RU2585419C2 - 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
RU2585419C2
RU2585419C2 RU2013133807/14A RU2013133807A RU2585419C2 RU 2585419 C2 RU2585419 C2 RU 2585419C2 RU 2013133807/14 A RU2013133807/14 A RU 2013133807/14A RU 2013133807 A RU2013133807 A RU 2013133807A RU 2585419 C2 RU2585419 C2 RU 2585419C2
Authority
RU
Russia
Prior art keywords
patient
previous
medical image
current patient
previous patients
Prior art date
Application number
RU2013133807/14A
Other languages
English (en)
Other versions
RU2013133807A (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

Images

Classifications

    • 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
    • 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
    • G06T7/97—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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Radiation-Therapy Devices (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

Изобретение относится к области медицины, а именно к лучевой терапии. Предложен машиночитаемый долговременный запоминающий носитель, в котором хранится набор команд, исполняемых процессором. Этот набор команд функционирует с возможностью приема медицинского изображения текущего пациента, сравнения медицинского изображения текущего пациента с множеством медицинских изображений предыдущих пациентов, выбора одного из предыдущих пациентов на основании геометрического подобия между медицинскими изображениями предыдущих пациентов и медицинским изображением текущего пациента, и определения исходного плана лучевой терапии на основании плана лучевой терапии для выбранного одного из предыдущих пациентов. Машиночитаемый долговременный запоминающий носитель обеспечивает качественное определение плана лучевой терапии, за счет исключения субъективных ошибок специалиста и уменьшения дозы облучения. 2 н. и 13 з.п. ф-лы, 3 ил.

Description

УРОВЕНЬ ТЕХНИКИ
Планы лучевой терапии создают, в значительной степени, на основании физических параметров пациента. Схема этого плана может быть сложной, поскольку могут быть заданы многочисленные параметры лечения для соответствия физическим характеристикам пациента. Если эффективно может быть разработан некоторый вероятный исходный план лучевой терапии, то общее качество лечения может быть соответственно улучшено, поскольку может быть упрощено и ускорено видоизменение этого вероятного исходного плана в заключительный курс лечения, используемый для лечения пациента, для лиц, обслуживающих пациентов, или для компьютеров.
КРАТКОЕ ИЗЛОЖЕНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ
Машиночитаемый невременный запоминающий носитель хранит набор команд, исполняемых процессором. Этот набор команд функционирует с возможностью приема медицинского изображения текущего пациента для текущего пациента. Набор команд дополнительно функционирует с возможностью сравнения медицинского изображения текущего пациента с множеством медицинских изображений предыдущих пациентов. Каждое из медицинских изображений предыдущих пациентов соответствует предыдущему пациенту. Набор команд дополнительно функционирует с возможностью выбора одного из предыдущих пациентов на основании геометрического подобия между медицинским изображением предыдущего пациента, выбранного одного из предыдущих пациентов, и медицинским изображением текущего пациента. Набор команд дополнительно способен действовать так, что обеспечивает определение исходного плана лучевой терапии на основании плана лучевой терапии для выбранного одного из предыдущих пациентов.
Система включает в себя медицинский блок формирования изображений, базу данных о предыдущих пациентах, систему поиска подобия и систему генерации плана. Медицинский блок формирования изображений генерирует медицинское изображение текущего пациента для текущего пациента. В базе данных о предыдущих пациентах хранятся данные о множестве предыдущих пациентов. Данные о каждом из предыдущих пациентов включают в себя медицинское изображение, относящееся к каждому из предыдущих пациентов, и план лучевой терапии, относящийся к каждому из предыдущих пациентов. Система поиска подобия определяет показатель подобия для каждого из множества предыдущих пациентов. 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. Система генерации плана определяет исходный план лучевой терапии для текущего пациента на основании плана лучевой терапии для выбранного одного из множества предыдущих пациентов. Выбранного одного из множества предыдущих пациентов выбирают на основании показателя подобия для выбранного одного из множества предыдущих пациентов.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
На Фиг.1 показана система для автоматической генерации исходных планов лучевой терапии согласно примерному варианту осуществления изобретения.
На Фиг.2 показан способ автоматической генерации исходных планов лучевой терапии согласно примерному варианту осуществления изобретения.
На Фиг.3 показано изображение планов лучевой терапии для текущего пациента и для предыдущих пациентов согласно примерному варианту осуществления изобретения.
ПОДРОБНОЕ ОПИСАНИЕ
Примерные варианты осуществления настоящего изобретения станут лучше понятными со ссылкой на приведенное ниже описание и на приложенные чертежи, на которых одинаковые элементы обозначены одинаковыми позиционными обозначениями. В примерных вариантах осуществления настоящего изобретения описаны системы и способы, посредством которых автоматически генерируют исходные планы лучевой терапии для пациента, получающего лучевую терапию.
До назначения лучевой терапии для пациента необходимо выполнить несколько действий. Онколог-радиолог, дозиметрист или иной соответствующий специалист-медик (именуемый здесь "составителем плана") должен определить целевой объем для облучения, а также те органы и ткани, которые не следует облучать (также именуемые здесь “органами, подверженными риску”). Эти области обычно указаны на изображениях, полученных методом компьютерной томографии (КТ), на изображениях, полученных методом ядерного магнитного резонанса (ЯМР), на изображениях, полученных методом позитронной эмиссионной томографии (ПЭТ), на рентгеновских изображениях, на изображениях, полученных методом однофотонной эмиссионной компьютерной томографии (ОЭКТ), или на изображениях, полученных методом ультразвуковой диагностики, и они могут быть нарисованы при помощи компьютера или без помощи компьютера для определения их границ. Составитель плана может дополнительно накладывать ограничения на дозу излучения, которую следует подавать в ткань-мишень и в здоровую ткань. Затем, после того, как это определено, для определения вероятного исходного плана лечения задают способ терапевтического воздействия (например, фотонами, электронами), количество, ориентацию пучка, энергию пучка и модификаторы пучка (например, блоки, клинья) источников излучения.
Затем процесс планирования продолжают итерационным способом, от этого вероятного плана лечения. На первоначальном этапе и на каждом последующем этапе вычисляют дозу облучения, получаемую в результате этого плана, по всему объему пациента. Как изложено выше, затем регулируют параметры лучевой терапии итерационным способом до тех пор, пока не будут достигнуты желательные ограничения по дозе, и составитель плана принимает решение о том, что план является удовлетворительным. Вышеупомянутые основные принципы применимы как для трехмерной конформной лучевой терапии (3DCRT), так и для лучевой терапии с модулированной интенсивностью (IMRT). Процедура регулирования может выполняться при помощи компьютера или без помощи компьютера для определения обновлений параметров плана лучевой терапии. Определение исходного плана составителем плана является важным, поскольку хорошо разработанный исходный план может уменьшить время, требуемое для оптимизации лечения пациента. Кроме того, качество конечного плана лучевой терапии может меняться в зависимости от качества исходного плана, созданного вручную, что приводит к возможности изменения качества лечения в зависимости от лица, обслуживающего пациента. Примерные варианты осуществления изобретения устраняют эти недостатки за счет использования параметров, характеризующих геометрию пациента, и иных параметров для автоматической генерации исходного плана терапии.
На Фиг.1 на схематичном виде проиллюстрирована примерная система 100. Линиями, соединяющими элементы, показанные на Фиг.1, могут являться тракты связи любого типа, пригодные для передачи данных между соединенными таким образом элементами. Система 100 включает в себя сканирующее устройство 110 для получения изображений текущего пациента, лучевая терапия для которого планируется в данный момент времени. Сканирующим устройством 110 может являться компьютерный томограф, устройство получения изображений методом ЯМР, устройство получения изображений методом ПЭТ, рентгеновское сканирующее устройство, устройство получения изображений методом ОЭКТ, устройство получения изображений методом ультразвуковой диагностики или им может являться любое из устройств получения медицинских изображений различных других типов, являющихся известными в данной области техники. Сканирующее устройство 110 соединено с возможностью обмена информацией с рабочей станцией 120 для составления плана лечения, представляющей собой вычислительную систему (например, комбинацию аппаратного и программного обеспечения, например, процессора и программных команд, исполняемых процессором для выполнения определенных функций), используемую составителем плана для планирования лучевой терапии текущего пациента. Рабочая станция 120 для составления плана лечения является аналогичной известным системам, которые используются составителями планов в настоящее время, за исключением того, что будет описано ниже.
Рабочая станция 120 для составления плана лечения принимает изображения пациента из сканирующего устройства 110 и передает изображения пациента в средство 130 поиска подобия. Средство 130 поиска подобия также извлекает данные о предыдущих пациентах из базы 140 данных о предыдущих пациентах, которые затем сравнивают с изображениями текущего пациента, как более подробно будет описано ниже. Возможно, что информация из базы 140 данных о предыдущих пациентах хранится в хранилище с использованием известных стандартов передачи и хранения медицинской информации, таких как, например, DICOM или DICOM-RT. Хранящиеся данные о предыдущих пациентах могут включать в себя медицинские изображения (например, изображения, полученные способами КТ, ЯМР, ПЭТ, рентгеноскопии, ОЭКТ, ультразвуковой диагностики и т.д.), геометрическое определение целевой структуры (например, облучаемой опухоли), идентификация органов, подверженных риску, (например, органов, которые не должны подвергаться облучению) и план лечения, используемый для предыдущего пациента. Эти данные включают в себя данные о способе терапевтического облучения, о количестве источников излучения, об энергии каждого пучка, об используемых модификаторах и о картах интенсивности. В некоторых случаях планом лучевой терапии, хранящимся для каждого предыдущего пациента, является конечный план лечения, решение о принятии которого было принято после уточнения исходного плана лечения пациента. Кроме того, информация, хранящаяся в базе 140 данных о предыдущих пациентах, для каждого пациента может включать в себя дополнительную релевантную информацию, такую как, например, информация о возрасте, об истории болезни пациента, об истории болезни в семье пациента, дополнительную информацию о текущем состоянии пациента, о другом лечении, назначенном пациенту в текущий момент времени (например, о химиотерапии), или любую иную информацию, которая может являться важной для составителя плана для разработки курса лучевой терапии для текущего пациента.
Некоторые или все данные о предыдущих пациентах затем передают из средства 130 поиска подобия в систему 150 генерации плана, которая генерирует план для текущего пациента на основании данных о предыдущих пациентах, что более подробно будет описано ниже. Система 150 генерации плана также связана с рабочей станцией 120 для составления плана лечения, чтобы ее выходные данные могли быть возвращены составителю плана, использующему рабочую станцию для составления плана лечения. Для специалистов в данной области техники понятно, что средство 130 поиска подобия, база 140 данных о предыдущих пациентах и система 150 генерации плана могут быть реализованы различными способами, в том числе в виде элементов рабочей станции 120 для составления плана лечения или в виде отдельных аппаратных и/или программных компонентов, что не влияет на их функции, или в виде любых их комбинаций. Например, средство 130 поиска подобия может включать в себя процессор и программное обеспечение, содержащее команды, исполняемые процессором. База 140 данных о предыдущих пациентах может быть реализована в сервере, имеющем массив запоминающих устройств и реляционную базу данных или другой тип обычно используемой структуры базы данных.
На Фиг.2 проиллюстрирован примерный способ 200 для автоматической генерации исходного плана лучевой терапии для текущего пациента, который будет здесь описан со ссылкой на примерную систему 100, показанную на Фиг.1. На этапе 210 сканирующее устройство 110 используют для получения изображений текущего пациента. Как изложено выше, полученными изображениями могут являться изображения, полученные методом КТ, изображения, полученные методом ЯМР, или медицинские изображения, полученные любым другим методом. Понятно, что, как правило, эти изображения представляют собой последовательности двумерных поперечных сечений, по которым может быть построено трехмерное изображение пациента. Однако в некоторых случаях может оказаться целесообразным, чтобы изобретение включало в себя использование одного двумерного изображения или чтобы оно включало в себя использование трехмерной модели, не выходя за пределы более широких концепций, описанных в упомянутом примерном варианте осуществления изобретения. В альтернативном варианте медицинские изображения текущего пациента могут являться заранее записанными с использованием такого устройства, как, например, сканирующее устройство 110, и могут быть извлечены на этом этапе способа 200.
На этапе 220 выполняют выделение признака в изображениях текущего пациента с использованием средства 130 поиска подобия. Эта операция может включать в себя распознавание различных структур (например, опухолей, органов, костей и т.д.), показанных на изображениях, и определение объемов, формы, морфологии и текстуры каждого из признаков. Это выполняют с использованием алгоритмов выделения признака, многие из которых являются известными в данной области техники, и в результате генерируют вектор признака, отображающий множество признаков, указанных в изображениях текущего пациента.
На этапе 230 вектор признака текущего пациента сравнивают с вектором признака предыдущих пациентов, для которых в базе 140 данных о предыдущих пациентах хранятся соответствующие данные. В примерном варианте осуществления изобретения результаты выделения признака для предыдущих пациентов хранят в базе 140 данных о предыдущих пациентах в виде векторов признака; в другом варианте осуществления изобретения данными, хранящимися в базе 140 данных о предыдущих пациентах, являются изображения предыдущих пациентов, и на этом этапе примерного способа могут быть вычислены вектора признака. На этом этапе средство 130 поиска подобия сравнивает вектор признака текущего пациента с вектором признака, относящимся к каждому из множества предыдущих пациентов; сравнение выполняют с использованием известных показателей, которые могут включить в себя Lp-норму разности векторов (например, манхэттенское расстояние (расстояние городских кварталов), расстояние Махаланобиса, эвклидово расстояние и расширения более высокого порядка). Результатом этого сравнения является численное значение, описывающее оценку подобия каждого из предыдущих пациентов текущему пациенту. Например, им может являться число на шкале от 0 до 100, от 0 до 1 и т.д.
В альтернативном варианте вместо выполнения выделения признака выполняют непосредственное геометрическое сравнение изображений текущего пациента и предыдущего пациента. В качестве одного из примеров эта операция включает в себя использование метрики хаусдорфова (Hausdorff) расстояния, инвариантной к сдвигу и к повороту. В другом примере эта операция включает в себя совмещение изображений на общем атласе путем нежесткого совмещения и их сравнение по вокселям. Это сравнение может быть применено к каждой структуре в изображении (например, к целевому объему, к органу, подверженному риску, и т.д.), к одной или более точек, содержащихся в структуре (например, к центру тяжести каждой структуры), к границам каждой структуры или сразу к комбинации всех структур. Для специалистов в данной области техники понятно, что в варианте осуществления изобретения, который не включает в себя сравнение векторов признака, может отсутствовать описанный выше этап 220 выделения признака. Как изложено выше, результатом этого сравнения является показатель подобия, и им может являться, например, число на шкале от 0 до 100, от 0 до 1 и т.д.
В качестве еще одного примера, этап 230 сравнения может включать в себя как сравнение пациентов, представленных векторами признака, так и сравнение изображений в целом. В этом примере два показателя подобия объединяют (например, с использованием среднего значения двух показателей подобия, относящихся к каждому предыдущему пациенту, или с использованием иного способа).
В качестве еще одного возможного варианта, в описанной выше процедуре сравнения признаков могут содержаться дополнительные признаки, не являющиеся вычисленными по изображениям. Эти признаки могут включать в себя данные о биомаркерах, данные, относящиеся к семейной истории (например, о наличии генов, которые могут указывать повышенную восприимчивость к излучению), о возрасте пациента, о предыстории предшествующего рака у пациента или в семье пациента, о наличии других терапий, проводимых в текущий момент времени (например, химиотерапии) и т.д. В этом случае они просто включены в состав применяющегося средства сравнения признаков, что существенно не изменяет характер описанной выше процедуры.
Как описано выше, после сравнения текущего пациента с предыдущими пациентами, выполняют этап 240, на котором предыдущих пациентов классифицируют по соответствующим им показателям подобия. Затем выполняют этап 250, на котором система 150 генерации плана генерирует исходный план для текущего пациента. В первом примере система 150 генерации плана копирует план с предыдущего пациента с самым высоким показателем подобия для его использования для текущего пациента. Как описано выше, этот план может включать в себя сведения о способе терапевтического воздействия излучением (например, фотонами, электронами, протонами), о количестве пучков/источников, об угловой ориентации пучков, о положении изоцентра внутри пациента для каждого пучка, об энергии каждого пучка, об использовании модификаторов (например, клиньев, динамических клиньев, фильтров) и о картах интенсивности. Затем этот план становится исходным планом для текущего пациента и, как описано выше, может быть уточнен.
В другом альтернативном примере система 150 генерации плана объединяет планы от множества предыдущих пациентов. В этом примере один или более элементов плана (например, способ терапевтического воздействия, количество пучков и т.д.) для плана, предназначенного для текущего пациента, генерируют путем объединения значений от одного или от более предыдущих пациентов. Например, угловую ориентацию одного или более пучков берут равной средневзвешенному значению для группы предыдущих аналогичных пациентов, причем данные от каждого предыдущего пациента взвешивают посредством показателя подобия текущего пациента. В другом примере комбинация основана на мажоритарной системе или на средних значениях. Количество объединяемых предыдущих пациентов и выбор объединяемых признаков может быть различным в различных вариантах реализации; в одном из примеров эти возможные варианты выбирает составитель плана.
В другом альтернативном примере выбранных предыдущих пациентов фильтруют на основании результатов; например, используют планы только пациентов с хорошими исходами болезни. В этом примере в базе 140 данных о предыдущих пациентах дополнительно хранят данные о результатах. Результаты могут быть определены количественно как годы жизни, годы жизни без заболевания, годы до прогрессирования заболевания и т.д. В другом примере система 150 генерации плана также копирует ограничения по дозе от предыдущих пациентов, или с использованием ограничения по дозе от наиболее сходного предыдущего пациента или, как описано выше, с использованием объединенных сведений о множестве предыдущих пациентов.
Наконец, на этапе 260 план, который был сгенерирован системой 150 генерации плана, передают в рабочую станцию 110 для составления плана лечения. В этот момент уточнение этого автоматически сгенерированного исходного плана лечения выполняют обычным способом.
На Фиг.3 проиллюстрировано примерное изображение 300, выводимое на экран дисплея, которое предоставляют составителю плана с использованием рабочей станции 110 для составления плана лечения. Изображение 300 включает в себя иллюстрацию геометрических признаков текущего пациента. Изображение 300 также включает в себя иллюстрацию геометрических признаков предыдущих пациентов, ранжированных по подобию. Составитель плана может выбрать изображение одного из предыдущих пациентов для более детального просмотра, и изображение 300 дополнительно показывает хранящийся план лучевой терапии для выбранного одного из предыдущих пациентов. Например, на проиллюстрированном изображении 300 для отображения выбран наиболее сходный предыдущий пациент.
Примерные варианты осуществления изобретения приводят к генерации для текущего пациента исходного плана лучевой терапии, имеющего лучшее качество, чем исходный план лучевой терапии, созданный составителем плана специально для текущего пациента на основании собственного опыта, который имеет составители плана. Кроме того, вследствие объективного характера сравнения с прошлыми пациентами, качество лечения, получаемого пациентами, может быть стандартизировано, а не являться зависящим от квалификации и опыта составителя плана. В дополнение к этому, поскольку исходный план для текущего пациента основан на планах для одного или более предыдущих пациентов с совместным использованием характеристик с текущим пациентом, может потребоваться меньше уточнений, а это приводит к тому, что пациент, в целом, подвергается меньшему облучению и быстрее завершает курс лучевой терапии.
Для специалистов в данной области техники понятно, что описанные выше примерные варианты осуществления изобретения могут быть реализованы любым количеством способов, в том числе в виде отдельного программного модуля, в виде комбинации аппаратных средств и программного обеспечения и т.д. Например, средство 130 поиска подобия может представлять собой программу, содержащую строки кода, которые, когда они являются компилированными, могут быть выполнены в процессоре.
Следует отметить, что в соответствии с правилом 6.2(b) Договора о патентной кооперации (PCT) пункты формулы изобретения могут включать в себя ссылочные позиции/номера ссылок. Однако не следует считать, что формула настоящего изобретения ограничена примерным вариантами осуществления изобретения, которые соответствуют ссылочным позициям/номерам ссылок.
Для специалистов в данной области техники очевидно, что могут быть сделаны различные видоизменения настоящего изобретения, не выходя за пределы сущности или объема настоящего изобретения. Таким образом, подразумевается, что настоящее изобретение охватывает свои видоизменения и изменения, если они не выходят за пределы объема прилагаемой формулы изобретения и ее эквивалентов.

Claims (15)

1. Машиночитаемый долговременный 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, выбранного у одного из предыдущих пациентов, и медицинским изображением текущего пациента, при этом геометрическое подобие определяют посредством сравнения одного из: А) каждой из множества структур из медицинского изображения текущего пациента с каждой из множества структур из медицинского изображения предыдущего пациента, В) центра тяжести каждой из структур из медицинского изображения текущего пациента с центром тяжести каждой из структур из медицинского изображения предыдущего пациента, С) 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, и
определения исходного плана лучевой терапии на основании плана лучевой терапии для выбранного одного из предыдущих пациентов,
отличающийся тем, что
элемент исходного плана лучевой терапии основан на средневзвешенном значении соответствующих элементов планов лучевой терапии для каждого из выбранного множества предыдущих пациентов,
средневзвешенные значения взвешены на основании показателя подобия каждого из выбранного множества предыдущих пациентов, и
показатели подобия основаны на геометрическом подобии медицинского изображения текущего пациента с каждым медицинским изображением предыдущих пациентов.
2. Машиночитаемый долговременный 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 долговременный 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.
4. Машиночитаемый долговременный запоминающий носитель по п. 3, в котором
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 терапии, и признаки, относящиеся к истории болезни пациента в отношении рака или сопутствующих заболеваний.
5. Машиночитаемый долговременный запоминающий носитель по п. 4, 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 долговременный 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 долговременный 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 долговременный 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 для автоматической генерации исходного плана лучевой терапии, 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, при этом геометрическое подобие определяют посредством сравнения одного из: А) каждой из множества структур из медицинского изображения текущего пациента с каждой из множества структур из медицинского изображения предыдущего пациента, В) центра тяжести каждой из структур из медицинского изображения текущего пациента с центром тяжести каждой из структур из медицинского изображения предыдущего пациента, С) 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, 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,
отличающаяся тем, что
элемент исходного плана лучевой терапии основан на средневзвешенном значении соответствующих элементов планов лучевой терапии для каждого из выбранного множества предыдущих пациентов,
средневзвешенные значения взвешены на основании показателя подобия каждого из выбранного множества 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 RU2013133807A (ru) 2015-01-27
RU2585419C2 true 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) EP3242270B1 (ru)
JP (1) JP6018077B2 (ru)
CN (1) CN103380441B (ru)
RU (1) RU2585419C2 (ru)
WO (1) WO2012085722A1 (ru)

Families Citing this family (39)

* 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
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
WO2014205386A1 (en) 2013-06-21 2014-12-24 Siris Medical, Inc. Multi-objective radiation therapy selection system and method
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
CN107073283B (zh) 2014-05-06 2019-11-05 皇家飞利浦有限公司 处置规划系统
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
CA2965983A1 (en) * 2014-10-31 2016-05-06 Siris Medical, Inc. Physician directed radiation treatment planning
JP6845136B2 (ja) * 2014-12-04 2021-03-17 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 治療プランニング・システム、治療プラン生成方法及び記憶媒体
WO2016181318A1 (en) 2015-05-12 2016-11-17 Navix International Limited Lesion assessment by dielectric property analysis
EP3294127A1 (en) 2015-05-12 2018-03-21 Navix International Limited Systems and methods for tracking an intrabody catheter
JP2018520718A (ja) 2015-05-12 2018-08-02 ナヴィックス インターナショナル リミテッドＮａｖｉｘ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｌｉｍｉｔｅｄ 誘電特性分析による接触品質評価
WO2016181317A2 (en) * 2015-05-12 2016-11-17 Navix International Limited Calculation of an ablation plan
WO2017027879A1 (en) * 2015-08-13 2017-02-16 Siris Medical, Inc. Result-driven radiation therapy treatment planning
US10252081B2 (en) * 2015-09-25 2019-04-09 Varian Medical Systems International Ag Apparatus and method using automatic generation of a base dose
US11350996B2 (en) 2016-07-14 2022-06-07 Navix International Limited Characteristic track catheter navigation
WO2018029368A1 (en) * 2016-08-11 2018-02-15 Koninklijke Philips N.V. Medical product configured to be used for image based radiotherapy planning
WO2018092059A1 (en) 2016-11-16 2018-05-24 Navix International Limited Tissue model dynamic visual rendering
US11622713B2 (en) 2016-11-16 2023-04-11 Navix International Limited Estimators for ablation effectiveness
US11284813B2 (en) 2016-11-16 2022-03-29 Navix International Limited Real-time display of tissue deformation by interactions with an intra-body probe
WO2018092063A1 (en) 2016-11-16 2018-05-24 Navix International Limited Real-time display of treatment-related tissue changes using virtual material
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
WO2018193089A1 (en) * 2017-04-20 2018-10-25 Koninklijke Philips N.V. Systems and methods for computer-assisted search of image slices for indications of a finding
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
WO2020043684A1 (en) * 2018-08-28 2020-03-05 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
US11383104B2 (en) * 2020-06-27 2022-07-12 Uih America, Inc. Systems and methods for dose measurement in radiation therapy
WO2022187378A1 (en) * 2021-03-03 2022-09-09 Memorial Sloan-Kettering Cancer Center Methods and systems for assigning radiotherapy plans to radiotherapy planning resources

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)
WO2009083841A1 (en) * 2007-12-27 2009-07-09 Koninklijke Philips Electronics, N.V. Method and apparatus for refining similar case search
WO2010018477A2 (en) * 2008-08-15 2010-02-18 Koninklijke Philips Electronics N.V. Model enhanced imaging

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005509218A (ja) * 2001-11-02 2005-04-07 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 質を堅持するための患者データマイニング
EP1362616A1 (en) 2002-05-15 2003-11-19 Nucletron B.V. Method and device for providing a radiation therapy treatment planning solution
CN1742275A (zh) 2002-12-19 2006-03-01 皇家飞利浦电子股份有限公司 用于对医学成像系统选择操作参数的方法和设备
US7756567B2 (en) * 2003-08-29 2010-07-13 Accuray Incorporated Image guided radiosurgery method and apparatus using registration of 2D radiographic images with digitally reconstructed radiographs of 3D scan data
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.
EP1693783B1 (en) * 2005-02-21 2009-02-11 Mitsubishi Electric Information Technology Centre Europe B.V. Fast method of object detection by statistical template matching
US8232535B2 (en) * 2005-05-10 2012-07-31 Tomotherapy Incorporated System and method of treating a patient with radiation therapy
KR20080049716A (ko) * 2005-07-22 2008-06-04 토모테라피 인코포레이티드 치료 계획의 전달과 관련된 퀄리티 보증 기준을 평가하는방법 및 시스템
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
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
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
US10504197B2 (en) * 2009-04-15 2019-12-10 Koninklijke Philips N.V. Clinical decision support systems and methods
WO2014205386A1 (en) * 2013-06-21 2014-12-24 Siris Medical, Inc. Multi-objective radiation therapy selection system and method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)
WO2009083841A1 (en) * 2007-12-27 2009-07-09 Koninklijke Philips Electronics, N.V. Method and apparatus for refining similar case search
WO2010018477A2 (en) * 2008-08-15 2010-02-18 Koninklijke Philips Electronics N.V. Model enhanced imaging

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Michael Kazhdan et al., A shape relationship descriptor for radiation therapy planning, Medical image computer-assisted intervention a miccai, Berlin, 2009, c.101. BERGER J. Institute of Electrical and electronics enginers, p.171-177. WILLY P.M. et al. Content-based medical image retrieval, 24.06.2004, p.103. *

Also Published As

Publication number Publication date
RU2013133807A (ru) 2015-01-27
EP2656307B1 (en) 2017-07-05
EP3242270B1 (en) 2021-03-03
CN103380441A (zh) 2013-10-30
CN103380441B (zh) 2016-06-22
JP2014502531A (ja) 2014-02-03
EP3242270A1 (en) 2017-11-08
WO2012085722A1 (en) 2012-06-28
EP2656307A1 (en) 2013-10-30
US20130272593A1 (en) 2013-10-17
JP6018077B2 (ja) 2016-11-02
US9123097B2 (en) 2015-09-01

Similar Documents

Publication Publication Date Title
RU2585419C2 (ru) Система и способ автоматической генерации исходных планов лучевой терапии
US11869202B2 (en) Method and system for processing multi-modality image
US11455732B2 (en) Knowledge-based automatic image segmentation
EP3027279B1 (en) Automation of therapy planning
US7606405B2 (en) Dynamic tumor diagnostic and treatment system
CN105451817B (zh) 用于自动估计自适应辐射治疗重新规划的效用的方法和系统
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
US10929976B2 (en) Method and apparatus for assessing image registration
JP2017522097A (ja) 自動治療計画のためのシステム及び方法
US9498645B2 (en) Dose deformation error calculation method and system
US9727975B2 (en) Knowledge-based automatic image segmentation
US8938107B2 (en) System and method for automatic segmentation of organs on MR images using a combined organ and bone atlas
WO2006119340A2 (en) Dynamic tumor diagnostic and treatment system
CN116864051A (zh) 一种剂量预测方法、系统、装置及存储介质
CN113989492A (zh) 一种生成感兴趣区域的方法及系统
KR20230147599A (ko) 방사선절제 치료를 위한 방법들 및 장치