JP2022542826A - 機械学習を用いた放射線治療計画の最適化 - Google Patents
機械学習を用いた放射線治療計画の最適化 Download PDFInfo
- Publication number
- JP2022542826A JP2022542826A JP2022502922A JP2022502922A JP2022542826A JP 2022542826 A JP2022542826 A JP 2022542826A JP 2022502922 A JP2022502922 A JP 2022502922A JP 2022502922 A JP2022502922 A JP 2022502922A JP 2022542826 A JP2022542826 A JP 2022542826A
- Authority
- JP
- Japan
- Prior art keywords
- optimization
- optimization problem
- machine learning
- learning model
- training
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 397
- 238000010801 machine learning Methods 0.000 title claims abstract description 171
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 165
- 238000013439 planning Methods 0.000 title claims abstract description 118
- 238000011282 treatment Methods 0.000 claims abstract description 198
- 238000000034 method Methods 0.000 claims abstract description 177
- 238000012549 training Methods 0.000 claims abstract description 147
- 230000005855 radiation Effects 0.000 claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 119
- 230000006870 function Effects 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000013459 approach Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000002939 conjugate gradient method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000002560 therapeutic procedure Methods 0.000 description 27
- 238000003384 imaging method Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 18
- 206010028980 Neoplasm Diseases 0.000 description 17
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 11
- 210000000920 organ at risk Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002786 image-guided radiation therapy Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000011455 3D conformal radiation therapy Methods 0.000 description 1
- 240000008609 Gloriosa superba Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002725 brachytherapy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000009198 gamma knife radiosurgery Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004242 micellar liquid chromatography Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000002661 proton therapy Methods 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 238000002673 radiosurgery Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- 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
- A61N2005/1035—Simulated annealing
-
- 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
Abstract
放射線治療計画の最適化問題を解決するための技術が提供される。この技術は、放射線治療計画の最適化問題を受け取るステップと、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップであって、機械学習モデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされるステップと、放射線治療計画の最適化問題の推定された１つまたはそれ以上の最適化変数に基づいて、放射線治療計画の最適化問題に対する解を生成するステップを含む。【選択図】図３
Description
（優先権の主張）
［０００１］
本特許出願は、２０１９年７月１６日に出願された米国特許出願番号第１６／５１２，９７２号の優先権の利益を主張するものであり、その内容は参照により全体が本明細書に組み込まれる。
［０００１］
本特許出願は、２０１９年７月１６日に出願された米国特許出願番号第１６／５１２，９７２号の優先権の利益を主張するものであり、その内容は参照により全体が本明細書に組み込まれる。
（技術分野）
［０００２］
本開示は、一般に、放射線治療または放射線治療の最適化問題に関するものである。
［０００２］
本開示は、一般に、放射線治療または放射線治療の最適化問題に関するものである。
［０００３］
放射線治療は、ほ乳類（ヒトや動物）の組織のがんやその他の病気の治療に用いられる。放射線ビームの方向と形状を正確に制御して、腫瘍に所定の放射線を確実に照射するとともに、周囲の健康な組織（しばしば、リスク臓器（ＯＡＲｓ）と呼ばれる）へのダメージを最小限に抑えるようにビームを配置する必要がある。治療計画は、放射線ビームのパラメータを制御するために使用することができ、放射線治療装置は、空間的に変化する線量分布を患者に提供することで治療を実行する。
放射線治療は、ほ乳類（ヒトや動物）の組織のがんやその他の病気の治療に用いられる。放射線ビームの方向と形状を正確に制御して、腫瘍に所定の放射線を確実に照射するとともに、周囲の健康な組織（しばしば、リスク臓器（ＯＡＲｓ）と呼ばれる）へのダメージを最小限に抑えるようにビームを配置する必要がある。治療計画は、放射線ビームのパラメータを制御するために使用することができ、放射線治療装置は、空間的に変化する線量分布を患者に提供することで治療を実行する。
［０００４］
従来、各患者に対して、臨床的および線量的な目的と制約条件（例えば、腫瘍や重要な臓器に対する最大、最小、平均の線量）に基づいた最適化手法を用いて、放射線治療の治療計画（「治療計画（treatment plan）」）を作成する。治療計画の手順は、患者の３次元（３Ｄ）画像を使用して、標的領域（例えば、腫瘍）を特定し、腫瘍の近くにある重要な器官を特定することを含む。治療計画の作成は、プランナーが、臨床的に受け入れられる治療計画を作成するために、様々な治療目的や制約条件（例えば、ＤＶＨ（Dose Volume Histogram）の目的）を、それぞれの重要性（例えば、重み付け）を考慮しながら遵守する、時間のかかるプロセスである。この作業は、ＯＡＲの数が増えると（例えば、頭と首の治療では一般的に２１個のＯＡＲが分割される）、プロセスが複雑になるため、時間のかかる試行錯誤が必要となるプロセスである。腫瘍から遠く離れたＯＡＲは放射線から影響を受けにくいが、ターゲットの腫瘍に近い、または重なっているＯＡＲは放射線から影響を受けなくすることが難しい。
従来、各患者に対して、臨床的および線量的な目的と制約条件（例えば、腫瘍や重要な臓器に対する最大、最小、平均の線量）に基づいた最適化手法を用いて、放射線治療の治療計画（「治療計画（treatment plan）」）を作成する。治療計画の手順は、患者の３次元（３Ｄ）画像を使用して、標的領域（例えば、腫瘍）を特定し、腫瘍の近くにある重要な器官を特定することを含む。治療計画の作成は、プランナーが、臨床的に受け入れられる治療計画を作成するために、様々な治療目的や制約条件（例えば、ＤＶＨ（Dose Volume Histogram）の目的）を、それぞれの重要性（例えば、重み付け）を考慮しながら遵守する、時間のかかるプロセスである。この作業は、ＯＡＲの数が増えると（例えば、頭と首の治療では一般的に２１個のＯＡＲが分割される）、プロセスが複雑になるため、時間のかかる試行錯誤が必要となるプロセスである。腫瘍から遠く離れたＯＡＲは放射線から影響を受けにくいが、ターゲットの腫瘍に近い、または重なっているＯＡＲは放射線から影響を受けなくすることが難しい。
［０００５］
ＯＡＲと治療すべき領域（例えば、ＰＴＶ（Planning Target Volume）を特定するために、セグメンテーションが行われる。セグメンテーションの後、１つまたはそれ以上のＰＴＶ（例えば、ターゲット）および／またはＯＡＲが受けるべき望ましい放射線量を示す患者の線量計画が作成される。ＰＴＶは、不規則な容積を持ち、その大きさ、形状、位置がユニークである。治療計画は、ＰＴＶに十分な線量を与える一方で、周囲の健康な組織にできるだけ低い線量を与えるように、多数の計画パラメータを最適化して算出する。したがって、放射線治療計画は、腫瘍を治療するための線量を効率的にコントロールすることと、ＯＡＲを温存することとのバランスで決定される。一般的に、放射線治療計画の品質は、プランナーの経験値に左右される。さらに、患者間の解剖学的構造な相違により、複雑さが発生する。
ＯＡＲと治療すべき領域（例えば、ＰＴＶ（Planning Target Volume）を特定するために、セグメンテーションが行われる。セグメンテーションの後、１つまたはそれ以上のＰＴＶ（例えば、ターゲット）および／またはＯＡＲが受けるべき望ましい放射線量を示す患者の線量計画が作成される。ＰＴＶは、不規則な容積を持ち、その大きさ、形状、位置がユニークである。治療計画は、ＰＴＶに十分な線量を与える一方で、周囲の健康な組織にできるだけ低い線量を与えるように、多数の計画パラメータを最適化して算出する。したがって、放射線治療計画は、腫瘍を治療するための線量を効率的にコントロールすることと、ＯＡＲを温存することとのバランスで決定される。一般的に、放射線治療計画の品質は、プランナーの経験値に左右される。さらに、患者間の解剖学的構造な相違により、複雑さが発生する。
（概要）
［０００６］
いくつかの実施形態では、放射線治療計画の最適化問題を解決するための、コンピュータに実装された方法と、非一時的コンピュータ可読媒体と、メモリとプロセッサを含むシステムが提供され、放射線治療計画の最適化問題を解決する方法は、プロセッサ回路によって、放射線治療計画の最適化問題を受け取るステップと、前記プロセッサ回路により、前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップであって、前記機械学習モデルは、前記１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされ、前記機械学習モデルは、ディープニューラルネットワークを含むステップと、前記プロセッサ回路によって、前記放射線治療計画の最適化問題の前記推定された１つまたはそれ以上の最適化変数に基づいて、前記放射線治療計画の最適化問題に対する解を生成するステップであって、前記解は、放射線治療装置のパラメータ、フルエンスマップ、アイソセンタの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有するステップを有する。
［０００６］
いくつかの実施形態では、放射線治療計画の最適化問題を解決するための、コンピュータに実装された方法と、非一時的コンピュータ可読媒体と、メモリとプロセッサを含むシステムが提供され、放射線治療計画の最適化問題を解決する方法は、プロセッサ回路によって、放射線治療計画の最適化問題を受け取るステップと、前記プロセッサ回路により、前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップであって、前記機械学習モデルは、前記１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされ、前記機械学習モデルは、ディープニューラルネットワークを含むステップと、前記プロセッサ回路によって、前記放射線治療計画の最適化問題の前記推定された１つまたはそれ以上の最適化変数に基づいて、前記放射線治療計画の最適化問題に対する解を生成するステップであって、前記解は、放射線治療装置のパラメータ、フルエンスマップ、アイソセンタの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有するステップを有する。
［０００７］
いくつかの実装では、前記機械学習モデルは、前記機械学習モデルの後続の反復に使用される１つまたはそれ以上の中間的な推定された最適化変数を有する。
いくつかの実装では、前記機械学習モデルは、前記機械学習モデルの後続の反復に使用される１つまたはそれ以上の中間的な推定された最適化変数を有する。
［０００８］
いくつかの実装では、前記放射線治療計画の最適化問題を処理するステップは、前記放射線治療計画の最適化問題を機械学習モデルで処理し、１つまたはそれ以上の初期の最適化変数を推定することと、前記１つまたはそれ以上の初期の最適化変数から始まる前記放射線治療計画の最適化問題を、異なる学習型または非学習型の最適化プロセスを用いて解くことにより実行される。
いくつかの実装では、前記放射線治療計画の最適化問題を処理するステップは、前記放射線治療計画の最適化問題を機械学習モデルで処理し、１つまたはそれ以上の初期の最適化変数を推定することと、前記１つまたはそれ以上の初期の最適化変数から始まる前記放射線治療計画の最適化問題を、異なる学習型または非学習型の最適化プロセスを用いて解くことにより実行される。
［０００９］
いくつかの実装では、前記非学習型の最適化プロセスは、シンプレックス法、内点法、ニュートン法、準ニュートン法、ガウス－ニュートン法、レーベンバーグ－マルカート法、線形最小二乗法、勾配降下法、投影勾配法、共役勾配法、拡張ラグランジュ法、ネルダ－ミード法、分岐および境界法、切断面法、シミュレートされたアニーリング、または逐次二次計画法のうちの少なくとも１つを含む。
いくつかの実装では、前記非学習型の最適化プロセスは、シンプレックス法、内点法、ニュートン法、準ニュートン法、ガウス－ニュートン法、レーベンバーグ－マルカート法、線形最小二乗法、勾配降下法、投影勾配法、共役勾配法、拡張ラグランジュ法、ネルダ－ミード法、分岐および境界法、切断面法、シミュレートされたアニーリング、または逐次二次計画法のうちの少なくとも１つを含む。
［００１０］
いくつかの実装では、前記複数のトレーニング用放射線治療計画の最適化問題は、以前の放射線治療計画に由来する最適化問題、または合成的に生成された問題の少なくとも１つを含む。
いくつかの実装では、前記複数のトレーニング用放射線治療計画の最適化問題は、以前の放射線治療計画に由来する最適化問題、または合成的に生成された問題の少なくとも１つを含む。
［００１１］
いくつかの実装では、前記放射線治療計画の最適化問題は、患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約値、線量制約値のうち少なくとも１つを有する。
いくつかの実装では、前記放射線治療計画の最適化問題は、患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約値、線量制約値のうち少なくとも１つを有する。
［００１２］
いくつかの実装では、 前記放射線治療計画の最適化問題は、制約付き最適化問題であり、前記コンピュータに実装された方法と、前記非一時的コンピュータ可読媒体と、前記システムは、メリット関数に基づいて、前記放射線治療計画の最適化問題を制約のない最適化問題に変換するステップと、前記変換された放射線治療計画の最適化問題を前記機械学習モデルで処理して、前記１つまたはそれ以上の最適化変数を推定するステップを更に提供する。
いくつかの実装では、 前記放射線治療計画の最適化問題は、制約付き最適化問題であり、前記コンピュータに実装された方法と、前記非一時的コンピュータ可読媒体と、前記システムは、メリット関数に基づいて、前記放射線治療計画の最適化問題を制約のない最適化問題に変換するステップと、前記変換された放射線治療計画の最適化問題を前記機械学習モデルで処理して、前記１つまたはそれ以上の最適化変数を推定するステップを更に提供する。
［００１３］
いくつかの実装では、前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップは、前記放射線治療計画の最適化問題の制約条件の第１のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理して、前記制約条件の選択された第１のサブセットに基づいて、前記１つまたはそれ以上の最適化変数の第１の推定値を生成することと、前記放射線治療計画の最適化問題の制約条件の第２のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理して、前記制約条件の選択された第２のサブセットに基づいて、前記１つまたはそれ以上の最適化変数の第２の推定値を生成することとにより実行される。
いくつかの実装では、前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップは、前記放射線治療計画の最適化問題の制約条件の第１のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理して、前記制約条件の選択された第１のサブセットに基づいて、前記１つまたはそれ以上の最適化変数の第１の推定値を生成することと、前記放射線治療計画の最適化問題の制約条件の第２のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理して、前記制約条件の選択された第２のサブセットに基づいて、前記１つまたはそれ以上の最適化変数の第２の推定値を生成することとにより実行される。
［００１４］
いくつかの実装では、１つまたはそれ以上の追加の反復を行うステップは、前記制約条件のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理することとを有する。
いくつかの実装では、１つまたはそれ以上の追加の反復を行うステップは、前記制約条件のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理することとを有する。
［００１５］
いくつかの実装では、前記制約条件の第１のサブセットおよび前記制約条件の第２のサブセットは、ランダムに選択される。
いくつかの実装では、前記制約条件の第１のサブセットおよび前記制約条件の第２のサブセットは、ランダムに選択される。
［００１６］
いくつかの実施形態では、放射線治療計画の最適化問題を解決するために、機械学習モデルをトレーニングするための、コンピュータに実装された方法と、非一時的コンピュータ可読媒体と、メモリとプロセッサを含むシステムが提供され、放射線治療計画の最適化問題を解決するために、機械学習モデルをトレーニングする方法は、プロセッサ回路によって、複数のトレーニング用放射線治療計画の最適化問題を受け取るステップと、１つまたはそれ以上の最適化変数と、前記複数のトレーニング放射線治療計画の最適化問題のパラメータとの間の関係を確立することにより、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数の推定値を生成するために、前記機械学習モデルをトレーニングするステップを有する。
いくつかの実施形態では、放射線治療計画の最適化問題を解決するために、機械学習モデルをトレーニングするための、コンピュータに実装された方法と、非一時的コンピュータ可読媒体と、メモリとプロセッサを含むシステムが提供され、放射線治療計画の最適化問題を解決するために、機械学習モデルをトレーニングする方法は、プロセッサ回路によって、複数のトレーニング用放射線治療計画の最適化問題を受け取るステップと、１つまたはそれ以上の最適化変数と、前記複数のトレーニング放射線治療計画の最適化問題のパラメータとの間の関係を確立することにより、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数の推定値を生成するために、前記機械学習モデルをトレーニングするステップを有する。
［００１７］
いくつかの実装では、前記機械学習モデルは、前記複数のトレーニング用放射線治療計画の最適化問題に対する複数の解に基づいて、教師付きアプローチでトレーニングされる。
いくつかの実装では、前記機械学習モデルは、前記複数のトレーニング用放射線治療計画の最適化問題に対する複数の解に基づいて、教師付きアプローチでトレーニングされる。
［００１８］
いくつかの実装では、前記機械学習モデルは、前記教師付きアプローチで反復的にトレーニングされ、中間的に推定された最適化変数を有する前記機械学習モデルの１つのトレーニング反復の中間出力は、前記機械学習モデルの後続のトレーニング反復で使用される。
いくつかの実装では、前記機械学習モデルは、前記教師付きアプローチで反復的にトレーニングされ、中間的に推定された最適化変数を有する前記機械学習モデルの１つのトレーニング反復の中間出力は、前記機械学習モデルの後続のトレーニング反復で使用される。
［００１９］
いくつかの実装では、前記複数のトレーニング用放射線治療計画の最適化問題は、制約付き最適化問題を含み、前記コンピュータに実装された方法と、前記非一時的コンピュータ可読媒体と、前記システムは、前記複数のトレーニング用放射線治療計画の最適化問題を、メリット関数に基づいて制約のない最適化問題に変換するステップと、前記変換された放射線治療計画の最適化問題に基づいて、前記機械学習モデルをトレーニングするステップを更に有する。
いくつかの実装では、前記複数のトレーニング用放射線治療計画の最適化問題は、制約付き最適化問題を含み、前記コンピュータに実装された方法と、前記非一時的コンピュータ可読媒体と、前記システムは、前記複数のトレーニング用放射線治療計画の最適化問題を、メリット関数に基づいて制約のない最適化問題に変換するステップと、前記変換された放射線治療計画の最適化問題に基づいて、前記機械学習モデルをトレーニングするステップを更に有する。
［００２０］
いくつかの実装では、前記機械学習モデルは、教師付きアプローチでトレーニングされる。
いくつかの実装では、前記機械学習モデルは、教師付きアプローチでトレーニングされる。
［００２１］
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。それは、本開示に関する排他的または網羅的な説明を意図したものではない。発明の詳細な説明は、本特許出願についてのさらなる情報を提供するために含まれている。
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。それは、本開示に関する排他的または網羅的な説明を意図したものではない。発明の詳細な説明は、本特許出願についてのさらなる情報を提供するために含まれている。
［００２２］
図面は必ずしも縮尺通りに描かれているわけではなく、同様な数字は、異なる図において同様の構成要素を表す。異なる文字の接尾辞を持つ同様の数字は、類似したコンポーネントの異なる例を表す。図面は、本明細書で議論されている様々な実施形態を、限定するものではなく、一般的な例示として示している。
図面は必ずしも縮尺通りに描かれているわけではなく、同様な数字は、異なる図において同様の構成要素を表す。異なる文字の接尾辞を持つ同様の数字は、類似したコンポーネントの異なる例を表す。図面は、本明細書で議論されている様々な実施形態を、限定するものではなく、一般的な例示として示している。
［００２３］
図１は、いくつかの実施例による、治療計画生成処理を実行するために適応される例示的な放射線治療システムを示す。
［００２４］
図２Ａは、本開示のいくつかの実施例による、例示的な画像誘導型放射線治療装置を示す。
［００２５］
図２Ｂは、本開示のいくつかの実施例による、放射線治療装置であるガンマナイフを示す。
［００２６］
図３は、本開示のいくつかの実施例による、放射線治療計画の最適化問題を解決するための機械学習技術のトレーニングおよび使用のための例示的なデータフローを示す。
［００２７］
図４乃至図６は、本開示のいくつかの実施例による、放射線治療計画の最適化問題を解決するために機械学習技術をトレーニングして使用するための例示的なオペレーションのフローチャートを示す。
［００２８］
本開示は、機械学習（ＭＬ）モデルを使用することにより、放射線治療計画を生成して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するための様々な技術であって、放射線治療計画の最適化問題を解決するために使用することができる様々な技術を含む。技術的な利点としては、放射線治療計画の生成や放射線治療計画の最適化問題を解決するための計算処理時間が短縮されること、および、それに伴って放射線治療計画の生成や放射線治療計画の最適化問題を解決するために使用される処理、メモリ、ネットワークリソースが改善されることが挙げられる。これらの放射線治療計画は、様々な医療治療、および診断の現場、または放射線治療機器及び装置に適用することができる。したがって、これらの技術的な利点に加えて、本技術は多くの明らかな医療上の利点（放射線治療の治療精度の向上、意図しない放射線への被曝の低減など）をもたらす可能性がある。
本開示は、機械学習（ＭＬ）モデルを使用することにより、放射線治療計画を生成して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するための様々な技術であって、放射線治療計画の最適化問題を解決するために使用することができる様々な技術を含む。技術的な利点としては、放射線治療計画の生成や放射線治療計画の最適化問題を解決するための計算処理時間が短縮されること、および、それに伴って放射線治療計画の生成や放射線治療計画の最適化問題を解決するために使用される処理、メモリ、ネットワークリソースが改善されることが挙げられる。これらの放射線治療計画は、様々な医療治療、および診断の現場、または放射線治療機器及び装置に適用することができる。したがって、これらの技術的な利点に加えて、本技術は多くの明らかな医療上の利点（放射線治療の治療精度の向上、意図しない放射線への被曝の低減など）をもたらす可能性がある。
［００２９］
放射線治療は、がんを治療するための主要な方法のひとつであり、すべてのがん患者の５０％以上に推奨されている。治療計画は、数学的最適化問題を含む複雑な設計プロセスを経て作成され、この最適化問題は、健康な組織への線量を最小限に抑えつつ、標的に十分に高い高線量を与えるような、線量提供に関する望ましい特性を把握する。最適化問題の全体的な構造は、リニアックを用いた治療（３Ｄ－ＣＲＴ、ＩＭＲＴ、ＶＭＡＴ）、陽子線治療、ガンマナイフ放射線手術、およびブラキセラピーを含む、ほとんどの放射線治療で同じである。最終的には、線量分布を実現するために必要な放射線治療装置の構成（制御点など）を決定する。
放射線治療は、がんを治療するための主要な方法のひとつであり、すべてのがん患者の５０％以上に推奨されている。治療計画は、数学的最適化問題を含む複雑な設計プロセスを経て作成され、この最適化問題は、健康な組織への線量を最小限に抑えつつ、標的に十分に高い高線量を与えるような、線量提供に関する望ましい特性を把握する。最適化問題の全体的な構造は、リニアックを用いた治療（３Ｄ－ＣＲＴ、ＩＭＲＴ、ＶＭＡＴ）、陽子線治療、ガンマナイフ放射線手術、およびブラキセラピーを含む、ほとんどの放射線治療で同じである。最終的には、線量分布を実現するために必要な放射線治療装置の構成（制御点など）を決定する。
［００３０］
現在のプランニングソフトウェアでは、標準的な数学的最適化手法を用いて最小化問題を解くのが一般的である。これらの作業には時間がかかり、患者や臨床医を無駄に待たせてしまうことがある。リアルタイムイメージングを利用した未来のアプリケーションでは、従来の最適化問題ソルバーでは実行できないリアルタイムの治療計画が必要になるかもしれない。
現在のプランニングソフトウェアでは、標準的な数学的最適化手法を用いて最小化問題を解くのが一般的である。これらの作業には時間がかかり、患者や臨床医を無駄に待たせてしまうことがある。リアルタイムイメージングを利用した未来のアプリケーションでは、従来の最適化問題ソルバーでは実行できないリアルタイムの治療計画が必要になるかもしれない。
［００３１］
開示された技術は、これらの課題を解決し、ＭＬモデルやパラメータ化された手法を活用することで、放射線治療計画の最適化問題を解く速度と効率を向上させる。特に、ＭＬモデルは、与えられた放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するために使用され、これにより、推定された最適化変数を使用して放射線治療計画の最適化問題を簡略化し、より速く解くことができる。放射線治療計画の最適化問題を解決する速度を向上させることにより、開示された技術は、リアルタイムでの治療計画の実行を可能にし、患者や臨床医の待ち時間を短縮することができる。最適化変数の推定とは、与えられた最適化問題の１つまたはそれ以上の決定変数の推定値を生成することである。
開示された技術は、これらの課題を解決し、ＭＬモデルやパラメータ化された手法を活用することで、放射線治療計画の最適化問題を解く速度と効率を向上させる。特に、ＭＬモデルは、与えられた放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するために使用され、これにより、推定された最適化変数を使用して放射線治療計画の最適化問題を簡略化し、より速く解くことができる。放射線治療計画の最適化問題を解決する速度を向上させることにより、開示された技術は、リアルタイムでの治療計画の実行を可能にし、患者や臨床医の待ち時間を短縮することができる。最適化変数の推定とは、与えられた最適化問題の１つまたはそれ以上の決定変数の推定値を生成することである。
［００３２］
具体的には、開示された技術は、放射線治療計画の最適化問題を受け取り、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定する。機械学習モデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。放射線治療計画の最適化問題の解は、放射線治療計画の最適化問題の推定された１つまたはそれ以上の最適化変数に基づいて生成される。放射線治療装置のパラメータ、例えば、制御点は、解決された放射線治療計画の最適化問題によって決定され、生成される。
具体的には、開示された技術は、放射線治療計画の最適化問題を受け取り、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定する。機械学習モデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。放射線治療計画の最適化問題の解は、放射線治療計画の最適化問題の推定された１つまたはそれ以上の最適化変数に基づいて生成される。放射線治療装置のパラメータ、例えば、制御点は、解決された放射線治療計画の最適化問題によって決定され、生成される。
［００３３］
図１は、本明細書で述べたアプローチの１つまたはそれ以上を使用して放射線治療計画処理オペレーションを実行するように適合された、例示的な放射線治療システム１００を示す。これらの放射線治療計画処理のオペレーションは、放射線治療システム１００が、撮影された医用画像データと治療線量計算または放射線治療装置構成パラメータの特定の態様に基づいて、患者に放射線治療を提供できるようにして実行される。具体的には、以下の処理オペレーションは、治療処理ロジック１２０の一部として実施される。しかしながら、以下のトレーニングされた（trained；訓練された）モデルおよび治療処理ロジック１２０の多くのバリエーションおよび使用ケースが、データ検証、可視化、およびその他の医療評価および診断の場面を含めて提供され得ることが理解されるであろう。
図１は、本明細書で述べたアプローチの１つまたはそれ以上を使用して放射線治療計画処理オペレーションを実行するように適合された、例示的な放射線治療システム１００を示す。これらの放射線治療計画処理のオペレーションは、放射線治療システム１００が、撮影された医用画像データと治療線量計算または放射線治療装置構成パラメータの特定の態様に基づいて、患者に放射線治療を提供できるようにして実行される。具体的には、以下の処理オペレーションは、治療処理ロジック１２０の一部として実施される。しかしながら、以下のトレーニングされた（trained；訓練された）モデルおよび治療処理ロジック１２０の多くのバリエーションおよび使用ケースが、データ検証、可視化、およびその他の医療評価および診断の場面を含めて提供され得ることが理解されるであろう。
［００３４］
放射線治療システム１００は、治療処理ロジック１２０をホストする放射線治療処理計算システム１１０を含む。放射線治療処理計算システム１１０は、ネットワーク（図示せず）に接続され、そのようなネットワークはインターネットに接続される。例えば、ネットワークは、放射線治療処理計算システム１１０を、１つまたはそれ以上のプライベートおよび／またはパブリックな医療情報ソース（例えば、放射線情報システム（ＲＩＳ））、医療記録システム（例えば、電子医療記録（ＥＭＲ）／電子健康記録（ＥＨＲ）システム）、腫瘍情報システム（ＯＩＳ））、１つまたはそれ以上の画像データソース１５０、画像取得装置１７０（例えば、撮像モダリティ）、治療装置１８０（例えば、放射線治療装置）、および治療データソース１６０と接続することができる。
放射線治療システム１００は、治療処理ロジック１２０をホストする放射線治療処理計算システム１１０を含む。放射線治療処理計算システム１１０は、ネットワーク（図示せず）に接続され、そのようなネットワークはインターネットに接続される。例えば、ネットワークは、放射線治療処理計算システム１１０を、１つまたはそれ以上のプライベートおよび／またはパブリックな医療情報ソース（例えば、放射線情報システム（ＲＩＳ））、医療記録システム（例えば、電子医療記録（ＥＭＲ）／電子健康記録（ＥＨＲ）システム）、腫瘍情報システム（ＯＩＳ））、１つまたはそれ以上の画像データソース１５０、画像取得装置１７０（例えば、撮像モダリティ）、治療装置１８０（例えば、放射線治療装置）、および治療データソース１６０と接続することができる。
［００３５］
一実施例として、放射線治療処理計算システム１１０は、治療装置１８０で使用するための、および／または装置１４６で出力するための治療計画を生成するオペレーションの一部として、治療処理ロジック１２０からの命令またはデータを実行することにより、（例えば、１つまたはそれ以上のＭＲ画像から）被験体の治療目標を受け取り、放射線治療計画を生成するように構成することができる。一実施形態では、治療処理ロジック１２０は、最適化問題を解き、放射線治療の治療計画を生成する。治療処理ロジック１２０は、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされたＭＬモデルを用いて、放射線治療の最適化問題を解決する。一実施例では、治療処理ロジック１２０は、受け取った最適化問題を特定のタイプに分類し、次に、特定のタイプの最適化問題を解くようにトレーニングされた与えられたＭＬモデルを特定する。与えられたＭＬモデルは、受け取った最適化問題に適用され、受け取った最適化問題の最適化変数を推定する．次に、最適化問題は、推定された最適化変に基づき、従来の最適化問題ソルバー（例えば．シンプレックス法（simplex method）、内点法（interior point method）、ニュートン法（Newton method）、準ニュートン法（quasi-Newton method）、ガウス－ニュートン法（Gauss-Newton method）、レーベンバーグ－マルカート法（Levenberg-Marquardt method）、線形最小二乗法（linear least-squares method）、勾配降下法（gradient descent method）、投影勾配法（projected gradient method）、共役勾配法（conjugate gradient method）、拡張ラグランジュ法（augmented Lagrangian method）、ネルダー－メード法（Nelder-Mead method）、分岐境界法（branch and bound method）、切断面法（cutting plane method）、焼きなまし法（simulated annealing）、および／または、逐次二次計画法（sequential quadratic programming））を用いて解決される。
一実施例として、放射線治療処理計算システム１１０は、治療装置１８０で使用するための、および／または装置１４６で出力するための治療計画を生成するオペレーションの一部として、治療処理ロジック１２０からの命令またはデータを実行することにより、（例えば、１つまたはそれ以上のＭＲ画像から）被験体の治療目標を受け取り、放射線治療計画を生成するように構成することができる。一実施形態では、治療処理ロジック１２０は、最適化問題を解き、放射線治療の治療計画を生成する。治療処理ロジック１２０は、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされたＭＬモデルを用いて、放射線治療の最適化問題を解決する。一実施例では、治療処理ロジック１２０は、受け取った最適化問題を特定のタイプに分類し、次に、特定のタイプの最適化問題を解くようにトレーニングされた与えられたＭＬモデルを特定する。与えられたＭＬモデルは、受け取った最適化問題に適用され、受け取った最適化問題の最適化変数を推定する．次に、最適化問題は、推定された最適化変に基づき、従来の最適化問題ソルバー（例えば．シンプレックス法（simplex method）、内点法（interior point method）、ニュートン法（Newton method）、準ニュートン法（quasi-Newton method）、ガウス－ニュートン法（Gauss-Newton method）、レーベンバーグ－マルカート法（Levenberg-Marquardt method）、線形最小二乗法（linear least-squares method）、勾配降下法（gradient descent method）、投影勾配法（projected gradient method）、共役勾配法（conjugate gradient method）、拡張ラグランジュ法（augmented Lagrangian method）、ネルダー－メード法（Nelder-Mead method）、分岐境界法（branch and bound method）、切断面法（cutting plane method）、焼きなまし法（simulated annealing）、および／または、逐次二次計画法（sequential quadratic programming））を用いて解決される。
［００３６］
一般的な放射線治療計画の最適化問題は、次に示す式（１）のように定義される。
一般的な放射線治療計画の最適化問題は、次に示す式（１）のように定義される。
ここで、ｆ：Ｘ→Ｒは目的関数、ｘ∈Ｘは決定変数、Ω⊆Ｘは実現可能な変数の集合である。一般的に、関数ｆは非線形であり、集合Ωは非凸である可能性がある。最適化問題は、通常、何らかの反復スキームを用いて解かれる。例えば、ｆが滑らかで凸型であり、Ωが凸型である場合、投影勾配法を用いて式（１）を次に示す式のように解くことができる。
ここで、proj Ω:Ｘ→ＸはΩ上への投影であり、Ω,η∈Ｒはステップサイズであり、∇ｆ：Ｘ→Ｘは勾配である。これらのアルゴリズムは、通常、証明可能な収束性がある（例えば、十分な時間（および正しいパラメータの選択）があれば、アルゴリズムは最小化（minimizer）に収束する）が、必ずしも非常に高速かつ効率的ではない。実際、いくつかのアルゴリズムでは、近似的な収束を達成するために、数千回とは言わないまでも数百回の反復を必要とする場合がある。各ステップは計算量が多いため、数分から数時間のランタイムが必要になることもある。開示された技術によれば、トレーニングされたＭＬモデルを使用して、そのような問題の１つまたはそれ以上の最適化変数（例えば、ｘ）を推定し、従来の方法を適用して最適化問題を解決することを迅速に行うことができる。あるアプローチでは、ＭＬモデルは、望ましいまたは期待される解の偏差しきい値の範囲内にある最適化問題の解を提供する。このような場合には、最適化問題の解がＭＬモデルによって推定されるため、従来の手法が不要になることがある。
［００３７］
特に、開示された実施形態は、深層学習に基づく最適化を用いて最適化問題を解決する速度と効率を高める。すなわち、問題の種類に応じて最適化スキームを選択する。深層学習の最適化アプローチは、深層ニューラルネットワークの形で、最適化問題にさらにパラメータを追加し、最適化問題を可能な限り（例えば、最適解から指定された閾値の偏差まで）解決するパラメータを選択する。
特に、開示された実施形態は、深層学習に基づく最適化を用いて最適化問題を解決する速度と効率を高める。すなわち、問題の種類に応じて最適化スキームを選択する。深層学習の最適化アプローチは、深層ニューラルネットワークの形で、最適化問題にさらにパラメータを追加し、最適化問題を可能な限り（例えば、最適解から指定された閾値の偏差まで）解決するパラメータを選択する。
［００３８］
放射線治療処理計算システム１１０は、処理回路１１２と、メモリ１１４と、記憶装置１１６と、ユーザインターフェース１４２、通信インタフェース（図示せず）のような他のハードウェアおよびソフトウェアで動作可能な機能（feature）を含むことができる。記憶装置１１６は、オペレーティングシステム、放射線治療の治療計画、トレーニングデータ、ソフトウェアプログラム（例えば、画像処理ソフトウェア、画像または解剖学的可視化ソフトウェア、ディープラーニングモデル、ＭＬモデル、およびニューラルネットワーク（ＮＮ）などによって提供されるような人工知能（ＡＩ）またはＭＬの実装およびアルゴリズム）、および処理回路１１２によって実行される他の任意のコンピュータ実行可能な命令のような、一過性または非一過性のコンピュータ実行可能な命令を記憶することができる。
放射線治療処理計算システム１１０は、処理回路１１２と、メモリ１１４と、記憶装置１１６と、ユーザインターフェース１４２、通信インタフェース（図示せず）のような他のハードウェアおよびソフトウェアで動作可能な機能（feature）を含むことができる。記憶装置１１６は、オペレーティングシステム、放射線治療の治療計画、トレーニングデータ、ソフトウェアプログラム（例えば、画像処理ソフトウェア、画像または解剖学的可視化ソフトウェア、ディープラーニングモデル、ＭＬモデル、およびニューラルネットワーク（ＮＮ）などによって提供されるような人工知能（ＡＩ）またはＭＬの実装およびアルゴリズム）、および処理回路１１２によって実行される他の任意のコンピュータ実行可能な命令のような、一過性または非一過性のコンピュータ実行可能な命令を記憶することができる。
［００３９］
一実施例では、処理回路１１２は、マイクロプロセッサ、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、加速処理装置（ＡＰＵ：Accelerated Processing Unit）のような１つまたはそれ以上の汎用処理装置のような処理装置を含むことができる。より具体的には、処理回路１１２は、ＣＩＳＣ（Complex Instruction Set Computing）マイクロプロセッサ、ＲＩＳＣ（Reduced Instruction Set Computing）マイクロプロセッサ、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り得る。また、処理回路１１２は、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Ｇate Array）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System On a Chip）のような、１つまたはそれ以上の特殊用途の処理装置によって実装され得る。
一実施例では、処理回路１１２は、マイクロプロセッサ、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、加速処理装置（ＡＰＵ：Accelerated Processing Unit）のような１つまたはそれ以上の汎用処理装置のような処理装置を含むことができる。より具体的には、処理回路１１２は、ＣＩＳＣ（Complex Instruction Set Computing）マイクロプロセッサ、ＲＩＳＣ（Reduced Instruction Set Computing）マイクロプロセッサ、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り得る。また、処理回路１１２は、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Ｇate Array）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System On a Chip）のような、１つまたはそれ以上の特殊用途の処理装置によって実装され得る。
［００４０］
当業者に理解されるように、いくつかの実施形態では、処理回路１１２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。処理回路１１２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。処理回路１１２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ＧＰＵのような、グラフィック処理ユニットを含み得る。処理回路１１２は、また、Ｉｎｔｅｌ（登録商標）によって製造されたＸｅｏｎ Ｐｈｉ（登録商標）ファミリーのユニットのような加速処理ユニットを含み得る。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、大量のデータを識別、分析、維持、生成、および／または、提供したり、本明細書で開示されている方法を実行するためにそのようなデータを操作したりするためのコンピューティング要求を満たすように構成され得るものである。さらに、「プロセッサ」という用語は、複数の物理的（回路ベース）またはソフトウェアベースのプロセッサ、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。処理回路１１２は、メモリ１１４に格納され、記憶装置１１６からアクセスされる一時的または非一時的なコンピュータプログラム命令のシーケンスを実行して、以下でより詳細に説明される様々なオペレーション、プロセス、および方法を実行することができる。システム１００内の任意のコンポーネントは、別々に実装されて独立した装置として動作してもよく、また、放射線治療システム１００内の任意の他のコンポーネントに結合されて、本開示で説明される技術を実行することができることを理解すべきである。
当業者に理解されるように、いくつかの実施形態では、処理回路１１２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。処理回路１１２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。処理回路１１２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ＧＰＵのような、グラフィック処理ユニットを含み得る。処理回路１１２は、また、Ｉｎｔｅｌ（登録商標）によって製造されたＸｅｏｎ Ｐｈｉ（登録商標）ファミリーのユニットのような加速処理ユニットを含み得る。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、大量のデータを識別、分析、維持、生成、および／または、提供したり、本明細書で開示されている方法を実行するためにそのようなデータを操作したりするためのコンピューティング要求を満たすように構成され得るものである。さらに、「プロセッサ」という用語は、複数の物理的（回路ベース）またはソフトウェアベースのプロセッサ、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。処理回路１１２は、メモリ１１４に格納され、記憶装置１１６からアクセスされる一時的または非一時的なコンピュータプログラム命令のシーケンスを実行して、以下でより詳細に説明される様々なオペレーション、プロセス、および方法を実行することができる。システム１００内の任意のコンポーネントは、別々に実装されて独立した装置として動作してもよく、また、放射線治療システム１００内の任意の他のコンポーネントに結合されて、本開示で説明される技術を実行することができることを理解すべきである。
［００４１］
メモリ１１４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、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、または、処理回路１１２やその他のコンピュータデバイスによってアクセス可能な画像、トレーニングデータ、１つまたはそれ以上のＭＬモデルまたは技術のパラメータ、データ、または一時的もしくは非一時的なコンピュータ実行可能な命令（例えば、任意のフォーマットで格納されている）を含む情報を格納するために使用可能なその他の非一時的な媒体であり得る。例えば、コンピュータプログラム命令は、処理回路１１２によってアクセスされ、ＲＯＭ、または任意の他の適切なメモリ位置から読み出され、処理回路１１２による実行のためにＲＡＭにロードされ得る。
メモリ１１４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、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、または、処理回路１１２やその他のコンピュータデバイスによってアクセス可能な画像、トレーニングデータ、１つまたはそれ以上のＭＬモデルまたは技術のパラメータ、データ、または一時的もしくは非一時的なコンピュータ実行可能な命令（例えば、任意のフォーマットで格納されている）を含む情報を格納するために使用可能なその他の非一時的な媒体であり得る。例えば、コンピュータプログラム命令は、処理回路１１２によってアクセスされ、ＲＯＭ、または任意の他の適切なメモリ位置から読み出され、処理回路１１２による実行のためにＲＡＭにロードされ得る。
［００４２］
記憶装置１１６は、本明細書に記載されている方法論または機能（様々な実施例では、治療処理ロジック１２０およびユーザインターフェース１４２を含む）のいずれか１つまたはそれ以上を具現化するか、またはそれによって利用される１つまたはそれ以上のセットの一時的または非一時的な命令およびデータ構造（例えば、ソフトウェア）が格納されている一時的または非一時的な機械読み取り可能な媒体を含むドライブユニットを構成し得る。また、命令は、放射線治療処理計算システム１１０による命令の実行中に、完全にまたは少なくとも部分的に、メモリ１１４内および／または処理回路１１２内に存在することができ、メモリ１１４および処理回路１１２は、一時的または非一時的な機械読取可能な媒体を構成し得る。
記憶装置１１６は、本明細書に記載されている方法論または機能（様々な実施例では、治療処理ロジック１２０およびユーザインターフェース１４２を含む）のいずれか１つまたはそれ以上を具現化するか、またはそれによって利用される１つまたはそれ以上のセットの一時的または非一時的な命令およびデータ構造（例えば、ソフトウェア）が格納されている一時的または非一時的な機械読み取り可能な媒体を含むドライブユニットを構成し得る。また、命令は、放射線治療処理計算システム１１０による命令の実行中に、完全にまたは少なくとも部分的に、メモリ１１４内および／または処理回路１１２内に存在することができ、メモリ１１４および処理回路１１２は、一時的または非一時的な機械読取可能な媒体を構成し得る。
［００４３］
メモリ１１４および記憶装置１１６は、非一時的なコンピュータ読み取り可能な媒体を構成し得る。例えば、メモリ１１４および記憶装置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の一時的または非一時的な命令をコンピュータ可読媒体に格納またはロードすることができる。メモリ１１４および記憶装置１１６に格納またはロードされたソフトウェアアプリケーションは、例えば、ソフトウェアで制御されたデバイスだけでなく、一般的なコンピュータシステム用のオペレーティングシステムを含み得る。また、放射線治療処理計算システム１１０は、治療処理ロジック１２０およびユーザインターフェース１４２を実装するためのソフトウェアコードからなる様々なソフトウェアプログラムを動作させることができる。さらに、メモリ１１４および記憶装置１１６は、処理回路１１２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、ソフトウェアアプリケーションの一部、またはソフトウェアアプリケーションに関連するコードもしくはデータを記憶またはロードすることができる。さらなる実施例では、メモリ１１４および記憶装置１１６は、１つまたはそれ以上の放射線治療の治療計画、撮像データ、セグメンテーションデータ、治療の可視化、ヒストグラムまたは測定値、１つまたはそれ以上のＡＩモデルデータ（例えば、開示された実施形態のＭＬモデルの重みおよびパラメータ）、トレーニングデータ、ラベルおよびマッピングデータなどを格納、ロード、および操作することができる。ソフトウェアプログラムは、記憶装置１１６およびメモリ１１４だけでなく、ハードドライブ、コンピュータディスク、ＣＤ－ＲＯＭ、ＤＶＤ、Ｂｌｕ－Ｒａｙ 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媒体のような取り外し可能なコンピュータ媒体にも保存されてもよく、そのようなソフトウェアプログラムは、ネットワークを介して通信または受信されてもよい。
メモリ１１４および記憶装置１１６は、非一時的なコンピュータ読み取り可能な媒体を構成し得る。例えば、メモリ１１４および記憶装置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の一時的または非一時的な命令をコンピュータ可読媒体に格納またはロードすることができる。メモリ１１４および記憶装置１１６に格納またはロードされたソフトウェアアプリケーションは、例えば、ソフトウェアで制御されたデバイスだけでなく、一般的なコンピュータシステム用のオペレーティングシステムを含み得る。また、放射線治療処理計算システム１１０は、治療処理ロジック１２０およびユーザインターフェース１４２を実装するためのソフトウェアコードからなる様々なソフトウェアプログラムを動作させることができる。さらに、メモリ１１４および記憶装置１１６は、処理回路１１２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、ソフトウェアアプリケーションの一部、またはソフトウェアアプリケーションに関連するコードもしくはデータを記憶またはロードすることができる。さらなる実施例では、メモリ１１４および記憶装置１１６は、１つまたはそれ以上の放射線治療の治療計画、撮像データ、セグメンテーションデータ、治療の可視化、ヒストグラムまたは測定値、１つまたはそれ以上のＡＩモデルデータ（例えば、開示された実施形態のＭＬモデルの重みおよびパラメータ）、トレーニングデータ、ラベルおよびマッピングデータなどを格納、ロード、および操作することができる。ソフトウェアプログラムは、記憶装置１１６およびメモリ１１４だけでなく、ハードドライブ、コンピュータディスク、ＣＤ－ＲＯＭ、ＤＶＤ、Ｂｌｕ－Ｒａｙ 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媒体のような取り外し可能なコンピュータ媒体にも保存されてもよく、そのようなソフトウェアプログラムは、ネットワークを介して通信または受信されてもよい。
［００４４］
それらは図示されていないが、放射線治療処理計算システム１１０は、通信インターフェース、ネットワークインターフェースカード、および通信回路を含み得る。通信インターフェースの例としては、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、ＩＥＥＥ８０２．１１／Ｗｉ－Ｆｉアダプタのような）、電気通信アダプタ（例えば、３Ｇ、４Ｇ／ＬＴＥ、５Ｇネットワークなど）などを含み得る。このような通信インターフェースは、ネットワークを介して機械が他の機械や装置（遠隔地にあるコンポーネントなど）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むことができる。ネットワークは、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスネットワーク、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、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、ネットワークは、他のシステム（医用画像処理や放射線治療のオペレーションに関連付けられた追加の画像処理コンピューティングシステムや画像ベースのコンポーネントを含む）を含むＬＡＮまたはＷＡＮであってもよい。
それらは図示されていないが、放射線治療処理計算システム１１０は、通信インターフェース、ネットワークインターフェースカード、および通信回路を含み得る。通信インターフェースの例としては、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、ＩＥＥＥ８０２．１１／Ｗｉ－Ｆｉアダプタのような）、電気通信アダプタ（例えば、３Ｇ、４Ｇ／ＬＴＥ、５Ｇネットワークなど）などを含み得る。このような通信インターフェースは、ネットワークを介して機械が他の機械や装置（遠隔地にあるコンポーネントなど）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むことができる。ネットワークは、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスネットワーク、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、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、ネットワークは、他のシステム（医用画像処理や放射線治療のオペレーションに関連付けられた追加の画像処理コンピューティングシステムや画像ベースのコンポーネントを含む）を含むＬＡＮまたはＷＡＮであってもよい。
［００４５］
一実施例では、放射線治療処理計算システム１１０は、記憶装置１１６およびメモリ１１４にホスティングするために、画像データソース１５０（例えば、ＭＲ画像）から画像データ１５２を取得する。さらに別の実施例では、ソフトウェアプログラムは、符号付き距離関数のような患者画像の関数や、画像情報のある態様を強調する画像の処理バージョンを代用する。
一実施例では、放射線治療処理計算システム１１０は、記憶装置１１６およびメモリ１１４にホスティングするために、画像データソース１５０（例えば、ＭＲ画像）から画像データ１５２を取得する。さらに別の実施例では、ソフトウェアプログラムは、符号付き距離関数のような患者画像の関数や、画像情報のある態様を強調する画像の処理バージョンを代用する。
［００４６］
一実施例では、放射線治療処理計算システム１１０は、画像データソース１５０から画像データ１５２を取得する、または画像データソース１５０に画像データ１５２を通信する。さらなる実施例では、治療データソース１６０は、治療処理ロジック１２０によって生成された治療計画の結果として、計画データを受信または更新する。また、画像データソース１５０は、また、治療処理ロジック１２０で使用するための画像データを提供またはホストする。
一実施例では、放射線治療処理計算システム１１０は、画像データソース１５０から画像データ１５２を取得する、または画像データソース１５０に画像データ１５２を通信する。さらなる実施例では、治療データソース１６０は、治療処理ロジック１２０によって生成された治療計画の結果として、計画データを受信または更新する。また、画像データソース１５０は、また、治療処理ロジック１２０で使用するための画像データを提供またはホストする。
［００４７］
一実施例では、計算システム１１０は、治療データソース１６０および入力装置１４８と通信して、複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数およびトレーニング用パラメータのペア；複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数およびトレーニングパラメータのペア、および、複数のトレーニング用放射線治療計画の最適化問題の解；および、与えられたタイプの複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数およびトレーニングパラメータのペアを生成することができる。
一実施例では、計算システム１１０は、治療データソース１６０および入力装置１４８と通信して、複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数およびトレーニング用パラメータのペア；複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数およびトレーニングパラメータのペア、および、複数のトレーニング用放射線治療計画の最適化問題の解；および、与えられたタイプの複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数およびトレーニングパラメータのペアを生成することができる。
［００４８］
処理回路１１２は、メモリ１１４および記憶装置１１６に通信可能に結合されていてもよく、処理回路１１２は、メモリ１１４または記憶装置１１６のいずれかからその上に記憶されたコンピュータ実行可能な命令を実行するように構成されていてもよい。処理回路１１２は、画像データ１５２からの医用画像をメモリ１１４で受取りまたは取得し、治療処理ロジック１２０を用いて処理して治療計画を生成させる命令を実行してもよい。特に、治療処理ロジック１２０は、受け取った医用画像に基づいて導き出された最適化問題を受け取る。治療処理ロジックは、最適化問題に適用されるトレーニングされたＭＬモデルを実装して、最適化問題の１つまたはそれ以上の最適化変数を推定する。最適化変数が推定されると、推定された最適化変数を用いて、受け取られた最適化問題が解決され、治療計画を生成する。
処理回路１１２は、メモリ１１４および記憶装置１１６に通信可能に結合されていてもよく、処理回路１１２は、メモリ１１４または記憶装置１１６のいずれかからその上に記憶されたコンピュータ実行可能な命令を実行するように構成されていてもよい。処理回路１１２は、画像データ１５２からの医用画像をメモリ１１４で受取りまたは取得し、治療処理ロジック１２０を用いて処理して治療計画を生成させる命令を実行してもよい。特に、治療処理ロジック１２０は、受け取った医用画像に基づいて導き出された最適化問題を受け取る。治療処理ロジックは、最適化問題に適用されるトレーニングされたＭＬモデルを実装して、最適化問題の１つまたはそれ以上の最適化変数を推定する。最適化変数が推定されると、推定された最適化変数を用いて、受け取られた最適化問題が解決され、治療計画を生成する。
［００４９］
さらに、処理回路１１２は、ソフトウェアプログラムを利用して、例えば、ＮＮモデル、機械学習モデル、治療処理ロジック１２０、または、本明細書で議論されるような治療計画の生成に関与する他の態様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ことができる。さらに、そのようなソフトウェアプログラムは、治療処理ロジック１２０を利用して、本明細書でさらに説明した技術を用いて、治療データソース１６０への展開および／または出力装置１４６での提示のための新しいまたは更新された治療計画パラメータを生成することができる。処理回路１１２は、続いて、新しいまたは更新された治療計画パラメータを、通信インターフェースおよびネットワークを介して治療装置１８０に送信することができ、ここで、放射線治療計画は、（例えば、図３に関連して後述するプロセスに従って）治療処理ロジック１２０によって実装されたトレーニングされたＭＬモデルの結果と一致して、治療装置１８０を介して患者を放射線で治療するために使用される。
さらに、処理回路１１２は、ソフトウェアプログラムを利用して、例えば、ＮＮモデル、機械学習モデル、治療処理ロジック１２０、または、本明細書で議論されるような治療計画の生成に関与する他の態様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ことができる。さらに、そのようなソフトウェアプログラムは、治療処理ロジック１２０を利用して、本明細書でさらに説明した技術を用いて、治療データソース１６０への展開および／または出力装置１４６での提示のための新しいまたは更新された治療計画パラメータを生成することができる。処理回路１１２は、続いて、新しいまたは更新された治療計画パラメータを、通信インターフェースおよびネットワークを介して治療装置１８０に送信することができ、ここで、放射線治療計画は、（例えば、図３に関連して後述するプロセスに従って）治療処理ロジック１２０によって実装されたトレーニングされたＭＬモデルの結果と一致して、治療装置１８０を介して患者を放射線で治療するために使用される。
［００５０］
本明細書の実施例では、処理回路１１２は、治療処理ロジック１２０を呼び出すソフトウェアプログラムを実行して、入力された放射線治療医用情報（例えば、ＣＴ画像、ＭＲ画像、および／またはｓＣＴ画像および／または線量情報）から治療計画生成のためのＭＬ、ディープラーニング、ＮＮ、および人工知能の他の側面の機能を実装することができる。例えば、処理回路１１２は、本明細書で説明したように、受け取った放射線治療の医用情報から治療計画パラメータを訓練、分析、予測、評価、生成するソフトウェアプログラムを実行することができる。
本明細書の実施例では、処理回路１１２は、治療処理ロジック１２０を呼び出すソフトウェアプログラムを実行して、入力された放射線治療医用情報（例えば、ＣＴ画像、ＭＲ画像、および／またはｓＣＴ画像および／または線量情報）から治療計画生成のためのＭＬ、ディープラーニング、ＮＮ、および人工知能の他の側面の機能を実装することができる。例えば、処理回路１１２は、本明細書で説明したように、受け取った放射線治療の医用情報から治療計画パラメータを訓練、分析、予測、評価、生成するソフトウェアプログラムを実行することができる。
［００５１］
一実施例では、画像データ１５２は、１つまたはそれ以上のＭＲＩ画像（例えば、２Ｄの ＭＲＩ、３ＤのＭＲＩ、２ＤのストリーミングＭＲＩ、４ＤのＭＲＩ、４ＤのボルメトリックＭＲＩ、４Ｄのシネ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、２ＤのＣＴ、コーンビームＣＴ、３ＤのＣＴ、４ＤのＣＴ）、超音波画像（例えば、２Ｄの超音波、３Ｄの超音波、４Ｄの超音波）、ＰＥＴ（Positron Emission Tomography）画像、Ｘ線画像、透視画像、放射線治療ポータル画像、ＳＰＥＣＴ（Single-Photo Emission Computed Tomography）画像、コンピュータで作成した合成画像（擬似ＣＴ画像など）など、を含み得る。さらに、画像データ１５２は、医用画像処理データ（例えば、トレーニング画像、グランドトゥルース画像、輪郭画像、線量画像）を含む、またはそれと関連付けられる。他の実施例では、解剖学的領域の同等の表現は、画像以外のフォーマット（例えば、座標、マッピングなど）で表され得る。
一実施例では、画像データ１５２は、１つまたはそれ以上のＭＲＩ画像（例えば、２Ｄの ＭＲＩ、３ＤのＭＲＩ、２ＤのストリーミングＭＲＩ、４ＤのＭＲＩ、４ＤのボルメトリックＭＲＩ、４Ｄのシネ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、２ＤのＣＴ、コーンビームＣＴ、３ＤのＣＴ、４ＤのＣＴ）、超音波画像（例えば、２Ｄの超音波、３Ｄの超音波、４Ｄの超音波）、ＰＥＴ（Positron Emission Tomography）画像、Ｘ線画像、透視画像、放射線治療ポータル画像、ＳＰＥＣＴ（Single-Photo Emission Computed Tomography）画像、コンピュータで作成した合成画像（擬似ＣＴ画像など）など、を含み得る。さらに、画像データ１５２は、医用画像処理データ（例えば、トレーニング画像、グランドトゥルース画像、輪郭画像、線量画像）を含む、またはそれと関連付けられる。他の実施例では、解剖学的領域の同等の表現は、画像以外のフォーマット（例えば、座標、マッピングなど）で表され得る。
［００５２］
一実施例では、画像データ１５２は、画像取得装置１７０から受信され、１つまたはそれ以上の画像データソース１５０（例えば、ＰＡＣＳ（Picture Archiving and Communication System）、ＶＮＡ（Vendor Neutral Archive）、医療記録または情報システム、データウェアハウスなど）に格納され得る。したがって、画像取得装置１７０は、患者の医用画像を取得するために、ＭＲＩ撮像装置、ＣＴ撮像装置、ＰＥＴ撮像装置、超音波撮像装置、透視装置、ＳＰＥＣＴ撮像装置、線形加速器とＭＲＩの一体型撮像装置のような医用撮像装置で構成され得る。画像データ１５２は、画像取得装置１７０および放射線治療処理計算システム１１０が、開示された実施形態による操作を実行するために使用することができ、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（例えば、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）フォーマット）で受信および格納され得る。さらに、いくつかの実施例では、本明細書で説明するモデルは、オリジナルの画像データフォーマットまたはその派生物を処理するようにトレーニングされ得る。
一実施例では、画像データ１５２は、画像取得装置１７０から受信され、１つまたはそれ以上の画像データソース１５０（例えば、ＰＡＣＳ（Picture Archiving and Communication System）、ＶＮＡ（Vendor Neutral Archive）、医療記録または情報システム、データウェアハウスなど）に格納され得る。したがって、画像取得装置１７０は、患者の医用画像を取得するために、ＭＲＩ撮像装置、ＣＴ撮像装置、ＰＥＴ撮像装置、超音波撮像装置、透視装置、ＳＰＥＣＴ撮像装置、線形加速器とＭＲＩの一体型撮像装置のような医用撮像装置で構成され得る。画像データ１５２は、画像取得装置１７０および放射線治療処理計算システム１１０が、開示された実施形態による操作を実行するために使用することができ、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（例えば、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）フォーマット）で受信および格納され得る。さらに、いくつかの実施例では、本明細書で説明するモデルは、オリジナルの画像データフォーマットまたはその派生物を処理するようにトレーニングされ得る。
［００５３］
一実施例では、画像取得装置１７０は、単一の装置（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）として治療装置１８０と統合され得る。このようなＭＲＩ－Ｌｉｎａｃは、例えば、患者のターゲットの臓器やターゲットの腫瘍の位置を決定し、放射線治療の治療計画に基づいて、所定のターゲットに正確に放射線治療を行うために使用することができる。例えば、放射線治療の治療計画では、各患者に適用す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。また、放射線治療の治療計画には、放射線治療装置の制御点、例えば、カウチの位置、ビーム強度、ビーム角度、線量－ヒストグラム－ボリューム情報、治療時に使用する放射線ビームの本数、ビーム１本あたりの線量のような、その他の放射線治療情報が含まれ得る。
一実施例では、画像取得装置１７０は、単一の装置（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）として治療装置１８０と統合され得る。このようなＭＲＩ－Ｌｉｎａｃは、例えば、患者のターゲットの臓器やターゲットの腫瘍の位置を決定し、放射線治療の治療計画に基づいて、所定のターゲットに正確に放射線治療を行うために使用することができる。例えば、放射線治療の治療計画では、各患者に適用す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。また、放射線治療の治療計画には、放射線治療装置の制御点、例えば、カウチの位置、ビーム強度、ビーム角度、線量－ヒストグラム－ボリューム情報、治療時に使用する放射線ビームの本数、ビーム１本あたりの線量のような、その他の放射線治療情報が含まれ得る。
［００５４］
放射線治療処理計算システム１１０は、ネットワークを介して外部のデータベースと通信し、画像処理や放射線治療の操作に関連する複数の様々な種類のデータを送受信し得る。例えば、外部データベースは、治療装置１８０、画像取得装置１７０、または放射線治療や医療処置に関連する他の機械に関連付けられた情報を提供する機械データ（装置制約を含む）を含むことができる。機械データの情報（例えば、制御ポイント）には、放射線ビームのサイズ、アークの配置、ビームのオン／オフ時間の長さ、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）の構成、ガントリの速度、ＭＲＩのパルスシーケンスなどが含まれる。外部データベースは、記憶装置であってもよく、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ていてもよい。さらに、このようなデータベースやデータソースは、中央または分散して配置された複数のデバイスやシステムを含んでいてもよい。
放射線治療処理計算システム１１０は、ネットワークを介して外部のデータベースと通信し、画像処理や放射線治療の操作に関連する複数の様々な種類のデータを送受信し得る。例えば、外部データベースは、治療装置１８０、画像取得装置１７０、または放射線治療や医療処置に関連する他の機械に関連付けられた情報を提供する機械データ（装置制約を含む）を含むことができる。機械データの情報（例えば、制御ポイント）には、放射線ビームのサイズ、アークの配置、ビームのオン／オフ時間の長さ、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）の構成、ガントリの速度、ＭＲＩのパルスシーケンスなどが含まれる。外部データベースは、記憶装置であってもよく、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ていてもよい。さらに、このようなデータベースやデータソースは、中央または分散して配置された複数のデバイスやシステムを含んでいてもよい。
［００５５］
放射線治療処理計算システム１１０は、処理回路１１２およびメモリ１１４に通信可能に結合された１つまたはそれ以上の通信インターフェースを使用して、ネットワークを介して、データを収集および取得し、他のシステムと通信することができる。例えば、通信インターフェースは、放射線治療処理計算システム１１０と放射線治療システムコンポーネントとの間の通信接続を（例えば、外部装置とのデータ交換を可能にして）提供することができる。例えば、通信インターフェースは、いくつかの実施例では、出力装置１４６または入力装置１４８からの適切なインターフェース回路を有し、ユーザが放射線治療システム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であるユーザインターフェース１４２に接続することができる。
放射線治療処理計算システム１１０は、処理回路１１２およびメモリ１１４に通信可能に結合された１つまたはそれ以上の通信インターフェースを使用して、ネットワークを介して、データを収集および取得し、他のシステムと通信することができる。例えば、通信インターフェースは、放射線治療処理計算システム１１０と放射線治療システムコンポーネントとの間の通信接続を（例えば、外部装置とのデータ交換を可能にして）提供することができる。例えば、通信インターフェースは、いくつかの実施例では、出力装置１４６または入力装置１４８からの適切なインターフェース回路を有し、ユーザが放射線治療システム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であるユーザインターフェース１４２に接続することができる。
［００５６］
一実施例として、出力装置１４６は、ユーザインターフェース１４２の表現と、医用画像、治療計画、およびそのような計画のトレーニング、生成、検証、または実施のステータスの１つまたはそれ以上の側面、視覚化、または表現を出力する表示装置を含み得る。出力装置１４６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、ラベル、マップなど）、治療計画、ターゲット、ターゲットのローカライズおよび／またはターゲットのトラッキング、または関連する情報をユーザに表示する１つまたはそれ以上の表示画面を含み得る。ユーザインターフェース１４２に接続された入力装置１４８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に対して使用することができる任意のタイプの装置であり得る。あるいは、出力装置１４６、入力装置１４８、およびユーザインターフェース１４２の機能は、スマートフォンや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）のような単一のデバイスに統合され得る。
一実施例として、出力装置１４６は、ユーザインターフェース１４２の表現と、医用画像、治療計画、およびそのような計画のトレーニング、生成、検証、または実施のステータスの１つまたはそれ以上の側面、視覚化、または表現を出力する表示装置を含み得る。出力装置１４６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、ラベル、マップなど）、治療計画、ターゲット、ターゲットのローカライズおよび／またはターゲットのトラッキング、または関連する情報をユーザに表示する１つまたはそれ以上の表示画面を含み得る。ユーザインターフェース１４２に接続された入力装置１４８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に対して使用することができる任意のタイプの装置であり得る。あるいは、出力装置１４６、入力装置１４８、およびユーザインターフェース１４２の機能は、スマートフォンや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）のような単一のデバイスに統合され得る。
［００５７］
さらに、放射線治療システムの任意およびすべてのコンポーネントは、仮想マシン（例えば、ＶＭＷａｒｅ、Ｈｙｐｅｒ－Ｖのような仮想化プラットフォームを介して）または独立したデバイスとして実装され得る。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る。したがって、仮想マシンには、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、１つまたはそれ以上の仮想通信インターフェースが含まれ、それらが一体となってハードウェアとして機能することができる。例えば、放射線治療処理計算システム１１０、画像データソース１５０、または同様のコンポーネントは、仮想マシンとして、またはクラウドベースの仮想化環境内で実装され得る。
さらに、放射線治療システムの任意およびすべてのコンポーネントは、仮想マシン（例えば、ＶＭＷａｒｅ、Ｈｙｐｅｒ－Ｖのような仮想化プラットフォームを介して）または独立したデバイスとして実装され得る。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る。したがって、仮想マシンには、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、１つまたはそれ以上の仮想通信インターフェースが含まれ、それらが一体となってハードウェアとして機能することができる。例えば、放射線治療処理計算システム１１０、画像データソース１５０、または同様のコンポーネントは、仮想マシンとして、またはクラウドベースの仮想化環境内で実装され得る。
［００５８］
画像取得装置１７０は、関心領域（例えば、ターゲット臓器、ターゲット腫瘍またはその両方）に対す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することができる。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、方向、および位置など）を含むことができる。一実施例では、画像取得装置１７０は、任意の方向の２Ｄスライスを取得することができる。例えば、２Ｄスライスの方向は、サジタル方向（矢状方向：sagittal orientation）、コロナル方向（冠状方向：coronal orientation）、アキシャル方向（体軸方向：axial orientation）を含むことができる。処理回路１１２は、ターゲット臓器および／またはターゲット腫瘍を含むように、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することができる。一実施例では、２Ｄスライスは、３ＤのＣＢＣＴまたはＣＴ、またはＭＲＩボリュームのような情報から決定することができる。このような２Ｄスライスは、患者が放射線治療の治療を受けている間（例えば、治療装置１８０を使用しているとき）画像取得装置１７０により「ほぼリアルタイム（near real time）」で取得することができる（「ほぼリアルタイム」とは、少なくともミリ秒以下でデータを取得することを意味する）。
画像取得装置１７０は、関心領域（例えば、ターゲット臓器、ターゲット腫瘍またはその両方）に対す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することができる。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、方向、および位置など）を含むことができる。一実施例では、画像取得装置１７０は、任意の方向の２Ｄスライスを取得することができる。例えば、２Ｄスライスの方向は、サジタル方向（矢状方向：sagittal orientation）、コロナル方向（冠状方向：coronal orientation）、アキシャル方向（体軸方向：axial orientation）を含むことができる。処理回路１１２は、ターゲット臓器および／またはターゲット腫瘍を含むように、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することができる。一実施例では、２Ｄスライスは、３ＤのＣＢＣＴまたはＣＴ、またはＭＲＩボリュームのような情報から決定することができる。このような２Ｄスライスは、患者が放射線治療の治療を受けている間（例えば、治療装置１８０を使用しているとき）画像取得装置１７０により「ほぼリアルタイム（near real time）」で取得することができる（「ほぼリアルタイム」とは、少なくともミリ秒以下でデータを取得することを意味する）。
［００５９］
放射線治療処理計算システム１１０の治療処理ロジック１２０は、ＭＬモデルを実装しており、これは、トレーニングされた（学習された）ＭＬモデルの使用を含む。このＭＬモデルは、ＮＮモデルの一部として学習されたＮＮによって提供され得る。１つまたはそれ以上の教師ＭＬモデルは、処理ロジック１２０に関連する異なるエンティティまたはオフサイト施設で提供され、オフサイト施設に１つまたはそれ以上のクエリを発行することでアクセスすることができる。
放射線治療処理計算システム１１０の治療処理ロジック１２０は、ＭＬモデルを実装しており、これは、トレーニングされた（学習された）ＭＬモデルの使用を含む。このＭＬモデルは、ＮＮモデルの一部として学習されたＮＮによって提供され得る。１つまたはそれ以上の教師ＭＬモデルは、処理ロジック１２０に関連する異なるエンティティまたはオフサイト施設で提供され、オフサイト施設に１つまたはそれ以上のクエリを発行することでアクセスすることができる。
［００６０］
教師あり機械学習（ＭＬ）のアルゴリズム、または、ＭＬのモデルまたは技術は、関数の近似性に集約することができる。あるタイプの入出力ペアからなるトレーニングデータ（例えば、複数のトレーニング放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータ）は、例えば、専門の臨床医または事前の最適化計画ソルバーから取得され、関数は、このマッピングを近似するように「トレーニング」される。いくつかの方法は、ＮＮを使う。これらでは、パラメータ化された関数のセットＡθが選択され、ここで、θは、トレーニングデータ上の平均誤差を最小にすることにより選択されるパラメータのセット（例えば、コンボリューションカーネルおよびバイアス）である。入力と出力のペアを（ｘｍ，ｙｍ）とすると、次に示す式（２）のような最小化問題を解くことで関数を形式化することができる。
教師あり機械学習（ＭＬ）のアルゴリズム、または、ＭＬのモデルまたは技術は、関数の近似性に集約することができる。あるタイプの入出力ペアからなるトレーニングデータ（例えば、複数のトレーニング放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータ）は、例えば、専門の臨床医または事前の最適化計画ソルバーから取得され、関数は、このマッピングを近似するように「トレーニング」される。いくつかの方法は、ＮＮを使う。これらでは、パラメータ化された関数のセットＡθが選択され、ここで、θは、トレーニングデータ上の平均誤差を最小にすることにより選択されるパラメータのセット（例えば、コンボリューションカーネルおよびバイアス）である。入力と出力のペアを（ｘｍ，ｙｍ）とすると、次に示す式（２）のような最小化問題を解くことで関数を形式化することができる。
［００６１］
いちどネットワークがトレーニングされると（例えば、θが選択されると）、関数Ａθは任意の新しい入力に適用することができる。例えば、上記の放射線治療計画の最適化問題の変数の設定において、今までない放射線治療計画の最適化問題をＡθに入力し、最適化問題ソルバーが求めるものと一致する１つまたはそれ以上の放射線治療計画の最適化問題の変数を推定することができる。
いちどネットワークがトレーニングされると（例えば、θが選択されると）、関数Ａθは任意の新しい入力に適用することができる。例えば、上記の放射線治療計画の最適化問題の変数の設定において、今までない放射線治療計画の最適化問題をＡθに入力し、最適化問題ソルバーが求めるものと一致する１つまたはそれ以上の放射線治療計画の最適化問題の変数を推定することができる。
［００６２］
単純なＮＮは、入力レイヤ、中間レイヤまたは隠れレイヤ）、出力レイヤで構成され、それぞれが計算ユニットまたはノードを含んでいる。隠れレイヤのノードは、すべての入力レイヤのノードから入力され、出力レイヤのすべてのノードに接続される。このようなネットワークは「完全連結された（fully connected）」と呼ばれる。各ノードは、それら入力の和の非線形関数に依存する出力ノードに信号を伝達する。分類器（classifier）に対しては、入力レイヤのノードの数は、典型的には、クラス（class）に分類されるオブジェクト（object）のセットのそれぞれの特徴（feature）の数に等しく、出力レイヤのノードの数はクラス（class）の数に等しい。ネットワークは、それを既知のクラスのオブジェクトの特徴で表し、バックプロパゲーションと呼ばれるアルゴリズムにより、学習誤差が小さくなるようにノードの重みを調整することによりトレーニングされる。したがって、トレーニングされたネットワークは、クラスが不明な新規のオブジェクトを分類することができる。
単純なＮＮは、入力レイヤ、中間レイヤまたは隠れレイヤ）、出力レイヤで構成され、それぞれが計算ユニットまたはノードを含んでいる。隠れレイヤのノードは、すべての入力レイヤのノードから入力され、出力レイヤのすべてのノードに接続される。このようなネットワークは「完全連結された（fully connected）」と呼ばれる。各ノードは、それら入力の和の非線形関数に依存する出力ノードに信号を伝達する。分類器（classifier）に対しては、入力レイヤのノードの数は、典型的には、クラス（class）に分類されるオブジェクト（object）のセットのそれぞれの特徴（feature）の数に等しく、出力レイヤのノードの数はクラス（class）の数に等しい。ネットワークは、それを既知のクラスのオブジェクトの特徴で表し、バックプロパゲーションと呼ばれるアルゴリズムにより、学習誤差が小さくなるようにノードの重みを調整することによりトレーニングされる。したがって、トレーニングされたネットワークは、クラスが不明な新規のオブジェクトを分類することができる。
［００６３］
ニューラルネットワークは、データとクラスまたは回帰値との間の関係を発見する能力を有し、ある条件の下では、非線形関数を含むあらゆる関数ｙ＝ｆ（ｘ）をエミュレートすることができる。ＭＬでは、トレーニングデータおよびテストデータの両方が、同一のデータ生成プロセスＰdataにより生成され、そこでは、各{xｉ,yｉ}サンプルが同一かつ独立に分布している（i.i.d.：identically and independently distributed）を前提としている。ＭＬでは、学習誤差を最小にし、かつ、トレーニング誤差とテスト誤差の差をできるだけ小さくすることが目標である。アンダーフィッティング（underfitting）は、トレーニング誤差（training error）が大きすぎる場合に発生し、オーバーフィッティング（overfitting）は、トレーニング誤差とテスト誤差のギャップ（train-test error gap）が大きすぎる場合に発生する。これらの性能低下の両方はモデルのキャパシティ（capacity）に関連し、大きなキャパシティはトレーニングデータに非常によくフィットするがオーバーフィッティングとなる可能性があり、小さなキャパシティはアンダーフィッティングとなる可能性がある。
ニューラルネットワークは、データとクラスまたは回帰値との間の関係を発見する能力を有し、ある条件の下では、非線形関数を含むあらゆる関数ｙ＝ｆ（ｘ）をエミュレートすることができる。ＭＬでは、トレーニングデータおよびテストデータの両方が、同一のデータ生成プロセスＰdataにより生成され、そこでは、各{xｉ,yｉ}サンプルが同一かつ独立に分布している（i.i.d.：identically and independently distributed）を前提としている。ＭＬでは、学習誤差を最小にし、かつ、トレーニング誤差とテスト誤差の差をできるだけ小さくすることが目標である。アンダーフィッティング（underfitting）は、トレーニング誤差（training error）が大きすぎる場合に発生し、オーバーフィッティング（overfitting）は、トレーニング誤差とテスト誤差のギャップ（train-test error gap）が大きすぎる場合に発生する。これらの性能低下の両方はモデルのキャパシティ（capacity）に関連し、大きなキャパシティはトレーニングデータに非常によくフィットするがオーバーフィッティングとなる可能性があり、小さなキャパシティはアンダーフィッティングとなる可能性がある。
［００６４］
図２Ａは、Ｘ線源または線形加速器のような放射線源と、カウチ２４６と、撮像検出器２４４と、放射線治療出力２３４とを含む、例示的な画像誘導型放射線治療装置２３２を示す。放射線治療装置２３２は、患者に治療を施すために放射線治療ビーム２３８を照射するように構成されている。放射線治療出力２３４は、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。
図２Ａは、Ｘ線源または線形加速器のような放射線源と、カウチ２４６と、撮像検出器２４４と、放射線治療出力２３４とを含む、例示的な画像誘導型放射線治療装置２３２を示す。放射線治療装置２３２は、患者に治療を施すために放射線治療ビーム２３８を照射するように構成されている。放射線治療出力２３４は、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。
［００６５］
一実施例として、患者は、治療カウチ２４６によって支持された領域２４２に配置され、放射線治療の治療計画に従って放射線治療量を受けることができる。放射線治療出力２３４は、ガントリ２３６または他の機械的支持体に取り付けまたは装着される。１つまたはそれ以上のシャーシモータ（図示せず）は、カウチ２４６が治療領域に挿入されたときに、ガントリ２３６および放射線治療出力２３４をカウチ２４６の周りに回転させることができる。一実施例では、ガントリ２３６は、カウチ２４６が治療領域に挿入されると、カウチ２４６の周りを連続的に回転可能である。別の実施例では、ガントリ２３６は、カウチ２４６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２３６は、軸（「Ａ」）を中心に治療出力２３４を回転させるように構成されている。カウチ２４６と放射線治療出力２３４の両方は、横方向（transvers 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」で示す）を中心とした回転のように、１つまたはそれ以上の他の軸を中心とした回転として、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、放射線治療の治療計画に従って患者を放射線治療ビーム２３８の中または外に適切に配置するために、カウチ２４６の動きまたは回転を制御することができる。カウチ２４６とガントリ２３６の両方が、互いに独立して複数の自由度で移動可能であるため、放射線治療ビーム２３８が正確に腫瘍を標的とすることができるよう患者を配置することができる。
一実施例として、患者は、治療カウチ２４６によって支持された領域２４２に配置され、放射線治療の治療計画に従って放射線治療量を受けることができる。放射線治療出力２３４は、ガントリ２３６または他の機械的支持体に取り付けまたは装着される。１つまたはそれ以上のシャーシモータ（図示せず）は、カウチ２４６が治療領域に挿入されたときに、ガントリ２３６および放射線治療出力２３４をカウチ２４６の周りに回転させることができる。一実施例では、ガントリ２３６は、カウチ２４６が治療領域に挿入されると、カウチ２４６の周りを連続的に回転可能である。別の実施例では、ガントリ２３６は、カウチ２４６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２３６は、軸（「Ａ」）を中心に治療出力２３４を回転させるように構成されている。カウチ２４６と放射線治療出力２３４の両方は、横方向（transvers 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」で示す）を中心とした回転のように、１つまたはそれ以上の他の軸を中心とした回転として、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、放射線治療の治療計画に従って患者を放射線治療ビーム２３８の中または外に適切に配置するために、カウチ２４６の動きまたは回転を制御することができる。カウチ２４６とガントリ２３６の両方が、互いに独立して複数の自由度で移動可能であるため、放射線治療ビーム２３８が正確に腫瘍を標的とすることができるよう患者を配置することができる。
［００６６］
座標系（軸Ａ、Ｔ、Ｌを含む）は、アイソセンタ２４０に位置する原点を持つ。アイソセンタ２４０は、患者上または患者内のある場所に所定の放射線量を照射するためなど、放射線治療ビーム２３８の中心軸が座標軸の原点と交差する位置と定義することができる。あるいは、アイソセンタ２４０は、ガントリ２３６によって軸Ａの周りに配置された放射線治療出力２３４の様々な回転位置に対して、放射線治療ビーム２３８の中心軸が患者と交差する位置として定義することができる。
座標系（軸Ａ、Ｔ、Ｌを含む）は、アイソセンタ２４０に位置する原点を持つ。アイソセンタ２４０は、患者上または患者内のある場所に所定の放射線量を照射するためなど、放射線治療ビーム２３８の中心軸が座標軸の原点と交差する位置と定義することができる。あるいは、アイソセンタ２４０は、ガントリ２３６によって軸Ａの周りに配置された放射線治療出力２３４の様々な回転位置に対して、放射線治療ビーム２３８の中心軸が患者と交差する位置として定義することができる。
［００６７］
また、ガントリ２３６は、付属の撮像検出器２４４を有することができる。撮像検出器２４４は、好ましくは放射線源（出力２３４）の反対側に配置され、一実施例では、撮像検出器２４４は、放射線治療ビーム２３８のフィールド内に配置することができる。撮像検出器２４４は、放射線治療ビーム２３８との整合性を維持するように、好ましくは放射線治療出力２３４の反対側のガントリ２３６に取り付けることができる。撮像検出器２４４は、ガントリ２３６の回転に伴い、回転軸を中心に回転する。一実施例では、撮像検出器２４４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２４４は、治療ビーム２３８をモニタするために使用することができ、あるいは、撮像検出器２４４は、ポータル画像など、患者の解剖学的構造を画像化するために使用することができる。放射線治療装置２３２の制御回路は、放射線治療システム１００内に組み込まれていてもよいし、離れていてもよい。
また、ガントリ２３６は、付属の撮像検出器２４４を有することができる。撮像検出器２４４は、好ましくは放射線源（出力２３４）の反対側に配置され、一実施例では、撮像検出器２４４は、放射線治療ビーム２３８のフィールド内に配置することができる。撮像検出器２４４は、放射線治療ビーム２３８との整合性を維持するように、好ましくは放射線治療出力２３４の反対側のガントリ２３６に取り付けることができる。撮像検出器２４４は、ガントリ２３６の回転に伴い、回転軸を中心に回転する。一実施例では、撮像検出器２４４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２４４は、治療ビーム２３８をモニタするために使用することができ、あるいは、撮像検出器２４４は、ポータル画像など、患者の解剖学的構造を画像化するために使用することができる。放射線治療装置２３２の制御回路は、放射線治療システム１００内に組み込まれていてもよいし、離れていてもよい。
［００６８］
例示的な例では、カウチ２４６、治療出力２３４、またはガントリ２３６のうちの１つまたはそれ以上を自動的に位置決めすることができ、治療出力２３４は、特定の治療提供インスタンスのための指定された線量に従って、放射線治療ビーム２３８を確立することができる。ガントリ２３６、カウチ２４６、または治療出力２３４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など、放射線治療の治療計画に応じて、治療提供のシーケンスを指定することができる。治療の提供は順次行われるが、アイソセンタ２４０など、患者上または患者内の所望の治療軌跡で交差させることができる。これにより、所定の累積線量の放射線治療を治療部位に行うことができる一方で、治療部位付近の組織へのダメージを軽減または回避することができる。
例示的な例では、カウチ２４６、治療出力２３４、またはガントリ２３６のうちの１つまたはそれ以上を自動的に位置決めすることができ、治療出力２３４は、特定の治療提供インスタンスのための指定された線量に従って、放射線治療ビーム２３８を確立することができる。ガントリ２３６、カウチ２４６、または治療出力２３４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など、放射線治療の治療計画に応じて、治療提供のシーケンスを指定することができる。治療の提供は順次行われるが、アイソセンタ２４０など、患者上または患者内の所望の治療軌跡で交差させることができる。これにより、所定の累積線量の放射線治療を治療部位に行うことができる一方で、治療部位付近の組織へのダメージを軽減または回避することができる。
［００６９］
したがって、図２Ａは、放射線治療出力が中心軸（例えば、軸「Ａ」）を中心に回転できる構成で、放射線治療計画に一致する、またはそれに従って患者に放射線治療を提供するように動作可能な放射線治療装置２３２の一実施例を具体的に示している。その他の放射線治療用の出力構成も可能である。例えば、放射線治療用の出力は、複数の自由度を持つロボットアームやマニピュレーターに取り付けることができる。さらに別の実施例では、治療出力を患者から横方向に離れた領域に配置するなどして固定し、患者を支持するプラットフォームを使用して、放射線治療のアイソセンタを患者内の指定されたターゲット軌跡に合わせることができる。別の実施例では、放射線治療装置は、線形加速器と画像収集装置の組み合わせとすることができる。いくつかの実施例では、画像取得装置は、当業者に認識されるように、ＭＲＩ、Ｘ線、ＣＴ、ＣＢＣＴ、スパイラルＣＴ、ＰＥＴ、ＳＰＥＣＴ、光トモグラフィー、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などであってもよい。
したがって、図２Ａは、放射線治療出力が中心軸（例えば、軸「Ａ」）を中心に回転できる構成で、放射線治療計画に一致する、またはそれに従って患者に放射線治療を提供するように動作可能な放射線治療装置２３２の一実施例を具体的に示している。その他の放射線治療用の出力構成も可能である。例えば、放射線治療用の出力は、複数の自由度を持つロボットアームやマニピュレーターに取り付けることができる。さらに別の実施例では、治療出力を患者から横方向に離れた領域に配置するなどして固定し、患者を支持するプラットフォームを使用して、放射線治療のアイソセンタを患者内の指定されたターゲット軌跡に合わせることができる。別の実施例では、放射線治療装置は、線形加速器と画像収集装置の組み合わせとすることができる。いくつかの実施例では、画像取得装置は、当業者に認識されるように、ＭＲＩ、Ｘ線、ＣＴ、ＣＢＣＴ、スパイラルＣＴ、ＰＥＴ、ＳＰＥＣＴ、光トモグラフィー、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などであってもよい。
［００７０］
図２Ｂは、本開示で使用することができる放射線治療装置１３０であるガンマナイフを示す。患者２０２は、座標フレーム２２０を装着することで、手術や放射線治療を受けている患者の身体の一部（例えば、頭部）を安定させることができる。座標フレーム２２０および患者位置決めシステム２２２は、空間座標系を確立し、これは、患者を撮像している間または放射線手術中に使用される。放射線治療装置１３０は、ビームチャネル２１６を介して放射線ビーム（例えば、ビームレット）を生成するための複数の放射線源２１２を囲むための保護ハウジング２１４を含む。複数のビームは、異なる位置からアイソセンタ２１８に集束するように構成されている。各放射線ビームは比較的低い強度を有しているが、異なる放射線ビームからの複数の線量がアイソセンタ２１８に蓄積されると、アイソセンタ２１８は、比較的高いレベルの放射線を受けることができる。ある実施形態では、アイソセンタ２１８は、腫瘍などの手術や治療を受ける対象に対応することができる。
図２Ｂは、本開示で使用することができる放射線治療装置１３０であるガンマナイフを示す。患者２０２は、座標フレーム２２０を装着することで、手術や放射線治療を受けている患者の身体の一部（例えば、頭部）を安定させることができる。座標フレーム２２０および患者位置決めシステム２２２は、空間座標系を確立し、これは、患者を撮像している間または放射線手術中に使用される。放射線治療装置１３０は、ビームチャネル２１６を介して放射線ビーム（例えば、ビームレット）を生成するための複数の放射線源２１２を囲むための保護ハウジング２１４を含む。複数のビームは、異なる位置からアイソセンタ２１８に集束するように構成されている。各放射線ビームは比較的低い強度を有しているが、異なる放射線ビームからの複数の線量がアイソセンタ２１８に蓄積されると、アイソセンタ２１８は、比較的高いレベルの放射線を受けることができる。ある実施形態では、アイソセンタ２１８は、腫瘍などの手術や治療を受ける対象に対応することができる。
［００７１］
一実施形態の一実施例として、出力要素は、特定のＯＡＲのボクセルに適用される線量を含む。さらに、特徴的な要素が、出力要素の決定に用いることができる。特徴的な要素は、ＯＡＲのボクセルとターゲットの腫瘍の最も近い境界ボクセルとの間の距離を含むことができる。したがって、特徴的な要素は、ＯＡＲ内のボクセルと、放射線治療の標的内の最も近い境界ボクセルとの間の距離を示す符号付き距離ｘを含むことができる。出力要素は、ｘが測定されたＯＡＲのボクセルにおける線量Ｄを含むことができる。いくつかの他の実施形態では、各トレーニングサンプルは、トレーニングデータ内の複数のトレーニングサンプルが、放射線治療の対象となるターゲットまたはＯＡＲおよび他の解剖学的部分の全体積に対応するように、ターゲットまたはＯＡＲの特定のボクセルに対応することができる。
一実施形態の一実施例として、出力要素は、特定のＯＡＲのボクセルに適用される線量を含む。さらに、特徴的な要素が、出力要素の決定に用いることができる。特徴的な要素は、ＯＡＲのボクセルとターゲットの腫瘍の最も近い境界ボクセルとの間の距離を含むことができる。したがって、特徴的な要素は、ＯＡＲ内のボクセルと、放射線治療の標的内の最も近い境界ボクセルとの間の距離を示す符号付き距離ｘを含むことができる。出力要素は、ｘが測定されたＯＡＲのボクセルにおける線量Ｄを含むことができる。いくつかの他の実施形態では、各トレーニングサンプルは、トレーニングデータ内の複数のトレーニングサンプルが、放射線治療の対象となるターゲットまたはＯＡＲおよび他の解剖学的部分の全体積に対応するように、ターゲットまたはＯＡＲの特定のボクセルに対応することができる。
［００７２］
図３は、本開示のいくつかの実施例による、放射線治療計画の最適化問題を解決するための機械学習モデルのトレーニングおよび使用のための例示的なデータフローを示す。データフローには、トレーニング入力３１０、ＭＬモデル（技術）のトレーニング３３０、モデル使用３５０が含まれる。
図３は、本開示のいくつかの実施例による、放射線治療計画の最適化問題を解決するための機械学習モデルのトレーニングおよび使用のための例示的なデータフローを示す。データフローには、トレーニング入力３１０、ＭＬモデル（技術）のトレーニング３３０、モデル使用３５０が含まれる。
［００７３］
トレーニング入力３１０は、モデルパラメータ３１２と、ペアのトレーニングデータセット３２２（例えば、入力－出力トレーニングのペア）と、制約条件３２６を含むトレーニングデータ３２０を含む。モデルパラメータ３１２は、機械学習モデルＡ^θ対応するもののパラメータまたは係数を格納または提供する。（訳注：本明細書において「Ａ^θ」は次の数４で示す文字を表すものとする）
トレーニング入力３１０は、モデルパラメータ３１２と、ペアのトレーニングデータセット３２２（例えば、入力－出力トレーニングのペア）と、制約条件３２６を含むトレーニングデータ３２０を含む。モデルパラメータ３１２は、機械学習モデルＡ^θ対応するもののパラメータまたは係数を格納または提供する。（訳注：本明細書において「Ａ^θ」は次の数４で示す文字を表すものとする）
トレーニング中、これらのパラメータ３１２は、トレーニングデータセット３２２の入力－出力トレーニングペアに基づいて適応される。パラメータ３１２が適応された後（トレーニングの後）、パラメータはトレーニングされた治療モデル３６０によって使用され、トレーニングされた機械学習モデルＡ^θのそれぞれの１つを新しいデータセット３７０に実装する。
［００７４］
トレーニングデータ３２０は、与えられた放射線治療装置の物理的制約を定義する制約条件３２６を含む。ペアのトレーニングデータセット３２２は、複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータのペア；複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータのペアと、複数のトレーニング用放射線治療計画の最適化問題の解のペア；および、与えられたタイプの複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータのペアのような、入力－出力ペアのセットを含む。トレーニング入力３１０のいくつかのコンポーネントは、他のコンポーネントとは異なるオフサイトの施設または複数の設備（facility or facilities）に別々に記憶することができる。一実施形態では、各機械学習モデルＡ^θは、分類された特定のタイプの最適化問題でトレーニングされる。特に、トレーニングデータ２３０に含まれる分類問題は、タイプに応じてグループ化され、特定のタイプごとのトレーニングデータは、対応する機械学習モデルをトレーニングするために用いられる。このようにして、新しい最適化問題が発生したり、受け取られたりすると、その新しい最適化問題を分類してタイプを決定し、その特定のタイプでトレーニングされた対応するＭＬモデルにアクセスして、新しい最適化問題の最適化変数を推定することができる。
トレーニングデータ３２０は、与えられた放射線治療装置の物理的制約を定義する制約条件３２６を含む。ペアのトレーニングデータセット３２２は、複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータのペア；複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータのペアと、複数のトレーニング用放射線治療計画の最適化問題の解のペア；および、与えられたタイプの複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニング用パラメータのペアのような、入力－出力ペアのセットを含む。トレーニング入力３１０のいくつかのコンポーネントは、他のコンポーネントとは異なるオフサイトの施設または複数の設備（facility or facilities）に別々に記憶することができる。一実施形態では、各機械学習モデルＡ^θは、分類された特定のタイプの最適化問題でトレーニングされる。特に、トレーニングデータ２３０に含まれる分類問題は、タイプに応じてグループ化され、特定のタイプごとのトレーニングデータは、対応する機械学習モデルをトレーニングするために用いられる。このようにして、新しい最適化問題が発生したり、受け取られたりすると、その新しい最適化問題を分類してタイプを決定し、その特定のタイプでトレーニングされた対応するＭＬモデルにアクセスして、新しい最適化問題の最適化変数を推定することができる。
［００７５］
機械学習モデルのトレーニング３３０は、ペアのトレーニングデータセット３２２の入出力ペアのセットに基づいて、１つまたはそれ以上の機械学習技術Ａ^θをトレーニングする。例えば、モデルのトレーニング３３０は、１つまたはそれ以上のトレーニング用最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のうちの対応する１つのトレーニング用パラメータとに基づいて、第１の損失関数を最小化することによって、ＭＬモデルパラメータ３１２をトレーニングする。
機械学習モデルのトレーニング３３０は、ペアのトレーニングデータセット３２２の入出力ペアのセットに基づいて、１つまたはそれ以上の機械学習技術Ａ^θをトレーニングする。例えば、モデルのトレーニング３３０は、１つまたはそれ以上のトレーニング用最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のうちの対応する１つのトレーニング用パラメータとに基づいて、第１の損失関数を最小化することによって、ＭＬモデルパラメータ３１２をトレーニングする。
［００７６］
複数のセットのトレーニングデータに対する損失関数を最小化した結果は、対応するＭＬモデルのモデルパラメータ３１２をトレーニングし、適応し、最適化する。このようにして、ＭＬモデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。
複数のセットのトレーニングデータに対する損失関数を最小化した結果は、対応するＭＬモデルのモデルパラメータ３１２をトレーニングし、適応し、最適化する。このようにして、ＭＬモデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。
［００７７］
いくつかの実施形態では、ＭＬモデルは、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を閉形式で（in closed form）推定するようにトレーニングされる。そのような場合には、１つまたはそれ以上の最適化変数を用いて、与えられた放射線治療計画の最適化問題を直接解くことができる。特に、閉形式の解は、ｆ（最適化問題関数）を最適解ｘ*の近似値にマッピングするニューラルネットワークΛθを定義する。
いくつかの実施形態では、ＭＬモデルは、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を閉形式で（in closed form）推定するようにトレーニングされる。そのような場合には、１つまたはそれ以上の最適化変数を用いて、与えられた放射線治療計画の最適化問題を直接解くことができる。特に、閉形式の解は、ｆ（最適化問題関数）を最適解ｘ*の近似値にマッピングするニューラルネットワークΛθを定義する。
［００７８］
適用されて閉形式の解を提供するようにトレーニングされたＭＬモデルは、教師付き学習技術に従って１つの実装でトレーニングされる。次の数５の式と仮定した教師付き学習技術は、過去に最適化問題を解いたことから知られている。
適用されて閉形式の解を提供するようにトレーニングされたＭＬモデルは、教師付き学習技術に従って１つの実装でトレーニングされる。次の数５の式と仮定した教師付き学習技術は、過去に最適化問題を解いたことから知られている。
このような場合には、距離関数ｄは、解への距離が次の数６の式で表されるように定義される。
このような場合、ＭＬモデルΛθをトレーニングするために、以前に他の患者のために解かれた複数のトレーニング用最適化問題（および／または合成的に生成されたものを含む）は、それらの対応するトレーニングパラメータ（例えば、最適化変数および解）と共に取り出される。ＭＬモデルは、最初のバッチのトレーニング用最適化問題に適用され、パラメータ（例えば、最適化変数および／または解）の与えられたセットを推定する。トレーニング用最適化問題のバッチは、ＭＬモデルの同じパラメータでＭＬモデルをトレーニングするために使用することができ、１つのトレーニング用最適化問題からすべてのトレーニング用問題の範囲である。ＭＬモデルの出力または結果は、トレーニング用最適化問題の第１のバッチの対応するトレーニングパラメータと比較され、出力または結果とトレーニング用最適化問題の第１のバッチの対応する訓練パラメータとの間の偏差は、後述する損失関数ｌ(θ,ｆ)またはＬ(θ)を用いて計算される。この偏差に基づいて、ＭＬモデルの更新パラメータが計算される。次に、ＭＬモデルは、更新されたパラメータを用いてトレーニング用最適化問題の第２のバッチに適用され、トレーニング用最適化問題の第２のバッチに対して以前に決定されたパラメータと比較するためにパラメータの与えられたセットを再び推測する。ＭＬモデルのパラメータは再び更新され、この学習プロセスの反復は、指定された反復数またはエポック数、あるいは指定された収束基準が満たされるまで続けられる。
［００７９］
本開示で言及されているように、「目的関数」ｆは、最適化問題の真の目的関数；実現可能なセットの真の目的関数と一致するが、実現可能なセットの外側では無限である拡張目的関数；実現可能なセットの真の目的関数と一致し、実現可能なセットから離れるほど大きくなる（ただし、有限である）という点で拡張目的関数の「ソフト」バージョンであるメリット関数；および／または目的関数の緩和のいずれか１つまたはそれ以上の組み合わせを含むことができる。例えば、整数計画問題（integer programming problem）の線形計画法の緩和は、積分性の制約が取り除かれるため、非整数の有理解が可能になる。組み合わせ最適化における複雑な問題のラグランジュ緩和法（Lagrangian relaxation）は、いくつかの制約条件の違反にペナルティを課すことで、より簡単に緩和された問題を解くことができる。緩和技術は、組み合わせ最適化の分岐、境界アルゴリズムを補完、補足し、線形計画法やラグランジュ緩和法は、整数計画法の分岐、境界アルゴリズムの境界を求めるために用いられる。
本開示で言及されているように、「目的関数」ｆは、最適化問題の真の目的関数；実現可能なセットの真の目的関数と一致するが、実現可能なセットの外側では無限である拡張目的関数；実現可能なセットの真の目的関数と一致し、実現可能なセットから離れるほど大きくなる（ただし、有限である）という点で拡張目的関数の「ソフト」バージョンであるメリット関数；および／または目的関数の緩和のいずれか１つまたはそれ以上の組み合わせを含むことができる。例えば、整数計画問題（integer programming problem）の線形計画法の緩和は、積分性の制約が取り除かれるため、非整数の有理解が可能になる。組み合わせ最適化における複雑な問題のラグランジュ緩和法（Lagrangian relaxation）は、いくつかの制約条件の違反にペナルティを課すことで、より簡単に緩和された問題を解くことができる。緩和技術は、組み合わせ最適化の分岐、境界アルゴリズムを補完、補足し、線形計画法やラグランジュ緩和法は、整数計画法の分岐、境界アルゴリズムの境界を求めるために用いられる。
［００８０］
適用されて閉形式の解を提供するように訓練されたＭＬモデルは、ある実装では、教師なし学習技術に従ってトレーニングされており、真の解は（既知か否かにかかわらず）使用されない。閉形式の関数値は、ｆ(Λθ(ｆ))で定義される。このような場合、ＭＬモデルΛθをトレーニングするために、他の患者に対する複数のトレーニング用最適化問題（および／または合成的に生成された問題を含む）が引き出される。ＭＬモデルは、トレーニング用最適化問題の第１バッチに適用され、パラメータの与えられたセット（例えば、最適化変数、解でアクティブな制約条件のような制約条件のアクティブセット、および／または解）を推定する。トレーニング用最適化問題のバッチは、ＭＬモデルの同じパラメータでＭＬモデルをトレーニングするために使用することができ、１つのトレーニング用最適化問題からすべてのトレーニング用問題の範囲である。ＭＬモデルの出力または結果は、後述する損失関数l(θ,ｆ)またはＬ(θ)を用いて評価され、現在の反復の損失／効用に関するフィードバックが得られる。この損失関数に基づいて、ＭＬモデルの更新されたパラメータが計算される。次に、ＭＬモデルは、更新されたパラメータを用いてトレーニング用最適化問題の第２のバッチに適用され、パラメータの与えられたセットを再び推定する。ＭＬモデルのパラメータは再び更新され、このトレーニングプロセスの反復は、指定された反復数またはエポック数、あるいは指定された収束基準が満たされるまで続けられる。
適用されて閉形式の解を提供するように訓練されたＭＬモデルは、ある実装では、教師なし学習技術に従ってトレーニングされており、真の解は（既知か否かにかかわらず）使用されない。閉形式の関数値は、ｆ(Λθ(ｆ))で定義される。このような場合、ＭＬモデルΛθをトレーニングするために、他の患者に対する複数のトレーニング用最適化問題（および／または合成的に生成された問題を含む）が引き出される。ＭＬモデルは、トレーニング用最適化問題の第１バッチに適用され、パラメータの与えられたセット（例えば、最適化変数、解でアクティブな制約条件のような制約条件のアクティブセット、および／または解）を推定する。トレーニング用最適化問題のバッチは、ＭＬモデルの同じパラメータでＭＬモデルをトレーニングするために使用することができ、１つのトレーニング用最適化問題からすべてのトレーニング用問題の範囲である。ＭＬモデルの出力または結果は、後述する損失関数l(θ,ｆ)またはＬ(θ)を用いて評価され、現在の反復の損失／効用に関するフィードバックが得られる。この損失関数に基づいて、ＭＬモデルの更新されたパラメータが計算される。次に、ＭＬモデルは、更新されたパラメータを用いてトレーニング用最適化問題の第２のバッチに適用され、パラメータの与えられたセットを再び推定する。ＭＬモデルのパラメータは再び更新され、このトレーニングプロセスの反復は、指定された反復数またはエポック数、あるいは指定された収束基準が満たされるまで続けられる。
［００８１］
いくつかの実施形態では、ＭＬモデルは、反復的なアプローチで放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するようにトレーニングされる。そのような場合、ＭＬモデルは、最適化問題を解く１つまたはそれ以上の反復に対する、１つまたはそれ以上の中間的な最適化変数を推定する。いくつかの実装では、ＭＬモデルによる最適化問題の処理のある反復からの中間的な最適化変数は、ＭＬモデルによる最適化問題の処理の別の反復によって再帰的に処理される。一定の反復回数または停止基準を満たした後、最適化問題の解が出力され、放射線治療計画の作成に使用することができる。また、停止基準が満たされた後、最後に推定された中間的な最適化変数を用いた最適化問題を、他の最適化問題の解決技術を用いて更に解くことができる。反復解は、初期推測ｘ０、および、各反復が数７に示す次のｘn-1にマッピングするニューラルネットワークΛθを定義し、ここでゴールは数８となる。
いくつかの実施形態では、ＭＬモデルは、反復的なアプローチで放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するようにトレーニングされる。そのような場合、ＭＬモデルは、最適化問題を解く１つまたはそれ以上の反復に対する、１つまたはそれ以上の中間的な最適化変数を推定する。いくつかの実装では、ＭＬモデルによる最適化問題の処理のある反復からの中間的な最適化変数は、ＭＬモデルによる最適化問題の処理の別の反復によって再帰的に処理される。一定の反復回数または停止基準を満たした後、最適化問題の解が出力され、放射線治療計画の作成に使用することができる。また、停止基準が満たされた後、最後に推定された中間的な最適化変数を用いた最適化問題を、他の最適化問題の解決技術を用いて更に解くことができる。反復解は、初期推測ｘ０、および、各反復が数７に示す次のｘn-1にマッピングするニューラルネットワークΛθを定義し、ここでゴールは数８となる。
［００８２］
適用されて反復形式の解を提供するようにトレーニングされたＭＬモデルは、教師付きトレーニング技術に従って１回の実装でトレーニングされる。このような場合では、距離関数ｄは、ｎ回繰り返した後の解への距離が次の数９となるように定義される。
適用されて反復形式の解を提供するようにトレーニングされたＭＬモデルは、教師付きトレーニング技術に従って１回の実装でトレーニングされる。このような場合では、距離関数ｄは、ｎ回繰り返した後の解への距離が次の数９となるように定義される。
いくつかの場合には、ＭＬモデルは、与えられたＮ回の反復後の誤差ができるだけ小さくなるように、すなわち、数１０となるように、最適化変数を推定するためにトレーニングされる、
他の場合には、ＭＬモデルは、特定の誤差に到達するために必要な反復回数が可能な限り少なくなるように、すなわち、数１１となるように、最適化変数を推定するためにトレーニングされる、
更に他の場合には、ＭＬモデルは、与えられた反復のセットにおける加重平均関数値が可能な限り小さくなるように、すなわち、数１２となるように、最適化変数を推定するためにトレーニングされる、
いくつかの場合には、反復ＭＬモデルΛθをトレーニングするために、他の患者に対して以前に反復して解決された（指定された固定数の反復に対する、または、完了まで解決された）複数のトレーニング用最適化問題が、それらの対応する反復のトレーニングパラメータ（例えば、各反復に対する最適化変数および解、または解に対応するパラメータの最終セット）と共に引き出される。ＭＬモデルは、トレーニング用最適化問題の第１のバッチに適用され、与えられた中間的なセットのパラメータ（例えば、最適化変数および／または解）を推定する。トレーニング用最適化問題のバッチは、ＭＬモデルの同じパラメータでＭＬモデルをトレーニングするために使用することができ、１つのトレーニング用最適化問題からすべてのトレーニング用問題の範囲である。ＭＬモデルの出力または結果は、トレーニング用最適化問題の第１のバッチの対応するトレーニングパラメータと比較され、出力または結果と、トレーニング用最適化問題の第１のバッチの対応するトレーニングパラメータとの間の偏差が、後述する損失関数l(θ,ｆ)またはＬ(θ)を用いて計算される。この偏差に基づいて、ＭＬモデルの更新されたパラメータが計算される。次に、ＭＬモデルは、更新されたパラメータを用いてトレーニング用最適化問題の第２のバッチに適用され、トレーニング用最適化問題の第２のバッチに対して以前に決定されたパラメータと比較するために、パラメータの与えられたセットを再び推定する。ＭＬモデルのパラメータは再び更新され、このトレーニングプロセスの反復は、指定されたエポック数またはトレーニング用最適化問題がすべて処理されるまで続けられる。
［００８３］
適用されて反復的な解を提供するように訓練されたＭＬモデルは、ある実装では、教師なし学習技術に従ってトレーニングされており、真の解は（既知か否かにかかわらず）使用されない。このような場合、ＭＬモデルΛθをトレーニングするために、他の患者に対する複数のトレーニング用最適化問題（および／または合成的に生成された問題を含む）が引き出される。ＭＬモデルは、トレーニング用最適化問題の第１バッチに適用され、パラメータの与えられたセット（例えば、最適化変数、解でアクティブな制約条件のような制約条件のアクティブセット、および／または解）を推定する。ＭＬモデルは、ＭＬモデルを用いて最適化問題を処理する１つの反復からの中間的な最適化変数が、ＭＬモデルを用いて最適化問題を処理する別の反復によって、一定の反復回数または停止基準が満たされるまで、再帰的に処理されるように、トレーニング用最適化問題の第１のバッチに再帰的かつ反復的に適用される。停止基準を満たした後のＭＬモデルの出力または結果は、後述する損失関数l(θ,ｆ)またはＬ(θ)を用いて評価され、現在の反復の損失／効用に関するフィードバックが得られる。すなわち、数１３に示すあるＮに対する一定の反復回数後の関数値は、次の数１４に示す式となる。
適用されて反復的な解を提供するように訓練されたＭＬモデルは、ある実装では、教師なし学習技術に従ってトレーニングされており、真の解は（既知か否かにかかわらず）使用されない。このような場合、ＭＬモデルΛθをトレーニングするために、他の患者に対する複数のトレーニング用最適化問題（および／または合成的に生成された問題を含む）が引き出される。ＭＬモデルは、トレーニング用最適化問題の第１バッチに適用され、パラメータの与えられたセット（例えば、最適化変数、解でアクティブな制約条件のような制約条件のアクティブセット、および／または解）を推定する。ＭＬモデルは、ＭＬモデルを用いて最適化問題を処理する１つの反復からの中間的な最適化変数が、ＭＬモデルを用いて最適化問題を処理する別の反復によって、一定の反復回数または停止基準が満たされるまで、再帰的に処理されるように、トレーニング用最適化問題の第１のバッチに再帰的かつ反復的に適用される。停止基準を満たした後のＭＬモデルの出力または結果は、後述する損失関数l(θ,ｆ)またはＬ(θ)を用いて評価され、現在の反復の損失／効用に関するフィードバックが得られる。すなわち、数１３に示すあるＮに対する一定の反復回数後の関数値は、次の数１４に示す式となる。
加重平均関数値は、次の数１５の式（ここでｗｎは重みである）のように計算される。
この損失関数に基づいて、ＭＬモデルの更新されたパラメータが計算される。次に、ＭＬモデルは、更新されたパラメータを用いてトレーニング用最適化問題の第２のバッチに反復的かつ再帰的に適用され、パラメータの与えられたセットを反復的に再び推定する。ＭＬモデルのパラメータは再び更新され、このトレーニングプロセスの反復は、指定された反復数またはエポック数、あるいは指定された収束基準が満たされるまで続けられる。
［００８４］
具体的には、ＭＬモデルは、与えられた最適化問題に対してＭＬモデルによって推定されたパラメータの中間セットが、指定された固定数の反復後の与えられた最適化問題の解、または問題が完全に解決された後の与えられた最適化問題の解を表すように、損失関数に基づいて教師付きまたは教師なしの方法でトレーニングされる。ＭＬモデルは、停止基準が満たされるまで（反復回数の最大数に達するまで，目的値の減少が達成されるまで，ステップ長が満たされるまで、など）、または、与えられた最適化問題の最終的な解の指定された閾値誤差以内の解が得られたとき、あるいは、指定された反復回数の後に解の指定された閾値誤差以内の解が得られたときに、トレーニングされる。このようにして、このトレーニングされたＭＬモデルは、新しい最適化問題に適用され、新しい最適化問題の１つまたはそれ以上の最適化変数を推定することができる。いくつかの場合には、新しい最適化問題は、ＭＬモデルを繰り返し再帰的に適用することにより、推定された最適化変数を用いて、反復的かつ再帰的に解かれる。ある場合は、新しい最適化問題を再帰的に解くのに必要な反復回数は、最初の最適化変数を用いて従来の手法で最適化問題を解くのに要したであろう反復回数の合計よりも少なくなる。いくつかの場合には、ＭＬモデルを適用した結果、推定された最適化変数を有する新たな最適化問題は、他の最適化解法を用いて解くことができる。
具体的には、ＭＬモデルは、与えられた最適化問題に対してＭＬモデルによって推定されたパラメータの中間セットが、指定された固定数の反復後の与えられた最適化問題の解、または問題が完全に解決された後の与えられた最適化問題の解を表すように、損失関数に基づいて教師付きまたは教師なしの方法でトレーニングされる。ＭＬモデルは、停止基準が満たされるまで（反復回数の最大数に達するまで，目的値の減少が達成されるまで，ステップ長が満たされるまで、など）、または、与えられた最適化問題の最終的な解の指定された閾値誤差以内の解が得られたとき、あるいは、指定された反復回数の後に解の指定された閾値誤差以内の解が得られたときに、トレーニングされる。このようにして、このトレーニングされたＭＬモデルは、新しい最適化問題に適用され、新しい最適化問題の１つまたはそれ以上の最適化変数を推定することができる。いくつかの場合には、新しい最適化問題は、ＭＬモデルを繰り返し再帰的に適用することにより、推定された最適化変数を用いて、反復的かつ再帰的に解かれる。ある場合は、新しい最適化問題を再帰的に解くのに必要な反復回数は、最初の最適化変数を用いて従来の手法で最適化問題を解くのに要したであろう反復回数の合計よりも少なくなる。いくつかの場合には、ＭＬモデルを適用した結果、推定された最適化変数を有する新たな最適化問題は、他の最適化解法を用いて解くことができる。
［００８５］
いくつかの場合には、ＭＬモデルは、トレーニングセットにおける最適化問題の分類に依存してトレーニングされる。例えば、閉形式のＭＬモデルは、ターゲット関数ｆが画像（線量プランや断層画像など）によってパラメトリックに表現されている場合には、最適な決定変数を予測するために使用できるＵ－Ｎｅｔとなり得る。反復解を提供するために使用されるＭＬモデルについては、次の数１６の式（ここで、数１７は、ディープニューラルネットワークであり、数１８は、それらのパラメータである）で与えられる学習された投影勾配スキームを用いることができる。
いくつかの場合には、ＭＬモデルは、トレーニングセットにおける最適化問題の分類に依存してトレーニングされる。例えば、閉形式のＭＬモデルは、ターゲット関数ｆが画像（線量プランや断層画像など）によってパラメトリックに表現されている場合には、最適な決定変数を予測するために使用できるＵ－Ｎｅｔとなり得る。反復解を提供するために使用されるＭＬモデルについては、次の数１６の式（ここで、数１７は、ディープニューラルネットワークであり、数１８は、それらのパラメータである）で与えられる学習された投影勾配スキームを用いることができる。
［００８６］
損失関数は、特定の最適化問題に対してすべて定義されているが、実際には、解決する必要のある問題は不明である。そのため、最適化ソルバーは、ひとつの特定の最適化問題だけを解決するように特化することはできない。むしろ、ソルバーは、関連する問題のファミリーに取り組む必要がある。したがって、損失関数は、パラメータの選択Ｌ(θ)にのみ依存するべきである。そのため、ｆは、確率分布が与えられた最適化問題のセットからランダムに抽出されるものと想定される。
損失関数は、特定の最適化問題に対してすべて定義されているが、実際には、解決する必要のある問題は不明である。そのため、最適化ソルバーは、ひとつの特定の最適化問題だけを解決するように特化することはできない。むしろ、ソルバーは、関連する問題のファミリーに取り組む必要がある。したがって、損失関数は、パラメータの選択Ｌ(θ)にのみ依存するべきである。そのため、ｆは、確率分布が与えられた最適化問題のセットからランダムに抽出されるものと想定される。
［００８７］
機械学習モデルＡ^θ（Λθと表記されることもある)のそれぞれがトレーニングされた後、１つまたはそれ以上の患者入力パラメータ（例えば、放射線治療計画の最適化問題）を含む新しいデータ３７０が受け取られる。トレーニングされた機械学習技術Ａ^θは新しいデータ３７０に適用され、放射線治療計画の最適化問題の１つまたはそれ以上の推定された最適化変数を含む生成結果３８０を生成する。次に、生成された、放射線治療計画の最適化問題の１つまたはそれ以上の推定された最適化変数は、例えば、シンプレックス法（simplex method）、内点法（interior point method）、ニュートン法（Newton method）、準ニュートン法（quasi-Newton method）、ガウス－ニュートン法（Gauss-Newton method）、レーベンバーグ－マルカート法（Levenberg-Marquardt method）、線形最小二乗法（linear least-squares method）、勾配降下法（gradient descent method）、投影勾配法（projected gradient method）、共役勾配法（conjugate gradient method）、拡張ラグランジュ法（augmented Lagrangian method）、ネルダー－メード法（Nelder-Mead method）、分岐境界法（branch and bound method）、切断面法（cutting plane method）、焼きなまし法（simulated annealing）、および／または、逐次二次計画法（sequential quadratic programming））を用いるなどにより、受け取られた最適化問題を解くために使用される。
機械学習モデルＡ^θ（Λθと表記されることもある)のそれぞれがトレーニングされた後、１つまたはそれ以上の患者入力パラメータ（例えば、放射線治療計画の最適化問題）を含む新しいデータ３７０が受け取られる。トレーニングされた機械学習技術Ａ^θは新しいデータ３７０に適用され、放射線治療計画の最適化問題の１つまたはそれ以上の推定された最適化変数を含む生成結果３８０を生成する。次に、生成された、放射線治療計画の最適化問題の１つまたはそれ以上の推定された最適化変数は、例えば、シンプレックス法（simplex method）、内点法（interior point method）、ニュートン法（Newton method）、準ニュートン法（quasi-Newton method）、ガウス－ニュートン法（Gauss-Newton method）、レーベンバーグ－マルカート法（Levenberg-Marquardt method）、線形最小二乗法（linear least-squares method）、勾配降下法（gradient descent method）、投影勾配法（projected gradient method）、共役勾配法（conjugate gradient method）、拡張ラグランジュ法（augmented Lagrangian method）、ネルダー－メード法（Nelder-Mead method）、分岐境界法（branch and bound method）、切断面法（cutting plane method）、焼きなまし法（simulated annealing）、および／または、逐次二次計画法（sequential quadratic programming））を用いるなどにより、受け取られた最適化問題を解くために使用される。
［００８８］
いくつかの実装では、新たな放射線治療計画の最適化問題（患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約、または線量制約のうちの少なくとも１つを含む）は、ＭＬモデルによって提供される推定された最適化変数を用いて解くことができる。最適化問題への解は、放射線治療装置のパラメータ、フルエンスマップ、ショット位置、ビームオン時間の少なくとも１つを含む。特定の場合には、制約のある新たな放射線治療計画の最適化問題（例えば、特定の制約を受ける最適化問題）を解くことをさらに単純化するために、新たな放射線治療計画の最適化問題を、まず、制約のない最適化問題に変換することができる。これは、新たな放射線治療計画の最適化問題に対して、ＭＬモデルによって最適化変数が推定される前、最中、または後に行うことができる。制約のある放射線治療計画の最適化問題を、制約のない最適化問題として表現するために、メリット関数を用いることができる。ＭＬモデルで最適化変数を推定する前に、最適化問題を非制約の最適化問題に変換する場合には、非制約の最適化問題が、ＭＬモデルで処理されて、新しい最適化問題の最適化変数を推定し、それを用いて新しい最適化問題を解くことができる。
いくつかの実装では、新たな放射線治療計画の最適化問題（患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約、または線量制約のうちの少なくとも１つを含む）は、ＭＬモデルによって提供される推定された最適化変数を用いて解くことができる。最適化問題への解は、放射線治療装置のパラメータ、フルエンスマップ、ショット位置、ビームオン時間の少なくとも１つを含む。特定の場合には、制約のある新たな放射線治療計画の最適化問題（例えば、特定の制約を受ける最適化問題）を解くことをさらに単純化するために、新たな放射線治療計画の最適化問題を、まず、制約のない最適化問題に変換することができる。これは、新たな放射線治療計画の最適化問題に対して、ＭＬモデルによって最適化変数が推定される前、最中、または後に行うことができる。制約のある放射線治療計画の最適化問題を、制約のない最適化問題として表現するために、メリット関数を用いることができる。ＭＬモデルで最適化変数を推定する前に、最適化問題を非制約の最適化問題に変換する場合には、非制約の最適化問題が、ＭＬモデルで処理されて、新しい最適化問題の最適化変数を推定し、それを用いて新しい最適化問題を解くことができる。
［００８９］
一実施例として、一般的な放射線治療計画の最適化問題は、しばしば、次の数１９に示すよう書かれる。
一実施例として、一般的な放射線治療計画の最適化問題は、しばしば、次の数１９に示すよう書かれる。
ここで、ｆは目的関数であり、ｘは決定変数であり、{ｃｉ}は関数の集合であり、εとＩはそれぞれ等式制約と不等式制約に対応する添字のセットである。
［００９０］
非線形計画問題に対するメリット関数の実施例は、次の数２０に示すｌ１ペナルティ関数を含む。
非線形計画問題に対するメリット関数の実施例は、次の数２０に示すｌ１ペナルティ関数を含む。
正のスカラーμは、目的の最小化に対する制約条件の充足に割り当てる重みを決定するペナルティパラメータである。ｌ１ペナルティ関数は正確なメリット関数の一実施例であり、これは、μが十分に大きければ、最適化問題の任意の局所解は、数２１の局所最小化であることを意味する。
このように、開示された技術は、制約のない最適化のための適切なアルゴリズムを用いて、次の数２２である制約のない問題に対して、固定されたしかし少数の反復を行い、その結果を、制約のある最適化のための通常のソルバーの初期の推測として使用することができる。
具体的には、放射線治療計画の最適化問題にメリット関数を適用した後に、より複雑ではない制約なしの最適化問題ソルバーを使用して、制約ありの最適化問題から制約なしの最適化問題に変換することができる。制約のない最適化問題ソルバーの適切な数の反復の後、制約のない最適化問題は、制約のある最適化問題ソルバーによって処理することができる。
［００９１］
いくつかの場合には、制約のない最適化問題ソルバーの適切な数の反復の後、ＭＬモデルを制約のない最適化問題に適用して、１つまたはそれ以上の放射線治療計画の最適化変数を推定する。次に、推定された１つまたはそれ以上の放射線治療計画の最適化変数は、制約付き最適化問題ソルバーによって解くことができる放射線治療計画の最適化問題に適用することができる。
いくつかの場合には、制約のない最適化問題ソルバーの適切な数の反復の後、ＭＬモデルを制約のない最適化問題に適用して、１つまたはそれ以上の放射線治療計画の最適化変数を推定する。次に、推定された１つまたはそれ以上の放射線治療計画の最適化変数は、制約付き最適化問題ソルバーによって解くことができる放射線治療計画の最適化問題に適用することができる。
［００９２］
放射線治療計画の最適化問題の目的関数は、個々の部分に分解することができる。例えば、腫瘍をどれだけ狙い撃ちするかという目的が異なる部分もあれば、健康な組織を温存することを重視する部分もある。同様に、放射線治療計画の最適化問題の実行可能な変数のセットも分解することができる。例えば、各ビームオンの時間はポジティブになければならない。これにより、次の数２３のように定義される最適化問題が発生する。
放射線治療計画の最適化問題の目的関数は、個々の部分に分解することができる。例えば、腫瘍をどれだけ狙い撃ちするかという目的が異なる部分もあれば、健康な組織を温存することを重視する部分もある。同様に、放射線治療計画の最適化問題の実行可能な変数のセットも分解することができる。例えば、各ビームオンの時間はポジティブになければならない。これにより、次の数２３のように定義される最適化問題が発生する。
このような場合、反復の最適化アルゴリズムは、この構造を考慮して最適化を高速化することができる。例えば、ランダム化された制約条件の投影では、次の数２４に示すように、各反復においてすべての制約条件のサブセットに対してのみ投影が行われる。
［００９３］
具体的には、放射線治療計画の最適化問題の解決をさらに高速化するために、制約条件の第１のセットが（例えば、ランダムに）選択され、放射線治療計画の最適化問題が、選択された制約条件の第１のセットに基づいて、第１の反復において解決される。続いて、１つまたはそれ以上のさらなる反復において、制約条件の第２のセットが（例えば、ランダムに）選択され、放射線治療計画の最適化問題が、選択された制約条件の第２のセットに基づいて、１つまたはそれ以上のさらなる反復において解決される。いくつかの場合には、各反復において、反復の解または中間的な最適化変数のセットを提供するのに適したＭＬモデルは、次の数２５のように適用される。
具体的には、放射線治療計画の最適化問題の解決をさらに高速化するために、制約条件の第１のセットが（例えば、ランダムに）選択され、放射線治療計画の最適化問題が、選択された制約条件の第１のセットに基づいて、第１の反復において解決される。続いて、１つまたはそれ以上のさらなる反復において、制約条件の第２のセットが（例えば、ランダムに）選択され、放射線治療計画の最適化問題が、選択された制約条件の第２のセットに基づいて、１つまたはそれ以上のさらなる反復において解決される。いくつかの場合には、各反復において、反復の解または中間的な最適化変数のセットを提供するのに適したＭＬモデルは、次の数２５のように適用される。
［００９４］
一実施例として、第１のＭＬモデルは、第１の反復回数の後（例えば、最適化問題を解くひとつの反復の後）、制約条件のあるセット（例えば、ある数の制約条件）を考慮する、与えられた放射線治療計画の最適化問題に対する中間的な反復の最適化問題の変数（例えば、解）を提供するようにトレーニングされることができる。このような場合、第１の反復において、ＭＬモデルは、（ある数の制約条件に対応する）制約条件のランダムなセットが選択された新しい放射線治療計画の最適化問題に適用される。ＭＬモデルは、新たな放射線治療計画の最適化問題の中間的な反復の最適化問題の変数（例えば、最適化問題の決定変数の中間解または更新値）を提供する。第２の反復では、放射線治療計画の最適化問題の制約条件の第２のセットを選択し、第１のＭＬモデルまたは第２のＭＬモデルを、制約条件の第２のセットを有する放射線治療計画の最適化問題に適用して、新しい放射線治療計画の最適化問題の更新された中間的な反復の最適化問題の変数を提供することができる。いくつかの場合には、第２のＭＬモデルは、第２の反復回数（例えば、最適化問題を解く２回の反復回数）の後に、制約条件の特定のセット（例えば、ある数の制約条件）を考慮する与えられた放射線治療計画の最適化問題について、中間的な反復の最適化問題の変数（例えば、中間的な解または最適化問題の決定変数の更新値）を提供するようにトレーニングすることができる。更新された中間的な反復の最適化問題の変数は、２回の反復を行った後に得られる放射線治療計画の最適化問題の変数に対応する。このプロセスは、任意の追加の反復回数ｎだけ繰り返すことができる。
一実施例として、第１のＭＬモデルは、第１の反復回数の後（例えば、最適化問題を解くひとつの反復の後）、制約条件のあるセット（例えば、ある数の制約条件）を考慮する、与えられた放射線治療計画の最適化問題に対する中間的な反復の最適化問題の変数（例えば、解）を提供するようにトレーニングされることができる。このような場合、第１の反復において、ＭＬモデルは、（ある数の制約条件に対応する）制約条件のランダムなセットが選択された新しい放射線治療計画の最適化問題に適用される。ＭＬモデルは、新たな放射線治療計画の最適化問題の中間的な反復の最適化問題の変数（例えば、最適化問題の決定変数の中間解または更新値）を提供する。第２の反復では、放射線治療計画の最適化問題の制約条件の第２のセットを選択し、第１のＭＬモデルまたは第２のＭＬモデルを、制約条件の第２のセットを有する放射線治療計画の最適化問題に適用して、新しい放射線治療計画の最適化問題の更新された中間的な反復の最適化問題の変数を提供することができる。いくつかの場合には、第２のＭＬモデルは、第２の反復回数（例えば、最適化問題を解く２回の反復回数）の後に、制約条件の特定のセット（例えば、ある数の制約条件）を考慮する与えられた放射線治療計画の最適化問題について、中間的な反復の最適化問題の変数（例えば、中間的な解または最適化問題の決定変数の更新値）を提供するようにトレーニングすることができる。更新された中間的な反復の最適化問題の変数は、２回の反復を行った後に得られる放射線治療計画の最適化問題の変数に対応する。このプロセスは、任意の追加の反復回数ｎだけ繰り返すことができる。
［００９５］
いくつかの実施形態では、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップは、放射線治療計画の最適化問題の制約条件の第１のサブセットを選択することと、機械学習モデルを用いて放射線治療計画の最適化問題を処理して、制約条件の選択された第１のサブセットに基づいて、１つまたはそれ以上の最適化変数の第１の推定値を生成することと、放射線治療計画の最適化問題の制約条件の第２のサブセットを選択することと、機械学習モデルを用いて放射線治療計画の最適化問題を処理して、制約条件の選択された第２のサブセットに基づいて、１つまたはそれ以上の最適化変数の第２の推定値を生成することを有する。いくつかの場合には、制約条件の第１のサブセットおよび制約条件の第２のサブセットは、ランダムに選択される。
いくつかの実施形態では、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップは、放射線治療計画の最適化問題の制約条件の第１のサブセットを選択することと、機械学習モデルを用いて放射線治療計画の最適化問題を処理して、制約条件の選択された第１のサブセットに基づいて、１つまたはそれ以上の最適化変数の第１の推定値を生成することと、放射線治療計画の最適化問題の制約条件の第２のサブセットを選択することと、機械学習モデルを用いて放射線治療計画の最適化問題を処理して、制約条件の選択された第２のサブセットに基づいて、１つまたはそれ以上の最適化変数の第２の推定値を生成することを有する。いくつかの場合には、制約条件の第１のサブセットおよび制約条件の第２のサブセットは、ランダムに選択される。
［００９６］
図４は、例示的な実施形態による、プロセス４００を実行する際の治療処理ロジック１２０のオペレーションの実施例を示すフローチャートである。プロセス４００は、プロセス４００のオペレーションが治療処理ロジック１２０の機能コンポーネントによって部分的または全体的に実行されるように、１つまたはそれ以上のプロセッサによって実行するためのコンピュータ読み取り可能な命令で具現化されてもよく、したがって、プロセス４００は、それを参照して例示的に以下で説明される。しかし、他の実施形態では、プロセス４００のオペレーションの少なくとも一部は、他の様々なハードウェア構成で展開されてもよい。したがって、プロセス４００は、治療処理ロジック１２０に限定されることを意図するものではなく、他の任意のコンポーネントによって全体または一部を実装することができる。プロセス４００のオペレーションの一部または全部は、並行して行うことも、順序を変えて行うことも、完全に省略することもできる。
図４は、例示的な実施形態による、プロセス４００を実行する際の治療処理ロジック１２０のオペレーションの実施例を示すフローチャートである。プロセス４００は、プロセス４００のオペレーションが治療処理ロジック１２０の機能コンポーネントによって部分的または全体的に実行されるように、１つまたはそれ以上のプロセッサによって実行するためのコンピュータ読み取り可能な命令で具現化されてもよく、したがって、プロセス４００は、それを参照して例示的に以下で説明される。しかし、他の実施形態では、プロセス４００のオペレーションの少なくとも一部は、他の様々なハードウェア構成で展開されてもよい。したがって、プロセス４００は、治療処理ロジック１２０に限定されることを意図するものではなく、他の任意のコンポーネントによって全体または一部を実装することができる。プロセス４００のオペレーションの一部または全部は、並行して行うことも、順序を変えて行うことも、完全に省略することもできる。
［００９７］
オペレーション４１０において、治療処理ロジック１２０は、トレーニングデータを受け取る。例えば、治療処理ロジック１２０は、複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニングパラメータのペア；複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニングパラメータのペア；および複数のトレーニング用放射線治療計画の最適化問題の解を受け取る。
オペレーション４１０において、治療処理ロジック１２０は、トレーニングデータを受け取る。例えば、治療処理ロジック１２０は、複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニングパラメータのペア；複数のトレーニング用放射線治療計画の最適化問題の１つまたはそれ以上のトレーニング用最適化変数とトレーニングパラメータのペア；および複数のトレーニング用放射線治療計画の最適化問題の解を受け取る。
［００９８］
オペレーション４２０において、治療処理ロジック１２０は、トレーニングに対する制約条件を受け取る。
オペレーション４２０において、治療処理ロジック１２０は、トレーニングに対する制約条件を受け取る。
［００９９］
オペレーション４３０において、治療処理ロジック１２０は、モデルのトレーニングを実行する。例えば、治療処理ロジック１２０は、１つまたはそれ以上のトレーニング用最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のうちの対応する１つのトレーニングパラメータとに基づいて、第１の損失関数を最小化することによって、ＭＬモデルパラメータ３１２（図３）をトレーニングする。このようにして、ＭＬモデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。トレーニングは、教師ありまたは教師なしの方法で行うことができ、閉形式または反復アプローチモデルを生成する。
オペレーション４３０において、治療処理ロジック１２０は、モデルのトレーニングを実行する。例えば、治療処理ロジック１２０は、１つまたはそれ以上のトレーニング用最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のうちの対応する１つのトレーニングパラメータとに基づいて、第１の損失関数を最小化することによって、ＭＬモデルパラメータ３１２（図３）をトレーニングする。このようにして、ＭＬモデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。トレーニングは、教師ありまたは教師なしの方法で行うことができ、閉形式または反復アプローチモデルを生成する。
［０１００］
オペレーション４４０において、治療処理ロジック１２０は、トレーニングされたモデルを出力する。例えば、トレーニングされたモデルを出力してメモリに保存したり、モデルのパラメータをディスプレイ装置に表示して臨床医に提示したりすることができる。
オペレーション４４０において、治療処理ロジック１２０は、トレーニングされたモデルを出力する。例えば、トレーニングされたモデルを出力してメモリに保存したり、モデルのパラメータをディスプレイ装置に表示して臨床医に提示したりすることができる。
［０１０１］
オペレーション４５０において、治療処理ロジック１２０は、トレーニングされたモデルを利用して結果を生成する。例えば、機械学習モデルＡ^θ（Λθと呼ばれることもある）のそれぞれがトレーニングされた後、１つまたはそれ以上の患者入力パラメータ（例えば、放射線治療計画の最適化問題）を含む新しいデータ３７０が受け取られる。トレーニングされた機械学習技術Ａ^θは新しいデータ３７０に適用され、放射線治療計画の最適化問題の１つまたはそれ以上の推定された最適化変数を含む生成結果３８０を生成する。新たな放射線治療計画の最適化問題（患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約、または線量制約のうちの少なくとも１つを含む）は、ＭＬモデルによって提供される推定された最適化変数を用いて解くことができる。
オペレーション４５０において、治療処理ロジック１２０は、トレーニングされたモデルを利用して結果を生成する。例えば、機械学習モデルＡ^θ（Λθと呼ばれることもある）のそれぞれがトレーニングされた後、１つまたはそれ以上の患者入力パラメータ（例えば、放射線治療計画の最適化問題）を含む新しいデータ３７０が受け取られる。トレーニングされた機械学習技術Ａ^θは新しいデータ３７０に適用され、放射線治療計画の最適化問題の１つまたはそれ以上の推定された最適化変数を含む生成結果３８０を生成する。新たな放射線治療計画の最適化問題（患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約、または線量制約のうちの少なくとも１つを含む）は、ＭＬモデルによって提供される推定された最適化変数を用いて解くことができる。
［０１０２］
図５は、例示的な実施形態による、プロセス５００を実行する際の治療処理ロジック１２０のオペレーションの実施例を示すフローチャートである。プロセス５００は、プロセス５００のオペレーションが治療処理ロジック１２０の機能コンポーネントによって部分的または全体的に実行されるように、１つまたはそれ以上のプロセッサによって実行するためのコンピュータ読み取り可能な命令で具現化されてもよく、したがって、プロセス５００は、それを参照して例示的に以下で説明される。しかし、他の実施形態では、プロセス５００のオペレーションの少なくとも一部は、他の様々なハードウェア構成で展開されてもよい。したがって、プロセス５００は、治療処理ロジック１２０に限定されることを意図するものではなく、他の任意のコンポーネントによって全体または一部を実装することができる。プロセス５００のオペレーションの一部または全部は、並行して行うことも、順序を変えて行うことも、完全に省略することもできる。
図５は、例示的な実施形態による、プロセス５００を実行する際の治療処理ロジック１２０のオペレーションの実施例を示すフローチャートである。プロセス５００は、プロセス５００のオペレーションが治療処理ロジック１２０の機能コンポーネントによって部分的または全体的に実行されるように、１つまたはそれ以上のプロセッサによって実行するためのコンピュータ読み取り可能な命令で具現化されてもよく、したがって、プロセス５００は、それを参照して例示的に以下で説明される。しかし、他の実施形態では、プロセス５００のオペレーションの少なくとも一部は、他の様々なハードウェア構成で展開されてもよい。したがって、プロセス５００は、治療処理ロジック１２０に限定されることを意図するものではなく、他の任意のコンポーネントによって全体または一部を実装することができる。プロセス５００のオペレーションの一部または全部は、並行して行うことも、順序を変えて行うことも、完全に省略することもできる。
［０１０３］
オペレーション５１０において、治療処理ロジック１２０は、放射線治療計画の最適化問題を受け取る。
オペレーション５１０において、治療処理ロジック１２０は、放射線治療計画の最適化問題を受け取る。
［０１０４］
オペレーション５２０において、治療処理ロジック１２０は、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定し、機械学習モデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。
オペレーション５２０において、治療処理ロジック１２０は、放射線治療計画の最適化問題を機械学習モデルで処理して、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定し、機械学習モデルは、１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされる。
［０１０５］
オペレーション５３０において、治療処理ロジック１２０は、放射線治療計画の最適化問題の推定された１つまたはそれ以上の最適化変数に基づいて、放射線治療計画の最適化問題に対する解を生成する。
オペレーション５３０において、治療処理ロジック１２０は、放射線治療計画の最適化問題の推定された１つまたはそれ以上の最適化変数に基づいて、放射線治療計画の最適化問題に対する解を生成する。
［０１０６］
図６は、例示的な実施形態による、プロセス６００を実行する際の治療処理ロジック１２０のオペレーションの実施例を示すフローチャートである。プロセス６００は、プロセス６００のオペレーションが治療処理ロジック１２０の機能コンポーネントによって部分的または全体的に実行されるように、１つまたはそれ以上のプロセッサによって実行するためのコンピュータ読み取り可能な命令で具現化されてもよく、したがって、プロセス６００は、それを参照して例示的に以下で説明される。しかし、他の実施形態では、プロセス６００のオペレーションの少なくとも一部は、他の様々なハードウェア構成で展開されてもよい。したがって、プロセス６００は、治療処理ロジック１２０に限定されることを意図するものではなく、他の任意のコンポーネントによって全体または一部を実装することができる。プロセス６００のオペレーションの一部または全部は、並行して行うことも、順序を変えて行うことも、完全に省略することもできる。
図６は、例示的な実施形態による、プロセス６００を実行する際の治療処理ロジック１２０のオペレーションの実施例を示すフローチャートである。プロセス６００は、プロセス６００のオペレーションが治療処理ロジック１２０の機能コンポーネントによって部分的または全体的に実行されるように、１つまたはそれ以上のプロセッサによって実行するためのコンピュータ読み取り可能な命令で具現化されてもよく、したがって、プロセス６００は、それを参照して例示的に以下で説明される。しかし、他の実施形態では、プロセス６００のオペレーションの少なくとも一部は、他の様々なハードウェア構成で展開されてもよい。したがって、プロセス６００は、治療処理ロジック１２０に限定されることを意図するものではなく、他の任意のコンポーネントによって全体または一部を実装することができる。プロセス６００のオペレーションの一部または全部は、並行して行うことも、順序を変えて行うことも、完全に省略することもできる。
［０１０７］
オペレーション６１０において、治療処理ロジック１２０は、複数のトレーニング用放射線治療計画の最適化問題を受け取る。
オペレーション６１０において、治療処理ロジック１２０は、複数のトレーニング用放射線治療計画の最適化問題を受け取る。
［０１０８］
オペレーション６２０において、治療処理ロジック１２０は、１つまたはそれ以上の最適化変数と、複数のトレーニング放射線治療計画の最適化問題のパラメータとの間の関係を確立することにより、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数の推定値を生成するために、機械学習モデルをトレーニングする。
オペレーション６２０において、治療処理ロジック１２０は、１つまたはそれ以上の最適化変数と、複数のトレーニング放射線治療計画の最適化問題のパラメータとの間の関係を確立することにより、放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数の推定値を生成するために、機械学習モデルをトレーニングする。
［０１０９］
先に述べたように、それぞれの電子計算機システムまたはデバイスは、本明細書で述べたような１つまたはそれ以上の方法または機能動作を実装することができる。１つまたはそれ以上の実施形態において、放射線治療処理計算システム１１０は、画像誘導型放射線治療装置２３２を制御または操作すること、図３からのトレーニングまたは予測操作を実行または実施すること、トレーニングされた治療モデル３６０を操作すること、プロセス４００－９００のフローチャートのオペレーションを実行または実施すること、または本明細書で議論される他の方法論のいずれか１つまたはそれ以上を（例えば、治療処理ロジック１２０の一部として）実行するように構成、適応、または使用される。様々な実施形態において、そのような電子計算システムまたはデバイスは、スタンドアロンデバイスとして動作し、または他のマシンに接続（例えば、ネットワーク接続）されてもよい。例えば、このような計算システムまたはデバイスは、サーバー・クライアントネットワーク環境（server-client network environment）ではサーバーまたはクライアントマシンの能力で動作し、ピアツーピア（または分散型）ネットワーク環境（peer-to-peer (or distributed) network environment）ではピアマシン（peer machine）として動作する。計算システムまたはデバイスの機能は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、ウェブアプライアンス、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の他）を実行することができる任意のマシンによって具現化される。
先に述べたように、それぞれの電子計算機システムまたはデバイスは、本明細書で述べたような１つまたはそれ以上の方法または機能動作を実装することができる。１つまたはそれ以上の実施形態において、放射線治療処理計算システム１１０は、画像誘導型放射線治療装置２３２を制御または操作すること、図３からのトレーニングまたは予測操作を実行または実施すること、トレーニングされた治療モデル３６０を操作すること、プロセス４００－９００のフローチャートのオペレーションを実行または実施すること、または本明細書で議論される他の方法論のいずれか１つまたはそれ以上を（例えば、治療処理ロジック１２０の一部として）実行するように構成、適応、または使用される。様々な実施形態において、そのような電子計算システムまたはデバイスは、スタンドアロンデバイスとして動作し、または他のマシンに接続（例えば、ネットワーク接続）されてもよい。例えば、このような計算システムまたはデバイスは、サーバー・クライアントネットワーク環境（server-client network environment）ではサーバーまたはクライアントマシンの能力で動作し、ピアツーピア（または分散型）ネットワーク環境（peer-to-peer (or distributed) network environment）ではピアマシン（peer machine）として動作する。計算システムまたはデバイスの機能は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、ウェブアプライアンス、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の他）を実行することができる任意のマシンによって具現化される。
［０１１０］
上述したように、上述した機能は、機械可読媒体に格納された命令、論理、またはその他の情報によって実装することができる。機械可読媒体は、様々な実施例で単一の媒体であると説明されたが、「機械可読媒体」という用語は、１つまたはそれ以上の一過性または非一過性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のデータベース、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。また、「機械可読媒体」という用語は、機械が実行するための一過性または非一過性の命令であって、本開示の方法論のいずれか１つまたはそれ以上を機械に実行させるものを記憶、符号化、または担持することができる、あるいは、そのような命令によって利用される、またはそのような命令に関連するデータ構造を記憶、符号化、または担持することができる、任意の有形媒体を含むとみなされる。
上述したように、上述した機能は、機械可読媒体に格納された命令、論理、またはその他の情報によって実装することができる。機械可読媒体は、様々な実施例で単一の媒体であると説明されたが、「機械可読媒体」という用語は、１つまたはそれ以上の一過性または非一過性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のデータベース、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。また、「機械可読媒体」という用語は、機械が実行するための一過性または非一過性の命令であって、本開示の方法論のいずれか１つまたはそれ以上を機械に実行させるものを記憶、符号化、または担持することができる、あるいは、そのような命令によって利用される、またはそのような命令に関連するデータ構造を記憶、符号化、または担持することができる、任意の有形媒体を含むとみなされる。
［０１１１］
上記の詳細な説明には、詳細な説明の一部を構成する添付の図面への参照が含まれる。図面は、説明のために、本開示を実施することができる特定の実施形態を示しているが、それに限定するものではない。これらの実施形態は、本明細書では「実施例」とも呼ばれる。このような実施例は、図示または説明されたものに加えて、要素を含むことができる。しかし、本開示は、図示されたまたは説明された要素のみが提供される実施例も予期している。さらに、本開示は、特定の実施例（または、その１つまたはそれ以上の態様）に関して、または本明細書に示され記載されている他の実施例（または、その１つまたはそれ以上の態様）に関して、図示され記載されているそれらの要素（または、その１つまたは以上の態様）の任意の組み合わせまたは順列を使用する実施例も予期している。
上記の詳細な説明には、詳細な説明の一部を構成する添付の図面への参照が含まれる。図面は、説明のために、本開示を実施することができる特定の実施形態を示しているが、それに限定するものではない。これらの実施形態は、本明細書では「実施例」とも呼ばれる。このような実施例は、図示または説明されたものに加えて、要素を含むことができる。しかし、本開示は、図示されたまたは説明された要素のみが提供される実施例も予期している。さらに、本開示は、特定の実施例（または、その１つまたはそれ以上の態様）に関して、または本明細書に示され記載されている他の実施例（または、その１つまたはそれ以上の態様）に関して、図示され記載されているそれらの要素（または、その１つまたは以上の態様）の任意の組み合わせまたは順列を使用する実施例も予期している。
［０１１２］
本明細書で言及されているすべての出版物、特許、および特許文書は、参照により個別に組み込まれるように、その全体が本書に組み込まれている。本明細書と参照により組み込まれた文書との間で使用方法が一致しない場合、組み込まれた参照された文書の使用方法は本明細書の使用方法を補足するものとみなされる。
本明細書で言及されているすべての出版物、特許、および特許文書は、参照により個別に組み込まれるように、その全体が本書に組み込まれている。本明細書と参照により組み込まれた文書との間で使用方法が一致しない場合、組み込まれた参照された文書の使用方法は本明細書の使用方法を補足するものとみなされる。
［０１１３］
本明細書では、特許文書で一般的なように、本開示の態様またはその実施形態の要素を紹介する際に、「ａ」、「ａｎ」、「ｔｈｅ」、「ｓａｉｄ」という用語を使用して、「少なくとも１つ」または「１つまたはそれ以上」の他の実施例や用法とは無関係に、１つまたはそれ以上の要素を含む。本明細書では、「または」という用語は、他に示されていない限り、「ＡまたはＢ」が「ＡであるがＢではない」、「ＢであるがＡではない」、「ＡおよびＢ」を含むように、非排他的な「または」を指すために使用される。
本明細書では、特許文書で一般的なように、本開示の態様またはその実施形態の要素を紹介する際に、「ａ」、「ａｎ」、「ｔｈｅ」、「ｓａｉｄ」という用語を使用して、「少なくとも１つ」または「１つまたはそれ以上」の他の実施例や用法とは無関係に、１つまたはそれ以上の要素を含む。本明細書では、「または」という用語は、他に示されていない限り、「ＡまたはＢ」が「ＡであるがＢではない」、「ＢであるがＡではない」、「ＡおよびＢ」を含むように、非排他的な「または」を指すために使用される。
［０１１４］
添付された請求の範囲において、「ｉｎｃｌｕｄｉｎｇ」および「ｉｎ ｗｈｉｃｈ」という用語は、「ｃｏｍｐｌｉｓｉｎｇ」および「ｗｈｅｒｅｉｎ」というそれぞれの用語の平易な英語の等価物として使用されている。また、以下の特許請求の範囲において、「ｃｏｍｐｒｉｓｉｎｇ」、「ｉｎｃｌｕｄｉｎｇ」、「ｈａｖｉｎｇ」という用語は、記載された要素以外にも追加の要素が存在する可能性があることを意味するオープンエンドのものであり、このような用語（例えば、「ｃｏｍｐｒｉｓｉｎｇ」、「ｉｎｃｌｕｄｉｎｇ」、「ｈａｖｉｎｇ」）の後の目的語が請求項に記載された以外のものも、その請求項の範囲に含まれるものとみなされる。さらに、以下の請求項において、「第１」、「第２」、「第３」などの用語は、単なるラベルとして使用されており、その対象に数値的な要件を課すことを意図したものではない。
添付された請求の範囲において、「ｉｎｃｌｕｄｉｎｇ」および「ｉｎ ｗｈｉｃｈ」という用語は、「ｃｏｍｐｌｉｓｉｎｇ」および「ｗｈｅｒｅｉｎ」というそれぞれの用語の平易な英語の等価物として使用されている。また、以下の特許請求の範囲において、「ｃｏｍｐｒｉｓｉｎｇ」、「ｉｎｃｌｕｄｉｎｇ」、「ｈａｖｉｎｇ」という用語は、記載された要素以外にも追加の要素が存在する可能性があることを意味するオープンエンドのものであり、このような用語（例えば、「ｃｏｍｐｒｉｓｉｎｇ」、「ｉｎｃｌｕｄｉｎｇ」、「ｈａｖｉｎｇ」）の後の目的語が請求項に記載された以外のものも、その請求項の範囲に含まれるものとみなされる。さらに、以下の請求項において、「第１」、「第２」、「第３」などの用語は、単なるラベルとして使用されており、その対象に数値的な要件を課すことを意図したものではない。
［０１１５］
また、本開示は、本明細書の操作を実行するために適応、構成、または操作される計算システムに関するものである。このシステムは、必要な目的のために特別に構築されたものであってもよいし、コンピュータに格納されたコンピュータプログラム（例えば、命令、コードなど）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で構成されていてもよい。本明細書で図示および説明されている本開示の実施形態における操作の実行または遂行の順序は、特に指定されない限り、必須ではない。すなわち、特に指定のない限り、どのような順序で操作を行ってもよく、本開示の実施形態は、ここで開示されたものよりも追加または少ない操作を含んでいてもよい。例えば、特定の操作を別の操作の前、同時期、または後に実行することは、本開示の態様の範囲内であると考えられる。
また、本開示は、本明細書の操作を実行するために適応、構成、または操作される計算システムに関するものである。このシステムは、必要な目的のために特別に構築されたものであってもよいし、コンピュータに格納されたコンピュータプログラム（例えば、命令、コードなど）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で構成されていてもよい。本明細書で図示および説明されている本開示の実施形態における操作の実行または遂行の順序は、特に指定されない限り、必須ではない。すなわち、特に指定のない限り、どのような順序で操作を行ってもよく、本開示の実施形態は、ここで開示されたものよりも追加または少ない操作を含んでいてもよい。例えば、特定の操作を別の操作の前、同時期、または後に実行することは、本開示の態様の範囲内であると考えられる。
［０１１６］
以上のことから、本開示のいくつかの目的が達成され、他の有益な結果が得られることがわかるだろう。本開示の態様を詳細に説明してきたが、添付の特許請求の範囲で定義された本開示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。本開示の態様の範囲を逸脱することなく、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、上記の説明に含まれ、添付の図面に示されているすべての事項は、限定的な意味ではなく例示として解釈されることが意図されている。
以上のことから、本開示のいくつかの目的が達成され、他の有益な結果が得られることがわかるだろう。本開示の態様を詳細に説明してきたが、添付の特許請求の範囲で定義された本開示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。本開示の態様の範囲を逸脱することなく、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、上記の説明に含まれ、添付の図面に示されているすべての事項は、限定的な意味ではなく例示として解釈されることが意図されている。
［０１１７］
本明細書で説明した例は、さまざまな実施形態で実施することができる。例えば、ある実施形態では、処理ハードウェア（例えば、プロセッサまたは他の処理回路）と、その上に具現化された命令を含むメモリハードウェア（例えば、記憶装置または揮発性メモリ）を含むコンピューティングデバイスを含み、その命令は、処理ハードウェアによって実行されると、コンピューティングデバイスに、これらの技術およびシステム構成のための電子操作を実施、実行、または調整させる。本明細書で説明する別の実施形態には、機械読み取り可能な媒体または他の記憶装置によって具現化され得るような、コンピュータプログラム製品が含まれ、これは、これらの技術およびシステム構成のための電子操作を実施、実行、または調整するための一過性または非一過性の命令を提供する。本明細書で説明する別の実施形態には、コンピューティングデバイスの処理ハードウェア上で動作可能な方法が含まれ、これらの技術やシステム構成のための電子操作を実装、実行、または調整する。
本明細書で説明した例は、さまざまな実施形態で実施することができる。例えば、ある実施形態では、処理ハードウェア（例えば、プロセッサまたは他の処理回路）と、その上に具現化された命令を含むメモリハードウェア（例えば、記憶装置または揮発性メモリ）を含むコンピューティングデバイスを含み、その命令は、処理ハードウェアによって実行されると、コンピューティングデバイスに、これらの技術およびシステム構成のための電子操作を実施、実行、または調整させる。本明細書で説明する別の実施形態には、機械読み取り可能な媒体または他の記憶装置によって具現化され得るような、コンピュータプログラム製品が含まれ、これは、これらの技術およびシステム構成のための電子操作を実施、実行、または調整するための一過性または非一過性の命令を提供する。本明細書で説明する別の実施形態には、コンピューティングデバイスの処理ハードウェア上で動作可能な方法が含まれ、これらの技術やシステム構成のための電子操作を実装、実行、または調整する。
［０１１８］
さらなる実施形態では、上述の電子操作の態様を実装する論理、コマンド、または一過性もしくは非一過性の命令は、デスクトップまたはノートブックのパーソナルコンピュータ、タブレット、ネットブック、スマートフォンなどのモバイルデバイス、クライアント端末およびサーバーホストのマシンインスタンス（machine instance）など、コンピューティングシステムのための任意の数のフォームファクタを含む、分散型または集中型のコンピューティングシステムで提供することができる。本明細書で議論されている別の実施形態には、本明細書で議論されている技術を、プログラムされた論理、ハードウェア構成、または特殊なコンポーネントやモジュールなどの他の形態に組み込むことが含まれており、そのような技術の機能を実行するためのそれぞれの手段を備えた装置を含む。そのような技術の機能を実装するために使用されるそれぞれのアルゴリズムは、上述の電子操作の一部または全部のシーケンス、または添付の図面や以下の詳細な説明に描かれている他の態様を含むことができる。
さらなる実施形態では、上述の電子操作の態様を実装する論理、コマンド、または一過性もしくは非一過性の命令は、デスクトップまたはノートブックのパーソナルコンピュータ、タブレット、ネットブック、スマートフォンなどのモバイルデバイス、クライアント端末およびサーバーホストのマシンインスタンス（machine instance）など、コンピューティングシステムのための任意の数のフォームファクタを含む、分散型または集中型のコンピューティングシステムで提供することができる。本明細書で議論されている別の実施形態には、本明細書で議論されている技術を、プログラムされた論理、ハードウェア構成、または特殊なコンポーネントやモジュールなどの他の形態に組み込むことが含まれており、そのような技術の機能を実行するためのそれぞれの手段を備えた装置を含む。そのような技術の機能を実装するために使用されるそれぞれのアルゴリズムは、上述の電子操作の一部または全部のシーケンス、または添付の図面や以下の詳細な説明に描かれている他の態様を含むことができる。
［０１１９］
上記の説明は、例示を目的としたものであり、制限的なものではない。例えば、上述した実施例（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、本開示の範囲から逸脱することなく、特定の状況や材料に適応させるために、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、材料の種類、および例示的なパラメータ、機能、および実装は、本開示のパラメータを定義することを意図している、決して限定するものではなく、例示的な実施形態である。上記の説明を読めば、多くの他の実施形態が当業者には明らかになるであろう。したがって、本開示の範囲は、添付の特許請求の範囲を参照して決定されるべきであり、また、そのような特許請求の範囲に含まれる均等物の全範囲も参照すべきである。
上記の説明は、例示を目的としたものであり、制限的なものではない。例えば、上述した実施例（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、本開示の範囲から逸脱することなく、特定の状況や材料に適応させるために、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、材料の種類、および例示的なパラメータ、機能、および実装は、本開示のパラメータを定義することを意図している、決して限定するものではなく、例示的な実施形態である。上記の説明を読めば、多くの他の実施形態が当業者には明らかになるであろう。したがって、本開示の範囲は、添付の特許請求の範囲を参照して決定されるべきであり、また、そのような特許請求の範囲に含まれる均等物の全範囲も参照すべきである。
［０１２０］
また、上記の詳細な説明では、開示を効率化するために様々な特徴をまとめている場合がある。これは、請求されていない開示された特徴が、いかなる請求にも必須であることを意図していると解釈すべきではない。むしろ、発明的な主題は、開示された特定の実施形態のすべての特徴ではないところにある可能性がある。したがって、以下の請求項は、各請求項が個別の実施形態として独立している状態で、詳細な説明に組み込まれる。本開示の範囲は、添付の特許請求の範囲を参照して決定されるべきであり、また、そのような特許請求の範囲が有する均等物の全範囲も参照する必要がある。
また、上記の詳細な説明では、開示を効率化するために様々な特徴をまとめている場合がある。これは、請求されていない開示された特徴が、いかなる請求にも必須であることを意図していると解釈すべきではない。むしろ、発明的な主題は、開示された特定の実施形態のすべての特徴ではないところにある可能性がある。したがって、以下の請求項は、各請求項が個別の実施形態として独立している状態で、詳細な説明に組み込まれる。本開示の範囲は、添付の特許請求の範囲を参照して決定されるべきであり、また、そのような特許請求の範囲が有する均等物の全範囲も参照する必要がある。
Claims (21)
- 放射線治療計画の最適化問題を解決する方法であって、
前記方法は、
プロセッサ回路によって、放射線治療計画の最適化問題を受け取るステップと、
前記プロセッサ回路により、前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップであって、前記機械学習モデルは、前記１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされ、前記機械学習モデルは、ディープニューラルネットワークを含むステップと、
前記プロセッサ回路によって、前記放射線治療計画の最適化問題の前記推定された１つまたはそれ以上の最適化変数に基づいて、前記放射線治療計画の最適化問題に対する解を生成するステップであって、前記解は、放射線治療装置のパラメータ、フルエンスマップ、アイソセンタの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有するステップ
を有する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記機械学習モデルは、前記機械学習モデルの後続の反復に使用される１つまたはそれ以上の中間的な推定された最適化変数を有する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記放射線治療計画の最適化問題を処理するステップは、
前記放射線治療計画の最適化問題を機械学習モデルで処理し、１つまたはそれ以上の初期の最適化変数を推定することと、
前記１つまたはそれ以上の初期の最適化変数から始まる前記放射線治療計画の最適化問題を、異なる学習型または非学習型の最適化プロセスを用いて解くこと
を有する
ことを特徴とする方法。 - 請求項３記載の方法において、
前記非学習型の最適化プロセスは、シンプレックス法、内点法、ニュートン法、準ニュートン法、ガウス－ニュートン法、レーベンバーグ－マルカート法、線形最小二乗法、勾配降下法、投影勾配法、共役勾配法、拡張ラグランジュ法、ネルダ－ミード法、分岐および境界法、切断面法、シミュレートされたアニーリング、または逐次二次計画法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記載の方法において、
前記複数のトレーニング用放射線治療計画の最適化問題は、以前の放射線治療計画に由来する最適化問題、または合成的に生成された問題の少なくとも１つを含む
ことを特徴とする方法。 - 請求項１記載の方法において、
前記放射線治療計画の最適化問題は、患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約値、線量制約値のうち少なくとも１つを有する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記放射線治療計画の最適化問題は、制約付き最適化問題であり、
前記方法は、
メリット関数に基づいて、前記放射線治療計画の最適化問題を制約のない最適化問題に変換するステップと、
前記変換された放射線治療計画の最適化問題を前記機械学習モデルで処理して、前記１つまたはそれ以上の最適化変数を推定するステップ
を更に有する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するステップは、
前記放射線治療計画の最適化問題の制約条件の第１のサブセットを選択することと、
前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理して、前記制約条件の選択された第１のサブセットに基づいて、前記１つまたはそれ以上の最適化変数の第１の推定値を生成することと、
前記放射線治療計画の最適化問題の制約条件の第２のサブセットを選択することと、
前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理して、前記制約条件の選択された第２のサブセットに基づいて、前記１つまたはそれ以上の最適化変数の第２の推定値を生成することと
を有する
ことを特徴とする方法。 - 請求項８記載の方法において、
前記方法は、
前記制約条件のサブセットを選択することと、前記機械学習モデルを用いて前記放射線治療計画の最適化問題を処理することとを有する、１つまたはそれ以上の追加の反復を行うステップ
を更に有する
ことを特徴とする方法。 - 請求項９記載の方法において、
前記制約条件の第１のサブセットおよび前記制約条件の第２のサブセットは、ランダムに選択される
ことを特徴とする方法。 - 放射線治療計画の最適化問題を解決するために、機械学習モデルをトレーニングする方法であって、
前記方法は、
プロセッサ回路によって、複数のトレーニング用放射線治療計画の最適化問題を受け取るステップと、
１つまたはそれ以上の最適化変数と、前記複数のトレーニング放射線治療計画の最適化問題のパラメータとの間の関係を確立することにより、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数の推定値を生成するために、前記機械学習モデルをトレーニングするステップ
を有する
ことを特徴とする方法。 - 請求項１１記載の方法において、
前記機械学習モデルは、前記複数のトレーニング用放射線治療計画の最適化問題に対する複数の解に基づいて、教師付きアプローチでトレーニングされる
ことを特徴とする方法。 - 請求項１２記載の方法において、
前記機械学習モデルは、前記教師付きアプローチで反復的にトレーニングされ、中間的に推定された最適化変数を有する前記機械学習モデルの１つのトレーニング反復の中間出力は、前記機械学習モデルの後続のトレーニング反復で使用される
ことを特徴とする方法。 - 請求項１記載の方法において、
前記複数のトレーニング用放射線治療計画の最適化問題は、制約付き最適化問題を含み、
前記方法は、
前記複数のトレーニング用放射線治療計画の最適化問題を、メリット関数に基づいて制約のない最適化問題に変換するステップと、
前記変換された放射線治療計画の最適化問題に基づいて、前記機械学習モデルをトレーニングするステップ
を更に有する
ことを特徴とする方法。 - 請求項１４記載の方法において、
前記機械学習モデルは、教師付きアプローチでトレーニングされる
ことを特徴とする方法。 - 非一時的なコンピュータ可読命令を含む非一時的コンピュータ可読媒体であって、
前記コンピュータ可読命令は、オペレーションを実行するための命令を含み、
前記オペレーションは、
放射線治療計画の最適化問題を受け取るオペレーションと、
前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するオペレーションであって、前記機械学習モデルは、前記１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされ、前記機械学習モデルは、ディープニューラルネットワークを含むオペレーションと、
前記放射線治療計画の最適化問題の前記推定された１つまたはそれ以上の最適化変数に基づいて、前記放射線治療計画の最適化問題に対する解を生成するオペレーションであって、前記解は、放射線治療装置のパラメータ、フルエンスマップ、アイソセンタの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有するオペレーション
を有する
ことを特徴とする非一時的コンピュータ可読媒体。 - 請求項１６記載の非一時的コンピュータ可読媒体において、
前記機械学習モデルは、前記機械学習モデルの後続の反復に使用される１つまたはそれ以上の中間的な推定された最適化変数を有する
ことを特徴とする非一時的コンピュータ可読媒体。 - 請求項１７記載の非一時的コンピュータ可読媒体において、
前記放射線治療計画の最適化問題は、患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約値、線量制約値のうち少なくとも１つを有し、
前記解は、放射線治療装置のパラメータ、フルエンスマップ、ショットの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有する
ことを特徴とする非一時的コンピュータ可読媒体。 - 命令を格納するメモリと、
オペレーションを実行するために前記メモリに格納された命令を実行する１つまたはそれ以上のプロセッサ
を有するシステムであって、
前記オペレーションは、
放射線治療計画の最適化問題を受け取るオペレーションと、
前記放射線治療計画の最適化問題を機械学習モデルで処理して、前記放射線治療計画の最適化問題の１つまたはそれ以上の最適化変数を推定するオペレーションであって、前記機械学習モデルは、前記１つまたはそれ以上の最適化変数と、複数のトレーニング用放射線治療計画の最適化問題のパラメータとの間の関係を確立するようにトレーニングされ、前記機械学習モデルは、ディープニューラルネットワークを含むオペレーションと、
前記放射線治療計画の最適化問題の前記推定された１つまたはそれ以上の最適化変数に基づいて、前記放射線治療計画の最適化問題に対する解を生成するオペレーションであって、前記解は、放射線治療装置のパラメータ、フルエンスマップ、アイソセンタの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有するオペレーション
を有する
ことを特徴とするシステム。 - 請求項１９記載のシステムにおいて、
前記機械学習モデルは、前記機械学習モデルの後続の反復に使用される１つまたはそれ以上の中間的な推定された最適化変数を有する
ことを特徴とするシステム。 - 請求項１９記載のシステムにおいて、
前記放射線治療計画の最適化問題は、患者または患者体積の画像、患者体積のセグメンテーション、線量カーネル、線量体積ヒストグラム制約値、線量制約値のうち少なくとも１つを有し、
前記解は、放射線治療装置のパラメータ、フルエンスマップ、ショットの位置、ビーム角度、ビームオン時間のうちの少なくとも１つを有する
ことを特徴とするシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/512,972 | 2019-07-16 | ||
| US16/512,972 US11605452B2 (en) | 2019-07-16 | 2019-07-16 | Radiotherapy treatment plan optimization using machine learning |
| PCT/EP2020/069585 WO2021009056A1 (en) | 2019-07-16 | 2020-07-10 | Radiotherapy treatment plan optimization using machine learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022542826A true JP2022542826A (ja) | 2022-10-07 |
Family
ID=71579612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022502922A Pending JP2022542826A (ja) | 2019-07-16 | 2020-07-10 | 機械学習を用いた放射線治療計画の最適化 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11605452B2 (ja) |
| EP (1) | EP3999171A1 (ja) |
| JP (1) | JP2022542826A (ja) |
| CN (1) | CN114401768A (ja) |
| AU (1) | AU2020312643B2 (ja) |
| WO (1) | WO2021009056A1 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11605452B2 (en) | 2019-07-16 | 2023-03-14 | Elekta Ab (Publ) | Radiotherapy treatment plan optimization using machine learning |
| US11367520B2 (en) | 2019-07-16 | 2022-06-21 | Elekta Ab (Publ) | Compressing radiotherapy treatment plan optimization problems |
| CN113517072B (zh) * | 2021-09-13 | 2022-01-28 | 四川大学 | 一种基于深度神经网络的vmat放疗计划的预测装置 |
| US20230264045A1 (en) | 2022-02-18 | 2023-08-24 | Elekta Instrument Ab | Dose volume histogram optimization based on quantile regression |
| US20230307113A1 (en) * | 2022-03-25 | 2023-09-28 | Siemens Healthineers International Ag | Radiation treatment planning using machine learning |
| WO2023196533A1 (en) * | 2022-04-08 | 2023-10-12 | Memorial Sloan-Kettering Cancer Center | Automated generation of radiotherapy plans |
| GB2618079A (en) * | 2022-04-25 | 2023-11-01 | Continental Automotive Tech Gmbh | System and apparatus suitable for Utilization of neural network based approach in association with integer programming,and a processing method in association |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190074079A1 (en) * | 2017-08-09 | 2019-03-07 | Varian Medical Systems International Ag | Radiotherapy treatment planning using artificial intelligence (ai) engines |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7046762B2 (en) * | 1999-11-05 | 2006-05-16 | Georgia Tech Research Corporation | Systems and methods for global optimization of treatment planning for external beam radiation therapy |
| US7734010B2 (en) * | 2005-05-13 | 2010-06-08 | Bc Cancer Agency | Method and apparatus for planning and delivering radiation treatment |
| US8990135B2 (en) * | 2010-06-15 | 2015-03-24 | The Regents Of The University Of Michigan | Personalized health risk assessment for critical care |
| CN113842566A (zh) | 2013-12-31 | 2021-12-28 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| EP3103518B1 (en) * | 2015-06-12 | 2017-06-07 | RaySearch Laboratories AB | A method, a computer program product and a computer system for radiotherapy optimization |
| US11056243B2 (en) * | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
| WO2017118725A1 (en) | 2016-01-07 | 2017-07-13 | Koninklijke Philips N.V. | Automatic selection of optimization strategy in iterative treatment planning |
| EP3392832A1 (en) * | 2017-04-21 | 2018-10-24 | General Electric Company | Automated organ risk segmentation machine learning methods and systems |
| EP3422518B1 (en) | 2017-06-28 | 2020-06-17 | Siemens Aktiengesellschaft | A method for recognizing contingencies in a power supply network |
| US11717702B2 (en) | 2017-07-30 | 2023-08-08 | Icahn School Of Medicine At Mount Sinai | 3D deep planning radiotherapy system and method |
| US20200341004A1 (en) * | 2017-10-27 | 2020-10-29 | Frontier Diagnostics, Llc | Mass spectrometry methods for carcinoma assessments |
| WO2019090533A1 (en) * | 2017-11-08 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for diagnositic and treatment |
| US11557390B2 (en) | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
| US20200104695A1 (en) | 2018-09-28 | 2020-04-02 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning using deep learning engines |
| US10395772B1 (en) * | 2018-10-17 | 2019-08-27 | Tempus Labs | Mobile supplementation, extraction, and analysis of health records |
| US11358003B2 (en) | 2019-03-13 | 2022-06-14 | Elekta Ab | Generation of realizable radiotherapy plans |
| US20210158929A1 (en) | 2019-07-16 | 2021-05-27 | Elekta Ab (Publ) | Parameter search in radiotherapy treatment plan optimization |
| US11367520B2 (en) | 2019-07-16 | 2022-06-21 | Elekta Ab (Publ) | Compressing radiotherapy treatment plan optimization problems |
| US11605452B2 (en) | 2019-07-16 | 2023-03-14 | Elekta Ab (Publ) | Radiotherapy treatment plan optimization using machine learning |
-
2019
- 2019-07-16 US US16/512,972 patent/US11605452B2/en active Active
-
2020
- 2020-07-10 CN CN202080064712.3A patent/CN114401768A/zh active Pending
- 2020-07-10 EP EP20739661.5A patent/EP3999171A1/en active Pending
- 2020-07-10 JP JP2022502922A patent/JP2022542826A/ja active Pending
- 2020-07-10 AU AU2020312643A patent/AU2020312643B2/en active Active
- 2020-07-10 WO PCT/EP2020/069585 patent/WO2021009056A1/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190074079A1 (en) * | 2017-08-09 | 2019-03-07 | Varian Medical Systems International Ag | Radiotherapy treatment planning using artificial intelligence (ai) engines |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2020312643B2 (en) | 2023-07-27 |
| US11605452B2 (en) | 2023-03-14 |
| AU2020312643A1 (en) | 2022-03-10 |
| CN114401768A (zh) | 2022-04-26 |
| EP3999171A1 (en) | 2022-05-25 |
| US20210020297A1 (en) | 2021-01-21 |
| WO2021009056A1 (en) | 2021-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7181963B2 (ja) | 深層学習を用いたアトラスベースセグメンテーション | |
| US11547874B2 (en) | Machine learning approach to real-time patient motion monitoring | |
| US20210046327A1 (en) | Real-time patient motion monitoring using a magnetic resonance linear accelerator (mrlinac) | |
| US11557390B2 (en) | Radiotherapy treatment plan modeling using generative adversarial networks | |
| JP7142415B2 (ja) | 微分可能な線量関数を用いた放射線治療計画 | |
| US20210158929A1 (en) | Parameter search in radiotherapy treatment plan optimization | |
| AU2020312643B2 (en) | Radiotherapy treatment plan optimization using machine learning | |
| US11367520B2 (en) | Compressing radiotherapy treatment plan optimization problems | |
| JP7325541B2 (ja) | 線量誘導リアルタイム適応型放射線治療 | |
| EP4288146A1 (en) | Parameter search in radiotherapy treatment plan optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220311 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230808 |