CN102316930A - 用于递送放射治疗的运动自适应优化的***和方法 - Google Patents

Abstract

本发明提供了优化放射疗法治疗的递送的***和方法。所述***实时地优化治疗递送以考虑各种因素，例如患者解剖和生理变化(例如呼吸及其他移动等等)以及机器配置改变(例如射线束输出因数，治疗床误差，叶片误差等等)。

Description

用于递送放射治疗的运动自适应优化的***和方法

相关申请

本申请要求于2009年3月5日提交的序号为12/398,869的美国专利申请和于2008年10月27日提交的序号为12/259,038的美国专利申请的优先权。所述两个申请的全部内容在此并入作为参考。

发明背景

众所周知肿瘤在放疗疗法治疗的递送期间和之间会发生移动(Webb，2006a，Langen和Jones，2001)。报导过的实时运动补偿法主要基于循迹。亦即，通过如所计划那样在相同时间将相同强度的放射束置于肿瘤基准帧中的相同位置上，有效实现补偿。这些方法通过直线加速器循迹(Nuyttens等，2006，Murphy，2004)、MLC循迹(Keall等，2001，Keall等，2006，Neicu等，2003)或治疗床循迹(D′Souza等，2005)来执行，并且可以表征为硬件解决方案。

Papiez等(Papiez等，2005，Papiez和Rangaraj，2005，Papiez等，2007，Papiez等，1999，Papiez和Timmerman，2008，Papiez等，1994，Papiez和Langer，2006，Papiez等，2002，Papieza，2004)、McMahon等(McMahon等，2007a，McMahon等，2007b)和Webb等(Webb和Binnie，2006，Webb，2006b)将肿瘤运动结合到动态MLC叶片速度优化中。这些方法被认为是运动补偿的软件途径。

基于循迹的方法旨在一旦检测到运动，即可完全和即时地补偿运动误差。这样的方案被认为是开环方法，因为它们并没有明确地模拟来自硬件限制和/或预测的补偿误差。这些开环循迹方法对硬件例如MLC、直线加速器或治疗床等的速度和位置准确度，以及对运动预测的准确度，有着非常高的要求。

发明内容

现有技术中的调强放射治疗(“IMRT”)递送遵循所计划的叶片序列。所述叶片序列在治疗计划期间进行优化，其采取一定的治疗构型，包括患者摆位、解剖结构和生理状态。但是，难以在治疗计划过程期间准确地模拟实时治疗构型，例如患者呼吸。治疗递送条件与计划条件的偏差导致未达最佳剂量分布。特别是，对移动中的肿瘤进行的IMRT递送，本质上是动态的，会导致在整个肿瘤体积上的热和冷点。

由于分次内(intra-fraction)运动的复杂性，这种运动不仅是患者特有的，而是对于同一患者而言也在这一秒到下一秒之间变化，导致肿瘤运动的精确建模乃至长期预测仍然是不可实行的任务。但是，实时运动补偿因为它并没有非常依赖于关于分次内运动的先验知识或假设，反而是有前途的。

本发明包括IMRT递送的闭环反馈***，它结合实时优化来应对累积误差和适应未来放射。已经开发了用于放射治疗递送的实时运动自适应优化(“MAO”)的可行工作流程。

放射治疗递送的特点在于多个投射。MAO引导下的递送恰在每个投射的递送之前，更新运动编码的累积剂量并优化叶片序列。MAO技术包括几个实时程序，包括运动检测和预测、递送的剂量累积、未来剂量估算和投射优化。当实时执行MAO时，这些程序将在少于一个投射的时间中施行。这些MAO程序的测试花时不到100ms。

利用模拟的1D情形、真实的治疗计划和来自临床上肺和***患者的运动迹线，将MAO引导的递送与两个其它类型的递送相比较，该两个其他类型的递送为运动无补偿递送(MD)和静态递送(SD)。结果显示，所提出的MAO技术有效补偿了所有测试病例的运动误差。无论运动是规则或不规则的呼吸，还是小或大的***运动，MAO引导的递送的剂量分布和DVH很好地达到了SD的水平。

那些结果从概念上证明了所提出的方法适用于放射治疗递送中的实时运动补偿。实时优化的方法可以用于自适应放射治疗(ART)，以补偿各种各样的递送误差。

在一个实施例中，本发明提供了递送放射疗法治疗的方法。所述方法包括生成患者的治疗计划和将患者定位以接收放射。机器参数基本上被实时监视。监视机器参数包括分析关于所述机器参数的信息和所述参数如何影响递送给患者的剂量。至少一部分治疗计划基本上实时地进行优化，以结合来自所监视的机器参数的所分析的信息。所述方法进一步包括向患者递送优化的治疗计划的至少一部分。

本发明的其它方面将通过考虑具体说明和附图而变得明白。

附图说明

图1是放射疗法治疗***的透视图。

图2是可用于图1所示的放射疗法治疗***的多叶片准直仪的透视图。

图3是图1的放射疗法治疗***的示意图。

图4是用于放射疗法治疗***的软件程序的示意图。

图5是示出实时MAO引导的放射治疗递送的流程图。

图6示出了运动u沿着叶片方向(cos(φ-π/2)，sin(φ-π/2)，0)的投影，其中φ是源方向的角度。

图7示出了实时MAO时间线。对第n个投射的优化发生在第(n-1)个投射中。完成了优化之后，将结果在第n个投射开始之前发送到机器以递送指令。

图8图形示出了1D矩形剂量剖面曲线(profile)的实时MAD递送的仿真结果。

图9图形示出了实时MAO引导的递送的仿真结果。

图10图形示出了实时MAD递送的仿真结果，其中上图中的运动模拟了Lujan型规则呼吸，T＝4.3sec，A＝20mm，b＝0，和n＝3。

图11图形示出了实时MAO引导的递送的仿真结果。

图12图形示出了从真实的肺癌患者测量的呼吸迹线(上图)的仿真结果。

图13图形示出了实时MAO引导的递送的呼吸迹线的仿真结果。

图14图形示出了对M-形计划弦图(sinogram)的仿真结果。

图15示出对于处于螺旋断层放射疗法治疗下的肺癌患者进行不同递送方法的DVH比较。

图16示出对于在不同呼吸迹线下的处于螺旋断层放射疗法治疗下的肺癌患者进行不同递送方法的DVH比较。

图17示出图16所示病例的剂量分布。

图18示出对于处于螺旋断层放射疗法治疗下的***癌患者进行不同递送方法的DVH比较。

图19示出对于正在经历分次内***运动的***患者进行不同递送方法的DVH比较。

图20示出对于正在经历分次内***运动的***患者进行不同递送方法的DVH比较。

图21示出图20所示病例的剂量分布。

图22是示出实时ART的流程图。

图23是示出根据本发明的能够操作以优化治疗计划的动态编程环路的流程图。

具体说明

在详细解释本发明的任何实施例之前，要理解，本发明没有将其应用局限于以下说明书中阐明或以下图中显示的结构细节和部件布置上。本发明能够有其它实施例，并且能够以各种方式实践或执行。此外，要理解，本文使用的措辞和术语是出于说明的目的，不应该被认为是限制。本文中使用的“包括”、“包含”或“具有”及其变型意味着包涵此后列出的项目及其等价物以及附加项。除非指定或以其它方式加以限制，术语“安装的”、“连接的”、“支持的”和“偶联的”及其变型以广义使用，并包涵直接和间接的安装、连接、支持和偶联。

虽然对图进行说明时在本文中，可以进行方向参照，例如上、下、向下、向上、向后、底、前、后等等，，这些参照是为了方便起见相对于图(按照正常观看)做出的。这些方向不准备从字面取意，或以任何形式限制本发明。另外，术语例如“第一”、“第二”和“第三”在本文使用是为了说明的目的，不意图表示或暗示相对重要性或意义。

另外要理解，本发明的实施例包括硬件、软件和电子部件或模块，为了讨论起见，对它们的说明和描述可以视为大部分部件只在硬件中实行一样。但是，本领域的普通技术人员在阅读本详细说明书的基础上，将认识到，在至少一个实施例中，本发明基于电子的方面可以在软件中实行。因此，应注意，可以利用以多个硬件和软件为基础的装置以及多个不同的结构部件来实行本发明。此外，并且如后面的段落所述，在图中示出的特定机械构造是打算例示本发明的实施例，其它的替代机械构造也是可能的。

图1示出可以向患者14提供放射疗法的放射疗法治疗***10。放射疗法治疗可以包括基于光子的放射疗法，近距放射疗法，电子束疗法，质子、中子或粒子疗法，或其它类型的治疗疗法。放射疗法治疗***10包括机架18。机架18可以支持放射模块22，放射模块22可以包括放射源24和线性加速器26(也称为“直线加速器”)，可用于产生放射束30。虽然图中显示的机架18是环形机架，即，它延伸通过整个360°弧以产生完整的环或圈，但其它类型的安装布置也可以使用。例如，可以使用C-型、部分环形机架或机械臂。也可以采用能够将放射模块22定位在相对于患者14的各种旋转和/或轴向位置处的任何其它框架。另外，放射源24可以沿着不遵循机架18形状的路线行进。例如，放射源24可以沿着非圆形路线行进，虽然所示出的机架18通常是圆形的。所示出的实施例的机架18限定了机架孔32，治疗期间患者14移动到该机架孔32中。

放射模块22还可以包括调制装置34，其可用于修改或调制放射束30。调制装置34提供放射束30的调制并将放射束30导向朝着患者14。具体地说，放射束34被导向朝着患者的部位38。宽泛地讲，该部位可以包括整个身体，但是通常小于整个身体并可以由二维面积和/或三维体积来限定。需要接受放射的部位或区域，可以称为靶或靶区，是感兴趣区的例子。另一种感兴趣区是危及区。如果部分中包括危及区，则放射束优选偏转离开该危及区。这样的调制有时称为调强放疗(“IMRT”)。

调制装置34可以包括图2所示的准直装置42。该准直装置42包括一组颚件46，它们限定并调整了可以通过放射束30的孔径50的大小。颚件46包括上颚件54和下颚件58。上颚件54和下颚件58可以移动，以调整孔径50的大小。颚件46的位置调节递送给患者14的束30的形状。

在一个实施例中，和在图2中示出，调制装置34可以包含多叶片准直器62(也称为“MLC”)，该准直器包括多个交错的叶片66，可用于从一个位置移动到另一个位置，以提供强度调制。还要注意，叶片66可以移动到最小和最大打开位置之间的任何位置。多个交错的叶片66在放射束30到达患者14上的部位38之前，调制放射束30的强度、大小和形状。各个叶片66由致动器70、例如电动机或空气阀独立控制，以便叶片66可以迅速开闭，以容许或阻断放射线的通过。致动器70可以由电脑74和/或控制器来控制。

放射疗法治疗***10还可以包括检测器78，例如千伏或兆伏检测器，用于接收放射束30，如图1所示。直线加速器26和检测器78还可以作为计算机X射线断层摄影(CT)***操作，以产生患者14的CT图像。直线加速器26向着患者14中的部位38发出放射束30。部位38吸收部分放射。检测器78检测或测量被部位38吸收的放射量。在直线加速器26围绕患者14旋转并向着患者14发出放射线的同时，检测器78从不同角度采集吸收数据。采集的吸收数据被传送到计算机74以处理该吸收数据并产生患者的身体组织和器官的图像。图像还可以显示骨、软组织和血管。***10还可以包括患者支撑装置，例如治疗床82，其可用于在治疗期间支撑患者14的至少一部分。虽然所示出的治疗床82被设计成支撑患者14的整个身体，但在本发明的其他实施例中，患者支撑物不需要支撑整个身体，而是可以设计成在治疗期间只支撑患者14的一部分。治疗床82沿着轴84(即Y轴)移入和移出放射场。治疗床82还能够如图1所示沿着X和Z轴移动。

图2和3中所示的计算机74包括运行各种软件程序和/或通讯应用程序的操作***。特别是，计算机74可以包括(一个或多个)软件程序90，用于与放射疗法治疗***10通讯。计算机74可以包括适于由医务人员访问的任何适当的输入/输出装置。计算机74可以包括典型的硬件例如处理器、I/O接口和存储装置或存储器。计算机74还可以包括输入装置，例如键盘和鼠标。计算机74还可以包括标准输出装置，例如监视器。另外，计算机74可以包括***设备，例如打印机和扫描仪。

计算机74可以与其它计算机74和放射疗法治疗***10联网。其它计算机74可以包括另外的和/或不同的计算机程序和软件，不需要与本文描述的计算机74一致。计算机74和放射疗法治疗***10可以与网络94通讯。计算机74和放射疗法治疗***10还可以与(一个或多个)数据库98和(一个或多个)服务器102通讯。要注意(一个或多个)软件程序90还可以驻留在(一个或多个)服务器102上。

网络94可以按照任何联网技术或布局或者技术和布局的组合来建立，并可以包括多个子网络。图3显示的计算机和***之间的连接可以通过局域网(“LAN”)、广域网(“WAN”)、公共交换电话网络(“PSTN”)、无线网络、内联网、因特网或者任何其它适当的网络来实现。在医院或医疗护理机构中，图3显示的计算机和***之间的通讯可以通过健康信息交换第七层协议(“HL7”)协议或任何版本的其它协议和/或其它需要的协议来实现。HL7是标准协议，规定了来自不同卖方的两种计算机应用程序(发送器和接收器)之间接口的实现，用于医疗环境中的电子数据交换。HL7可以允许医疗机构交换来自不同的应用***的关键数据集。具体地说，HL7可以定义要交换的数据、互换的时间和误差到应用程序的通讯。该格式在本质上通常是通用的，并可加以配置以满足所涉及的应用的需要。

图3所示的计算机和***之间的通讯还可以通过任何版本的医疗数字成像和通讯(DICOM)协议和/或其它需要的协议来产生。DICOM是NEMA建立的国际通讯标准，定义了用于在不同件的医疗设备之间传送医学图像相关数据的格式。DICOM RT表示放射疗法数据专用的标准。

图3中的双向箭头通常表示图3中显示的网络94与计算机74和***10中任何一个之间的双向通讯和信息传输。但是，对于有些医疗和计算机化设备，可能仅仅需要单向通讯和信息传输。

软件程序90(在图4中以方框图形式示出)包括多个模块，它们彼此通讯以执行放射疗法治疗过程的功能。各种模块也彼此通讯以判断放射疗法治疗计划的递送是否如预期发生。

软件程序90包括治疗计划模块106，用于根据医务人员向***10的数据输入来产生患者14的治疗计划。数据包括患者14的至少一部分的一个或多个图像(例如，计划图像和/或治疗前图像)。治疗计划模块106将治疗分成多个分次(fraction)，并根据医务人员的处方输入确定各个分次或治疗的放射剂量。治疗计划模块106还确定部位38的放射剂量。放射剂量可以基于在部位38周围勾画的各种轮廓，所述各种轮廓限定部位38周围的边缘。多个部位38可以存在并包括在相同的治疗计划中。

治疗计划包括向患者递送放射的多个投射。治疗计划模块106还可用于限定各个投射的时间段。治疗计划模块106能够调整超出所有投射的总时间段的各个投射的时间段，以置入缓冲器中来递送治疗计划。换句话说，治疗计划模块106可以有意不充分利用递送能力，使得能够有更多的再优化机会。

软件程序90还包括图像模块108，其可用于获取患者14的至少一部分的图像。图像模块108可以指示机载图像装置，例如CT成像装置，以根据期望方案在治疗开始之前、治疗期间和治疗之后获取患者14的图像。在一个方面，图像模块108在患者14基本上处于治疗位置的同时获取患者14的图像。其它离线成像装置或***可用来获取患者14的治疗前图像，例如非定量CT、MRI、PET、SPECT、超声、透射成像、荧光透视法、基于射频的定位等等。获得的(一个或多个)治疗前图像可用于患者14的配准和/或用于产生变形图，以识别在一个或多个计划图像与一个或多个治疗前、治疗期间或治疗后图像之间的差别。

获得的图像还可用于患者14的配准和/或用于确定或预测要递送给患者14的放射剂量。获得的图像还可用于确定患者14在先前治疗或分次照射期间接收的放射剂量。图像模块108还可用来在患者14接收治疗的同时获取患者14的至少一部分的图像，以确定患者14实时接收的放射剂量。

软件程序90还包括优化模块110，其可用于在治疗递送之前和期间优化治疗计划。治疗递送期间的实时优化最好要考虑各种因素，例如患者解剖和生理变化(例如呼吸及其他移动等等)和机器配置改变(例如射线束输出因数，治疗床误差，叶片误差等等)。射束强度的实时修改可以应对这些改变(例如实时再优化子束)。

优化模块110考虑到累积误差以调整用于递送给患者的未来放射的治疗计划。优化模块110恰在每个投射刚要递送之前更新运动编码的累积剂量并优化叶片打开时间。对优化治疗计划的另外细节在下面论述。

软件程序90还包括患者定位模块114，用于针对具体治疗分次，将患者14相对于机架18的等中心定位和对准。当患者在治疗床82上的同时，患者定位模块114取得患者14的图像，并将患者14的当前位置与基准图像中患者的位置进行比较。基准图象可以是计划图像、任何治疗前图像、或计划图像和治疗前图像的组合。如果患者的位置需要调整，患者定位模块114向驱动***86提供指令来移动治疗床82，或者可以将患者14手动移动到新的位置。在一种构造中，患者定位模块114可以从定位在治疗室中的激光器接收数据，以提供相对于机架18的等中心的患者位置数据。根据来自激光器的数据，患者定位模块114向驱动***86提供指令，该驱动***86移动治疗床82以实现患者14相对于机架18的正确对准。要注意，激光器以外的装置和***可用于向患者定位模块114提供数据，以协助对准过程。

患者定位模块114还可用于在治疗期间检测和/或监视患者运动。患者定位模块110可以与运动检测***112通信和/或将其结合，所述运动检测***112例如x射线、室内CT、激光定位装置、照相机***、肺活量计、超声、张力测量、胸带等等。患者运动可以是不规律的或非预期的，以及不需要遵循平滑或可再生的路径。

软件程序90还包括治疗递送模块118，可用于指示放射疗法治疗***10按照治疗计划向患者14递送治疗分次。治疗递送模块114可以产生指令并向机架18、直线加速器26、调制装置34和驱动***86发送指令，以向患者14递送放射。指令协调了机架18、调制装置34和驱动***86的必要移动，以如治疗计划中指定那样，向正确的靶以正确量递送放射束30。

治疗递送模块118还计算待递送的放射束的适当样式(pattern)、位置和强度，以匹配如由治疗计划指定的处方。放射束30的样式由调制装置34产生，更具体是通过多叶片准直器中多个叶片的移动产生。治疗递送模块118可以利用规范的、预定的或模板叶片样式，以根据治疗参数产生放射束30的适当样式。治疗递送模块118还可以包括典型范例的样式库，可以访问所述典型范例的样式库以比较当前的患者数据，来确定放射束30的样式。

软件程序90还包括反馈模块122，可用于在患者治疗期间从放射疗法治疗***10接收数据。反馈模块122可以从放射疗法治疗装置接收数据，并可以包括与患者传输数据、离子室数据、MLC数据、***温度、部件速度和/或位置、流率等相关的信息。反馈模块122还可以接收与治疗参数、患者接收的辐射剂量的量、在治疗期间获得的图像数据和患者移动相关的数据。另外，反馈模块122可以从使用者和/或其它源接收输入数据。反馈模块122取得并储存数据，直到需要进一步处理。

软件程序90还包括分析模块126，可用于分析来自反馈模块122的数据，以判断治疗计划的递送是否如预期发生并根据新获得的数据确认所计划的递送是合理的。分析模块126还可以根据接收的数据和/或补充输入的数据，判断在治疗计划的递送期间是否发生问题。例如，分析模块126可以判断问题是否与放射疗法治疗装置10的误差、解剖误差例如患者移动、和/或临床误差例如数据输入误差有关。分析模块126可以检测放射疗法治疗装置10中与治疗床82、装置输出(即直线加速器26输出变动)、机架18、多叶片准直器62、患者摆位和放射疗法治疗装置10的部件之间的定时误差相关的误差。例如，分析模块126可以判断在计划期间是否执行了治疗床更换、在计划期间是否正确使用和考虑了固定装置、在治疗期间位置和速度是否正确。分析模块126可以判断在放射疗法治疗装置10的输出参数中是否发生了改变或变动。就机架18而言，分析模块126可以判断机架18的速度和定位是否存在误差。分析模块126可以接收数据以判断多叶片准直器62是否被恰当操作。例如，分析模块126可以判断叶片66是否在正确时间移动，是否有任何叶片66被卡在原位，叶片定时是否被恰当校准，以及叶片调制样式对于任何给出的治疗计划是否正确。分析模块126还可以针对任何给出的治疗计划来确认患者摆位、定向和位置。分析模块126还可以确认机架18、治疗床62、直线加速器26、叶片66之间的定时是正确的。

分析模块126还可以利用形变配准数据以确保患者14跨多个分次接收正确的放射剂量。当分析所述剂量时，有用的是，跨多个治疗分次累计剂量以判定是否加剧了任何误差或它们是否互相消减。配准是用于跨多个图像确定患者的解剖或生理的位置之间的相关性的方法。形变配准是确定患者的解剖或生理的位置之间的相关性以考虑到在图像、相或时间之间解剖结构中的非刚性改变的方法。基于来自放射疗法治疗装置10的在线图像和反馈重新计算待递送给患者14的放射剂量，以确保已经或正在向患者14递送正确的剂量。

分析模块126还可以出于质量保证的目的，利用与基于形变的图像的轮廓勾画相关的数据。形变配准技术可用于为新图像产生自动或半自动的轮廓。一般说来，已经为计划或其它基线患者图像限定了轮廓集，但是对于新图像来说，轮廓集通常不是现成可用的。比起需要操作者手动勾画图像轮廓，执行形变图像配准可以更快和更一致，然后使用形变结果作为基础以修改原始轮廓集来反映新的患者解剖结构。基于以前可得到的图像和轮廓的集，已经开发了相似的基于模板的轮廓勾画算法族，以为最新可得到的图像产生轮廓。这些基于模板的算法可基于以前的患者图像和轮廓、或可能基于规范的或图谱(atlas)患者图像和轮廓，为新的患者图像勾画轮廓。这可以作为累计每日图像中剂量的工具，针对自适应治疗而执行，其中各个每日图像都具有自动的每日轮廓。此外，虽然这些算法以前用于基于规范的或图谱的图像生成新轮廓的情形，但本发明的新的方面是将这些技术应用于在图像引导的放射疗法期间产生的具体的大量图像数据和图像类型。具体地说，这包括同一患者的多个图像的基于形变和模板的轮廓勾画，其中可能只存在用于一个图像的轮廓集。患者的这多个图像可以通过使用在线或室内患者成像***产生，图像可能在不同的日子取得，或者这些图像可能得自“4D”成像***，例如CT扫描器，其中各个图像代表一个运动相，例如呼吸相。还应当注意，在线或者室内成像***可能是与基准图像相同、相似或者不同的影像设备。例如，基准图像可能是CT图像，而在线图像可以是CT、锥形束CT、兆伏CT、MRI、超声或者不同的影像设备。通过将这些轮廓勾画技术接口到质量保证和自适应治疗的应用，有可能既从图像的轮廓勾画节省可观量的时间，并且该方法还可以提高在相同患者的多个图像(不同的时间取得或者代表不同的相)之间轮廓的一致性。已知手动的轮廓可能苦于无再现性，而自动产生的轮廓能够有潜力在将初始轮廓的原理应用于产生后续轮廓中更为一致。

使用形变配准技术的轮廓勾画过程的另一个益处是，产生的轮廓可以提供形变过程的验证。如果产生的轮廓密切反映人们将手动绘制的轮廓，那么这是良好的指示表明形变过程是合理的；然而，如果自动轮廓的相关性较低，则向使用者表明也许形变是不适当的，而且也向使用者提供机会查证手动轮廓，以检查错误或不一致。本方法的另一个方面是基于形变的轮廓可以用作用于自适应过程的轮廓的粗糙草图，并加以手动编辑以反映用于在线图像的期望轮廓。这样做时，形变过程能因此再运行，约束形变图以将初始轮廓与手动编辑的自动轮廓相匹配，并且这有助于引导在其余图像中的一致结果。

分析模块126还可用于为了质量保证的目的，利用形变图在不同的图像上执行剂量计算。可以利用形变图来联系多个图像，其中一个图像是对剂量计算有用的计划图像，而另一个图像，例如在线图像，具有定性值，但是不太直接应用于剂量计算。这种联系然后可以用来将更为定量的图像“再映射”到在线或定量性较低的图像的定性形状。所得到的再映射后的图像将比其它两个图像中的任何一个更适宜用于剂量计算或定量应用，因为它将具有第一个图像的定量利益，而且具有第二个图像中所包含的更新后的解剖信息。这在各种情况下可能是有用的，例如第一个图像(例如计划图像)是CT而另外的图像缺乏定量的图象值(例如MRI、PET、SPECT、超声或非定量CT等图像)的情况。代替定量限制或除了定量限制之外，这种方法的类似应用将是校正几何失真、缺陷和/或不完备。例如，很好地表现解剖结构但是包含几何失真的当前MRI图像可以被再映射到没有失真的CT图像。或者，可以使用多个图像来在表现解剖变化的同时校正失真。

从上文注意到，重要的是能够在计划图像之后获得的患者图像上重新计算剂量。给出这些剂量，还可用于针对多个递送分次累计这些剂量。这些剂量可以基于所述剂量在物理空间中的位置而相加，但是更好的方法是将形变方法结合到所述过程中，以便基于接收所述剂量的结构来相加剂量，即便所述结构已经改变了位置。然而，有可能依靠这种技术来执行新类型的自适应治疗。

在重新计算剂量的情形下，本发明有几个其它方面来提高或者促进这一过程。例如，在记录应用于患者的任何每日配准之后，有可能基于图像引导，在重新计算剂量时将这些相同的配准可选地应用于患者图像。这可以自动或半自动执行。或者，可以用不同的配准重新计算剂量。好处是通过自动地使用记录的配准，重新计算所递送的剂量的过程得以简化和流水线化(streamline)。此外，通过具有针对不同的配准重新计算剂量的能力，人们能够进行试验以确定是否其它的患者对准方案也许更有效或不那么有效。并且通过不使用记录的配准，人们可以确定在不存在图像引导的情况下，将对治疗产生什么影响。

剂量再计算过程还可以通过填补不完整图像来提高。这是因为尺寸受限的图像，无论在轴平面和/或在上/下方向上受限，都可以降低剂量计算的准确度。克服它的方法是用其它图像数据，例如来自计划图像的数据，来填补尺寸受限的图像。这种填补方法可以对在轴向或上/下方受限的数据奏效。另外，另一个用于填补上/下方数据的方法是根据需要重复不完整图像的末端切片，直至数据对于改进剂量计算而言足够大为止。

图5示出了实时MAO引导的放射治疗递送的流程图。在这个流程图中，治疗计划***(TPS)用来优化计划的弦图，但是在所述计划过程中没有加上运动边缘。这种方法不改变治疗床、机架速度或颚件位置。换句话说，在放射递送期间，恰如所计划的，治疗床和机架以定速移动，并且颚件处于固定位置。借助一些替代物或直接通过治疗束来实时检测/更新肿瘤位置，同时本发明的运动管理***独立于运动检测方法。

计划的弦图与累积的递送剂量、估算的未来剂量和预测的肿瘤位置一起，被馈送到优化过程中，以输出用于下次投射的叶片打开时间。这被认为是闭环过程，因为优化器的输出作为指令被发送到机器以递送剂量，以及递送的剂量通过4D剂量计算器进行实时累计并发送回(作为输入)到优化器。

4D剂量计算器用来实时累计递送的剂量直至最后一次递送的投射。估计待在未来投射(在下个投射以外)中递送的剂量。根据对于下个投射预测的肿瘤位置和累计的递送剂量，实时优化下个投射的叶片打开时间，以应付累计递送误差和未来剂量估计。优化后的叶片打开时间用来控制调制下个投射的放射递送的MLC。

该流程图将放射递送过程建模为负反馈***。为了实时执行该流程图，按照所示，除了离线计划步骤以外，所述过程必须在少于一个投射的时间内施行。投射时间可以被认为是实时MAO技术的时间分辨率，因为每个投射***只优化一次。TomoTherapy

放射治疗***的最小投射时间是大约200ms，其对应于机架每旋转10秒有51个投射。

以下注释贯穿本文档全文使用：

B：大小为M×N的计划子束剂量的矩阵，其中M是体素的数量而N是子束的数量。B的各列是来自单位强度的子束(叶片)的剂量分布。

w：利用投射序数i和叶片序数j标记的叶片注量(叶片打开时间)的弦图，w＝{w_i，j}。

通过在计划步骤中优化而获得并用hat符号强调的计划弦图。

根据肿瘤运动从计划弦图调节并用波形符号强调的递送弦图。

δ：机架每转的治疗床移动。

P：机架每转的投射数，对于现行的螺旋形TomoTherapy放射疗法治疗***典型为P＝51。

u＝(u_x，u_y，u_z)：肿瘤运动；uⁱ中的上标指示第i个投射的运动。

理论

计划优化

IMRT计划优化一般可以公式化为约束非线性优化问题：

$\hat{w}=\underset{w}{\arg \min }F\left(\mathrm{Bw}\right)---\left(1\right)$

受下列条件约束

其中F是计划目标函数，

是可容许的剂量分布的空间，其满足例如最小和最大剂量以及DVH要求，和

是可由放射治疗机器的硬件递送的可行的注量图的空间。典型地，目标函数F可以表示为多个目标函数的加权总和：

F＝∑_sa_sF_s                     (3)

子束剂量的矩阵B中的各列代表单位强度的子束的3D剂量分布，并且乘积Bw是作为递送w的结果的总体3D剂量分布。注量图w可以被直接或间接转换成用于机器的递送指令。将注量图w直接转换成递送指令的例子是TomoTherapy

放射疗法治疗***，其中注量图描述了各个投射的叶片打开时间。间接转换，如基于静态调强(step -and-shoot)和动态MLC的递送，将注量图转变成数十到数百的片段或者若干叶片序列。IMRT优化通常是耗时的过程，即使用最新型电脑也要花费数十分钟或小时。以下是造成IMRT优化是冗长过程的贡献因素：

方程(3)中的目标函数的不同分量相互作用，以及较好的权衡可以通过由用户调节权重a_s来实现。因此，它可以包括大量的使用者操作，以推动向着临床目标的优化。

它被归类为非常大规模的非线性优化问题。问题大小反映在矩阵B的大小中。未知数的数量(即，子束的数量或B中列的数量)对于传统的IMRT大到数千，并且对于优化大到数万乃至数十万。B中的行数对应于3D体积中的体素数目，其典型在数百万的数量级上。

矩阵B相当稠密，不稀疏。理论上，每个子束都由于散射而对3D体积中的所有体素有贡献。假定在TomoTherapy

***的情况下，每转有51个投射，并且典型螺距(pitch)为0.3，即便考虑初级辐射，每个体素都被51/0.3＝170个子束直接照射。亦即，优化器必须找出那些子束间的权衡来最小化目标函数，并且它通常需要数百次的迭代让结果收敛。

为了集中，在下文的讨论中，我们只研究TomoTherapy^SM治疗递送模式。然而注意到，自适应技术可以应用于其它放射递送装置和***，以及应用于其它类型的递送。TomoTherapy^SM治疗递送是投射相关的(projection-wised)。亦即，注量图w被组织为子束强度的弦图：

w＝{w_i，j}                            (4)

其中i是投射指数和j是叶片指数。典型地，每个弦图中有数百至数千个投射。

运动编码的子束

子束矩阵B与静态患者相关联，是计划优化之前离线预先计算的。与对于计划优化相同，子束矩阵在累计剂量和更新注量图以进行实时优化中是必需的。但是，当递送期间肿瘤运动时，射线源可能不再处于肿瘤基准帧中计划的位置。因此，原始子束矩阵B对于描述患者剂量分布不再有效，并需要修正子束矩阵。我们称这样修正后的子束为运动编码的子束。从头开始实时再计算子束是不可行的。在下面，描述实时从原始子束修改后的运动编码的子束的近似。

假设在递送第i个投射时时，肿瘤运动是u＝(u_x，u_y，u_z)。子束的修改可以分解成纵向和横向方向。让我们首先考虑纵向。为了方便起见，源位置以肿瘤为基准，除非另有说明。在第i个投射时，计划的源位置是(i/P)·δ，其中δ是机架每转的治疗床移动。对于运动u＝(u_x，u_y，u_z)，源位置变成(i/P)·δ-u_z。这个新的源位置的子束可以通过相同的机架角度处两个最接近投射的原始子束的线性内插来近似。

$B_{i,.}^{\′}\left(x\right)=(1-\mathrm{\α})B_{i-\mathrm{mP},.}\left(x_1\right)+\mathrm{\α}{B}_{i-(m+1)P,.}\left(x_2\right)---\left(5\right)$

对于空间中每一个点x＝(x，y，z)来说，其中u_z/δ＝m+α，m为某个整数且0≤α＜1，并且x₁和x₂限定为

x₁＝(x，y，z+αδ)，且x₂＝(x，y，z-(1-α)δ)        (6)

类似于纵向修改，应对横向运动的横向修改也可以通过两个最接近的叶片的原始子束的线性内插而获得。

${\tilde{B}}_{i,j}\left(x\right)=(1-\mathrm{\β})B_{i,j-l}^{\′}\left(x_3\right)+\mathrm{\β}{B}_{i,j-l-1}^{\′}\left(x_4\right)---\left(7\right)$

其中，u_φ-π/2/a＝l+β，l为某个整数且0≤β＜1，a是叶片宽度，φ是投射角，φ＝(i/P)2π，和u_φ-π/2是沿着叶片方向(cos(φ-π/2)，sin(φ-π/2)，0)的运动u的投影，如图3所示。这里，坐标偏移x₃和x₄被定义为：

x₃＝(x，y，z)+βa·(cos(φ-π/2)，sin(φ-π/2)，0)       (8)

x₄＝(x，y，z)-(1-β)a·(cos(φ-π/2)，sin(φ-π/2)，0)

使用方程(5)和(7)，并假定对于第i个投射的叶片注量为{w_i，j}，则第i个投射的运动编码的剂量d_i应当是

$d_i=\underset{j}{\mathrm{\Σ}}{\tilde{B}}_{i,j}{w}_{i,j}---\left(9\right)$

实时MAD

实时运动自适应递送(“MAD”)技术在MAO策略中提供注量的初始推测和用于未来剂量估算的合理模型，这将在以后章节中论述。我们在这里简短概述MAD技术。

在任何投射时，如果肿瘤运动是u＝(u_x，u_y，u_z)，其等同于源从计划的轨迹相对于肿瘤运动了-u，那么我们将使用内插的叶片打开时间，以便该投射的剂量最接近该位置处意图的剂量。令

表示计划的弦图，其中i是投射指数和j是叶片指数。当以治疗床为基准时，由投射指数i参数化的源位置在圆柱形表面上描绘出螺旋线。如果对于投射i而言，源在纵向中偏移了-u_z，那么新的叶片注量

可通过对计划弦图w进行线性内插来计算。也就是，

${\tilde{w}}_{i,j}\left(u_z\right)=(1-\mathrm{\α})\·{\hat{w}}_{i-\mathrm{mP},j}+\mathrm{\α}\·{\hat{w}}_{i-(m+1)P,j}---\left(10\right)$

其中，u_z/δ＝m+α，m是某个整数且0≤α＜1。

通过用必要的校正，例如锥体效应和平方反比，来偏移叶片注量，从而进一步补偿源的横向位移。

实时MAO

耗时的计划优化返回最佳可行方案

使得剂量分布

达到临床医生的目标。然而，实时患者运动没有在计划程序中建模或甚至不可能在计划程序中建模。预期从计划优化的繁重工作得到的高度适形的计划剂量分布将由于实时运动而被破坏。实时MAO引导的递送将优化结合到放射递送程序中。事实上，它可以被认为是对来自以前递送投射的累计误差进行自校正的负反馈***。

实时MAO只优化了下个投射的叶片打开时间。假定计划弦图包含N个投射，并且紧接在第n个投射(下个投射)的递送之前，我们想要优化：

${\tilde{w}}_{n,.}=\underset{w_{n,.}}{\arg \min }\left|\right|d^{\mathrm{delivery}}-d^{\mathrm{plan}}\left|\right|---\left(11\right)$

服从

0≤w_n，.≤w_max                            (12)

其中w_max是为各个递送计划固定的最大投射时间，d^delivery定义为

d^delivery＝d_-+d_n+d₊                       (13)

d_-是已经递送的第1至n-1个投射的累计剂量，

d_n是待对第n个投射递送优化的剂量，和

d₊是在第n+1至N个投射中要递送的未来剂量。

这里，剂量分布d_-、d_n和d₊在与计划程序中相同的基准帧中进行估计。图7示出了用于实时MAO程序的时间线。在递送第(n-1)个投射期间，进行第n个投射的优化。优化任务还包括更新累计剂量d_-，方法是在其上加入第n-1个投射的最近递送的剂量，并估算第n+1投射至结束的未来剂量d₊。

在优化的时候，对于第n-1个投射的肿瘤运动是已知的，但是对于第n个投射的运动需要预测。在下面，我们将详述各个任务——递送剂量累积、未来剂量估算和单个投射优化如何完成，假设我们是在对第n个投射进行优化。

递送剂量累计

假设我们是在对第n个投射进行优化。我们已经计算了第1至n-2个投射的累计剂量d_-。我们需要更新累计剂量d_-，方法是将第(n-1)个投射的最近递送的剂量

加在其上。我们需要知道递送的注量图和运动编码的子束来计算递送的注量图

正好是对第(n-1)个投射的优化结果。然而，我们只有假定没有肿瘤运动的计划子束。在递送第(n-1)个投射时，由于肿瘤运动u^n-1，该子束与计划的子束不同。从计划子束到递送子束的修改遵从方程(5)和(7)。在第n-1个投射中递送的剂量是

$d_{n-1}^{\mathrm{delivered}}=\underset{j}{\mathrm{\Σ}}{\tilde{B}}_{n-1,j}{\tilde{w}}_{n-1,j}---\left(14\right)$

并且递送的剂量按照下式简单累计：

$d\_:=d\_+d_{n-1}^{\mathrm{delivered}}---\left(15\right)$

未来剂量估算

未来剂量估算是一项艰难的任务，因为对于所有未来的投射，我们有两个未知数：1)肿瘤运动和2)注量图(叶片打开时间)。如果我们知道未来投射的整个轨迹，那么上面描述的MAD策略为未来的剂量估算提供了良好的候选方法。但是事实上，我们没有预先知道整个运动轨迹。在MAD策略中，固有的修改将用其概率密度函数(PDF)代替运动，并在预期方面表达未来剂量。根据以前的轨迹，能够容易地估算运动的PDF，并且预期PDF对于未来的投射改变缓慢。根据MAD策略的预期的未来剂量可以预先离线计算。

步骤1：通过将来自所有叶片的贡献相加，计算各个投射i的计划投射剂量

$d_i^{\mathrm{plan}}\left(x\right)=\underset{j}{\mathrm{\Σ}}{B}_{\mathrm{ij}}\left(x\right){\hat{w}}_{\mathrm{ij}}---\left(16\right)$

步骤2：对于全部的k计算直至第k个投射的累计剂量g₀(k，x)。

$g_0(k,x)={\mathrm{\Σ}}_{i=1}^k{d}_i^{\mathrm{plan}}\left(x\right)---\left(17\right)$

具体是，g₀(N，x)表示来自所有投射的总剂量，其中N是投射总数。

$g_0(N,x)={\mathrm{\Σ}}_{i=1}^N{d}_i^{\mathrm{plan}}\left(x\right)---\left(18\right)$

步骤3：如果源轨迹在纵向方向上偏移了-u_z，其等于纵向肿瘤运动u_z，则计算直至第k个投射的累计剂量g(k，x，u_z)。

g(k，x，u_z)＝(1-α)g₀(k-mP，x₀)+αg₀(k-(m+1)P，x₁)    (19)

其中u_z/δ＝m+α，x₀和x₁的定义与方程(6)中的相同。具体而言，我们得到

g(N，x，u_z)＝(1-α)g₀(N，x₀)+αg₀(N，x₁)              (20)

步骤4：相对于运动u_z的PDF p(u_z)，计算g(k，x，u_z)的预期值

$\stackrel{\‾}{g}(k,x)={\∫}_{{\underset{\‾}{u}}_z}^{{\stackrel{\‾}{u}}_z}g(k,x,u_z)p\left(u_z\right)d{u}_z---\left(21\right)$

步骤5：计算预期的未来剂量d₊。

$d_{+}\left(x\right)=\stackrel{\‾}{g}(N,x)-\stackrel{\‾}{g}(n,x)---\left(22\right)$

对于注量和运动的PDF，我们的未来剂量估算基于MAD。

因为可以通过用必要的校正例如锥形效应和平方反比对叶片注量进行偏移来补偿源的横向位移，我们只需要处理纵向位移。如上所述，如果源对于第i个投射来说在纵向方向上偏移了-u_z，则新的叶片注量

可以通过对计划的弦图

进行线性内插来计算。也就是，

${\tilde{w}}_{i,j}\left(u_z\right)=(1-\mathrm{\α})\·{\hat{w}}_{i-\mathrm{mP},j}+\mathrm{\α}\·{\hat{w}}_{i-(m+1)P,j}---\left(23\right)$

其中u_z/δ＝m+α，m为某个整数且0≤α＜1。类似地，子束可以通过将计划的子束按照方程(5)进行线性内插来近似。

${\tilde{B}}_{i,j}\left(x\right)=(1-\mathrm{\α})B_{i-\mathrm{mP},j}\left(x^{\′}\right)+\mathrm{\α}{B}_{i-(m+1)P,j}\left(x^{\′\′}\right)---\left(24\right)$

其中x′＝(x，y，z+αδ)和x″＝(x，y，z-(1-α)δ)。因此，用于第i个投射的新剂量是

${\tilde{d}}_i\left(x\right)=\underset{j}{\mathrm{\Σ}}{\tilde{B}}_{i,j}\left(x\right){\tilde{w}}_{i,j}$

$=(1-\mathrm{\α})\·\underset{j}{\mathrm{\Σ}}{\tilde{B}}_{i,j}\left(x\right){\hat{w}}_{i-\mathrm{mP},j}+\mathrm{\α}\·\underset{j}{\mathrm{\Σ}}{\tilde{B}}_{i,j}\left(x\right){\hat{w}}_{i-(m+1)P,j}$

$(1-\mathrm{\α})d_{i-\mathrm{mP}}\left(x^{\′}\right)+\mathrm{\α}\·d_{i-(m+1)P}\left(x^{\′\′}\right)---\left(25\right)$

注意到方程(25)的第三行使用了近似值

和

新剂量

事实上是肿瘤运动的函数。让我们用

来表示它对第i个投射的肿瘤运动

的依赖性。如果未来投射的运动是已知的，那么第n个投射之后的未来剂量可以计算为

$D_{+}\left(x\right)=\underset{i=n+1}{\overset{N}{\mathrm{\Σ}}}{\tilde{d}}_i(u_z^i,x)---\left(26\right)$

然而，在现实中，未来投射的运动不是已知的。假定的PDF可得，并且对于所有的i＞n都相同，由p(u_z)表示，那么未来的剂量可以使用方程(26)的预期值来估算。

$d_{+}\left(x\right)=<D_{+}\left(x\right)>$

$=<\underset{i=n+1}{\overset{N}{\mathrm{\&Sigma;}}}{\tilde{d}}_i(u_z^i,x)>---\left(27\right)$

$=<g(N,x,u_z)-g(n,x,u_z)>$

$=\stackrel{\&OverBar;}{g}(N,x)-\stackrel{\&OverBar;}{g}(n,x)$

其中g和

定义同上。

单个投射优化

现在我们已经计算了d_-和d₊，我们准备好优化第n个投射。第n个投射的剂量计算为：

$d_n=\underset{j}{\mathrm{\&Sigma;}}{\tilde{B}}_{n,j}{w}_{n,j}---\left(28\right)$

其中

是方程(5)和(7)中给出的运动编码的子束，其中肿瘤运动uⁿ基于从第1个到第n-1个投射的运动轨迹通过预测得到，并将在下一节中描述。w_n，.是要优化的叶片打开时间。在该优化中典型包括少于20个活动叶片。那些叶片的子束剂量极少重叠，因为它们处于同一投射中。根据方程(11)和(13)的所需剂量分布

是

${\tilde{d}}_n=\max (d^{\mathrm{plan}}-(d\_+d_{+}),0)---\left(29\right)$

如果子束不重叠，则注量图可以一步解决。

${\tilde{d}}_n=\underset{j}{\mathrm{\&Sigma;}}{\tilde{B}}_{n,j}{\tilde{w}}_{n,j}\&DoubleRightArrow;{\tilde{w}}_{n,j}=\frac{<{\tilde{B}}_{n,j},d_{n,j}>}{<{\tilde{B}}_{n,j},{\tilde{B}}_{n,j}>}---\left(30\right)$

要注意j≠j′时，因为它们不重叠。这里，<·，·>表示两个矢量的内积。但是，由于放射半阴影和散射，我们发现下列从第k次到第(k+1)次迭代的比率更新方案更具鲁棒性：

$w_{n,j}^{(k+1)}=r_{n,j}^{\left(k\right)}{w}_{n,j}^{\left(k\right)}---\left(31\right)$

其中

$r_{n,j}^{\left(k\right)}=\frac{<d^{\mathrm{plan}},{\tilde{B}}_{n,j}>}{<d_{\left(k\right)}^{\mathrm{delivery}},{\tilde{B}}_{n,j}>}---\left(32\right)$

从MAD途径获得的注量用作初始猜测

我们设w_n，j如果超过w_max的话就等于w_max，以确保可行的叶片开放时间。典型地，优化在10次迭代内收敛。

运动预测

对于任何实时反应***，由于检测与动作之间的延迟时间，所以需要预测。在TomoTherapy^SM治疗的实时MAO的情况下，总延迟时间由从运动检测至MAO计算、至发送递送指令、至实际递送的时间构成。这样的运动可以包括直接运动，例如呼吸运动或呼吸相、心脏运动、或引起肿瘤从其预期位置运动的其它患者运动，或者更多的间接运动，例如肿瘤形变、患者体重减少、或其它患者改变。假定投射时间是200ms，总延迟时间，或预测时长，少于300ms，这被认为是短期预测。另外，MAO引导的递送是能够在以后的投射中自校正预测误差的负反馈***。因此，对预测准确度没有高要求，发现根据自回归建模的简单线性预测一般对于该应用作用良好。

令x_i表示第i个时间样本的肿瘤位置。根据自回归建模的线性预测将肿瘤运动表示为过去的样本的线性组合。

$a_1{x}_{m+1}+a_2{x}_{m+2}+...+a_n{x}_{m+n}=x_{m+n+k}\&ForAll;m---\left(33\right)$

其中n是模型阶，k是预测时长，a_i′s是根据训练数据计算的系数。我们选择模型阶n来对应大约2秒的运动数据。运动轨迹的开始40秒被用作训练数据，以及系数自适应地每20秒更新一次。根据我们在几个真实的呼吸曲线上的实验，对于峰-峰幅值为3cm的真实呼吸运动和300ms的延迟时间而言，线性预测的准确度可以达到RMS误差大约0.5mm

我们还需要为了未来剂量估算而预测肿瘤运动的PDF，方程(21)。但是我们仅仅使用～20秒的过去数据来近似未来肿瘤运动的PDF。由于闭环***的自校正特性，未来剂量估算的准确度仍然不是非常关键的。

结果

我们使用仿真和临床数据来评价实时MAO引导的TomoTherapy^SM治疗递送。与(Lu，2008b)中记载相同的运动编码的剂量计算引擎用于计算递送的剂量。按照计划在相同基准帧中计算所有剂量和评价DVH。我们比较了以下三种不同的递送条件的剂量。

SD：对静态肿瘤的规则递送

MD：对移动肿瘤的规则递送

MAO：对与2相同的肿瘤运动的运动自适应优化引导的递送。

另外，我们还计算MAD技术的剂量用来对比。

仿真数据

对于基于二元MLC的IMRT，例如TomoTherapy或TopoTherapy^SM治疗递送，分次内运动的影响在纵向(Z-方向或治疗床运动方向)比横向中更显著。我们的研究首先集中在纵向移动上然后扩展至3D运动。对于所有的仿真，我们采用1.05cm的颚件宽度，10秒的机架周期，每转投射(PPR)51个，和0.3的螺距。这些递送参数相当于用于没有运动补偿的治疗递送的最坏情况场景。

我们使用Lu，2008a中所给的1D仿真来研究纵向运动的影响。因为只在纵向上运动，结果适用于静态和螺旋递送模式。我们比较了MAD和MAO引导的递送的结果。对8cm长的靶意图有均匀的剂量分布。投射时间是196ms(＝每转10秒/每转51个投射)。计划弦图是简单的矩形剖面图，对应于肿瘤区域中131ms(＝196ms/MF)的叶片打开时间，而在其它地方为0。在这里，MF(＝1.5)表示用于仿真的调制系数。

图8-14示出了结果。在所有那些图中，上图显示纵向运动轨迹，中图显示计划弦图和递送弦图，以及下图比较SD、MD和MAD的剂量(图8，图10，和图12)或MAO的剂量(图9，图11，图13，图14)。

图8-9仿真等速运动(治疗床速度的～10％)。这种运动在肿瘤移向放射束下游(逆着治疗床移动方向)或治疗床移动比计划慢10％的时候产生。不进行补偿，这样的运动将导致1)由于“动态的”未对准，一部分靶被错过，而正常组织剂量过度，和2)一部分靶因为在放射束下花费的时间比计划多10％，从而剂量过量大约10％。这些效应通过MD剂量清楚地示出(下图中的绿色虚线)。对于靶边界而言，MAD剂量与计划剂量(SD)良好对准，但是它在其它区域中与MD剂量一样“热”。通过重新布置递送顺序，MAD确保放射被递送到正确位置，但是它没有改变射束强度以补偿肿瘤的向下游运动。MAD弦图(在图8的中图中显示为“点”)具有与计划相同的强度等级。如果我们预先知道整个运动轨迹并对所有的投射做全局再优化，那么我们将得到的弦图在肿瘤区域中的强度比计划的要低大约10％。MAO技术再优化了射束强度以补偿每个投射处的累计的运动引发误差。图9显示MAO的结果。如图9的中图所示，MAO弦图在计划弦图下方大约10％处振荡。振荡指示MAO方法的负反馈***的鲁棒性。在各个投射时，MAO算法补偿了来自所有之前投射的累计误差。由于递送配置的限制(例如，每个投射的最大叶片打开时间)以及预测与未来估算的不确定性，这样的补偿决不是完美的。但是补偿误差和预测误差均可以进一步通过下个投射来校正。通过负反馈***，图9的下图中显示的MAO剂量完美地匹配计划剂量(SD)。

图10-11是峰-峰幅值为2cm且周期为4.3秒的Lujan型的呼吸运动。如两个图的下图中所示，在剂量剖面图的前端和后端，由于呼吸运动，MD剂量明显偏离SD剂量。另一方面，MAD和MAO方法都对运动进行了补偿，它们的各自剂量很好地匹配SD剂量。虽然MAD和MAO剂量几乎相同，但它们的弦图显著不同(图10-11的中图)。MAD弦图具有与计划相同的平坦形状，而MAO弦图显示强烈的振荡。不同的弦图可以给出几乎相同的剂量，因为子束矩阵由高度冗余的子束组成。对于PPR为51且螺距为0.3而言，每个体素将接收来自51/0.3＝170个投射的直接放射。这样的冗余度意味着使用MAO的基于贪心的优化方案，对于相同的目标和针对累计误差的补偿的可行性存在多个解决方案。

图12-13显示从肺癌患者测量的峰-峰幅值为2cm的不规则呼吸的结果。非常不规则呼吸的大幅值、TomoTherapy^SM治疗递送的小场尺寸(1.05cm)和快速的机架转动(10秒)的组合，导致下图中显示的MD剂量中的肿瘤剂量高度不一致性。MAD剂量在肿瘤的边界中仍然良好匹配SD，但是在肿瘤的内区中具有与MD剂量相同的不一致性(图12)。另一方面，MAO方法将不规则呼吸的边缘模糊和肿瘤剂量不一致性效应降低到与SD剂量相差3％以内(图13)。图14显示对于相同的不规则呼吸但是有M形状的强度图的MAO的结果，这仿真了高度强度调制计划。它显示MAO剂量即使用这样的高度调制计划，仍然良好匹配SD剂量。

MAD对图8和12中的运动类型无效，因为它是基于每个肿瘤体素具有与计划相同的机会被照射的假设，而等速(图8)和非常不规则呼吸(图12)的运动明显违反了这个假设。但是，实时MAO方法不基于这样的假设，因而良好地适用于任意运动。

临床数据

实时MAO引导的递送技术可以应用于任何种类的运动。在这里，我们介绍两种运动的结果：呼吸运动和***运动。

呼吸运动

我们回顾性研究了肺下部中肿瘤尺寸为大约2cm的一个肺癌病例。治疗计划使用TomoTherapy

Hi·Art

II TPS优化，且颚件宽度为2.5厘米，螺距为0.3。优化使用GTV，因为靶没有任何运动边缘。计划的剂量分布显示在图17的首行。因为我们没有该患者的呼吸数据，所以来自其它肺癌患者的肺活量计信号的两种不同呼吸轨迹用于模拟所研究的患者的肿瘤运动。测量到的肺活量计信号仅仅是1D的，提供了相对幅值和相位信息。我们对信号幅值进行缩放，使得它的下10％至上10％的范围大致对应于SI方向中的3cm、AP方向中的2cm和LR方向中的1cm。这些运动接近在文献中报导的最大呼吸运动。对每个运动轨迹，我们计算了MD和MAO剂量，并将它们与SD剂量进行比较。我们还比较了它们的DVH。

不同递送模式的运动轨迹和DVH比较显示在图15-16中。两个图显示出在MD剂量中的显著冷点。注意，这是极端的情况，因为GTV只有大约2cm，而运动大到3cm。另外，治疗计划中没有运动边缘，预计因为肿瘤会移出放射场，将显露出显著的冷点。但是即使没有运动边缘，MAO的DVH也非常好地匹配计划的DVH(SD)，冷点可以忽略。这些例子意味着对于治疗经历显著呼吸运动的小肺肿瘤而言，实时MAO技术是减少边缘的有效方式。

图17比较了图16给出的运动轨迹在横断(T)、矢状(S)和冠状(C)视图中的剂量分布。首行是SD(计划)剂量分布的TSC视图，中间行是MD剂量分布的TSC视图，以及底部行是MAO剂量分布的TSC视图。它提供了与DVH类似的信息。不进行运动补偿，GTV剂量明显少于计划剂量，如等剂量水平中所示。采用MAO引导的递送，高剂量区域中的等剂量线(包围肿瘤)非常类似于SD剂量的等剂量线，虽然在小剂量区域中有一些差异。这样的差异主要是由于散射导致，由于存储器限制，没有在MAO中对所述散射进行完全建模。还要注意，在所有计算中，我们假设刚体运动，这对小肿瘤相当有效，但对肺或脊髓则否。因此，肺和脊髓剂量的结果应该慎重读取，尽管我们预料在肿瘤小并且远离脊髓时差异最小。

2.2.2***运动

我们回顾性研究了与(Langen等，2008b，Langen等，2008a)报导的相同的***患者病例。分次内的***运动通过Calypso

的四维定位***的电磁信号进行实时循迹。这些运动分类为小、中或大的***位移，其分别相当于小于3mm、3至5mm之间或大于5mm的幅值，并且占所有循迹数据的超过85％、～10％或～3％，如(Langen等，2008c)中所述。使用的优化治疗计划与(Langen等，2008b，Langen等，2008a)中的相同，颚件宽度为2.47，螺距为0.287和机架旋转周期为29至31sec。

图18显示在整个治疗期间在3mm以内的小***运动的结果。MD的DVH稍低于SD的DVH，MAO的DVH完美匹配SD的DVH，表明MAO方法对这样的小运动的鲁棒性。

图19显示了中等的***运动的结果。***在大量时间内在SI(上-下)方向中移动了在3mm至6mm之间的距离。与SD的DVH相比较，MD的***DVH中显现热点和冷点。这是因为，在SI方向上，如左上图中SI运动轨迹所示，肿瘤向上游(逆着放射源运动)和向下游(遵循放射源运动)均移动。向上游运动引起部分***接收比计划低的剂量，而向下游运动引起其它部分比计划高的剂量。如DVH图中所示，MAO技术能够补偿这两种运动。MAO的***DVH很接近SD的***DVH。另外，膀胱中的热点通过MAO得以校正。

图20-21显示了对大的***运动的结果。图21的首行显示在TSC视图中的计划的(SD)剂量分布，中间行显示在TSC视图中的MD剂量分布，以及底行显示在在TSC视图中的MAO剂量分布。在大多数的递送时间中，***在SI和AP(前-后)方向上均移动了在5mm至10mm之间的距离。这样的向上游的大的SI运动引起***剂量分布中显著的冷点，通过***DVH(图20)和MD的剂量分布(图21的中间行)所检测到。另一方面，MAO技术很好地补偿了这样的大运动。MAO等剂量线(图21的底行)非常类似于计划剂量(图21的首行)，以及MAO的DVH接近SD的DVH(图20)。注意直肠中的热点通过MAO得以校正。

这些例子显示，实时MAO可以有效补偿***各种类型的、小或大的运动，但是这样的运动效应通常很轻微并在五个分次的递送之后迅速消退。在这里我们对所有的研究假设是刚体运动。这样的假设对***是有疑义的，并且肯定不适合于膀胱和直肠。因此，在这里介绍的MD和MAO结果都应只当做概念的证明而不是临床指导。

讨论

治疗计划是基于有关递送机器投入运行的日期和患者解剖结构例如CT的信息。因为治疗递送的目标将尽可能准确地再现治疗计划，所以递送程序应该在治疗计划中准确地进行建模。但是，实时改变例如肿瘤运动难以准确地预先建模。现有技术的放射递送是开环程序。它试图逐步再现计划的程序，但是缺乏处理每个步骤中出现和积累的误差的机制。所提出的实时MAO引导的放射疗法将递送方案从传统的开环***改变成有负反馈的闭环***。在这个意义上，MAO的框架可以容易地扩展至更通用的方案，实时自适应放射治疗(ART)，如图22所说明。在该流程图中，运动误差(来源于患者运动和其它的患者改变)和机器误差(来源于各种机器参数)均被实时检测和预测。4D剂量重建引擎实时累计递送的剂量。重建的剂量与未来估算一起，用来驱动实时优化器，所述实时优化器优化用于下个投射的叶片打开时间。

ART一般是指在放射治疗期间使用反馈的观念来改善未来的治疗。反馈能用于离线自适应处理或在线处理。离线ART是指患者没有进行治疗例如在治疗分次之间时的处理，而在线ART是指患者在治疗床上但是在马上要递送治疗束之前时的处理。离线和在线ART二者均补偿分次间的改变。但是，实时ART将校正分次内、或实时生成的误差，无论它们起因于患者运动还是随机的机器变化，例如直线加速器输出改变、叶片打开误差、机架旋转误差、治疗床运动误差等等。实时ART中用于驱动放射递送的指令利用来自很多部件的***性反馈进行实时优化，所述***性反馈包括机器参数和患者改变(例如由于患者运动导致的改变)。实时ART对误差检测和***响应提出了高要求。实时剂量重建也将是实时ART的关键部分。实时优化工作流程将能对TomoTherapy^SM治疗递送实现实时ART，如果我们建立运动检测、递送验证和剂量重建的可靠实现。

分次内的移动，例如呼吸运动、心跳和其它生理变化，对传统的分次IMRT是有挑战性的。治疗影像设备越动态，识别由于运动和机器参数改变或误差二者引起的分次内改变就变得越重要。

但是立体定位体放射治疗(SBRT)和高分次治疗是更具挑战性的，其中精确的靶定位是关键。SBRT由于它的局部控制等级(rate)，越来越多地用于某些肺癌。对***癌的高分次具有治疗增益以及经济优势的潜力。肺和***病例都表现出显著的分次内运动。强度调整质子(或其它重粒子)治疗需要最严格的运动管理。所提出的实时MAO技术能够潜在地应用于所有这三种治疗模式。

所提出的MAO技术仍然属于将运动视为要校正的“误差”的“补偿”类别。运动是一种挑战，然而运动也是一种机会。恰如我们可以通过“自适应分次治疗”，利用肿瘤-OAR构型的分次间变化来获得较好的治疗增益，我们也可以有能力利用分次内运动来获得“比计划更好的”递送。这种可能性由Papiez团队(Papiez等，2007)使用4D DMLC递送以最小化OAR剂量而证明。我们相信更先进的实时优化方案将能提供较好的递送，其无法通过任何基于静态递送的计划实现。这样的方案可能需要更复杂的算法和功能更强大的计算机。

在这个文档中，我们假定肿瘤运动可以被认为是刚体移位和危及对象(“OAR”)以与肿瘤相同的方式移动。这对小肿瘤和对接近肿瘤的OAR是良好的近似。运动补偿对小肿瘤比对大肿瘤更显著，接近肿瘤的OAR通常比远离肿瘤的OAR更受关注。因此，我们将这样的假设视为对大部分肿瘤运动病例有效。所提出的实时优化方案不排除旋转或一般的形变。但是，需要与上面所提出的不同的公式来计算形变编码的子束。那么问题是如何忠实地实时描绘形变。这可能涉及超快速的形变配准算法，或使用预先计算的基于一些4D图像例如4DCT的变形图。

通过利用闭合的反馈环路，根据本发明的方法也能够预测机器参数和患者改变。在一个实施例中，预测可以基于从实时采集的机器参数和患者改变/运动数据所推断的信息。例如，对于机器参数或患者运动的预测可以基于识别的机器趋势或患者运动模式。方法也想到，结合原始治疗目标的信息、迄今接收的累计剂量和未来剂量递送估算，而实时优化当前的递送指令。

执行闭合反馈环路的一种方法是使用动态的编程，如图23所示。动态的编程实时优化了治疗递送指令，并用于确保递送指令优化跟得上对患者的实时射束递送。在本发明的一个实施例中，利用动态编程的各个优化环路都以实时采集机器参数和患者运动信息的步骤开始。在一些实施例中，根据所采集的实时信息，预测机器参数以及患者运动/改变信息，用于未来治疗投射。结合关于机器参数和患者运动的信息，计算来自最近一次治疗投射的剂量。

下一步中，最近一次的剂量被添加到投送剂量上，以相对于预期投送剂量来监视累计剂量。利用所结合的机器参数和患者运动信息，实时重建最近一次投送的治疗投射的剂量，以便该剂量能够添加到基准框架中的投送剂量上。在一些实施例中，累计的不是投送的剂量值自身，而是累计在预期和投送剂量之间的差值。根据累计剂量信息，可以使用有关患者运动和机器参数的模型，获得对未来剂量的估算。这个模型可以是先验模型，或可以是动态模型。

然后优化对当前计划的递送指令，以便当前剂量、加上以前投送的剂量加未来剂量的组合最佳地匹配或改善治疗目标(即意图的剂量)。优化包括通过从最佳匹配当前机器参数和递送状态的递送指令库进行选择，生成递送指令的初始猜测，使得剂量的添加最佳地匹配治疗的计划目标。所利用的剂量信息可以是代表性剂量点、1D剂量剖面图、2D剂量平面、关心区或整体的3D剂量分布、或来源于剂量分布的其它量(例如剂量体积直方图，等效均匀剂量，生物学有效剂量等等)。

总体递送误差可以在随后的实时优化的分次递送中进一步补偿。总体递送误差被定义为计划目标与总体递送剂量之差，并被添加到原始计划目标上，以利用实时优化引导的递送得到以后治疗的新的计划目标。

虽然前面描述的方法构想了对单个投射优化递送指令，但有可能应用这个方法同时为多个治疗投射优化递送指令。

本发明的各种特征和优点在所附的权利要求中进行阐述。

Claims (26)

1.一种递送放射疗法治疗的方法，所述方法包含：

为患者生成治疗计划；

将患者定位以接收放射；

基本上实时地监视机器参数，所述监视包括分析关于机器参数以及参数如何影响递送给患者的剂量的信息；

基本上实时地优化治疗计划的至少一部分，以结合来自所监视的机器参数的所分析的信息；和

向患者递送优化后的治疗计划的至少一部分。

2.权利要求1的递送放射疗法治疗的方法，进一步包含：基本上实时地累计递送给患者的放射剂量的量。

3.权利要求2的递送放射疗法治疗的方法，其中，累计递送给患者的放射剂量的量包括在患者的4D表示上使用剂量计算。

4.权利要求2的递送放射疗法治疗的方法，进一步包含：估算待在未来投射中递送给患者的放射剂量的量。

5.权利要求4的递送放射疗法治疗的方法，进一步包含：根据所估算的待在未来投射中递送给患者的放射剂量的量以及在未来投射期间患者靶的预测位置，来调节治疗计划。

6.权利要求2的递送放射疗法治疗的方法，其中，基本上实时地累计递送的剂量结合与递送指令、递送误差检测和患者运动检测中的至少一个有关的信息。

7.权利要求2的递送放射疗法治疗的方法，其中，累计剂量包括累计当前剂量加上以前递送的剂量加上未来待递送的剂量，使得优化后的计划最佳地匹配或改善计划的剂量。

8.权利要求2的递送放射疗法治疗的方法，其中，累计剂量基于对治疗的实时修改。

9.权利要求1的递送放射疗法治疗的方法，其中，治疗计划包括多个投射，并且其中，优化治疗计划的至少一部分包括优化待在一个投射中递送的放射剂量的量，以补偿在之前投射中发生的累计的递送误差。

10.权利要求9的递送放射疗法治疗的方法，其中，累计的递送误差基于来自之前投射的累计放射剂量、所估算的待在未来投射中递送的放射剂量以及在下个投射期间的患者的预测构型。

11.权利要求10的递送放射疗法治疗的方法，其中，累计的递送误差包括来自之前分次的递送误差。

12.权利要求9的递送放射疗法治疗的方法，其中，累计的递送误差包括直线加速器输出因数变化。

13.权利要求9的递送放射疗法治疗的方法，其中，累计的递送误差包括MLC叶片位置误差。

14.权利要求9的递送放射疗法治疗的方法，其中，累计的递送误差包括直线加速器位置误差、治疗床位置误差、颚件位置误差和补偿器误差中的一种。

15.权利要求9的递送放射疗法治疗的方法，其中，累计的递送误差在随后的治疗递送中进行补偿。

16.权利要求1的递送放射疗法治疗的方法，其中，优化治疗计划的至少一部分包括经由闭合反馈环路将改变结合到治疗计划中。

17.权利要求1的递送放射疗法治疗的方法，进一步包含：基本上实时地监视患者的变化。

18.权利要求17的递送放射疗法治疗的方法，其中，基本上实时地监视患者的变化包括检测患者呼吸相。

19.权利要求17的递送放射疗法治疗的方法，其中，基本上实时地监视患者的变化包括检测肿瘤运动或肿瘤形变。

20.权利要求17的递送放射疗法治疗的方法，其中，基本上实时地监视患者的变化包括预测患者呼吸相。

21.权利要求17的递送放射疗法治疗的方法，其中，基本上实时地监视患者的变化包括预测肿瘤运动或肿瘤形变。

22.权利要求17的递送放射疗法治疗的方法，其中，基本上实时地优化计划的至少一部分包括预测患者变化。

23.权利要求1的递送放射疗法治疗的方法，其中，基本上实时地优化计划的至少一部分包括预测机器参数。

24.权利要求23的递送放射疗法治疗的方法，其中，预测是基于有关机器参数的先验模型。

25.权利要求23的递送放射疗法治疗的方法，其中，预测是基于有关机器参数的动态模型。

26.权利要求1的递送放射疗法治疗的方法，其中，基本上实时地优化计划的至少一部分包括利用动态编程以对治疗递送指令进行优化。

Images