RU2017101161A - Система и способ для автоматического планирования лечения - Google Patents
Система и способ для автоматического планирования лечения Download PDFInfo
- Publication number
- RU2017101161A RU2017101161A RU2017101161A RU2017101161A RU2017101161A RU 2017101161 A RU2017101161 A RU 2017101161A RU 2017101161 A RU2017101161 A RU 2017101161A RU 2017101161 A RU2017101161 A RU 2017101161A RU 2017101161 A RU2017101161 A RU 2017101161A
- Authority
- RU
- Russia
- Prior art keywords
- patient
- images
- probability density
- radiation therapy
- training data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims 25
- 238000001959 radiotherapy Methods 0.000 claims 16
- 230000002596 correlated effect Effects 0.000 claims 10
- 206010028980 Neoplasm Diseases 0.000 claims 5
- 238000002591 computed tomography Methods 0.000 claims 4
- 238000002595 magnetic resonance imaging Methods 0.000 claims 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims 3
- 238000010801 machine learning Methods 0.000 claims 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims 2
- 210000000056 organ Anatomy 0.000 claims 2
- 108091006611 SLC10A1 Proteins 0.000 claims 1
- 102100021988 Sodium/bile acid cotransporter Human genes 0.000 claims 1
- 210000003484 anatomy Anatomy 0.000 claims 1
- 239000000090 biomarker Substances 0.000 claims 1
- 235000005911 diet Nutrition 0.000 claims 1
- 230000037213 diet Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 238000002651 drug therapy Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000002483 medication Methods 0.000 claims 1
- 238000002600 positron emission tomography Methods 0.000 claims 1
- 102000004169 proteins and genes Human genes 0.000 claims 1
- 108090000623 proteins and genes Proteins 0.000 claims 1
- 230000005855 radiation Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 238000002603 single-photon emission computed tomography Methods 0.000 claims 1
- 230000004083 survival effect Effects 0.000 claims 1
- 238000002604 ultrasonography Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pulmonology (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Radiation-Therapy Devices (AREA)
Claims (52)
1. Система лучевой терапии, включающая в себя:
память, в которой хранятся исполнимые компьютером инструкции; и
процессорное устройство, коммуникативно соединенное с памятью, при этом процессорное устройство сконфигурировано с возможностью выполнения исполнимых компьютером инструкций для:
получения множества обучающих данных;
определения одной или более моделей предсказания, основанных на обучающих данных;
получения специфичных для пациента тестовых данных;
предсказания плотности вероятности, соотнесенной с выходной характеристикой, на основании одной или более моделей предсказания и специфичных для пациента тестовых данных; и
создания нового плана лечения, основанного на предсказании, при этом одна или более моделей предсказания определяются на основании по меньшей мере одной из плотности условной вероятности, соотнесенной с выбранной выходной характеристикой, при заданных одной или более входных переменных, или совместной плотности вероятности.
2. Система лучевой терапии по п. 1, в которой процессорное устройство дополнительно сконфигурировано для выполнения исполнимых компьютером инструкций для проверки допустимости предыдущего плана лечения на основании нового плана лечения.
3. Система лучевой терапии по п. 1, в которой обучающие данные включают в себя множество обучающих выборок.
4. Система лучевой терапии по п. 1, в которой обучающие данные включают в себя множество изображений.
5. Система лучевой терапии по п. 4, в которой обучающие данные включают в себя обучающую выборку, и обучающая выборка соответствует вокселу в изображении.
6. Система лучевой терапии по п. 1, в которой обучающие данные включают в себя множество планов лечения лучевой терапии, при этом планы лечения лучевой терапии получены для текущего пациента, множества других пациентов, или комбинации указанного.
7. Система лучевой терапии по п. 1, в которой обучающие данные получают по меньшей мере для одного из единственного пациента или множества пациентов.
8. Система лучевой терапии по п. 4, в которой множество изображений включает в себя по меньшей мере одно из изображения магнитно-резонансной томографии (МРТ), 3D-изображения МРТ, 2D-МРТ потоковое изображения передачи, 4D-объемного МРТ изображения, изображения компьютерной томографии (КТ), изображения конусно-лучевой КТ, изображения позитронной эмиссионной томографии (ПЭТ), изображения функциональной МРТ (фМРТ), рентгеновского изображения, флуороскопического изображения, ультразвукового изображения, портального изображения лучевой терапии или изображения однофотонной эмиссионной компьютерной томографии (ОФЭКТ).
9. Система лучевой терапии по п. 1, в которой определение моделей предсказания включает в себя:
определение совместной плотности вероятности для одной или более переменных и конкретной выходной характеристики; и
определение плотности условной вероятности, соотнесенной с конкретной выходной характеристикой, при заданных одной или более переменных.
10. Система лучевой терапии по п. 9, в которой определение совместной плотности вероятности или плотности условной вероятности включает в себя применение по меньшей мере одного метода из непараметрического метода, параметрического метода, метода Монте-Карло, метода регрессии, метода машинного обучения, или комбинации указанного.
11. Способ, реализованный посредством процессорного устройства, выполняющего множество исполнимых компьютером инструкций, для выполнения предсказания в системе лучевой терапии, включающий в себя:
получение множества обучающих данных, при этом обучающие данные включают в себя множество обучающих выборок, при этом каждая из обучающих выборок содержит вектор признаков и выходной вектор;
определение совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором;
создание одной или более моделей предсказания, основанных на совместной плотности вероятности;
сохранение одной или более моделей предсказания в памяти;
получение множества специфичных для пациента тестовых данных, при этом специфичные для пациента тестовые данные включают в себя множество тестовых выборок;
определение плотности вероятности для вектора признаков, соотнесенного с каждой тестовой выборкой специфичных для пациента тестовых данных;
предсказание плотности вероятности для выходного вектора, соотнесенного с каждой тестовой выборкой специфичных для пациента тестовых данных с использованием (1) плотности вероятности для вектора признаков, соотнесенного со специфичными для пациента тестовыми данными, и (2) одной или более моделей предсказания; и
создание нового плана лечения, основанного на предсказании.
12. Способ по п. 11, дополнительно включающий в себя:
определение плотности условной вероятности, соотнесенной с выходным вектором при заданном векторе признаков; и
создание одной или более моделей предсказания, основанных на плотности условной вероятности.
13. Способ по п. 12, дополнительно включающий в себя проверку допустимости предыдущего плана лечения на основании нового плана лечения.
14. Способ по п. 11, в котором определение объединенной плотности вероятности включает в себя применение по меньшей мере одного метода из непараметрического метода, параметрического метода, метода Монте-Карло, метода регрессии, метода машинного обучения, или комбинации указанного.
15. Способ по п. 12, в котором определение плотности условной вероятности включает в себя применение по меньшей мере одного метода из непараметрического метода, параметрического метода, метода Монте-Карло, метода регрессии, метода машинного обучения, или комбинации указанного.
16. Способ по п. 11, в котором специфичные для пациента тестовые данные включают в себя по меньшей мере одно из данных изображения, данных сегментации интересующего органа или объема, данных функционального моделирования органа, дозы излучения, лабораторных данных, геномных данных, демографических данных, других заболеваний, которым подвержен пациент, реакций на лекарственную терапию и лекарственные препараты, диеты и образа жизни, экологических факторов риска, характеристик опухоли, генетических/белковых биомаркеров, или предыдущих лечений пациента.
17. Способ по п. 11, в котором вектор признаков включает в себя по меньшей мере одно из расстояния до интересующей анатомической области, вероятности ткани, множества пространственных координат, информации, полученной из свертки изображений с применением по меньшей мере одного линейного фильтра, информации, полученной из свертки изображений с применением по меньшей мере одного нелинейного фильтра, информации, полученной из преобразования одного или более изображений, информации, основанной на теоретических измерениях дескриптора признака типа, используемого в машинном зрении, размера опухоли, типа опухоли, местоположения опухоли, возраста патента, пола пациента, этнической принадлежности пациента, индекса масса тела (ИМТ) пациента, информации о пациенте или информации об ответственного врача.
18. Способ по п. 11, в котором выходной вектор включает в себя по меньшей мере одно из дозы, вероятности контроля опухоли (TCP), вероятности осложнений для здоровой ткани (NTCP), времени выживания пациента, вероятности смещения области во время лечения, или вероятности того, что множество координат на контрольном изображении отображается на другое множество координат на целевом изображении.
19. Способ по п. 11, в котором обучающие данные включают в себя по меньшей мере одно из множества изображений или множества планов лечения лучевой терапии, при этом множество планов лечения лучевой терапии относится к текущему пациенту, множеству других пациентов, или комбинации указанного.
20. Способ по п. 11, в котором обучающие данные выбирают из подмножества всех доступных обучающих данных на основании специфичных для пациента тестовых данных.
21. Способ по п. 11, в котором обучающие данные получают для единственного пациента.
22. Способ по п. 11, в котором обучающие данные получают для множества пациентов.
23. Невременный машиночитаемый носитель информации, на котором хранятся исполнимые компьютером инструкции, при этом исполнимые компьютером инструкции, при их выполнении процессорным устройством, дают указание процессорному устройству на выполнение:
получения множества обучающих данных, при этом обучающие данные включают в себя множество обучающих выборок, при этом каждая из обучающих выборок содержит вектор признаков и выходной вектор;
определения совместной плотности вероятности, соотнесенной с вектором признаков и соответствующим выходным вектором;
определения плотности условной вероятности, соотнесенной с выходным вектором для заданного вектора признаков;
создания одной или более моделей предсказания, основанных по меньшей мере на одном из совместной плотности вероятности и плотности условной вероятности;
сохранения одной или более моделей предсказания в памяти;
получения множества специфичных для пациента тестовых данных, при этом специфичные для пациента тестовые данные включают в себя множество тестовых выборок;
определения плотности вероятности для вектора признаков, соотнесенного с каждой тестовой выборкой специфичных для пациента тестовых данных;
предсказания плотности вероятности для выходного вектора, соотнесенного с каждой тестовой выборкой специфичных для пациента тестовых данных, с использованием (1) плотности вероятности для вектора признаков, соотнесенного со специфичными для пациента тестовыми данными, и (2) одной или более моделей предсказания; и
создания нового плана лечения, основанного на предсказании; и
проверку допустимости предыдущего плана лечения на основании нового плана лечения.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/308,450 | 2014-06-18 | ||
US14/308,450 US10046177B2 (en) | 2014-06-18 | 2014-06-18 | System and method for automatic treatment planning |
PCT/IB2015/054440 WO2015193776A1 (en) | 2014-06-18 | 2015-06-11 | System and method for automatic treatment planning |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2017101161A true RU2017101161A (ru) | 2018-07-18 |
RU2017101161A3 RU2017101161A3 (ru) | 2018-07-18 |
RU2684173C2 RU2684173C2 (ru) | 2019-04-04 |
Family
ID=53487393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017101161A RU2684173C2 (ru) | 2014-06-18 | 2015-06-11 | Система и способ для автоматического планирования лечения |
Country Status (7)
Country | Link |
---|---|
US (2) | US10046177B2 (ru) |
EP (1) | EP3157627B1 (ru) |
JP (1) | JP6620116B2 (ru) |
CN (1) | CN107072624B (ru) |
AU (1) | AU2015275750B2 (ru) |
RU (1) | RU2684173C2 (ru) |
WO (1) | WO2015193776A1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10765888B2 (en) | 2014-06-18 | 2020-09-08 | Elekta Ab | System and method for automatic treatment planning |
Families Citing this family (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568982B1 (en) | 2014-02-17 | 2023-01-31 | Health at Scale Corporation | System to improve the logistics of clinical care by selectively matching patients to providers |
US10395759B2 (en) | 2015-05-18 | 2019-08-27 | Regeneron Pharmaceuticals, Inc. | Methods and systems for copy number variant detection |
US10252081B2 (en) * | 2015-09-25 | 2019-04-09 | Varian Medical Systems International Ag | Apparatus and method using automatic generation of a base dose |
US11056243B2 (en) * | 2015-12-21 | 2021-07-06 | Elekta Ab (Publ) | Systems and methods for optimizing treatment planning |
WO2017153211A1 (en) | 2016-03-09 | 2017-09-14 | Koninklijke Philips N.V. | Pre-optimization method for quick prediction of achievability of clinical goals in intensity modulated radiation therapy |
WO2017167794A1 (en) * | 2016-03-30 | 2017-10-05 | Koninklijke Philips N.V. | Adaptive radiation therapy planning |
CN105893772B (zh) * | 2016-04-20 | 2018-09-18 | 上海联影医疗科技有限公司 | 用于放射治疗计划的数据获取方法和装置 |
EP3448517B1 (en) * | 2016-04-28 | 2019-12-18 | Koninklijke Philips N.V. | Image guided treatment delivery |
RU2719028C1 (ru) * | 2016-09-07 | 2020-04-16 | Электа, Инк. | Система и способ для обучающихся моделей планов радиотерапевтического лечения с прогнозированием распределений дозы радиотерапии |
US20180089581A1 (en) * | 2016-09-27 | 2018-03-29 | Futurewei Technologies, Inc. | Apparatus and method for dataset model fitting using a classifying engine |
DE102016219496A1 (de) * | 2016-10-07 | 2018-04-26 | Siemens Healthcare Gmbh | Verfahren zur Unterstützung einer Planung einer Bestrahlung eines Patienten |
DE102016220093A1 (de) | 2016-10-14 | 2018-04-19 | Siemens Healthcare Gmbh | Bestimmen eines Aufnahmeparameters für ein bildgebendes Verfahren |
EP3531911A1 (en) * | 2016-10-25 | 2019-09-04 | Koninklijke Philips N.V. | Radiotherapy system for accurate locating of 3d objects from magnetic resonance images |
JP6823299B2 (ja) * | 2016-11-08 | 2021-02-03 | 株式会社日立製作所 | 放射線治療計画装置および放射線治療システム |
US10850120B2 (en) | 2016-12-27 | 2020-12-01 | Varian Medical Systems International Ag | Selecting a dose prediction model based on clinical goals |
CN106920234B (zh) * | 2017-02-27 | 2021-08-27 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
US10188873B2 (en) * | 2017-03-22 | 2019-01-29 | Varian Medical Systems International Ag | Systems and methods for dose calculation in generating radiation treatment plans |
EP3395405B1 (en) * | 2017-04-24 | 2021-10-13 | RaySearch Laboratories AB | System and method for radiation therapy treatment planning |
US11517768B2 (en) * | 2017-07-25 | 2022-12-06 | Elekta, Inc. | Systems and methods for determining radiation therapy machine parameter settings |
CN107767947A (zh) * | 2017-09-28 | 2018-03-06 | 北京全域医疗技术有限公司 | 放疗计划评估方法及装置 |
CN109771842A (zh) * | 2017-11-10 | 2019-05-21 | 北京连心医疗科技有限公司 | 基于机器学习的云放疗质量控制方法、设备和存储介质 |
CN109801696A (zh) * | 2017-11-17 | 2019-05-24 | 北京连心医疗科技有限公司 | 一种人工智能的云放疗计划方法、设备、存储介质和系统 |
CN107715314B (zh) * | 2017-11-20 | 2020-04-14 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
CN107785068B (zh) * | 2017-11-20 | 2021-04-23 | 深圳市医诺智能科技发展有限公司 | 治疗计划系统与医用加速器的数据传输方法及接口平台 |
CN110418665B (zh) | 2017-12-30 | 2021-06-29 | 上海联影医疗科技股份有限公司 | 放射治疗计划的自适应系统、存储介质 |
US11557390B2 (en) | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
WO2019213169A1 (en) * | 2018-05-01 | 2019-11-07 | B.yond, Inc. | Synchronized distributed processing in a communications network |
CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和系统 |
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) |
CN109248385B (zh) * | 2018-08-20 | 2022-05-13 | 北京东方瑞云科技有限公司 | 基于蒙特卡洛树搜索的放射治疗计划优化系统 |
CN109166613A (zh) * | 2018-08-20 | 2019-01-08 | 北京东方瑞云科技有限公司 | 基于机器学习的放射治疗计划评估系统及方法 |
US10332035B1 (en) * | 2018-08-29 | 2019-06-25 | Capital One Services, Llc | Systems and methods for accelerating model training in machine learning |
WO2020047536A1 (en) * | 2018-08-31 | 2020-03-05 | Board Of Regents, University Of Texas System | Deep learning based dosed prediction for treatment planning and quality assurance in radiation therapy |
US10799716B2 (en) * | 2018-10-18 | 2020-10-13 | Varian Medical Systems International Ag | Streamlined, guided on-couch adaptive workflow |
CN109637669B (zh) * | 2018-11-22 | 2023-07-18 | 中山大学 | 基于深度学习的治疗方案的生成方法、装置及存储介质 |
CN109350092A (zh) * | 2018-12-06 | 2019-02-19 | 余姚德诚科技咨询有限公司 | 发生强度选择平台 |
KR102131742B1 (ko) * | 2019-01-04 | 2020-07-08 | 사회복지법인 삼성생명공익재단 | 가상현실을 이용하여 환자의 호흡동조 방사선 치료를 최적화하는 방법 및 시스템 |
US10834306B2 (en) * | 2019-01-15 | 2020-11-10 | International Business Machines Corporation | Method for a remote control of a radiation detection apparatus |
JP7389445B2 (ja) * | 2019-04-25 | 2023-11-30 | 国立大学法人東北大学 | 線量分布判定システム、深層学習装置、線量分布判定方法及びコンピュータプログラム |
CN110232964B (zh) * | 2019-06-04 | 2023-11-14 | 苏州雷泰智能科技有限公司 | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 |
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 |
US10904100B1 (en) * | 2019-07-19 | 2021-01-26 | Juniper Networks, Inc | Systems and method for replaying and debugging live states of network devices |
US11929170B2 (en) | 2019-08-22 | 2024-03-12 | Kpn Innovations, Llc | Methods and systems for selecting an ameliorative output using artificial intelligence |
CN110705103B (zh) * | 2019-09-30 | 2022-06-14 | 中国人民解放军海军工程大学 | 一种伽玛型通用件的备件保障概率计算方法及装置 |
US20230001234A1 (en) * | 2019-11-22 | 2023-01-05 | Cognitivecare India Labs Llp | A system and method for generation and use of radiation outcome prediction score in patients undergoing radiotherapy |
CN111312341B (zh) * | 2020-01-17 | 2022-06-28 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
US11077320B1 (en) | 2020-02-07 | 2021-08-03 | Elekta, Inc. | Adversarial prediction of radiotherapy treatment plans |
US11610679B1 (en) | 2020-04-20 | 2023-03-21 | Health at Scale Corporation | Prediction and prevention of medical events using machine-learning algorithms |
CN111528918B (zh) * | 2020-04-30 | 2023-02-21 | 深圳开立生物医疗科技股份有限公司 | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 |
EP3919123A1 (en) | 2020-06-05 | 2021-12-08 | RaySearch Laboratories AB | Radiation therapy treatment planning |
US11654299B2 (en) * | 2020-07-02 | 2023-05-23 | Siemens Healthineers International Ag | Methods and apparatus pertaining to radiation treatment plans |
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 |
WO2022036631A1 (en) * | 2020-08-20 | 2022-02-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for radiotherapy |
US11992702B2 (en) | 2020-09-21 | 2024-05-28 | Elekta, Inc. | Machine learning optimization of fluence maps for radiotherapy treatment |
CN112420142A (zh) * | 2020-11-20 | 2021-02-26 | 上海梅斯医药科技有限公司 | 数据获取方法、装置、计算机设备和存储介质 |
US11848097B2 (en) | 2020-12-17 | 2023-12-19 | Evicore Healthcare MSI, LLC | Machine learning models for automated request processing |
EP4352739A2 (en) * | 2021-06-07 | 2024-04-17 | Dasisimulations, Llc | Systems and methods for optimizing medical interventions using predictive models |
CN113499091B (zh) * | 2021-08-19 | 2023-08-15 | 四川大学华西医院 | 一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统 |
WO2023072364A1 (en) * | 2021-10-25 | 2023-05-04 | Elekta Ab (Publ) | Continuum radiotherapy treatment planning |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430307B1 (en) | 1996-06-18 | 2002-08-06 | Matsushita Electric Industrial Co., Ltd. | Feature extraction system and face image recognition system |
US7630750B2 (en) * | 2001-02-05 | 2009-12-08 | The Research Foundation For The State University Of New York | Computer aided treatment planning |
US7206377B2 (en) * | 2003-01-27 | 2007-04-17 | Siemens Medical Solutions Usa, Inc. | Predictive organ dynamics database and code |
JP2007509644A (ja) * | 2003-10-07 | 2007-04-19 | ノモス・コーポレーシヨン | 等角放射線治療のための計画システム、方法及び装置 |
US7362848B2 (en) | 2005-06-27 | 2008-04-22 | Accuray Incorporated | Method for automatic anatomy-specific treatment planning protocols based on historical integration of previously accepted plans |
KR20080039925A (ko) * | 2005-07-22 | 2008-05-07 | 토모테라피 인코포레이티드 | 생물학적 모델에 기초하여 방사선 요법 치료 계획을적합화시키는 방법 및 시스템 |
US20080008291A1 (en) | 2006-07-06 | 2008-01-10 | Varian Medical Systems International Ag | Spatially-variant normal tissue objective for radiotherapy |
US8032308B2 (en) | 2008-03-13 | 2011-10-04 | Siemens Medical Solutions Usa, Inc. | Modeling lung cancer survival probability after or side-effects from therapy |
US20090234628A1 (en) | 2008-03-14 | 2009-09-17 | Siemens Medical Solutions Usa, Inc. | Prediction of complete response given treatment data |
US8078554B2 (en) | 2008-09-03 | 2011-12-13 | Siemens Medical Solutions Usa, Inc. | Knowledge-based interpretable predictive model for survival analysis |
US20110295782A1 (en) * | 2008-10-15 | 2011-12-01 | Alexander Stojadinovic | Clinical Decision Model |
US7986768B2 (en) | 2009-02-19 | 2011-07-26 | Varian Medical Systems International Ag | Apparatus and method to facilitate generating a treatment plan for irradiating a patient's treatment volume |
US8121252B2 (en) | 2009-03-11 | 2012-02-21 | Varian Medical Systems, Inc. | Use of planning atlas in radiation therapy |
JP5718892B2 (ja) * | 2009-03-27 | 2015-05-13 | コーニンクレッカ フィリップス エヌ ヴェ | マーカー適応された正常組織障害発生確率 |
US8688618B2 (en) | 2009-06-23 | 2014-04-01 | The Johns Hopkins University | Method and system for determining treatment plans |
CN102576060B (zh) * | 2009-10-06 | 2016-05-11 | 皇家飞利浦电子股份有限公司 | 辐射剂量的回顾式计算和改进的处置规划 |
RU2566974C2 (ru) | 2009-12-16 | 2015-10-27 | Конинклейке Филипс Электроникс Н.В. | Использование коллекции планов для разработки новых задач оптимизации |
US8976929B2 (en) | 2010-07-16 | 2015-03-10 | Duke University | Automatic generation of patient-specific radiation therapy planning parameters |
WO2012024448A2 (en) * | 2010-08-17 | 2012-02-23 | Board Of Regents, The University Of Texas System | Automated treatment planning for radiation therapy |
EP2656307B1 (en) * | 2010-12-20 | 2017-07-05 | Koninklijke Philips N.V. | System and method for automatic generation of initial radiation treatment plans |
US9679110B2 (en) | 2011-06-03 | 2017-06-13 | Washington University | Developing predictive dose-volume relationships for a radiotherapy treatment |
US8774358B2 (en) | 2011-09-28 | 2014-07-08 | Varian Medical Systems, Inc. | Radiation therapy treatment plan improvement through use of knowledge base |
US20130085343A1 (en) | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
US20150094519A1 (en) | 2013-09-30 | 2015-04-02 | Varian Medical Systems, Inc. | Predicting achievable dose distribution using 3d information as an input |
US10046177B2 (en) | 2014-06-18 | 2018-08-14 | Elekta Ab | System and method for automatic treatment planning |
-
2014
- 2014-06-18 US US14/308,450 patent/US10046177B2/en active Active
-
2015
- 2015-06-11 WO PCT/IB2015/054440 patent/WO2015193776A1/en active Application Filing
- 2015-06-11 RU RU2017101161A patent/RU2684173C2/ru active
- 2015-06-11 CN CN201580032255.9A patent/CN107072624B/zh active Active
- 2015-06-11 EP EP15731400.6A patent/EP3157627B1/en active Active
- 2015-06-11 JP JP2016574096A patent/JP6620116B2/ja active Active
- 2015-06-11 AU AU2015275750A patent/AU2015275750B2/en active Active
-
2018
- 2018-07-06 US US16/029,147 patent/US10765888B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10765888B2 (en) | 2014-06-18 | 2020-09-08 | Elekta Ab | System and method for automatic treatment planning |
Also Published As
Publication number | Publication date |
---|---|
WO2015193776A1 (en) | 2015-12-23 |
JP6620116B2 (ja) | 2019-12-11 |
CN107072624B (zh) | 2020-11-06 |
RU2017101161A3 (ru) | 2018-07-18 |
US20150367145A1 (en) | 2015-12-24 |
US10765888B2 (en) | 2020-09-08 |
US20180311510A1 (en) | 2018-11-01 |
EP3157627A1 (en) | 2017-04-26 |
AU2015275750A1 (en) | 2016-12-01 |
AU2015275750B2 (en) | 2019-04-11 |
US10046177B2 (en) | 2018-08-14 |
JP2017522097A (ja) | 2017-08-10 |
CN107072624A (zh) | 2017-08-18 |
EP3157627B1 (en) | 2022-12-21 |
RU2684173C2 (ru) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2017101161A (ru) | Система и способ для автоматического планирования лечения | |
CN109069858B (zh) | 一种放射治疗系统及计算机可读存储装置 | |
US11850445B2 (en) | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions | |
US11848092B2 (en) | Radiotherapy feedback device | |
CN105592887B (zh) | 使用3d信息作为输入来预测可实现的剂量分布 | |
JP2021522886A (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 | |
JP6782051B2 (ja) | オンライン学習により強化されたアトラスベース自動セグメンテーション | |
US20130222415A1 (en) | Calculation of a medical image using templates | |
US9298880B2 (en) | Automatic treatment planning method | |
WO2016142166A1 (en) | Method and apparatus for assessing image registration | |
CN114175030A (zh) | 具有隐私保证的放射疗法计划参数 | |
US10799720B2 (en) | Determining an irradiation region for radiotherapy based on model patient data and patient image data | |
US10143858B2 (en) | Normal tissue sparing in radiation therapy treatment planning using prioritization for optimizing tissue indices |