JP7412083B2 - Treatment planning support device and method - Google Patents
Treatment planning support device and method Download PDFInfo
- Publication number
- JP7412083B2 JP7412083B2 JP2019030621A JP2019030621A JP7412083B2 JP 7412083 B2 JP7412083 B2 JP 7412083B2 JP 2019030621 A JP2019030621 A JP 2019030621A JP 2019030621 A JP2019030621 A JP 2019030621A JP 7412083 B2 JP7412083 B2 JP 7412083B2
- Authority
- JP
- Japan
- Prior art keywords
- treatment plan
- information
- treatment
- prognosis prediction
- prognosis
- 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
- 238000011282 treatment Methods 0.000 title claims description 215
- 238000000034 method Methods 0.000 title claims description 19
- 238000004393 prognosis Methods 0.000 claims description 132
- 238000001959 radiotherapy Methods 0.000 claims description 58
- 230000003044 adaptive effect Effects 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 20
- 206010028980 Neoplasm Diseases 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 42
- 230000006870 function Effects 0.000 description 39
- 238000007408 cone-beam computed tomography Methods 0.000 description 17
- 230000005855 radiation Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 206010035742 Pneumonitis Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 230000037237 body shape Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 201000010536 head and neck cancer Diseases 0.000 description 1
- 208000014829 head and neck neoplasm Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Radiation-Therapy Devices (AREA)
Description
本発明の実施形態は、治療計画支援装置及び方法に関する。 Embodiments of the present invention relate to a treatment planning support device and method.
放射線治療(Radiation Therapy: RT)では、最初に決定した治療計画に基づいて最後までやりきる治療が一般的である。したがって、最初に決定する治療計画の良し悪しが、RT後の治療効果や副作用の発生に影響する。情報技術の発展に伴い、治療計画時のCT画像から得られる画像情報と線量などの情報に基づき、RT後の治療効果や副作用の発生確率の予測結果を得ることが可能となってきている。しかし近年、治療計画を容易にする技術の発展に伴い、治療期間中における治療効果や副作用の発生に基づいて治療計画を見直す治療方法(以下、Adaptive RTという)が注目されている。上述の予測結果は、治療計画時に作成した治療計画の良し悪しの意思決定支援を目的としているため、治療期間中の治療効果や副作用の発生に基づいてAdaptive RTを適用の判断することは難しい。 Radiation therapy (RT) is generally a treatment that is completed until the end based on the treatment plan decided at the beginning. Therefore, the quality of the treatment plan initially determined influences the therapeutic effect and occurrence of side effects after RT. With the development of information technology, it has become possible to obtain prediction results of treatment effects and the probability of occurrence of side effects after RT based on image information obtained from CT images at the time of treatment planning and information such as dose. However, in recent years, with the development of technology that facilitates treatment planning, a treatment method (hereinafter referred to as Adaptive RT) that revises the treatment plan based on the therapeutic effects and occurrence of side effects during the treatment period has been attracting attention. Since the above prediction results are intended to support decision-making regarding the quality of the treatment plan created at the time of treatment planning, it is difficult to determine whether to apply Adaptive RT based on the therapeutic effects or occurrence of side effects during the treatment period.
本発明が解決しようとする課題は、治療期間中のAdaptive RTの適用判断を高精度かつ容易に支援できることである。 The problem to be solved by the present invention is to be able to easily and accurately support the decision to apply Adaptive RT during the treatment period.
本実施形態に係る治療計画支援装置は、取得部と、生成部とを含む。取得部は、放射線治療に係る第1の治療計画に関する情報を取得する。生成部は、前記第1の治療計画に関する情報と、前記第1の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第2の治療計画に関する情報を生成する。 The treatment planning support device according to this embodiment includes an acquisition unit and a generation unit. The acquisition unit acquires information regarding a first treatment plan related to radiation therapy. The generation unit generates information regarding a second treatment plan using information regarding the first treatment plan and a medical image acquired when performing radiation therapy based on the first treatment plan.
以下、図面を参照しながら本実施形態に係わる治療計画支援装置及び方法を説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。 Hereinafter, a treatment planning support device and method according to the present embodiment will be explained with reference to the drawings. In the following embodiments, parts with the same reference numerals perform similar operations, and redundant explanations will be omitted as appropriate. Hereinafter, one embodiment will be described using the drawings.
(第1の実施形態)
図1は、第1の実施形態に係る治療計画支援装置1の構成を示すブロック図である。治療計画支援装置1は、処理回路11と、メモリ13とを含む。処理回路11は、ハードウェア資源として、例えば、CPU(Central Processing Unit)、GPU(Graphics Processing Unit)等のプロセッサで構成される。処理回路11は、取得機能111と、生成機能113と、予測機能115と、学習機能117と、提示機能119とを含む。なお、処理回路11は、上記機能を実現可能なASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)、CPLD(Complex Programmable Logic Device)、SPLD(Simple Programmable Logic Device)などにより実現されてもよい。
(First embodiment)
FIG. 1 is a block diagram showing the configuration of a treatment planning support device 1 according to the first embodiment. The treatment planning support device 1 includes a processing circuit 11 and a memory 13. The processing circuit 11 is composed of processors such as a CPU (Central Processing Unit) and a GPU (Graphics Processing Unit) as hardware resources. The processing circuit 11 includes an acquisition function 111 , a generation function 113 , a prediction function 115 , a learning function 117 , and a presentation function 119 . Note that the processing circuit 11 may be realized by an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate Array), a CPLD (Complex Programmable Logic Device), an SPLD (Simple Programmable Logic Device), etc. that can realize the above functions. good.
取得機能111は、放射線治療に係る第1の治療計画に関する情報を取得する。第1の治療計画は、最初に立てた治療計画でもよいし、Adaptive RTにより変更された治療計画であってもよい。 The acquisition function 111 acquires information regarding a first treatment plan related to radiation therapy. The first treatment plan may be an initially established treatment plan or a treatment plan modified by Adaptive RT.
生成機能113は、第1の治療計画に関する情報と、第1の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、想定される第2の治療計画に関する情報を生成する。医用画像としては、コーンビームCT装置やX線コンピュータ断層撮影装置、磁気共鳴イメージング装置、核医学診断装置等により生成される画像が用いられればよい。以下、生成機能113により用いられる医用画像は、コーンビームCT装置やX線コンピュータ断層撮影装置等のCT撮影装置により生成されたコーンビームCT画像(以下、CBCT画像とも呼ぶ)又はCT画像であるとする。生成機能113は、CT画像およびCBCT画像から画像特徴量を算出してもよい。画像特徴量の算出方法としては、一般的な手法を用いればよい。また、画像特徴量の具体例は後述する。また生成機能113は、最初に立てられる治療計画を含む第1の治療計画を設計してもよい。 The generation function 113 generates information regarding an assumed second treatment plan using information regarding the first treatment plan and medical images acquired when performing radiation therapy based on the first treatment plan. do. As the medical image, an image generated by a cone beam CT device, an X-ray computed tomography device, a magnetic resonance imaging device, a nuclear medicine diagnostic device, or the like may be used. Hereinafter, the medical image used by the generation function 113 is a cone beam CT image (hereinafter also referred to as a CBCT image) or a CT image generated by a CT imaging device such as a cone beam CT device or an X-ray computed tomography device. do. The generation function 113 may calculate image feature amounts from the CT image and the CBCT image. A general method may be used to calculate the image feature amount. Further, a specific example of the image feature amount will be described later. The generation function 113 may also design a first treatment plan that includes a treatment plan that is initially created.
予測機能115は、第1の治療計画に沿って治療を進めた場合に想定される予後予測である第1の予後予測情報と、生成機能113により生成された第2の治療計画に沿って治療を進めた場合に想定される予後予測である第2の予後予測情報とを生成する。予後予測は、例えば、放射線照射後の縮小の度合いを予測する腫瘍レスポンスや副作用の有無である。腫瘍レスポンスは、例えば、腫瘍の完治確率または治療前の大きさからの縮小度合いにより示される。なお、治療前よりも腫瘍が拡大している場合はマイナス値で表せばよい。副作用の有無は、例えば、体重減少の有無により示される。 The prediction function 115 uses first prognosis prediction information, which is a prediction of the prognosis expected when treatment is proceeded according to the first treatment plan, and treatment according to the second treatment plan generated by the generation function 113. second prognosis prediction information that is a prediction of the prognosis expected when the process is advanced. Prognosis prediction includes, for example, tumor response that predicts the degree of shrinkage after radiation irradiation and the presence or absence of side effects. The tumor response is indicated by, for example, the probability of complete cure of the tumor or the degree of reduction from the size before treatment. Note that if the tumor is larger than before treatment, it may be expressed as a negative value. The presence or absence of side effects is indicated by, for example, the presence or absence of weight loss.
学習機能117は、第1の予後予測情報および第2の予後予測情報を生成するためのモデルを学習させる。ここでは、ニューラルネットワークに代表される機械学習モデルを学習することで学習済みモデルを生成することを想定する。なお、機械学習に限らず、学習機能117により生成されるモデルはルックアップテーブル(LUT)であってもよい。 The learning function 117 trains a model for generating the first prognosis prediction information and the second prognosis prediction information. Here, we assume that a trained model is generated by learning a machine learning model such as a neural network. Note that the model generated by the learning function 117 is not limited to machine learning, and the model generated by the learning function 117 may be a look-up table (LUT).
提示機能119は、第1の予後予測情報および第2の予後予測情報をユーザに提示する。提示方法としては、第1の予後予測情報および第2の予後予測情報をディスプレイ(図示せず)に表示してもよいし、第1の予後予測情報および第2の予後予測情報をスピーカ(図示せず)を介して音声により出力(再生)してもよい。 The presentation function 119 presents the first prognosis prediction information and the second prognosis prediction information to the user. As a presentation method, the first prognosis prediction information and the second prognosis prediction information may be displayed on a display (not shown), or the first prognosis prediction information and the second prognosis prediction information may be displayed on a speaker (not shown). (not shown) may be output (played) as audio.
メモリ13は、ハードウェア資源として、例えば、ROM(Read Only Memory)やRAM(Random Access Memory)、HDD(Hard Disk Drive)、SSD(Solid State Drive)等で構成される。メモリ13は、第1の治療計画に関する情報、機械学習モデル、学習用データを記憶することを想定する。また、予測機能115により算出された第1の予後予測情報および第2の予後予測情報を記憶してもよい。処理回路11とメモリ13とは、互いにバスを介して通信可能に接続されている。 The memory 13 is configured of hardware resources such as ROM (Read Only Memory), RAM (Random Access Memory), HDD (Hard Disk Drive), and SSD (Solid State Drive). The memory 13 is assumed to store information regarding the first treatment plan, a machine learning model, and learning data. Further, the first prognosis prediction information and the second prognosis prediction information calculated by the prediction function 115 may be stored. The processing circuit 11 and the memory 13 are communicably connected to each other via a bus.
次に、治療計画支援装置1で利用する機械学習モデルの学習時の概念について図2を参照して説明する。
図2は、学習前の機械学習モデル210に対する学習用データの入力を示す。学習用データは、第1の治療計画時に得られる各種情報と、第1の治療終了後の治療効果や副作用発生の情報との組である。
Next, the concept of learning the machine learning model used in the treatment planning support device 1 will be explained with reference to FIG. 2.
FIG. 2 shows input of learning data to the machine learning model 210 before learning. The learning data is a set of various information obtained at the time of the first treatment plan and information on treatment effects and occurrence of side effects after the first treatment is completed.
機械学習モデル210には、第1の治療計画時における、治療計画情報201、CT画像特徴量203および患者関連情報205が入力データとして入力される。治療計画情報201は、治療計画情報に含まれる項目は、例えば、治療部位や放射線の線量分布、放射線の照射角度や照射回数などの照射方法、放射線の治療条件が挙げられる。CT画像特徴量203は、第1の治療計画を立てる場合に用いたCT画像についての輝度値またはCT値、形状、テクスチャ、統計量などの数値データを想定する。なお、CT画像は、治療計画を立てる場合に放射線治療開始前に撮影されるマルチスライスCT画像である。患者関連情報205は、例えば患者の年齢、性別、治療部位、体型情報、ガンのステージ情報、既往歴、および患者の家族の病例などが挙げられる。 The machine learning model 210 receives as input data the treatment plan information 201, the CT image feature amount 203, and the patient-related information 205 at the time of the first treatment plan. Items included in the treatment plan information 201 include, for example, treatment site, radiation dose distribution, irradiation method such as radiation irradiation angle and number of irradiation, and radiation treatment conditions. The CT image feature amount 203 is assumed to be numerical data such as the brightness value or CT value, shape, texture, and statistical amount for the CT image used when creating the first treatment plan. Note that the CT image is a multi-slice CT image that is taken before the start of radiation therapy when creating a treatment plan. The patient-related information 205 includes, for example, the patient's age, sex, treatment site, body shape information, cancer stage information, medical history, and cases of the patient's family.
一方、機械学習モデル210の学習に使われる正解データは、第1の予後情報207である。第1の予後情報207は、第1の治療計画に基づいて、上述した予後の情報を含み、すなわち患者に副作用が発生したか否かの副作用に関する情報、および、腫瘍の大きさが縮小したか、現状維持なのか、または再発したかといった治療効果に関する情報を含む。第1の予後情報207としては、第1の治療計画に基づいて患者に対して放射線治療を行い、当該患者を経過観察することで得られる予後の情報を用いればよい。 On the other hand, the correct data used for learning the machine learning model 210 is the first prognosis information 207. The first prognostic information 207 includes the above-mentioned prognostic information based on the first treatment plan, that is, information regarding side effects, such as whether the patient has experienced side effects, and whether the size of the tumor has decreased. , including information on treatment effects, such as whether the status quo is maintained or whether there is a relapse. As the first prognosis information 207, prognosis information obtained by performing radiotherapy on a patient based on the first treatment plan and observing the patient's progress may be used.
メモリ13は、ある患者の治療計画の事例から生成された学習用データを記憶する。つまり、メモリ13は、第1の治療計画に基づいて患者を放射線治療する際の治療計画情報201、CT画像特徴量203および患者関連情報205を入力データとし、当該患者に関する予後情報207を正解データとした1組の学習用データを記憶すればよい。 The memory 13 stores learning data generated from an example of a treatment plan for a certain patient. In other words, the memory 13 uses treatment plan information 201, CT image features 203, and patient-related information 205 as input data when performing radiotherapy on a patient based on the first treatment plan, and uses prognosis information 207 regarding the patient as correct answer data. It is sufficient to store one set of learning data.
学習機能117により処理回路11が、モデル学習プログラムに従い、学習用データを用いて機械学習モデル210を機械学習し、学習済みモデルを生成する。機械学習モデル210としては、ニューラルネットワーク、ディープラーニング、Random Forest、サポートベクタマシンまたはカーネル回帰等を想定するが、これに限らず他の機械学習モデルであってもよい。 Using the learning function 117, the processing circuit 11 performs machine learning on the machine learning model 210 using the learning data according to the model learning program, and generates a learned model. The machine learning model 210 is assumed to be a neural network, deep learning, random forest, support vector machine, kernel regression, etc., but is not limited thereto and may be any other machine learning model.
なお、学習済みモデルは、例えば工場出荷時において予め用意した学習用データに基づいて機械学習モデル210を学習させることで生成してもよいし、工場出荷時には未学習の状態で、出荷先(例えば病院)において、治療計画支援装置1が医用情報サーバに接続することで当該学習用データを取得し、取得した学習用データに基づいて、学習機能117により機械学習モデル210を学習させてもよい。さらに、学習機能117により、新たに生成した学習用データに基づいて学習済みモデルを更新できるようにしてもよい。 Note that the trained model may be generated by, for example, learning the machine learning model 210 based on learning data prepared in advance at the time of factory shipment, or may be generated in an untrained state at the time of factory shipment and sent to the shipping destination (e.g. Hospital), the treatment planning support device 1 may acquire the learning data by connecting to a medical information server, and the machine learning model 210 may be trained by the learning function 117 based on the acquired learning data. Furthermore, the learning function 117 may be configured to update the learned model based on newly generated learning data.
次に、治療計画支援装置1で利用する学習済みモデルの利用時の概念について図3を参照して説明する。
図2の機械学習により得られた学習済みモデル307の利用時には、第2の治療計画を想定した治療計画情報303と、第1の治療計画に基づく放射線治療中に撮影したCBCT画像特徴量305と、第1の治療計画時の患者関連情報205とが、学習済みモデル307に入力される。
Next, the concept of using the trained model used in the treatment planning support device 1 will be explained with reference to FIG. 3.
When using the trained model 307 obtained by machine learning in FIG. , patient-related information 205 at the time of the first treatment plan are input to the learned model 307.
ここで生成機能113により処理回路11が、第1の治療計画時の治療計画情報201と、第1の治療計画に基づく放射線治療中のCBCT画像301とを用いて第2の治療計画を想定した治療計画情報303を生成する。具体的には、CBCT画像301を治療計画用のCT画像とみなし、第1の治療計画情報201において考慮した腫瘍の大きさなどの画像特徴量(パラメータ)や照射位置を決める輪郭情報をCBCT画像301に基づいて更新することで、第2の治療計画を想定した治療計画情報303が生成されればよい。輪郭情報の更新には、第1の治療計画時のCT画像とCBCT画像301とのレジストレーション(画像の位置合わせ)を用いても良い。なお、第2の治療計画は、第2の治療計画を生成する直前の第1の治療計画に沿った治療状況(放射線の積算照射量など)を勘案し、第1の治療計画における残りの照射量を元に計画される。
CBCT画像特徴量305は、例えば、生成機能113により、CT画像特徴量203と同様の特徴量をCBCT画像301から算出することで生成される。
Here, the generation function 113 causes the processing circuit 11 to assume a second treatment plan using the treatment plan information 201 at the time of the first treatment plan and the CBCT image 301 during radiation treatment based on the first treatment plan. Treatment plan information 303 is generated. Specifically, the CBCT image 301 is regarded as a CT image for treatment planning, and the image features (parameters) such as the tumor size considered in the first treatment planning information 201 and the contour information that determines the irradiation position are used as the CBCT image. 301, the treatment plan information 303 assuming the second treatment plan may be generated. To update the contour information, registration (image positioning) between the CT image and the CBCT image 301 during the first treatment planning may be used. Note that the second treatment plan is created by taking into account the treatment situation (integrated dose of radiation, etc.) according to the first treatment plan immediately before generating the second treatment plan, and calculates the remaining irradiation in the first treatment plan. Planned based on quantity.
The CBCT image feature amount 305 is generated by, for example, the generation function 113 calculating a feature amount similar to the CT image feature amount 203 from the CBCT image 301 .
このように、機械学習モデルを学習させた入力データの種類は変えずに、入力データの値を第2の治療計画情報303に関するデータとすることで、学習済みモデル307自体は第1の治療計画に基づく第1の予後情報207の予測結果を出力するように学習されているものの、学習済みモデル307からの出力として、結果的に第2の治療計画における予後予測情報309(以下、第2の予後予測情報309)を出力することができる。
なお、本実施例では第2の治療計画を想定した第2の治療計画情報303を用いて、第2の治療計画における予後予測情報309を出力することを説明したが、第2の治療計画情報303の代わりに第1の治療計画情報201を学習済みモデル307に入力することで、第1の治療計画での治療を継続した場合の、予後予測情報を出力することができる。
In this way, by setting the value of the input data as data related to the second treatment plan information 303 without changing the type of input data on which the machine learning model is trained, the learned model 307 itself can be used as the first treatment plan information. Although it has been trained to output the prediction result of the first prognosis information 207 based on the learned model 307, as a result, the prognosis prediction information 309 (hereinafter, the second Prognosis prediction information 309) can be output.
In this embodiment, it has been explained that the second treatment plan information 303 assuming the second treatment plan is used to output the prognosis prediction information 309 in the second treatment plan. By inputting the first treatment plan information 201 to the learned model 307 instead of 303, it is possible to output prognosis prediction information when treatment according to the first treatment plan is continued.
次に本実施形態に係る治療計画支援装置1の動作例について図4のフローチャートを参照して説明する。
ステップS401では、CT撮影装置(図示せず)により、治療計画用のCT画像を撮影する。
ステップS402では、ステップS401で撮影したCT画像に基づいて、第1の治療計画が立てられる。なお、第1の治療計画については、生成機能により処理回路11が第1の治療計画を設計してもよいし、外部(例えば、治療計画装置)で設計されてもよい。
第1の治療計画が立てられた後、当該第1の治療計画に沿って患者に対する治療が実施される。ここでは、患者が病院に来院し、治療室に入ったとする(ステップSa)。
ステップS403では、CT撮影装置により、当該放射線治療を実施する前のCBCT画像が撮影される。
Next, an example of the operation of the treatment planning support device 1 according to this embodiment will be described with reference to the flowchart of FIG. 4.
In step S401, a CT image for treatment planning is captured using a CT imaging device (not shown).
In step S402, a first treatment plan is created based on the CT image taken in step S401. Note that the first treatment plan may be designed by the processing circuit 11 using a generation function, or may be designed externally (for example, by a treatment planning device).
After the first treatment plan is established, the patient is treated according to the first treatment plan. Here, it is assumed that a patient visits a hospital and enters a treatment room (step Sa).
In step S403, a CBCT image before the radiation therapy is performed is captured by the CT imaging device.
ステップS404では、第1の治療計画に基づき、その日分の放射線治療が実施される。例えば、1日何分間の所定線量の照射を、何日おきに何回実施するといった計画に沿って行われる。なお、治療計画情報は、放射線治療装置(図示せず)に伝送される。放射線治療装置は、治療計画に従い放射線を患者の腫瘍に対して照射する。
ステップS405では、ユーザからのAdaptive RTの適用可能性の判断指示があるか否かが判定される。例えば、取得機能111により、ユーザからのAdaptive RTのために治療計画を立て直す指示、またはユーザからAdaptive RTを適用した方が良いのかどうかを検討するための予後予測実行指示を取得した場合に、Adaptive RTの適用可能性の判断指示があったと判定すればよい。ユーザからの判断指示があればステップS407に進み、ユーザからのAdaptive RTの適用可能性の判断指示がなければステップS406に進む。
In step S404, radiation therapy for that day is performed based on the first treatment plan. For example, irradiation is carried out according to a plan such as how many minutes a day a predetermined dose of irradiation is to be performed and how many times every few days. Note that the treatment plan information is transmitted to a radiation therapy apparatus (not shown). A radiation therapy device irradiates a patient's tumor with radiation according to a treatment plan.
In step S405, it is determined whether there is an instruction from the user to determine the applicability of Adaptive RT. For example, when the acquisition function 111 acquires an instruction from the user to rebuild a treatment plan for Adaptive RT, or an instruction to perform prognosis prediction to consider whether it is better to apply Adaptive RT, the Adaptive RT It may be determined that there has been an instruction to determine the applicability of RT. If there is a determination instruction from the user, the process advances to step S407, and if there is no user instruction to determine the applicability of Adaptive RT, the process advances to step S406.
ステップS406では、第1の治療計画に基づく放射線治療が終了したか、つまり第1の治療計画により計画される規定回数の放射線照射を終了したかどうかが判定される。例えば、処理回路11が、規定回数に対する放射線照射回数の情報を取得し、規定回数と放射線照射回数とが一致していれば、規定回数の放射線照射が終了したと判定すればよい。規定回数の放射線照射が終了した場合は、処理を終了し、規定回数の放射線照射が終了していない場合は、次の治療のためステップSaに戻り、第1の治療計画に基づく放射線治療を継続する。 In step S406, it is determined whether the radiation therapy based on the first treatment plan has been completed, that is, whether the prescribed number of radiation irradiations planned by the first treatment plan have been completed. For example, the processing circuit 11 may obtain information on the number of times of radiation irradiation with respect to the prescribed number of times, and if the prescribed number of times and the number of radiation irradiations match, it may be determined that the prescribed number of radiation irradiations have been completed. If the prescribed number of radiation irradiations have been completed, the process is terminated; if the prescribed number of radiation irradiations have not been completed, the process returns to step Sa for the next treatment and continues radiotherapy based on the first treatment plan. do.
ステップS407では、予測機能115により処理回路11が、Adaptive RTを適用するか否かを判定するために、予後予測が実施される。具体的には、予測機能115により処理回路11は、ユーザからの指示の直前に実施された放射線治療の際に撮影されたCBCT画像に基づいて、第2の治療計画を想定した治療計画情報を生成する。予測機能115により処理回路11は、第1の治療計画に基づく治療計画情報、CT画像特徴量および患者関連情報を学習済みモデルに入力し、学習済みモデルの出力として第1の予後予測情報を得る。また、予測機能115により処理回路11は、第2の治療計画に基づく治療計画情報、ステップS403で取得したCBCT画像に関するCBCT画像特徴量および患者情報を学習済みモデルに入力し、学習済みモデルの出力として第2の予後予測情報とを取得する。 In step S407, the prediction function 115 performs prognosis prediction in order for the processing circuit 11 to determine whether or not to apply Adaptive RT. Specifically, the prediction function 115 causes the processing circuit 11 to generate treatment plan information assuming a second treatment plan based on a CBCT image taken during radiation therapy performed immediately before the instruction from the user. generate. Using the prediction function 115, the processing circuit 11 inputs treatment plan information based on the first treatment plan, CT image features, and patient-related information to the learned model, and obtains first prognosis prediction information as an output of the learned model. . Further, the processing circuit 11 uses the prediction function 115 to input the treatment plan information based on the second treatment plan, the CBCT image feature amount and patient information regarding the CBCT image acquired in step S403 to the learned model, and outputs the learned model. and second prognosis prediction information.
ステップS408では、提示機能119により処理回路11が、第1の予後予測情報と第2の予後予測情報とを提示する。第1の予後予測と第2の予後予測との提示は、例えばディスプレイに表示することを想定するが、これに限らず音声で通知してもよいし、ハードコピーされ紙媒体で出力されてもよい。 In step S408, the processing circuit 11 uses the presentation function 119 to present the first prognosis prediction information and the second prognosis prediction information. The presentation of the first prognosis prediction and the second prognosis prediction is assumed to be displayed on a display, for example, but the notification is not limited to this, and may be notified by voice, or by hard copy and output on paper media. good.
ステップS409では、処理回路11が、Adaptive RTを適用するか否かの指示を取得する。言い換えれば、ユーザがAdaptive RTを適用するため、例えばディスプレイに表示されるAdaptive RTの文字または決定ボタンをタッチするあるいは操作ボタンを押下することにより発生する指示信号に基づき、処理回路11は、Adaptive RTを適用する指示を取得した(第2の治療計画が選択された)と判定する。Adaptive RTを適用する指示を取得した場合はステップS410に進み、Adaptive RTを適用する指示を取得しない、すなわちAdaptive RTが適用されない場合はステップS406に戻り、処理を繰り返す。
なお、治療計画支援装置1がAdaptive RTを適用するか否かを自動的に判定してもよい。例えば、処理回路11が、第1の予後予測情報と第2の予後予測情報とに基づいて、第2の予後予測情報が第1の予後予測情報よりも結果が良好な場合(例えば、副作用の発生確率が閾値以下の場合)に、Adaptive RTを適用すると判定し、ユーザにAdaptive RTの適用を推奨する旨を提示してもよい。
In step S409, the processing circuit 11 obtains an instruction as to whether or not to apply Adaptive RT. In other words, in order to apply Adaptive RT, the processing circuit 11 uses the Adaptive It is determined that the instruction to apply the treatment plan has been obtained (the second treatment plan has been selected). If an instruction to apply Adaptive RT is acquired, the process advances to step S410, and if an instruction to apply Adaptive RT is not acquired, that is, if Adaptive RT is not applied, the process returns to step S406 and the process is repeated.
Note that the treatment planning support device 1 may automatically determine whether or not to apply Adaptive RT. For example, if the processing circuit 11 determines based on the first prognosis prediction information and the second prognosis prediction information that the second prognosis prediction information has a better result than the first prognosis prediction information (for example, If the probability of occurrence is below a threshold), it may be determined that Adaptive RT is to be applied, and the user may be presented with a recommendation to apply Adaptive RT.
ステップS410では、生成機能113により処理回路11が、第1の治療計画から第2の治療計画に切り換える。その後、第2の治療計画に基づいて放射線治療が実施される。なお、第2の治療計画は、ステップS407で用いたCBCT画像に基づく第2の治療計画として想定した治療計画情報を用いてもよいし、新たに治療計画用としてマルチスライスCT画像を撮影し、当該マルチスライスCT画像に基づいて第2の治療計画を立ててもよい。 In step S410, the generation function 113 causes the processing circuit 11 to switch from the first treatment plan to the second treatment plan. Thereafter, radiotherapy is performed based on the second treatment plan. Note that the second treatment plan may use treatment plan information assumed as the second treatment plan based on the CBCT image used in step S407, or a new multi-slice CT image is taken for treatment planning, A second treatment plan may be established based on the multi-slice CT image.
なお、図4のフローチャートでは、ユーザの指示をトリガとして予後予測を実施することを想定するが、バックグラウンドで自動的に予後予測を実施してもよい。 Although the flowchart in FIG. 4 assumes that prognosis prediction is performed using a user's instruction as a trigger, prognosis prediction may be performed automatically in the background.
予後予測をバックグラウンドで実施する場合の治療計画支援装置の動作例について図5のフローチャートを参照して説明する。ステップS401~ステップS404,ステップS406,ステップS408~ステップS410については図4と同様の処理であるので説明を省略する。 An example of the operation of the treatment planning support device when prognosis prediction is performed in the background will be described with reference to the flowchart of FIG. Steps S401 to S404, S406, and S408 to S410 are the same processes as in FIG. 4, so their explanations will be omitted.
ステップS501では、予測機能115により処理回路11が、ステップS403における放射線治療前のCBCT画像を用いて、例えば、放射線照射用のCBCT画像が撮影される度に、当該CBCT画像を用いて第1の予後予測および第2の予後予測を実施し、第1の予後予測情報および第2の予後予測情報をそれぞれ得る。 In step S501, the prediction function 115 causes the processing circuit 11 to use the CBCT image before radiation therapy in step S403 to perform a first A prognosis prediction and a second prognosis prediction are performed to obtain first prognosis prediction information and second prognosis prediction information, respectively.
ステップS502では、例えば予測機能115により処理回路11が、第1の予後予測情報および第2の予後予測情報を提示するか否かを判定する。例えば、第1の予後予測と第2の予後予測との差分が閾値以上である場合に第1の予後予測情報および第2の予後予測情報を提示すると判定されればよい。具体的には、予後予測が副作用の発生確率である場合、2つの発生確率の差分が閾値以上(例えば、15%以上)である場合に、第1の予後予測情報及び第2の予後予測情報を提示する。または、第1の予後予測よりも第2の予後予測の方が結果が好ましい場合(副作用の発生確率が低いなど)に、第1の予後予測情報及び第2の予後予測情報を提示すると判定されてもよい。さらには、第1の予後予測情報及び第2の予後予測情報のうちの少なくともどちらか一方が、予後予測が閾値以下、例えば副作用の発生確率が閾値以下となった場合に、第1の予後予測情報および第2の予後予測情報を提示すると判定されてもよい。
第1の予後予測情報および第2の予後予測情報を提示すると判定された場合、ステップS408に進む。一方、第1の予後予測の方が第2の予後予測よりも状況が好ましい場合は、このまま第1の治療計画に基づいて治療を進めればよいため、ステップS406に戻り処理を繰り返す。
In step S502, for example, the processing circuit 11 uses the prediction function 115 to determine whether to present the first prognosis prediction information and the second prognosis prediction information. For example, it may be determined that the first prognosis prediction information and the second prognosis prediction information are to be presented when the difference between the first prognosis prediction and the second prognosis prediction is greater than or equal to a threshold value. Specifically, when the prognosis prediction is the probability of occurrence of a side effect, the first prognosis prediction information and the second prognosis prediction information are present. Alternatively, if the second prognosis prediction has a more favorable result than the first prognosis prediction (e.g., the probability of occurrence of side effects is low), it is determined that the first prognosis prediction information and the second prognosis prediction information are to be presented. You can. Furthermore, when at least one of the first prognosis prediction information and the second prognosis prediction information indicates that the prognosis prediction is below a threshold, for example, the probability of occurrence of side effects is below a threshold, the first prognosis prediction It may be determined to present the information and the second prognostic information.
If it is determined that the first prognosis prediction information and the second prognosis prediction information are to be presented, the process advances to step S408. On the other hand, if the first prognosis prediction is more favorable than the second prognosis prediction, the treatment can be continued based on the first treatment plan, so the process returns to step S406 and repeats the process.
なお、予後予測の結果に限らず、予後予測の実施後は常に第1の予後予測情報および第2の予後予測情報を提示するようにしてもよいし、所定回数の治療が完了するごと(例えば、2回ごと、5回ごと)に第1の予後予測および第2の予後予測を提示するようにしてもよい。 Note that the first prognosis prediction information and the second prognosis prediction information may be presented not only as a result of the prognosis prediction but also after the implementation of the prognosis prediction, or every time a predetermined number of treatments are completed (e.g. , every second time, every fifth time), the first prognosis prediction and the second prognosis prediction may be presented.
次に、予後予測情報の第1の提示例について図6を参照して説明する。
図6は、第1の予後予測における副作用の発生確率と、Adaptive RTを適用した場合の第2の予後予測における副作用の発生確率とを表示させる例である。図6の例では、第1の予後予測を<重篤な副作用発生確率>として表示しており、治療後3ヶ月での重篤な肺臓炎の発生確率が「87%」である。一方、第2の予後予測を<Adaptive RTを適用した場合>として表示しており、治療後3ヶ月での重篤な肺臓炎の発生確率が「65%」である。よってこの場合、Adaptive RTを適用した方が副作用の発生確率が低くなることが分かる。これにより、治療計画支援装置のユーザは、提示された2つの発生確率を参照して、Adaptive RTを適用するか否かを容易に判断することができる。
Next, a first presentation example of prognosis prediction information will be described with reference to FIG. 6.
FIG. 6 is an example of displaying the probability of occurrence of side effects in the first prognosis prediction and the probability of occurrence of side effects in the second prognosis prediction when Adaptive RT is applied. In the example of FIG. 6, the first prognosis prediction is displayed as <probability of occurrence of serious side effects>, and the probability of occurrence of serious pneumonitis 3 months after treatment is "87%". On the other hand, the second prognosis prediction is displayed as <when Adaptive RT is applied>, and the probability of occurrence of severe pneumonitis 3 months after treatment is "65%". Therefore, in this case, it can be seen that the probability of side effects occurring is lower when Adaptive RT is applied. Thereby, the user of the treatment planning support device can easily determine whether to apply Adaptive RT by referring to the two presented probabilities of occurrence.
次に、予後予測情報の第2の提示例について図7を参照して説明する。
図7は、第1の予後予測情報と第2の予後予測情報とのうち、予測結果が良好な予後予測のみを提示するようにする。すなわち、例えば、第2の予後予測の方が第1の予後予測よりも副作用の発生確率が低ければ、Adaptive RTを適用した場合である第2の予後予測のみを提示する。一方、第1の予後予測の方が第2の予後予測よりも副作用の発生確率が低ければ、第1の予後予測のみを提示する。
Next, a second presentation example of prognosis prediction information will be described with reference to FIG. 7.
In FIG. 7, only the prognosis prediction with a favorable prediction result is presented from the first prognosis prediction information and the second prognosis prediction information. That is, for example, if the probability of occurrence of side effects is lower in the second prognosis prediction than in the first prognosis prediction, only the second prognosis prediction, which is a case in which Adaptive RT is applied, is presented. On the other hand, if the probability of occurrence of side effects is lower in the first prognosis prediction than in the second prognosis prediction, only the first prognosis prediction is presented.
なお、処理回路11は、第1の予後予測のほうが第2の予後予測よりも副作用の発生確率が低ければ、現状の治療計画のまま治療を進めればよいため、予後予測情報の提示を行わずともよい。また、処理回路11は、第2の予後予測のほうが第1の予後予測よりも副作用の発生確率が低い場合に第2の予後予測を提示してもよく、さらに、ユーザにAdaptive RTの適用を推奨する旨のメッセージ(または音声など)を行ってもよい。
図7に示す別例によれば、ユーザは2つの予後予測を比較することなく、提示された1つの予後予測に基づいて、Adaptive RTの適用判断を行うことができる。
Note that if the probability of occurrence of side effects is lower in the first prognosis prediction than in the second prognosis prediction, the processing circuit 11 does not present the prognosis prediction information because the treatment can proceed with the current treatment plan. All right. Furthermore, the processing circuit 11 may present the second prognosis prediction when the probability of occurrence of side effects is lower in the second prognosis prediction than in the first prognosis prediction, and may further prompt the user to apply Adaptive RT. A message (or voice, etc.) may be sent to the effect that it is recommended.
According to another example shown in FIG. 7, the user can decide whether to apply Adaptive RT based on one presented prognosis prediction without comparing two prognosis predictions.
以上に示した第1の実施形態によれば、第1の治療計画に基づく治療を実施中に撮影されるCBCT画像に基づいて、Adaptive RTを適用した場合の第2の治療計画を想定した予後予測を学習済みモデルを用いて生成する。すなわち、再度治療計画用のCT画像を撮像することなく、第2の治療計画に基づく予後予測を得ることが可能になる。これによって、医師などのユーザは、Adaptive RTを適用すると予後予測がどのように変化するかを容易に把握することができる。また、第2の治療計画に基づく予後予測を得る際に再度CT画像を撮像する必要がないので、患者の負担を軽減することも可能である。よって、ユーザがAdaptive RTに関して精通したものでなくとも提示される結果から正確かつ容易に、治療計画を変更の是非について判断することができる。結果として、より適切な治療計画を立てることができ、患者のQOLも向上させることができる。すなわち、治療期間中のAdaptive RTの適用判断を高精度かつ容易に支援できる。 According to the first embodiment described above, the prognosis based on the CBCT image taken while performing the treatment based on the first treatment plan is based on the assumption of the second treatment plan when Adaptive RT is applied. Generate predictions using a trained model. That is, it becomes possible to obtain a prognosis prediction based on the second treatment plan without capturing a CT image for treatment planning again. This allows users such as doctors to easily understand how prognosis prediction changes when Adaptive RT is applied. Further, since there is no need to take a CT image again when obtaining a prognosis prediction based on the second treatment plan, it is also possible to reduce the burden on the patient. Therefore, even if the user is not familiar with Adaptive RT, the user can accurately and easily judge whether to change the treatment plan from the presented results. As a result, a more appropriate treatment plan can be formulated and the patient's QOL can also be improved. In other words, the decision to apply Adaptive RT during the treatment period can be supported with high accuracy and ease.
(第2の実施形態)
第2の実施形態では、第1の実施形態に係る治療計画支援装置の実装例として、治療計画装置に第1の実施形態に係る治療計画支援装置を含めた例を図8のブロック図に示す。なお、第2の実施形態では、治療計画支援装置を治療計画装置に搭載する例を示すが、これに限らず、放射線治療情報管理システム(OIS:Oncology Information System)、および治療装置に搭載されてもよい。
(Second embodiment)
In the second embodiment, as an implementation example of the treatment planning support device according to the first embodiment, an example in which the treatment planning support device according to the first embodiment is included in the treatment planning device is shown in the block diagram of FIG. . Although the second embodiment shows an example in which a treatment planning support device is installed in a treatment planning device, the present invention is not limited to this. Good too.
図8に示すように、第2の実施形態に係る治療計画装置2は、処理回路11、画像処理回路50、通信インタフェース(IF)60、ディスプレイ70、入力インタフェース(IF)80およびメモリ90を有する。処理回路11、画像処理回路50、通信インタフェース60、ディスプレイ70、入力インタフェース80及びメモリ90は、互いにバスを介して通信可能に接続されている。 As shown in FIG. 8, the treatment planning device 2 according to the second embodiment includes a processing circuit 11, an image processing circuit 50, a communication interface (IF) 60, a display 70, an input interface (IF) 80, and a memory 90. . The processing circuit 11, the image processing circuit 50, the communication interface 60, the display 70, the input interface 80, and the memory 90 are communicably connected to each other via a bus.
処理回路11は、治療計画支援装置1に含まれる各機能を実現する。
患者情報データベース30は、複数の患者の患者情報を記憶するデータベースである。患者情報は、患者基本情報と治療結果情報とを含む。患者基本情報は、患者を特定するための基本的な情報であり、例えば、患者ID、患者名、性別及び年齢の項目を含む。治療結果情報は、患者に実際に施された治療の結果に関する情報である。
The processing circuit 11 realizes each function included in the treatment planning support device 1.
The patient information database 30 is a database that stores patient information of a plurality of patients. The patient information includes basic patient information and treatment result information. The patient basic information is basic information for identifying a patient, and includes, for example, patient ID, patient name, gender, and age. The treatment result information is information regarding the results of treatment actually administered to the patient.
画像処理回路50は、ハードウェア資源として、CPUやGPU等のプロセッサとROMやRAM等のメモリとを有する。画像処理回路50は、治療計画画像に種々の画像処理を施す。例えば、画像処理回路50は、3次元の治療計画画像にボリュームレンダリングや、サーフェスボリュームレンダリング、画像値投影処理、MPR(Multi-Planer Reconstruction)処理、CPR(Curved MPR)処理等の3次元画像処理を施して表示用の2次元の医用画像を生成する。なお、画像処理回路50は、上記画像処理を実現可能なASICやFPGA、CPLD、SPLDにより実現されても良い。 The image processing circuit 50 includes a processor such as a CPU or a GPU, and a memory such as a ROM or RAM as hardware resources. The image processing circuit 50 performs various image processing on the treatment plan image. For example, the image processing circuit 50 performs three-dimensional image processing such as volume rendering, surface volume rendering, image value projection processing, MPR (Multi-Planer Reconstruction) processing, and CPR (Curved MPR) processing on a three-dimensional treatment plan image. to generate a two-dimensional medical image for display. Note that the image processing circuit 50 may be realized by an ASIC, FPGA, CPLD, or SPLD that can realize the above image processing.
通信インタフェース60は、図示しない有線又は無線を介して、放射線治療装置や画像保存通信システム(PACS:Picture Archiving and Communication System)、病院情報システム(HIS:Hospital Information System)、放射線科情報システム(RIS:Radiology Information System)、放射線治療情報管理システム(OIS:Oncology Information System)等との間でデータ通信を行う通信インタフェースを有する。 The communication interface 60 communicates with radiation therapy equipment, a picture archiving and communication system (PACS), a hospital information system (HIS), and a radiology information system (RIS) via a wired or wireless connection (not shown). It has a communication interface that performs data communication with a radiology information system (OIS), a radiotherapy information management system (OIS), and the like.
ディスプレイ70は、種々の情報を表示する。具体的には、ディスプレイ70は、表示インタフェース回路と表示機器とを有する。表示インタフェース回路は、表示対象を表すデータを映像信号に変換する。映像信号は、表示機器に供給される。表示機器は、表示対象を表す映像信号を表示する。表示機器としては、例えば、CRTディスプレイや液晶ディスプレイ、有機ELディスプレイ、LEDディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイが適宜利用可能である。 Display 70 displays various information. Specifically, display 70 includes a display interface circuit and a display device. The display interface circuit converts data representing a display object into a video signal. The video signal is supplied to a display device. The display device displays a video signal representing a display target. As the display device, for example, a CRT display, a liquid crystal display, an organic EL display, an LED display, a plasma display, or any other display known in the art can be used as appropriate.
入力インタフェース80は、具体的には、入力機器と入力インタフェース回路とを有する。入力機器は、ユーザからの各種指令を受け付ける。入力機器としては、キーボードやマウス、各種スイッチ等が利用可能である。入力インタフェース回路は、入力機器からの出力信号をバスを介して処理回路11に供給する。 Specifically, the input interface 80 includes an input device and an input interface circuit. The input device receives various commands from the user. As input devices, a keyboard, mouse, various switches, etc. can be used. The input interface circuit supplies the output signal from the input device to the processing circuit 11 via the bus.
メモリ90は、種々の情報を記憶するHDDやSSD、集積回路記憶装置等の記憶装置である。例えば、メモリ90は、学習前の機械学習モデル、学習済みモデル、学習用データを記憶する。ハードウェアとしてメモリ90は、CD-ROMドライブやDVDドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であっても良い。 The memory 90 is a storage device such as an HDD, SSD, or integrated circuit storage device that stores various information. For example, the memory 90 stores machine learning models before learning, trained models, and learning data. As hardware, the memory 90 may be a drive device or the like that reads and writes various information to/from a portable storage medium such as a CD-ROM drive, a DVD drive, or a flash memory.
以上に示した第2の実施形態によれば、治療計画支援装置を治療計画装置に搭載することで、第1の実施形態と同様に、Adaptive RTを適用すると予後予測がどのように変化するかをより正確に判断し、必要がある場合は治療計画を変更することができる。 According to the second embodiment described above, by installing the treatment planning support device in the treatment planning device, how the prognosis prediction changes when Adaptive RT is applied, as in the first embodiment. more accurately and change the treatment plan if necessary.
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Although several embodiments of the invention have been described, these embodiments are presented by way of example and are not intended to limit the scope of the invention. These novel embodiments can be implemented in various other forms, and various omissions, substitutions, and changes can be made without departing from the gist of the invention. These embodiments and their modifications are included within the scope and gist of the invention, as well as within the scope of the invention described in the claims and its equivalents.
1 治療計画支援装置
2 治療計画装置
11 処理回路
13 メモリ
30 患者情報データベース
50 画像処理回路
60 通信インタフェース
70 ディスプレイ
80 入力インタフェース
90 メモリ
111 取得機能
113 生成機能
115 予測機能
117 学習機能
119 提示機能
201,303 治療計画情報
203 CT画像特徴量
205 患者関連情報
207 予後情報
210 機械学習モデル
301 CBCT画像
305 CBCT画像特徴量
307 学習済みモデル
309 予後予測情報
1 Treatment planning support device 2 Treatment planning device 11 Processing circuit 13 Memory 30 Patient information database 50 Image processing circuit 60 Communication interface 70 Display 80 Input interface 90 Memory 111 Acquisition function 113 Generation function 115 Prediction function 117 Learning function 119 Presentation function 201,303 Treatment planning information 203 CT image feature amount 205 Patient related information 207 Prognosis information 210 Machine learning model 301 CBCT image 305 CBCT image feature amount 307 Learned model 309 Prognosis prediction information
Claims (9)
前記第1の治療計画に関する情報と、前記第1の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第2の治療計画に関する情報を生成する生成部と、
前記第1の治療計画に沿って治療を進めた場合に想定される第1の予後予測情報を出力するモデルに従い、前記第2の治療計画に沿って治療を進めた場合に想定される第2の予後予測情報を出力する予測部と、
前記第1の予後予測情報と前記第2の予後予測情報との差分が閾値以上である場合に、前記第1の予後予測情報と前記第2の予後予測情報とを提示する提示部と、
を具備し、
前記モデルは、過去の治療計画に関する情報と、当該過去の治療計画時の医用画像に関する情報と、当該過去の治療計画により治療された患者の患者情報とを入力データとし、当該治療計画に基づく予後情報を正解データとして学習することで生成され、
前記予測部は、前記第2の治療計画を想定した治療計画に関する情報と、前記第1の治療計画により治療中の画像に関する情報と、前記第1の治療計画により治療中の患者の患者情報とを前記モデルに入力することで、前記第2の予後予測情報を出力し、
前記第2の治療計画は、前記第1の治療計画における治療状況に基づき、許容可能な残りの照射量を元に計画される、
治療計画支援装置。 an acquisition unit that acquires information regarding a first treatment plan related to radiation therapy;
a generation unit that generates information regarding a second treatment plan using information regarding the first treatment plan and a medical image acquired when performing radiation therapy based on the first treatment plan;
According to the model that outputs the first prognosis prediction information assumed when the treatment is proceeded according to the first treatment plan, the second prognosis prediction information assumed when the treatment is proceeded according to the second treatment plan. a prediction unit that outputs prognosis prediction information;
a presentation unit that presents the first prognosis prediction information and the second prognosis prediction information when the difference between the first prognosis prediction information and the second prognosis prediction information is equal to or greater than a threshold;
Equipped with
The model uses information regarding past treatment plans, information regarding medical images from the time of the past treatment plan, and patient information of patients treated according to the past treatment plan as input data, and calculates the prognosis based on the treatment plan. Generated by learning information as correct data,
The prediction unit includes information regarding a treatment plan assuming the second treatment plan, information regarding images being treated according to the first treatment plan, and patient information of a patient being treated according to the first treatment plan. by inputting into the model, outputting the second prognosis prediction information,
The second treatment plan is planned based on the allowable remaining irradiation dose based on the treatment situation in the first treatment plan.
Treatment planning support device.
請求項1に記載の治療計画支援装置。 The prediction unit outputs the second prognosis prediction information according to the model using information regarding the second treatment plan, patient information, and image features of the medical image.
The treatment planning support device according to claim 1.
請求項1または請求項2に記載の治療計画支援装置。 The prediction unit outputs the first prognosis prediction information and the second prognosis prediction information,
The treatment planning support device according to claim 1 or 2.
請求項1から請求項3のいずれか1項に記載の治療計画支援装置。 The model is generated by machine learning based on information obtained during the first treatment plan and first prognosis information after treatment based on the first treatment plan.
The treatment planning support device according to any one of claims 1 to 3.
請求項1から請求項4のいずれか1項に記載の治療計画支援装置。 The presentation unit presents the first prognosis prediction information and the second prognosis prediction information, whichever has a better prognosis prediction result.
The treatment planning support device according to any one of claims 1 to 4.
請求項1から請求項5のいずれか1項に記載の治療計画支援装置。 When the second prognosis prediction information has a better prognosis prediction result than the first prognosis prediction information, the presentation unit changes the treatment plan to the second treatment plan during treatment according to the first treatment plan. presents a message recommending the application of Adaptive RT indicating that
The treatment planning support device according to any one of claims 1 to 5.
請求項1から請求項6のいずれか1項に記載の治療計画支援装置。 The first prognosis prediction information and the second prognosis prediction information include information regarding the probability of occurrence of side effects or information regarding tumor response,
The treatment planning support device according to any one of claims 1 to 6.
請求項1から請求項7のいずれか1項に記載の治療計画支援装置。 The medical image is a cone beam CT image.
The treatment planning support device according to any one of claims 1 to 7.
前記第1の治療計画に関する情報と、前記第1の治療計画に基づく放射線治療を実施する際に取得された医用画像とを用いて、第2の治療計画に関する情報を生成し、
前記第1の治療計画に沿って治療を進めた場合に想定される第1の予後予測情報を出力するモデルに従い、前記第2の治療計画に沿って治療を進めた場合に想定される第2の予後予測情報を出力し、
前記第1の予後予測情報と前記第2の予後予測情報との差分が閾値以上である場合に、前記第1の予後予測情報と前記第2の予後予測情報とを提示し、
前記モデルは、過去の治療計画に関する情報と、当該過去の治療計画時の医用画像に関する情報と、当該過去の治療計画により治療された患者の患者情報とを入力データとし、当該治療計画に基づく予後情報を正解データとして学習することで生成され、
前記第2の治療計画を想定した治療計画に関する情報と、前記第1の治療計画による治療中の画像に関する情報と、前記第1の治療計画により治療中の患者の患者情報とが前記モデルに入力されることで、前記第2の予後予測情報が出力され、
前記第2の治療計画は、前記第1の治療計画における治療状況に基づき、許容可能な残りの照射量を元に計画される、
治療計画支援方法。
Obtaining information regarding the first treatment plan related to radiation therapy,
Generating information regarding a second treatment plan using information regarding the first treatment plan and a medical image acquired when performing radiation therapy based on the first treatment plan;
According to the model that outputs the first prognosis prediction information assumed when the treatment is proceeded according to the first treatment plan, the second prognosis prediction information assumed when the treatment is proceeded according to the second treatment plan. Output prognosis prediction information of
presenting the first prognosis prediction information and the second prognosis prediction information when the difference between the first prognosis prediction information and the second prognosis prediction information is a threshold value or more ;
The model uses information regarding past treatment plans, information regarding medical images from the time of the past treatment plan, and patient information of patients treated according to the past treatment plan as input data, and calculates the prognosis based on the treatment plan. Generated by learning information as correct data,
Information regarding a treatment plan assuming the second treatment plan, information regarding images being treated according to the first treatment plan, and patient information of a patient being treated according to the first treatment plan are input into the model. By doing so, the second prognosis prediction information is output,
The second treatment plan is planned based on the allowable remaining irradiation dose based on the treatment situation in the first treatment plan.
Treatment planning support method.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019030621A JP7412083B2 (en) | 2019-02-22 | 2019-02-22 | Treatment planning support device and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019030621A JP7412083B2 (en) | 2019-02-22 | 2019-02-22 | Treatment planning support device and method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020130790A JP2020130790A (en) | 2020-08-31 |
JP7412083B2 true JP7412083B2 (en) | 2024-01-12 |
Family
ID=72277063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019030621A Active JP7412083B2 (en) | 2019-02-22 | 2019-02-22 | Treatment planning support device and method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7412083B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114849089A (en) * | 2022-06-08 | 2022-08-05 | 上海联影医疗科技股份有限公司 | Radiotherapy guiding method and system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009502252A (en) | 2005-07-22 | 2009-01-29 | トモセラピー・インコーポレーテッド | Method and system for adapting a radiation therapy treatment plan based on a biological model |
JP2009533782A (en) | 2006-04-17 | 2009-09-17 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | Personal prognostic modeling in medical planning |
JP2013012025A (en) | 2011-06-29 | 2013-01-17 | Fujifilm Corp | Medical examination support system, method, and program |
JP2015512670A (en) | 2012-02-21 | 2015-04-30 | コーニンクレッカ フィリップス エヌ ヴェ | Adaptive radiotherapy using spectral imaging and tracking of tissues of interest |
JP2018514021A (en) | 2015-03-10 | 2018-05-31 | エレクタ、インク.Elekta, Inc. | Adaptive treatment management system including workflow management engine |
JP2018522683A (en) | 2015-08-13 | 2018-08-16 | シリス メディカル インコーポレイテッドSiris Medical,Inc. | Radiation therapy treatment plan based on results |
-
2019
- 2019-02-22 JP JP2019030621A patent/JP7412083B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009502252A (en) | 2005-07-22 | 2009-01-29 | トモセラピー・インコーポレーテッド | Method and system for adapting a radiation therapy treatment plan based on a biological model |
JP2009533782A (en) | 2006-04-17 | 2009-09-17 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | Personal prognostic modeling in medical planning |
JP2013012025A (en) | 2011-06-29 | 2013-01-17 | Fujifilm Corp | Medical examination support system, method, and program |
JP2015512670A (en) | 2012-02-21 | 2015-04-30 | コーニンクレッカ フィリップス エヌ ヴェ | Adaptive radiotherapy using spectral imaging and tracking of tissues of interest |
JP2018514021A (en) | 2015-03-10 | 2018-05-31 | エレクタ、インク.Elekta, Inc. | Adaptive treatment management system including workflow management engine |
JP2018522683A (en) | 2015-08-13 | 2018-08-16 | シリス メディカル インコーポレイテッドSiris Medical,Inc. | Radiation therapy treatment plan based on results |
Also Published As
Publication number | Publication date |
---|---|
JP2020130790A (en) | 2020-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11547874B2 (en) | Machine learning approach to real-time patient motion monitoring | |
US10395420B2 (en) | Calculation of a medical image using templates | |
RU2585419C2 (en) | System and method for automatic generation of initial plan of radiation therapy | |
EP3212287B1 (en) | Physician directed radiation treatment planning | |
JP2021519120A (en) | Decision support tool for adaptive radiation therapy in CT / LINAC console | |
Barragán-Montero et al. | Deep learning dose prediction for IMRT of esophageal cancer: the effect of data quality and quantity on model performance | |
JP6557227B2 (en) | Treatment plan automation | |
AU2020312643B2 (en) | Radiotherapy treatment plan optimization using machine learning | |
CN115554619A (en) | Radiation therapy interactive planning | |
US20180214714A1 (en) | Result-driven radiation therapy treatment planning | |
US9298880B2 (en) | Automatic treatment planning method | |
JP2019121390A (en) | Diagnosis support device, diagnosis support system and diagnosis support program | |
CN113226459B (en) | Automated detection of lung condition for monitoring chest patients undergoing external beam radiation therapy | |
Robert et al. | Clinical implementation of deep-learning based auto-contouring tools–Experience of three French radiotherapy centers | |
WO2020244788A1 (en) | Radiotherapy plan parameters with privacy guarantees | |
WO2016116449A1 (en) | Atlas-based determination of tumour growth direction | |
Taasti et al. | Developments in deep learning based corrections of cone beam computed tomography to enable dose calculations for adaptive radiotherapy | |
JP7412083B2 (en) | Treatment planning support device and method | |
US10769240B2 (en) | Determining medical outcome quality | |
US20150367146A1 (en) | Determining Soft-Tissue Shift Taking Into Account Bony Shift | |
JP2008099807A (en) | Radiotherapy planning apparatus and radiotherapy planning method | |
JP6775116B2 (en) | Medical data processing equipment, terminal equipment, information processing methods, and systems | |
US10143858B2 (en) | Normal tissue sparing in radiation therapy treatment planning using prioritization for optimizing tissue indices | |
US20230315272A1 (en) | Graphical user interface control device for radiation therapy treatment planning | |
JP7412191B2 (en) | Imaging condition output device and radiation therapy device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211216 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221031 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230106 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230106 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230411 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230606 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230627 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230927 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20231004 |
|
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: 20231128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7412083 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |