical deep convolutional neural network for image classification |
WO2016081916A1 (en) | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Three-dimensional radiotherapy dose distribution prediction |
US20160213948A1 (en) * | 2015-01-22 | 2016-07-28 | Impac Medical Systems, Inc. | System and method to create test objects for radiation therapy |
US9652871B2 (en) * | 2015-01-28 | 2017-05-16 | Impac Medical Systems, Inc. | Three dimensional localization of a moving target for adaptive radiation therapy |
US20170091619A1 (en) * | 2015-09-29 | 2017-03-30 | Qualcomm Incorporated | Selective backpropagation |
US11056243B2 (en) | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
CN113822960A (zh) * | 2016-09-06 | 2021-12-21 | 医科达有限公司 | 用于生成合成成像数据的方法、系统及计算机可读介质 |
US10307614B2 (en) * | 2016-09-22 | 2019-06-04 | Accuray Incorporated | Systems and methods for selecting a radiation therapy treatment plan |
US10449389B2 (en) | 2016-12-05 | 2019-10-22 | Varian Medical Systems International Ag | Dynamic target masker in radiation treatment of multiple targets |
US20180185672A1 (en) | 2016-12-30 | 2018-07-05 | Sun Nuclear Corporation | Determination of radiation collimator component position |
EP3392832A1 (en) * | 2017-04-21 | 2018-10-24 | General Electric Company | Automated organ risk segmentation machine learning methods and systems |
US11517768B2 (en) | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
US11100632B2 (en) | 2018-04-13 | 2021-08-24 | Elekta, Inc. | Image synthesis using adversarial networks such as for radiation therapy |
US11557390B2 (en) | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
EP3677309B1 (en) | 2019-01-03 | 2021-03-10 | RaySearch Laboratories AB | A method and a corresponding radiation treatment system for generating a radiation treatment plan |
WO2020256750A1 (en) | 2019-06-20 | 2020-12-24 | Elekta, Inc. | Predicting radiotherapy control points using projection images |
US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
-
2017
- 2017-07-25 US US15/658,484 patent/US11517768B2/en active Active
-
2018
- 2018-07-23 EP EP18752372.5A patent/EP3658231B1/en active Active
- 2018-07-23 WO PCT/US2018/043320 patent/WO2019023142A1/en unknown
- 2018-07-23 AU AU2018307739A patent/AU2018307739B2/en active Active
- 2018-07-23 CN CN201880049758.0A patent/CN110944717A/zh active Pending
- 2018-07-23 JP JP2020503934A patent/JP6934559B2/ja active Active
-
2021
- 2021-08-23 JP JP2021135351A patent/JP2021183173A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011502010A (ja) * | 2007-10-25 | 2011-01-20 | トモセラピー・インコーポレーテッド | 放射線療法送達の運動適応最適化のためのシステム及び方法 |
US20120136194A1 (en) * | 2010-08-17 | 2012-05-31 | Xiaodong Zhang | Automated treatment planning for radiation therapy |
WO2014205128A1 (en) * | 2013-06-18 | 2014-12-24 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
WO2018048575A1 (en) * | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022097676A1 (ja) * | 2020-11-05 | 2022-05-12 | 国立大学法人東北大学 | 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置 |
JP2023512365A (ja) * | 2020-12-30 | 2023-03-27 | ニューロフェット インコーポレイテッド | 特性情報を考慮した医療映像分析方法、医療映像分析装置及び医療映像分析システム |
JP7376954B2 (ja) | 2020-12-30 | 2023-11-09 | ニューロフェット インコーポレイテッド | 特性情報を考慮した医療映像分析方法、医療映像分析装置及び医療映像分析システム |
Also Published As
Publication number | Publication date |
---|---|
AU2018307739B2 (en) | 2021-03-04 |
JP2021183173A (ja) | 2021-12-02 |
US11517768B2 (en) | 2022-12-06 |
CN110944717A (zh) | 2020-03-31 |
JP6934559B2 (ja) | 2021-09-15 |
AU2018307739A1 (en) | 2020-03-05 |
US20190030370A1 (en) | 2019-01-31 |
EP3658231A1 (en) | 2020-06-03 |
WO2019023142A1 (en) | 2019-01-31 |
EP3658231B1 (en) | 2022-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6934559B2 (ja) | ディープ畳み込みニューラルネットワークを使用する放射線治療計画 | |
JP6887030B2 (ja) | ディープ畳み込みニューラルネットワークを使用してコーンビームコンピュータ断層撮影画像を改善する方法 | |
JP6895019B2 (ja) | ディープ畳み込みニューラルネットワークを用いたビームモデルパラメータの決定 | |
JP7307822B2 (ja) | 投影画像を用いた放射線治療の制御点の予測 | |
US11544854B2 (en) | Automatic contour adaptation using three sub-networks of a neural network | |
EP4230261A1 (en) | Dose volume histogram optimization based on quantile regression | |
EP4101502A1 (en) | Feature-space clustering for physiological cycle classification | |
US11989851B2 (en) | Deformable image registration using deep learning | |
EP4401827A1 (en) | Generative model of phase space | |
US20240311956A1 (en) | Quality factor using reconstructed images | |
US20230218926A1 (en) | Bed calculation with isotoxic planning | |
US20240242813A1 (en) | Image quality relative to machine learning data | |
EP4279125A1 (en) | Joint training of deep neural networks across clinical datasets for automatic contouring in radiotherapy applications | |
WO2023041166A1 (en) | Inferring clinical preferences from data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200316 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210201 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210302 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210601 |
|
A524 | Written submission of copy of amendment under article 19 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A524 Effective date: 20210625 |
|
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: 20210810 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6934559 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |