JP2021183173A - 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
- JP2021183173A JP2021183173A JP2021135351A JP2021135351A JP2021183173A JP 2021183173 A JP2021183173 A JP 2021183173A JP 2021135351 A JP2021135351 A JP 2021135351A JP 2021135351 A JP2021135351 A JP 2021135351A JP 2021183173 A JP2021183173 A JP 2021183173A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- image
- parameters
- convolutional neural
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- 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)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
【課題】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に関する。【解決手段】トレーニングすることは、患者からの患者の解剖学的構造の少なくとも１つの画像に基づいて患者データを収集すること、収集された患者データから制御ポイントのセットを含む治療計画を決定すること、決定された治療計画と対応する収集された患者データを使用して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、収集された患者データから制御ポイントを含む治療計画を決定することを含む。トレーニングされたモデルを用いて、例えば、リアルタイムで放射線治療計画を提供することができる。【選択図】図９Ａ
Description
（優先権の主張）
［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。
［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。
（技術分野）
［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。
［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。
［０００３］
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。
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。
［０００４］
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。
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。
［０００５］
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。
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。
［０００６］
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。
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。
［０００７］
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。
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。
［０００８］
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。
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。
［０００９］
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。
［００１０］
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、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。
［００１１］
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、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。
［００１２］
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。
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。
［００１３］
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。
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。
［００１４］
図１は、本開示のいくつかの実施形態による、例示的な放射線治療システムを示す。
［００１５］
図２Ａは、治療ビームを提供するように構成された放射線療法の出力を含む例示的な放射線治療システムを示す。
［００１６］
図２Ｂは、コーンビームコンピュータ断層撮影（ＣＢＣＴ）撮像システムのような、複合放射線治療システム及び撮像システムを含む例示的なシステムを示す図である。
［００１７］
図３は、核磁気共鳴（ＭＲ）撮像システムのような、複合放射線治療システム及び撮像システムを含む例示的なシステムの一部破断図を示す。
［００１８］
図４Ａおよび図４Ｂは、それぞれ、例示的なＭＲＩ画像と対応するＣＴ画像との間の違いを示す。
［００１９］
図５は、放射線療法ビームを成形し、放射線療法ビームを向け、または放射線療法ビームの強度を変調するための例示的なコリメータ構成を示す。
［００２０］
図６は、例示的なガンマナイフ放射線治療システムを示す。
［００２１］
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す。
［００２２］
図８は、ディープ畳み込みニューラルネットワークの実施形態を示す。
［００２３］
図９Ａは、ＤＣＮＮをトレーニングするための方法の一実施例を示す。
［００２４］
図９Ｂは、トレーニングされたＤＣＮＮを使用してアーチファクト低減され、再構成された３Ｄ画像を生成する方法の一実施例を示す。
［００２５］
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機械装置の一実施形態のブロック図の一実施例を示す。
［００２６］
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。
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。
［００２７］
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。
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。
［００２８］
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。
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。
［００２９］
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。
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。
［００３０］
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。
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。
［００３１］
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、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。
［００３２］
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。
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。
［００３３］
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。
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。
［００３４］
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。
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。
［００３５］
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。
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。
［００３６］
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。
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。
［００３７］
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。
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。
［００３８］
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。
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。
［００３９］
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。
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。
［００４０］
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。
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。
［００４１］
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。
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。
［００４２］
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。
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。
［００４３］
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。
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。
［００４４］
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。
［００４５］
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。
［００４６］
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。
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。
［００４７］
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。
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。
［００４８］
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。
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。
［００４９］
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。
［００５０］
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。
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。
［００５１］
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。
［００５２］
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。
［００５３］
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。
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。
［００５４］
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。
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。
［００５５］
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。
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。
［００５６］
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。
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。
［００５７］
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。
［００５８］
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。
［００５９］
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。
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。
［００６０］
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。
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。
［００６１］
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。
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。
［００６２］
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。
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。
［００６３］
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。
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。
［００６４］
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。
［００６５］
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。
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。
［００６６］
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。
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。
［００６７］
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。
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。
［００６８］
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。
［００６９］
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。
［００７０］
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。
［００７１］
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。このような情報のチャネルの追加により、改良した精度を有する機械パラメータ推定値を提供することができる。
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。このような情報のチャネルの追加により、改良した精度を有する機械パラメータ推定値を提供することができる。
［００７２］
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。
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。
ここで、Ｙは、Ｋ機械パラメータデータオブジェクトのセットを表し、φは、ガントリ角度を表し、Ｌφ ｎＲφ ｎは、マルチリーフコリメータリーフ位置を表し、ｙφは、ガントリ角度φに対するアパーチャ重みまたは強度を表す。
機械パラメータは、コンピュータアルゴリズムまたは放射線治療プログラムを操作する線量測定士により決定されるが、どちらも非常に時間がかかり複雑であり、リアルタイムアプリケーションには適さない。機械パラメータがコンピュータアルゴリズムによって決定される実施形態では、アルゴリズムは反復または分析アルゴリズムであり、計算は患者ごとに数時間を必要とする。どちらの場合にも、オペレーターが自分の治療計画の品質を判断できるモデルが存在する。ネットワークトレーニングを開始するために、反復インデックスをゼロの初期値に設定する（ステップ９１８）。トレーニングデータのバッチは、受け取られた医用画像セットのサブセットと、対応する機械パラメータとから形成される（ステップ９２２）。トレーニングデータのバッチはＤＣＮＮに提供され、ＤＣＮＮパラメータはそれに基づいて更新される（ステップ９２６）。ＤＣＮＮは、ＤＣＮＮの現在のパラメータに基づいて機械パラメータの出力セットを提供する（ステップ９３０）。比較は、トレーニングデータのバッチ内の受信された医用画像のセットに対応する機械パラメータ（例えば、グラウンドトゥルースマシンパラメータ）の出力セット間で行う。各エラー値が推定された機械パラメータ間で異なる対応するエラーセットと、対応するグラウンドトゥルース機械パラメータとが、比較から決定される（ステップ９３４）。次に、ＤＣＮＮのパラメータが、バックプロパゲーションを使用することにより、対応するエラーに基づいて更新される（ステップ９３８）。一実施形態では、ＤＣＮＮのパラメータは更新され、次の数２のコスト関数のようなコスト関数を最小化または低減するように更新される。
ここで、Ｙは、ＤＣＮＮで決定される機械パラメータを表し、Ｙ＊は、トレーニングデータのバッチに対応する既知の機械パラメータを表し、Θ＊は、ＹとＹ＊間の最小自乗誤差に対応するＤＣＮＮのパラメータ（例えば、上述のレイヤーノードの重みとバイアス）を表す。
一実施形態では、コスト関数は、ＤＣＮＮのパラメータが、次の数３または数４により決定される確率関数を含む。
ここで、ΘOPTは、完全にトレーニングされたＤＣＮＮのパラメータを表し、Ｘは、医用画像と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の収集を表す。
［００７３］
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。
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。
［００７４］
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。
［００７５］
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。
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。
［００７６］
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。
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。
［００７７］
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。
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。
［００７８］
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。
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。
［００７９］
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。
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。
［００８０］
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。
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。
［００８１］
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。
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。
［その他の注意事項］
［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。
［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。
［００８３］
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。
［００８４］
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。
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。
［００８５］
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。
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。
［００８６］
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。
［００８７］
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。
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。
［００８８］
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。
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。
［００８９］
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。
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。
［００９０］
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。
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。
［００９１］
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。
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。
［００９２］
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。
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。
［００９３］
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。
［００９４］
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。
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。
［００９５］
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。
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。
［００９６］
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。
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。
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 |
| JP2020503934A 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 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020503934A Division 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021183173A true JP2021183173A (ja) | 2021-12-02 |
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 Before (1)
| 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 |
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) |
Families Citing this family (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2719028C1 (ru) | 2016-09-07 | 2020-04-16 | Электа, Инк. | Система и способ для обучающихся моделей планов радиотерапевтического лечения с прогнозированием распределений дозы радиотерапии |
| 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 |
| US20210252310A1 (en) * | 2018-03-07 | 2021-08-19 | 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 |
| 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 |
| EP3986544B1 (en) * | 2019-06-20 | 2023-07-12 | 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 |
| 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 |
| WO2022047637A1 (en) * | 2020-09-02 | 2022-03-10 | 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 |
| US20230372739A1 (en) * | 2020-09-16 | 2023-11-23 | 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 |
| JP2022074801A (ja) * | 2020-11-05 | 2022-05-18 | 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 |
| WO2022145538A1 (ko) * | 2020-12-30 | 2022-07-07 | 뉴로핏 주식회사 | 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 |
| US11869151B2 (en) * | 2021-01-26 | 2024-01-09 | Beth Israel Deaconess Medical Center | Systems and methods for finite element analysis of tumor treating fields |
| CN116801812A (zh) * | 2021-01-27 | 2023-09-22 | 皇家飞利浦有限公司 | 用于介入x射线的自适应准直 |
| EP4348668A1 (en) * | 2021-06-02 | 2024-04-10 | 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 |
| 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 |
| US20230402152A1 (en) * | 2022-06-13 | 2023-12-14 | Varian Medical Systems, Inc. | Dose-directed radiation therapy plan generation using computer modeling techniques |
Citations (7)
| 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 |
| WO2015193776A1 (en) * | 2014-06-18 | 2015-12-23 | Elekta Ab | System and method for automatic treatment planning |
| US20160217595A1 (en) * | 2015-01-28 | 2016-07-28 | Impac Medical Systems, Inc. | Three dimensional localization of a moving target for adaptive radiation therapy |
| US20170177812A1 (en) * | 2015-12-21 | 2017-06-22 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
| JP2017538195A (ja) * | 2014-10-27 | 2017-12-21 | イーベイ インク．Ｅｂａｙ Ｉｎｃ． | 階層深層畳み込みニューラルネットワーク |
| 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 |
| JP2018533138A (ja) * | 2015-09-29 | 2018-11-08 | クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ | 選択的バックプロパゲーション |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN105358217A (zh) | 2013-06-18 | 2016-02-24 | 杜克大学 | 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法 |
| 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 |
| 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 |
| RU2698997C1 (ru) * | 2016-09-06 | 2019-09-02 | Электа, Инк. | Нейронная сеть для генерации синтетических медицинских изображений |
| 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 |
| EP3986544B1 (en) | 2019-06-20 | 2023-07-12 | 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 AU AU2018307739A patent/AU2018307739B2/en active Active
- 2018-07-23 JP JP2020503934A patent/JP6934559B2/ja active Active
- 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 CN CN201880049758.0A patent/CN110944717A/zh active Pending
-
2021
- 2021-08-23 JP JP2021135351A patent/JP2021183173A/ja active Pending
Patent Citations (8)
| 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 |
| WO2015193776A1 (en) * | 2014-06-18 | 2015-12-23 | Elekta Ab | System and method for automatic treatment planning |
| JP2017538195A (ja) * | 2014-10-27 | 2017-12-21 | イーベイ インク．Ｅｂａｙ Ｉｎｃ． | 階層深層畳み込みニューラルネットワーク |
| US20160217595A1 (en) * | 2015-01-28 | 2016-07-28 | Impac Medical Systems, Inc. | Three dimensional localization of a moving target for adaptive radiation therapy |
| JP2018533138A (ja) * | 2015-09-29 | 2018-11-08 | クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ | 選択的バックプロパゲーション |
| US20170177812A1 (en) * | 2015-12-21 | 2017-06-22 | Elekta Ab (Publ) | Systems and methods for optimizing treatment 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 |
| US20190192880A1 (en) * | 2016-09-07 | 2019-06-27 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2018307739A1 (en) | 2020-03-05 |
| JP6934559B2 (ja) | 2021-09-15 |
| JP2020528791A (ja) | 2020-10-01 |
| EP3658231B1 (en) | 2022-04-20 |
| EP3658231A1 (en) | 2020-06-03 |
| AU2018307739B2 (en) | 2021-03-04 |
| US11517768B2 (en) | 2022-12-06 |
| US20190030370A1 (en) | 2019-01-31 |
| CN110944717A (zh) | 2020-03-31 |
| WO2019023142A1 (en) | 2019-01-31 |
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 | |
| US11989851B2 (en) | Deformable image registration using deep learning | |
| WO2023041167A1 (en) | Generative model of phase space | |
| EP4101502A1 (en) | Feature-space clustering for physiological cycle classification | |
| WO2023279188A1 (en) | Quality factor using reconstructed images | |
| US20230218926A1 (en) | Bed calculation with isotoxic planning | |
| EP4279125A1 (en) | Joint training of deep neural networks across clinical datasets for automatic contouring in radiotherapy applications | |
| WO2022261742A1 (en) | Image quality relative to machine learning data | |
| WO2023041166A1 (en) | Inferring clinical preferences from data | |
| EP4348668A1 (en) | Discreet parameter automated planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210823 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210823 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220715 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220719 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230221 |