JP2021505288A - 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 - Google Patents

Abstract

システムおよび方法は、ディープ畳み込みニューラルネットワークモデルを訓練して、放射線治療線量を対象に照射するような、放射線装置にビームモデルを提供することを含む。方法は、放射線装置に対応するビームモデルの少なくとも１つのパラメータのパラメータ値の範囲を決定することと、複数のセットのビームモデルパラメータ値を生成することであって、ビームモデルパラメータ値の１つまたはそれ以上の個々のセットは、決定された範囲のパラメータ値から選択されたパラメータ値を含んでいることと、複数のセットのビームモデルパラメータ値内の個々のセットのビームモデルパラメータ値にそれぞれ対応する複数の対応線量プロファイルを提供することと、複数のビームモデルと対応線量プロファイルを用いてニューラルネットワークモデルを訓練することを含む。【選択図】図３

Description

（優先権の主張）
［０００１］
本国際出願は、２０１７年１２月８日に提出された米国出願番号第１５／８３６，５３９号の優先権の利益を主張し、その全体が参照により本明細書に組み込まれる。技術分野
（技術分野）
［０００２］
本発明の実施形態は、一般に、放射線装置のビームモデルの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用いて放射線装置のビームモデルパラメータを決定することに関する。

［０００３］
放射線療法は、哺乳動物（例えば、ヒトおよび動物）の組織における癌および他の病気を治療するために使用される。例示的な放射線療法は、線形加速器（ＬＩＮＡＣ）を用いて提供され、それにより、標的（例えば、腫瘍）が、高エネルギー粒子（例えば、電子、光子、イオンなど）により照射される。典型的なＬＩＮＡＣベースの放射線治療では、複数の放射線ビームが異なる角度から標的に向けられる。

［０００４］
周囲の正常組織は、しばしばリスク臓器（ＯＡＲ）と呼ばれる。放射線ビームによって引き起こされる深刻な付帯的損傷からＯＡＲを守るためには、これらのＯＡＲが受け取る線量を特定のレベルに制限する必要がある。しばしば制約と呼ばれる、ＯＡＲが受ける線量に対するそのような制限は、治療計画中に満たされる必要がある。

［０００５］
治療計画は、その制約の下で治療目標を実施するための特定の放射線治療パラメータ（例えば、放射線ビーム角度、各角度での放射線強度レベルなど）の決定を含むプロセスである。

［０００６］
治療計画演習の結果は、放射線治療計画であり、以下、治療計画または単に計画とも呼ばれる。典型的な治療計画プロセスには、患者の医用画像から１つまたはそれ以上の標的と１つまたはそれ以上のＯＡＲとを描写し、放射線ビーム角度、または円弧計画（ arc plan）の場合は角度の範囲を指定し、開口部の形状と各ビーム角度での各形状の放射強度レベルを決定する。

［０００７］
治療計画は、とりわけ、放射線装置（例えば、ＬＩＮＡＣ）から放出された放射線のエネルギー分布を記述するパラメータを含むビームモデルを含む。ビームモデルパラメータ値は、放射線装置間で変化し得るものであり、各放射線装置がその放射線装置により提供されるフルエンスまたはエネルギーのような小さな差が存在する同じモデルの放射線装置間でも変化し得るものである。装置の違い（例えば、機械的寸法や材料特性）またはコンポーネントの値の違い（例えば、電子回路コンポーネントの値）は、異なる放射線装置間のビームモデルパラメータ値の違いとなる。特定のアプローチでは、放射線装置が設置され、最終調整が行われた後、利用者は患者の組織をシミュレーションするファントムを用いて測定を実行できる。ファントムは、水槽内に可動式線量計を備えた水槽を含む。次に、ビームモデル設計者（beam modeler）は、測定値を用いてビームモデリングを実行し、測定値に対応する放射線装置のビームモデルパラメータ値を決定する。しかし、ビームモデル設計者（beam modeler）により実行されるビームモデリングには時間がかかる場合がある。ビームモデリングには、それぞれ約１０分かかる可能性がある多数回の線量計算（例えば、約５０−１００回の線量計算）を含む反復プロセスが含まれ得る。

［０００８］
本願発明者らは、とりわけ、ビームモデリングにかかる時間を短縮する等のために、機械学習（例えば、ニューラルネットワークモデル）を用いることによりビームモデリングプロセスを大幅に改善できることを認識した。しかし、線量プロファイルの測定中に導入されたエラー等により、既存の放射線装置に対応するデータセットを用いることは望ましくない場合がある。本願発明者らは、とりわけ、合成されたデータセットが、線量プロファイル（例えば、深部量百分率プロファイル（percent depth dose profile）または放射線量プロファイル（radial dose profile））の測定中に導入される等の測定エラーのない訓練データを提供できることを認識した。さらに、本願発明者らは、既存の放射線装置に対応するいくつかのデータセットは、所望の精度の生成されたビームモデルパラメータに対する機械学習には不十分である可能性があることを認識した。本願発明者らは、さらに、既知のビームモデルパラメータ値を有する限られた数の放射線装置によって引き起こされるものなど、データセットの不足を補償するためにデータセットが合成されて使用されることを認識した。機械学習による等のように、ビームモデリングにかかる時間を短縮することで、放射線装置をより高速で稼働させて、患者のワークフローを改善し、患者の転帰を改善することができる。

［０００９］
上記の概要は、本特許出願の主題の概要を提供することを意図している。本発明の排他的または網羅的な説明を提供することは意図されていない。発明の詳細な説明は、本特許出願に関する更なる情報を提供するために含まれる。

［００１０］
一態様では、本開示は、放射線装置が放射線治療線量を対象に送達するためのビームモデルを提供するなどのために、ディープ畳み込みニューラルネットワークモデルを訓練するためのコンピュータ実装方法を特徴とする。この方法は、放射線装置に対応するビームモデルの少なくとも１つのパラメータのパラメータ値の範囲を決定することを含み得る。この方法は、また、複数のセットのビームモデルパラメータ値を生成することを含み、ビームモデルパラメータ値の１つまたはそれ以上の個別のセットは、決定された範囲のパラメータ値から選択されたパラメータ値を含み得る。この方法は、また、複数のセットのビームモデルパラメータ値のそれぞれの個々のセットのビームモデルパラメータ値にそれぞれ対応する複数の対応する線量プロファイルを提供することを含み得る。この方法は、また、複数のビームモデルおよび対応する線量プロファイルを用いてニューラルネットワークモデルを訓練することを含み得る。この方法は、また、少なくとも１つのセットのビームモデルパラメータ値と、少なくとも１つの放射線装置から前に収集された対応する測定線量プロファイルとを用いて、ニューラルネットワークモデルを訓練することを含み得る。少なくとも１つのビームモデルパラメータのビームモデルパラメータ値の範囲を決定することは、複数の放射機械のそれぞれのビームモデルパラメータ値を決定することを含み得る。この方法は、また、複数の放射線機器のそれぞれについて少なくとも１つの線量プロファイルを測定することを含み得る。ニューラルネットワークモデルの訓練は、Ｎセットの生成されたビームモデルパラメータ値と、対応する線量プロファイルをニューラルネットワークモデルに提供することを含み得る。ニューラルネットワークモデルの訓練は、また、Ｍ台の放射線装置からの線量プロファイルと対応するビームモデルパラメータとをニューラルネットワークモデルに提供することを含み得る。この方法は、また、ビームモデルパラメータ値のセットのうちの少なくとも１つを生成するためなどに、決定されたビームモデルパラメータ値の範囲から、ビームモデルパラメータ値をランダムまたは擬似ランダムに選択することを含み得る。ビームモデルパラメータ値のそれぞれのセットは複数の線量プロファイルを用いて生成することができ、複数の対応する線量プロファイルの個々の線量プロファイルは、標的サンプルへの深さとともに変化する放射線の相対線量を含み得る。ビームモデルの少なくとも１つのパラメータについてのビームモデルパラメータ値の範囲を決定することは、放射線装置の放射源から放出された光子のエネルギー分布に関連する複数のビームモデルパラメータ値を決定することを含み得る。ビームモデルパラメータは、放射線源の大きさ、放射線源の位置、または放射線源のエネルギースペクトルのうちの少なくとも１つを含むことができる。ビームモデルの少なくとも１つのパラメータについてのビームモデルパラメータ値の範囲を決定することは、放射線装置の放射源から放出された電子のエネルギー分布に関連する複数のビームモデルパラメータ値を決定することを含み得る。

［００１１］
一態様では、本開示は、例えば、放射線装置のビームモデルの少なくとも１つのパラメータ値を決定するために、ディープ畳み込みニューラルネットワークを用いるコンピュータ実装方法を特徴とする。この方法は、複数のセットのビームモデルパラメータ値と対応する線量プロファイルを用いて前もって訓練した、訓練されたニューラルネットワークモデルを受信し、訓練されたニューラルネットワークモデルは、１つまたはそれ以上の測定された放射線装置の線量プロファイルから少なくとも１つの放射線装置のビームモデルパラメータ値を予測するために訓練されていることを含むことを含み得る。この方法は、また、訓練されたニューラルネットワークモデルへの入力として提供されるような、放射線装置からの複数の線量プロファイルを測定することを含むことができる。この方法は、また、訓練されたニューラルネットワークモデルを用いて、放射線装置の１つのセットのビームモデルパラメータ値の少なくとも１つのビームモデルパラメータ値を決定することを含み得る。この方法は、また、決定された少なくとも１つのビームモデルパラメータ値を含むことができる１つのセットのビームモデルパラメータ値から線量プロファイルを計算し、計算された線量プロファイルを測定された線量プロファイルと比較することを含み得る。ビームモデルパラメータ値のセットは、訓練されたニューラルネットワークモデルを用いて決定されない少なくとも１つのビームモデルパラメータ値を含み得る。この方法は、また、放射線装置からの測定された線量プロファイルと決定された線量プロファイルとの間の差が指定された基準を満たす場合、ニューラルネットワークモデルによって決定された少なくとも１つのビームモデルパラメータ値を更新することを含み得る。この方法は、また、ニューラルネットワークモデルによって決定された少なくとも１つのビームモデルパラメータ値を含むことができるビームモデルパラメータ値のセットを用いて複数の線量プロファイルを決定し、複数の線量プロファイルの個々のものは、放射線装置の異なるフィールドサイズに対応することを含み得る。この方法は、また、複数の決定された線量プロファイルのそれぞれを、複数の測定された線量プロファイルのうちの対応するものと比較することを含み得る。複数のセットのビームモデルパラメータ値と対応する線量プロファイルとを用いて前もって訓練された、訓練されたニューラルネットワークモデルを受け取ることは、ある方法により前もって訓練された、訓練されたニューラルネットを受け取ることを含み、ある方法は、放射線装置に対応するビームモデルの少なくとも１つのパラメータのビームモデルパラメータ値の範囲を決定し、複数のセットのビームモデルパラメータ値を生成し、ビームモデルパラメータ値の１つまたはそれ以上の個々のセットは、決定された範囲のパラメータ値から選択されたパラメータ値を含んでおり、複数のセットのビームモデルパラメータ値内の個々のセットのビームモデルパラメータ値にそれぞれ対応する複数の対応線量プロファイルを提供し、複数のセットのビームモデルパラメータ値と対応する線量プロファイルとを用いてニューラルネットワークを訓練することを含み得る。この方法は、また、決定された少なくとも１つのビームモデルパラメータ値を有するビームモデルパラメータ値のセットを用いて、放射線装置から患者内の標的領域への放射線の線量を推定することを含み得る。

［００１２］
一態様では、本開示は、放射機械の少なくとも１つの測定線量プロファイルから放射機械のビームモデルの少なくともビームモデルパラメータ値を生成するためのシステムを特徴とする。システムは、放射機械に対応する少なくとも１つの測定線量プロファイルを受け取り、放射線装置の少なくとも１つのビームモデルパラメータ値を推定するためのニューラルネットワークモデルを受け取るように構成されたインターフェースを含み得る。システムは、また、ニューラルネットワークモデルと少なくとも１つの測定された線量プロファイルとを記憶するためのメモリであって、ニューラルネットワークモデルは、ビームモデルパラメータ値と対応する複数のセットの線量プロファイルを用いて訓練され得る。システムは、また、少なくとも１つの測定された線量プロファイルをニューラルネットワークモデルへの入力として用いて、放射線装置の少なくとも１つのビームモデルパラメータ値を推定するように構成されたプロセッサを含み得る。記憶されたニューラルネットワークモデルは、放射線装置に対応するビームモデルの少なくとも１つのパラメータのビームモデルパラメータ値の範囲を決定し、複数のセットのビームモデルパラメータ値を生成することであって、ビームモデルパラメータ値の１つまたはそれ以上の個別のセットは、パラメータ値の決定された範囲から選択されたパラメータ値を含み、複数のセットのビームモデルパラメータ値におけるビームモデルパラメータ値のそれぞれの個々のセットにそれぞれ対応する複数の対応する線量プロファイルを提供し、複数セットのビームモデルパラメータ値と対応する線量プロファイルとをニューラルネットワークモデルに提供することにより訓練され得る。インターフェースは、放射線装置からの測定された線量プロファイルとビームモデルパラメータ値のセットから決定された線量プロファイルとの相違が指定された基準を満たす場合には、ニューラルネットワークモデルによって推定されたビームモデルパラメータ値と対応する線量プロファイルとを含むビームモデルパラメータ値のセットを、ユーザに送信するように構成されている。

［００１３］
図面は、必ずしも一定の縮尺で描かれておらず、同様の数字は、いくつかの図において実質的に類似の構成要素を表す。異なる文字の接尾辞を持つ同様の数字は、実質的に同様の構成要素を表す。図面は、一般に、限定ではなく実施例として、本文書で説明される様々な実施形態を示す。

［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２は、治療ビームを提供するように構成された放射線治療出力を含む例示的な放射線治療システムを示す。

［００１６］
図３は、ディープラーニングの例示的な流れ図を示す。

［００１７］
図４は、例示的な線量プロファイルを示す。

［００１８］
図５Ａは、ニューラルネットワークモデルを訓練するための例示的な方法を示す。

［００１９］
図５Ｂは、ニューラルネットワークモデルを用いてビームモデルパラメータを生成するための例示的な方法を示す。

［００２０］
図６は、１つのビームモデルパラメータを推定するための訓練されたニューラルネットワークモデルの使用例を示す。

［００２１］
図７Ａ−図７Ｃは、３つのビームモデルパラメータを推定するために訓練されたニューラルネットワークモデルの使用例を示す。

［００２２］
図８は、本明細書で論じられた１つまたはそれ以上の方法を実施することができる装置の例示的なブロック図を示す。

［００２３］
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る添付の図面を参照する。本明細書において「実施例」として参照される、これらの実施形態は、当業者が本発明を実施することを可能にするように十分詳細に記載されており、そして、実施形態が組み合わせ得ること、または、他の実施形態が利用され得ること、そして、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われ得ることを理解すべきである、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べきではなく、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定義される。

［００２４］
放射線療法に使用される放射線装置は、患者の腫瘍を照射するような、放射線ビーム（例えば、光子ビーム、または電子ビーム）を患者に提供することができる。治療の前に、臨床医などによる治療計画を実施することができる。治療計画の際には、臨床医は、隣接するＯＡＲへの損傷を最小限に抑えながら、腫瘍に最も照射する方法を決定できる。放射線治療装置のビームモデルを治療計画プロセス中に用いて、放射線装置から出射して患者に照射される放射線をシミュレーションできる。ビームモデルパラメータに対する値の決定は、反復的で時間のかかるプロセスになる可能性がある。各線量計算には約数分かかる場合があり、多くの線量計算は完了するまでに長時間かかる場合がある。線量計算を完了するまでに比較的長い時間がかかるため、放射線装置を患者の治療に用いる際に遅延が生じる可能性がある。本願発明者らは、とりわけ、ビームモデリングプロセスが機械学習（例えば、ニューラルネットワークモデル）を使用することにより大幅に改善できることを認識した。しかし、線量プロファイルの測定中に導入されたエラーなどにより、既存の放射線装置に対応するデータセットを使用することは望ましくない場合がある。本願発明者らは、とりわけ、合成されたデータセットが、線量プロファイル（例えば、深部量百分率プロファイル（percent depth dose profile）または放射線量プロファイル（radial dose profile））の測定中に導入され得るような測定エラーのない訓練データを提供できることを認識した。本願発明者らは、また、ニューラルネットワークモデルは、通常、モデルの正確な訓練を提供するために多数のデータセット（例えば、少なくとも１０００のデータセット）を必要とすること、そして、そのような多数のデータセットが、既知のビームモデルパラメータ値を有する限られた数の放射線装置などにより、利用できない場合があること、を認識した。本願発明者らは、新しいデータセットを合成して、既知のビームモデルパラメータ値を有する限られた数の放射線装置によって引き起こされるような、データセットの不足を補うために使用できることを認識した。合成されたデータセットは、ニューラルネットワークモデルの訓練に使用できる。ビームモデリングにかかる時間を短縮することで、放射線装置をより高速で稼働させることができ、患者のワークフローの改善と患者の予後の改善とすることができる。

［００２５］
図１は、患者に放射線療法を提供するための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に接続され得る。ネットワーク１２０は、インターネット１２２に接続され得る。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、腫瘍学情報システム（ＯＩＳ）１２８、放射線治療装置１３０、画像取得装置１３２、表示装置１３４、ユーザインターフェース１３６のうちの１つまたはそれ以上のものに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することができる。

［００２６］
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、適合された治療計画など）、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他の任意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格納することができる。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って、１つのフォーマット（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（例えば、ＭＲＩ画像）の医用画像１４６を異なるモダリティの合成画像（例えば、疑似ＣＴ画像）に変換するための予測モデルを訓練する画像処理プログラムを含むことができ、あるいは、訓練された予測モデルは、ＣＴ画像をＭＲＩ画像に変換することができる。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）に登録することができる。さらに別の実施形態では、ソフトウェアプログラム１４４は、画像情報のいくつかの態様を強調する画像の署名付き距離関数または処理されたバージョンのような患者画像の関数を代替してもよい。そのような関数は、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の学習に役立つその他の構造的側面を強調する。別の実施形態では、ソフトウェアプログラム１４４は、線量情報のいくつかの側面を強調する線量分布の関数を代替してもよい。そのような関数は、標的の周りの急勾配、またはニューラルネットワークの学習に役立つその他の構造的側面を強調する。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ため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。

［００２７］
ソフトウェアプログラム１４４を格納するメモリ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リムーバブルコンピュータ媒体に格納することができ、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。

［００２８］
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することができる。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を受信して、メモリ１１６に格納することができる。プロセッサ１１４は、また、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のいずれかに格納される。

［００２９］
さらに、プロセッサ１１４は、医用画像１４６および患者データ１４５と共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４２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、または関心セグメンテーションデータのボリュームに関連する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）機能臓器モデリングデータ（例えば、直列対並列臓器、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）、または（３）患者および治療コース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。

［００３０］
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などの中間データを生成することができ、または、中間の２Ｄまたは３Ｄ画像を生成することができ、その後、それらはメモリ１１６に記憶される。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とネットワーク１２０を介して、放射線治療装置３０に送信することができ、そこで放射線療法計画は、放射線で患者を治療するために使用される。さらに、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、画像セグメンテーション、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、医用画像を訓練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、境界検出器を訓練し、形状辞書を利用することができる。

［００３１］
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。プロセッサ１４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１４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。

［００３２］
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、１つまたはそれ以上のＭＲＩ画像（例えば、２ＤＭＲＩ、３ＤＭＲＩ、２ＤストリーミングＭＲＩ、４ＤＭＲＩ、４Ｄ容積測定ＭＲＩ、４ＤシネＭＲＩ、など）、機能的ＭＲＩ画像（例えば、ｆＭＲＩ、ＤＣＥ−ＭＲＩ、拡散ＭＲＩ）、コンピュータ断層撮影（ＣＴ）画像（例えば、２ＤＣＴ、コーンビームＣＴ、３ＤＣＴ、４ＤＣＴ）、超音波画像（例えば、２Ｄ超音波、３Ｄ超音波、４Ｄ超音波）、陽電子放射断層撮影（ＰＥＴ）画像、Ｘ線画像、Ｘ線透視画像、放射線治療ポータル画像、単一光放出コンピュータ断層撮影（ＳＰＥＣＴ）画像、コンピュータ生成合成画像（例えば、疑似ＣＴ画像）など、を含み得る。さらに、医用画像１４６は、また、医用画像データ、例えば、トレーニング（訓練）画像、およびグラウンドトゥルース画像、等高線画像、および線量画像を含み得る。一実施形態では、医用画像１４６は、画像取得装置１３２から受け取ることができる。したがって、画像取得装置１３２は、ＭＲＩ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、統合線形加速器およびＭＲＩ撮像装置、または、患者の医用画像を取得するための他の医療撮像装置を含み得る。医用画像１４６は、画像処理装置１１２が、開示された実施形態による動作を実行するために使用することができ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け取られ、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）、シンクロナス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メモリ）、および、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）、デジタル多用途ディスク（ＤＶＤ）、またはその他の光学式ストレージ、カセットテープ、その他の磁気記憶装置のようなその他のタイプのランダムアクセスメモリ、のような非一時的なコンピュータ可読媒体、または、画像、データ、または、プロセッサ１４、または任意の他のタイプのコンピュータ装置によりアクセスすることができる（例えば、任意のフォーマットで格納される）コンピュータ実行可能命令を含む情報を格納するために使用できる他の任意の非一時的媒体であり得る。コンピュータプログラム命令は、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、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つまたはそれ以上のソフトウェアアプリケーションを格納することができる。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のためのオペレーティングシステム１４３およびソフトウェア制御装置を含み得る。さらに、メモリ１１６は、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することができる。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１４２を格納することができる。

［００３３］
画像処理装置１１２は、プロセッサ１１４およびメモリ１１６に通信可能に結合された通信インターフェース１１８を介してネットワーク１２０と通信することができる。通信インターフェース１１８は、画像処理装置１１２と放射線治療システム１００の構成要素との間の通信接続を提供する（例えば、外部装置とのデータの交換を可能にする）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に接続するための適切なインターフェース回路を有することができ、それは、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、ハードウェアキーボード、キーパッド、またはタッチスクリーンとすることができる。

［００３４］
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、など）、無線ネットワークアダプタ（例えば、ＷｉＦｉアダプタのような）、電気通信アダプタ（例えば、３Ｇ、４Ｇ／ＬＴＥ、など）などを含み得る。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構成要素のような、他の機械および装置と通信することを可能にする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み得る。

［００３５］
ネットワーク１２０は、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、広域ネットワーク（ＷＡＮ）など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）、およびＳ３（１４１）を含むＬＡＮまたはＷＡＮとすることができる。システムＳ１、Ｓ２、およびＳ３は、画像処理装置１１２と同一であってもよく、または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、本明細書で説明される実施形態を協調的に実行す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することができる。いくつかの実施形態では、１つまたはそれ以上のシステムＳ１、Ｓ２、およびＳ３は、ＣＴ画像（例えば、医用画像４６）を取得するＣＴスキャナを含むことができる。さらに、ネットワーク２０をインターネット２２に接続して、インターネット上で遠隔地にあ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。

［００３６］
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、および画像取得装置１３２のような多くの他の様々なシステムおよび装置との間のデータ伝送を可能にすることができる。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に格納され得る。データは、必要に応じて、プロセッサ１１４によりアクセスされるために、ネットワーク１２０を介して通信インターフェース１１８を介して送信／受信することができる。

［００３７］
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、または放射線療法に関連する他の機械に関連する情報である機械データを含み得る。マシンデータ情報は、放射線ビームサイズ、アーク配置、ビームオン／オフ時間、マシンパラメータ、セグメント、マルチリーフコリメータ（ＭＬＣ）構成、ガントリ速度、ＭＲＩパルスシーケンスなどが含まれ得る。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、中央にまたは分散して配置された複数の装置を含み得ることを理解するであろう。

［００３８］
いくつかの実施形態では、データベース２４は、プロセッサ可読記憶媒体（図示せず）を含み得る。一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り得るが、用語「プロセッサ可読記憶媒体」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／または関連するキャッシュおよびサーバー）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、プロセッサによる実行のための命令のセットを格納または符号化することができ、かつ、プロセッサに本開示の１つまたはそれ以上の方法論のいずれかを実行させる任意の媒体を含むと解釈されるものとする。したがって、用語「プロセッサ可読記憶媒体」は、固体メモリ、光学および磁気媒体を含むがこれらに限定されないものと解釈されるべきである。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とすることができる。

［００３９］
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に読み込むか、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から受信した複数の画像（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および通信（ＤＩＭＣＯＭ）データ等）を格納するように構成されている。データベース１２４は、ソフトウェアプログラム４４を実行するとき、または放射線療法治療計画４２を作成するときに、画像プロセッサ１４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、訓練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格納することができる。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のいずれかからの画像データ１４６（例えば、２ＤＭＲＩスライス画像、ＣＴ画像、２Ｄ蛍光透視画像、Ｘ線画像、３ＤＭＲＩ画像、４ＤＭＲＩ画像、など）を受け取り、治療計画１４２を生成することができる。

［００４０］
一実施形態では、放射線治療システム１００は、患者の医用画像（例えば、磁気共鳴画像法（ＭＲＩ）画像、３ＤＭＲＩ、２ＤストリーミングＭＲＩ、４Ｄ容積測定ＭＲＩ、コンピュータ断層撮影（ＣＴ）画像、コーンビームＣＴ、陽電子放射断層撮影（ＰＥＴ）画像、機能的ＭＲＩ画像（例えば、ｆＭＲＩ、ＤＣＥ−ＭＲＩおよび拡散ＭＲＩ）、Ｘ線画像、透視画像、超音波画像、放射線治療ポータル画像、シングルフォトエミッションコンピュータ断層撮影（ＳＰＥＣＴ）画像など）を取得できる画像取得装置１３２を含むことができる。画像取得装置１３２は、例えば、ＭＲＩ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、患者の１つまたはそれ以上の医用画像を取得するための他の任意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、撮像データおよび／または試験データのいいずれかとしてデータベース１２４内に格納することができる。例として、画像取得装置１３２によって取得された画像は、また、画像処理装置１１２によって、医用画像データ１４６としてメモリ１１６に格納することができる。

［００４１］
一実施形態では、例えば、画像取得装置１３２は、単一装置として放射線治療装置１３０と一体化してもよい（例えば、「ＭＲＩ−Ｌｉｎａｃ」とも呼ばれる線形加速器と組み合わせたＭＲＩ装置）。このようなＭＲＩ−Ｌｉｎａｃを使用して、例えば、放射線療法治療計画１４２に従って放射線治療を正確に所定の標的に向けるように、患者の標的器官または標的腫瘍の位置を決定することができる。

［００４２］
画像取得装置１３２は、関心領域（例えば、標的臓器、標的腫瘍、またはその両方）についての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ている。各画像、典型的には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、および場所、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、任意の向きで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ボリュームなどの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、例えば、放射線治療装置１３０を使用するとき、患者が放射線治療を受けているあいだ、「ほぼリアルタイム」で画像取得装置１３２によって取得することができる。「ほぼリアルタイム」とは、少なくとも数ミリ秒以内にデータを取得することを意味する。

［００４３］
画像処理装置１１２は、１人またはそれ以上の患者のため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、ビーム当たりの線量のような他の放射線療法情報を含み得る。

［００４４］
画像プロセッサ１１４は、スウェーデンのストックホルムにあるエレクタ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のようなソフトウェアプログラム４４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、かつ、腫瘍のような標的の輪郭を描くことができる。いくつかの実施形態において、腫瘍の周囲にある、または腫瘍のすぐ近くにある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場合がある。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が行われる。さらに、標的腫瘍がＯＡＲ（例えば、膀胱および直腸に近い前立腺）に近い場合には、ＯＡＲを腫瘍からセグメンテーションすることにより、放射線治療システム１００は、標的内だけでなくＯＡＲ内の線量分布を調べることができる。

［００４５］
ＯＡＲと区別して標的臓器または標的腫瘍の輪郭を描くためには、放射線治療を受けている患者のＭＲＩ画像、ＣＴ画像、ＰＥＴ画像、ｆＭＲＩ画像、Ｘ線画像、超音波画像、放射線治療ポータル画像、ＳＰＥＣＴ画像のような医用画像が、画像取得装置１３２によって非侵襲的に取得され、身体の部分の内部構造を明らかにすることができる。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、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のために十分な放射線量を受けるという）とＯＡＲへの低線量（例えば、ＯＡＲが可能な限り低い放射線量を受けるという）との間のバランスを達成するために、多くのパラメータが考慮される。考慮され得る他のパラメータには、標的臓器および標的腫瘍の位置、ＯＡＲの位置、ＯＡＲに対する標的の動きが含まれる。例えば、三次元構造は、ＭＲＩ又はＣＴ画像の各二次元レイヤまたはスライス内の標的の輪郭を描くまたはＯＡＲの輪郭を描くこと、および各二次元レイヤまたはスライスの輪郭を結合することにより取得することができる。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て医師、線量測定士、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ェアであるＡＢＡＳ（登録商標）を用いて）生成することができる。特定の実施形態では、標的腫瘍またはＯＡＲの３Ｄ構造は、治療計画ソフトウェアによって自動的に生成される。

［００４６］
標的腫瘍とＯＡＲの位置を特定して輪郭を描いた後、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（例えば、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４２を生成する。

［００４７］
さらに、放射線治療システム１００は、表示装置１３４および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。または、表示装置１３４およびユーザインターフェース１３６は、タブレットコンピュータ、例えば、アップル社製のｉＰａｄ（登録商標）、Ｌｅｎｏｖｏ社製のＴｈｉｎｋｐａｄ（登録商標）、サムソン社製のＧａｌａｘｙ（登録商標）のようなデバイスに組み込むことができる。

［００４８］
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。例えば、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、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。

［００４９］
図２Ａは、Ｘ線源または線形加速器のような放射線源、カウチ２１６、撮像検出器２１４、および放射線治療出力２０４を含む、例示的な放射線治療装置１５０を示す。放射線治療装置２０２は、放射線ビーム２０８を出射して患者に治療を提供するように構成されている。放射線治療出力２０４は、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。

［００５０］
図２に戻ると、患者は、治療台２１６により支持されて領域２１２に配置され、放射線療法治療計画に従って放射線療法線量を受け取ることができる。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載せられまたは取り付けられることができる。１つまたはそれ以上のシャーシモーター（図示せず）は、カウチ２１６が治療領域に挿入されるとき、ガントリ２０６と放射線治療出力２０４をカウチ２１６の周りで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されてもよい。別の実施形態では、カウチ２１６が治療領域に挿入されるとき、ガントリ２０６は所定の位置まで回転されてもよい。例えば、ガントリ２０６は、軸（「Ａ」）を中心に治療出力２０４を回転させるように構成することができる。カウチ２１６と放射線治療出力２０４の両方は、横方向（「Ｔ」）に移動可能、横方向（「Ｌ」）に移動可能、または、横軸（「Ｒ」と表示）を中心とした回転のように１つまたは複数の周りの回転のように、患者の周りの他の位置に独立して移動可能である。１つまたは複数のアクチュエータ（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の位置に、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とガントリ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ので、放射線ビーム２０８が腫瘍を正確に標的とすることができるように患者を配置することができる。

［００５１］
図２に示す座標系（軸Ａ、Ｔ、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、放射線治療ビーム２０８が、処方された放射線量を患者の上または内部の場所に送達するような、座標軸の原点と交差する場所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た放射線治療出力２０４の様々な回転位置について、放射線治療ビーム２０８が患者と交差する場所として定義することができる。

［００５２］
ガントリ２０６は、また、取り付けられた撮像検出器２１４を有し得る。撮像検出器２１４は、好ましくは放射線源２０４の反対側に配置され、一実施例では、撮像検出器２１４は、治療ビーム２０８のフィールド内に配置することができる。

［００５３］
撮像検出器２１４は、ガントリ２０６上に、好ましくは、治療ビーム２０８との位置合わせを維持するような、放射線治療出力２０４の反対側に取り付けることができる。ガントリ２０６が回転すると、撮像検出器２１４が回転軸の周りを回転する。一実施形態では、撮像検出器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）とすることができる。このようにして、撮像検出器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、撮像検出器２１４を使用して、ポータルイメージングなどの患者の解剖学的構造を撮像することができる。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いし、システムとは別個であってもよい。

［００５４］
図示された実施形態では、カウチ２１６、治療出力２０４、またはガントリ２０６のうちの１つまたは複数を自動的に配置することができ、治療出力２０４は、特定の治療送出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場所を使用するような放射線治療処置計画に従って、一連の治療送達を指定することができる。治療の提供は連続して行うことができるが、アイソセンタ２１０のような患者の上または患者の内部の所望の治療軌跡で交差することができる。それにより、処方された累積線量の放射線療法を、治療部位の近くの組織への損傷が低減または回避しながら、治療部位に送達することができる。

［００５５］
図２は、放射線治療出力を中心軸（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、患者に放射線治療を提供するように構成された放射線治療装置の一実施形態の概略を示す。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、放射線治療出力は、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に取り付けることができる。更に別の実施形態では、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、患者を支持するプラットフォームを使用して、放射線治療アイソセンタを患者内の指定された標的位置に整列させることができる。別の実施形態では、放射線治療装置を、線形加速器と画像取得装置との組み合わせとすることができる。いくつかの実施形態では、画像取得装置は、当業者によって認識されるように、ＭＲＩ、Ｘ線、ＣＴ、ＣＢＣＴ、スパイラルＣＴ、ＰＥＴ、ＳＰＥＣＴ、光断層撮影、蛍光イメージング、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等、のような装置とすることができる。

［００５６］
図３は、ディープラーニングの例示的な流れ図を示し、放射線装置のビームモデルパラメータ値を決定するために、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が訓練されて使用される。入力３０４は、値の初期セットと訓練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。訓練データは、線量プロファイルと期待される結果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、深部量百分率曲線や対応するビームパラメータのような線量プロファイルで訓練される。訓練されると、ディープラーニングネットワークは、その放射線装置の深部量百分率曲線のみを用いて、そのような放射線装置のビームモデルパラメータ値の推定値を生成することができる。予想される結果は、治療計画中の線量計算に使用される深部量百分率曲線を含むことができる。ビームモデルのパラメータは、放射線装置内の１つまたはそれ以上の光子源のサイズと位置、放射線装置から放出される光子の光子スペクトルの最大エネルギー、放射線装置から放出される光子スペクトルの形状を説明するいくつかのファクタを含むことができる。ビームモデルパラメータは、また、放射線装置内の１つまたはそれ以上の電子源のサイズおよび位置、放射線装置から放出される電子スペクトルの平均エネルギーを含むことができる。ビームモデルパラメータは、また、放射線装置によって放出された放射線（例えば、電子または光子）が軸外（off-axis）でどのように変化するかを説明する１つまたはそれ以上の数を含むことができる。ディープラーニングモデル３０８の訓練中に、訓練データのバッチは、線量プロファイルおよび期待される結果（例えば、対応するビームモデルパラメータ値）から選択されることができる。選択された訓練データは、少なくとも１つの線量プロファイルと、対応するグラウンドトゥルースビームモデルパラメータ値を含めることができる。ディープラーニングモデルが選択された線量プロファイルに適用されて推定された結果（例えば、推定されたビームモデルパラメータ）を提供し、その推定された結果は、期待された結果（例えば、選択された線量プロファイルに対応するグラウンドトゥルースビームモデルパラメータ値）と比較され、訓練エラーの指標を提供する差異を計算することができる。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、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およびバイアス）のエラーを修正し、例えば、後続の試行中におけるビームモデルパラメータ値の推定値のエラーを削減または最小化する。エラーは、指定数の訓練反復に対する持続的な最小値で進むように、所定の基準と比較することができる。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がバックプロパゲーションを用いて更新され、そして、訓練データの別のバッチが、線量プロファイルとディープラーニングモデル訓練の別の反復の予想結果から選択されることができる。エラーが所定の基準を満たす場合、訓練を終了し、訓練されたモデルは、ディープラーニングテストまたはインターフェース段階３１２で使用して、訓練データとは異なる線量プロファイルに基づいてビームモデルパラメータ値を予測することができる。訓練されたモデルは、新しい線量プロファイルを受け取り、予測された結果（例えば、ビームモデルパラメータ値）を提供することできる。

［００５７］
図４は、深部量百分率曲線の例を示す。深部量百分率曲線は、人体組織をシミュレーションする媒体（例えば、ファントム）に放射線装置から放射線を照射することで測定できる。一実施例において、ファントムは水を含むことができる。媒体の深さの関数として堆積される放射線の量は、例えば、図４に示される深部量百分率曲線を提供するために、測定および記録される。媒体に設置されるセンサは、堆積された放射線の測定値を提供することができる。

［００５８］
図５Ａは、放射線装置からの少なくとも１つの測定された線量プロファイルに基づいて放射線装置のビームモデルパラメータ値を決定するためのディープ畳み込みニューラルネットワーク（ＤＣＮＮ）モデルのようなニューラルネットワークモデルを訓練する方法の一実施例を示す。ビームモデルパラメータ値のセットを受け取り、ビームモデルパラメータ値の各セットは放射線装置に対応する（ステップ５１０）。ビームモデルパラメータ値のセットは、式Ｘ＝｛φ_１,φ_２,φ_３,...φ_ｎ｝で表すことができ、ここで、Ｘは、ビームモデルパラメータ値のセットを表し、φ_ｊは、ｊ番目のビームモデルパラメータのビームモデルパラメータ値を表す。次に、個々のビームモデルパラメータ値の範囲（例えば、最小値および最大値）を、ビームモデルパラメータ値の異なるセットからのビームパラメータ値の分析によって決定する（ステップ５１２）。ビームモデルパラメータの値が、ビームモデルパラメータの第１のセット、第２のセット、第３のセットでそれぞれ０．１、０．５、０．９である実施例では、ビームモデルパラメータ値の範囲は０．１から０．９である。次に、決定された範囲内にあるビームパラメータ値のランダムまたは擬似ランダムのサンプリング等により、ビームモデルパラメータ値のセットを生成する（ステップ５１４）。例えば、Ｎセットのビームモデルパラメータ値を生成する。一実施例では、サンプリングは、決定された範囲を超えて、ある量（例えば、１０％）拡張することができる。特定のビームモデルパラメータ値は、異なる放射線装置の間で大幅に変化しない。このようなビームモデルパラメータ値は、１つまたはそれ以上のセットのビームモデルパラメータ値に対して同じにすることができる。例えば、ビームモデルパラメータの値φ_３は、１つまたはそれ以上のビームモデルパラメータ値のセットで同じ値にすることができる。生成されたビームモデルパラメータ値のセットの数Ｎは、ニューラルネットワークモデルの訓練を容易にするのに十分な大きさに選択できる。例えば、Ｎは１０００より大きい場合があり得る。そのような大きな数Ｎは、存在する放射線装置の数（例えば、約４０００）よりはるかに大きくなる可能性がある。一実施例では、生成されたビームモデルパラメータのセットの数は、生成されたビームパラメータのセットの数の減少をもたらすような、全ての放射線装置に対して可能なパラメータ値の範囲をカバーするように選択することができる。１つのビームモデルパラメータの可能なパラメータ値の範囲をカバーすることは、可能なパラメータ値の範囲内でいくつかの値を生成することを含む。値の数は、規則的に、ランダムに、または疑似ランダムに間隔を空けることができる。ビームモデル放射線パラメータは、複数の放射線装置のビームモデル設計者（beam modeler）により決定されたビームモデルパラメータ値に基づく等により、決定され得る最小値および最大値を有することができる。一実施例では、ビームモデル放射線パラメータの最小値は１、ビームモデル放射パラメータの最大値は２であり、可能なパラメータの範囲をカバーする値の数には１．０、１．２、１．４、１．６、１．８、２．０を含み得る。生成されたビームモデルパラメータのセットの数が選択され、すべての放射線装置の可能なパラメータ値の範囲をカバーし得る実施例では、セットの数は、存在する放射線装置の数より少なくすることができる。次に、生成されたビームパラメータのセットのそれぞれについて線量プロファイルを計算する（ステップ５１６）。線量プロファイルは、コンピュータに実装されたアルゴリズムにより決定できる。線量プロファイル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、アルゴリズムは分析アルゴリズムであり、計算は数時間を必要とする。生成されたビームパラメータ値の各セットに対して、１つまたはそれ以上のフィールドサイズの線量プロファイルを決定することができる。線量プロファイルは、軸上と軸外との両方で計算できる。線量深度プロファイル（深部量プロファイル：dose depth profile）は、中心軸に沿って（例えば、放射線ビームの方向に沿って）計算することができ、放射線量プロファイル（radial dose profile）は、中心軸に直交する方向に沿って（例えば、放射線ビームに交差する方向に沿って）指定の深さで計算することができる。また、線量プロファイルはフィールドサイズ（例えば、１×１、２×２、等）の範囲について計算することができる。ネットワーク訓練を開始するために、反復インデックスをゼロの初期値に設定する（ステップ５１８）。訓練データのバッチは、ビームモデルパラメータ値のＭ個のセットおよび対応する線量プロファイルから形成され、ここで、ＭはＮ未満である（ステップ５２２）。訓練データのバッチは、ニューラルネットワークモデルに提供され、ニューラルネットワークパラメータは、それに基づいて更新される（ステップ５２６）。ニューラルネットワークモデルは、訓練データのバッチ内の１つまたはそれ以上の線量プロファイルおよびニューラルネットワークモデルの現在のパラメータに基づいて、ビームモデルパラメータ値の出力セットを提供する（ステップ５３０）。訓練データのバッチにおいて受信された線量プロファイルに対応するビームモデルパラメータ値の出力セットと、グラウンドトゥルースビームモデルパラメータ値とを比較する。各エラー値が推定されたビームモデルパラメータ値と対応するグラウンドトゥルースビームモデルパラメータとの差を含む、対応するエラーセットをこの比較から決定する（ステップ５３４）。次に、ニューラルネットワークモデルのパラメータを、逆伝播を使用することなどによって、対応するエラーに基づいて更新する（ステップ５３８）。一実施形態において、ニューラルネットワークモデルのパラメータを、ある関数を最小化または低減するように更新する。その関数は、例えば、次の数１である。

ここで、Ｙは、ニューラルネットワークモデルにより決定されるビームモデルパラメータ値を表し、Ｙ^＊は、訓練データのバッチに対応する既知のビームモデルパラメータ値を表し、Θ^＊は、ＹとＹ^＊間の最小化された二乗誤差に対応するニューラルネットワークモデルのパラメータ（例えば、レイヤーノードの重さとバイアス）を表す。ニューラルネットワークモデルのパラメータを更新した後、反復インデックスを１の値だけ増やす（ステップ５４２）。反復インデックスは、ニューラルネットワークモデルのパラメータが更新された回数に対応する。停止基準を計算し（ステップ５４６）、停止基準が満たされる場合、ニューラルネットワークモデルを画像処理装置１１２のメモリ装置１１６のようなメモリに保存し、訓練を停止する（ステップ５５０）。停止基準が満たされない場合、訓練はステップ５２２に戻り継続する。一実施形態では、ステップ５２２から訓練を継続する前に、ステップ５１４及びステップ５１６に関連して上述したように追加の訓練データを生成する。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ことができる（例えば、停止基準は、反復インデックスが所定の最大反復回数以上であるかどうかを含むことができる）。一実施形態では、停止基準は、ビームモデルパラメータ値の出力セットの精度を含むことができる（例えば、停止基準は、ビームモデルパラメータ値の出力セットと、訓練データのバッチにおいて医用画像の受け取ったセットに対応するビームモデルパラメータ値との差が、しきい値よりも小さいかどうかを含むことができる）。一実施形態では、しきい値は、ステップ５３４で決定されたすべてのエラーの漸近的最小値に対応させることができる。一実施形態では、ビームモデルパラメータを、固定のフォーマットの画像の形でニューラルネットワークモデルに提示することができる。一実施形態では、線量プロファイルは、ビームモデルパラメータ値と共にプールされ、実際のアレイとして提示されることができる。

［００５９］
図５Ｂは、図５Ａに関して上記で説明した方法により訓練されるディープ畳み込みニューラルネットワーク（ＤＣＮＮ）のような、訓練されたニューラルネットワークモデルを用いてビームモデルパラメータを生成する方法の一実施例を示す。線量プロファイルを、測定装置から受け取る（ステップ５６０）。訓練されたニューラルネットワークモデルを、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る（ステップ５６４）。訓練されたニューラルネットワークモデルを、放射線治療計画または再計画などのために、ビームモデルパラメータ値を決定するために用いる（ステップ５６８）。決定されたビームモデルパラメータ値を、自動的に、または、ビームモデル設計者（beam modeler）などにより用いて、１つまたはそれ以上の線量プロファイルを計算する（ステップ５７２）。次に、１つまたはそれ以上の計算された線量プロファイルを、ステップ５６０で受け取ったもののように、１つまたはそれ以上の線量プロファイルと比較する。ステップ５６０で受け取った１つまたはそれ以上の線量プロフィールと、ステップ５７２で計算された１つまたはそれ以上の線量プロファイルとの相違が特定の基準を満たす場合、少なくとも１つのビームモデルパラメータ値を更新する（ステップ５７６）。例えば、少なくとも１つのビームモデルパラメータ値は、ビームモデル設計者（beam modeler）により更新され得る。

［００６０］
図６は、訓練されたニューラルネットワークモデルを用いて１つのビームモデルパラメータを推定した結果の一実施例を示す。図６に示す実施例では、セット間で変化する単一のビームモデルパラメータと共に、ビームモデルパラメータ値の多数のセットが提供される。更に、５×５のフィールドサイズを有する１つまたはそれ以上の対応する線量プロファイルも提供される。図６に示す実施例では、推定されたビームモデルパラメータと実際のグラウンドトゥルースビームモデルパラメータが一緒にプロットされている。図６に示す実施例では、約３０００の訓練セットが、ニューラルネットワークモデルを訓練するために使用された。

［００６１］
図７Ａ−図７Ｃは、訓練されたニューラルネットワークを用いて３つのビームモデルパラメータ値を推定した結果の実施例を示す。図７Ａ−図７Ｃに示された実施例では、多くのセットのビームモデルパラメータ値が提供される。６つのビームモデルパラメータ値は、セット間で異なり得る。５つの異なるフィールドサイズに対応する５つの線量プロファイルも提供される。図７Ａ−図７Ｃに示された実施例では、推定されたビームモデルパラメータ値および実際のグラウンドトゥルースビームモデルパラメータ値が一緒にプロットされている。図７Ａ−図７Ｃに示された実施例では、約１００００の訓練セットがニューラルネットワークモデルのトレーニングに使用された。訓練セットのそれぞれが、異なるフィールドサイズ（例えば、１×１、２×２など）の１つに対応するそれぞれの線量プロファイルと６つの異なる線量計算（例えば、軸上の深部量百分率プロファイル（percent depth dose profile）、軸外の深部量百分率プロファイル（percent depth dose profile）、または放射線量プロファイル（radial dose profile）のひとつを有する線量プロファイルを含む。

［００６２］
図６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８００の実施形態のブロック図を示す。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８００によって実装される。代替の実施形態では、マシン８００は、スタンドアロンデバイスとして動作することができ、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では、画像処理装置１１２は、マシン８００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配置では、マシン８００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。

［００６３］
例示的なマシン８００は、バス８０８を介して互いに接続されているプロセッシング回路８０２（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８２１（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８０４、およびスタティックメモリを含む。マシン８００（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８１０（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８００は、英数字入力装置８１２（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８１４（例えば、マウス）、ディスクドライブまたは大容量記憶装置８１６、信号生成装置８１８（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８２０も含む。

［００６４］
ディスクドライブユニット８１６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）８２４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８２２を含む。命令８２４は、また、マシン８００、メインメモリ８０４およびプロセッサ８０２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８０４および／またはプロセッサ８０２内に常駐し、機械可読媒体を構成することができる。

［００６５］
図示されたマシン８００は、出力コントローラ８２８を含み得る。出力コントローラ８２８は、マシン８００への、またはマシン８００からのデータフローを管理する。出力コントローラ８２８はデバイスコントローラと呼ばれ、出力コントローラ８２８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。

［００６６］
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。

［００６７］
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。

［００６８］
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。

追加の注意事項
［００６９］
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、本発明を実施することができる特定の実施形態を、限定ではなく例示として示すものである。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。

［００７０］
このドキュメントで参照される、すべての出版物、特許、および特許文書は、個々が参照により組み込まれているが、参照によりその全体が本明細書に組み込まれる。このドキュメントと、参照により組み込まれたドキュメントとの間に一貫性のない用法がある場合、参照により組み込まれたドキュメントでの用法は、このドキュメントの用法を補足するものと見なされ、矛盾する用法については、このドキュメントの用法が支配する。

［００７１］
この文書では、「ａ」、「ａｎ」、「ｔｈｅ」、「言われた」という用語は、特許文書で一般的であるように、本発明の態様の要素を導入するときに使用され、１つ以上の「少なくとも１つの」または「１つまたは複数の」の他のインスタンスまたは使用法とは無関係に、１つまたは複数の要素よりも、このドキュメントでは、「または」という用語は、「ＡまたはＢは、”含む”ＡではなくＢ、””ＢではなくＡ、”および”、ＡとＢを「しない限り、他に示さ。このドキュメントでは、用語「ａ」、「ａｎ」、「ｔｈｅ」「ｓａｉｄ」は、本発明の態様または本発明の実施形態に要素を導入するときに、特許文書において一般的であるように使用され、「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。

［００７２］
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、以下の特許請求の範囲において、用語「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｈａｖｉｎｇ）」、は、オープンエンドであることを意図し、請求項のそのような用語（例えば、「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｈａｖｉｎｇ）」）の後に列挙されている要素に追加した要素を含むものが、依然としてその請求項の範囲内にあるとみなされる。さらに、以下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。

［００７３］
本発明の実施形態は、コンピュータ実行可能命令で実装されてもよい。コンピュータ実行可能命令（例えば、ソフトウェアコード）は、１つまたはそれ以上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編成され得る。本発明の態様は、そのようなコンポーネントまたはモジュールの任意の数および編成で実装することができる。例えば、本発明の態様は、図に示され、本明細書で説明される特定のコンピュータ実行可能命令または特定のコンポーネントまたはモジュールに限定されない。本発明の他の実施形態は、本明細書に図示および記載されているよりも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コンポーネントを含むことができる。

［００７４］
本明細書で説明される方法の例（例えば、操作および機能）は、少なくとも部分的に（例えば、ソフトウェアコードまたは命令として実装される）機械またはコンピュータで実装することができる。いくつかの例は、上記の例で説明した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エンコード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、高水準言語コードなどのソフトウェアコード（例えば、「ソースコード」）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（例えば、「オブジェクト」または「実行可能コード」）を実行するためのコンピュータ可読命令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する場合がある。本明細書に記載の実施形態のソフトウェア実装は、コードまたは命令が格納された製品を介して、または、通信インターフェース（例えば、無線で、インターネットで、衛星通信を介して、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操作する方法を介して提供することができる。

［００７５］
さらに、ソフトウェアコードは、実行中または他の時間のときに、１つまたはそれ以上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、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任意のメカニズムを含むことができ、それらは、例えば、フロッピーディスク、ハードディスク、リムーバブルディスク、磁気ディスク、あらゆる形式の磁気ディスク記憶媒体、ＣＤＲＯＭ、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）、フラッシュメモリデバイス、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／記録不能メディア（例えば、読み取り専用メモリ（ＲＯＭ））、ＥＰＲＯＭ、ＥＥＰＲＯＭ、または電子命令の保存に適した任意のタイプのメディアなどを含むが、それには限定されない。そのようなコンピュータ可読記憶媒体は、コンピュータシステムバスに結合され、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。

［００７６］
一実施形態では、コンピュータ可読記憶媒体は、治療計画が適応可能であり得る治療計画のデータ構造を符号化することができる。コンピュータ可読記憶媒体のデータ構造は、Digital Imaging and Communications in Medicine (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１つであり得る。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、放射線療法に固有の通信規格を指し示す。

［００７７］
本発明の様々な実施形態では、コンポーネント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装することができる。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場合、「ソフトウェア」および「ファームウェア」という用語は交換可能であり、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。

［００７８］
通信インターフェースには、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ーなどのような、ハードワイヤード、ワイヤレス、光などの媒体にインターフェースして、他のデバイスに通信するメカニズムが含まれる。通信インターフェースは、ソフトウェアコンテンツを説明するデータ信号を提供するための通信インターフェースを準備するための構成パラメータおよび／または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には、通信インターフェースに送信される１つまたはそれ以上のコマンドまたは信号を介してアクセスすることができる。

［００７９］
本発明はまた、本明細書の操作を実行するためのシステムに関する。このシステムは、必要な目的のために特別に構築することも、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アクティブ化または再構成された汎用コンピュータを含むこともできる。本明細書において図示および説明される本発明の実施形態における動作の実行または実行の順序は、特に指定されない限り、必須ではない。すなわち、特に明記しない限り、操作は任意の順序で実行でき、本発明の実施形態は、本明細書に開示されているものよりも多いまたは少ない操作を含むことができる。例えば、別の操作の前、同時、または後に特定の操作を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られる。

［００８０］
上記記載を考慮すれば、本発明のいくつかの目的が達成され、他の有利な結果が得られることが分かるであろう。本発明の態様を詳細に説明したが、添付の特許請求の範囲で定義される本発明の態様の範囲から逸脱することなく、修正および変更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、上記の構造、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、かつ、限定的ないみではないと、解釈されるべきである。

［００８１］
上記の説明は、例示を意図したものであり、限定を意図したものではない。例えば、上述の実施例（または１つまたはそれ以上の態様）は、互いに組み合わせて使用することができる。さらに、本発明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、多くの修正を行うことができる。本明細書に記載されている寸法、材料のタイプ、およびコーティングは、本発明のパラメータを定義することを意図しているが、それらは決して限定的ではなく、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権利を与えられる等価物の全範囲とともに決定されるべきである。

［００８２］
また、上記の詳細な説明では、開示を簡素化するために、さまざまな機能をグループ化することがある。これは、クレームされていない開示された機能がクレームに不可欠であることを意図するものとして解釈されるべきではない。むしろ、発明の主題は、特定の開示された実施形態のすべての特徴より少ない場合がある。したがって、以下の請求項は、これにより詳細な説明に組み込まれ、各請求項は別個の実施形態としてそれ自体で成立する。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権利を与えられる均等物の全範囲とともに決定されるべきである。さらに、以下のクレームの制限はミーンズプラスファンクション形式で書かれておらず、「means for」という語句を明示的に使用し、その後に構造のない関数のステートメントを続けない限り、３５ＵＳＣd第１１２条第６パラグラフに基づいて解釈されることを意図していない。

［００８３］
要約書は、３７ＣＦＲ１．７２（ｂ）に準拠して提供され、読者が技術的開示の性質をすばやく確認できるようにする。それは、クレームの範囲または意味を解釈または制限するために使用されないことを理解して提出されている。

［００４９］
図２は、Ｘ線源または線形加速器のような放射線源、カウチ２１６、撮像検出器２１４、および放射線治療出力２０４を含む、例示的な放射線治療装置１５０を示す。放射線治療装置２０２は、放射線ビーム２０８を出射して患者に治療を提供するように構成されている。放射線治療出力２０４は、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。

Claims (20)

1. ディープ畳み込みニューラルネットワークモデルを訓練して、放射線装置が対象に放射線治療線量を送達するためのビームモデルを提供するコンピュータに実装された方法であって、
   前記方法は、
   前記放射線装置に対応するビームモデルの少なくとも１つのパラメータのパラメータ値の範囲を決定するステップと、
   複数のセットのビームモデルパラメータ値を生成するステップであって、ビームモデルパラメータ値の１つまたはそれ以上の個々のセットは、前記決定された範囲のパラメータ値から選択されたパラメータ値を含んでいるステップと、
   前記複数のセットのビームモデルパラメータ値内の個々のセットのビームモデルパラメータ値にそれぞれ対応する複数の対応線量プロファイルを提供するステップと、
   前記複数のビームモデルと前記対応線量プロファイルを用いて前記ニューラルネットワークモデルを訓練するステップと
   を有する
   ことを特徴とする方法。
2. 請求項１記載の方法において、
   少なくとも１つのセットのビームモデルパラメータ値と、少なくとも１つの放射線装置から以前に収集された対応する測定線量プロファイルとを用いて、前記ニューラルネットワークモデルを訓練するステップを有する
   ことを特徴とする方法。
3. 請求項１記載の方法において、
   前記少なくとも１つのビームモデルパラメータのビームモデルパラメータ値の範囲を決定するステップは、複数の放射線装置のそれぞれのビームモデルパラメータ値を決定することを含む
   ことを特徴とする方法。
4. 請求項１記載の方法において、
   複数の放射線装置のそれぞれについて少なくとも１つの線量プロファイルを測定するステップを有する
   ことを特徴とする方法。
5. 請求項４記載の方法において、
   前記ニューラルネットワークモデルを訓練するステップは、
   Ｎ個のセットの生成されたビームモデルパラメータ値と、対応する線量プロファイルを前記ニューラルネットワークモデルに提供することと、
   Ｍ個の放射線装置からの線量プロファイルと対応するビームモデルパラメータを前記ニューラルネットワークモデルに提供することと
   を含む
   ことを特徴とする方法。
6. 請求項１記載の方法において、
   少なくとも１つのセットのビームモデルパラメータ値を生成するために、前記ビームモデルパラメータ値の決定された範囲からランダムにまたは擬似ランダムに前記ビームモデルパラメータ値を選択するステップを有する
   ことを特徴とする方法。
7. 請求項１記載の方法において、
   ビームモデルパラメータ値のそれぞれのセットは、複数の線量プロファイルを用いて生成され、
   前記複数の対応する線量プロファイルの個々の線量プロファイルは、標的サンプルへの深さとともに変化する放射線の相対線量を含む
   ことを特徴とする方法。
8. 請求項１記載の方法において、
   ビームモデルの少なくとも１つのパラメータに対するビームモデルパラメータ値の範囲を決定するステップは、前記放射線装置の放射線源から放出された光子のエネルギー分布に関連する複数のビームモデルパラメータ値を決定することを含む
   ことを特徴とする方法。
9. 請求項８記載の方法において、
   前記ビームモデルパラメータは、放射線源の大きさと、放射線源の位置、または放射線源のエネルギースペクトルの少なくとも１つである
   ことを特徴とする方法。
10. 請求項１記載の方法において、
    ビームモデルの少なくとも１つのパラメータに対するビームモデルパラメータ値の範囲を決定するステップは、前記放射線装置の放射線源から放出された電子のエネルギー分布に関連する複数のビームモデルパラメータ値を決定することを含む
    ことを特徴とする方法。
11. ディープ畳み込みニューラルネットワークモデルを用いて、放射線装置のビームモデルの少なくとも１つのパラメータ値を決定するコンピュータに実装された方法であって、
    前記方法は、
    複数のセットのビームモデルパラメータ値と対応する線量プロファイルとを用いて前もって訓練された、訓練されたニューラルネットワークモデルを受け取るステップであって、前記訓練されたニューラルネットワークモデルは、１つまたはそれ以上の測定された放射線装置の線量プロファイルから少なくとも１つの放射線装置のビームモデルパラメータ値を予測するために訓練されているステップと、
    前記訓練されたニューラルネットワークモデルへの入力として提供される前記放射線装置からの複数の線量プロファイルを測定するステップと、
    前記訓練されたニューラルネットワークモデルを用いて、前記放射線装置の１つのセットのビームモデルパラメータ値の少なくとも１つのビームモデルパラメータ値を決定するステップと
    を有する
    ことを特徴とする方法。
12. 請求項１１記載の方法において、
    前記決定された少なくとも１つのビームモデルパラメータ値を含むビームモデルパラメータ値のセットから線量プロファイルを計算し、前記計算された線量プロファイルを測定された線量プロファイルと比較するステップを含む
    ことを特徴とする方法。
13. 請求項１２記載の方法において、
    前記ビームモデルパラメータ値のセットは、前記訓練されたニューラルネットワークモデルを用いて決定されない少なくとも１つのビームモデルパラメータ値を含む
    ことを特徴とする方法。
14. 請求項１２記載の方法において、
    前記放射線装置からの前記測定された線量プロファイルと、前記決定された線量プロファイルとの間の差が指定された基準を満たす場合、前記ニューラルネットワークモデルによって決定された前記少なくとも１つのビームモデルパラメータ値を更新するステップを有する
    ことを特徴とする方法。
15. 請求項１２記載の方法において、
    前記ニューラルネットワークモデルによって決定された前記少なくとも１つのビームモデルパラメータ値を含むビームモデルパラメータ値のセットを用いて複数の線量プロファイルを決定するステップであって、前記複数の線量プロファイルの個々のものは、前記放射線装置の異なるフィールドサイズに対応しているステップと、
    前記複数の決定された線量プロファイルのそれぞれを、複数の測定された線量プロファイルの対応するものと比較するステップと
    を有する
    ことを特徴とする方法。
16. 請求項１１記載の方法において、
    複数のセットのビームモデルパラメータ値と対応する線量プロファイルとを用いて前もって訓練された、訓練されたニューラルネットワークモデルを受け取るステップは、ある方法により前もって訓練された、訓練されたニューラルネットを受け取ることを含み、
    前記ある方法は、
    前記放射線装置に対応するビームモデルの少なくとも１つのパラメータのビームモデルパラメータ値の範囲を決定するステップと、
    複数のセットのビームモデルパラメータ値を生成するステップであって、ビームモデルパラメータ値の１つまたはそれ以上の個々のセットは、前記決定された範囲のパラメータ値から選択されたパラメータ値を含んでいるステップと、
    前記複数のセットのビームモデルパラメータ値内の個々のセットのビームモデルパラメータ値にそれぞれ対応する複数の対応線量プロファイルを提供するステップと、
    前記複数のセットのビームモデルパラメータ値と前記対応する線量プロファイルとを用いて前記ニューラルネットワークを訓練するステップと
    を有する
    ことを特徴とする方法。
17. 請求項１１記載の方法において、
    前記決定された少なくとも１つのビームモデルパラメータ値を有する前記ビームモデルパラメータ値のセットを用いて、前記放射線装置から患者内の標的領域への放射線の線量を推定するステップを有する
    ことを特徴とする方法。
18. 放射線装置の少なくとも１つの測定された線量プロファイルから前記放射線装置のビームモデルの少なくともビームモデルパラメータ値を生成するシステムであって、
    前記システムは、
    前記放射線装置に対応する少なくとも１つの測定線量プロファイルを受け取り、前記放射線装置の少なくとも１つのビームモデルパラメータ値を推定するためのニューラルネットワークモデルを受け取るように構成されたインターフェースと、
    前記ニューラルネットワークモデルと前記少なくとも１つの測定された線量プロファイルとを記憶するためのメモリであって、前記ニューラルネットワークモデルは、複数のセットのビームモデルパラメータ値と対応する線量プロファイルとを用いて訓練されるメモリと、
    前記少なくとも１つの測定された線量プロファイルを前記ニューラルネットワークモデルへの入力として用いて、前記放射線装置の少なくとも１つのビームモデルパラメータ値を推定するように構成されたプロセッサと
    を有する
    ことを特徴とするシステム。
19. 請求項１９記載のシステムにおいて、
    前記記憶されたニューラルネットワークモデルは、
    前記放射線装置に対応するビームモデルの少なくとも１つのパラメータのビームモデルパラメータ値の範囲を決定し、
    複数のセットのビームモデルパラメータ値を生成することであって、ビームモデルパラメータ値の１つまたはそれ以上の個別のセットは、前記パラメータ値の決定された範囲から選択されたパラメータ値を含み、
    前記複数のセットのビームモデルパラメータ値におけるビームモデルパラメータ値のそれぞれの個々のセットにそれぞれ対応する複数の対応する線量プロファイルを提供し、
    前記複数セットのビームモデルパラメータ値と前記対応する線量プロファイルとを前記ニューラルネットワークモデルに提供する
    ことにより訓練される
    ことを特徴とするシステム。
20. 請求項１８記載のシステムにおいて、
    前記インターフェースは、前記放射線装置からの前記測定された線量プロファイルと前記ビームモデルパラメータ値のセットから決定された線量プロファイルとの相違が指定された基準を満たす場合には、前記ニューラルネットワークモデルによって推定された前記ビームモデルパラメータ値と対応する線量プロファイルとを含むビームモデルパラメータ値のセットを、ユーザに送信するように構成されている
    ことを特徴とするシステム。

Images