JP7145233B2 - 敵対的生成ネットワークを用いた放射線治療計画モデリング - Google Patents
敵対的生成ネットワークを用いた放射線治療計画モデリング Download PDFInfo
- Publication number
- JP7145233B2 JP7145233B2 JP2020560895A JP2020560895A JP7145233B2 JP 7145233 B2 JP7145233 B2 JP 7145233B2 JP 2020560895 A JP2020560895 A JP 2020560895A JP 2020560895 A JP2020560895 A JP 2020560895A JP 7145233 B2 JP7145233 B2 JP 7145233B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- image
- model
- radiation therapy
- anatomical
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Surgery (AREA)
- Radiation-Therapy Devices (AREA)
Description
（優先権の主張）
［０００１］
本特許出願は、２０１８年４月３０日に出願された米国出願第１５／９６６，２２８号明細書の優先権の利益を主張し、これは、その全体が参照により本明細書に組み込まれる。
［０００１］
本特許出願は、２０１８年４月３０日に出願された米国出願第１５／９６６，２２８号明細書の優先権の利益を主張し、これは、その全体が参照により本明細書に組み込まれる。
（技術分野）
［０００２］
本開示の実施形態は、一般に、医療データおよび人工知能処理技術に関連する。特に、本開示は、放射線治療計画ワークフローおよびシステム操作での使用に適応した敵対的生成ネットワークにおけるデータモデルの生成および使用に関する。
［０００２］
本開示の実施形態は、一般に、医療データおよび人工知能処理技術に関連する。特に、本開示は、放射線治療計画ワークフローおよびシステム操作での使用に適応した敵対的生成ネットワークにおけるデータモデルの生成および使用に関する。
［０００３］
強度変調放射線療法（ＩＭＲＴ）および体積変調アーク療法（ＶＭＡＴ）は、現代のがん放射線療法の標準治療となっている。これらおよび他の形態の放射線治療の治療計画では、重要な臓器が特定され、治療のための標的体積が特定されるため、治療を受ける特定の患者に合わせて放射線の特定の被曝量をカスタマイズすることが必要である。個々の患者のＩＭＲＴまたはＶＭＡＴ治療計画を作成するための多くのアプローチは、評価者が目標線量と臓器温存のトレードオフを秤にかけ、線量分布への影響を予測することが非常に困難なプログラムの制約を評価者が調整するために、人間が決定した試行錯誤のプロセスを伴う。実際には、計画制約が調整される順序自体が線量差をもたらす可能性がある。その結果、熟練したプランナであっても、周囲の臓器や組織の放射線被曝を最小限に抑えつつ、目標量での放射線治療を最大化するという目的を達成するために、カスタム設計された放射線治療計画が可能な限り最善に近いものであるという保証はないことが多い。このように、プランナは、少量の追加努力が治療計画の改善につながるのか、多量の追加努力が治療計画の改善につながるのかを判断することができないのが現状である。
強度変調放射線療法（ＩＭＲＴ）および体積変調アーク療法（ＶＭＡＴ）は、現代のがん放射線療法の標準治療となっている。これらおよび他の形態の放射線治療の治療計画では、重要な臓器が特定され、治療のための標的体積が特定されるため、治療を受ける特定の患者に合わせて放射線の特定の被曝量をカスタマイズすることが必要である。個々の患者のＩＭＲＴまたはＶＭＡＴ治療計画を作成するための多くのアプローチは、評価者が目標線量と臓器温存のトレードオフを秤にかけ、線量分布への影響を予測することが非常に困難なプログラムの制約を評価者が調整するために、人間が決定した試行錯誤のプロセスを伴う。実際には、計画制約が調整される順序自体が線量差をもたらす可能性がある。その結果、熟練したプランナであっても、周囲の臓器や組織の放射線被曝を最小限に抑えつつ、目標量での放射線治療を最大化するという目的を達成するために、カスタム設計された放射線治療計画が可能な限り最善に近いものであるという保証はないことが多い。このように、プランナは、少量の追加努力が治療計画の改善につながるのか、多量の追加努力が治療計画の改善につながるのかを判断することができないのが現状である。
［０００４］
これまでの研究では、２つの一般的なアプローチを用いて放射線治療計画が有効かどうかを検討してきた。第１に、一次元的な標的臓器のオーバーラップ尺度（例えば、線量体積ヒストグラム（ＤＶＨ）、オーバーラップボリュームヒストグラム（ＯＶＨ））と関連した計画の質を評価し、データベース上の既知の質の高い計画と比較することで、治療計画の探索・比較を可能にしてきた。第２に、計画の品質についても研究が行われており、オペレータが治療に使用するために選択することができる、最適な、あるいはパレート効率性（Pareto-optima）あるプランのファミリーを決定するための研究も行われている。しかし、これらのアプローチのいずれも、どちらの計画プロセスからも独立した治療計画の詳細なモデルを提供したり、生成したりすることはできない。その結果、特定の放射線治療の実行可能性および成功は、しばしば、計画段階で利用可能であり、かつ行使される手動の人間の判断に依存している。さらに、計画プロセスにおける人間の技量に依存すること（および以前の人間が作成した治療計画との比較）は、新しい治療計画が特定の患者に対して完全に最適化され、可能な限り最良の治療目的を達成しているかどうかを客観的に判断することを妨げている。
これまでの研究では、２つの一般的なアプローチを用いて放射線治療計画が有効かどうかを検討してきた。第１に、一次元的な標的臓器のオーバーラップ尺度（例えば、線量体積ヒストグラム（ＤＶＨ）、オーバーラップボリュームヒストグラム（ＯＶＨ））と関連した計画の質を評価し、データベース上の既知の質の高い計画と比較することで、治療計画の探索・比較を可能にしてきた。第２に、計画の品質についても研究が行われており、オペレータが治療に使用するために選択することができる、最適な、あるいはパレート効率性（Pareto-optima）あるプランのファミリーを決定するための研究も行われている。しかし、これらのアプローチのいずれも、どちらの計画プロセスからも独立した治療計画の詳細なモデルを提供したり、生成したりすることはできない。その結果、特定の放射線治療の実行可能性および成功は、しばしば、計画段階で利用可能であり、かつ行使される手動の人間の判断に依存している。さらに、計画プロセスにおける人間の技量に依存すること（および以前の人間が作成した治療計画との比較）は、新しい治療計画が特定の患者に対して完全に最適化され、可能な限り最良の治療目的を達成しているかどうかを客観的に判断することを妨げている。
また、従来技術として特許文献１に記載された自動治療計画のためのシステム及び方法が知られている。
［０００５］
本開示は、敵対的生成ネットワーク（ＧＡＮ）、ディープニューラルネットワーク（ＤＮＮ）、および機械学習（ＭＬ）実装の他の形態を含む人工知能（ＡＩ）処理技術を用いて、放射線治療計画を開発、訓練、および利用するための手順を含む。本開示は、特定の患者の解剖学的にカスタマイズされたボクセル単位の３次元線量分布を予測する特定の癌治療のための治療計画モデルを学習するために、ＧＡＮ内で動作する識別器モデルおよび生成器モデルの使用に関連するいくつかの例示的な実施例を含む。これらの例では、放射線治療線量の計画と展開に使用される放射線治療ワークフローの一部として、学習、訓練、試験、検証の各段階でＧＡＮモデルを使用することが含まれている。しかしながら、ＧＡＮ（および他の開示されたＡＩおよびＭＬ技術）の一部としての画像データ、線量データ、および他の放射線治療関連情報の本明細書に記載された使用および分析は、様々な診断、評価、解釈、または治療の設定のために使用される他の医療ワークフローに組み込まれ得ることが明らかになるであろう。
本開示は、敵対的生成ネットワーク（ＧＡＮ）、ディープニューラルネットワーク（ＤＮＮ）、および機械学習（ＭＬ）実装の他の形態を含む人工知能（ＡＩ）処理技術を用いて、放射線治療計画を開発、訓練、および利用するための手順を含む。本開示は、特定の患者の解剖学的にカスタマイズされたボクセル単位の３次元線量分布を予測する特定の癌治療のための治療計画モデルを学習するために、ＧＡＮ内で動作する識別器モデルおよび生成器モデルの使用に関連するいくつかの例示的な実施例を含む。これらの例では、放射線治療線量の計画と展開に使用される放射線治療ワークフローの一部として、学習、訓練、試験、検証の各段階でＧＡＮモデルを使用することが含まれている。しかしながら、ＧＡＮ（および他の開示されたＡＩおよびＭＬ技術）の一部としての画像データ、線量データ、および他の放射線治療関連情報の本明細書に記載された使用および分析は、様々な診断、評価、解釈、または治療の設定のために使用される他の医療ワークフローに組み込まれ得ることが明らかになるであろう。
［０００６］
一実施例では、ＧＡＮで訓練された人工ニューラルネットワークモデルの予測または使用の一環として、放射線治療の線量分布を生成する方法の実装は、ヒト被験体の放射線治療のための解剖学的領域のマッピングを示すヒト被験体の解剖学的データを受信するステップと、生成モデルを使用して、マッピングに対応する放射線治療線量データを生成するステップと、生成モデルを敵対的生成ネットワークで訓練し、生成モデルは、解剖学的データを入力として処理し、放射線治療線量データを出力として提供するようにさらに訓練された生成モデルを使用して、マッピングに対応する放射線治療線量データを生成するステップと、放射線治療線量データに基づいて、ヒト被験体の放射線治療のための放射線治療線量分布を特定するステップと、を含む。
一実施例では、ＧＡＮで訓練された人工ニューラルネットワークモデルの予測または使用の一環として、放射線治療の線量分布を生成する方法の実装は、ヒト被験体の放射線治療のための解剖学的領域のマッピングを示すヒト被験体の解剖学的データを受信するステップと、生成モデルを使用して、マッピングに対応する放射線治療線量データを生成するステップと、生成モデルを敵対的生成ネットワークで訓練し、生成モデルは、解剖学的データを入力として処理し、放射線治療線量データを出力として提供するようにさらに訓練された生成モデルを使用して、マッピングに対応する放射線治療線量データを生成するステップと、放射線治療線量データに基づいて、ヒト被験体の放射線治療のための放射線治療線量分布を特定するステップと、を含む。
［０００７］
放射線治療線量分布を生成するさらなる実施例は、識別モデルを使用して生成モデルを改善するように構成された敵対的生成ネットワークを展開することを含み、このネットワークは、識別モデルと生成モデルとの間の敵対的訓練を使用して、生成モデルと識別モデルとによって適用される値が確立されるように構成される。更なる実施例では、敵対的生成ネットワークは、生成モデルと識別モデルとからなる条件付き敵対的生成ネットワークであり、このような条件付き生成モデルから提供される予測値は、ヒト被験体から撮影された画像データに条件付けられている。さらに、生成モデルおよび識別モデルは、訓練中に事前に分類された解剖学的構造データに条件付けされてもよいし、放射線治療線量分布に関連する少なくとも１つの制約に条件付けされてもよい。
放射線治療線量分布を生成するさらなる実施例は、識別モデルを使用して生成モデルを改善するように構成された敵対的生成ネットワークを展開することを含み、このネットワークは、識別モデルと生成モデルとの間の敵対的訓練を使用して、生成モデルと識別モデルとによって適用される値が確立されるように構成される。更なる実施例では、敵対的生成ネットワークは、生成モデルと識別モデルとからなる条件付き敵対的生成ネットワークであり、このような条件付き生成モデルから提供される予測値は、ヒト被験体から撮影された画像データに条件付けられている。さらに、生成モデルおよび識別モデルは、訓練中に事前に分類された解剖学的構造データに条件付けされてもよいし、放射線治療線量分布に関連する少なくとも１つの制約に条件付けされてもよい。
［０００８］
また、例示的な実施形態では、放射線治療線量分布を生成するための訓練されたモデルを生成するための方法の実施形態は、逆説的訓練を使用して、敵対的生成ネットワークの生成モデルおよび識別モデルの値を確立すること、逆説的訓練を、入力画像から模擬放射線治療線量分布画像を生成するために生成モデルを訓練することを含むように適応させること、および生成モデルの出力が識別モデルを訓練するために使用され、識別モデルの出力が生成モデルを訓練するために使用されるように、生成モデルを模擬または実際の訓練データとして分類するために識別モデルを訓練することを含むように適応させること、前記生成モデルが、前記放射線治療のための解剖学的構造のマッピングに対応する入力解剖学的データに基づいて、前記ヒト被験体の放射線治療のための放射線治療線量データを識別するために適合されているように、前記生成モデルを、放射線治療線量情報を生成するために使用するために出力することとを含む。
また、例示的な実施形態では、放射線治療線量分布を生成するための訓練されたモデルを生成するための方法の実施形態は、逆説的訓練を使用して、敵対的生成ネットワークの生成モデルおよび識別モデルの値を確立すること、逆説的訓練を、入力画像から模擬放射線治療線量分布画像を生成するために生成モデルを訓練することを含むように適応させること、および生成モデルの出力が識別モデルを訓練するために使用され、識別モデルの出力が生成モデルを訓練するために使用されるように、生成モデルを模擬または実際の訓練データとして分類するために識別モデルを訓練することを含むように適応させること、前記生成モデルが、前記放射線治療のための解剖学的構造のマッピングに対応する入力解剖学的データに基づいて、前記ヒト被験体の放射線治療のための放射線治療線量データを識別するために適合されているように、前記生成モデルを、放射線治療線量情報を生成するために使用するために出力することとを含む。
［０００９］
訓練されたモデルを生成するさらなる実施例は、予め定義された解剖学的構造データを使用して訓練中に生成モデルおよび識別モデルを条件付けすることを含む、条件付き敵対的生成ネットワークの使用を含むことができる。様々な実施例では、生成モデルは、画像データに基づいて特定の状態または解剖学的特徴のための放射線治療線量データを生成するように、または、それぞれの放射線治療のための複数の解剖学的領域のための放射線治療線量データを生成するように訓練することができる。訓練されたモデルの訓練または使用に関連して、追加の制約、条件、入力、および他のバリエーションも提供することができる。
訓練されたモデルを生成するさらなる実施例は、予め定義された解剖学的構造データを使用して訓練中に生成モデルおよび識別モデルを条件付けすることを含む、条件付き敵対的生成ネットワークの使用を含むことができる。様々な実施例では、生成モデルは、画像データに基づいて特定の状態または解剖学的特徴のための放射線治療線量データを生成するように、または、それぞれの放射線治療のための複数の解剖学的領域のための放射線治療線量データを生成するように訓練することができる。訓練されたモデルの訓練または使用に関連して、追加の制約、条件、入力、および他のバリエーションも提供することができる。
［００１０］
本明細書に記載された例は、様々な実施形態で実施され得る。例えば、一実施形態では、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）およびそこ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、そのような命令は、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的な操作を実装、実行、または調整することを引き起こす。本明細書で論じられる別の実施形態は、コンピュータプログラム製品を含み、例えば、機械可読媒体または他の記憶装置によって具現化されてもよく、これらの技術およびシステム構成のための電子的操作を実施、実行、または調整するための命令を提供する。本明細書で論じられる別の実施形態は、これらの技術およびシステム構成のための電子的操作を実施、実行、または調整するために、コンピューティングデバイスの処理ハードウェア上で操作可能な方法を含む。
本明細書に記載された例は、様々な実施形態で実施され得る。例えば、一実施形態では、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）およびそこ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、そのような命令は、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的な操作を実装、実行、または調整することを引き起こす。本明細書で論じられる別の実施形態は、コンピュータプログラム製品を含み、例えば、機械可読媒体または他の記憶装置によって具現化されてもよく、これらの技術およびシステム構成のための電子的操作を実施、実行、または調整するための命令を提供する。本明細書で論じられる別の実施形態は、これらの技術およびシステム構成のための電子的操作を実施、実行、または調整するために、コンピューティングデバイスの処理ハードウェア上で操作可能な方法を含む。
［００１１］
更なる実施形態において、上述した電子的操作の態様を実施する論理、命令、または命令は、デスクトップまたはノートブック型パーソナルコンピュータ、タブレット、ネットブック、スマートフォンのようなモバイルデバイス、クライアント端末、およびサーバーホストマシンインスタンスのような計算システム用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計算システムで提供することができる。本明細書で議論される別の実施形態は、本明細書で議論される技術を、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有する装置を含む、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またはモジュールの他の形態に組み込むことを含む。こ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、上述した電子的操作の一部または全部のシーケンス、または添付の図面および以下の詳細な説明に描かれている他の側面を含むことができる。
更なる実施形態において、上述した電子的操作の態様を実施する論理、命令、または命令は、デスクトップまたはノートブック型パーソナルコンピュータ、タブレット、ネットブック、スマートフォンのようなモバイルデバイス、クライアント端末、およびサーバーホストマシンインスタンスのような計算システム用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計算システムで提供することができる。本明細書で議論される別の実施形態は、本明細書で議論される技術を、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有する装置を含む、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またはモジュールの他の形態に組み込むことを含む。こ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、上述した電子的操作の一部または全部のシーケンス、または添付の図面および以下の詳細な説明に描かれている他の側面を含むことができる。
［００１２］
以上の概要は、本特許出願の主題の概要を提供することを目的としている。本発明の排他的または網羅的な説明を提供することを意図したものではない。発明の詳細な説明には、本特許出願についての更なる情報を提供することが含まれる。
以上の概要は、本特許出願の主題の概要を提供することを目的としている。本発明の排他的または網羅的な説明を提供することを意図したものではない。発明の詳細な説明には、本特許出願についての更なる情報を提供することが含まれる。
［００１３］
必ずしも縮尺で描かれていない図面において、同様の数字は、いくつかの図面全体にわたって実質的に類似した構成要素を表す。異なる文字の接尾辞を持つ数字のようなものは、実質的に類似した構成要素の異なる実例を表す。図面は、本明細書で論じられている様々な実施形態を一般的に例示しているが、これに限定されるものではない。
必ずしも縮尺で描かれていない図面において、同様の数字は、いくつかの図面全体にわたって実質的に類似した構成要素を表す。異なる文字の接尾辞を持つ数字のようなものは、実質的に類似した構成要素の異なる実例を表す。図面は、本明細書で論じられている様々な実施形態を一般的に例示しているが、これに限定されるものではない。
［００１４］
図１は、治療計画生成処理を実行するために適応された例示的な放射線治療システムを示す。
［００１５］
図２は、例示的な画像誘導型放射線治療装置を示す。
［００１６］
図３は、治療線量モデルを生成するために適応された例示的な畳み込みニューラルネットワークモデルを示す。
［００１７］
図４は、治療線量モデルを生成するために適応された敵対的生成ネットワークの訓練と使用のための例示的なデータフローを示す。
［００１８］
図５は、治療線量モデルを生成するための敵対的生成ネットワークの訓練を示す。
［００１９］
図６Ａ、図６Ｂ、図６Ｃは、治療線量モデルを生成するための条件付き敵対的生成ネットワークの訓練および使用を示す。
［００２０］
図７は、訓練および治療線量モデルの生成に関連して使用される解剖学的領域情報および入力画像のバリエーションを示す。
［００２１］
図８は、治療線量モデルにおいて提供される解剖学的領域情報および出力線量表現のペアのバリエーションを示す。
［００２２］
図９は、治療線量を出力するための生成モデルを訓練するための例示的な操作のフローチャートを示す。
［００２３］
図１０は、治療線量の出力に適合した生成モデルを利用するための例示的な操作のフローチャートを示す。
［００２４］
以下の詳細な説明では、本発明の一部を形成する添付の図面を参照し、本発明が実施され得る特定の実施形態を示す。本明細書で「実施例」とも呼ばれるこれらの実施形態は、当技術に熟練した者が本発明を実施することを可能にするのに十分な詳細に記載されており、実施形態を組み合わせてもよく、他の実施形態を利用してもよく、本発明の範囲から逸脱することなく構造的、論理的、電気的な変更を行ってもよいことが理解されよう。したがって、以下の詳細な説明は、限定的な意味で取られるものではなく、本発明の範囲は、添付の特許請求の範囲およびその等価物によって定義される。
以下の詳細な説明では、本発明の一部を形成する添付の図面を参照し、本発明が実施され得る特定の実施形態を示す。本明細書で「実施例」とも呼ばれるこれらの実施形態は、当技術に熟練した者が本発明を実施することを可能にするのに十分な詳細に記載されており、実施形態を組み合わせてもよく、他の実施形態を利用してもよく、本発明の範囲から逸脱することなく構造的、論理的、電気的な変更を行ってもよいことが理解されよう。したがって、以下の詳細な説明は、限定的な意味で取られるものではなく、本発明の範囲は、添付の特許請求の範囲およびその等価物によって定義される。
［００２５］
本開示は、放射線治療計画を開発または展開するための手動（例えば、人間に指示された、人間にアシストされた、または人間にガイドされた）および従来のアプローチよりも技術的な利点を提供する方法を含む、放射線治療計画およびデータ処理の操作を改善するための様々な技術を含む。これらの技術的利点には、計画データを生成するための計算処理時間の短縮、データ解析作業の効率化、後に開発された治療計画データおよびデータ値の再現性および改良、およびそれに伴う放射線治療計画および運用ワークフロー活動を行うために使用される処理、メモリおよびネットワークリソースの改善が含まれる。これらの改善された計画およびワークフロー活動は、このような治療および診断行動を支援するためのデータを管理するデータ管理、可視化および制御システムの改善に加えて、様々な医療および診断の現場およびそのような現場で使用される情報技術システムにも適用可能である。したがって、本技術は、これらの技術的利点に加えて、多くの見かけ上の医療上の利点（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含む）をもたらす可能性がある。
本開示は、放射線治療計画を開発または展開するための手動（例えば、人間に指示された、人間にアシストされた、または人間にガイドされた）および従来のアプローチよりも技術的な利点を提供する方法を含む、放射線治療計画およびデータ処理の操作を改善するための様々な技術を含む。これらの技術的利点には、計画データを生成するための計算処理時間の短縮、データ解析作業の効率化、後に開発された治療計画データおよびデータ値の再現性および改良、およびそれに伴う放射線治療計画および運用ワークフロー活動を行うために使用される処理、メモリおよびネットワークリソースの改善が含まれる。これらの改善された計画およびワークフロー活動は、このような治療および診断行動を支援するためのデータを管理するデータ管理、可視化および制御システムの改善に加えて、様々な医療および診断の現場およびそのような現場で使用される情報技術システムにも適用可能である。したがって、本技術は、これらの技術的利点に加えて、多くの見かけ上の医療上の利点（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含む）をもたらす可能性がある。
［００２６］
本明細書でさらに議論されるように、教師付き人工知能（ＡＩ）機械学習の一形態である敵対的生成ネットワーク（ＧＡＮ）の以下の使用および展開は、学習モデルを介した放射線治療計画の精度および有用性の向上を可能にする。一実施例では、本技術は、撮像データによって示される患者の特定の解剖学から決定され、カスタマイズされるように、新しい患者のための放射線治療線量の正確な投影を示すことができる投影治療計画を出力する。本明細書で議論される学習モデルはまた、既存の治療計画の品質をチェックし、カスタム治療計画を創始する、放射線治療の多くの異なる段階で計画または検証を支援するために使用することができるシステム内での使用を可能にする。さらに、学習モデルは、自動化された計画を支援することができ、これは、計画と調整を繰り返す適応型放射線治療プロトコルの使用において重要である。したがって、現在の学習モデルと自動化されたアプローチの使用は、地域の深い専門知識やリソースが不足している（したがって、手動の治療計画プロセスを実行する能力やスキルが不足している）医療施設に大きな利益を提供することができる。
本明細書でさらに議論されるように、教師付き人工知能（ＡＩ）機械学習の一形態である敵対的生成ネットワーク（ＧＡＮ）の以下の使用および展開は、学習モデルを介した放射線治療計画の精度および有用性の向上を可能にする。一実施例では、本技術は、撮像データによって示される患者の特定の解剖学から決定され、カスタマイズされるように、新しい患者のための放射線治療線量の正確な投影を示すことができる投影治療計画を出力する。本明細書で議論される学習モデルはまた、既存の治療計画の品質をチェックし、カスタム治療計画を創始する、放射線治療の多くの異なる段階で計画または検証を支援するために使用することができるシステム内での使用を可能にする。さらに、学習モデルは、自動化された計画を支援することができ、これは、計画と調整を繰り返す適応型放射線治療プロトコルの使用において重要である。したがって、現在の学習モデルと自動化されたアプローチの使用は、地域の深い専門知識やリソースが不足している（したがって、手動の治療計画プロセスを実行する能力やスキルが不足している）医療施設に大きな利益を提供することができる。
［００２７］
一実施例では、学習モデルは、ＧＡＮで動作する一対のディープニューラルネットワーク：訓練データを記述する確率分布の推定値を生成する生成器（「生成モデル」とも呼ばれる）；および生成器のサンプルを生成器に属するものとして、または訓練データに属するものとして分類する識別器（「識別モデル」とも呼ばれる）：を用いて生成される。生成器は、訓練データのデータ分布を可能な限り完全にエミュレートし、それによって識別器を最大に混乱させることを目的としている。その結果、予測モデリングにおける回帰の結果を最大化するように訓練された（本質的には「調整された」）生成器が生成される。
一実施例では、学習モデルは、ＧＡＮで動作する一対のディープニューラルネットワーク：訓練データを記述する確率分布の推定値を生成する生成器（「生成モデル」とも呼ばれる）；および生成器のサンプルを生成器に属するものとして、または訓練データに属するものとして分類する識別器（「識別モデル」とも呼ばれる）：を用いて生成される。生成器は、訓練データのデータ分布を可能な限り完全にエミュレートし、それによって識別器を最大に混乱させることを目的としている。その結果、予測モデリングにおける回帰の結果を最大化するように訓練された（本質的には「調整された」）生成器が生成される。
［００２８］
一実施例では、ＧＡＮは、解剖学的入力（例えば、特定の患者の解剖学的構造）を与えられたボクセル単位の３次元線量分布を生成するようにモデルを訓練するために、特定の放射線治療のための治療計画のモデルで訓練される。モデルは、登録された解剖学データと投与データのペア（例えば、２Ｄ画像または３Ｄ画像、または他の空間ベースの解剖学データと投与データの表現）をＧＡＮモデルに提供することによって学習され、訓練に使用されていない解剖学／線量画像のペアで結果のモデルをテストすることによって検証される。更なる実施例では、テスト手順は、訓練された生成モデルが有用な結果を生成していることを検証するために使用することができる。このような手順は、試験用線量画像を３次元的に再構成することと、訓練データを構成する既知の治療計画から得られたＤＶＨと比較して、治療計画ボリューム（ＰＴＶ）およびリスク臓器（ＯＡＲ）の線量ボリュームヒストグラム（ＤＶＨ）を評価することとを含むことができる。
一実施例では、ＧＡＮは、解剖学的入力（例えば、特定の患者の解剖学的構造）を与えられたボクセル単位の３次元線量分布を生成するようにモデルを訓練するために、特定の放射線治療のための治療計画のモデルで訓練される。モデルは、登録された解剖学データと投与データのペア（例えば、２Ｄ画像または３Ｄ画像、または他の空間ベースの解剖学データと投与データの表現）をＧＡＮモデルに提供することによって学習され、訓練に使用されていない解剖学／線量画像のペアで結果のモデルをテストすることによって検証される。更なる実施例では、テスト手順は、訓練された生成モデルが有用な結果を生成していることを検証するために使用することができる。このような手順は、試験用線量画像を３次元的に再構成することと、訓練データを構成する既知の治療計画から得られたＤＶＨと比較して、治療計画ボリューム（ＰＴＶ）およびリスク臓器（ＯＡＲ）の線量ボリュームヒストグラム（ＤＶＨ）を評価することとを含むことができる。
［００２９］
ニューラルネットワークにおける教師付きＭＬの先行アプローチを含む、以前の実装およびＤＮＮアーキテクチャよりも優れた治療線量推定値を予測する訓練された生成モデルを生成するために、ＧＡＮの２つのネットワーク（生成器－識別器）アーキテクチャを使用することができる。さらに、本技術による条件付きＧＡＮの使用は、特定の解剖学的領域および特徴ならびに患者または放射線治療の種類によって経験される特定のタイプの治療および治療制約に向けた改善された訓練のための追加的な改善を提供することができる。このような技術的及び機能的な利点は、次のセクションで明らかになるだろう。
ニューラルネットワークにおける教師付きＭＬの先行アプローチを含む、以前の実装およびＤＮＮアーキテクチャよりも優れた治療線量推定値を予測する訓練された生成モデルを生成するために、ＧＡＮの２つのネットワーク（生成器－識別器）アーキテクチャを使用することができる。さらに、本技術による条件付きＧＡＮの使用は、特定の解剖学的領域および特徴ならびに患者または放射線治療の種類によって経験される特定のタイプの治療および治療制約に向けた改善された訓練のための追加的な改善を提供することができる。このような技術的及び機能的な利点は、次のセクションで明らかになるだろう。
［００３０］
本明細書で議論されるアプローチは、診断および治療処方の多くのバリエーションに対する放射線治療計画および線量の特性の発見を可能にし、患者の解剖学的分布、計画パラメータ、このデータで学習された制約に基づいて可能性の高い線量分布を予測することを可能にする。これらのアプローチは、ＧＡＮによって採用された一種の統計的学習を使用して、患者の解剖学と制約の間の連携のより詳細なモデルを取得し、以前の深層学習アプローチと比較してより正確な線量予測を行う。
本明細書で議論されるアプローチは、診断および治療処方の多くのバリエーションに対する放射線治療計画および線量の特性の発見を可能にし、患者の解剖学的分布、計画パラメータ、このデータで学習された制約に基づいて可能性の高い線量分布を予測することを可能にする。これらのアプローチは、ＧＡＮによって採用された一種の統計的学習を使用して、患者の解剖学と制約の間の連携のより詳細なモデルを取得し、以前の深層学習アプローチと比較してより正確な線量予測を行う。
［００３１］
この強力な機械学習の手法を採用することで、治療計画作成時の多くの主観的な判断をカプセル化した治療計画プロセスのモデルを作成し、直接利用できる計画を作成したり、その後の計画のテンプレート（出発点）となる計画を作成したり、既存の計画の中でどの計画がうまくいかない可能性が高いかを予測したり、地域の深い専門知識を持たない治療院への支援を行ったり、治療計画そのものを自動化したりすることが可能となる。特に、計画を繰り返す適応療法の利用が増えていることを考えると、この点は魅力的である。
この強力な機械学習の手法を採用することで、治療計画作成時の多くの主観的な判断をカプセル化した治療計画プロセスのモデルを作成し、直接利用できる計画を作成したり、その後の計画のテンプレート（出発点）となる計画を作成したり、既存の計画の中でどの計画がうまくいかない可能性が高いかを予測したり、地域の深い専門知識を持たない治療院への支援を行ったり、治療計画そのものを自動化したりすることが可能となる。特に、計画を繰り返す適応療法の利用が増えていることを考えると、この点は魅力的である。
［００３２］
従来のアプローチでは、肺がん放射線治療プロトコルのモデリングや線量エスカレーションの有効性の推定などのデータ処理動作のためのＧＡＮ実装を含む深層学習ネットワークの基本的な使用法しか検討されていなかった。しかし、このような解析は、画素単位の撮像モデルに基づいておらず、画素単位の学習アプローチを使用していない。さらに、これまでのアプローチでは、条件付きＧＡＮ（例えば、画像データまたは放射線治療の操作上の制約条件）を使用するような、ＧＡＮの操作および精度を向上させる方法は検討されていなかった。
従来のアプローチでは、肺がん放射線治療プロトコルのモデリングや線量エスカレーションの有効性の推定などのデータ処理動作のためのＧＡＮ実装を含む深層学習ネットワークの基本的な使用法しか検討されていなかった。しかし、このような解析は、画素単位の撮像モデルに基づいておらず、画素単位の学習アプローチを使用していない。さらに、これまでのアプローチでは、条件付きＧＡＮ（例えば、画像データまたは放射線治療の操作上の制約条件）を使用するような、ＧＡＮの操作および精度を向上させる方法は検討されていなかった。
［００３３］
図１は、本明細書で議論されている１つまたはそれ以上のアプローチを使用して放射線治療計画処理操作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を示す。これらの放射線治療計画処理動作は、撮影された医用撮像データの特定の側面と治療線量計算とに基づいて、放射線治療システムが患者に放射線治療を提供することを可能にするために実行される。具体的には、治療処理ロジック１２０によって実行される治療計画生成ワークフロー１３０及び治療計画訓練ワークフロー１４０の一部として、次に示すような処理操作を実行する。しかしながら、データ検証、可視化、他の医学的評価および診断の設定を含む、以下の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例が提供されてもよいことが理解されるであろう。
図１は、本明細書で議論されている１つまたはそれ以上のアプローチを使用して放射線治療計画処理操作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を示す。これらの放射線治療計画処理動作は、撮影された医用撮像データの特定の側面と治療線量計算とに基づいて、放射線治療システムが患者に放射線治療を提供することを可能にするために実行される。具体的には、治療処理ロジック１２０によって実行される治療計画生成ワークフロー１３０及び治療計画訓練ワークフロー１４０の一部として、次に示すような処理操作を実行する。しかしながら、データ検証、可視化、他の医学的評価および診断の設定を含む、以下の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例が提供されてもよいことが理解されるであろう。
［００３４］
放射線治療システムは、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）に接続することができ、そのようなネットワークは、インターネットに接続することができる。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医療情報源（例えば、放射線学情報システム（ＲＩＳ）、医療記録システム（例えば、電子カルテ（ＥＭＲ）／電子健康記録（ＥＨＲ）システム）、腫瘍学情報システム（ＯＩＳ））、１つまたはそれ以上の画像データ源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に接続することができる。一実施例では、放射線治療処理計算システム１１０は、治療装置１８０によって使用される放射線治療計画を生成し、カスタマイズするための操作の一部として、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って、治療計画の設計、生成、および実施を実行するように構成することができる。
放射線治療システムは、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）に接続することができ、そのようなネットワークは、インターネットに接続することができる。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医療情報源（例えば、放射線学情報システム（ＲＩＳ）、医療記録システム（例えば、電子カルテ（ＥＭＲ）／電子健康記録（ＥＨＲ）システム）、腫瘍学情報システム（ＯＩＳ））、１つまたはそれ以上の画像データ源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に接続することができる。一実施例では、放射線治療処理計算システム１１０は、治療装置１８０によって使用される放射線治療計画を生成し、カスタマイズするための操作の一部として、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って、治療計画の設計、生成、および実施を実行するように構成することができる。
［００３５］
放射線治療処理計算システム１１０は、処理回路１１２、メモリ１１４、記憶装置１１６、およびユーザインターフェース１４２、通信インターフェース（図示せず）などの他のハードウェアおよびソフトウェア操作可能な機能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、放射線治療計画（例えば、オリジナルの治療計画、トレーニング治療計画、生成された治療計画、適応または修正された治療計画など）、ソフトウェアプログラム（例えば、放射線治療計画ソフトウェア、画像または解剖学的可視化ソフトウェア、ＤＬモデル、ＭＬモデル、ニューラルネットワークなどによって提供されるようなＡＩ実装およびアルゴリズムなど）、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、メモリ１１４、記憶装置１１６、およびユーザインターフェース１４２、通信インターフェース（図示せず）などの他のハードウェアおよびソフトウェア操作可能な機能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、放射線治療計画（例えば、オリジナルの治療計画、トレーニング治療計画、生成された治療計画、適応または修正された治療計画など）、ソフトウェアプログラム（例えば、放射線治療計画ソフトウェア、画像または解剖学的可視化ソフトウェア、ＤＬモデル、ＭＬモデル、ニューラルネットワークなどによって提供されるようなＡＩ実装およびアルゴリズムなど）、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を記憶することができる。
［００３６］
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）、グラフィックス処理装置（ＧＰＵ）、加速処理装置（ＡＰＵ）などの１つまたはそれ以上の汎用処理装置などの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、複雑命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、非常に長い命令ワード（ＶＬＩＷ）マイクロプロセッサ、他の命令セットを実装するプロセッサ、または命令セットの組み合わせを実装するプロセッサであってもよい。また、処理回路１１２は、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、システムオンチップ（ＳｏＣ）などの１つまたはそれ以上の特別目的処理装置によって実装されてもよい。当業者には理解されるであろうが、いくつかの例では、処理回路１１２は、汎用プロセッサではなく、特殊用途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むことができる。処理回路１１２は、Ｎｖｉｄｉａ（登録商標）によって製造されたＧｅＦｏｒｃｅ（登録商標）、Ｑｕａｄｒｏ（登録商標）、Ｔｅｓｌａ（登録商標）ファミリー、Ｉｎｔｅｌ（登録商標）によって製造されたＧＭＡ、Ｉｒｉｓ（登録商標）ファミリー、またはＡＭＤ（登録商標）によって製造されたＲａｄｅｏｎ（登録商標）ファミリーのような、グラフィック処理ユニットを含むことができる。処理回路１１２は、Ｉｎｔｅｌ（登録商標）によって製造されたＸｅｏｎ Ｐｈｉ（登録商標）ファミリーのような、加速処理ユニットを含むことができる。開示された実施形態は、本明細書に開示された方法を実行するために、大量のデータを特定し、分析し、維持し、生成し、および／または提供し、またはそのようなデータを操作するというコンピューティング要求を満たすように構成された任意のタイプのプロセッサ（複数可）に限定されるものではない。さらに、「プロセッサ」という用語は、複数の物理的（回路ベースの）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複数のプロセッサのそれぞれがマルチコア設計を有するプロセッサを含んでもよい。処理回路１１２は、メモリ１１４に記憶され、記憶装置１１６からアクセスされる、一過性または非一過性の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する様々な操作、プロセス、方法を実行することができる。
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）、グラフィックス処理装置（ＧＰＵ）、加速処理装置（ＡＰＵ）などの１つまたはそれ以上の汎用処理装置などの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、複雑命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、非常に長い命令ワード（ＶＬＩＷ）マイクロプロセッサ、他の命令セットを実装するプロセッサ、または命令セットの組み合わせを実装するプロセッサであってもよい。また、処理回路１１２は、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、システムオンチップ（ＳｏＣ）などの１つまたはそれ以上の特別目的処理装置によって実装されてもよい。当業者には理解されるであろうが、いくつかの例では、処理回路１１２は、汎用プロセッサではなく、特殊用途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むことができる。処理回路１１２は、Ｎｖｉｄｉａ（登録商標）によって製造されたＧｅＦｏｒｃｅ（登録商標）、Ｑｕａｄｒｏ（登録商標）、Ｔｅｓｌａ（登録商標）ファミリー、Ｉｎｔｅｌ（登録商標）によって製造されたＧＭＡ、Ｉｒｉｓ（登録商標）ファミリー、またはＡＭＤ（登録商標）によって製造されたＲａｄｅｏｎ（登録商標）ファミリーのような、グラフィック処理ユニットを含むことができる。処理回路１１２は、Ｉｎｔｅｌ（登録商標）によって製造されたＸｅｏｎ Ｐｈｉ（登録商標）ファミリーのような、加速処理ユニットを含むことができる。開示された実施形態は、本明細書に開示された方法を実行するために、大量のデータを特定し、分析し、維持し、生成し、および／または提供し、またはそのようなデータを操作するというコンピューティング要求を満たすように構成された任意のタイプのプロセッサ（複数可）に限定されるものではない。さらに、「プロセッサ」という用語は、複数の物理的（回路ベースの）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複数のプロセッサのそれぞれがマルチコア設計を有するプロセッサを含んでもよい。処理回路１１２は、メモリ１１４に記憶され、記憶装置１１６からアクセスされる、一過性または非一過性の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する様々な操作、プロセス、方法を実行することができる。
［００３７］
メモリ１１４は、読み出し専用メモリ（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）、同期ＤＲＡＭ（ＳＤＲＡＭ）などの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出し専用メモリ（ＥＥＥＰＲＯＭ）、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、静的ランダムアクセスメモリ）、および他のタイプのランダムアクセスメモリ、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）、デジタル多目的ディスク（ＤＶＤ）または他の光ストレージ、カセットテープ、他の磁気記憶装置、または画像、データ、または処理回路１１２または他のタイプのコンピュータ装置によってアクセスされることが可能な一過性または非一過性のコンピュータ実行可能命令（例えば、任意の形式で格納されているもの）を含む情報を格納するために使用され得る他の非一過性の媒体を含み得る。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、または他の任意の適切なメモリ位置から読み出され、処理回路１１２によって実行されるためにＲＡＭにロードすることができる。
メモリ１１４は、読み出し専用メモリ（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）、同期ＤＲＡＭ（ＳＤＲＡＭ）などの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出し専用メモリ（ＥＥＥＰＲＯＭ）、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、静的ランダムアクセスメモリ）、および他のタイプのランダムアクセスメモリ、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）、デジタル多目的ディスク（ＤＶＤ）または他の光ストレージ、カセットテープ、他の磁気記憶装置、または画像、データ、または処理回路１１２または他のタイプのコンピュータ装置によってアクセスされることが可能な一過性または非一過性のコンピュータ実行可能命令（例えば、任意の形式で格納されているもの）を含む情報を格納するために使用され得る他の非一過性の媒体を含み得る。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、または他の任意の適切なメモリ位置から読み出され、処理回路１１２によって実行されるためにＲＡＭにロードすることができる。
［００３８］
記憶装置１１６は、本明細書に記載された方法論または機能（様々な例では、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）のうちの任意の１つまたはそれ以上の方法論または機能を具現化または利用する１つまたはそれ以上の一組の、一過性または非一過性の機械読み取り可能な媒体を含む駆動装置を構成してもよい。命令は、また、放射線治療処理計算システム１１０による実行中に、メモリ１１４内および／または処理回路１１２内に、完全にまたは少なくとも部分的に存在してもよく、メモリ１１４および処理回路１１２は、また、一過性または非一過性の機械可読媒体を構成することができる。
記憶装置１１６は、本明細書に記載された方法論または機能（様々な例では、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）のうちの任意の１つまたはそれ以上の方法論または機能を具現化または利用する１つまたはそれ以上の一組の、一過性または非一過性の機械読み取り可能な媒体を含む駆動装置を構成してもよい。命令は、また、放射線治療処理計算システム１１０による実行中に、メモリ１１４内および／または処理回路１１２内に、完全にまたは少なくとも部分的に存在してもよく、メモリ１１４および処理回路１１２は、また、一過性または非一過性の機械可読媒体を構成することができる。
［００３９］
メモリ１１４および記憶装置１１６は、非一過性のコンピュータ読み取り可能な媒体を構成することができる。例えば、メモリ１１４および記憶装置１１６は、コンピュータ読み取り可能な媒体上に、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ための一過性または非一過性の命令を記憶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に記憶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、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およびソフトウェア制御装置用のオペレーティングシステムを含むことができる。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付けられたコードまたはデータを記憶またはロードすることができる。更なる実施例では、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計画、画像データ、セグメンテーションデータ、治療可視化、ヒストグラムまたは測定値、ＡＩモデルデータ（例えば、重みおよびパラメータ）、ラベルおよびマッピングデータなどを記憶し、ロードし、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、ブルーレイＤＶＤ、ＵＳＢフラッシュドライブ、ＳＤカード、メモリスティック、または任意の他の適切な媒体などの取り外し可能なコンピュータ媒体に格納することができ、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することができる。
メモリ１１４および記憶装置１１６は、非一過性のコンピュータ読み取り可能な媒体を構成することができる。例えば、メモリ１１４および記憶装置１１６は、コンピュータ読み取り可能な媒体上に、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ための一過性または非一過性の命令を記憶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に記憶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、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およびソフトウェア制御装置用のオペレーティングシステムを含むことができる。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付けられたコードまたはデータを記憶またはロードすることができる。更なる実施例では、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計画、画像データ、セグメンテーションデータ、治療可視化、ヒストグラムまたは測定値、ＡＩモデルデータ（例えば、重みおよびパラメータ）、ラベルおよびマッピングデータなどを記憶し、ロードし、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、ブルーレイＤＶＤ、ＵＳＢフラッシュドライブ、ＳＤカード、メモリスティック、または任意の他の適切な媒体などの取り外し可能なコンピュータ媒体に格納することができ、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することができる。
［００４０］
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むことができる。例示的な通信インターフェースは、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、ＵＳＢ ３．０、サンダーボルトなど）、無線ネットワークアダプタ（例えば、ＩＥＥＥ ８０２．１１／Ｗｉ－Ｆｉアダプタなど）、通信アダプタ（例えば、３Ｇ、４Ｇ／ＬＴＥ、５Ｇ、ネットワークなどと通信するためのもの）などを含むことができる。このような通信インターフェースは、機械がネットワークを介して、遠隔地に配置された構成要素のような他の機械および装置と通信することを可能にする、１つまたはそれ以上のデジタルおよび／またはアナログ通信装置を含むことができる。ネットワークは、ローカルエリアネットワーク（ＬＡＮ）、無線ネットワーク、クラウドコンピューティング環境（例えば、サービスとしてのソフトウェア、サービスとしてのプラットフォーム、サービスとしてのインフラストラクチャなど）、クライアントサーバー、広域ネットワーク（ＷＡＮ）などの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（追加の画像処理計算システムまたは医用画像処理または放射線治療操作に関連する画像ベースのコンポーネントを含む）を含むことができるＬＡＮまたはＷＡＮであってもよい。
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むことができる。例示的な通信インターフェースは、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、ＵＳＢ ３．０、サンダーボルトなど）、無線ネットワークアダプタ（例えば、ＩＥＥＥ ８０２．１１／Ｗｉ－Ｆｉアダプタなど）、通信アダプタ（例えば、３Ｇ、４Ｇ／ＬＴＥ、５Ｇ、ネットワークなどと通信するためのもの）などを含むことができる。このような通信インターフェースは、機械がネットワークを介して、遠隔地に配置された構成要素のような他の機械および装置と通信することを可能にする、１つまたはそれ以上のデジタルおよび／またはアナログ通信装置を含むことができる。ネットワークは、ローカルエリアネットワーク（ＬＡＮ）、無線ネットワーク、クラウドコンピューティング環境（例えば、サービスとしてのソフトウェア、サービスとしてのプラットフォーム、サービスとしてのインフラストラクチャなど）、クライアントサーバー、広域ネットワーク（ＷＡＮ）などの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（追加の画像処理計算システムまたは医用画像処理または放射線治療操作に関連する画像ベースのコンポーネントを含む）を含むことができるＬＡＮまたはＷＡＮであってもよい。
［００４１］
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上でホスティングするために、画像データソース１５０から画像データ１５２を取得することができる。一実施例では、放射線治療処理計算システム１１０上で動作するソフトウェアプログラムは、擬似ＣＴ画像のような合成画像を生成することによって、あるフォーマット（例えば、ＭＲＩ）の医用画像を別のフォーマット（例えば、ＣＴ）に変換することができる。別の例では、ソフトウェアプログラムは、対応する画像ボクセルおよび線量ボクセルが適切に関連付けられるように、患者の医用画像（例えば、ＣＴ画像またはＭＲ画像）を、その患者の放射線治療の線量分布（例えば、画像としても表される）に登録または関連付けることができる。さらに別の実施例では、ソフトウェアプログラムは、符号付き距離関数または画像情報のいくつかの側面を強調する画像の処理済みバージョンのような患者画像の機能を代替することができる。このような機能は、エッジやボクセルテクスチャの違い、または他の構造的な側面を強調することができるかもしれない。別の例では、ソフトウェアプログラムは、医療画像内で、解剖学的特徴、セグメント化された特徴、または投与または治療情報の一部の側面を可視化、非表示、強調、または非強調することができる。記憶装置１１６およびメモリ１１４は、画像データ１５２、患者データ、および放射線治療計画および関連するセグメンテーション操作を作成および実施するために必要な他のデータを含む、これらの目的を実行するためのデータを記憶し、ホストしてもよい。
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上でホスティングするために、画像データソース１５０から画像データ１５２を取得することができる。一実施例では、放射線治療処理計算システム１１０上で動作するソフトウェアプログラムは、擬似ＣＴ画像のような合成画像を生成することによって、あるフォーマット（例えば、ＭＲＩ）の医用画像を別のフォーマット（例えば、ＣＴ）に変換することができる。別の例では、ソフトウェアプログラムは、対応する画像ボクセルおよび線量ボクセルが適切に関連付けられるように、患者の医用画像（例えば、ＣＴ画像またはＭＲ画像）を、その患者の放射線治療の線量分布（例えば、画像としても表される）に登録または関連付けることができる。さらに別の実施例では、ソフトウェアプログラムは、符号付き距離関数または画像情報のいくつかの側面を強調する画像の処理済みバージョンのような患者画像の機能を代替することができる。このような機能は、エッジやボクセルテクスチャの違い、または他の構造的な側面を強調することができるかもしれない。別の例では、ソフトウェアプログラムは、医療画像内で、解剖学的特徴、セグメント化された特徴、または投与または治療情報の一部の側面を可視化、非表示、強調、または非強調することができる。記憶装置１１６およびメモリ１１４は、画像データ１５２、患者データ、および放射線治療計画および関連するセグメンテーション操作を作成および実施するために必要な他のデータを含む、これらの目的を実行するためのデータを記憶し、ホストしてもよい。
［００４２］
一実施例では、放射線治療処理計算システム１１０は、放射線治療線量および治療装置１８０からの出力を管理するために使用されるデータリポジトリ（data repository）などの治療データソース１６０から、または治療データソース１６０との間で、計画データ１６２を取得するまたは通信することができる。一実施例では、治療データソース１６０は、複数のヒト被験体のために保持された計画データを含み、この計画データは、異なる時間に個々の患者のための治療計画パラメータ（例えば、投与量、測定値、治療パラメータ）を含む。一実施例では、治療データソース１６０は、訓練データと、以前に設計または承認された治療計画および治療マッピング（例えば、安全性、有効性、効率性、または他の医学的評価に基づいて「ゴールドスタンダード」または「最適」として識別された治療計画）を含む。更なる実施例では、治療データソース１６０は、治療計画生成ワークフロー１３０によって生成された治療計画の結果として計画データ１６２を受取りまたは更新し、治療データソース１６０はまた、治療計画訓練ワークフロー１４０で使用するために計画データを提供またはホストすることができる。
一実施例では、放射線治療処理計算システム１１０は、放射線治療線量および治療装置１８０からの出力を管理するために使用されるデータリポジトリ（data repository）などの治療データソース１６０から、または治療データソース１６０との間で、計画データ１６２を取得するまたは通信することができる。一実施例では、治療データソース１６０は、複数のヒト被験体のために保持された計画データを含み、この計画データは、異なる時間に個々の患者のための治療計画パラメータ（例えば、投与量、測定値、治療パラメータ）を含む。一実施例では、治療データソース１６０は、訓練データと、以前に設計または承認された治療計画および治療マッピング（例えば、安全性、有効性、効率性、または他の医学的評価に基づいて「ゴールドスタンダード」または「最適」として識別された治療計画）を含む。更なる実施例では、治療データソース１６０は、治療計画生成ワークフロー１３０によって生成された治療計画の結果として計画データ１６２を受取りまたは更新し、治療データソース１６０はまた、治療計画訓練ワークフロー１４０で使用するために計画データを提供またはホストすることができる。
［００４３］
処理回路１１２は、メモリ１１４および記憶装置１１６に通信的に結合され、処理回路１１２は、メモリ１１４または記憶装置１１６のいずれかからそこに記憶されたコンピュータ実行可能命令を実行するように構成される。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を用いて処理するように命令を実行する。例えば、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およびネットワークを介して、画像取得装置１７０または画像データソース１５０から画像データ１５２を受け取って、記憶装置１１６に格納またはキャッシュされる。また、処理回路１１２は、メモリ１１４または記憶装置１１６に記憶された医用画像を、別のデータベースまたはデータストア（例えば、医療施設データベース）に通信インターフェースを介して送信または更新する。いくつかのでは、１つまたはそれ以上のシステムは、本明細書に記載された実施形態を協調的に実行するためにネットワークを使用する分散コンピューティングまたは仮想化環境を形成してもよい。また、このようなネットワークは、インターネットに接続して、インターネット上に遠隔地に存在するサーバやクライアントと通信することができる。
処理回路１１２は、メモリ１１４および記憶装置１１６に通信的に結合され、処理回路１１２は、メモリ１１４または記憶装置１１６のいずれかからそこに記憶されたコンピュータ実行可能命令を実行するように構成される。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を用いて処理するように命令を実行する。例えば、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およびネットワークを介して、画像取得装置１７０または画像データソース１５０から画像データ１５２を受け取って、記憶装置１１６に格納またはキャッシュされる。また、処理回路１１２は、メモリ１１４または記憶装置１１６に記憶された医用画像を、別のデータベースまたはデータストア（例えば、医療施設データベース）に通信インターフェースを介して送信または更新する。いくつかのでは、１つまたはそれ以上のシステムは、本明細書に記載された実施形態を協調的に実行するためにネットワークを使用する分散コンピューティングまたは仮想化環境を形成してもよい。また、このようなネットワークは、インターネットに接続して、インターネット上に遠隔地に存在するサーバやクライアントと通信することができる。
［００４４］
更なる実施例では、処理回路１１２は、画像データ１５２および他の患者データとともにソフトウェアプログラム（例えば、治療計画ソフトウェア）を利用して、放射線治療計画を作成することができる。一実施例では、画像データ１５２は、患者の解剖学的領域、臓器、または関心のあるセグメンテーションデータのボリュームに関連付けられたデータのような解剖学的または診断情報を含むまたはそれを伴う。患者データは、（１）機能的器官モデルデータ（例えば、直列対並列器官、適切な線量反応モデルなど）、（２）放射線量データ（例えば、線量体積ヒストグラム（ＤＶＨ）情報、比較など）、（３）患者および治療経過に関する他の臨床情報（例えば、他の手術、化学療法、以前の放射線療法など）のような情報を含むことができる。更なる実施例では、計画データ１６２は、患者、複数の患者のセット、処置または治療の手順またはタイプ、複数の処置または治療のセット、画像取得装置、医療施設、またはそのようなものに固有の、解剖学的特徴のセグメンテーションまたはラベリング、およびそのような解剖学的特徴のための関連する線量情報と具体的に関連づけられ、またはリンクされている。以下の実施例によれば、計画データ１６２および治療データソース１６０、および関連する訓練されたモデルは、単一の病状または放射線治療、または複数のタイプの病状または放射線治療のために維持される。
更なる実施例では、処理回路１１２は、画像データ１５２および他の患者データとともにソフトウェアプログラム（例えば、治療計画ソフトウェア）を利用して、放射線治療計画を作成することができる。一実施例では、画像データ１５２は、患者の解剖学的領域、臓器、または関心のあるセグメンテーションデータのボリュームに関連付けられたデータのような解剖学的または診断情報を含むまたはそれを伴う。患者データは、（１）機能的器官モデルデータ（例えば、直列対並列器官、適切な線量反応モデルなど）、（２）放射線量データ（例えば、線量体積ヒストグラム（ＤＶＨ）情報、比較など）、（３）患者および治療経過に関する他の臨床情報（例えば、他の手術、化学療法、以前の放射線療法など）のような情報を含むことができる。更なる実施例では、計画データ１６２は、患者、複数の患者のセット、処置または治療の手順またはタイプ、複数の処置または治療のセット、画像取得装置、医療施設、またはそのようなものに固有の、解剖学的特徴のセグメンテーションまたはラベリング、およびそのような解剖学的特徴のための関連する線量情報と具体的に関連づけられ、またはリンクされている。以下の実施例によれば、計画データ１６２および治療データソース１６０、および関連する訓練されたモデルは、単一の病状または放射線治療、または複数のタイプの病状または放射線治療のために維持される。
［００４５］
さらに、処理回路１１２は、例えば、ニューラルネットワークモデル、機械学習モデル、治療計画生成ワークフロー１３０、治療計画訓練ワークフロー１４０、または本明細書で議論されるようなＧＡＮによる治療計画の生成に関与する他の側面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ためにソフトウェアプログラムを利用することができる。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、本明細書でさらに議論される技術を用いて決定された線量情報に基づいて、治療データソース１６０への展開のための新規または更新された計画を生成するための治療計画生成ワークフロー１３０を実行する。処理回路１１２は、その後、通信インターフェースおよびネットワークを介して、新しい計画または更新された計画を治療装置１８０に送信することができ、放射線治療計画は、ワークフロー１４０で訓練されたワークフロー１３０の結果により、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。ソフトウェアプログラムおよびワークフロー１３０、１４０の他の出力および使用は、放射線治療処理計算システム１１０の使用に伴って発生する。
さらに、処理回路１１２は、例えば、ニューラルネットワークモデル、機械学習モデル、治療計画生成ワークフロー１３０、治療計画訓練ワークフロー１４０、または本明細書で議論されるようなＧＡＮによる治療計画の生成に関与する他の側面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ためにソフトウェアプログラムを利用することができる。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、本明細書でさらに議論される技術を用いて決定された線量情報に基づいて、治療データソース１６０への展開のための新規または更新された計画を生成するための治療計画生成ワークフロー１３０を実行する。処理回路１１２は、その後、通信インターフェースおよびネットワークを介して、新しい計画または更新された計画を治療装置１８０に送信することができ、放射線治療計画は、ワークフロー１４０で訓練されたワークフロー１３０の結果により、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。ソフトウェアプログラムおよびワークフロー１３０、１４０の他の出力および使用は、放射線治療処理計算システム１１０の使用に伴って発生する。
［００４６］
本明細書の実施例（例えば、図３および図４を参照して議論される敵対的生成ネットワーク処理および図５から図８を参照して議論される線量および解剖学的データ処理）では、処理回路１１２は、治療計画生成のためのＭＬ、ＤＬ、ニューラルネットワーク、および自動処理および人工知能の他の側面の機能を実装するために、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することができる。例えば、処理回路１１２は、医用画像、医用画像導出、解剖学的領域マッピング、放射線治療または治療装置の制約、または本明細書で議論されるような治療計画の他の考慮事項に基づいて、治療計画（および治療計画のための線量情報）を訓練、分析、予測、および評価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（例えば、図３および図４を参照して議論される敵対的生成ネットワーク処理および図５から図８を参照して議論される線量および解剖学的データ処理）では、処理回路１１２は、治療計画生成のためのＭＬ、ＤＬ、ニューラルネットワーク、および自動処理および人工知能の他の側面の機能を実装するために、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することができる。例えば、処理回路１１２は、医用画像、医用画像導出、解剖学的領域マッピング、放射線治療または治療装置の制約、または本明細書で議論されるような治療計画の他の考慮事項に基づいて、治療計画（および治療計画のための線量情報）を訓練、分析、予測、および評価するソフトウェアプログラムを実行することができる。
［００４７］
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、２ＤＭＲＩ、３ＤＭＲＩ、２ＤストリーミングＭＲＩ、４ＤＭＲＩ、４ＤボリューメトリックＭＲＩ、４ＤシネＭＲＩなど）、機能的ＭＲＩ画像（例えば、ｆＭＲＩ、ＤＣＥ－ＭＲＩ、拡散ＭＲＩ）、コンピュータ断層撮影（ＣＴ）画像（例えば、２ＤＣＴ、コーンビームＣＴ、３ＤＣＴ、４ＤＣＴ）、超音波画像（例えば、２Ｄ超音波、３Ｄ超音波、４Ｄ超音波）、陽電子放出断層撮影（ＰＥＴ）画像、Ｘ線画像、透視画像、放射線治療ポータル画像、シングルフォトエミッションコンピュータ断層撮影（ＳＰＥＣＴ）画像、コンピュータで生成された合成画像（例えば、疑似ＣＴ画像）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、訓練画像、およびグラウンドトゥルース画像、輪郭画像、および線量画像を含むか、または関連付けられていてもよい。他の実施例では、解剖学的領域の等価な表現は、非画像フォーマット（例えば、座標、マッピングなど）で表現することができる。
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、２ＤＭＲＩ、３ＤＭＲＩ、２ＤストリーミングＭＲＩ、４ＤＭＲＩ、４ＤボリューメトリックＭＲＩ、４ＤシネＭＲＩなど）、機能的ＭＲＩ画像（例えば、ｆＭＲＩ、ＤＣＥ－ＭＲＩ、拡散ＭＲＩ）、コンピュータ断層撮影（ＣＴ）画像（例えば、２ＤＣＴ、コーンビームＣＴ、３ＤＣＴ、４ＤＣＴ）、超音波画像（例えば、２Ｄ超音波、３Ｄ超音波、４Ｄ超音波）、陽電子放出断層撮影（ＰＥＴ）画像、Ｘ線画像、透視画像、放射線治療ポータル画像、シングルフォトエミッションコンピュータ断層撮影（ＳＰＥＣＴ）画像、コンピュータで生成された合成画像（例えば、疑似ＣＴ画像）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、訓練画像、およびグラウンドトゥルース画像、輪郭画像、および線量画像を含むか、または関連付けられていてもよい。他の実施例では、解剖学的領域の等価な表現は、非画像フォーマット（例えば、座標、マッピングなど）で表現することができる。
［００４８］
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、画像データソース１５０の１つまたはそれ以上（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）に格納することができる。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の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、リニアアクセラレータとＭＲＩ撮像装置を一体化したもの、ＣＢＣＴ撮像装置、またはその他の医用画像を取得するための医用画像取得装置で構成されていてもよい。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と一致する動作を実行するために使用することができる、任意のタイプのデータまたは任意のタイプのフォーマット（例えば、ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）フォーマット）で受信および保存することができる。さらに、いくつかの実施例では、本明細書で議論されるモデルは、元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訓練することができる。
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、画像データソース１５０の１つまたはそれ以上（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）に格納することができる。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の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、リニアアクセラレータとＭＲＩ撮像装置を一体化したもの、ＣＢＣＴ撮像装置、またはその他の医用画像を取得するための医用画像取得装置で構成されていてもよい。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と一致する動作を実行するために使用することができる、任意のタイプのデータまたは任意のタイプのフォーマット（例えば、ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）フォーマット）で受信および保存することができる。さらに、いくつかの実施例では、本明細書で議論されるモデルは、元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訓練することができる。
［００４９］
例示的な実施形態では、画像取得装置１７０は、単一の装置（例えば、リニア加速器と組み合わせたＭＲＩ装置、「ＭＲＩ－Ｌｉｎａｃ」とも呼ばれる）として治療装置１８０と一体化されていてもよい。このようなＭＲＩ－Ｌｉｎａｃは、例えば、放射線治療計画に従って放射線治療を所定の標的に正確に指示するために、患者の標的臓器または標的腫瘍の位置を決定するために使用することができる。例えば、放射線治療計画は、各患者に適用されるべき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、放射線治療計画には、他の放射線治療情報、例えば、ビーム角度、線量－ヒストグラム－ボリューム情報、治療中に使用する放射線ビームの本数、ビーム当たりの線量などが含まれていてもよい。いくつかの実施例では、治療計画生成ワークフロー１３０におけるＧＡＮ訓練されたモデルは、強化されたＣＢＣＴ画像を生成するためにのみ使用され、他のワークフローまたはロジック（図示せず）は、この強化されたＣＢＣＴ画像を、放射線治療を達成するために使用される特定のビーム角および放射線物理学に翻訳するために使用される。
例示的な実施形態では、画像取得装置１７０は、単一の装置（例えば、リニア加速器と組み合わせたＭＲＩ装置、「ＭＲＩ－Ｌｉｎａｃ」とも呼ばれる）として治療装置１８０と一体化されていてもよい。このようなＭＲＩ－Ｌｉｎａｃは、例えば、放射線治療計画に従って放射線治療を所定の標的に正確に指示するために、患者の標的臓器または標的腫瘍の位置を決定するために使用することができる。例えば、放射線治療計画は、各患者に適用されるべき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、放射線治療計画には、他の放射線治療情報、例えば、ビーム角度、線量－ヒストグラム－ボリューム情報、治療中に使用する放射線ビームの本数、ビーム当たりの線量などが含まれていてもよい。いくつかの実施例では、治療計画生成ワークフロー１３０におけるＧＡＮ訓練されたモデルは、強化されたＣＢＣＴ画像を生成するためにのみ使用され、他のワークフローまたはロジック（図示せず）は、この強化されたＣＢＣＴ画像を、放射線治療を達成するために使用される特定のビーム角および放射線物理学に翻訳するために使用される。
［００５０］
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データベースと通信し、画像処理および放射線治療操作に関連する複数の様々なタイプのデータを送受信することができる。例えば、外部データベースは、治療装置１８０、画像取得装置１７０、または放射線治療または医療処置に関連する他の機械に関連する情報を提供する機械データ（装置制約（device constraints）を含む）を含むことができる。機械データ情報は、放射線ビームサイズ、アーク配置、ビームのオンオフ時間、機械パラメータ、セグメント、マルチリーフコリメータ（ＭＬＣ）構成、ガントリ速度、ＭＲＩパルスシーケンスなどを含むことができる。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、そのようなデータベースまたはデータソースは、中央または分散的に配置された複数のデバイスまたはシステムを含むことができる。
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データベースと通信し、画像処理および放射線治療操作に関連する複数の様々なタイプのデータを送受信することができる。例えば、外部データベースは、治療装置１８０、画像取得装置１７０、または放射線治療または医療処置に関連する他の機械に関連する情報を提供する機械データ（装置制約（device constraints）を含む）を含むことができる。機械データ情報は、放射線ビームサイズ、アーク配置、ビームのオンオフ時間、機械パラメータ、セグメント、マルチリーフコリメータ（ＭＬＣ）構成、ガントリ速度、ＭＲＩパルスシーケンスなどを含むことができる。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、そのようなデータベースまたはデータソースは、中央または分散的に配置された複数のデバイスまたはシステムを含むことができる。
［００５１］
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構成要素との間の通信接続を提供する（例えば、外部装置とのデータ交換を可能にする）ようにしてもよい。例えば、通信インターフェースは、いくつかの実施例では、ユーザが放射線治療システムに情報を入力するための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ってもよいユーザインターフェース１４２に接続するための出力装置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構成要素との間の通信接続を提供する（例えば、外部装置とのデータ交換を可能にする）ようにしてもよい。例えば、通信インターフェースは、いくつかの実施例では、ユーザが放射線治療システムに情報を入力するための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ってもよいユーザインターフェース１４２に接続するための出力装置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することができる。
［００５２］
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訓練、生成、検証、または実施の状況の１つまたはそれ以上の側面、可視化、または表現を出力する表示装置を含むことができる。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、地図など）、治療計画、目標、目標の定位および／または目標の追跡、または任意の関連情報をユーザに表示する１つまたはそれ以上のディスプレイ画面を含むことができる。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に情報を入力することができる任意のタイプのデバイスであってもよい。代替的に、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、スマートフォンまたはタブレットコンピュータ（例えば、Ａｐｐｌｅ ｉＰａｄ（登録商標）、Ｌｅｎｏｖｏ Ｔｈｉｎｋｐａｄ（登録商標）、Ｓａｍｓｕｎｇ Ｇａｌａｘｙ（登録商標）など）のような単一のデバイスに統合することができる。
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訓練、生成、検証、または実施の状況の１つまたはそれ以上の側面、可視化、または表現を出力する表示装置を含むことができる。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、地図など）、治療計画、目標、目標の定位および／または目標の追跡、または任意の関連情報をユーザに表示する１つまたはそれ以上のディスプレイ画面を含むことができる。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に情報を入力することができる任意のタイプのデバイスであってもよい。代替的に、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、スマートフォンまたはタブレットコンピュータ（例えば、Ａｐｐｌｅ ｉＰａｄ（登録商標）、Ｌｅｎｏｖｏ Ｔｈｉｎｋｐａｄ（登録商標）、Ｓａｍｓｕｎｇ Ｇａｌａｘｙ（登録商標）など）のような単一のデバイスに統合することができる。
［００５３］
さらに、放射線治療システムの任意のおよびすべての構成要素は、仮想マシン（例えば、ＶＭＷａｒｅ、Ｈｙｐｅｒ－Ｖなどの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することができる。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可能性がある。したがって、仮想マシンは、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、および一緒にハードウェアとして機能する１つまたはそれ以上の仮想通信インターフェースを含むことができる。例えば、放射線治療処理計算システム１１０、画像データソース１５０、または同様の構成要素は、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することができる。
さらに、放射線治療システムの任意のおよびすべての構成要素は、仮想マシン（例えば、ＶＭＷａｒｅ、Ｈｙｐｅｒ－Ｖなどの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することができる。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可能性がある。したがって、仮想マシンは、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、および一緒にハードウェアとして機能する１つまたはそれ以上の仮想通信インターフェースを含むことができる。例えば、放射線治療処理計算システム１１０、画像データソース１５０、または同様の構成要素は、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することができる。
［００５４］
治療処理ロジック１２０または他のソフトウェアプログラムは、計算システムが画像データソース１５０と通信して、メモリ１１４および記憶装置１１６に画像を読み込んだり、メモリ１１４または記憶装置１１６から画像データソース１５０に画像または関連データを格納したり、画像データソース１５０との間で画像データソース１５０と通信するようにすることができる。例えば、画像データソース１５０は、モデル訓練または生成ユースケースにおいて、画像取得装置１７０を介して１人または複数の患者から取得された画像データ１５２内の画像セットから、画像データソース１５０がホストする複数の画像（例えば、３ＤＭＲＩ、４ＤＭＲＩ、２ＤＭＲＩスライス画像、ＣＴ画像、２Ｄ透視画像、Ｘ線画像、ＭＲスキャンまたはＣＴスキャンからの生データ、ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）メタデータなど）を保存して提供するように構成してもよい。また、画像データソース１５０または他のデータベースは、受け取ったＣＢＣＴ画像からｓＣＴ画像を作成、修正、または生成する画像処理動作を実行するソフトウェアプログラムを実行する際に、治療処理ロジック１２０によって使用されるデータを格納することができる。さらに、様々なデータベースは、敵対的生成ネットワークモデル１３８によって学習されたモデルを構成するネットワークパラメータと、その結果得られる予測データとを含む、学習されたモデルによって生成されたデータを格納することができる。したがって、放射線治療処理計算システム１１０は、放射線治療または診断操作の実行に関連して、画像データソース１５０、画像取得装置１７０、治療装置１８０（例えば、ＭＲＩ－Ｌｉｎａｃ）、または他の情報システムから、画像データ１５２（例えば、２ＤＭＲＩスライス画像、ＣＴ画像、２Ｄ透視画像、Ｘ線画像、３ＤＭＲＩ画像、４ＤＭＲＩ画像など）を取得および／または受信することができる。
治療処理ロジック１２０または他のソフトウェアプログラムは、計算システムが画像データソース１５０と通信して、メモリ１１４および記憶装置１１６に画像を読み込んだり、メモリ１１４または記憶装置１１６から画像データソース１５０に画像または関連データを格納したり、画像データソース１５０との間で画像データソース１５０と通信するようにすることができる。例えば、画像データソース１５０は、モデル訓練または生成ユースケースにおいて、画像取得装置１７０を介して１人または複数の患者から取得された画像データ１５２内の画像セットから、画像データソース１５０がホストする複数の画像（例えば、３ＤＭＲＩ、４ＤＭＲＩ、２ＤＭＲＩスライス画像、ＣＴ画像、２Ｄ透視画像、Ｘ線画像、ＭＲスキャンまたはＣＴスキャンからの生データ、ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）メタデータなど）を保存して提供するように構成してもよい。また、画像データソース１５０または他のデータベースは、受け取ったＣＢＣＴ画像からｓＣＴ画像を作成、修正、または生成する画像処理動作を実行するソフトウェアプログラムを実行する際に、治療処理ロジック１２０によって使用されるデータを格納することができる。さらに、様々なデータベースは、敵対的生成ネットワークモデル１３８によって学習されたモデルを構成するネットワークパラメータと、その結果得られる予測データとを含む、学習されたモデルによって生成されたデータを格納することができる。したがって、放射線治療処理計算システム１１０は、放射線治療または診断操作の実行に関連して、画像データソース１５０、画像取得装置１７０、治療装置１８０（例えば、ＭＲＩ－Ｌｉｎａｃ）、または他の情報システムから、画像データ１５２（例えば、２ＤＭＲＩスライス画像、ＣＴ画像、２Ｄ透視画像、Ｘ線画像、３ＤＭＲＩ画像、４ＤＭＲＩ画像など）を取得および／または受信することができる。
［００５５］
画像取得装置１７０は、関心領域（例えば、標的臓器、標的腫瘍、またはその両方）に対する患者の解剖学の１つまたはそれ以上の画像を取得するように構成され得る。各画像、典型的には２Ｄ画像またはスライスは、１つまたはそれ以上のパラメータ（例えば、２Ｄスライスの厚さ、向き、および位置など）を含むことができる。一実施例では、画像取得装置１７０は、任意の向きの２Ｄスライスを取得することができる。例えば、２Ｄスライスの方向は、矢状方向（sagittal orientation）、冠状方向（coronalorientation）または軸方向（axial orientation）を含むことができる。処理回路１１２は、標的臓器および／または標的腫瘍を含むように、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、３ＤＣＢＣＴまたは３ＤＣＴ、またはＭＲＩボリュームなどの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、患者が放射線治療を受けている間、例えば治療装置１８０を使用しているときに、画像取得装置１７０によって「ほぼリアルタイム」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、標的臓器、標的腫瘍、またはその両方）に対する患者の解剖学の１つまたはそれ以上の画像を取得するように構成され得る。各画像、典型的には２Ｄ画像またはスライスは、１つまたはそれ以上のパラメータ（例えば、２Ｄスライスの厚さ、向き、および位置など）を含むことができる。一実施例では、画像取得装置１７０は、任意の向きの２Ｄスライスを取得することができる。例えば、２Ｄスライスの方向は、矢状方向（sagittal orientation）、冠状方向（coronalorientation）または軸方向（axial orientation）を含むことができる。処理回路１１２は、標的臓器および／または標的腫瘍を含むように、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、３ＤＣＢＣＴまたは３ＤＣＴ、またはＭＲＩボリュームなどの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、患者が放射線治療を受けている間、例えば治療装置１８０を使用しているときに、画像取得装置１７０によって「ほぼリアルタイム」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）。
［００５６］
放射線治療処理計算システム１１０における治療処理ロジック１２０は、訓練された（学習された）生成モデルの使用（例えば、図１０を参照して以下に説明する方法を実装する）を含む治療計画生成ワークフロー１３０を実装するように描かれている。この生成モデルは、敵対的生成ネットワークモデル１３８の一部として訓練された生成器１３８Ｂによって提供することができる。例示的な実施形態では、治療処理ロジック１２０によって動作する計画生成ワークフロー１３０は、解剖学的データ処理１３２（例えば、本明細書で議論される生成モデルに関連して、治療の解剖学的領域を反映した入力画像データを処理するためのもの）、線量データ処理１３４（例えば、本明細書で議論される生成モデルに関連して、治療の解剖学的領域にマッピングされた放射線治療線量を反映した出力画像データを生成するためのもの）、および計画データ処理１３６（例えば、本明細書で議論されるように、マッピングされた放射線治療線量および他の制約に基づいて、治療計画を確立するためのもの）の使用と統合されている。明示的に描かれていない他の計画生成、評価、および検証機能は、治療計画生成ワークフロー１３０に組み込むことができる。
放射線治療処理計算システム１１０における治療処理ロジック１２０は、訓練された（学習された）生成モデルの使用（例えば、図１０を参照して以下に説明する方法を実装する）を含む治療計画生成ワークフロー１３０を実装するように描かれている。この生成モデルは、敵対的生成ネットワークモデル１３８の一部として訓練された生成器１３８Ｂによって提供することができる。例示的な実施形態では、治療処理ロジック１２０によって動作する計画生成ワークフロー１３０は、解剖学的データ処理１３２（例えば、本明細書で議論される生成モデルに関連して、治療の解剖学的領域を反映した入力画像データを処理するためのもの）、線量データ処理１３４（例えば、本明細書で議論される生成モデルに関連して、治療の解剖学的領域にマッピングされた放射線治療線量を反映した出力画像データを生成するためのもの）、および計画データ処理１３６（例えば、本明細書で議論されるように、マッピングされた放射線治療線量および他の制約に基づいて、治療計画を確立するためのもの）の使用と統合されている。明示的に描かれていない他の計画生成、評価、および検証機能は、治療計画生成ワークフロー１３０に組み込むことができる。
［００５７］
一実施例では、生成器１３８Ｂは、訓練データのペアリング（例えば、モデルまたは予め定義された解剖学データと線量データのペアリング）を処理する治療計画訓練ワークフロー１４０に関連して、ＧＡＮ１３８内の識別器１３８Ａおよび生成器１３８Ｂの使用を含む訓練の結果として学習された重みおよび値を含む。上述したように、この訓練ワークフロー１４０は、データソース１６０、１７０、および関連する計画データ１６２、画像データ１５２からトレーニングデータを取得して利用することができる。
一実施例では、生成器１３８Ｂは、訓練データのペアリング（例えば、モデルまたは予め定義された解剖学データと線量データのペアリング）を処理する治療計画訓練ワークフロー１４０に関連して、ＧＡＮ１３８内の識別器１３８Ａおよび生成器１３８Ｂの使用を含む訓練の結果として学習された重みおよび値を含む。上述したように、この訓練ワークフロー１４０は、データソース１６０、１７０、および関連する計画データ１６２、画像データ１５２からトレーニングデータを取得して利用することができる。
［００５８］
治療処理ロジック１２０および治療計画生成ワークフロー１３０は、スウェーデンのストックホルムにあるエレクタＡＢ社によって製造されたＭｏｎａｃｏ（登録商標）のような放射線治療計画機能を有するソフトウェアプログラムを使用して、放射線治療計画を生成する際に使用することができる。放射線治療計画を生成するために、放射線治療処理計算システム１１０は、画像取得装置１７０（例えば、ＣＴ装置、ＭＲＩ装置、ＰＥＴ装置、Ｘ線装置、超音波装置など）と通信して、患者の画像を取得してアクセスし、腫瘍のような標的を画定することができる。いくつかの例では、腫瘍を取り囲む健康な組織または腫瘍に近接している健康な組織のような、１つまたはそれ以上のリスク臓器（ＯＡＲ）の定義が必要とされる場合がある。したがって、ＯＡＲが標的腫瘍に近い場合には、ＯＡＲのセグメンテーションが行われる。また、標的腫瘍がＯＡＲに近接している場合（例えば、膀胱および直腸に近接している前立腺）、腫瘍からＯＡＲをセグメンテーションすることにより、放射線治療システムは、標的内だけでなく、ＯＡＲ内の線量分布を検討することができる。
治療処理ロジック１２０および治療計画生成ワークフロー１３０は、スウェーデンのストックホルムにあるエレクタＡＢ社によって製造されたＭｏｎａｃｏ（登録商標）のような放射線治療計画機能を有するソフトウェアプログラムを使用して、放射線治療計画を生成する際に使用することができる。放射線治療計画を生成するために、放射線治療処理計算システム１１０は、画像取得装置１７０（例えば、ＣＴ装置、ＭＲＩ装置、ＰＥＴ装置、Ｘ線装置、超音波装置など）と通信して、患者の画像を取得してアクセスし、腫瘍のような標的を画定することができる。いくつかの例では、腫瘍を取り囲む健康な組織または腫瘍に近接している健康な組織のような、１つまたはそれ以上のリスク臓器（ＯＡＲ）の定義が必要とされる場合がある。したがって、ＯＡＲが標的腫瘍に近い場合には、ＯＡＲのセグメンテーションが行われる。また、標的腫瘍がＯＡＲに近接している場合（例えば、膀胱および直腸に近接している前立腺）、腫瘍からＯＡＲをセグメンテーションすることにより、放射線治療システムは、標的内だけでなく、ＯＡＲ内の線量分布を検討することができる。
［００５９］
また、ＯＡＲから標的臓器や標的腫瘍を特定するために、放射線治療を受けている患者のＭＲＩ画像、ＣＴ画像、ＰＥＴ画像、ｆＭＲＩ画像、Ｘ線画像、超音波画像、放射線治療ポータル画像、ＳＰＥＣＴ画像等の医用画像を画像取得装置１７０により非侵襲的に取得して、身体部位の内部構造を明らかにすることができる。医用画像からの情報に基づいて、自動化された機能または人間が支援する機能の任意の組み合わせを使用して、３次元構造および関連する解剖学的部分のセグメンテーション、ラベリング、または他の識別を得ることができる。例えば、セグメンテーションおよびラベリングは、治療領域および制限領域（例えば、治療を回避する領域）の識別に関連して展開することができ、例えば、計画的治療ボリューム（例えば、関心のある腫瘍または臓器に放射線治療を送達するため）およびＯＡＲ（複数可）（例えば、特定の臓器または組織領域における放射線治療および放射線被曝を回避するため）の識別および定義に関連して展開することができる。これらのタイプのセグメントおよび治療のために回避または標的とする解剖学的領域の２次元図は、図７に更に描かれている。
また、ＯＡＲから標的臓器や標的腫瘍を特定するために、放射線治療を受けている患者のＭＲＩ画像、ＣＴ画像、ＰＥＴ画像、ｆＭＲＩ画像、Ｘ線画像、超音波画像、放射線治療ポータル画像、ＳＰＥＣＴ画像等の医用画像を画像取得装置１７０により非侵襲的に取得して、身体部位の内部構造を明らかにすることができる。医用画像からの情報に基づいて、自動化された機能または人間が支援する機能の任意の組み合わせを使用して、３次元構造および関連する解剖学的部分のセグメンテーション、ラベリング、または他の識別を得ることができる。例えば、セグメンテーションおよびラベリングは、治療領域および制限領域（例えば、治療を回避する領域）の識別に関連して展開することができ、例えば、計画的治療ボリューム（例えば、関心のある腫瘍または臓器に放射線治療を送達するため）およびＯＡＲ（複数可）（例えば、特定の臓器または組織領域における放射線治療および放射線被曝を回避するため）の識別および定義に関連して展開することができる。これらのタイプのセグメントおよび治療のために回避または標的とする解剖学的領域の２次元図は、図７に更に描かれている。
［００６０］
従って、治療計画プロセスの間に、標的腫瘍の効率的な治療（例えば、標的腫瘍が効果的な治療のために十分な放射線量を受けるような）と、ＯＡＲの低照射（例えば、ＯＡＲが可能な限り低い放射線量を受ける）との間のバランスを達成するために、多くのパラメータを考慮する。考慮され得る他のパラメータには、標的臓器および標的腫瘍の位置、ＯＡＲの位置、およびＯＡＲに対する標的の動きが含まれる。例えば、ＭＲＩ画像またはＣＴ画像の各２Ｄ層またはスライス内に標的またはＯＡＲを輪郭付けし、各２Ｄ層またはスライスの輪郭を組み合わせることにより、３次元構造を得ることができる。輪郭は、手動で（例えば、スウェーデンのストックホルムにあるエレクタＡＢ社によって製造されたＭｏｎａｃｏ（登録商標）のようなプログラムを使用して、医師、線量測定士、または医療従事者によって）、または自動で（例えば、スウェーデンのストックホルムにあるエレクタＡＢ社によって製造されたアトラスベースの自動セグメンテーションソフトウェアＡＢＡＳ（登録商標）のようなプログラムを使用して）生成されてもよい。特定の実施形態では、標的腫瘍またはＯＡＲの３Ｄ構造は、本明細書の他の場所で示され、記載されているような１つまたはそれ以上の技術を使用するなど、治療計画ソフトウェアによって自動的に生成されてもよい。
従って、治療計画プロセスの間に、標的腫瘍の効率的な治療（例えば、標的腫瘍が効果的な治療のために十分な放射線量を受けるような）と、ＯＡＲの低照射（例えば、ＯＡＲが可能な限り低い放射線量を受ける）との間のバランスを達成するために、多くのパラメータを考慮する。考慮され得る他のパラメータには、標的臓器および標的腫瘍の位置、ＯＡＲの位置、およびＯＡＲに対する標的の動きが含まれる。例えば、ＭＲＩ画像またはＣＴ画像の各２Ｄ層またはスライス内に標的またはＯＡＲを輪郭付けし、各２Ｄ層またはスライスの輪郭を組み合わせることにより、３次元構造を得ることができる。輪郭は、手動で（例えば、スウェーデンのストックホルムにあるエレクタＡＢ社によって製造されたＭｏｎａｃｏ（登録商標）のようなプログラムを使用して、医師、線量測定士、または医療従事者によって）、または自動で（例えば、スウェーデンのストックホルムにあるエレクタＡＢ社によって製造されたアトラスベースの自動セグメンテーションソフトウェアＡＢＡＳ（登録商標）のようなプログラムを使用して）生成されてもよい。特定の実施形態では、標的腫瘍またはＯＡＲの３Ｄ構造は、本明細書の他の場所で示され、記載されているような１つまたはそれ以上の技術を使用するなど、治療計画ソフトウェアによって自動的に生成されてもよい。
［００６１］
先行するアプローチでは、標的腫瘍およびＯＡＲの位置が特定され、境界が定められた後、線量測定者、医師または医療従事者は、標的腫瘍に適用される放射線の線量、および腫瘍に近接したＯＡＲ（例えば、左右の耳下腺、視神経、目、水晶体、内耳、脊髄、脳幹など）が受けることができる任意の最大線量を決定することができる。各解剖学的構造（例えば、標的腫瘍、ＯＡＲ）について放射線量が決定された後、所望の放射線量分布を達成するであろう１つまたはそれ以上の治療計画パラメータを決定するために、逆計画として知られているプロセスが実行されてもよい。このようなアプローチの有効性は、そのような計画活動に適用される人間の専門知識や能力に限られている。本明細書で論じた治療処理ロジック１２０および治療計画生成ワークフロー１３０の使用は、ＡＩおよびＭＬ技術がそのような線量分布情報の改善された推定または予測を生成することができる自動化されたメカニズムを提供するように設計されている。
先行するアプローチでは、標的腫瘍およびＯＡＲの位置が特定され、境界が定められた後、線量測定者、医師または医療従事者は、標的腫瘍に適用される放射線の線量、および腫瘍に近接したＯＡＲ（例えば、左右の耳下腺、視神経、目、水晶体、内耳、脊髄、脳幹など）が受けることができる任意の最大線量を決定することができる。各解剖学的構造（例えば、標的腫瘍、ＯＡＲ）について放射線量が決定された後、所望の放射線量分布を達成するであろう１つまたはそれ以上の治療計画パラメータを決定するために、逆計画として知られているプロセスが実行されてもよい。このようなアプローチの有効性は、そのような計画活動に適用される人間の専門知識や能力に限られている。本明細書で論じた治療処理ロジック１２０および治療計画生成ワークフロー１３０の使用は、ＡＩおよびＭＬ技術がそのような線量分布情報の改善された推定または予測を生成することができる自動化されたメカニズムを提供するように設計されている。
［００６２］
投与量に加えて、治療計画パラメータ（例えば、計画データ処理１３６、または計画生成ワークフロー１３０の他の機能によって生成される）の追加の例としては、ボリュームデリネレーションパラメータ（volume delineation parameters）（例えば、標的ボリューム、輪郭に敏感な構造などを定義する）、標的腫瘍およびＯＡＲの周囲のマージン、ビーム角度の選択、コリメータの設定、およびビームオン時間が挙げられる。したがって、計画プロセスの間に、医師または他の医療従事者は、ＯＡＲが受ける可能性のある放射線量の境界を設定する線量制約パラメータを定めること（例えば、腫瘍標的への全線量と任意のＯＡＲへのゼロ線量を定めること；脊髄、脳幹、および視神経構造が、それぞれ、４５Ｇｙ以下の線量、５５Ｇｙ以下の線量、および５４Ｇｙより低い線量を受けると定めること）ができる。これらの機能または制約のそれぞれは、本明細書で論じた治療計画生成ワークフロー１３０の使用によって、置き換えられ、強化され、または強制することができる。
投与量に加えて、治療計画パラメータ（例えば、計画データ処理１３６、または計画生成ワークフロー１３０の他の機能によって生成される）の追加の例としては、ボリュームデリネレーションパラメータ（volume delineation parameters）（例えば、標的ボリューム、輪郭に敏感な構造などを定義する）、標的腫瘍およびＯＡＲの周囲のマージン、ビーム角度の選択、コリメータの設定、およびビームオン時間が挙げられる。したがって、計画プロセスの間に、医師または他の医療従事者は、ＯＡＲが受ける可能性のある放射線量の境界を設定する線量制約パラメータを定めること（例えば、腫瘍標的への全線量と任意のＯＡＲへのゼロ線量を定めること；脊髄、脳幹、および視神経構造が、それぞれ、４５Ｇｙ以下の線量、５５Ｇｙ以下の線量、および５４Ｇｙより低い線量を受けると定めること）ができる。これらの機能または制約のそれぞれは、本明細書で論じた治療計画生成ワークフロー１３０の使用によって、置き換えられ、強化され、または強制することができる。
［００６３］
治療処理ロジック１２０および治療計画生成ワークフロー１３０の結果として、（例えば、計画データ１６２として、またはデータソース１６０に）保存されまたは提供される放射線治療計画を生成することができる。これらの治療パラメータのいくつかは、特定の治療目的および試みと相関しているか、または調整されている。例えば、治療計画を変更しようとして１つのパラメータ（例えば、標的腫瘍への投与量を増加させるなどの異なる目的のための重み）を調整することは、少なくとも１つの他のパラメータに影響を与え、その結果、異なる治療計画を開発することになる。このように、放射線治療処理計算システム１１０は、治療装置１８０が患者に適切な放射線治療を提供するために、これらのパラメータおよび同様のパラメータを考慮した調整された放射線治療計画を生成する。
治療処理ロジック１２０および治療計画生成ワークフロー１３０の結果として、（例えば、計画データ１６２として、またはデータソース１６０に）保存されまたは提供される放射線治療計画を生成することができる。これらの治療パラメータのいくつかは、特定の治療目的および試みと相関しているか、または調整されている。例えば、治療計画を変更しようとして１つのパラメータ（例えば、標的腫瘍への投与量を増加させるなどの異なる目的のための重み）を調整することは、少なくとも１つの他のパラメータに影響を与え、その結果、異なる治療計画を開発することになる。このように、放射線治療処理計算システム１１０は、治療装置１８０が患者に適切な放射線治療を提供するために、これらのパラメータおよび同様のパラメータを考慮した調整された放射線治療計画を生成する。
［００６４］
図２は、Ｘ線源または線形加速器などの放射線源、カウチ２１６、撮像検出器２１４、および放射線治療出力２０４を含む例示的な画像誘導放射線治療装置２０２を図示する。放射線治療装置２０２は、患者に治療を提供するために放射線ビーム２０８を放出するように構成されている。放射線治療出力２０４は、マルチリーフコリメータ（ＭＬＣ）などの１つまたはそれ以上の減衰器またはコリメータを含む。理解されるように、放射線治療出力２０４は、治療計画生成ワークフロー１３０およびＧＡＮの生成器１３８Ｂからの画像生成の関連使用を実装する治療処理ロジック１２０と関連して提供することができる。
図２は、Ｘ線源または線形加速器などの放射線源、カウチ２１６、撮像検出器２１４、および放射線治療出力２０４を含む例示的な画像誘導放射線治療装置２０２を図示する。放射線治療装置２０２は、患者に治療を提供するために放射線ビーム２０８を放出するように構成されている。放射線治療出力２０４は、マルチリーフコリメータ（ＭＬＣ）などの１つまたはそれ以上の減衰器またはコリメータを含む。理解されるように、放射線治療出力２０４は、治療計画生成ワークフロー１３０およびＧＡＮの生成器１３８Ｂからの画像生成の関連使用を実装する治療処理ロジック１２０と関連して提供することができる。
［００６５］
一実施例では、患者は、放射線治療計画（例えば、図１の放射線治療システムによって生成された治療計画）に従って放射線治療線量を受けるために、治療カウチ２１６によって支持された領域２１２に位置決めされる。放射線治療出力２０４は、ガントリ２０６または他の機械的支持体に搭載され、または取り付けられる。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２１６が治療領域に挿入されたときに、ガントリ２０６および放射線治療出力２０４をカウチ２１６の周りで回転させることができる。一実施例では、ガントリ２０６は、カウチ２１６が処置領域内に挿入されたときに、カウチ２１６の周りで連続的に回転可能である。別の実施例では、ガントリ２０６は、カウチ２１６が処置領域内に挿入されたときに、所定の位置まで回転する。例えば、ガントリ２０６は、治療出力２０４を軸（「Ａ」）の周りに回転させるように構成することができる。カウチ２１６および放射線治療出力２０４の両方は、横方向（「Ｔ」）に移動可能であるか、横方向（「Ｌ」）に移動可能であるか、または横軸（「Ｒ」と表示される）についての回転など、１つまたはそれ以上の他の軸についての回転として、患者の周囲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）に通信的に接続されたコントローラは、放射線治療計画に従って患者を放射線ビーム２０８内または放射線ビーム２０８の外に適切に位置決めするために、カウチ２１６の動きまたは回転を制御することができる。カウチ２１６およびガントリ２０６の両方は、互いに独立して複数の自由度で移動可能であり、これにより、放射線ビーム２０８が腫瘍を正確に標的にすることができるように患者を位置決めすることができる。
一実施例では、患者は、放射線治療計画（例えば、図１の放射線治療システムによって生成された治療計画）に従って放射線治療線量を受けるために、治療カウチ２１６によって支持された領域２１２に位置決めされる。放射線治療出力２０４は、ガントリ２０６または他の機械的支持体に搭載され、または取り付けられる。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２１６が治療領域に挿入されたときに、ガントリ２０６および放射線治療出力２０４をカウチ２１６の周りで回転させることができる。一実施例では、ガントリ２０６は、カウチ２１６が処置領域内に挿入されたときに、カウチ２１６の周りで連続的に回転可能である。別の実施例では、ガントリ２０６は、カウチ２１６が処置領域内に挿入されたときに、所定の位置まで回転する。例えば、ガントリ２０６は、治療出力２０４を軸（「Ａ」）の周りに回転させるように構成することができる。カウチ２１６および放射線治療出力２０４の両方は、横方向（「Ｔ」）に移動可能であるか、横方向（「Ｌ」）に移動可能であるか、または横軸（「Ｒ」と表示される）についての回転など、１つまたはそれ以上の他の軸についての回転として、患者の周囲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）に通信的に接続されたコントローラは、放射線治療計画に従って患者を放射線ビーム２０８内または放射線ビーム２０８の外に適切に位置決めするために、カウチ２１６の動きまたは回転を制御することができる。カウチ２１６およびガントリ２０６の両方は、互いに独立して複数の自由度で移動可能であり、これにより、放射線ビーム２０８が腫瘍を正確に標的にすることができるように患者を位置決めすることができる。
［００６６］
図２に示す座標系（軸Ａ、軸Ｔ、軸Ｌを含む）は、アイソセンタ２１０に位置する原点を有する。アイソセンタは、患者上または患者内の場所に所定の放射線量を送達するように、放射線治療ビーム２０８の中心軸が座標軸の原点と交差する位置として定義する。代替的に、アイソセンタ２１０は、ガントリ２０６によって軸Ａの周りに位置決めされた放射線治療出力２０４の様々な回転位置のために、放射線治療ビーム２０８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。
図２に示す座標系（軸Ａ、軸Ｔ、軸Ｌを含む）は、アイソセンタ２１０に位置する原点を有する。アイソセンタは、患者上または患者内の場所に所定の放射線量を送達するように、放射線治療ビーム２０８の中心軸が座標軸の原点と交差する位置として定義する。代替的に、アイソセンタ２１０は、ガントリ２０６によって軸Ａの周りに位置決めされた放射線治療出力２０４の様々な回転位置のために、放射線治療ビーム２０８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］
ガントリ２０６はまた付属の撮像検出器２１４を有していてもよい。撮像検出器２１４は、好ましくは、放射線源（出力２０４）に対向して配置され、一実施例では、撮像検出器２１４は、治療ビーム２０８のフィールド内に配置され得る。
ガントリ２０６はまた付属の撮像検出器２１４を有していてもよい。撮像検出器２１４は、好ましくは、放射線源（出力２０４）に対向して配置され、一実施例では、撮像検出器２１４は、治療ビーム２０８のフィールド内に配置され得る。
［００６８］
撮像検出器２１４は、好ましくは、治療ビーム２０８との整列を維持するように、放射線治療出力２０４に対向して、ガントリ２０６に取り付けられることができる。撮像検出器２１４は、ガントリ２０６の回転に伴って回転軸を中心に回転する。例示的な実施形態では、撮像検出器２１４は、フラットパネル検出器（例えば、直接検出器またはシンチレータ検出器）であってもよい。このように、撮像検出器２１４は、治療ビーム２０８を監視するために使用することができ、または、撮像検出器２１４は、ポータルイメージングのような患者の解剖学的な撮像のために使用することができる。放射線治療装置２０２の制御回路は、放射線治療システム１００内に統合されていてもよいし、放射線治療システム１００から離れていてもよい。
撮像検出器２１４は、好ましくは、治療ビーム２０８との整列を維持するように、放射線治療出力２０４に対向して、ガントリ２０６に取り付けられることができる。撮像検出器２１４は、ガントリ２０６の回転に伴って回転軸を中心に回転する。例示的な実施形態では、撮像検出器２１４は、フラットパネル検出器（例えば、直接検出器またはシンチレータ検出器）であってもよい。このように、撮像検出器２１４は、治療ビーム２０８を監視するために使用することができ、または、撮像検出器２１４は、ポータルイメージングのような患者の解剖学的な撮像のために使用することができる。放射線治療装置２０２の制御回路は、放射線治療システム１００内に統合されていてもよいし、放射線治療システム１００から離れていてもよい。
［００６９］
例示的な一実施例では、カウチ２１６、治療出力２０４、またはガントリ２０６のうちの１つまたはそれ以上が自動的に位置決めされ、治療出力２０４は、特定の治療送達インスタンスのための指定された線量に従って治療ビーム２０８を確立することができる。ガントリ２０６、カウチ２１６、または治療出力２０４の１つまたはそれ以上の異なる向きまたは位置を使用するなど、放射線治療計画に応じて、治療送達のシーケンスを指定することができる。治療の送達は、順次行われ得るが、アイソセンタ２１０のような患者上または患者内の所望の治療部位で交差させることができる。所定の累積線量の放射線治療は、それによって治療部位に送達され得る一方で、治療部位の近くの組織への損傷を減少させるか、または回避することができる。
例示的な一実施例では、カウチ２１６、治療出力２０４、またはガントリ２０６のうちの１つまたはそれ以上が自動的に位置決めされ、治療出力２０４は、特定の治療送達インスタンスのための指定された線量に従って治療ビーム２０８を確立することができる。ガントリ２０６、カウチ２１６、または治療出力２０４の１つまたはそれ以上の異なる向きまたは位置を使用するなど、放射線治療計画に応じて、治療送達のシーケンスを指定することができる。治療の送達は、順次行われ得るが、アイソセンタ２１０のような患者上または患者内の所望の治療部位で交差させることができる。所定の累積線量の放射線治療は、それによって治療部位に送達され得る一方で、治療部位の近くの組織への損傷を減少させるか、または回避することができる。
［００７０］
したがって、図２は、放射線治療出力が中心軸（例えば、軸「Ａ」）を中心に回転可能な構成で、患者に放射線治療を提供するために操作可能な放射線治療装置２０２の例を具体的に示している。他の放射線治療の出力構成を使用することができる。例えば、放射線治療出力は、複数の自由度を有するロボットアームまたはマニピュレータに取り付けることができる。さらなる別の実施例では、治療出力は、患者から横方向に分離された領域に位置するように固定され、患者を支持するプラットフォームは、放射線治療アイソセンタを患者内の特定の標的軌跡に整列させるために使用され得る。別の実施例では、放射線治療装置は、線形加速器と画像取得装置との組み合わせであってもよい。いくつかの実施例では、画像取得装置は、当業者が認識するであろう、ＭＲＩ、Ｘ線、ＣＴ、ＣＢＣＴ、スパイラルＣＴ、ＰＥＴ、ＳＰＥＣＴ、光断層撮影、蛍光撮影、超音波撮影、または放射線治療門脈撮影装置などであってもよい。
したがって、図２は、放射線治療出力が中心軸（例えば、軸「Ａ」）を中心に回転可能な構成で、患者に放射線治療を提供するために操作可能な放射線治療装置２０２の例を具体的に示している。他の放射線治療の出力構成を使用することができる。例えば、放射線治療出力は、複数の自由度を有するロボットアームまたはマニピュレータに取り付けることができる。さらなる別の実施例では、治療出力は、患者から横方向に分離された領域に位置するように固定され、患者を支持するプラットフォームは、放射線治療アイソセンタを患者内の特定の標的軌跡に整列させるために使用され得る。別の実施例では、放射線治療装置は、線形加速器と画像取得装置との組み合わせであってもよい。いくつかの実施例では、画像取得装置は、当業者が認識するであろう、ＭＲＩ、Ｘ線、ＣＴ、ＣＢＣＴ、スパイラルＣＴ、ＰＥＴ、ＳＰＥＣＴ、光断層撮影、蛍光撮影、超音波撮影、または放射線治療門脈撮影装置などであってもよい。
［００７１］
放射線治療の具体例として、強度変調放射線治療（Intensity modulatedradiotherapy）（ＩＭＲＴ）および体積変調アーク療法（Volumetric modulatedarc therapy）（ＶＭＡＴ）は、現在の放射線治療の実践で一般的に使用されており、以前の治療法よりも、隣接する敏感な組織を対応させながら、標的に対してより正確な線量を生成するように設計されている。ＩＭＲＴの計画は次の２つの段階：１）患者の局所的なエネルギー蓄積を描写するフルエンスマップの作成する段階と；２）各ビームのフルエンスを、ビーム境界を形成して、その強度プロファイルを調整するＭＬＣ開口部のシーケンスに変換する段階；とを経て進行するこれはステップ＆シュート（step-and-shoot）ＩＭＲＴの基本的な手順である。第１の段階において、処方された目標線量と臓器温存に対する相反する制約を計画が解決しなければならない。フルエンスマップ最適化（fluence map optimization）（ＦＭＯ）問題は、治療計画の特徴と制約条件の競合をカプセルに包む。
放射線治療の具体例として、強度変調放射線治療（Intensity modulatedradiotherapy）（ＩＭＲＴ）および体積変調アーク療法（Volumetric modulatedarc therapy）（ＶＭＡＴ）は、現在の放射線治療の実践で一般的に使用されており、以前の治療法よりも、隣接する敏感な組織を対応させながら、標的に対してより正確な線量を生成するように設計されている。ＩＭＲＴの計画は次の２つの段階：１）患者の局所的なエネルギー蓄積を描写するフルエンスマップの作成する段階と；２）各ビームのフルエンスを、ビーム境界を形成して、その強度プロファイルを調整するＭＬＣ開口部のシーケンスに変換する段階；とを経て進行するこれはステップ＆シュート（step-and-shoot）ＩＭＲＴの基本的な手順である。第１の段階において、処方された目標線量と臓器温存に対する相反する制約を計画が解決しなければならない。フルエンスマップ最適化（fluence map optimization）（ＦＭＯ）問題は、治療計画の特徴と制約条件の競合をカプセルに包む。
［００７２］
ＩＭＲＴでは、患者は定義された標的と敏感な臓器を持っている。ボクセルが受ける線量は、次式のようなビームレット強度または重みの線形関数である。
ＩＭＲＴでは、患者は定義された標的と敏感な臓器を持っている。ボクセルが受ける線量は、次式のようなビームレット強度または重みの線形関数である。
［００７３］
ここで、Ｄjs（ｂ）は、単位強度でビームレットｉから構造体Ｓ内のボクセルｊに堆積した線量であり、ビームレットｉの強度または重みはｘｉで示され、ｎ個のビームレット重みのベクトルは、ｂ＝(b1,...,bn)Ｔであり、ここで、上付き文字Ｔはベクトル転置を示す。Ｓは構造体の総数であり、ここで、それらの第１のＴは標的（Ｔ＜Ｓ）であり、ｖＳは構造ｓ∈Ｓ内のボクセル数である。構造体Ｓ内の線量分布は次式である。
ここで、Ｄjs（ｂ）は、単位強度でビームレットｉから構造体Ｓ内のボクセルｊに堆積した線量であり、ビームレットｉの強度または重みはｘｉで示され、ｎ個のビームレット重みのベクトルは、ｂ＝(b1,...,bn)Ｔであり、ここで、上付き文字Ｔはベクトル転置を示す。Ｓは構造体の総数であり、ここで、それらの第１のＴは標的（Ｔ＜Ｓ）であり、ｖＳは構造ｓ∈Ｓ内のボクセル数である。構造体Ｓ内の線量分布は次式である。
［００７４］
これは、ｖＳ次元線量空間の一点を表すことができる。
これは、ｖＳ次元線量空間の一点を表すことができる。
［００７５］
多基準最適化は、ＦＭＯ問題に有効に適用されている。例えば、既知のアプローチは、次式のようなＦＭＯモデルを提供する。
多基準最適化は、ＦＭＯ問題に有効に適用されている。例えば、既知のアプローチは、次式のようなＦＭＯモデルを提供する。
［００７６］
ここで、Ｆ（Ｄ（ｂ））は最小化がリストされた制約に従う線量目的関数であり、特定化された目的Ｇ（ｂ）は線量制約Ｃ（ｂ）に従い、Ｌは制約の数である。目的Ｆ（Ｄ（ｂ）は、次式のように、計算された線量ｄ（ｂ）と所定の線量との差を最小化する。
ここで、Ｆ（Ｄ（ｂ））は最小化がリストされた制約に従う線量目的関数であり、特定化された目的Ｇ（ｂ）は線量制約Ｃ（ｂ）に従い、Ｌは制約の数である。目的Ｆ（Ｄ（ｂ）は、次式のように、計算された線量ｄ（ｂ）と所定の線量との差を最小化する。
［００７７］
ＦＭＯ問題の別の解は、ラグランジュ乗数の方法を用いて得ることができる。上記の目的と制約が与えられると、ラグランジュ関数は、次式のように定義される。
ＦＭＯ問題の別の解は、ラグランジュ乗数の方法を用いて得ることができる。上記の目的と制約が与えられると、ラグランジュ関数は、次式のように定義される。
［００７８］
または，正規化された制約関数ｇl（ｘ）の場合、ラグランジュ関数は、次式のように定義される。
または，正規化された制約関数ｇl（ｘ）の場合、ラグランジュ関数は、次式のように定義される。
［００７９］
定常点（零値部分導関数∂Ｆ／∂ｘｉと∂ｇｌ／∂ｘｉ）の解は、次式のように得られる。
定常点（零値部分導関数∂Ｆ／∂ｘｉと∂ｇｌ／∂ｘｉ）の解は、次式のように得られる。
［００８０］
ここで、個人λｌの値を変化させて、次式の条件に従って解を得る。
ここで、個人λｌの値を変化させて、次式の条件に従って解を得る。
先の式（式７）は、共役勾配降下法によって反復的に解かれ、可能な限り最大限にこの式を満足する次式のビームレット重みの集合が得られる。
［００８１］
個々の制約は、「標的ｌの９５％が処方量の９５％を下回らない」または「標的ｌの９８％が所定量を受ける」または「標的ｌ内の最大許容量は、少なくとも０．０３ｃｃの体積に対して所定量の１０７％である」という種類（sort）の標的制約のいずれかである。このように、線量が制限されるべき重要な構造物は、「構造物ｌの１５％の体積が８０Ｇｙを超えてはならない」または「構造物ｌに対する平均線量が５２Ｇｙ以下である」という種類の制約により記述される。
個々の制約は、「標的ｌの９５％が処方量の９５％を下回らない」または「標的ｌの９８％が所定量を受ける」または「標的ｌ内の最大許容量は、少なくとも０．０３ｃｃの体積に対して所定量の１０７％である」という種類（sort）の標的制約のいずれかである。このように、線量が制限されるべき重要な構造物は、「構造物ｌの１５％の体積が８０Ｇｙを超えてはならない」または「構造物ｌに対する平均線量が５２Ｇｙ以下である」という種類の制約により記述される。
［００８２］
要するに、標的目標は最大化され、臨界構造制約は最小化され（構造線量は制約線量よりも小さい）、ビームレット重みはすべてゼロ以上である。実際には、散乱による標的線量半影（penumbra）が近くの臨界構造と重なることが多いため、標的制約と臨界構造制約は通常、相反するものとなる。所望の３次元線量分布を生成するために制約重みの反復調整を含む計画は、直感的でない結果をもたらす可能性があり、各重みの調整に続いて勾配ラグランジアンの再解法を行う必要があるため、計画者に多大な時間と労力を必要とする。
要するに、標的目標は最大化され、臨界構造制約は最小化され（構造線量は制約線量よりも小さい）、ビームレット重みはすべてゼロ以上である。実際には、散乱による標的線量半影（penumbra）が近くの臨界構造と重なることが多いため、標的制約と臨界構造制約は通常、相反するものとなる。所望の３次元線量分布を生成するために制約重みの反復調整を含む計画は、直感的でない結果をもたらす可能性があり、各重みの調整に続いて勾配ラグランジアンの再解法を行う必要があるため、計画者に多大な時間と労力を必要とする。
［００８３］
ＶＭＡＴのために解決すべきＦＭＯの問題は、ビームレットが患者の周りに多くのビームで配置されていることを除いては、ＩＭＲＴに似ている。ＶＭＡＴ治療は、患者の周りのガントリを連続的に移動させ、開口部を再形成し、開口部の強度パターンを変化させるＭＬＣ葉を連続的に移動させることによって提供される。ＶＭＡＴ治療は、同じ腫瘍に対するＩＭＲＴ治療に比べて、より速く、より少ないモニターユニット（総ビームオンタイム）で治療を行うことができる。有効なビーム数が多いため、ＶＭＡＴは同等のＩＭＲＴ治療に比べて、標的の範囲と臓器をより正確に残すことができる可能性がある。
ＶＭＡＴのために解決すべきＦＭＯの問題は、ビームレットが患者の周りに多くのビームで配置されていることを除いては、ＩＭＲＴに似ている。ＶＭＡＴ治療は、患者の周りのガントリを連続的に移動させ、開口部を再形成し、開口部の強度パターンを変化させるＭＬＣ葉を連続的に移動させることによって提供される。ＶＭＡＴ治療は、同じ腫瘍に対するＩＭＲＴ治療に比べて、より速く、より少ないモニターユニット（総ビームオンタイム）で治療を行うことができる。有効なビーム数が多いため、ＶＭＡＴは同等のＩＭＲＴ治療に比べて、標的の範囲と臓器をより正確に残すことができる可能性がある。
［００８４］
最終的に、本明細書で述べたように得られたフルエンスマップは、ＩＭＲＴ／ＶＭＡＴ計画における中間的な結果に過ぎない。３次元フルエンスマップから、フルエンスマップと可能な限り異なる線量マップを生成するために、ガントリとＭＬＣのリーフモーション制約を満たさなければならない３次元線量分布が計算される。これは、計画プロセスのセグメンテーションの部分であり、制約付き最適化問題でもある。
最終的に、本明細書で述べたように得られたフルエンスマップは、ＩＭＲＴ／ＶＭＡＴ計画における中間的な結果に過ぎない。３次元フルエンスマップから、フルエンスマップと可能な限り異なる線量マップを生成するために、ガントリとＭＬＣのリーフモーション制約を満たさなければならない３次元線量分布が計算される。これは、計画プロセスのセグメンテーションの部分であり、制約付き最適化問題でもある。
［００８５］
これらの放射線治療計画の操作は、ここで述べたようなＧＡＮを含むディープラーニング（ＤＬ）／機械学習（ＭＬ）のアプローチを用いることで改善することができる。ＡＩ、ＤＬ、ＭＬのいずれも、ランダム変数の確率とその確率分布を数学的に解析したものである。通常，ランダム変数は，ペアＸ、Ｙ、｛ｘｉ，ｙｉ｝，ｉ＝１，Ｎとして観測される。ここで、それぞれの値ｘｉ∈Ｘに対して、我々は、それを、スカラーのカテゴリインデックスｙｉ∈Ｙ（分類）で表されるクラスやカテゴリに割り当てたい、または、関数ｙｉ＝ｆ（ｘｉ）（回帰）に従って数値を割り当てたいと考えている。
これらの放射線治療計画の操作は、ここで述べたようなＧＡＮを含むディープラーニング（ＤＬ）／機械学習（ＭＬ）のアプローチを用いることで改善することができる。ＡＩ、ＤＬ、ＭＬのいずれも、ランダム変数の確率とその確率分布を数学的に解析したものである。通常，ランダム変数は，ペアＸ、Ｙ、｛ｘｉ，ｙｉ｝，ｉ＝１，Ｎとして観測される。ここで、それぞれの値ｘｉ∈Ｘに対して、我々は、それを、スカラーのカテゴリインデックスｙｉ∈Ｙ（分類）で表されるクラスやカテゴリに割り当てたい、または、関数ｙｉ＝ｆ（ｘｉ）（回帰）に従って数値を割り当てたいと考えている。
［００８６］
すべての分類法や回帰法は、ランダム変数Ｘ，Ｙを記述するための確率分布の概念に依存する。ランダム変数Ｘ，ｐ（ｘ）（ｘは離散または連続）に対する確率分布は、次の条件を満たさなければならない。（１）ｐ（ｘ）の領域は、ｘのすべての可能な値の集合である。（２）すべてのｘ∈Ｘに対して、ｐ（ｘ）≧０を満足する。（３）次式を満足する。
すべての分類法や回帰法は、ランダム変数Ｘ，Ｙを記述するための確率分布の概念に依存する。ランダム変数Ｘ，ｐ（ｘ）（ｘは離散または連続）に対する確率分布は、次の条件を満たさなければならない。（１）ｐ（ｘ）の領域は、ｘのすべての可能な値の集合である。（２）すべてのｘ∈Ｘに対して、ｐ（ｘ）≧０を満足する。（３）次式を満足する。
分布ｐ（ｘ）から抽出された標本ｘは、ｘ～ｐ（ｘ）と表記される。Ｘ，Ｙの合同分布（jointdistribution）はｐ（ｘ，ｙ）と表記され、限界分布をｘとして、合同分布ｐ（ｘ，ｙ）を与えられたｐ（ｘ）は、ｐ（ｘ）＝∫ｐ（ｘ，ｙ）ｄｙとなる。ｘの値を条件としてｙを観測する確率は、ｐ（ｙ｜ｘ）＝ｐ（ｘ，ｙ）／ｐ（ｘ）となる。データｘが与えられたときにｙを観測する条件付き確率は、データ尤度と呼ばれる。ベイズの法則は、Ｘ，Ｙの条件付き尤度を、ｐ（ｙ｜ｘ）＝ｐ（ｘ｜ｙ）ｐ（ｙ）／ｐ（ｘ）とする。
［００８７］
統計的学習の目的は、任意のｙをｘに関連付ける写像ｆ：ｘ→ｙを決定することである。その中でも特に重要な方法の一つが最尤推定である。訓練データは、プロセスｐdata（ｘ，ｙ）によって生成されたものとする。マッピングを見つけるには、マッピングがｘに加えて依存するパラメータθを含むモデルプロセスｐmodel（ｘ；θ）を学習する必要がある。例えば、θは、ニューラルネットワーク層の重みやバイアスパラメータを含む。最尤推定は、ｘの最も可能性の高い値を与えるパラメータθＬを次のように推定する。
統計的学習の目的は、任意のｙをｘに関連付ける写像ｆ：ｘ→ｙを決定することである。その中でも特に重要な方法の一つが最尤推定である。訓練データは、プロセスｐdata（ｘ，ｙ）によって生成されたものとする。マッピングを見つけるには、マッピングがｘに加えて依存するパラメータθを含むモデルプロセスｐmodel（ｘ；θ）を学習する必要がある。例えば、θは、ニューラルネットワーク層の重みやバイアスパラメータを含む。最尤推定は、ｘの最も可能性の高い値を与えるパラメータθＬを次のように推定する。
［００８８］
ここで、Ｅは括弧付き引数の期待値である。確率分布の近似が困難であるので、また、目標は、ｐdata（ｘ）分布とｐmodel（ｘ；θ）分布間の差を最小化することであるので、ＫＬダイバージェンス（KL divergence）は、データに基づいた次の代替手段を提供する。
ここで、Ｅは括弧付き引数の期待値である。確率分布の近似が困難であるので、また、目標は、ｐdata（ｘ）分布とｐmodel（ｘ；θ）分布間の差を最小化することであるので、ＫＬダイバージェンス（KL divergence）は、データに基づいた次の代替手段を提供する。
［００８９］
ここで、最尤度は，モデル分布とデータ分布の差を最小化することに等しい。ｌｏｇ ｐdata（ｘ）項はモデルに依存しないので、ＤKLを最小化するためには次式を最小化する必要がある。
ここで、最尤度は，モデル分布とデータ分布の差を最小化することに等しい。ｌｏｇ ｐdata（ｘ）項はモデルに依存しないので、ＤKLを最小化するためには次式を最小化する必要がある。
［００９０］
これは、モデル式中に暗に含まれたθを有する式（１）と同じである。所望のマッピングは、ｆ（θ）：ｘ～ｐmodel→ｙとなる。
これは、モデル式中に暗に含まれたθを有する式（１）と同じである。所望のマッピングは、ｆ（θ）：ｘ～ｐmodel→ｙとなる。
［００９１］
現在開示されている放射線治療の線量分布モデリングおよび治療計画推定のためのシステムは、放射線治療の治療計画をモデリングするための最新のニューラルネットワーク技術の有用な応用を提供する。ニューラルネットワーク（ＮＮｓ）は、１９６０年代から、分類問題（観測データｘを２つ以上のクラスｙｉ，ｉ＝１，．．．，ｎのうちの１つに割り当てる）や回帰問題（観測データｘをそのデータに関連するパラメータの値ｙと関連付ける）の解決策として研究されてきた。治療パラメータおよび線量分布の生成は、ＧＡＮ構成によって学習されたＮＮ生成モデルの使用によって生成される回帰問題と考えてもよい。
現在開示されている放射線治療の線量分布モデリングおよび治療計画推定のためのシステムは、放射線治療の治療計画をモデリングするための最新のニューラルネットワーク技術の有用な応用を提供する。ニューラルネットワーク（ＮＮｓ）は、１９６０年代から、分類問題（観測データｘを２つ以上のクラスｙｉ，ｉ＝１，．．．，ｎのうちの１つに割り当てる）や回帰問題（観測データｘをそのデータに関連するパラメータの値ｙと関連付ける）の解決策として研究されてきた。治療パラメータおよび線量分布の生成は、ＧＡＮ構成によって学習されたＮＮ生成モデルの使用によって生成される回帰問題と考えてもよい。
［００９２］
シンプルＮＮは、入力層、中間層または隠れ層、および出力層から構成され、それぞれが計算ユニットまたはノードを含む。隠れ層ノードは、入力層のすべてのノードからの入力を持ち、出力層のすべてのノードに接続されている。このようなネットワークは「完全に接続されている（fully connected）」と呼ばれている。各ノードは、その入力の和の非線形関数に応じて、出力ノードに信号を伝達する。分類器の場合，入力層ノードの数は、通常，クラスに分類されるオブジェクトの集合のそれぞれの特徴量の数に等しく，出力層ノードの数はクラスの数に等しくなる。ネットワークは、既知のクラスのオブジェクトの特徴を提示し、バックプロパゲーションと呼ばれるアルゴリズムによって学習誤差を減らすためにノードの重みを調整することによって訓練される。このようにして、訓練されたネットワークは、クラスが不明な新しいオブジェクトを分類することができる。
シンプルＮＮは、入力層、中間層または隠れ層、および出力層から構成され、それぞれが計算ユニットまたはノードを含む。隠れ層ノードは、入力層のすべてのノードからの入力を持ち、出力層のすべてのノードに接続されている。このようなネットワークは「完全に接続されている（fully connected）」と呼ばれている。各ノードは、その入力の和の非線形関数に応じて、出力ノードに信号を伝達する。分類器の場合，入力層ノードの数は、通常，クラスに分類されるオブジェクトの集合のそれぞれの特徴量の数に等しく，出力層ノードの数はクラスの数に等しくなる。ネットワークは、既知のクラスのオブジェクトの特徴を提示し、バックプロパゲーションと呼ばれるアルゴリズムによって学習誤差を減らすためにノードの重みを調整することによって訓練される。このようにして、訓練されたネットワークは、クラスが不明な新しいオブジェクトを分類することができる。
［００９３］
ニューラルネットワークは、データとクラスや回帰値の関係性を発見する能力を持ち、ある条件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。これは、線量－体積ヒストグラムやオーバーラップ－体積ヒストグラムで捉えられた標的や臓器の形状や体積の重なりの関係が非常に非線形であり、線量分布の形状や計画の質と関連していることが示されているため、線量予測や計画のモデリングの問題に特に関連している。
ニューラルネットワークは、データとクラスや回帰値の関係性を発見する能力を持ち、ある条件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。これは、線量－体積ヒストグラムやオーバーラップ－体積ヒストグラムで捉えられた標的や臓器の形状や体積の重なりの関係が非常に非線形であり、線量分布の形状や計画の質と関連していることが示されているため、線量予測や計画のモデリングの問題に特に関連している。
［００９４］
ＭＬでは，学習データとテストデータは同じデータ生成プロセスＰｄａｔａによって生成され，各サンプル（ｘｉ，ｙｉ）は同一かつ独立に分布していること（identically and independently distributed：i.i.d.)を前提としている。ＭＬでは，学習誤差を最小化し，訓練誤差と試験誤差の差をできるだけ小さくすることを目標としている。訓練誤差が大きすぎるとアンダーフィッティングが発生し、訓練と試験の誤差のギャップが大きすぎるとオーバーフィットが発生する。どちらのタイプの性能不足もモデルの容量に関連しており、大容量であると訓練データに非常によくフィットするが、オーバーフィットにつながり得る。ＤＮＮは、膨大な容量を有するので、機械学習ではオーバーフィットがより一般的な問題となっている。
ＭＬでは，学習データとテストデータは同じデータ生成プロセスＰｄａｔａによって生成され，各サンプル（ｘｉ，ｙｉ）は同一かつ独立に分布していること（identically and independently distributed：i.i.d.)を前提としている。ＭＬでは，学習誤差を最小化し，訓練誤差と試験誤差の差をできるだけ小さくすることを目標としている。訓練誤差が大きすぎるとアンダーフィッティングが発生し、訓練と試験の誤差のギャップが大きすぎるとオーバーフィットが発生する。どちらのタイプの性能不足もモデルの容量に関連しており、大容量であると訓練データに非常によくフィットするが、オーバーフィットにつながり得る。ＤＮＮは、膨大な容量を有するので、機械学習ではオーバーフィットがより一般的な問題となっている。
［００９５］
ディープラーニングとは、入力と出力が複雑に配置された多数の隠れ層を持つＤＮＮを採用し、画像認識や音声認識などの作業において人間レベルの性能を発揮する機械学習手法である。本実施例では、観測データＸと出力Ｙとの関係を決定するためにＤＮＮを訓練することができる。データＸ＝｛Ｘ１，．．．Ｘｎ｝は、３次元計画ＣＴ画像、解剖学ボクセルラベルマップ、計画メタデータ（ビームガントリ角度、ビームレットベクトルなど）の集合体であり、出力Ｙは計画画像座標系におけるドーズまたはフルエンスの３次元マップである。
ディープラーニングとは、入力と出力が複雑に配置された多数の隠れ層を持つＤＮＮを採用し、画像認識や音声認識などの作業において人間レベルの性能を発揮する機械学習手法である。本実施例では、観測データＸと出力Ｙとの関係を決定するためにＤＮＮを訓練することができる。データＸ＝｛Ｘ１，．．．Ｘｎ｝は、３次元計画ＣＴ画像、解剖学ボクセルラベルマップ、計画メタデータ（ビームガントリ角度、ビームレットベクトルなど）の集合体であり、出力Ｙは計画画像座標系におけるドーズまたはフルエンスの３次元マップである。
［００９６］
いくつかの実施例では、フルエンスはモデリングされる計画プロセスの産物を表すので、フルエンスのマッピングは線量よりも好ましいことがある。線量は、ＦＭＯの結果に、ＦＭＯプロセスとは独立したアルゴリズムであるアパーチャセグメントの生成をプラスしたものである。線量マップは治療計画プログラムで日常的に作成されているが、フルエンスマップは常に入手できるわけではない。
いくつかの実施例では、フルエンスはモデリングされる計画プロセスの産物を表すので、フルエンスのマッピングは線量よりも好ましいことがある。線量は、ＦＭＯの結果に、ＦＭＯプロセスとは独立したアルゴリズムであるアパーチャセグメントの生成をプラスしたものである。線量マップは治療計画プログラムで日常的に作成されているが、フルエンスマップは常に入手できるわけではない。
［００９７］
ＤＮＮの動作は、次の関数ｆ（・）によって象徴的に捕捉される。
ＤＮＮの動作は、次の関数ｆ（・）によって象徴的に捕捉される。
［００９８］
ここで、Θ＝（θ１，．．．θｎ）Ｔは、Ｙ＊が学習時に観測された真のＹに最も近い近似値である訓練されたＮＮに関連するパラメータのベクトルである。ＤＮＮは，画像とラベルＸと既知の線量／影響度マップＹのデータセット｛Ｘ，Ｙ｝i，ｉ＝１，．．．，Ｎを用いて訓練される。訓練は，次の並べ替えのコスト関数Ｊ（Θ）を最小化する。
ここで、Θ＝（θ１，．．．θｎ）Ｔは、Ｙ＊が学習時に観測された真のＹに最も近い近似値である訓練されたＮＮに関連するパラメータのベクトルである。ＤＮＮは，画像とラベルＸと既知の線量／影響度マップＹのデータセット｛Ｘ，Ｙ｝i，ｉ＝１，．．．，Ｎを用いて訓練される。訓練は，次の並べ替えのコスト関数Ｊ（Θ）を最小化する。
［００９９］
ここでΘ＊は，実際のＸと推定値Ｙの間の平均二乗誤差を最小化するパラメータの集合である。深層学習では、コスト関数は、データ近似関数を問題変数の確率関数、またはＸが与えられ、式Ｐ（Ｙ、Ｘ；Θ）として表されるパラメータΘの値に従うＹを観測する条件付き尤度として表すことがよくある。この式に対して、尤度を最大化することにより、次式のような最適なパラメータΘＭＬが得られる。
ここでΘ＊は，実際のＸと推定値Ｙの間の平均二乗誤差を最小化するパラメータの集合である。深層学習では、コスト関数は、データ近似関数を問題変数の確率関数、またはＸが与えられ、式Ｐ（Ｙ、Ｘ；Θ）として表されるパラメータΘの値に従うＹを観測する条件付き尤度として表すことがよくある。この式に対して、尤度を最大化することにより、次式のような最適なパラメータΘＭＬが得られる。
［０１００］
または、代わりに、次式もあり得る。
または、代わりに、次式もあり得る。
［０１０１］
この式は、訓練データを合計したものである。
この式は、訓練データを合計したものである。
［０１０２］
解剖学クラスに属するボクセルを識別する結果となるＤＮＮ出力は、分類の一例である。この場合、ＤＮＮの出力は、ＣＢＣＴ画像マップ Ｙ＝（ｙ１，．．．，ｙＭ）Ｔの実値要素ｙｉとなり、ネットワーク計算が回帰の一実施例となることを意味する。そのとき、線量マップＹは、次に示すいくつかの目的のために、すなわち、１）ＱＡのために既存の患者計画の線量マップおよび対応するＤＶＨとの比較を行うために、２）その後の計画または再計画のための出発点を提供するために、３）十分な訓練と開発を行い、自動化された計画を提供するために、使用することができる。フルエンスマップも、線量分布を送達可能な計画への変換が治療計画プログラムを用いて計算しなければならないことを除けば、同等の目的を果たすことができる。上述したように、フルエンスマップは、計画プロセスのより明確なモデルを提供することができる。
解剖学クラスに属するボクセルを識別する結果となるＤＮＮ出力は、分類の一例である。この場合、ＤＮＮの出力は、ＣＢＣＴ画像マップ Ｙ＝（ｙ１，．．．，ｙＭ）Ｔの実値要素ｙｉとなり、ネットワーク計算が回帰の一実施例となることを意味する。そのとき、線量マップＹは、次に示すいくつかの目的のために、すなわち、１）ＱＡのために既存の患者計画の線量マップおよび対応するＤＶＨとの比較を行うために、２）その後の計画または再計画のための出発点を提供するために、３）十分な訓練と開発を行い、自動化された計画を提供するために、使用することができる。フルエンスマップも、線量分布を送達可能な計画への変換が治療計画プログラムを用いて計算しなければならないことを除けば、同等の目的を果たすことができる。上述したように、フルエンスマップは、計画プロセスのより明確なモデルを提供することができる。
［０１０３］
ＤＮＮは、基本的なＮＮの実装よりも多くの層（はるかに深い）を持っており、ＤＮＮは多くの場合、数十から数百の層を含み、各層は数千から数十万のノードで構成され、層は複雑な形状に配置されている。入力の加重和に加えて、いくつかの層では、畳み込みなどの前の層の出力に対して他の演算を計算する。畳み込みとそこから派生したフィルタは、画像のエッジやサウンドストリームの時間的／ピッチ的特徴を見つけ出し、後続の層はこれらのプリミティブ（primitives）で構成されたより大きな構造を見つけ出すことができる。このような畳み込み層の使用を伴う訓練されたＤＮＮは、畳み込みニューラルネットワーク（ＣＮＮ）と呼ばれている。
ＤＮＮは、基本的なＮＮの実装よりも多くの層（はるかに深い）を持っており、ＤＮＮは多くの場合、数十から数百の層を含み、各層は数千から数十万のノードで構成され、層は複雑な形状に配置されている。入力の加重和に加えて、いくつかの層では、畳み込みなどの前の層の出力に対して他の演算を計算する。畳み込みとそこから派生したフィルタは、画像のエッジやサウンドストリームの時間的／ピッチ的特徴を見つけ出し、後続の層はこれらのプリミティブ（primitives）で構成されたより大きな構造を見つけ出すことができる。このような畳み込み層の使用を伴う訓練されたＤＮＮは、畳み込みニューラルネットワーク（ＣＮＮ）と呼ばれている。
［０１０４］
ＣＮＮの重要な構築技術的（architectural）革新は、スキップ接続である。スキップ接続は、もともと精度を向上させ、訓練を短縮するために導入されたもので、ネットワークのあるレベルのノードのデータを別のレベルのノードのデータに接続する。重要な実施例として、医用画像のセグメンテーションのために開発されたＵ－Ｎｅｔアーキテクチャがある。後述するように、「Ｕ」の「左」の部分は、画像データを畳み込みフィルタ特徴量として符号化（encode）し、「Ｕ」の「右」の部分は、それらの特徴量を連続した高解像度表現に復号化（decode）する。同じネットワーク階層レベルで符号化された特徴と復号化された特徴を組み合わせることで、より正確な分類が可能になる。スキップ接続のもう一つのバリエーションは，各ＣＮＮブロック内に実装されており，レイヤ出力を直接ではなく，レイヤ出力間の差分（残差）で訓練することである．この「ＲｅｓＮｅｔ」アーキテクチャとその多くのバリエーションにより、ＮＮの精度を向上させることができる。
ＣＮＮの重要な構築技術的（architectural）革新は、スキップ接続である。スキップ接続は、もともと精度を向上させ、訓練を短縮するために導入されたもので、ネットワークのあるレベルのノードのデータを別のレベルのノードのデータに接続する。重要な実施例として、医用画像のセグメンテーションのために開発されたＵ－Ｎｅｔアーキテクチャがある。後述するように、「Ｕ」の「左」の部分は、画像データを畳み込みフィルタ特徴量として符号化（encode）し、「Ｕ」の「右」の部分は、それらの特徴量を連続した高解像度表現に復号化（decode）する。同じネットワーク階層レベルで符号化された特徴と復号化された特徴を組み合わせることで、より正確な分類が可能になる。スキップ接続のもう一つのバリエーションは，各ＣＮＮブロック内に実装されており，レイヤ出力を直接ではなく，レイヤ出力間の差分（残差）で訓練することである．この「ＲｅｓＮｅｔ」アーキテクチャとその多くのバリエーションにより、ＮＮの精度を向上させることができる。
［０１０５］
図３は、本開示に従って治療線量モデルを生成するために適合された例示的なＣＮＮモデル３００を示す。すなわち、モデル３００は、入力訓練セット（例えば、解剖学的領域表現３０２、例えば、マッピング画像、および線量マップ３０４、例えば、線量マッピング画像）に基づいて、出力データセット（出力線量表現３０６、例えば、線量画像）を生成するように設計された「Ｕ－Ｎｅｔ」深層ＣＮＮの配置を描写する。名前は「Ｕ」の構成に由来しており、よく理解されているように、この形式のＮＮモデルは、ピクセル単位の分類または回帰結果を生成することができる。
図３は、本開示に従って治療線量モデルを生成するために適合された例示的なＣＮＮモデル３００を示す。すなわち、モデル３００は、入力訓練セット（例えば、解剖学的領域表現３０２、例えば、マッピング画像、および線量マップ３０４、例えば、線量マッピング画像）に基づいて、出力データセット（出力線量表現３０６、例えば、線量画像）を生成するように設計された「Ｕ－Ｎｅｔ」深層ＣＮＮの配置を描写する。名前は「Ｕ」の構成に由来しており、よく理解されているように、この形式のＮＮモデルは、ピクセル単位の分類または回帰結果を生成することができる。
［０１０６］
モデル操作の左側（「符号化」操作３１２）は、右側（「復号化」操作３１４）が出力結果を再構成するために使用する特徴のセットを学習する。Ｕ－Ｎｅｔは、ｃｏｎｖ／ＢＮ／ＲｅＬＵ（畳み込み／バッチ正規化／修正線形単位）ブロック３１６からなるｎレベルを有し、各ブロックは、残差学習を実施するためのスキップ接続を有する。ブロックサイズは、図３では「Ｓ」および「Ｆ」の数で示され、入力画像のサイズはＳｘＳであり、特徴層の数はＦに等しい。各ブロックの出力は、画像と同じサイズの配列の特徴応答のパターンである。
モデル操作の左側（「符号化」操作３１２）は、右側（「復号化」操作３１４）が出力結果を再構成するために使用する特徴のセットを学習する。Ｕ－Ｎｅｔは、ｃｏｎｖ／ＢＮ／ＲｅＬＵ（畳み込み／バッチ正規化／修正線形単位）ブロック３１６からなるｎレベルを有し、各ブロックは、残差学習を実施するためのスキップ接続を有する。ブロックサイズは、図３では「Ｓ」および「Ｆ」の数で示され、入力画像のサイズはＳｘＳであり、特徴層の数はＦに等しい。各ブロックの出力は、画像と同じサイズの配列の特徴応答のパターンである。
［０１０７］
符号化パスを下に進むと、ブロックのサイズは各レベルで１／２または２－１で減少するが、慣習（convention）による特徴のサイズは２の要因で増加する。ネットワークのデコード側はＳ／２ｎからスケールアップし、左側から特徴内容を同じレベルで追加していく。これがコピー／コンカテネート（copy/concatenate）データ通信である。図３に示す入力画像３０２、３０４は、出力画像が存在しないので、ｃｏｎｖ／ＢＮ／ＲｅＬＵ層のパラメータを評価するためのネットワークを訓練するために提供される。モデルを使用した推論、またはテストのために、入力は解剖学的表現の単一の画像（二値マスクまたは符号付き距離マップセクション）であり、出力は線量推定画像３０６である。
符号化パスを下に進むと、ブロックのサイズは各レベルで１／２または２－１で減少するが、慣習（convention）による特徴のサイズは２の要因で増加する。ネットワークのデコード側はＳ／２ｎからスケールアップし、左側から特徴内容を同じレベルで追加していく。これがコピー／コンカテネート（copy/concatenate）データ通信である。図３に示す入力画像３０２、３０４は、出力画像が存在しないので、ｃｏｎｖ／ＢＮ／ＲｅＬＵ層のパラメータを評価するためのネットワークを訓練するために提供される。モデルを使用した推論、またはテストのために、入力は解剖学的表現の単一の画像（二値マスクまたは符号付き距離マップセクション）であり、出力は線量推定画像３０６である。
［０１０８］
図３のモデル３００の表現は、このようにして、分類ではなく回帰を実行するように適合された生成モデルの訓練および予測を例示する。本開示の実施形態によれば、このようなモデルに基づく治療モデリング方法、システム、装置、および／またはプロセスは、２つの段階、すなわち、ＧＡＮにおける識別器／生成器のペアを使用した生成モデルの訓練と、ＧＡＮで訓練された生成器を使用した生成モデルを使用した予測とを含む。治療計画画像のためのＧＡＮと条件付きＧＡＮ（ｃＧＡＮ）を含む様々な実施例については、以下の実施例で詳細に説明する。深層学習モデルの種類および他のニューラルネットワーク処理アプローチの他のバリエーションおよび組み合わせもまた、本技術を用いて実施され得ることが理解されるであろう。さらに、以下の実施例は、画像および画像データを参照して論じているが、以下のネットワークおよびＧＡＮは、他の非画像データ表現およびフォーマットを使用して動作してもよいことが理解されるであろう。
図３のモデル３００の表現は、このようにして、分類ではなく回帰を実行するように適合された生成モデルの訓練および予測を例示する。本開示の実施形態によれば、このようなモデルに基づく治療モデリング方法、システム、装置、および／またはプロセスは、２つの段階、すなわち、ＧＡＮにおける識別器／生成器のペアを使用した生成モデルの訓練と、ＧＡＮで訓練された生成器を使用した生成モデルを使用した予測とを含む。治療計画画像のためのＧＡＮと条件付きＧＡＮ（ｃＧＡＮ）を含む様々な実施例については、以下の実施例で詳細に説明する。深層学習モデルの種類および他のニューラルネットワーク処理アプローチの他のバリエーションおよび組み合わせもまた、本技術を用いて実施され得ることが理解されるであろう。さらに、以下の実施例は、画像および画像データを参照して論じているが、以下のネットワークおよびＧＡＮは、他の非画像データ表現およびフォーマットを使用して動作してもよいことが理解されるであろう。
［０１０９］
ディープＣＮＮ訓練では，学習モデルは訓練中に決定された層ノードパラメータθ（ノード重みと層バイアス）の値である。訓練は、訓練データとモデル分布の間の最尤度またはクロスエントロピー（cross entropy）を使用する。この関係を表すコスト関数は次式となる。
ディープＣＮＮ訓練では，学習モデルは訓練中に決定された層ノードパラメータθ（ノード重みと層バイアス）の値である。訓練は、訓練データとモデル分布の間の最尤度またはクロスエントロピー（cross entropy）を使用する。この関係を表すコスト関数は次式となる。
［０１１０］
特定の問題に対するコスト関数の正確な形式は、使用されるモデルの性質に依存する。ガウスモデルｐｍｏｄｅｌ（ｙ｜ｘ）＝Ｎ（ｙ：ｆ（ｘ；θ））は、次のようなコスト関数を意味する。
特定の問題に対するコスト関数の正確な形式は、使用されるモデルの性質に依存する。ガウスモデルｐｍｏｄｅｌ（ｙ｜ｘ）＝Ｎ（ｙ：ｆ（ｘ；θ））は、次のようなコスト関数を意味する。
［０１１１］
この式は、θに依存しない定数項を含む。したがって、Ｊ（θ）を最小化すると、訓練データの分布を近似するマッピングｆ（ｘ；θ）が生成される。
この式は、θに依存しない定数項を含む。したがって、Ｊ（θ）を最小化すると、訓練データの分布を近似するマッピングｆ（ｘ；θ）が生成される。
［０１１２］
図４は、治療線量モデルを生成するために適合した敵対的生成ネットワークの訓練と使用のための例示的なデータフローを示す。例えば、訓練された生成器モデル４６０を生成するために訓練された図４の生成器モデル４３２は、図１の放射線治療システムにおける放射線治療処理ロジック１２０の一部として提供される処理機能１３２、１３４、１３６を実装するために訓練することができる。したがって、ＧＡＮモデル使用（予測）４５０のデータフローは、訓練された生成器モデル４６０への新しいデータ４７０（例えば、新しい患者からの入力画像）の提供、および生成結果４８０の予測または推定値を生成するための訓練された生成器モデル４６０を使用するものとして、図４に描かれている。
図４は、治療線量モデルを生成するために適合した敵対的生成ネットワークの訓練と使用のための例示的なデータフローを示す。例えば、訓練された生成器モデル４６０を生成するために訓練された図４の生成器モデル４３２は、図１の放射線治療システムにおける放射線治療処理ロジック１２０の一部として提供される処理機能１３２、１３４、１３６を実装するために訓練することができる。したがって、ＧＡＮモデル使用（予測）４５０のデータフローは、訓練された生成器モデル４６０への新しいデータ４７０（例えば、新しい患者からの入力画像）の提供、および生成結果４８０の予測または推定値を生成するための訓練された生成器モデル４６０を使用するものとして、図４に描かれている。
［０１１３］
ＧＡＮは、分類または回帰を実行するために訓練される生成ネットワーク（例えば、生成器モデル４３２）と、生成ネットワークの出力分布（例えば、模擬出力４３６）をサンプリングし、そのサンプルが真のテスト分布と同じか異なるかを決定する識別ネットワーク（例えば、識別器モデル４４０）との２つのネットワークから構成される。このネットワークシステムの目標は、識別器ネットが発電機サンプルの正しい原点を５０％の時間で推測できるように、発電機ネットを可能な限り正確に学習させることである。識別器はグラウンドトゥルースにアクセスすることができるが、生成器は生成器の出力に対する検出器の応答を通してのみ訓練データにアクセスする。
ＧＡＮは、分類または回帰を実行するために訓練される生成ネットワーク（例えば、生成器モデル４３２）と、生成ネットワークの出力分布（例えば、模擬出力４３６）をサンプリングし、そのサンプルが真のテスト分布と同じか異なるかを決定する識別ネットワーク（例えば、識別器モデル４４０）との２つのネットワークから構成される。このネットワークシステムの目標は、識別器ネットが発電機サンプルの正しい原点を５０％の時間で推測できるように、発電機ネットを可能な限り正確に学習させることである。識別器はグラウンドトゥルースにアクセスすることができるが、生成器は生成器の出力に対する検出器の応答を通してのみ訓練データにアクセスする。
［０１１４］
図４のデータフローは、（解剖学的領域４２２の患者撮像データおよび画像マスクまたはマッピング、解剖学的領域４２４の線量分布データおよびマッピング、制約条件または条件４２６を含むような訓練データと共に）モデルパラメータ４１２の様々な値を含む訓練入力４１０および訓練データ４２０の受取りを示す。訓練入力は、ＧＡＮモデル使用法４５０で使用される訓練された生成器モデル４６０を生成するために、ＧＡＮモデル訓練４３０に提供される。
図４のデータフローは、（解剖学的領域４２２の患者撮像データおよび画像マスクまたはマッピング、解剖学的領域４２４の線量分布データおよびマッピング、制約条件または条件４２６を含むような訓練データと共に）モデルパラメータ４１２の様々な値を含む訓練入力４１０および訓練データ４２０の受取りを示す。訓練入力は、ＧＡＮモデル使用法４５０で使用される訓練された生成器モデル４６０を生成するために、ＧＡＮモデル訓練４３０に提供される。
［０１１５］
ＧＡＮモデル訓練４３０の一部として、生成器モデル４３２は、解剖学的画像データおよび線量画像データのペア４２３，４２５（また、図３では３０２，３０４として描かれている）上で訓練され、ＣＮＮ内のセグメントペアを生成し、マッピングする。このようにして、生成器モデル４３２は、入力マップに基づいてシミュレートされた出力線量画像表現４３６（３０６として図３にも描かれている）を生成するように訓練される。識別器モデル４４０は、模擬表現４３６が訓練データからのものであるか、生成器からのものであるか（例えば、生成結果４３４および検出結果４４４と共に生成器モデル４３２と識別器モデル４４０との間で伝達されるように）を決定する。この訓練処理の結果、重み調整４３８，４４２がバックプロパゲーションされ、生成器モデル４３２および識別器モデル４４０が改善される。
ＧＡＮモデル訓練４３０の一部として、生成器モデル４３２は、解剖学的画像データおよび線量画像データのペア４２３，４２５（また、図３では３０２，３０４として描かれている）上で訓練され、ＣＮＮ内のセグメントペアを生成し、マッピングする。このようにして、生成器モデル４３２は、入力マップに基づいてシミュレートされた出力線量画像表現４３６（３０６として図３にも描かれている）を生成するように訓練される。識別器モデル４４０は、模擬表現４３６が訓練データからのものであるか、生成器からのものであるか（例えば、生成結果４３４および検出結果４４４と共に生成器モデル４３２と識別器モデル４４０との間で伝達されるように）を決定する。この訓練処理の結果、重み調整４３８，４４２がバックプロパゲーションされ、生成器モデル４３２および識別器モデル４４０が改善される。
［０１１６］
このように、本実施例では、ＧＡＮモデル訓練４３０のためのデータ準備は、解剖学的表現と線量表現を必要とする。一実施例では、原データは、ＣＴ画像セットのペアと対応する３次元線量分布を含み、そのようなＣＴおよび線量データは、解剖学に由来する２次元画像および線量切片のペアを生成するために、共通の座標フレームに登録され、再サンプリングされてもよい。そのようなペア（およびそのようなペアの派生物）の具体的な解剖学的表現は、図７および図８でさらに図示され、以下で説明される。
このように、本実施例では、ＧＡＮモデル訓練４３０のためのデータ準備は、解剖学的表現と線量表現を必要とする。一実施例では、原データは、ＣＴ画像セットのペアと対応する３次元線量分布を含み、そのようなＣＴおよび線量データは、解剖学に由来する２次元画像および線量切片のペアを生成するために、共通の座標フレームに登録され、再サンプリングされてもよい。そのようなペア（およびそのようなペアの派生物）の具体的な解剖学的表現は、図７および図８でさらに図示され、以下で説明される。
［０１１７］
詳細には、ＧＡＮモデルにおいて、生成器（例えば、生成器モデル４３２）は、分布ｐＺ（ｚ）を有するノイズ入力から始まるデータｘ，ｐ（ｘ）上の分布を、生成器がマッピングＧ（ｚ；θＧ）：ｐ（ｚ）→ｐ（ｘ）を学習するように学習する。ここで、Ｇは、層の重みとバイアスパラメータθＧを有するニューラルネットワークを表す微分可能な関数である。識別器Ｄ（ｘ；θＧ）（例えば、識別器モデル４４０）は、生成器出力を２値スカラー｛真（true），偽（false）｝にマッピングし、生成器出力が実際のデータ分布Ｐｄａｔａ（ｘ）からのものであれば真（true）と決定し、生成器分布ｐ（ｘ）からのものであれば偽（false）と決定する。つまり、Ｄ（ｘ）は、ｘが、ｐｄａｔａ（ｘ）から来た確率ではなく、ｐＧ（ｘ）から来た確率である。
詳細には、ＧＡＮモデルにおいて、生成器（例えば、生成器モデル４３２）は、分布ｐＺ（ｚ）を有するノイズ入力から始まるデータｘ，ｐ（ｘ）上の分布を、生成器がマッピングＧ（ｚ；θＧ）：ｐ（ｚ）→ｐ（ｘ）を学習するように学習する。ここで、Ｇは、層の重みとバイアスパラメータθＧを有するニューラルネットワークを表す微分可能な関数である。識別器Ｄ（ｘ；θＧ）（例えば、識別器モデル４４０）は、生成器出力を２値スカラー｛真（true），偽（false）｝にマッピングし、生成器出力が実際のデータ分布Ｐｄａｔａ（ｘ）からのものであれば真（true）と決定し、生成器分布ｐ（ｘ）からのものであれば偽（false）と決定する。つまり、Ｄ（ｘ）は、ｘが、ｐｄａｔａ（ｘ）から来た確率ではなく、ｐＧ（ｘ）から来た確率である。
［０１１８］
図５は、本明細書で議論される例示的な技術に従って、治療線量モデルを生成するためのＧＡＮでの訓練を示す。図５は、入力された線量画像５１０に基づいて決定値５３０（例えば、真、偽）を生成するように設計されたＧＡＮ識別器モデルＤ５２０の動作フロー５００を具体的に示す。図５は、また、入力解剖学的マッピング画像５４０の結果としてシミュレートされた（例えば、推定された、人工的な）出力線量画像５８０を生成するように設計されたＧＡＮ生成器モデルＧ５６０の動作フロー５００を示す。
図５は、本明細書で議論される例示的な技術に従って、治療線量モデルを生成するためのＧＡＮでの訓練を示す。図５は、入力された線量画像５１０に基づいて決定値５３０（例えば、真、偽）を生成するように設計されたＧＡＮ識別器モデルＤ５２０の動作フロー５００を具体的に示す。図５は、また、入力解剖学的マッピング画像５４０の結果としてシミュレートされた（例えば、推定された、人工的な）出力線量画像５８０を生成するように設計されたＧＡＮ生成器モデルＧ５６０の動作フロー５００を示す。
［０１１９］
ＧＡＮのコンテキストでは、識別器Ｄ５２０は、両方の分布からのサンプルに正しいラベルを割り当てる確率を最大化するように訓練され、一方、生成器Ｇ５６０は、訓練中に適用された調整された訓練重み５７０に基づいて、ｌｏｇ（１－Ｄ（Ｇ（ｚ）））を最小化するように訓練される。Ｄ，Ｇは、次式のような値関数Ｖ（Ｄ，Ｇ）を用いた２人用のミニマックスゲームをプレイしているとみなすことができる。
ＧＡＮのコンテキストでは、識別器Ｄ５２０は、両方の分布からのサンプルに正しいラベルを割り当てる確率を最大化するように訓練され、一方、生成器Ｇ５６０は、訓練中に適用された調整された訓練重み５７０に基づいて、ｌｏｇ（１－Ｄ（Ｇ（ｚ）））を最小化するように訓練される。Ｄ，Ｇは、次式のような値関数Ｖ（Ｄ，Ｇ）を用いた２人用のミニマックスゲームをプレイしているとみなすことができる。
［０１２０］
学習の初期、Ｇのパフォーマンスが悪いとき、ｌｏｇ（１－Ｄ（Ｇ（ｚ）））項がＶ（Ｄ，Ｇ）を支配し、早期に不正確な終了を引き起こす。ｌｏｇ（１－Ｄ（Ｇ（ｚ））を最小化するようにＧを訓練する代わりに、ｌｏｇＤ（Ｇ（ｚ））を最大化するようにＧを訓練することで、訓練の早い段階でより情報量の多い勾配を生成することができる。さらに、学習が進むにつれて、分布ｐＧ（ｘ）は真のデータ分布ｐｄａｔａ（ｘ）に収束することも研究で証明されている。
学習の初期、Ｇのパフォーマンスが悪いとき、ｌｏｇ（１－Ｄ（Ｇ（ｚ）））項がＶ（Ｄ，Ｇ）を支配し、早期に不正確な終了を引き起こす。ｌｏｇ（１－Ｄ（Ｇ（ｚ））を最小化するようにＧを訓練する代わりに、ｌｏｇＤ（Ｇ（ｚ））を最大化するようにＧを訓練することで、訓練の早い段階でより情報量の多い勾配を生成することができる。さらに、学習が進むにつれて、分布ｐＧ（ｘ）は真のデータ分布ｐｄａｔａ（ｘ）に収束することも研究で証明されている。
［０１２１］
ＧＡＮの有用な拡張は、条件付きＧＡＮ（ｃＧＡＮ）である。ｃＧＡＮは、ＧＡＮモデルを、ｘで観測されたランダム変数ｙを含む、問題で利用可能な追加情報に依存する条件付き分布に拡張する。生成器Ｇでは、事前入力ノイズｐＺ（ｚ）とｙは、共同隠れ表現（joint hidden representation）を構成することができ、敵対的フレームワークはこの余分な情報に柔軟に対応することができる。２人用ミニマックスゲーム値関数は、次式のように書き換えることができる。
ＧＡＮの有用な拡張は、条件付きＧＡＮ（ｃＧＡＮ）である。ｃＧＡＮは、ＧＡＮモデルを、ｘで観測されたランダム変数ｙを含む、問題で利用可能な追加情報に依存する条件付き分布に拡張する。生成器Ｇでは、事前入力ノイズｐＺ（ｚ）とｙは、共同隠れ表現（joint hidden representation）を構成することができ、敵対的フレームワークはこの余分な情報に柔軟に対応することができる。２人用ミニマックスゲーム値関数は、次式のように書き換えることができる。
［０１２２］
ｙに対する条件付けの価値は、条件付き分布が、対応する無条件分布よりもコンパクトで、おそらくモードについてのピークが多い可能性が高いということである。条件付きＧＡＮ分類器に対しては，モデルＤ（ｘ｜ｙ），Ｇ（ｚ｜ｙ）は，より制限されない分布 ｐｘ－ｄａｔａ（ｘ），Ｇｚ－ｐ（ｚ）（ｚ）の代わりに，分布 ｐｘ－ｄａｔａ ｘ｜ｙ（ｘ｜ｙ），Ｇｚ－ｐ（ｚ｜ｙ）（ｚ，ｙ）に制限される。条件付き分布は，対応するｙに対するｘ，ｚにおける特定の分散をより正確に表現することが期待される。
ｙに対する条件付けの価値は、条件付き分布が、対応する無条件分布よりもコンパクトで、おそらくモードについてのピークが多い可能性が高いということである。条件付きＧＡＮ分類器に対しては，モデルＤ（ｘ｜ｙ），Ｇ（ｚ｜ｙ）は，より制限されない分布 ｐｘ－ｄａｔａ（ｘ），Ｇｚ－ｐ（ｚ）（ｚ）の代わりに，分布 ｐｘ－ｄａｔａ ｘ｜ｙ（ｘ｜ｙ），Ｇｚ－ｐ（ｚ｜ｙ）（ｚ，ｙ）に制限される。条件付き分布は，対応するｙに対するｘ，ｚにおける特定の分散をより正確に表現することが期待される。
［０１２３］
図６Ａ、図６Ｂ、図６Ｃは、治療線量モデルを生成するための条件付き敵対的生成ネットワークの訓練および使用を示す。上述した動作フロー５００と同様に、図６Ａは、決定値６２２（例えば、真、偽）を生成する識別器Ｄ６２０の動作フロー６００を図示する。しかし、この決定値６２２は、入力線量画像６１２（線量画像５１０と同様のもの）と解剖学的マッピング画像６１４（状態）の２つの入力に基づいている。また、上で議論した操作フロー５５０と同様に、図６Ｃは、入力解剖学的マッピング画像６８２の結果として、シミュレートされた（例えば、推定された、人工的な）出力線量画像６９２を生成するように設計された生成器Ｇ６９０の操作フロー６８０を図示する。
図６Ａ、図６Ｂ、図６Ｃは、治療線量モデルを生成するための条件付き敵対的生成ネットワークの訓練および使用を示す。上述した動作フロー５００と同様に、図６Ａは、決定値６２２（例えば、真、偽）を生成する識別器Ｄ６２０の動作フロー６００を図示する。しかし、この決定値６２２は、入力線量画像６１２（線量画像５１０と同様のもの）と解剖学的マッピング画像６１４（状態）の２つの入力に基づいている。また、上で議論した操作フロー５５０と同様に、図６Ｃは、入力解剖学的マッピング画像６８２の結果として、シミュレートされた（例えば、推定された、人工的な）出力線量画像６９２を生成するように設計された生成器Ｇ６９０の操作フロー６８０を図示する。
［０１２４］
図６Ｂの動作フロー６３０は、条件付きＧＡＮ配置における訓練の一部として、訓練重量６６５が生成器Ｇ６４０と識別器Ｄ６７０との間で通信される方法を図示する。図示されているように、生成器Ｇ６５０は、入力線量画像６４２に加えて解剖学的マッピング画像６４４ａを含む訓練データのセットを受信する。先に議論されたように、生成器Ｇ６５０は、この入力された線量画像からシミュレートされた（例えば、推定された、人工的な）出力線量画像６６２を生成するように適合されている。しかしながら、識別器Ｄ６７０は、識別器Ｄ６７０を作動させるときの条件と同じ解剖学的領域情報６４４Ｂのインスタンス（instance）も受信するように適合されており、この条件により、識別器Ｄ６７０が決定値６７２を生成するのを補助する。そして、識別器Ｄ６７０と生成器Ｇ６５０は、この操作フロー６３０の結果、訓練重量６６５を調整して、互いの結果を向上させる。図６Ｂは、訓練のための結合されたネットワークの構成を示し、図６Ｃは、画像入力に対する線量を推定するために単独で動作する訓練された生成器ネットワークを示す。
図６Ｂの動作フロー６３０は、条件付きＧＡＮ配置における訓練の一部として、訓練重量６６５が生成器Ｇ６４０と識別器Ｄ６７０との間で通信される方法を図示する。図示されているように、生成器Ｇ６５０は、入力線量画像６４２に加えて解剖学的マッピング画像６４４ａを含む訓練データのセットを受信する。先に議論されたように、生成器Ｇ６５０は、この入力された線量画像からシミュレートされた（例えば、推定された、人工的な）出力線量画像６６２を生成するように適合されている。しかしながら、識別器Ｄ６７０は、識別器Ｄ６７０を作動させるときの条件と同じ解剖学的領域情報６４４Ｂのインスタンス（instance）も受信するように適合されており、この条件により、識別器Ｄ６７０が決定値６７２を生成するのを補助する。そして、識別器Ｄ６７０と生成器Ｇ６５０は、この操作フロー６３０の結果、訓練重量６６５を調整して、互いの結果を向上させる。図６Ｂは、訓練のための結合されたネットワークの構成を示し、図６Ｃは、画像入力に対する線量を推定するために単独で動作する訓練された生成器ネットワークを示す。
［０１２５］
先行する実施例は、解剖学的マッピング画像と出力線量画像とに基づいて、具体的には２次元画像スライスの画像データから、ＧＡＮまたは条件付きＧＡＮを訓練する方法の一例を提供する。ＧＡＮまたは条件ＧＡＮは、他の形態の画像データ（例えば、３Ｄ、または他の多次元画像）を処理してもよいことが理解されるであろう。また、解剖学的領域を表す他の形態の非画像データと、他の治療空間または診断空間を表す他の形態の非画像データは、トレーニングまたは予測使用例で使用されてもよい。さらに、添付の図面では（黒および白を含む）グレースケール画像のみが描かれているが、以下の実施例で議論されるように、カラー画像がＧＡＮによって生成および／または処理されてもよいことが理解されるであろう。
先行する実施例は、解剖学的マッピング画像と出力線量画像とに基づいて、具体的には２次元画像スライスの画像データから、ＧＡＮまたは条件付きＧＡＮを訓練する方法の一例を提供する。ＧＡＮまたは条件ＧＡＮは、他の形態の画像データ（例えば、３Ｄ、または他の多次元画像）を処理してもよいことが理解されるであろう。また、解剖学的領域を表す他の形態の非画像データと、他の治療空間または診断空間を表す他の形態の非画像データは、トレーニングまたは予測使用例で使用されてもよい。さらに、添付の図面では（黒および白を含む）グレースケール画像のみが描かれているが、以下の実施例で議論されるように、カラー画像がＧＡＮによって生成および／または処理されてもよいことが理解されるであろう。
［０１２６］
したがって、訓練のためのデータ準備には、解剖学的表現と線量表現が必要である。一実施例では、訓練に使用される原データは、ＣＴ画像セットと対応する３次元線量分布のペアからなる。現在のほとんどのＣＮＮプラットフォームは、２次元画像に最適なアルゴリズムを提供しているため、ＣＴデータと線量データを登録し、共通の座標フレームに再サンプリングすることで、解剖学に由来する画像と線量切片のペアを生成することができる。
したがって、訓練のためのデータ準備には、解剖学的表現と線量表現が必要である。一実施例では、訓練に使用される原データは、ＣＴ画像セットと対応する３次元線量分布のペアからなる。現在のほとんどのＣＮＮプラットフォームは、２次元画像に最適なアルゴリズムを提供しているため、ＣＴデータと線量データを登録し、共通の座標フレームに再サンプリングすることで、解剖学に由来する画像と線量切片のペアを生成することができる。
［０１２７］
図７は、訓練および治療線量モデルの生成に関連して使用される解剖学的領域情報および入力画像のバリエーションを示す。図７では、２つの解剖学的表現が示されている。第１に、計画治療ボリューム標的（ＰＴＶ－１、ＰＴＶ－２）の２値画像マスク７０２、７０４と、集合的なＯＡＲ７０６が上段に示されている。第２に、これらの画像から導出され、空間内の任意の点から最も近い物体の境界までの距離を表す符号付き距離マップ７１２、７１４、７１６が下段に示されている。
図７は、訓練および治療線量モデルの生成に関連して使用される解剖学的領域情報および入力画像のバリエーションを示す。図７では、２つの解剖学的表現が示されている。第１に、計画治療ボリューム標的（ＰＴＶ－１、ＰＴＶ－２）の２値画像マスク７０２、７０４と、集合的なＯＡＲ７０６が上段に示されている。第２に、これらの画像から導出され、空間内の任意の点から最も近い物体の境界までの距離を表す符号付き距離マップ７１２、７１４、７１６が下段に示されている。
［０１２８］
一実施例では、処理ＣＮＮによって課される追加の制約は、３つの解剖学を単一のデータ表現（例えば、画像マスク７０２、７０４、７０６に基づく結合画像７０８、または符号付き距離マップ７１２、７１４、７１６に基づく結合画像７１８）に結合することを含む。図８に描かれた実施例では、３つの解剖学的領域（例えば、７０２、７０４、７０６；または７１２、７１４、７１６）のこの組み合わせは、単一の画像チャネル内のそれぞれの値（例えば、グレースケール画像内の異なるグレースケール値）で表すことができる。別の実施例では、３つの解剖学的領域（例えば、７０２、７０４、７０６；または７１２、７１４、７１６）のこの組み合わせは、単一の８ビットＲＧＢ画像（図８においてグレースケールで描かれている７０８、７１８）の対応するチャネル（例えば、３つのチャネル）により表すことができる。他の解剖学的表現は、例えば、元のＣＴ画像とのバイナリマスクの組み合わせ、または他の誘導体または組み合わせを含む可能性がある。
一実施例では、処理ＣＮＮによって課される追加の制約は、３つの解剖学を単一のデータ表現（例えば、画像マスク７０２、７０４、７０６に基づく結合画像７０８、または符号付き距離マップ７１２、７１４、７１６に基づく結合画像７１８）に結合することを含む。図８に描かれた実施例では、３つの解剖学的領域（例えば、７０２、７０４、７０６；または７１２、７１４、７１６）のこの組み合わせは、単一の画像チャネル内のそれぞれの値（例えば、グレースケール画像内の異なるグレースケール値）で表すことができる。別の実施例では、３つの解剖学的領域（例えば、７０２、７０４、７０６；または７１２、７１４、７１６）のこの組み合わせは、単一の８ビットＲＧＢ画像（図８においてグレースケールで描かれている７０８、７１８）の対応するチャネル（例えば、３つのチャネル）により表すことができる。他の解剖学的表現は、例えば、元のＣＴ画像とのバイナリマスクの組み合わせ、または他の誘導体または組み合わせを含む可能性がある。
［０１２９］
図８は、治療線量モデルにおいて提供される解剖学的領域情報および出力線量表現のペアのバリエーションを示す。図示されているように、再サンプルされた３次元線量分布は、再サンプルされた線量は、最近傍補間または線形補間を使用して補間することができるので、解剖学的画像と同じ座標で平面上にスライスすることができる。図８は、解剖学の４つの組み合わせ（線形補間８０４または最近傍８１４を有するバイナリマップ画像８０２および線形補間８２４または最近傍８３４を有する符号付き距離マップ画像８１２）を図示している。
図８は、治療線量モデルにおいて提供される解剖学的領域情報および出力線量表現のペアのバリエーションを示す。図示されているように、再サンプルされた３次元線量分布は、再サンプルされた線量は、最近傍補間または線形補間を使用して補間することができるので、解剖学的画像と同じ座標で平面上にスライスすることができる。図８は、解剖学の４つの組み合わせ（線形補間８０４または最近傍８１４を有するバイナリマップ画像８０２および線形補間８２４または最近傍８３４を有する符号付き距離マップ画像８１２）を図示している。
［０１３０］
一実施例では、放射線治療の線量分布の推定値は、ｃＧＡＮネットワークを訓練した結果として生成され、ＤＶＨ表現として出力される。ネットワークは、（例えば、ＴｅｎｓｏｒＦｌｏｗで実装されているような）ｃＧＡＮアルゴリズムの特定の実装を使用することによるような、式（１８）によって記述される２人用ミニマックスゲームを実行することができる。放射線治療の線量推定の結果は、異なるエポックの間のような、訓練中の選択された時点でｃＧＡＮネットワークから生成することができる。ＧＡＮで訓練された生成モデルに関連して、訓練または予測された結果の他の形式の可視化、比較、または検証を利用することができる。
一実施例では、放射線治療の線量分布の推定値は、ｃＧＡＮネットワークを訓練した結果として生成され、ＤＶＨ表現として出力される。ネットワークは、（例えば、ＴｅｎｓｏｒＦｌｏｗで実装されているような）ｃＧＡＮアルゴリズムの特定の実装を使用することによるような、式（１８）によって記述される２人用ミニマックスゲームを実行することができる。放射線治療の線量推定の結果は、異なるエポックの間のような、訓練中の選択された時点でｃＧＡＮネットワークから生成することができる。ＧＡＮで訓練された生成モデルに関連して、訓練または予測された結果の他の形式の可視化、比較、または検証を利用することができる。
［０１３１］
更なる実施例では、最適化は、ネットワーク学習中の選択された時点で、グラウンドトゥルースとｃＧＡＮ ＤＶＨとの比較を実行するために使用することができる。例えば、ＯＡＲの回避を検証するためにＤＶＨを生成して評価することができる。例えば、前立腺がんの治療では、近くにある２つの大きな臓器は膀胱と直腸である。各訓練時点での膀胱および直腸に対するＤＶＨは、（例えば、ＧＡＮ推定値のためのＯＡＲのＤＶＨが、グラウンドトゥルースのＤＶＨと大きく異なっていないかどうかを決定するために）追跡され、比較され、可視化することができる。
更なる実施例では、最適化は、ネットワーク学習中の選択された時点で、グラウンドトゥルースとｃＧＡＮ ＤＶＨとの比較を実行するために使用することができる。例えば、ＯＡＲの回避を検証するためにＤＶＨを生成して評価することができる。例えば、前立腺がんの治療では、近くにある２つの大きな臓器は膀胱と直腸である。各訓練時点での膀胱および直腸に対するＤＶＨは、（例えば、ＧＡＮ推定値のためのＯＡＲのＤＶＨが、グラウンドトゥルースのＤＶＨと大きく異なっていないかどうかを決定するために）追跡され、比較され、可視化することができる。
［０１３２］
図９は、治療線量を出力するために適応された生成モデルを訓練するための例示的な操作のプロセスフローチャート９００を示す。処理フロー９００は、先の実施例で述べたようなＧＡＮを用いて、生成モデルを訓練して利用する放射線治療処理システムの観点から図示されている。しかしながら、対応する操作は、（特定の放射線治療の治療ワークフローまたは医療処置とは別のオフラインのトレーニングまたは検証設定を含む）他の装置またはシステムにより実行されてもよい。
図９は、治療線量を出力するために適応された生成モデルを訓練するための例示的な操作のプロセスフローチャート９００を示す。処理フロー９００は、先の実施例で述べたようなＧＡＮを用いて、生成モデルを訓練して利用する放射線治療処理システムの観点から図示されている。しかしながら、対応する操作は、（特定の放射線治療の治療ワークフローまたは医療処置とは別のオフラインのトレーニングまたは検証設定を含む）他の装置またはシステムにより実行されてもよい。
［０１３３］
図示されているように、フローチャートワークフローの第１のフェーズは、訓練操作およびモデル操作のパラメータを確立するための前提条件操作（９１０、９２０）から始まる。フローチャート９００は、まず、訓練画像データを受け取る（例えば、取得する、抽出する、特定する）ための操作（操作９１０）と、訓練に対する制約または条件を受け取るための操作（操作９２０）から始まる。一実施例では、この訓練画像データは、特定の状態、解剖学的特徴、または解剖学的領域に関連する複数のヒト被験体からの画像データから構成される。また、例示的な実施例において、制約または条件は、治療装置、患者、または医療処置の考慮事項に関するものであり得る。
図示されているように、フローチャートワークフローの第１のフェーズは、訓練操作およびモデル操作のパラメータを確立するための前提条件操作（９１０、９２０）から始まる。フローチャート９００は、まず、訓練画像データを受け取る（例えば、取得する、抽出する、特定する）ための操作（操作９１０）と、訓練に対する制約または条件を受け取るための操作（操作９２０）から始まる。一実施例では、この訓練画像データは、特定の状態、解剖学的特徴、または解剖学的領域に関連する複数のヒト被験体からの画像データから構成される。また、例示的な実施例において、制約または条件は、治療装置、患者、または医療処置の考慮事項に関するものであり得る。
［０１３４］
フローチャート９００の第２のフェーズでは、敵対的生成ネットワークにおける生成モデルおよび識別モデルの敵対的訓練を含む訓練操作（操作９３０）が続けられる。例示的な実施形態では、敵対的訓練は、入力解剖学的領域画像から模擬的な放射線治療線量分布画像を生成するために生成モデルを訓練すること（操作９４２）と、生成された放射線治療線量分布画像を模擬的または実際の訓練データとして分類するために識別モデルを訓練すること（操作９４４）とを含む。また、この敵対的訓練では、生成モデルの出力を識別モデルの訓練に用い、識別機モデルの出力を生成モデルの訓練に用いる。様々な実施例では、生成モデルおよび識別モデルは、（例えば、上記の図３を参照して説明されるように）それぞれの畳み込みニューラルネットワークを構成する。更なる実施例では、敵対的生成ネットワークは、（例えば、上記の図６Ａから図６Ｃを参照して説明されるように）条件付き敵対的生成ネットワークである。
フローチャート９００の第２のフェーズでは、敵対的生成ネットワークにおける生成モデルおよび識別モデルの敵対的訓練を含む訓練操作（操作９３０）が続けられる。例示的な実施形態では、敵対的訓練は、入力解剖学的領域画像から模擬的な放射線治療線量分布画像を生成するために生成モデルを訓練すること（操作９４２）と、生成された放射線治療線量分布画像を模擬的または実際の訓練データとして分類するために識別モデルを訓練すること（操作９４４）とを含む。また、この敵対的訓練では、生成モデルの出力を識別モデルの訓練に用い、識別機モデルの出力を生成モデルの訓練に用いる。様々な実施例では、生成モデルおよび識別モデルは、（例えば、上記の図３を参照して説明されるように）それぞれの畳み込みニューラルネットワークを構成する。更なる実施例では、敵対的生成ネットワークは、（例えば、上記の図６Ａから図６Ｃを参照して説明されるように）条件付き敵対的生成ネットワークである。
［０１３５］
フローチャート９００では、生成モデルが、放射線治療のための解剖学的構造のマッピングに対応する入力解剖学的データに基づいて、ヒト被験体の放射線治療のための放射線治療のための放射線治療線量データを特定するように適合されているので、放射線治療線量情報を生成するのに使用するための生成モデルを出力すること（操作９５０）を続けて行う。訓練された生成モデルは、図１０に描かれたフローチャート１０００において更に議論されるように、放射線治療線量分布を特定すること（操作９６０）のため、このようにして利用される。
フローチャート９００では、生成モデルが、放射線治療のための解剖学的構造のマッピングに対応する入力解剖学的データに基づいて、ヒト被験体の放射線治療のための放射線治療のための放射線治療線量データを特定するように適合されているので、放射線治療線量情報を生成するのに使用するための生成モデルを出力すること（操作９５０）を続けて行う。訓練された生成モデルは、図１０に描かれたフローチャート１０００において更に議論されるように、放射線治療線量分布を特定すること（操作９６０）のため、このようにして利用される。
［０１３６］
フローチャート９００は、追加の訓練データに基づいて生成モデルを更新すること（操作９７０）と、更新された訓練された生成モデルを出力すること（操作９８０）とを含む、生成モデルへの更新を実施するための最終フェーズで終了する。様々な実施例では、更新は、追加の訓練画像データおよび制約の受取りに関連して（例えば、操作９１０、９２０と同様の方法で）、または追加の敵対者訓練の実行に関連して（例えば、操作９３０、９４２、９４４と同様の方法で）生成されてもよい。更なる実施例では、生成モデルは、放射線治療線量データの承認、変更、または使用（例えば、医療専門家による線量データの修正、検証、または変更の結果）に基づいて具体的に更新されてもよい。フローチャートは、後続の放射線治療のための更新された生成モデルの使用において実行され得るような、更新された訓練された生成モデルを使用すること（操作９９０）で終了する。
フローチャート９００は、追加の訓練データに基づいて生成モデルを更新すること（操作９７０）と、更新された訓練された生成モデルを出力すること（操作９８０）とを含む、生成モデルへの更新を実施するための最終フェーズで終了する。様々な実施例では、更新は、追加の訓練画像データおよび制約の受取りに関連して（例えば、操作９１０、９２０と同様の方法で）、または追加の敵対者訓練の実行に関連して（例えば、操作９３０、９４２、９４４と同様の方法で）生成されてもよい。更なる実施例では、生成モデルは、放射線治療線量データの承認、変更、または使用（例えば、医療専門家による線量データの修正、検証、または変更の結果）に基づいて具体的に更新されてもよい。フローチャートは、後続の放射線治療のための更新された生成モデルの使用において実行され得るような、更新された訓練された生成モデルを使用すること（操作９９０）で終了する。
［０１３７］
図１０は、機械学習回帰を使用して深層学習支援線量推定および臨床計画線量との比較を実行するための例示的な操作のプロセスフローチャート１０００を示す。プロセスフローチャート１０００は、また、ＧＡＮ訓練された（例えば、フローチャート９００のプロセスを使用して訓練された）生成モデルを使用して、機械学習線量推定器を利用する放射線治療処理システムの観点から図示されている。しかしながら、対応する操作は、（医療診断および評価機能を提供する様々なクライアント側システムを含む）他の装置またはシステムによって実行または呼び出すことができる。
図１０は、機械学習回帰を使用して深層学習支援線量推定および臨床計画線量との比較を実行するための例示的な操作のプロセスフローチャート１０００を示す。プロセスフローチャート１０００は、また、ＧＡＮ訓練された（例えば、フローチャート９００のプロセスを使用して訓練された）生成モデルを使用して、機械学習線量推定器を利用する放射線治療処理システムの観点から図示されている。しかしながら、対応する操作は、（医療診断および評価機能を提供する様々なクライアント側システムを含む）他の装置またはシステムによって実行または呼び出すことができる。
［０１３８］
フローチャート１０００は、治療のための１つまたはそれ以上の解剖学的領域のマッピングを示す人体の解剖学的データを受信して処理すること（操作１０１０）から始まる。一実施例では、解剖学的データは画像データで表され、解剖学的領域のマッピングは、放射線治療を受けるために識別される少なくとも１つの領域と、放射線治療を避けるために識別される少なくとも１つの領域とに対応する複数の画像マスクとを有する。更なる実施例では、解剖学的データは、ヒト被験体の解剖学的領域の３次元画像セットから識別され、または、解剖学的データは、少なくとも１つの画像モダリティによって捕捉されたヒト被験体の少なくとも１つの画像から導出された解剖学的領域の３次元ボクセルデータを有し、複数の画像マスクは、放射線治療を受けるために識別された少なくとも１つの領域および放射線治療を回避するために識別された少なくとも１つの危険な器官を示すそれぞれのセグメントに対応する。他の実施例では、解剖学的データは、少なくとも１つのバイナリマスクまたは少なくとも１つの符号付き距離マップを含む画像を有し、または、解剖学的データは、解剖学的領域の座標空間内の放射線治療のための座標を有する。特定の例では、画像は、イメージングモダリティから生成されたＤＩＣＯＭ（Digital Imaging and Communications in Medicine）フォーマットの画像を有する。
フローチャート１０００は、治療のための１つまたはそれ以上の解剖学的領域のマッピングを示す人体の解剖学的データを受信して処理すること（操作１０１０）から始まる。一実施例では、解剖学的データは画像データで表され、解剖学的領域のマッピングは、放射線治療を受けるために識別される少なくとも１つの領域と、放射線治療を避けるために識別される少なくとも１つの領域とに対応する複数の画像マスクとを有する。更なる実施例では、解剖学的データは、ヒト被験体の解剖学的領域の３次元画像セットから識別され、または、解剖学的データは、少なくとも１つの画像モダリティによって捕捉されたヒト被験体の少なくとも１つの画像から導出された解剖学的領域の３次元ボクセルデータを有し、複数の画像マスクは、放射線治療を受けるために識別された少なくとも１つの領域および放射線治療を回避するために識別された少なくとも１つの危険な器官を示すそれぞれのセグメントに対応する。他の実施例では、解剖学的データは、少なくとも１つのバイナリマスクまたは少なくとも１つの符号付き距離マップを含む画像を有し、または、解剖学的データは、解剖学的領域の座標空間内の放射線治療のための座標を有する。特定の例では、画像は、イメージングモダリティから生成されたＤＩＣＯＭ（Digital Imaging and Communications in Medicine）フォーマットの画像を有する。
［０１３９］
フローチャート１０００は、１つまたはそれ以上の解剖学的領域のマッピングに対応する放射線治療線量データの生成に続き、そのような生成は、訓練された生成モデルを使用して行われる。一実施例では、生成モデルは、敵対的生成ネットワークで訓練され、生成モデルは、解剖学的データを入力として処理し、放射線治療線量データを出力として提供するようにさらに訓練される。更なる実施例では、敵対的生成ネットワークは、識別モデルを用いて生成モデルを訓練するように構成され、識別モデルと生成モデルとの間の敵対的訓練を用いて、生成モデルと識別モデルとによって適用される値が確立される。更なる実施例では、生成モデルおよび識別モデルは、上述したように、それぞれの畳み込みニューラルネットワークを有する。更なる実施例では、敵対的訓練は、図９を参照して議論された技術を用いて行うことができる。更なる実施例では、生成モデルは、敵対的生成ネットワークによって訓練された複数のモデルの中から識別され、生成モデルは、解剖学的領域または放射線治療の種類に基づいて識別される。
フローチャート１０００は、１つまたはそれ以上の解剖学的領域のマッピングに対応する放射線治療線量データの生成に続き、そのような生成は、訓練された生成モデルを使用して行われる。一実施例では、生成モデルは、敵対的生成ネットワークで訓練され、生成モデルは、解剖学的データを入力として処理し、放射線治療線量データを出力として提供するようにさらに訓練される。更なる実施例では、敵対的生成ネットワークは、識別モデルを用いて生成モデルを訓練するように構成され、識別モデルと生成モデルとの間の敵対的訓練を用いて、生成モデルと識別モデルとによって適用される値が確立される。更なる実施例では、生成モデルおよび識別モデルは、上述したように、それぞれの畳み込みニューラルネットワークを有する。更なる実施例では、敵対的訓練は、図９を参照して議論された技術を用いて行うことができる。更なる実施例では、生成モデルは、敵対的生成ネットワークによって訓練された複数のモデルの中から識別され、生成モデルは、解剖学的領域または放射線治療の種類に基づいて識別される。
［０１４０］
特定の実施例では、入力画像は、それぞれの画像チャンネルまたは画像チャンネル内のそれぞれのグレースケール値を使用して少なくとも１つの治療領域および少なくとも１つの治療除外領域を表すそれぞれの領域を構成する２次元画像であり、模擬放射線治療線量分布画像は、それぞれの画像カラーチャンネルまたは画像チャンネル内のそれぞれの値を使用して線量値を表すそれぞれの領域を構成する２次元画像である。更なる実施例では、生成モデルは、少なくとも１つの治療領域および少なくとも１つの治療除外領域を示す画像マスクを有するＲＧＢ画像カラー画像としての入力画像を少なくとも２つのカラー画像チャンネルで受信するように訓練され、生成モデルは、グレースケール画像として模擬放射線治療線量分布画像を生成するように訓練される。また、更なる実施例では、放射線治療線量データは、より低い解像度でアーカイブされた線量データの線形補間または最近傍補間から生成された画像を有し、または、放射線治療線量データは、解剖学的領域の座標空間内の座標における放射線治療の量の表示を有する。
特定の実施例では、入力画像は、それぞれの画像チャンネルまたは画像チャンネル内のそれぞれのグレースケール値を使用して少なくとも１つの治療領域および少なくとも１つの治療除外領域を表すそれぞれの領域を構成する２次元画像であり、模擬放射線治療線量分布画像は、それぞれの画像カラーチャンネルまたは画像チャンネル内のそれぞれの値を使用して線量値を表すそれぞれの領域を構成する２次元画像である。更なる実施例では、生成モデルは、少なくとも１つの治療領域および少なくとも１つの治療除外領域を示す画像マスクを有するＲＧＢ画像カラー画像としての入力画像を少なくとも２つのカラー画像チャンネルで受信するように訓練され、生成モデルは、グレースケール画像として模擬放射線治療線量分布画像を生成するように訓練される。また、更なる実施例では、放射線治療線量データは、より低い解像度でアーカイブされた線量データの線形補間または最近傍補間から生成された画像を有し、または、放射線治療線量データは、解剖学的領域の座標空間内の座標における放射線治療の量の表示を有する。
［０１４１］
図６及び図９を参照して上述したように、敵対的生成ネットワークは、生成モデルと識別モデルとからなる条件付き敵対的生成ネットワークであってもよく、生成モデルから提供される予測値は、被験者から撮影された撮像データに基づいて条件付けられている。例えば、生成モデルおよび識別モデルは、訓練中に、事前に分類された解剖学的構造データに条件付けされてもよく、ここで、事前に分類された解剖学的構造データは、放射線治療のための解剖学的領域に対応する。また、例えば、条件付き生成的敵対ネットワークの生成モデルおよび識別モデルは、放射線治療の線量分布に関連付けられた少なくとも１つの制約にさらに条件付けされる。一実施例では、制約は、放射線治療の治療制約、解剖学的制約、治療機械の制約、または関連するパラメータおよび特徴に結び付けられてもよいし、それに由来してもよい。さらに別の実施例では、生成モデルは、敵対的生成ネットワークによって訓練された複数のモデルの中から識別され、生成モデルは、解剖学的領域または放射線治療の種類に基づいて識別される。
図６及び図９を参照して上述したように、敵対的生成ネットワークは、生成モデルと識別モデルとからなる条件付き敵対的生成ネットワークであってもよく、生成モデルから提供される予測値は、被験者から撮影された撮像データに基づいて条件付けられている。例えば、生成モデルおよび識別モデルは、訓練中に、事前に分類された解剖学的構造データに条件付けされてもよく、ここで、事前に分類された解剖学的構造データは、放射線治療のための解剖学的領域に対応する。また、例えば、条件付き生成的敵対ネットワークの生成モデルおよび識別モデルは、放射線治療の線量分布に関連付けられた少なくとも１つの制約にさらに条件付けされる。一実施例では、制約は、放射線治療の治療制約、解剖学的制約、治療機械の制約、または関連するパラメータおよび特徴に結び付けられてもよいし、それに由来してもよい。さらに別の実施例では、生成モデルは、敵対的生成ネットワークによって訓練された複数のモデルの中から識別され、生成モデルは、解剖学的領域または放射線治療の種類に基づいて識別される。
［０１４２］
フローチャート１０００は、引き続き、放射線治療線量データに基づいて、ヒト被験体の放射線治療のための放射線治療線量分布を特定する操作（操作１０３０）を行う。先に示されたように、生成モデルは、複数のヒト被験体から得られたデータ（例えば、３次元画像データ）に基づいて、特定の状態または解剖学的特徴に対する放射線治療線量データを生成するように訓練される。
フローチャート１０００は、引き続き、放射線治療線量データに基づいて、ヒト被験体の放射線治療のための放射線治療線量分布を特定する操作（操作１０３０）を行う。先に示されたように、生成モデルは、複数のヒト被験体から得られたデータ（例えば、３次元画像データ）に基づいて、特定の状態または解剖学的特徴に対する放射線治療線量データを生成するように訓練される。
［０１４３］
放射線治療線量分布の特定に続いて、少なくとも１つの計画的な治療線量または少なくとも１つの危険な器官に対する値を示す１つまたはそれ以上の線量ヒストグラムを使用して、ヒト被験体の放射線治療のために同定された放射線治療線量分布の少なくとも１つの線量ボリュームヒストグラムを生成する操作（操作１０４０）と、解剖学的領域に対応する放射線治療のために同定された、別の放射線治療線量分布のために生成された線量ボリュームヒストグラムを使用して、放射線治療線量分布の線量ボリュームヒストグラムを比較する操作（操作１０５０）が続けられる。これに続いて、解剖学的領域の三次元可視化を生成する特徴量を生成する操作（操作１０６０）がなされ、三次元可視化は、ヒト被験体の放射線治療のために識別された放射線治療線量分布を示す。
放射線治療線量分布の特定に続いて、少なくとも１つの計画的な治療線量または少なくとも１つの危険な器官に対する値を示す１つまたはそれ以上の線量ヒストグラムを使用して、ヒト被験体の放射線治療のために同定された放射線治療線量分布の少なくとも１つの線量ボリュームヒストグラムを生成する操作（操作１０４０）と、解剖学的領域に対応する放射線治療のために同定された、別の放射線治療線量分布のために生成された線量ボリュームヒストグラムを使用して、放射線治療線量分布の線量ボリュームヒストグラムを比較する操作（操作１０５０）が続けられる。これに続いて、解剖学的領域の三次元可視化を生成する特徴量を生成する操作（操作１０６０）がなされ、三次元可視化は、ヒト被験体の放射線治療のために識別された放射線治療線量分布を示す。
［０１４４］
フローチャート１０００は、承認、変更、または放射線治療線量データの使用に基づいて生成モデルを更新し、更新された生成モデルを使用して、ヒト被験体のための更新された放射線治療線量分布を生成することを含む追跡機能（動作１０７０）で終了する。追加のフィードバック、モニタリング、および放射線治療線量データの利用のためのさらなるバリエーションは、他の治療または評価のワークフローに統合することができる。
フローチャート１０００は、承認、変更、または放射線治療線量データの使用に基づいて生成モデルを更新し、更新された生成モデルを使用して、ヒト被験体のための更新された放射線治療線量分布を生成することを含む追跡機能（動作１０７０）で終了する。追加のフィードバック、モニタリング、および放射線治療線量データの利用のためのさらなるバリエーションは、他の治療または評価のワークフローに統合することができる。
［０１４５］
前に議論したように、それぞれの電子計算システムまたは装置は、本明細書で議論された方法または機能的な操作のうちの１つまたはそれ以上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では、放射線治療処理計算システム１１０は、画像誘導放射線治療装置２０２を制御または操作するために、モデル３００からの訓練または予測操作を実行または実施するために、訓練された生成器モデル４６０を操作するために、データフロー５００、５５０、６００、６３０、６８０を実行または実施するために、フローチャート９００、１０００の操作を実行または実施するために、または、本明細書で議論されている他の方法論のうちの任意の１つまたはそれ以上を（例えば、治療処理ロジック１２０およびワークフロー１３０、１４０の一部として）実行するために、構成され、適合され、または使用される。様々な実施形態では、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するか、または他のマシンに（例えば、ネットワーク化されて）接続されている。例えば、そのような計算システムまたはデバイスは、サーバクライアントネットワーク環境におけるサーバーまたはクライアントマシンの容量内で動作してもよいし、ピアツーピア（または分散）ネットワーク環境におけるピアマシンとして動作してもよい。計算システムまたは計算装置の機能は、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、ウェブアプリ、または、そのマシンによって実行されるべきアクションを指定する命令を（シーケンシャルまたは他の方法で）実行することが可能な任意のマシンによって具現化することができる。
前に議論したように、それぞれの電子計算システムまたは装置は、本明細書で議論された方法または機能的な操作のうちの１つまたはそれ以上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では、放射線治療処理計算システム１１０は、画像誘導放射線治療装置２０２を制御または操作するために、モデル３００からの訓練または予測操作を実行または実施するために、訓練された生成器モデル４６０を操作するために、データフロー５００、５５０、６００、６３０、６８０を実行または実施するために、フローチャート９００、１０００の操作を実行または実施するために、または、本明細書で議論されている他の方法論のうちの任意の１つまたはそれ以上を（例えば、治療処理ロジック１２０およびワークフロー１３０、１４０の一部として）実行するために、構成され、適合され、または使用される。様々な実施形態では、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するか、または他のマシンに（例えば、ネットワーク化されて）接続されている。例えば、そのような計算システムまたはデバイスは、サーバクライアントネットワーク環境におけるサーバーまたはクライアントマシンの容量内で動作してもよいし、ピアツーピア（または分散）ネットワーク環境におけるピアマシンとして動作してもよい。計算システムまたは計算装置の機能は、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、ウェブアプリ、または、そのマシンによって実行されるべきアクションを指定する命令を（シーケンシャルまたは他の方法で）実行することが可能な任意のマシンによって具現化することができる。
［０１４６］
また、上述したように、上述した機能は、機械可読媒体上の命令、論理、または他の情報の記憶によって実装することができる。機械可読媒体は、単一の媒体であることを参照して様々な例で説明されてきたが、「機械可読媒体」という用語は、１つまたはそれ以上の命令またはデータ構造を格納する単一の媒体または複数の媒体（例えば、集中型または分散型のデータベース、および／または関連するキャッシュおよびサーバー）を含むものとすることができる。「機械可読媒体」という用語はまた、機械によって実行されるための命令を格納、符号化または運搬することが可能であり、機械に、本発明の方法論のいずれか１つまたはそれ以上を実行させるか、またはそのような命令によって利用されるか、またはそのような命令に関連するデータ構造を格納、符号化または運搬することが可能である任意の有形媒体を含むと解されるものとする。
また、上述したように、上述した機能は、機械可読媒体上の命令、論理、または他の情報の記憶によって実装することができる。機械可読媒体は、単一の媒体であることを参照して様々な例で説明されてきたが、「機械可読媒体」という用語は、１つまたはそれ以上の命令またはデータ構造を格納する単一の媒体または複数の媒体（例えば、集中型または分散型のデータベース、および／または関連するキャッシュおよびサーバー）を含むものとすることができる。「機械可読媒体」という用語はまた、機械によって実行されるための命令を格納、符号化または運搬することが可能であり、機械に、本発明の方法論のいずれか１つまたはそれ以上を実行させるか、またはそのような命令によって利用されるか、またはそのような命令に関連するデータ構造を格納、符号化または運搬することが可能である任意の有形媒体を含むと解されるものとする。
［０１４７］
上記の詳細な説明は、詳細な説明の一部を形成する添付図面への参照を含む。図面は、図示のためではあるが、限定するものではないが、本発明を実施することができる特定の実施形態を示している。これらの実施形態は、本明細書では「実施例」とも呼ばれる。そのような実施例は、図示されたまたは記載されたものに加えて、要素を含むことができる。しかしながら、本発明者らは、図示されたまたは記載された要素のみが提供される実施例も想定しうる。更に、本発明者らは、また、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、本明細書に示されたまたは記載された他の実施例（またはその１つまたはそれ以上の態様）に関して、図示されたまたは記載されたそれらの要素の任意の組み合わせまたは順列を使用する実施例も想定しうる。
上記の詳細な説明は、詳細な説明の一部を形成する添付図面への参照を含む。図面は、図示のためではあるが、限定するものではないが、本発明を実施することができる特定の実施形態を示している。これらの実施形態は、本明細書では「実施例」とも呼ばれる。そのような実施例は、図示されたまたは記載されたものに加えて、要素を含むことができる。しかしながら、本発明者らは、図示されたまたは記載された要素のみが提供される実施例も想定しうる。更に、本発明者らは、また、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、本明細書に示されたまたは記載された他の実施例（またはその１つまたはそれ以上の態様）に関して、図示されたまたは記載されたそれらの要素の任意の組み合わせまたは順列を使用する実施例も想定しうる。
［０１４８］
本明細書で参照される、すべての出版物、特許、および特許文書は、個々が参照により組み込まれているが、参照によりその全体が本明細書に組み込まれる。本明細書と、参照により組み込まれた文書との間に一貫性のない用法がある場合、参照により組み込まれた文書での用法は、本明細書の用法を補足するものと見なされ、矛盾する用法については、本明細書の用法が支配する。
本明細書で参照される、すべての出版物、特許、および特許文書は、個々が参照により組み込まれているが、参照によりその全体が本明細書に組み込まれる。本明細書と、参照により組み込まれた文書との間に一貫性のない用法がある場合、参照により組み込まれた文書での用法は、本明細書の用法を補足するものと見なされ、矛盾する用法については、本明細書の用法が支配する。
［０１４９］
本明細書では、用語「ａ」、「ａｎ」、「ｔｈｅ」、「ｓａｉｄ」は、特許文書で一般的であるように、本発明の態様の要素を導入するときに使用され、「少なくとも１つの」または「１つまたはそれ以上の」のいかなる他の例または使用法とは無関係に、１つまたはそれ以上の要素よりも１つまたはそれ以上を含む。本明細書では、用語「または（ｏｒ）」は、「ＡまたはＢ（Ａ ｏｒ Ｂ」が、そうでないと示されない限り、「Ａを含むがＢを含まない（Ａ ｂｕｔ ｎｏｔ Ｂ）」、「Ｂを含むがＡを含まない（Ｂ ｂｕｔ ｎｏｔ Ａ）」、「ＡおよびＢ（Ａ ａｎｄ Ｂ）」を含むように、非排他的であることを指すために使用される。
本明細書では、用語「ａ」、「ａｎ」、「ｔｈｅ」、「ｓａｉｄ」は、特許文書で一般的であるように、本発明の態様の要素を導入するときに使用され、「少なくとも１つの」または「１つまたはそれ以上の」のいかなる他の例または使用法とは無関係に、１つまたはそれ以上の要素よりも１つまたはそれ以上を含む。本明細書では、用語「または（ｏｒ）」は、「ＡまたはＢ（Ａ ｏｒ Ｂ」が、そうでないと示されない限り、「Ａを含むがＢを含まない（Ａ ｂｕｔ ｎｏｔ Ｂ）」、「Ｂを含むがＡを含まない（Ｂ ｂｕｔ ｎｏｔ Ａ）」、「ＡおよびＢ（Ａ ａｎｄ Ｂ）」を含むように、非排他的であることを指すために使用される。
［０１５０］
添付の特許請求の範囲において、用語「ｉｎｃｌｕｄｉｎｇ（含む）」および「ｉｎ ｗｈｉｃｈ（その中で）」は、それぞれの用語「ｃｏｍｐｒｉｓｉｎｇ（含む）」および「ｗｈｅｒｅｉｎ（ここで）」の平易な英語の等価物として使用される。また、以下の特許請求の範囲において、用語「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｈａｖｉｎｇ）」、は、オープンエンドであることを意図し、請求項のそのような用語（例えば、「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｈａｖｉｎｇ）」）の後に列挙されている要素に追加した要素を含むものが、依然としてその請求項の範囲内にあるとみなされる。さらに、以下の特許請求の範囲では、「第１の」、「第２の」、および「第３の」などの用語は、単なるラベルとして使用されており、それらの対象に数値要件を課すことを意図していない。
添付の特許請求の範囲において、用語「ｉｎｃｌｕｄｉｎｇ（含む）」および「ｉｎ ｗｈｉｃｈ（その中で）」は、それぞれの用語「ｃｏｍｐｒｉｓｉｎｇ（含む）」および「ｗｈｅｒｅｉｎ（ここで）」の平易な英語の等価物として使用される。また、以下の特許請求の範囲において、用語「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｈａｖｉｎｇ）」、は、オープンエンドであることを意図し、請求項のそのような用語（例えば、「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｈａｖｉｎｇ）」）の後に列挙されている要素に追加した要素を含むものが、依然としてその請求項の範囲内にあるとみなされる。さらに、以下の特許請求の範囲では、「第１の」、「第２の」、および「第３の」などの用語は、単なるラベルとして使用されており、それらの対象に数値要件を課すことを意図していない。
［０１５１］
本発明はまた、本明細書の操作を実行するために適合され、構成され、または操作される計算システムに関する。このシステムは、必要な目的のために特別に構成することも、コンピュータに格納されたコンピュータプログラムによって選択的にアクティブ化または再構成された汎用コンピュータを含むこともできる。本明細書において図示および説明される本発明の実施形態における動作の実行または実行の順序は、特に指定されない限り、必須ではない。すなわち、特に明記しない限り、操作は任意の順序で実行でき、本発明の実施形態は、本明細書に開示されているものよりも多いまたは少ない操作を含むことができる。例えば、別の操作の前、同時、または後に特定の操作を実行または実行することは、本発明の態様の範囲内であると考えられる。
本発明はまた、本明細書の操作を実行するために適合され、構成され、または操作される計算システムに関する。このシステムは、必要な目的のために特別に構成することも、コンピュータに格納されたコンピュータプログラムによって選択的にアクティブ化または再構成された汎用コンピュータを含むこともできる。本明細書において図示および説明される本発明の実施形態における動作の実行または実行の順序は、特に指定されない限り、必須ではない。すなわち、特に明記しない限り、操作は任意の順序で実行でき、本発明の実施形態は、本明細書に開示されているものよりも多いまたは少ない操作を含むことができる。例えば、別の操作の前、同時、または後に特定の操作を実行または実行することは、本発明の態様の範囲内であると考えられる。
［０１５２］
上記記載を考慮すれば、本発明のいくつかの目的が達成され、他の有利な結果が得られることが分かるであろう。本発明の態様を詳細に説明したが、添付の特許請求の範囲で定義される本発明の態様の範囲から逸脱することなく、修正および変更が可能であることは明らかであろう。本発明の態様の範囲から逸脱することなく、上記の構造、製品、および方法に様々な変更を加えることができるので、上記の説明に含まれ、添付の図面に示されるすべての事項は、例示として、かつ、限定的な意味ではないと、解釈されるべきである。
上記記載を考慮すれば、本発明のいくつかの目的が達成され、他の有利な結果が得られることが分かるであろう。本発明の態様を詳細に説明したが、添付の特許請求の範囲で定義される本発明の態様の範囲から逸脱することなく、修正および変更が可能であることは明らかであろう。本発明の態様の範囲から逸脱することなく、上記の構造、製品、および方法に様々な変更を加えることができるので、上記の説明に含まれ、添付の図面に示されるすべての事項は、例示として、かつ、限定的な意味ではないと、解釈されるべきである。
［０１５３］
上記の説明は、例示を意図したものであり、限定を意図したものではない。例えば、上述の実施例（または１つまたはそれ以上の態様）は、互いに組み合わせて使用することができる。さらに、本発明の範囲から逸脱することなく、特定の状況または材料を本発明の教示に適合させるために、多くの修正を行うことができる。本明細書に記載された寸法、材料の種類、および例示的なパラメータ、機能、および実施形態は、本発明のパラメータを定義することを意図しているが、それらは決して限定的なものではなく、例示的な実施形態である。上記の説明を検討すれば、他の多くの実施形態が当業者には明らかであろう。したがって、本発明の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲が権利を与えられる等価物の全範囲とともに決定されるべきである。
上記の説明は、例示を意図したものであり、限定を意図したものではない。例えば、上述の実施例（または１つまたはそれ以上の態様）は、互いに組み合わせて使用することができる。さらに、本発明の範囲から逸脱することなく、特定の状況または材料を本発明の教示に適合させるために、多くの修正を行うことができる。本明細書に記載された寸法、材料の種類、および例示的なパラメータ、機能、および実施形態は、本発明のパラメータを定義することを意図しているが、それらは決して限定的なものではなく、例示的な実施形態である。上記の説明を検討すれば、他の多くの実施形態が当業者には明らかであろう。したがって、本発明の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲が権利を与えられる等価物の全範囲とともに決定されるべきである。
［０１５４］
また、上記の詳細な説明では、開示を簡素化するために、さまざまな機能をグループ化することがある。これは、クレームされていない開示された機能がクレームに不可欠であることを意図するものとして解釈されるべきではない。むしろ、発明の主題は、特定の開示された実施形態のすべての特徴より少ない場合がある。したがって、以下の請求項は、これにより詳細な説明に組み込まれ、各請求項は別個の実施形態としてそれ自体で成立する。本発明の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲が権利を与えられる均等物の全範囲とともに決定されるべきである。
また、上記の詳細な説明では、開示を簡素化するために、さまざまな機能をグループ化することがある。これは、クレームされていない開示された機能がクレームに不可欠であることを意図するものとして解釈されるべきではない。むしろ、発明の主題は、特定の開示された実施形態のすべての特徴より少ない場合がある。したがって、以下の請求項は、これにより詳細な説明に組み込まれ、各請求項は別個の実施形態としてそれ自体で成立する。本発明の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲が権利を与えられる均等物の全範囲とともに決定されるべきである。
Claims (41)
- 訓練されたモデルを使用して放射線治療の線量分布を生成するためのコンピュータ実装方法であって、
前記方法は、
ヒト被験体の解剖学的データを受け取るステップであって、前記解剖学的データは、前記ヒト被験体の放射線治療のための解剖学的領域のマッピングを示すものであるステップと、
生成モデルを使用して、前記マッピングに対応する放射線治療線量データを生成するステップであって、前記生成モデルは、敵対的生成ネットワークで訓練され、前記生成モデルは、更に、前記解剖学的データを入力として処理し、前記放射線治療線量データを出力として提供するように訓練されるステップと、
前記放射線治療線量データに基づいて、前記ヒト被験体の前記放射線治療のための放射線治療線量分布を特定するステップと
を有する
ことを特徴とするコンピュータ実装方法。 - 請求項１記載の方法において、
前記敵対的生成ネットワークは、識別モデルを使用して前記生成モデルを訓練するように構成され、
前記生成モデルおよび前記識別モデルによって適用される値が、前記識別モデルと前記生成モデルの間の敵対的訓練を使用して確立され、
前記生成モデルと前記識別モデルは、それぞれ畳み込みニューラルネットワークを有する
ことを特徴とする方法。 - 請求項２記載の方法において、
前記敵対的訓練は、少なくとも１つの治療領域を示す入力画像から模擬放射線治療線量分布画像を生成するために前記生成モデルを訓練することと、生成された放射線治療線量分布画像を模擬または実際の訓練データとして分類するために前記識別モデルを訓練することとを有し、
前記生成モデルの出力は、前記識別モデルを訓練するために使用され、前記識別モデルの出力は、前記生成モデルを訓練するために使用される
ことを特徴とする方法。 - 請求項３記載の方法において、
前記入力画像および前記模擬放射線治療線量分布画像は、それぞれ３次元画像を有する
ことを特徴とする方法。 - 請求項３記載の方法において、
前記入力画像は、それぞれの画像チャネルまたは画像チャネル内のそれぞれのグレースケール値を使用して、少なくとも１つの治療領域および少なくとも１つの治療除外領域を表すそれぞれの領域を構成する２次元画像であり、
前記模擬放射線治療線量分布画像は、それぞれの画像カラーチャンネルまたは画像チャンネル内のそれぞれの値を使用して、線量値を表すそれぞれの領域を有する二次元画像である
ことを特徴とする方法。 - 請求項５記載の方法において、
前記生成モデルは、少なくとも２つのカラー画像チャネルを有する少なくとも１つの治療領域および少なくとも１つの治療除外領域を示す画像マスクを有するＲＧＢ画像カラー画像として前記入力画像を受け取るように訓練され、
前記生成モデルは、前記模擬放射線治療線量分布画像をグレースケール画像として生成するように訓練される
ことを特徴とする方法。 - 請求項３記載の方法において、
前記入力画像は、撮像モダリティから生成されたＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）フォーマット画像である
ことを特徴とする方法。 - 請求項１記載の方法において、
前記解剖学的データは、画像データ内に表され、
前記解剖学的領域のマッピングは、前記放射線治療を受けるために識別される少なくとも１つの領域と、前記放射線治療を回避するために識別される少なくとも１つの領域とに対応する複数の画像マスクを有する
ことを特徴とする方法。 - 請求項８記載の方法において、
前記解剖学的データは、少なくとも１つの撮像モダリティにより捕捉された前記ヒト被験体の少なくとも１つの画像から導出された前記解剖学的領域の３次元ボクセルデータを有し、
前記複数の画像マスクは、前記放射線治療を受けるために識別される少なくとも１つの領域と、前記放射線治療を回避するために識別される少なくとも１つのリスク臓器とを示すそれぞれのセグメントに対応する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記解剖学的データは、少なくとも１つのバイナリマスクまたは少なくとも１つの符号付き距離マップを含む画像を有し、
前記放射線治療線量データは、より低い解像度でアーカイブされた線量データの線形補間または最近傍補間から生成された画像を有する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記解剖学的データは、前記解剖学的領域の座標空間内での放射線治療のための座標を有し、
前記放射線治療線量データは、前記解剖学的領域の前記座標空間内の座標における放射線治療線量の表示を有する
ことを特徴とする方法。 - 請求項１記載の方法において、
前記生成モデルは、前記敵対的生成ネットワークによって訓練された複数のモデルの中から識別され、
前記生成モデルは、前記解剖学的領域または前記放射線治療の種類に基づいて識別される
ことを特徴とする方法。 - 請求項１記載の方法において、
前記解剖学的データは、前記ヒト被験体から取得された撮像データを有し、
前記敵対的生成ネットワークは、前記生成モデルと識別モデルを有する条件付き敵対的生成ネットワークであり、
前記生成モデルから提供される予測値は、前記ヒト被験体から取得された撮像データに基づいて条件付けされる
ことを特徴とする方法。 - 請求項１３記載の方法において、
前記生成モデルおよび前記識別モデルは、訓練中に事前分類された解剖学的構造データに基づいて条件付けされ、
前記事前分類された解剖学的構造データは、放射線治療のための前記解剖学的領域に対応する
ことを特徴とする方法。 - 請求項１４記載の方法において、
前記生成モデルおよび前記識別モデルは、前記放射線治療線量分布に関連する少なくとも１つの制約条件でさらに条件付けられている
ことを特徴とする方法。 - 請求項１４記載の方法において、
前記解剖学的データは、前記ヒト被験体の前記解剖学的領域の三次元画像セットから識別され、
前記生成モデルは、複数のヒト被験体から獲得された三次元画像データに基づいた特定の状態または解剖学的特徴に対する前記放射線治療線量データを生成するように訓練される
ことを特徴とする方法。 - 請求項１記載の方法において、
前記生成モデルは、前記放射線治療の線量データの承認、変更、または使用に基づいて更新され、
前記ヒト被験体のための更新された放射線治療線量分布は、前記更新された生成モデルを使用して生成される
ことを特徴とする方法。 - 請求項１記載の方法において、
前記方法は、更に、
前記ヒト被験体の前記放射線治療のために同定された前記放射線治療線量分布の少なくとも１つの線量ボリュームヒストグラムを生成するステップであって、前記線量ボリュームヒストグラムは、少なくとも１つの治療計画ボリュームまたは少なくとも１つの危険な臓器の値を示すステップと、
前記解剖学的領域に対応する放射線治療のために同定された別の放射線治療の線量分布に対して生成された線量体積ヒストグラムと、前記放射線治療の線量分布の線量体積ヒストグラムとを比較するステップと
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、
前記方法は、更に、
前記解剖学的領域の三次元可視化を生成するステップであって、前記三次元可視化は、前記ヒト被験体の前記放射線治療に対して識別された前記放射線治療線量分布を示すステップを
を有する
ことを特徴とする方法。 - 敵対的生成ネットワークを使用して放射線治療の線量分布を生成するための訓練モデルを生成するためのコンピュータ実装方法であって、
前記方法は、
敵対的訓練を使用して，前記敵対的生成ネットワークの生成モデルと識別モデルの値を確立するステップであって、
前記敵対的訓練は、
入力画像からシミュレーションされた放射線治療線量分布画像を生成するために前記生成モデルを訓練することと、
生成された放射線治療線量分布画像を、シミュレートしたまたは実際の訓練データとして分類するために前記識別モデルを訓練することとを含み、
前記生成モデルの出力が前記識別モデルの訓練に使用され、前記識別モデルの出力が前記生成モデルの訓練に使用されるステップと、
放射線治療線量情報を生成する際に使用する前記生成モデルを出力するステップであって、前記生成モデルは、前記放射線治療に対する解剖学的構造のマッピングに対応する入力解剖学的データに基づいて、ヒト被験体の放射線治療に対する放射線治療線量データを特定するために適合されるステップと
を有する
ことを特徴とするコンピュータ実装方法。 - 請求項２０記載の方法において、
前記生成モデルと前記識別モデルは、それぞれ畳み込みニューラルネットワークを有し、
前記入力画像は、それぞれの画像チャネルまたは画像チャネル内のそれぞれのグレースケール値を使用して、少なくとも１つの治療領域および少なくとも１つの治療除外領域を表すそれぞれの領域から構成され、
前記シミュレーションされた放射線治療線量分布画像は、それぞれの画像カラーチャンネルまたは画像チャンネル内のそれぞれの値を使用して、線量値を表すそれぞれの領域から構成される
ことを特徴とする方法。 - 請求項２０記載の方法において、
前記敵対的生成ネットワークは、条件付き敵対的生成ネットワークであり
前記生成モデルおよび前記識別モデルは、予め定義された解剖学的構造データを使用して訓練中に条件付けされ、前記予め定義された解剖学的構造データは、前記放射線治療に関連する解剖学的領域に対応する
ことを特徴とする方法。 - 請求項２０記載の方法において、
前記解剖学的構造のマッピングは、放射線治療のために識別される少なくとも１つの領域と前記放射線治療を回避するために識別される少なくとも１つの領域とを示す複数の画像マスクを有する
ことを特徴とする方法。 - 請求項２０記載の方法において、
前記生成モデルは、複数のヒト被験体からの画像データに基づいて、特定の状態または解剖学的特徴に対する放射線治療線量データを生成するように訓練され、
前記解剖学的データは、少なくとも１つのバイナリ画像マスクまたは符号付き距離マップを含む、複数のヒト被検体からのそれぞれの解剖学的画像を有し、
前記放射線治療線量データは、前記解剖学的画像に対応するそれぞれの画像を有し、前記放射線治療線量データは、線形補間または最近傍補間から生成される
ことを特徴とする方法。 - 請求項２０記載の方法において、
前記生成モデルは、それぞれの放射線治療に対する複数の解剖学的領域について訓練される
ことを特徴とする方法。 - 訓練されたモデルを使用して放射線治療の線量分布を生成するためのシステムであって、
前記システムは、
少なくとも１つのプロセッサを有する処理回路と、
前記少なくとも１つのプロセッサにより実行されたとき、
ヒト被験体の解剖学的データを処理するステップであって、前記解剖学的データは前記ヒト被験体の放射線治療の対する解剖学的領域のマッピングを示すステップと、
生成モデルを使用して、前記マッピングに対応する放射線治療線量データを生成するステップであって、前記生成モデルは、敵対的生成ネットワークで訓練され、前記生成モデルは、入力として前記解剖学的データを処理し、出力として前記放射線治療線量データを提供するように更に訓練されるステップと、
前記放射線治療線量データに基づいて、前記ヒト被験体の前記放射線治療に対する放射線治療線量分布を特定するステップと
を前記プロセッサに実行させる命令を有する記憶媒体と
を有する
ことを特徴とするシステム。 - 請求項２６記載のシステムにおいて、
前記敵対的生成ネットワークは、識別モデルを使用して前記生成モデルを訓練するように構成され、
前記生成モデルおよび前記識別モデルによって適用される値が、前記識別モデルと前記生成モデルとの間の敵対的訓練を使用して確立され、
前記生成モデルと前記識別モデルは、それぞれ畳み込みニューラルネットワークを有する
ことを特徴とするシステム。 - 請求項２７記載のシステムにおいて、
前記敵対的訓練は、少なくとも１つの治療領域を示す入力画像から模擬放射線治療線量分布画像を生成するために前記生成モデルを訓練することと、生成された放射線治療線量分布画像を模擬または実際の訓練データとして分類するために前記識別モデルを訓練することとを有し、
前記生成モデルの出力は、前記識別モデルを訓練するために使用され、前記識別モデルの出力は、前記生成モデルを訓練するために使用される
ことを特徴とするシステム。 - 請求項２８記載のシステムにおいて、
前記入力画像および前記模擬放射線治療線量分布画像は、それぞれ３次元画像を有する
ことを特徴とするシステム。 - 請求項２８記載のシステムにおいて、
前記入力画像は、それぞれの画像チャネルまたは画像チャネル内のそれぞれのグレースケール値を使用して、少なくとも１つの治療領域および少なくとも１つの治療除外領域を表すそれぞれの領域を構成する２次元画像であり、
前記模擬放射線治療線量分布画像は、それぞれの画像カラーチャンネルまたは画像チャンネル内のそれぞれの値を使用して、線量値を表すそれぞれの領域を有する二次元画像である
ことを特徴とするシステム。 - 請求項３０記載のシステムにおいて、
前記生成モデルは、少なくとも２つのカラー画像チャネルを有する少なくとも１つの治療領域および少なくとも１つの治療除外領域を示す画像マスクを有するＲＧＢ画像カラー画像として前記入力画像を受け取るように訓練され、
前記生成モデルは、前記模擬放射線治療線量分布画像をグレースケール画像として生成するように訓練される
ことを特徴とするシステム。 - 請求項２８記載のシステムにおいて、
前記入力画像は、撮像モダリティから生成されたＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）フォーマット画像である
ことを特徴とするシステム。 - 請求項２８記載のシステムにおいて、
前記解剖学的データは、画像データ内に表され、
前記解剖学的領域のマッピングは、前記放射線治療を受けるために識別される少なくとも１つの領域と、前記放射線治療を回避するために識別される少なくとも１つの領域とに対応する複数の画像マスクを有する
ことを特徴とするシステム。 - 請求項３３記載のシステムにおいて、
前記解剖学的データは、少なくとも１つの撮像モダリティにより捕捉された前記ヒト被験体の少なくとも１つの画像から導出された前記解剖学的領域の３次元ボクセルデータを有し、
前記複数の画像マスクは、前記放射線治療を受けるために識別される少なくとも１つの領域と、前記放射線治療を回避するために識別される少なくとも１つのリスク臓器とを示すそれぞれのセグメントに対応する
ことを特徴とするシステム。 - 請求項２６記載のシステムにおいて、
前記解剖学的データは、少なくとも１つのバイナリマスクまたは少なくとも１つの符号付き距離マップを含む画像を有し、
前記放射線治療線量データは、より低い解像度でアーカイブされた線量データの線形補間または最近傍補間から生成された画像を有する
ことを特徴とするシステム。 - 請求項２６記載のシステムにおいて、
前記解剖学的データは、前記解剖学的領域の座標空間内での放射線治療のための座標を有し、
前記放射線治療線量データは、前記解剖学的領域の前記座標空間内の座標における放射線治療線量の表示を有する
ことを特徴とするシステム。 - 請求項２６記載のシステムにおいて、
前記生成モデルは、前記敵対的生成ネットワークによって訓練された複数のモデルの中から識別され、
前記生成モデルは、前記解剖学的領域または前記放射線治療の種類に基づいて識別される
ことを特徴とするシステム。 - 請求項２６記載のシステムにおいて、
前記解剖学的データは、前記ヒト被験体から取得された撮像データを有し、
前記敵対的生成ネットワークは、前記生成モデルと識別モデルを有する条件付き敵対的生成ネットワークであり、
前記生成モデルから提供される予測値は、前記ヒト被験体から取得された撮像データに基づいて条件付けされる
ことを特徴とするシステム。 - 請求項３８記載のシステムにおいて、
前記生成モデルおよび前記識別モデルは、訓練中に事前分類された解剖学的構造データに基づいて条件付けされ、
前記事前分類された解剖学的構造データは、放射線治療のための前記解剖学的領域に対応する
ことを特徴とするシステム。 - 請求項３９記載のシステムにおいて、
前記生成モデルおよび前記識別モデルは、前記放射線治療線量分布に関連する少なくとも１つの制約条件でさらに条件付けられている
ことを特徴とするシステム。 - 請求項４０記載のシステムにおいて、
前記解剖学的データは、前記ヒト被験体の前記解剖学的領域の三次元画像セットから識別され、
前記生成モデルは、複数のヒト被験体から獲得された三次元画像データに基づいた特定の状態または解剖学的特徴に対する前記放射線治療線量データを生成するように訓練される
ことを特徴とするシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/966,228 US11557390B2 (en) | 2018-04-30 | 2018-04-30 | Radiotherapy treatment plan modeling using generative adversarial networks |
| US15/966,228 | 2018-04-30 | ||
| PCT/US2019/028720 WO2019212804A1 (en) | 2018-04-30 | 2019-04-23 | Radiotherapy treatment plan modeling using generative adversarial networks |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021522886A JP2021522886A (ja) | 2021-09-02 |
| JP7145233B2 true JP7145233B2 (ja) | 2022-09-30 |
Family
ID=66677218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020560895A Active JP7145233B2 (ja) | 2018-04-30 | 2019-04-23 | 敵対的生成ネットワークを用いた放射線治療計画モデリング |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11557390B2 (ja) |
| EP (1) | EP3787744B1 (ja) |
| JP (1) | JP7145233B2 (ja) |
| CN (1) | CN112041026B (ja) |
| AU (1) | AU2019262835B2 (ja) |
| WO (1) | WO2019212804A1 (ja) |
Families Citing this family (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017324627B2 (en) | 2016-09-07 | 2019-12-05 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
| US11517768B2 (en) | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
| WO2019127108A1 (en) * | 2017-12-27 | 2019-07-04 | Intel Corporation | Key-point guided human attribute recognition using statistic correlation models |
| US11557390B2 (en) | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
| US11797864B2 (en) * | 2018-06-18 | 2023-10-24 | Fotonation Limited | Systems and methods for conditional generative models |
| US11173323B2 (en) * | 2018-07-27 | 2021-11-16 | Reshma Munbodh | Computer-implemented method of evaluating a protocol for radiation therapy including a pre-treatment physics chart review (TPCR) |
| JP2020025730A (ja) * | 2018-08-10 | 2020-02-20 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
| WO2020041517A1 (en) * | 2018-08-21 | 2020-02-27 | The Salk Institute For Biological Studies | Systems and methods for enhanced imaging and analysis |
| US11423284B2 (en) * | 2018-09-07 | 2022-08-23 | Black Sesame Technologies, Inc | Subgraph tile fusion in a convolutional neural network |
| JP7134805B2 (ja) * | 2018-09-20 | 2022-09-12 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置および医用情報処理システム |
| US10984902B2 (en) * | 2018-09-28 | 2021-04-20 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
| US11475991B2 (en) | 2018-09-28 | 2022-10-18 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
| US11013936B2 (en) | 2018-12-21 | 2021-05-25 | Varian Medical Systems International Ag | Methods and systems for generating dose estimation models for radiotherapy treatment planning |
| CN109754447B (zh) * | 2018-12-28 | 2021-06-22 | 上海联影智能医疗科技有限公司 | 图像生成方法、装置、设备和存储介质 |
| US11024013B2 (en) * | 2019-03-08 | 2021-06-01 | International Business Machines Corporation | Neural network based enhancement of intensity images |
| US11358004B2 (en) * | 2019-05-10 | 2022-06-14 | Duke University | Systems and methods for radiation treatment planning based on a model of planning strategies knowledge including treatment planning states and actions |
| US11410766B2 (en) * | 2019-06-06 | 2022-08-09 | Varian Medical Systems International Ag | Methods and systems for radiotherapy treatment planning based on continuous deep learning |
| US11605452B2 (en) | 2019-07-16 | 2023-03-14 | Elekta Ab (Publ) | Radiotherapy treatment plan optimization using machine learning |
| US20210158929A1 (en) * | 2019-07-16 | 2021-05-27 | Elekta Ab (Publ) | Parameter search in radiotherapy treatment plan optimization |
| US11062486B2 (en) * | 2019-10-21 | 2021-07-13 | Siemens Medical Solutions Usa, Inc. | Methods and apparatus for deep learning based data transfer between imaging systems |
| US11507840B2 (en) * | 2019-11-13 | 2022-11-22 | International Business Machines Corporation | Region constrained regularized adversarial examples for model interpretability |
| US11596807B2 (en) | 2019-11-25 | 2023-03-07 | Accuray Incorporated | Partial deformation maps for reconstructing motion-affected treatment dose |
| US11901056B2 (en) | 2019-11-30 | 2024-02-13 | Kpn Innovations, Llc | Methods and systems for informed selection of prescriptive therapies |
| US10734105B1 (en) | 2019-11-30 | 2020-08-04 | Kpn Innovations, Llc | Methods and systems for informed selection of prescriptive therapies |
| CN111260568B (zh) * | 2020-01-10 | 2023-05-23 | 西安理工大学 | 基于多辨别器对抗网络的碑帖二值化背景噪声去除方法 |
| WO2021148129A1 (en) * | 2020-01-24 | 2021-07-29 | Siemens Healthcare Gmbh | Machine-learned network for medical robot generation from configurable modules |
| EP3888062A1 (en) * | 2020-02-05 | 2021-10-06 | Google LLC | Image transformation using interpretable transformation parameters |
| US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
| US11651848B2 (en) * | 2020-03-27 | 2023-05-16 | Siemens Healthineers International Ag | Methods and apparatus for controlling treatment delivery using reinforcement learning |
| TWI791979B (zh) * | 2020-04-28 | 2023-02-11 | 長庚醫療財團法人林口長庚紀念醫院 | 三維醫學影像的建立方法 |
| US20210387018A1 (en) * | 2020-06-11 | 2021-12-16 | Varian Medical Systems International Ag | Method and Apparatus to Facilitate Administering Therapeutic Radiation to a Patient |
| WO2022000159A1 (en) * | 2020-06-29 | 2022-01-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for radiotherapy planining |
| CN111768826B (zh) * | 2020-06-30 | 2023-06-27 | 深圳平安智慧医健科技有限公司 | 电子健康病例生成方法、装置、终端设备及存储介质 |
| CN111833988B (zh) * | 2020-07-14 | 2024-02-06 | 北京安德医智科技有限公司 | 放射参数确定方法及装置、电子设备和存储介质 |
| WO2022047637A1 (en) * | 2020-09-02 | 2022-03-10 | Elekta (Shanghai) Technology Co., Ltd. | Automatic beam modeling based on deep learning |
| CN111991711A (zh) * | 2020-09-07 | 2020-11-27 | 杭州珞珈质子科技有限公司 | 质子治疗的参数监测装置及系统 |
| US10937542B1 (en) * | 2020-09-18 | 2021-03-02 | Vent Creativity Corporation | Patient specific treatment planning |
| CN112381271B (zh) * | 2020-10-30 | 2022-07-15 | 广西大学 | 一种快速对抗深度置信网络的分布式多目标优化加速方法 |
| US20220142480A1 (en) * | 2020-11-06 | 2022-05-12 | BAMF Health LLC | System and Method for Radiopharmaceutical Therapy Analysis Using Machine Learning |
| US11590367B2 (en) | 2020-12-16 | 2023-02-28 | Varian Medical Systems International Ag | Neural network calibration for radiotherapy |
| US11612761B2 (en) * | 2020-12-16 | 2023-03-28 | Varian Medical Systems International Ag | Training artificial intelligence models for radiation therapy |
| WO2022167455A1 (en) * | 2021-02-02 | 2022-08-11 | Elekta Ab (Publ) | Parameter search in radiotherapy treatment plan optimization |
| WO2022192204A1 (en) * | 2021-03-08 | 2022-09-15 | The General Hospital Corporation | System and method for inverse treatment planning for radiation therapy |
| US20220296924A1 (en) * | 2021-03-22 | 2022-09-22 | Varian Medical Systems, Inc. | Artificial intelligence modeling for radiation therapy dose distribution analysis |
| US11679274B2 (en) * | 2021-03-22 | 2023-06-20 | Siemens Healthineers International Ag | Artificial intelligence modeling for radiation therapy dose distribution analysis |
| CN113381828B (zh) * | 2021-06-08 | 2022-10-28 | 哈尔滨工业大学 | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 |
| WO2022271197A1 (en) * | 2021-06-24 | 2022-12-29 | Elekta, Inc. | Radiotherapy optimization for arc sequencing and aperture refinement |
| CN113769282A (zh) * | 2021-10-11 | 2021-12-10 | 北京航空航天大学 | 机器人放射治疗设备剂量预测方法及装置 |
| EP4176926A1 (en) * | 2021-11-09 | 2023-05-10 | Koninklijke Philips N.V. | A machine learning system for generating multiple dose distributions conditioned by different planning templates of clinical goals |
| WO2023088897A1 (en) * | 2021-11-18 | 2023-05-25 | Siemens Healthineers International Ag | Machine-learning modeling to generate virtual bolus attributes |
| US11410769B1 (en) * | 2021-12-08 | 2022-08-09 | Vent Creativity Corporation | Tactile solutions integration for patient specific treatment |
| WO2023230310A1 (en) * | 2022-05-26 | 2023-11-30 | Mary Hitchcock Memorial Hospital, For Itself And On Behalf Of Dartmouth-Hitchcock Clinic | System and method for real-time image registration during radiotherapy using deep learning |
| TWI796278B (zh) * | 2022-10-13 | 2023-03-11 | 長庚大學 | 化療腦影像可視化分類系統及其運作方法 |
| CN116128954B (zh) * | 2022-12-30 | 2023-12-05 | 上海强仝智能科技有限公司 | 一种基于生成网络的商品布局识别方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011147593A (ja) | 2010-01-21 | 2011-08-04 | Mitsubishi Electric Corp | 放射線治療支援システム |
| JP2017522097A (ja) | 2014-06-18 | 2017-08-10 | エレクタ アクチボラゲット（パブル） | 自動治療計画のためのシステム及び方法 |
| WO2018048575A1 (en) | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
| JP2018063504A (ja) | 2016-10-12 | 2018-04-19 | 株式会社リコー | 生成モデル学習方法、装置及びプログラム |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050192242A1 (en) * | 1995-10-11 | 2005-09-01 | Neal Zane C. | Therapeutic fusion protein transgenes |
| US20130142310A1 (en) | 2011-06-06 | 2013-06-06 | The Board Of Trustees Of The Leland Stanford Junior University | Dynamic multi-axes trajectory optimization and delivery method for radiation treatment |
| EP2664359A1 (en) * | 2012-05-14 | 2013-11-20 | Koninklijke Philips N.V. | Magnetic resonance guided therapy with interleaved scanning |
| US11056243B2 (en) | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
| US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
| US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| CN106803082A (zh) | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
| CN107358626B (zh) | 2017-07-17 | 2020-05-15 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
| WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
| CN107451619A (zh) | 2017-08-11 | 2017-12-08 | 深圳市唯特视科技有限公司 | 一种基于感知生成对抗网络的小目标检测方法 |
| CN107441637B (zh) | 2017-08-30 | 2019-06-07 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
| US11100632B2 (en) * | 2018-04-13 | 2021-08-24 | Elekta, Inc. | Image synthesis using adversarial networks such as for radiation therapy |
| US11557390B2 (en) | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
| US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
-
2018
- 2018-04-30 US US15/966,228 patent/US11557390B2/en active Active
-
2019
- 2019-04-23 AU AU2019262835A patent/AU2019262835B2/en active Active
- 2019-04-23 WO PCT/US2019/028720 patent/WO2019212804A1/en unknown
- 2019-04-23 CN CN201980029131.3A patent/CN112041026B/zh active Active
- 2019-04-23 EP EP19727774.2A patent/EP3787744B1/en active Active
- 2019-04-23 JP JP2020560895A patent/JP7145233B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011147593A (ja) | 2010-01-21 | 2011-08-04 | Mitsubishi Electric Corp | 放射線治療支援システム |
| JP2017522097A (ja) | 2014-06-18 | 2017-08-10 | エレクタ アクチボラゲット（パブル） | 自動治療計画のためのシステム及び方法 |
| WO2018048575A1 (en) | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
| JP2018063504A (ja) | 2016-10-12 | 2018-04-19 | 株式会社リコー | 生成モデル学習方法、装置及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021522886A (ja) | 2021-09-02 |
| CN112041026B (zh) | 2023-02-28 |
| CN112041026A (zh) | 2020-12-04 |
| EP3787744A1 (en) | 2021-03-10 |
| EP3787744B1 (en) | 2022-08-03 |
| WO2019212804A1 (en) | 2019-11-07 |
| AU2019262835A1 (en) | 2020-12-17 |
| US20190333623A1 (en) | 2019-10-31 |
| US11557390B2 (en) | 2023-01-17 |
| AU2019262835B2 (en) | 2022-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7145233B2 (ja) | 敵対的生成ネットワークを用いた放射線治療計画モデリング | |
| 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 | |
| JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
| JP7245364B2 (ja) | 変形可能な層を有するＣｙｃｌｅＧＡＮを用いたｓＣＴ画像生成 | |
| US20210158929A1 (en) | Parameter search in radiotherapy treatment plan optimization | |
| US11605452B2 (en) | Radiotherapy treatment plan optimization using machine learning | |
| CN114375216A (zh) | 压缩放射疗法治疗计划优化问题 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210104 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211223 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220118 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220408 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220823 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220916 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7145233 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |