CN106920234B - 一种复合式自动放疗计划的方法 - Google Patents
一种复合式自动放疗计划的方法 Download PDFInfo
- Publication number
- CN106920234B CN106920234B CN201710106122.2A CN201710106122A CN106920234B CN 106920234 B CN106920234 B CN 106920234B CN 201710106122 A CN201710106122 A CN 201710106122A CN 106920234 B CN106920234 B CN 106920234B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- patient
- deformation
- images
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
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
-
- G06F19/321—
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiation-Therapy Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复合式自动放疗计划的方法,取得病人特定的图像特征后,存入资料库中;当开始制定病人放疗计划时,以图像特征为搜索标准,先至图像特征资料库搜寻最相似的图像组并提取出来作为样本组,由临床应用需求选择合适的配准算法运算后,将靶区勾画信息导入病人图像中,自动完成靶区和危及器官勾画。当医生完成勾画结果确认后,输入相关治疗剂量参数,开始自动计算放疗计划的剂量分布模拟运算,模拟结果由医师或物理师确认后,完成放射治疗计划。本发明可精准并完善靶区勾画以及相关器官的信息,是可以完全应用在肿瘤放射治疗领域的方法;只要获取病人的解剖结构图像,则可以快速生成病人新的治疗计划提供医师做专业判断。
Description
技术领域
本发明涉及一种复合式自动放疗计划的方法,具体涉及一种放疗计划的自动在线复合式优化应用方法。
背景技术
在肿瘤放射治疗(Radiation Therapy)过程中,首先扫描病人的定位CT,然后由医生靶区勾画和危及器官的轮廓,接着由物理师或者剂量员通过商业治疗计划***(Treatment Planning System,TPS)设计优化治疗计划,并由物理师进行治疗计划质量保证,最后治疗计划才能被用于后续分次(Fraction)的治疗疗程中。
然而,这样的治疗模式并没有考虑到在随后几次治疗疗程中病人的解剖结构变化,比如肿瘤体积和位置的变化,病人身体轮廓的变化,胃肠充盈状态的变化以及引起的周围危及器官位置的变化等,导致病人实际接受的剂量偏离医生的处方剂量,进而引起肿瘤控制率的下降和正常组织并发症概率的增加。
目前,当病人解剖结构发生很大变化时,传统自动治疗方法通常被用来修正放射治疗的计划。传统自动放疗需要病人重新拍摄定位CT,然后由医生重新靶区勾画和危及器官的轮廓,接着由物理师或者剂量员通过商业治疗计划***再次重新设计优化治疗计划,并由物理师进行治疗计划质量保证,最后治疗计划才能被用于后续分次的治疗。然而,这样的做法需要投入很多的人力和物力,所以也很少被医院所采用。
目前传统自动治疗方法,无法在临床的实际治疗中广泛地使用,主要存在以下一些问题和缺点:
1、传统自动治疗方法基于普通商业计划***,在生成新的治疗计划时,需要计算并求解大规模的剂量计算及优化问题,计算时间很长,无法在临床可以接受的时间内完成。
2、此方法需要剂量员全程参与计划的优化过程,利用人工进行参数的设置和调整,耗时很长,并且治疗计划的好坏也直接受限制于剂量员的经验和判断。
3、最终新的治疗计划需要重新在模体上进行质量保证(Quality Assurance,QA),无法实现自动放疗计划的优化和自动质量保证的一体化。
纵观目前国内国外现有的放射治疗模式,基于传统的放射治疗没有考虑到病人治疗过程中解剖结构的变化,因此不能实现预期的治疗目标,如果基于商业治疗计划***做离线自动放射治疗,效率低,耗时耗力,因此难以在临床上广泛使用。
发明内容
针对上述问题中存在的不足之处,本发明提供一种复合式自动放疗计划的方法。
为实现上述目的,本发明提供一种复合式自动放疗计划的方法,包括:
步骤1、读取病人(Subject)影像和病史资料,所述资料包括图像信息和文本信息;
步骤2、基于步骤1读取的资料,判断是否为治疗过的病人;若为治疗过的病人,则从图像资料库中提取距离本次治疗最近一次的图像组及勾画图像;若为新进病人,则根据新进病人的图像信息提取图像特征,建立图像ID,并基于图像ID从图像资料库中提取与新进病人最相似的图像组及勾画图像;
步骤3、基于步骤2的判断结果,提取需要的图像组以及勾画图像,作为配准模板(Template);
步骤4、基于临床的需求,选择至少一种配准运算对步骤1中的病人图像信息及步骤3中提取的图像组进行配准,所述配准运算包括快速配准和精准配准;
步骤5、经由配准运算完成后,输出配准结果;
步骤6、将步骤3提取的勾画图像与步骤5的配准结果进行迭加,得到勾画结果;
步骤7、将步骤6的勾画结果由主治医师判断是否正确,若正确,则将勾画结果与配准运算中得到的形变场信息存入病人的图像资料库中;若不正确,则回到步骤6调整勾画结果,直到医师判断正确为止;
步骤8、医师根据每位病人不同的治疗部位,勾画不同的目标靶区;
步骤9、将目标靶区与勾画结果以及相关参数送入剂量分布模拟***中运算,得到剂量分布和剂量体积直方图;自动调整勾画轮廓中每个器官的权重,采用快速剂量计算算法计算修改剂量分布,并模拟出结果;
步骤10、模拟运算完成后,经过医师确认病灶区与每个器官将会受到的剂量的影响是否在原始处方约束范围内,如否,则进入步骤9重新规划参数;如是,则使用此次模拟结果作为本次放疗计划方案;
步骤11、判断完成后即完成放疗计划方案或开始进入治疗的阶段,结束。
作为本发明的进一步改进,在步骤1中,所述图像信息包括CT图像、MRI图像、PET图像、X-Ray图像和US图像,所述文本信息包括病人基本资料、相关病史、病理及图像诊断报告。
作为本发明的进一步改进,在步骤2中,若为治疗过的病人,则判断该病人是否为治疗同部位的同种疾病;若是治疗同部位的同种疾病,则从图像资料库中提取距离本次治疗最近一次的图像组及勾画图像;若不是治疗同部位的同种疾病,则判断为本放疗计划中的新病人。
作为本发明的进一步改进,在步骤2中,所述图像特征包括图像边缘或轮廓特征、图像几何特征和图像结构特征;
在本发明中提取特征建立图像ID的方法中,至少提取其中两种类型作为图像特征。
作为本发明的进一步改进,在步骤2中,搜寻比对图像特征ID,判断其相似度中的变化阈值为95%或90%或85%或80%或70%。
作为本发明的进一步改进,在步骤4中,基于临床需求有两种配准运算,一种是快速配准,一种是精确配准,执行前至少选定一种运算方案,包括如下步骤:
步骤4.1、分别计算待治疗病人(Subject)以及选定的配准图像组(Template)的图像灰度值;
步骤4.2、分别对上述图像作特征提取,所述特征提取的方法包括:边缘点提取方法、角点提取算法和兴趣算子;
a、所述边缘点提取方法包括LOG算子、Canny算子、Gabor算子和基于小波变换的算法;
b、所述角点提取算法包括SUSAN角点提取和基于角度判别的角点检测;
c、所述兴趣算子包括Moravec算子、Hannah算子和Forstner算子;
在步骤4.2中,至少将提取一到三种作为预处理的图像特征值;
步骤4.3、通过形变配准算法快速计算形变矢量场,并基于有限元模型计算每个体元的受力情况,分析形变矢量场的误差,自动检查样本图像(Template)与放疗计划中的图像(Subject)形变配准的精确度;所述形变配准算法为Demons算法以及Dramms算法;其中:
Demons算法是一种基于光流理论的配准方法,该理论的假设前提是图像在运动的过程中灰度保持不变;
f(x(t),y(t),t)=const (1)
m=f(x(t0),y(t0),t0) (2)
f=f(x(t1),y(t1),t1) (3)
在初始时刻t0,图像灰度函数f等于m,即浮动图像的灰度为m,经过一段时间的扩散后到达t1时刻后,图像灰度函数被完全变形为f,即参考图像的灰度为f;图像配准的过程就是要得到一个能驱动m中各个像素点向f中对应像素点移动的向量场,为了得出驱动力,将式(1)两边同时取偏微分得到:
将式(4)化简为:
对公式(5)进一步化简得到:
为了减少了误配准率,对公式(6)进一步调整为:
上式中,K2为归一化系数,由可知,通过选择K的值可以自适应的控制扩散速度的大小。形变向量u的上限为K,由公式可以看出k的值越小,允许的形变度越小,则收敛速度越慢,但配准的精度较高,可以根据实际的要求调整归一化因子的大小。J表示驱动形变的内力,公式(7)的完整表达式为:
DRAMMS(Deformable registration via attribute matching and mutual-saliency weighting)算法是一种结合传统基于每个像素的运算方式以及标定记号或特征提取的方式所发出来的精准配准算法,此算法可分为两个部分:首先,使用特征匹配(attribute matching,AM)的方式,结合Gabor算子,增加像素匹配的准确度,适用于任何一种医学图像;之后,随着两图像间共同显着的特征或关联性,将被指派高的权重,计算出共同显着权重(mutual-saliency weighting,MS),产生出相对应的共同显着权重地图,两图像配准运算基于此动态的地图来完成;
公式(9)中,目标图像为Ω1,模板图像为Ω2,DRAMMS是为了寻找一个最佳的转换函数T,建立u∈Ω1所有立体像素与T(u)∈Ω2的相关性地图,ms(u,T(u))是建立共同显着权重运算式,是特征匹配的运算式,u图像中的任一点像素,d是图像维度,是映射出每一个像素点几何与解剖位置最佳的特征向量,本发明应用最佳的转换函数T,使每一点u经由T函数转换后,每一对具有转换关系的图像值之间,不相似值是最小的,即u∈Ω1转换到T(u)∈Ω2,最小化R(T)是配准后平滑化处理的运算,λ为控制平滑化结果的控制参数,E(T)为成本函数;
步骤4.4、根据形变矢量场结果调整病人(Subject)图像,直至图像解剖结构一致;
步骤4.5、将调整后的图像与样本图像比对,透过灰度均方差或归一化互相关或互信息判断是否达到目标相似度;若是,则完成配准;若否,则回到步骤4.3中再次运算。
作为本发明的进一步改进,在步骤4.5中,判断是否为最大相似度,其变化阈值为95%或90%或85%或80%或70%。
作为本发明的进一步改进,在步骤6中,结合步骤4.3中得到的形变场信息,将步骤3提取出来的勾画图像与步骤5的配准结果迭加,得到危及器官的勾画轮廓。
作为本发明的进一步改进,所述步骤4、步骤6中的形变配准算法、所述步骤9剂量快速模拟计算算法、都是通过基于GPU、CPU或分布式云计算平台实现的。
与现有技术相比,本发明的有益效果为:
本发明提供了一种复合式自动放疗计划的方法,通过提取特征的方式取得病人特定的图像特征后,存入资料库中。当开始制定病人(Subject)放疗计划时,以图像特征为搜索标淮,先至图像特征资料库搜寻最相似的图像组并提取出来作为样本组(Template),经由临床应用需求选择合适的配准算法运算后,将靶区勾画信息导入病人(Subject)图像中,自动完成靶区和危及器官勾画。当医生完成勾画结果确认后,输入相关治疗剂量参数,开始自动计算放疗计划的剂量分布模拟,生成剂量分布和剂量体积直方图,当剂量分布和剂量体积直方图不符合原始处方约束时,结合本次勾画轮廓结果和临床要求进行病人放疗计划的快速在线修改,最终生成当次的放疗计划,并进行自动放疗计划质量保证,经由医师最终确认后,完成放射治疗计划。本发明一种复合式自动放疗计划的方法,可精准并完善的靶区勾画以及相关器官的信息,是可以完全应用在肿瘤放射治疗领域的复合式方法。不论是制定病人的治疗计划还是在病人的某个分次治疗前,只要获取病人的解剖结构图像,则可以快速生成病人新的治疗计划提供医师做专业判断,解决效率低,耗时耗力,肿瘤控制率的下降和正常组织并发症概率的增加等临床问题,兼顾临床多种需要。
本方法发明通过基于GPU加速的形变配准及剂量计算算法,综合考虑到病人治疗过程中解剖结构的变化,并使得整个放疗计划优化过程可在临床病人躺倒在病床上之后的几分钟之内完成,除了能快速制定放疗计划之外,在每个分次治疗疗程开始前快速完成整个放疗计划的优化。相比于基于商业治疗计划***的离线自动放疗方法,本发明效率高,节约时间及人力成本,以及病人风险,很好的满足了临床需要,可在临床上推广应用,具有显着的社会意义。
附图说明
图1为本发明一种实施例公开的复合式自动放疗计划的方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中存在的技术问题,本发明提供一种复合式自动放疗计划的方法,是完全可以在肿瘤放射治疗领域应用的复合式方法。不论是制定病人的治疗计划还是在病人的某个分次治疗前,只要获取病人的解剖结构图像,则可以快速生成病人新的治疗计划提供医师做专业判断,解决效率低,耗时耗力等临床问题。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明提供一种复合式自动放疗计划的方法,包括:
步骤1、读取病人(Subject)影像和病史资料,读取病人图像资料,资料包含图像以及文字两大部分。图像部分:CT、锥束CT、超声、MRI、PET、X-Ray…等图像来源,CT、锥束CT、超声、PET或磁共振中的至少一种;文字部分:病人基本资料、相关病史、病理及图像诊断报告。
步骤2、基于步骤1读取的资料,判断是否为治疗过的病人;若为治疗过的病人,则从图像资料库中提取距离本次治疗最近一次的图像组及勾画图像;若为新进病人,则根据新进病人的图像信息提取图像特征,建立图像ID,并基于图像ID从图像资料库中提取与新进病人最相似的图像组及勾画图像;其中:
在步骤2中,若为治疗过的病人,则判断该病人是否为治疗同部位的同种疾病;若是治疗同部位的同种疾病,则从图像资料库中提取距离本次治疗最近一次的图像组及勾画图像;若不是治疗同部位的同种疾病,则判断为本放疗计划中的新病人;
在步骤2中,图像特征包括图像边缘或轮廓特征、图像几何特征和图像结构特征;在本发明中提取特征建立图像ID的方法中,至少提取其中两种类型作为图像特征;
在步骤2中,搜寻比对图像特征ID,判断其相似度中的变化阈值为95%或90%或85%或80%或70%。
步骤3、基于步骤2的判断结果,提取需要的图像组以及勾画图像,作为配准模板(Template);其中,步骤2若为新进病人,则提取与资料库中结构最相似的图像组以及勾画图像;若为治疗过病人,则提取距离本次治疗最近一次的图像组以及勾画图像;
步骤4、基于临床的需求,选择至少一种配准运算对步骤1中的病人图像信息及步骤3中提取的图像组进行配准,配准运算包括快速配准和精准配准;精准配准一般应用于制定放射治疗计划;快速配准则应用于现场治疗时,会再拍摄一次图像确认治疗位置,此时则需要快速配准确认治疗位置是否有偏差,以随时调整。其具体包括:
步骤4.1、分别计算待治疗病人(Subject)以及选定的配准图像组(Template)的图像灰度值;
步骤4.2、分别对这些图像作特征提取,包括如下几种:
a.边缘点提取方法,如LOG算子、Canny算子、Gabor算子、基于小波变换的算法等;
b.角点提取算法,如SUSAN角点提取、基于角度判别的角点检测等方法;
c.各种兴趣算子,如Moravec算子、Hannah算子、Forstner算子;
在本发明方法中至少将提取一到三种作为预处理的图像特征值;
在步骤4.2中,至少将提取一到三种作为预处理的图像特征值;
步骤4.3、通过形变配准算法快速计算形变矢量场,并基于有限元模型计算每个体元的受力情况,分析形变矢量场的误差,自动检查样本图像(Template)与放疗计划中的图像(Subject)形变配准的精确度;
在本发明中使用的形变配准算法为Demons算法以及Dramms算法;
Demons算法是一种基于光流理论的配准方法,该理论的假设前提是图像在运动的过程中灰度保持不变(能量守恒);
f(x(t),y(t),t)=const (1)
m=f(x(t0),y(t0),t0) (2)
f=f(x(t1),y(t1),t1) (3)
在初始时刻t0,图像灰度函数f等于m,即浮动图像的灰度为m,经过一段时间的扩散后到达t1时刻后,图像灰度函数被完全变形为f,即参考图像的灰度为f;图像配准的过程就是要得到一个能驱动m中各个像素点向f中对应像素点移动的向量场,为了得出驱动力,将式(1)两边同时取偏微分得到:
将式(4)化简为:
对公式(5)进一步化简得到:
为了减少了误配准率,对公式(6)进一步调整为:
上式中,K2为归一化系数,由可知,通过选择K的值可以自适应的控制扩散速度的大小。形变向量u的上限为K,由公式可以看出K的值越小,允许的形变度越小,则收敛速度越慢,但配准的精度较高,可以根据实际的要求调整归一化因子的大小。J表示驱动形变的内力,公式(7)的完整表达式为:
此算法使用对称梯度,综合了参考图像和浮动图像的梯度,使得图像配准的信息量增大,从而减少了误配准率,所以,该算法相比于其他内力情况下的Demons方法,具有收敛速度快,匹配误差小的优势。
DRAMMS(Deformable registration via attribute matching and mutual-saliency weighting)算法是一种结合传统基于每个像素的运算方式以及标定记号或特征提取的方式所发出来的精准配准算法,此算法可分为两个部分:首先,使用特征匹配(attribute matching,AM)的方式,结合Gabor算子,增加像素匹配的准确度,适用于任何一种医学图像;之后,随着两图像间共同显着的特征或关联性,将被指派高的权重,计算出共同显着权重(mutual-saliency weighting,MS),产生出相对应的共同显着权重地图,两图像配准运算基于此动态的地图来完成;
公式(9)中,目标图像为Ω1,模板图像为Ω2,DRAMMS是为了寻找一个最佳的转换函数T,建立u∈Ω1所有立体像素与T(u)∈Ω2的相关性地图,ms(u,T(u))是建立共同显着权重运算式,是特征匹配的运算式,u图像中的任一点像素,d是图像维度,是映射出每一个像素点几何与解剖位置最佳的特征向量,本发明应用最佳的转换函数T,使每一点u经由T函数转换后,每一对具有转换关系的图像值之间,不相似值是最小的,即u∈Ω1转换到T(u)∈Ω2,最小化R(T)是配准后平滑化处理的运算,λ为控制平滑化结果的控制参数,E(T)为成本函数;
步骤4.4、根据形变矢量场结果调整病人(Subject)图像,直至图像解剖结构一致;
步骤4.5、将调整后的图像与样本图像比对,透过下列方法判断是否达到目标相似度,判断是否为最大相似度,其变化阈值为95%或90%或85%或80%或70%;若是,则完成配准;若否,则回到步骤4.3中再次运算。
本发明中判断相似度的方法如下,至少选取一种作为相似度运算标准;
a.灰度均方差;
b.归一化互相关;
c.互信息。
步骤5、经由配准运算完成后,输出配准结果;
步骤6、结合步骤4.3中得到的形变场信息,将步骤3提取出来的勾画图像与步骤5的配准结果迭加,得到危及器官的勾画轮廓,勾画轮廓即勾画结果;(配套图像是指在步骤3中提取的图像,若提取的是最相似的图像组,则此处提取最相似图像组的勾画图像;若提取的是最近一次的图像组,则此处提取最近一次图像组的勾画图像);
步骤7、将步骤6的勾画结果由主治医师判断是否正确,若是,则将勾画结果(步骤7.1)与配准运算中得到的形变场信息(步骤7.2)存入病人的图像资料库中;若不正确,则回到步骤6调整勾画结果,直到医师判断图像正确为止;
步骤8、医师将根据每位病人疾病或病程的不同,勾画或调整目标靶区;
步骤9、根据原始放疗计划中的参数,以及上述勾画轮廓的结果计算剂量分布和剂量体积直方图,自动调整勾画轮廓中每个器官的权重,结合临床多页淮直器透射光子和凹凸槽透射光子的影响,采用快速剂量计算算法计算修改剂量分布并模拟出结果;;
步骤10、模拟运算完成后,经过医师确认病灶区与每个器官将会受到的剂量的影响是否在原始处方约束范围内,如否,则进入步骤9重新规划参数再次模拟运算;如是,则进入步骤11使用此次模拟结果作为本次放疗计划治疗方案;
步骤11、由步骤10的判断结果,即为完成放疗计划方案(如步骤11.2);或开始进入放疗的疗程(如步骤11.1),结束。
优选的,步骤4、步骤6中的形变配准算法、步骤9剂量快速模拟计算算法、都是通过基于GPU、CPU或分布式云计算平台实现的。
实施例1:
当一位未经过治疗的肿瘤病人(Subject)到放射治疗科室时,首先会替患者调出或新拍一组肿瘤定位CT影像,医师会阅读其相关病史与相关检查报告。后续步骤如下:
步骤(1):读取病人资料,资料包含肿瘤图像及其周围器官组织的影像信息,包括CT(Computed Tomography)、锥束CT(Cone-Beam CT)、超声(Ultrasound,US)、PET(PositronEmission Tomography)或磁共振(Magnetic Resonance,MR)等图像中的至少一种;以及包含病人基本资料相关病史等信息;
步骤(2):基于步骤(1)的信息,判断未经过治疗过的病人,则先开始替新进病人的图像资料提取图像结构特征,建立图像ID,并基于图像ID信息搜寻资料库中与新进病人最相似的图像资料组;
步骤(3):基于步骤(2)的判别结果,提取与资料库中结构最相似的图像组以及相应的勾画图像(Template);
步骤(4):由于是第一次到放射肿瘤科,因此将先为病人制定放射治疗计划,此时采用精淮配准;
步骤(4.1)中,分别计算待治疗病人(Subject)以及选定的配准图像组(Template)的图像灰度值;
步骤(4.2)中,分别对这些图像作特征提取,包括如下几种:
a.边缘点提取方法,如LOG算子、Canny算子、Gabor算子、基于小波变换的算法等;
b.角点提取算法,如SUSAN角点提取、基于角度判别的角点检测等方法;
c.各种兴趣算子,如Moravec算子、Hannah算子、Forstner算子
将提取三种作为预处理的图像特征值;
步骤(4.3)中,通过形变配准算法快速计算形变矢量场,并基于有限元模型计算每个体元的受力情况,分析形变矢量场的误差,自动检查样本图像(Template)与放疗计划中的图像(Subject)形变配准的精确度;
在本发明中使用的形变配准算法为Demons算法以及Dramms算法;
Demons算法是一种基于光流理论的配准方法,该理论的假设前提是图像在运动的过程中灰度保持不变(能量守恒);
f(x(t),y(t),t)=const (1)
m=f(x(t0),y(t0),t0) (2)
f=f(x(t1),y(t1),t1) (3)
在初始时刻t0,图像灰度函数f等于m即浮动图像的灰度为m,经过一段时间的扩散后到达t1时刻后,图像灰度函数被完全变形为f即参考图像的灰度为f。图像配准的过程就是要得到一个能驱动m中各个像素点向f中对应像素点移动的向量场,为了得出驱动力,将式(1)两边同时取偏微分得到:
将式(4)化简为:
进一步化简可得到:
为了减少了误配准率,进一步调整为:
上式中,K2为归一化系数,由可知,通过选择K的值可以自适应的控制扩散速度的大小。形变向量u的上限为K,由公式可以看出K的值越小,允许的形变度越小,则收敛速度越慢,但配准的精度较高,可以根据实际的要求调整归一化因子的大小。J表示驱动形变的内力,公式(7)的完整表达式为:
此算法使用对称梯度,综合了参考图像和浮动图像的梯度,使得图像配准的信息量增大,从而减少了误配准率,所以,该算法相比于其他内力情况下的Demons方法,具有收敛速度快,匹配误差小的优势;
DRAMMS(Deformable registration via attribute matching and mutual-saliency weighting)算法是一种结合传统基于每个像素的运算方式以及标定记号或特征提取的方式所发出来的精准配准算法,此算法可分为两个部分:首先,使用特征匹配(attribute matching,AM)的方式,结合Gabor算子,增加像素匹配的准确度,适用于任何一种医学图像;之后,随着两图像间共同显着的特征或关联性,将被指派高的权重,计算出共同显着权重(mutual-saliency weighting,MS),产生出相对应的共同显着权重地图,两图像配准运算基于此动态的地图来完成;
公式(9)中,目标图像为Ω1,模板图像为Ω2,DRAMMS是为了寻找一个最佳的转换函数T,建立u∈Ω1所有立体像素与T(u)∈Ω2的相关性地图,ms(u,T(u))是建立共同显着权重运算式,是特征匹配的运算式,u图像中的任一点像素,d是图像维度,是映射出每一个像素点几何与解剖位置最佳的特征向量,本发明应用最佳的转换函数T,使每一点u经由T函数转换后,每一对具有转换关系的图像值之间,不相似值是最小的,即u∈Ω1转换到T(u)∈Ω2,最小化是配准后平滑化处理的运算,λ为控制平滑化结果的控制参数,E(T)为成本函数;
步骤(4.4)中,根据形变矢量场结果调整病人(Subject)图像,直至图像解剖结构一致;步骤(4.5)中,将调整后的图像与样本图像比对,透过下列方法判断是否达到目标相似度;若是,则完成配准;若否,则回到步骤(4.3)中再次运算;
本发明中判断相似度的方法如下,至少选取一种作为相似度运算标准;
a.灰度均方差;
b.归一化互相关;
c.互信息;
步骤(5):经由配准算法算完后,输出配准结果;
步骤(6):结合形变场的结果,将配套的勾画图像与步骤(5)配准结果迭加;
步骤(7):将步骤(6)的结果由主治医师判断是否正确,若正确,则将勾画结果与配准运算中得到的形变场信息存入病人的图像资料库中;若不正确,则回到步骤(6)调整勾画结果,直到医师判断为正确为止;
步骤(8):医师根据治疗部位,勾画目标靶区;
步骤(9):将目标靶区与勾画图像的结果以及相关参数送入剂量分布模拟***中运算;
步骤(10):运算完成后所得到的剂量分布和剂量体积直方图,判断是否符合原始处方约束,如否,则进入步骤(9)重新规划参数;如是,则使用此次模拟结果作为分次放疗计划方案;
步骤(11):判断完成后即完成放疗计划方案(如步骤10.2);结束。
实施例2:
当一位治疗的肿瘤病人(Subject)到放射治疗科室进行后后续分次疗程,当确认病人相关信息后,后续步骤如下:
步骤(1):读取病人图像资料,资料包含此分次治疗执行前患者肿瘤及其周围器官组织的影像信息,包括CT(Computed Tomography)、锥束CT(Cone-Beam CT)、超声(Ultrasound,US)、PET(Positron Emission Tomography)或磁共振(Magnetic Resonance,MR)等图像中的至少一种;以及包含病人基本资料相关病史等信息;
步骤(2):基于步骤(1)的信息,判断为经过治疗过的病人,找寻距离本次治疗最近一次的图像资料档案(Template);
步骤(3):基于步骤(2)的判别结果,提取距离本次治疗最近一次的图像组以及勾画图像;
步骤(4):准备进行治疗前,为避免肿瘤控制率的下降和正常组织并发症概率的增加,进行快速配准;
步骤(4.1)中,分别计算待治疗病人(Subject)以及选定的配准图像组(Template)的图像灰度值;
步骤(4.2)中,分别对这些图像作特征提取,包括如下几种:
a.边缘点提取方法,如LOG算子、Canny算子、Gabor算子、基于小波变换的算法等;
b.角点提取算法,如SUSAN角点提取、基于角度判别的角点检测等方法;
c.各种兴趣算子,如Moravec算子、Hannah算子、Forstner算子
在本发明方法中将提取一种作为预处理的图像特征值;
步骤(4.3)中,通过形变配准算法快速计算形变矢量场,并基于有限元模型计算每个体元的受力情况,分析形变矢量场的误差,自动检查样本图像(Template)与放疗计划中的图像(Subject)形变配准的精确度;
在本发明中使用的形变配准算法为Demons算法以及Dramms算法;
Demons算法是一种基于光流理论的配准方法,该理论的假设前提是图像在运动的过程中灰度保持不变(能量守恒)
f(x(t),y(t),z(t),t)=const (1)
m=f(x(t0),y(t0),t0) (2)
f=f(x(t1),y(t1),t1) (3)
在初始时刻t0,图像灰度函数f等于m即浮动图像的灰度为m,经过一段时间的扩散后到达t1时刻后,图像灰度函数被完全变形为f即参考图像的灰度为f。图像配准的过程就是要得到一个能驱动m中各个像素点向f中对应像素点移动的向量场,为了得出驱动力,将式(1)两边同时取偏微分得到:
将式(4)化简为:
进一步化简可得到:
为了减少了误配准率,进一步调整为:
上式中,K2为归一化系数,由可知,通过选择K的值可以自适应的控制扩散速度的大小。形变向量u的上限为K,由公式可以看出K的值越小,允许的形变度越小,则收敛速度越慢,但配准的精度较高,可以根据实际的要求调整归一化因子的大小。J表示驱动形变的内力,公式(7)的完整表达式为:
此算法使用对称梯度,综合了参考图像和浮动图像的梯度,使得图像配准的信息量增大,从而减少了误配准率,所以,该算法相比于其他内力情况下的Demons方法,具有收敛速度快,匹配误差小的优势;
DRAMMS(Deformable registration via attribute matching and mutual-saliency weighting)算法是一种结合传统基于每个像素的运算方式以及标定记号或特征提取的方式所发出来的精准配准算法,此算法可分为两个部分:首先,使用特征匹配(attribute matching,AM)的方式,结合Gabor算子,增加像素匹配的准确度,适用于任何一种医学图像;之后,随着两图像间共同显着的特征或关联性,将被指派高的权重,计算出共同显着权重(mutual-saliency weighting,MS),产生出相对应的共同显着权重地图,两图像配准运算基于此动态的地图来完成;
公式(9)中,目标图像为Ω1,模板图像为Ω2,DRAMMS是为了寻找一个最佳的转换函数T,建立u∈Ω1所有立体像素与T(u)∈Ω2的相关性地图,ms(u,T(u))是建立共同显着权重运算式,是特征匹配的运算式,u图像中的任一点像素,d是图像维度,是映射出每一个像素点几何与解剖位置最佳的特征向量,本发明应用最佳的转换函数T,使每一点u经由T函数转换后,每一对具有转换关系的图像值之间,不相似值是最小的,即u∈Ω1转换到T(u)∈Ω2,最小化R(T)是配准后平滑化处理的运算,λ为控制平滑化结果的控制参数,E(T)为成本函数;
步骤(4.4)中,根据形变矢量场结果调整病人(Subject)图像,直至图像解剖结构一致;步骤(4.5)中,将调整后的图像与样本图像比对,透过下列方法判断是否达到目标相似度;若是,则完成配准;若否,则回到步骤(4.3)中再次运算;
本发明中判断相似度的方法如下,至少选取一种作为相似度运算标准;
a.灰度均方差;
b.归一化互相关;
c.互信息;
步骤(5):经由配准算法算完后,输出配准结果;
步骤(6):结合形变场的结果,将配套的勾画图像与步骤(5)配准结果迭加;
步骤(7):将步骤(6)的结果由主治医师判断是否正确,若正确,则将勾画结果与配准运算中得到的形变场信息存入病人的图像资料库中;若不正确,则回到步骤(6)调整勾画结果,直到医师判断正确为止;
步骤(8):医师根据图像结果确认靶区是否有变化,若有变化,则重新勾画目标靶区;
步骤(9):将目标靶区与勾画图像的结果以及相关参数送入剂量分布模拟***中运算;
步骤(10):运算完成后所得到的剂量分布和剂量体积直方图,判断是否符合原始处方约束,如否,则进入步骤(9)重新规划参数;如是,则使用此次模拟结果作为本次放疗计划方案;
步骤(11):判断完成后即可开始进入治疗的阶段(如步骤10.1),结束。
本发明提供了一种复合式自动放疗计划的方法,通过提取特征的方式取得病人特定的图像特征后,存入资料库中。当开始制定病人(Subject)放疗计划时,以图像特征为搜索标淮,先至图像特征资料库搜寻最相似的图像组并提取出来作为样本组(Template),经由临床应用需求选择合适的配准算法运算后,将靶区勾画信息导入病人(Subject)图像中,自动完成靶区和危及器官勾画。当医生完成勾画结果确认后,输入相关治疗剂量参数,开始自动计算放疗计划的剂量分布模拟,生成剂量分布和剂量体积直方图,当剂量分布和剂量体积直方图不符合原始处方约束时,结合本次勾画轮廓结果和临床要求进行病人放疗计划的快速在线修改,最终生成当次的放疗计划,并进行自动放疗计划质量保证,经由医师最终确认后,完成放射治疗计划。本发明一种复合式自动放疗计划的方法,可精准并完善的靶区勾画以及相关器官的信息,是可以完全应用在肿瘤放射治疗领域的复合式方法。不论是制定病人的治疗计划还是在病人的某个分次治疗前,只要获取病人的解剖结构图像,则可以快速生成病人新的治疗计划提供医师做专业判断,解决效率低,耗时耗力,肿瘤控制率的下降和正常组织并发症概率的增加等临床问题,兼顾临床多种需要。
本方法发明通过基于GPU加速的形变配准及剂量计算算法,综合考虑到病人治疗过程中解剖结构的变化,并使得整个放疗计划优化过程可在临床病人躺倒在病床上之后的几分钟之内完成,除了能快速制定放疗计划之外,在每个分次治疗疗程开始前快速完成整个放疗计划的优化。相比于基于商业治疗计划***的离线自动放疗方法,本发明效率高,节约时间及人力成本,以及病人风险,很好的满足了临床需要,可在临床上推广应用,具有显着的社会意义。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种图像勾画方法,其特征在于,包括:
步骤1、读取病人影像和病史资料,所述资料包括图像信息和文本信息;
步骤2、基于步骤1读取的资料,判断是否为治疗过的病人;若为治疗过的病人,则从图像资料库中提取距离本次治疗最近一次的图像组及勾画图像;若为新进病人,则根据新进病人的图像信息提取图像特征,建立图像ID,并基于图像ID从图像资料库中提取与新进病人最相似的图像组及勾画图像;
步骤3、基于步骤2的判断结果,提取需要的图像组以及勾画图像,作为配准模板;
步骤4、基于临床的需求,选择至少一种配准运算对步骤1中的病人图像信息及步骤3中提取的图像组进行配准,所述配准运算包括快速配准和精准配准;
步骤5、经由配准运算完成后,输出配准结果;
步骤6、将步骤3提取的勾画图像与步骤5的配准结果进行迭加,得到勾画结果;
在步骤4中,基于临床需求有两种配准运算,一种是快速配准,一种是精确配准,执行前至少选定一种运算方案,包括如下步骤:
步骤4.1、分别计算待治疗病人以及选定的配准图像组的图像灰度值;
步骤4.2、分别对上述图像作特征提取,所述特征提取的方法包括:边缘点提取方法、角点提取算法和兴趣算子;
a、所述边缘点提取方法包括LOG算子、Canny算子、Gabor算子和基于小波变换的算法;
b、所述角点提取算法包括SUSAN角点提取和基于角度判别的角点检测;
c、所述兴趣算子包括Moravec算子、Hannah算子和Forstner算子;
在步骤4.2中,至少将提取一到三种作为预处理的图像特征值;
步骤4.3、通过形变配准算法快速计算形变矢量场,并基于有限元模型计算每个体元的受力情况,分析形变矢量场的误差,自动检查配准图像组与放疗计划中的图像形变配准的精确度;所述形变配准算法为Demons算法以及Dramms算法;其中:
Demons算法是一种基于光流理论的配准方法,该理论的假设前提是图像在运动的过程中灰度保持不变;
f(x(t),y(t),t)=const (1)
m=f(x(t0),y(t0),t0) (2)
f=f(x(t1),y(t1),t1) (3)
在初始时刻t0,图像灰度函数f(x(t),y(t),t)等于m,即浮动图像的灰度为m,经过一段时间的扩散后到达t1时刻后,图像灰度函数被完全变形为f,即参考图像的灰度为f;图像配准的过程就是要得到一个能驱动m中各个像素点向f中对应像素点移动的向量场,为了得出驱动力,将式(1)两边同时取偏微分得到:
将式(4)化简为:
对公式(5)进一步化简得到:
为了减少了误配准率,对公式(6)进一步调整为:
上式中,K2为归一化系数,由可知,通过选择K的值可以自适应的控制扩散速度的大小;形变向量u的上限为K,由公式可以看出K的值越小,允许的形变度越小,则收敛速度越慢,但配准的精度较高,可以根据实际的要求调整归一化因子的大小;J表示驱动形变的内力,公式(7)的完整表达式为:
DRAMMS算法是一种结合传统基于每个像素的运算方式以及标定记号或特征提取的方式所发出来的精准配准算法,此算法可分为两个部分:首先,使用特征匹配的方式,结合Gabor算子,增加像素匹配的准确度,适用于任何一种医学图像;之后,随着两图像间共同显着的特征或关联性,将被指派高的权重,计算出共同显着权重,产生出相对应的共同显着权重地图,两图像配准运算基于此动态的地图来完成;
公式(9)中,目标图像为Ω1,模板图像为Ω2,DRAMMS是为了寻找一个最佳的转换函数T,建立u∈Ω1所有立体像素与T(u)∈Ω2的相关性地图,ms(u,T(u))是建立共同显着权重运算式,是特征匹配的运算式,u图像中的任一点像素,d是图像维度,是映射出每一个像素点几何与解剖位置最佳的特征向量,本发明应用最佳的转换函数T,使每一点u经由T函数转换后,每一对具有转换关系的图像值之间,不相似值是最小的,即u∈Ω1转换到T(u)∈Ω2,最小化R(T)是配准后平滑化处理的运算,λ为控制平滑化结果的控制参数,E(T)为成本函数;
步骤4.4、根据形变矢量场结果调整病人图像,直至图像解剖结构一致;
步骤4.5、将调整后的图像与配准图像组比对,通过灰度均方差或归一化互相关或互信息判断是否达到目标相似度;若是,则完成配准;若否,则回到步骤4.3中再次运算;
在步骤6中,结合步骤4.3中得到的所述形变矢量场,将步骤3提取出来的勾画图像与步骤5的配准结果迭加,得到危及器官的勾画轮廓。
2.如权利要求1所述的图像勾画方法,其特征在于,在步骤1中,所述图像信息包括CT图像、MRI图像、PET图像、X-Ray图像和US图像,所述文本信息包括病人基本资料、相关病史、病理及图像诊断报告。
3.如权利要求1所述的图像勾画方法,其特征在于,在步骤2中,若为治疗过的病人,则判断该病人是否为治疗同部位的同种疾病;若是治疗同部位的同种疾病,则从图像资料库中提取距离本次治疗最近一次的图像组及勾画图像;若不是治疗同部位的同种疾病,则判断为本放疗计划中的新病人。
4.如权利要求1所述的图像勾画方法,其特征在于,在步骤2中,所述图像特征包括图像边缘或轮廓特征、图像几何特征和图像结构特征;
在本发明中提取特征建立图像ID的方法中,至少提取其中两种类型作为图像特征。
5.如权利要求1所述的图像勾画方法,其特征在于,在步骤2中,搜寻比对图像特征ID,判断其相似度中的变化阈值为95%或90%或85%或80%或70%。
6.如权利要求1所述的图像勾画方法,其特征在于,在步骤4.5中,判断是否为目标相似度,其变化阈值为95%或90%或85%或80%或70%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710106122.2A CN106920234B (zh) | 2017-02-27 | 2017-02-27 | 一种复合式自动放疗计划的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710106122.2A CN106920234B (zh) | 2017-02-27 | 2017-02-27 | 一种复合式自动放疗计划的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106920234A CN106920234A (zh) | 2017-07-04 |
CN106920234B true CN106920234B (zh) | 2021-08-27 |
Family
ID=59453729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710106122.2A Active CN106920234B (zh) | 2017-02-27 | 2017-02-27 | 一种复合式自动放疗计划的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106920234B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
WO2019127567A1 (en) | 2017-12-30 | 2019-07-04 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for adaptive radiation therapy |
CN110060765B (zh) * | 2018-01-19 | 2022-06-17 | 北京连心医疗科技有限公司 | 一种标准化云放疗计划***和存储介质 |
CN108648811A (zh) * | 2018-05-11 | 2018-10-12 | 南方医科大学 | 一种基于指征项预测的自动放疗计划质量评价方法 |
CN109300136B (zh) * | 2018-08-28 | 2021-08-31 | 众安信息技术服务有限公司 | 一种基于卷积神经网络的危及器官自动分割方法 |
CN109615642B (zh) * | 2018-11-05 | 2021-04-06 | 北京全域医疗技术集团有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
CN109712186B (zh) * | 2018-12-11 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 图像中勾画感兴趣区域的方法、计算机设备和存储介质 |
CN109754396B (zh) * | 2018-12-29 | 2021-02-19 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
CN109513121B (zh) * | 2018-12-28 | 2021-01-01 | 安徽大学 | 一种剂量引导自适应放射治疗计划重优化***和方法 |
CN109771850B (zh) * | 2019-02-02 | 2021-12-07 | 张家港赛提菲克医疗器械有限公司 | 一种自适应放疗计划修正装置 |
CN110013613A (zh) * | 2019-04-16 | 2019-07-16 | 东莞东阳光高能医疗设备有限公司 | 一种硼中子俘获治疗计划*** |
CN113130042B (zh) * | 2019-12-31 | 2024-03-15 | 北京连心医疗科技有限公司 | 放射治疗计划***中剂量编辑的方法 |
CN110739043A (zh) * | 2019-09-17 | 2020-01-31 | 平安科技(深圳)有限公司 | 放疗计划推荐方法、装置、设备及存储介质 |
CN113877073B (zh) * | 2020-07-03 | 2023-09-12 | 中硼(厦门)医疗器械有限公司 | 放射治疗***及其治疗计划生成方法 |
CN112037886B (zh) * | 2020-11-04 | 2021-02-05 | 平安科技(深圳)有限公司 | 放疗计划制定装置、方法及存储介质 |
CN113536575A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像***以及存储介质 |
CN114446441B (zh) * | 2022-02-11 | 2023-07-21 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于计划库调用的自适应放疗的方法和装置 |
CN116849691B (zh) * | 2023-08-11 | 2024-03-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像全局最优相位自动识别方法、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306239A (zh) * | 2011-07-22 | 2012-01-04 | 李宝生 | 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法 |
CN103247046A (zh) * | 2013-04-19 | 2013-08-14 | 深圳先进技术研究院 | 一种放射治疗计划中靶区自动勾画的方法和装置 |
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***和方法 |
CN104117151A (zh) * | 2014-08-12 | 2014-10-29 | 章桦 | 一种在线自适应放疗计划优化方法 |
CN104338240A (zh) * | 2014-10-31 | 2015-02-11 | 章桦 | 一种在线自适应放疗计划自动优化方法及装置 |
WO2015193776A1 (en) * | 2014-06-18 | 2015-12-23 | Elekta Ab | System and method for automatic treatment planning |
-
2017
- 2017-02-27 CN CN201710106122.2A patent/CN106920234B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306239A (zh) * | 2011-07-22 | 2012-01-04 | 李宝生 | 基于锥形束ct图像ct值校正技术的放疗剂量评估和优化方法 |
CN103247046A (zh) * | 2013-04-19 | 2013-08-14 | 深圳先进技术研究院 | 一种放射治疗计划中靶区自动勾画的方法和装置 |
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***和方法 |
WO2015193776A1 (en) * | 2014-06-18 | 2015-12-23 | Elekta Ab | System and method for automatic treatment planning |
CN104117151A (zh) * | 2014-08-12 | 2014-10-29 | 章桦 | 一种在线自适应放疗计划优化方法 |
CN104338240A (zh) * | 2014-10-31 | 2015-02-11 | 章桦 | 一种在线自适应放疗计划自动优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
DRAMMS: Deformable registration via attribute matching and mutual-saliency weighting;Yangming Ou et al;《Medical Image Analysis》;20110831;第15卷(第4期);摘要、第1-5节 * |
基于Demons算法的变形图像配准技术的研究;周露;《中国优秀硕士学位论文全文数据库信息科技辑》;20130415;摘要、第1-3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN106920234A (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920234B (zh) | 一种复合式自动放疗计划的方法 | |
JP7030050B2 (ja) | 組織パラメータ推定を用いたmrデータからの疑似ct生成 | |
Feng et al. | Segmenting CT prostate images using population and patient‐specific statistics for radiotherapy | |
Sims et al. | A pre-clinical assessment of an atlas-based automatic segmentation tool for the head and neck | |
US9466093B2 (en) | Anterior commissure and posterior commissure segmentation system and method | |
CN108815721B (zh) | 一种照射剂量确定方法及*** | |
US10275895B2 (en) | Mechanism for advanced structure generation and editing | |
JP2019506208A (ja) | 内視鏡的医療画像のセグメンテーションのためのシステムおよび方法 | |
WO2018223261A1 (zh) | 放疗***、数据处理方法及存储介质 | |
Chen et al. | Combining registration and active shape models for the automatic segmentation of the lymph node regions in head and neck CT images | |
US11562493B2 (en) | Method and apparatus for generating a universal atlas database | |
CN111862022B (zh) | 全身多部位放射治疗危及器官自动勾画方法 | |
WO2012069965A1 (en) | Interactive deformation map corrections | |
EP2689344B1 (en) | Knowledge-based automatic image segmentation | |
Xie et al. | Feature‐based rectal contour propagation from planning CT to cone beam CT | |
Han et al. | Deep‐learning‐based image registration and automatic segmentation of organs‐at‐risk in cone‐beam CT scans from high‐dose radiation treatment of pancreatic cancer | |
WO2011163414A2 (en) | Mechanism for advanced structure generation and editing | |
US10032316B2 (en) | System for dynamically propagating real-time alterations of medical images | |
Martin et al. | A multiphase validation of atlas-based automatic and semiautomatic segmentation strategies for prostate MRI | |
Wodzinski et al. | Application of B-splines FFD image registration in breast cancer radiotherapy planning | |
Sun et al. | Stepwise local synthetic pseudo-CT imaging based on anatomical semantic guidance | |
Leavens et al. | Validation of automatic landmark identification for atlas-based segmentation for radiation treatment planning of the head-and-neck region | |
Lin et al. | Development of a novel post-processing treatment planning platform for 4D radiotherapy | |
Yang et al. | Introduction to Auto-Segmentation in Radiation Oncology | |
Lallement et al. | Detecting and quantifying spatial misalignment between longitudinal kilovoltage computed tomography (kVCT) scans of the head and neck by using convolutional neural networks (CNNs) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |