RU2017101161A

RU2017101161A - Система и способ для автоматического планирования лечения

Info

Publication number: RU2017101161A
Application number: RU2017101161A
Authority: RU
Inventors: Йенс Олоф ШЕЛУНД; Сяо ХАНЬ
Original assignee: Электа Аб; Электа, Инк.
Priority date: 2014-06-18
Filing date: 2015-06-11
Publication date: 2018-07-18
Also published as: WO2015193776A1; JP6620116B2; CN107072624B; RU2017101161A3; US20150367145A1; US10765888B2; US20180311510A1; EP3157627A1; AU2015275750A1; AU2015275750B2; US10046177B2; JP2017522097A; CN107072624A; EP3157627B1; RU2684173C2

Claims

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.