RU2013133807A - Система и способ автоматической генерации исходных планов лучевой терапии - Google Patents

Система и способ автоматической генерации исходных планов лучевой терапии Download PDF

Info

Publication number
RU2013133807A
RU2013133807A RU2013133807/08A RU2013133807A RU2013133807A RU 2013133807 A RU2013133807 A RU 2013133807A RU 2013133807/08 A RU2013133807/08 A RU 2013133807/08A RU 2013133807 A RU2013133807 A RU 2013133807A RU 2013133807 A RU2013133807 A RU 2013133807A
Authority
RU
Russia
Prior art keywords
previous
patient
previous patients
medical image
current patient
Prior art date
Application number
RU2013133807/08A
Other languages
English (en)
Other versions
RU2585419C2 (ru
Inventor
Майкл Чун-чиех ЛИ
Лиллз БОРОЦКИ
Original Assignee
Конинклейке Филипс Электроникс Н.В.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Конинклейке Филипс Электроникс Н.В. filed Critical Конинклейке Филипс Электроникс Н.В.
Publication of RU2013133807A publication Critical patent/RU2013133807A/ru
Application granted granted Critical
Publication of RU2585419C2 publication Critical patent/RU2585419C2/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of 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
    • A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D17/00—Separation of liquids, not provided for elsewhere, e.g. by thermal diffusion
    • B01D17/02—Separation of non-miscible liquids
    • B01D17/0208—Separation of non-miscible liquids by sedimentation
    • B01D17/0211—Separation of non-miscible liquids by sedimentation with baffles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0093—Microreactors, e.g. miniaturised or microfabricated reactors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Radiation-Therapy Devices (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

1. Машиночитаемый невременный запоминающий носитель, хранящий набор команд, исполняемых процессором, причем набор команд функционирует с возможностью:приема медицинского изображения текущего пациента для текущего пациента;сравнения медицинского изображения текущего пациента с множеством медицинских изображений предыдущих пациентов, причем каждое из медицинских изображений предыдущих пациентов соответствует предыдущему пациенту;выбора одного из предыдущих пациентов на основании геометрического подобия между медицинским изображением предыдущего пациента у выбранного одного из предыдущих пациентов, и медицинским изображением текущего пациента; иопределения исходного плана лучевой терапии на основании плана лучевой терапии для выбранного одного из предыдущих пациентов,при этом, множество предыдущих пациентов выбирают на основании геометрического подобия между медицинскими изображениями предыдущих пациентов для выбранных предыдущих пациентов и медицинского изображения текущего пациента, а исходный план лучевой терапии определяют на основании плана лучевой терапии для каждого из выбранного множества предыдущих пациентов,при этом, элемент исходного плана лучевой терапии основан на средневзвешенном значении соответствующих элементов плановлучевой терапии для каждого из выбранного множества предыдущих пациентов,при этом, средневзвешенные значения взвешены на основании показателя подобия каждого из выбранного множества предыдущих пациентов, ипри этом, показатели подобия основаны на геометрическом подобии медицинского изображения текущего пациента с каждым медицинским изображением �

Claims (15)

1. Машиночитаемый невременный запоминающий носитель, хранящий набор команд, исполняемых процессором, причем набор команд функционирует с возможностью:
приема медицинского изображения текущего пациента для текущего пациента;
сравнения медицинского изображения текущего пациента с множеством медицинских изображений предыдущих пациентов, причем каждое из медицинских изображений предыдущих пациентов соответствует предыдущему пациенту;
выбора одного из предыдущих пациентов на основании геометрического подобия между медицинским изображением предыдущего пациента у выбранного одного из предыдущих пациентов, и медицинским изображением текущего пациента; и
определения исходного плана лучевой терапии на основании плана лучевой терапии для выбранного одного из предыдущих пациентов,
при этом, множество предыдущих пациентов выбирают на основании геометрического подобия между медицинскими изображениями предыдущих пациентов для выбранных предыдущих пациентов и медицинского изображения текущего пациента, а исходный план лучевой терапии определяют на основании плана лучевой терапии для каждого из выбранного множества предыдущих пациентов,
при этом, элемент исходного плана лучевой терапии основан на средневзвешенном значении соответствующих элементов планов
лучевой терапии для каждого из выбранного множества предыдущих пациентов,
при этом, средневзвешенные значения взвешены на основании показателя подобия каждого из выбранного множества предыдущих пациентов, и
при этом, показатели подобия основаны на геометрическом подобии медицинского изображения текущего пациента с каждым медицинским изображением предыдущих пациентов.
2. Машиночитаемый невременный запоминающий носитель по п. 1, в котором геометрическое подобие определяют посредством одного из метрики хаусдорфова расстояния, инвариантной к сдвигу и к повороту, и сравнения по вокселям, и в котором медицинскими изображениями текущего пациента является одно из изображений, полученных методом компьютерной томографии (КТ), изображений, полученных методом ядерного магнитного резонанса (ЯМР), изображений, полученных методом позитронной эмиссионной томографии (ПЭТ), рентгеновских изображений, изображений, полученных методом однофотонной эмиссионной компьютерной томографии (ОЭКТ), и изображений, полученных методом ультразвуковой диагностики.
3. Машиночитаемый невременный запоминающий носитель по п. 1, в котором геометрическое подобие определяют посредством сравнения одного из: A) каждой из множества структур из медицинского изображения текущего пациента с каждой из множества структур из медицинского изображения предыдущего пациента, B) центра тяжести каждой из структур из медицинского изображения текущего пациента с центром тяжести каждой из структур из
медицинского изображения предыдущего пациента, C) границы каждой из структур из медицинского изображения текущего пациента с границей каждой из структур из медицинских изображений текущего пациента и D) комбинации всех из множества структур из медицинского изображения текущего пациента с комбинацией всех из множества структур из медицинского изображения предыдущего пациента.
4. Машиночитаемый невременный запоминающий носитель по п. 1, в котором выбор одного из предыдущих пациентов содержит:
определение вектора признака текущего пациента для медицинского изображения текущего пациента;
определение вектора признака предыдущего пациента для каждого из медицинских изображений предыдущих пациентов; и
сравнение вектора признака текущего пациента с каждым из векторов признаков предыдущих пациентов,
при этом, вектор признака текущего пациента и вектор признака предыдущего пациента содержат множество признаков, выбранных из группы, содержащей: признаки, выбранные из медицинского изображения, признаки, описывающие геометрические характеристики изображения, признаки, относящиеся к данным биомаркера, признаки, относящиеся к семейной истории, признаки, относящиеся к наличию генов, которые могут указывать повышенную восприимчивость к излучению, признаки, относящиеся к возрасту пациента, признаки, относящиеся к расе пациента, признаки, относящиеся к предыстории предшествующего рака у пациента, признаки, относящиеся к предыстории предшествующего рака в семье пациента, признаки, относящиеся к одновременной терапии, и
признаки, относящиеся к истории болезни пациента в отношении рака или сопутствующих заболеваний.
5. Машиночитаемый невременный запоминающий носитель по п. 1, в котором сравнение вектора признака текущего пациента с каждым из векторов признака предыдущего пациента основано на Lp-норме разности векторов между вектором признака текущего пациента и каждым из векторов признака предыдущих пациентов, и в котором разностью векторов является одно из манхэттенского расстояния, расстояния Махаланобиса и эвклидового расстояния.
6. Машиночитаемый невременный запоминающий носитель по п. 1, в котором показатель подобия генерируют для каждого из медицинских изображений предыдущих пациентов на основании геометрического подобия медицинского изображения текущего пациента каждому из медицинских изображений предыдущих пациентов, и в котором выбранным одним из предыдущих пациентов является тот из предыдущих пациентов, которому соответствует самый высокий из показателей подобия.
7. Машиночитаемый невременный запоминающий носитель по п. 1, в котором элементом исходного плана лучевой терапии, который основан на плане лучевой терапии выбранного одного из предыдущих пациентов, является одно из способа терапевтического воздействия излучением, количества источников, интенсивности пучка, модификатора пучка, карты интенсивности и ограничения по дозе.
8. Машиночитаемый невременный запоминающий носитель по п. 1, в котором определение исходного плана лучевой терапии содержит копирование плана лучевой терапии для выбранного одного из предыдущих пациентов.
9. Система, содержащая:
медицинский блок формирования изображений, генерирующий медицинское изображение текущего пациента для текущего пациента;
базу данных о предыдущих пациентах, в которой хранятся данные о множестве предыдущих пациентов, причем данные о каждом из предыдущих пациентов, включают в себя медицинское изображение, относящееся к каждому из предыдущих пациентов, и план лучевой терапии, относящий к каждому из предыдущих пациентов;
систему поиска подобия, которая определяет показатель подобия для каждого из множества предыдущих пациентов, причем показатель подобия для каждого из предыдущих пациентов определяют на основании геометрического подобия между медицинским изображением, соответствующим каждому из предыдущих пациентов, и медицинским изображением текущего пациента; и
систему генерации плана, которая определяет исходный план лучевой терапии для текущего пациента на основании плана лучевой терапии, относящегося к выбранному одному из множества предыдущих пациентов, причем выбранного одного из множества предыдущих пациентов выбирают на основании показателя подобия выбранного одного из множества предыдущих пациентов,
при этом, множество предыдущих пациентов выбирают на основании геометрического подобия между медицинскими изображениями предыдущих пациентов для выбранных предыдущих пациентов и медицинского изображения текущего пациента, а исходный план лучевой терапии определяют на основании плана лучевой терапии для каждого из выбранного множества предыдущих
пациентов,
при этом, элемент исходного плана лучевой терапии основан на средневзвешенном значении соответствующих элементов планов лучевой терапии для каждого из выбранного множества предыдущих пациентов,
при этом, средневзвешенные значения взвешены на основании показателя подобия каждого из выбранного множества предыдущих пациентов, и
при этом, показатели подобия основаны на геометрическом подобии медицинского изображения текущего пациента медицинским изображениям каждого из предыдущих пациентов.
10. Система по п. 9, в которой медицинский блок формирования изображений является одним из устройства получения изображений методом компьютерной томографии (КТ) и устройства получения изображений методом ядерного магнитного резонанса (ЯМР), позитронно-эмиссионного (ПЭТ) томографа, устройства получения рентгеновских изображений, однофотонного эмиссионного компьютерного томографа (ОЭКТ) и ультразвуковой системы.
11. Система по п. 9, в которой в базе данных о предыдущих пациентах используют один из стандарта DICOM и стандарта DICOM-RT.
12. Система по п. 9, дополнительно содержащая:
рабочую станцию для составления плана лечения, которая принимает исходный план лучевой терапии из системы генерации плана и предоставляет исходный план лучевой терапии пользователю.
13. Система по п. 9, в которой определение показателя
подобия содержит:
определение вектора признака текущего пациента для медицинского изображения текущего пациента;
определение вектора признака предыдущего пациента для каждого из медицинских изображений предыдущих пациентов; и
сравнение вектора признака текущего пациента с каждым из векторов признаков предыдущих пациентов.
14. Система по п. 13, в которой вектор признака текущего пациента и вектор признака предыдущего пациента содержат множество признаков, выбранных из группы, содержащей: признаки, выбранные из медицинского изображения, признаки, описывающие геометрические характеристики изображения, признаки, относящиеся к данным биомаркера, признаки, относящиеся к семейной истории, признаки, относящиеся к наличию генов, которые могут указывать повышенную восприимчивость к излучению, признаки, относящиеся к возрасту пациента, признаки, относящиеся к расе пациента, признаки, относящиеся к предыстории предшествующего рака у пациента, признаки, относящиеся к предыстории предшествующего рака в семье пациента, признаки, относящиеся к одновременной терапии, и признаки, относящиеся к истории болезни пациента в отношении рака или сопутствующих заболеваний.
15. Система по п. 13, в которой сравнение вектора признака текущего пациента с каждым из векторов признака предыдущего пациента основано на Lp-норме разности векторов между вектором признака текущего пациента и каждым из векторов признака предыдущих пациентов, причем разностью векторов является одно из манхэттенского расстояния, расстояния Махаланобиса и эвклидового расстояния.
RU2013133807/14A 2010-12-20 2011-12-07 Система и способ автоматической генерации исходных планов лучевой терапии RU2585419C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201061424845P 2010-12-20 2010-12-20
US61/424,845 2010-12-20
PCT/IB2011/055507 WO2012085722A1 (en) 2010-12-20 2011-12-07 System and method for automatic generation of initial radiation treatment plans

Publications (2)

Publication Number Publication Date
RU2013133807A true RU2013133807A (ru) 2015-01-27
RU2585419C2 RU2585419C2 (ru) 2016-05-27

Family

ID=45420703

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2013133807/14A RU2585419C2 (ru) 2010-12-20 2011-12-07 Система и способ автоматической генерации исходных планов лучевой терапии

Country Status (6)

Country Link
US (1) US9123097B2 (ru)
EP (2) EP2656307B1 (ru)
JP (1) JP6018077B2 (ru)
CN (1) CN103380441B (ru)
RU (1) RU2585419C2 (ru)
WO (1) WO2012085722A1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113289274A (zh) * 2020-06-27 2021-08-24 上海联影医疗科技股份有限公司 放射治疗剂量测量的系统和方法

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2574374B1 (en) * 2011-09-30 2016-06-29 Brainlab AG Automatic treatment planning method
US9387345B2 (en) * 2012-07-13 2016-07-12 Varian Medical Systems International Ag Apparatus and method pertaining to determining a spatially-variant normal tissue constraint as a function of dose distribution
WO2014063748A1 (en) 2012-10-26 2014-05-01 Brainlab Ag Determining an irradiation region for radiotherapy based on model patient data and patient image data
US9463334B2 (en) 2013-03-15 2016-10-11 Varian Medical Systems International Ag Radiation therapy planing using integrated model
EP3441114B1 (en) 2013-06-21 2020-09-16 Siris Medical, Inc. Multi-objective radiation therapy selection system and method
US20140378736A1 (en) * 2013-06-21 2014-12-25 Emory University Methods, systems and computer readable storage media storing instructions for generating a radiation therapy treatment plan
US9355447B2 (en) * 2013-08-21 2016-05-31 Wisconsin Alumni Research Foundation System and method for gradient assisted non-connected automatic region (GANAR) analysis
US9655563B2 (en) * 2013-09-25 2017-05-23 Siemens Healthcare Gmbh Early therapy response assessment of lesions
CN104036109A (zh) * 2014-03-14 2014-09-10 上海大图医疗科技有限公司 基于图像的病例检索、勾画及治疗计划系统和方法
US10426974B2 (en) 2014-05-06 2019-10-01 Koninklijke Philips N.V. Treatment planning system
US10046177B2 (en) 2014-06-18 2018-08-14 Elekta Ab System and method for automatic treatment planning
US10127359B2 (en) 2014-09-03 2018-11-13 Optum, Inc. Healthcare similarity engine
US10293179B2 (en) 2014-10-31 2019-05-21 Siris Medical, Inc. Physician directed radiation treatment planning
EP3227809B1 (en) * 2014-12-04 2020-09-16 Koninklijke Philips N.V. Shape based initialization and qa of progressive auto-planning
US10278616B2 (en) 2015-05-12 2019-05-07 Navix International Limited Systems and methods for tracking an intrabody catheter
US10828106B2 (en) 2015-05-12 2020-11-10 Navix International Limited Fiducial marking for image-electromagnetic field registration
US10881455B2 (en) 2015-05-12 2021-01-05 Navix International Limited Lesion assessment by dielectric property analysis
RU2017140233A (ru) 2015-05-12 2019-06-13 Навикс Интернэшнл Лимитед Оценка качества контакта посредством анализа диэлектрических свойств
CN108463270A (zh) * 2015-08-13 2018-08-28 西里斯医疗公司 结果驱动的辐射疗法处理计划
US10252081B2 (en) 2015-09-25 2019-04-09 Varian Medical Systems International Ag Apparatus and method using automatic generation of a base dose
WO2018011757A1 (en) 2016-07-14 2018-01-18 Navix International Limited Characteristic track catheter navigation
CN109562278B (zh) 2016-08-11 2021-10-26 皇家飞利浦有限公司 被配置为用于基于图像的放射治疗规划的医学产品
US10709507B2 (en) 2016-11-16 2020-07-14 Navix International Limited Real-time display of treatment-related tissue changes using virtual material
US11284813B2 (en) 2016-11-16 2022-03-29 Navix International Limited Real-time display of tissue deformation by interactions with an intra-body probe
WO2018092071A1 (en) 2016-11-16 2018-05-24 Navix International Limited Estimators for ablation effectiveness
US11010983B2 (en) 2016-11-16 2021-05-18 Navix International Limited Tissue model dynamic visual rendering
CN110072449B (zh) 2016-11-16 2023-02-24 纳维斯国际有限公司 通过电标测进行的食道位置检测
CN106798574A (zh) * 2017-03-03 2017-06-06 伏冰 一种超声诊断系统
JP7426826B2 (ja) * 2017-04-20 2024-02-02 コーニンクレッカ フィリップス エヌ ヴェ 所見の兆候を探る画像スライスのコンピュータ支援検索のためのシステム及び方法
CN107381488B (zh) 2017-07-21 2018-12-18 北京图森未来科技有限公司 一种车辆的自动加油方法、装置和系统
US11011264B2 (en) * 2017-08-09 2021-05-18 Varian Medical Systems International Ag Radiotherapy treatment planning using artificial intelligence (AI) engines
EP3441936B1 (de) * 2017-08-11 2021-04-21 Siemens Healthcare GmbH Verfahren zur auswertung von bilddaten eines patienten nach einem minimalinvasiven eingriff, auswerteeinrichtung, computerprogramm und elektronisch lesbarer datenträger
US10507337B2 (en) * 2017-09-13 2019-12-17 Elekta, Inc. Radiotherapy treatment plan optimization workflow
WO2019161135A1 (en) * 2018-02-15 2019-08-22 Siris Medical, Inc. Result-driven radiation therapy treatment planning
WO2019179857A1 (en) * 2018-03-23 2019-09-26 Koninklijke Philips N.V. Fast and personalized recommender system for radiation therapy planning enhancement via closed loop physician feedback
EP3844770A1 (en) * 2018-08-28 2021-07-07 Koninklijke Philips N.V. Advanced loop selection systems and methods for supporting efficient echo comparison
US10994155B1 (en) * 2019-04-05 2021-05-04 Lifeline Software, Inc. Method and system for optimized reconstruction of treatment dose based on integrated exit-transit images of radiation fields taken during treatment
WO2022187378A1 (en) * 2021-03-03 2022-09-09 Memorial Sloan-Kettering Cancer Center Methods and systems for assigning radiotherapy plans to radiotherapy planning resources

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2464374A1 (en) * 2001-11-02 2003-05-15 R. Bharat Rao Patient data mining for cardiology screening
EP1362616A1 (en) 2002-05-15 2003-11-19 Nucletron B.V. Method and device for providing a radiation therapy treatment planning solution
US20060100738A1 (en) 2002-12-19 2006-05-11 Koninklijke Philips Electronics N.V. Method and apparatus for selecting the operating parameters for a medical imaging system
US7187792B2 (en) * 2003-08-29 2007-03-06 Accuray, Inc. Apparatus and method for determining measure of similarity between images
FR2863086B1 (fr) * 2003-11-28 2006-03-10 Ge Med Sys Global Tech Co Llc Procede de production d'une sequence d'images volumiques d'une zone d'un organe d'un etre vivant.
DE602005012673D1 (de) * 2005-02-21 2009-03-26 Mitsubishi Electric Corp Schnelles Verfahren zum Detektieren von Objekten durch statistischen Mustervergleich
US8232535B2 (en) * 2005-05-10 2012-07-31 Tomotherapy Incorporated System and method of treating a patient with radiation therapy
EP1907968A4 (en) * 2005-07-22 2009-10-21 Tomotherapy Inc METHOD AND SYSTEM FOR EVALUATING QUALITY ASSURANCE CRITERIA FOR A TREATMENT ADMINISTRATION PROGRAM
US20070156453A1 (en) 2005-10-07 2007-07-05 Brainlab Ag Integrated treatment planning system
US20080037843A1 (en) * 2006-08-11 2008-02-14 Accuray Incorporated Image segmentation for DRR generation and image registration
US7876882B2 (en) * 2007-02-02 2011-01-25 Wisconsin Alumni Research Foundation Automated software system for beam angle selection in teletherapy
WO2009058915A1 (en) * 2007-10-29 2009-05-07 The Trustees Of The University Of Pennsylvania Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri)
JP5523342B2 (ja) * 2007-12-27 2014-06-18 コーニンクレッカ フィリップス エヌ ヴェ 類似事例検索を精密化するための方法及び装置
JP4956458B2 (ja) * 2008-02-13 2012-06-20 三菱電機株式会社 患者位置決め装置及びその方法
US20110124976A1 (en) * 2008-08-15 2011-05-26 Koninklijke Philips Electronics N.V. Model enhanced imaging
US8411819B2 (en) * 2009-01-15 2013-04-02 Varian Medical Systems International Ag Radiation treatment planning and execution that consider the type of critical organ
US20110202361A1 (en) * 2009-03-10 2011-08-18 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Computational systems and methods for health services planning and matching
CN102395975B (zh) * 2009-04-15 2016-02-10 皇家飞利浦电子股份有限公司 临床决策支持系统和方法
EP3441114B1 (en) * 2013-06-21 2020-09-16 Siris Medical, Inc. Multi-objective radiation therapy selection system and method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113289274A (zh) * 2020-06-27 2021-08-24 上海联影医疗科技股份有限公司 放射治疗剂量测量的系统和方法

Also Published As

Publication number Publication date
RU2585419C2 (ru) 2016-05-27
CN103380441B (zh) 2016-06-22
EP2656307A1 (en) 2013-10-30
US20130272593A1 (en) 2013-10-17
CN103380441A (zh) 2013-10-30
EP3242270B1 (en) 2021-03-03
WO2012085722A1 (en) 2012-06-28
JP6018077B2 (ja) 2016-11-02
EP3242270A1 (en) 2017-11-08
US9123097B2 (en) 2015-09-01
JP2014502531A (ja) 2014-02-03
EP2656307B1 (en) 2017-07-05

Similar Documents

Publication Publication Date Title
RU2013133807A (ru) Система и способ автоматической генерации исходных планов лучевой терапии
Menze et al. The multimodal brain tumor image segmentation benchmark (BRATS)
US11455732B2 (en) Knowledge-based automatic image segmentation
US8977029B2 (en) Method and system for multi-atlas segmentation of brain computed tomography image data
WO2018119766A1 (zh) 多模态图像处理系统及方法
EP3559905B1 (en) Online learning enhanced atlas-based auto-segmentation
Liu et al. Classification of schizophrenia based on individual hierarchical brain networks constructed from structural MRI images
US9336457B2 (en) Adaptive anatomical region prediction
Kieselmann et al. Cross‐modality deep learning: contouring of MRI data from annotated CT data only
WO2016142166A1 (en) Method and apparatus for assessing image registration
Harrigan et al. Robust optic nerve segmentation on clinically acquired computed tomography
CN108538368B (zh) 用于选择针对医学成像检查的协议的方法和数据处理单元
EP3902599A1 (en) Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy
Kieselmann et al. Auto-segmentation of the parotid glands on MR images of head and neck cancer patients with deep learning strategies
EP3308354B1 (en) Selection of a subset of atlases from a set of candidate atlases
US20170091386A1 (en) Inference Transparency System for Image-Based Clinical Decision Support Systems
CN114762057A (zh) 医学成像系统中的自动化方案拟定
EP4233000A1 (en) Detection of image structures via dimensionality-reducing projections
Wang et al. A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection
US20230094690A1 (en) Incorporating clinical and economic objectives for medical ai deployment in clinical decision making
Ayache et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS)
Şekeroğlu et al. Prediction of osteoporosis using MRI and CT scans with unimodal and multimodal deep-learning models
Meharban et al. A comprehensive review on MRI to CT and MRI to PET image synthesis using deep learning
Kitner Automatic localization of catheters in prostate brachytherapy
Bianchessi et al. Pediatric brain tumor classification using deep learning on MR-images from the children’s brain tumor network