CN107708808B - 用于在放射治疗期间使用质量指标进行靶追踪的***和方法 - Google Patents

用于在放射治疗期间使用质量指标进行靶追踪的***和方法 Download PDF

Info

Publication number
CN107708808B
CN107708808B CN201680038963.8A CN201680038963A CN107708808B CN 107708808 B CN107708808 B CN 107708808B CN 201680038963 A CN201680038963 A CN 201680038963A CN 107708808 B CN107708808 B CN 107708808B
Authority
CN
China
Prior art keywords
localization
images
quality
target
classifier
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
Application number
CN201680038963.8A
Other languages
English (en)
Other versions
CN107708808A (zh
Inventor
鲁珀特·布鲁克斯
Original Assignee
医科达有限公司
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 医科达有限公司 filed Critical 医科达有限公司
Publication of CN107708808A publication Critical patent/CN107708808A/zh
Application granted granted Critical
Publication of CN107708808B publication Critical patent/CN107708808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1077—Beam delivery systems
    • A61N5/1084—Beam delivery systems for delivering multiple intersecting beams at the same time, e.g. gamma knives
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • 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
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Radiation-Therapy Devices (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

提供用于在放射治疗的治疗期间使用质量指标进行靶追踪的***和方法。示例性方法可以包括确定多个图像中的靶的位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像。所述方法还可以包括针对每个定位结果确定质量指标。所述方法可以进一步包括从每个定位结果中提取一个或更多特征。另外，所述方法可以包括使用定位结果和所提取的一个或更多特征来训练分类器。

Description

用于在放射治疗期间使用质量指标进行靶追踪的***和方法
相关申请的交叉引用
本申请要求在2015年6月30日提交的申请号为62/186,743美国临时申请的优先权，其全部内容通过引用并入文中。
技术领域
本公开总体涉及放射治疗或放射疗法。更具体地，本公开涉及用于在放射治疗期间确定靶器官的追踪的***和方法。
背景技术
放射疗法用于治疗哺乳动物(例如人和动物)组织中的癌症和其它疾病。一种这样的放射疗法技术是“伽马刀”，通过“伽马刀”，患者被以高强度和高精度汇聚到靶(例如肿瘤)处的大量低强度的γ射线照射。在另一个实施例中，使用直线加速器提供放射疗法，由此肿瘤被高能粒子(例如电子、光子、质子、离子等)照射。必须准确地控制放射束的放置和剂量以确保肿瘤接收处方的放射，并且射束的放置应当使得对周围健康组织(通常被称为“危及器官”(OAR))的损害最小化。此外，在又一个实施例中，可以通过近距放射疗法来提供放射治疗，其允许将高剂量的放射置于体内的特定区域。
当使用外部放射治疗时，放射束可以诸如通过使用多叶准直器而被成形为匹配肿瘤的形状(例如，多叶准直器包括可以彼此独立地移动以创建定制的放射束形状的多个钨叶)。(放射被称为“处方的”，因为医师为肿瘤和周围的器官开出了类似于药物处方的预定义的放射量)。
传统上，对于每个患者，可以使用基于临床和剂量测定目标和约束(例如，对肿瘤和关键器官的最大、最小和平均放射剂量)的优化技术来创建放射疗法治疗计划(“治疗计划”)。治疗计划过程可以包括使用患者的三维图像来识别靶区(例如，肿瘤)，并且识别肿瘤附近的关键器官。每个结构(例如，靶、肿瘤、OAR等)可以离散成被称为体素的有限数量的体积立方体。治疗计划的创建可能是一个耗时的过程，其中，计划者试图遵守各种治疗目标或约束(例如，剂量体积直方图(DVH)目标)，考虑它们各自的重要性(例如，权重)以产生临床上可接受的治疗计划。这个任务可以是被各种危及器官(OAR)复杂化的耗时的试错过程，因为随着OAR的数量增大(例如，对于头颈部治疗高达十三处或更多)，该过程的复杂性也将增大。远离肿瘤的OAR可以更容易地免于放射，但靠近靶肿瘤或与靶肿瘤重叠的OAR可能难以免于放射。
传统上，计算机断层摄影(CT)成像用作用于放射治疗的治疗计划的图像数据的主要来源。CT图像提供患者几何形状的准确表示，并且CT值可以直接转换为用于放射剂量计算的电子密度(例如，亨斯菲尔德单位)。然而，使用CT导致患者暴露于附加的放射剂量。除CT图像之外，磁共振成像(MRI)扫描由于它们相比于CT图像的较好的软组织对比度而可以被用于放射治疗。MRI没有电离放射，并且可以被用于捕捉诸如组织代谢和功能性的人体的功能信息。
可以使用诸如计算机断层摄影(CT)、超声、荧光透视、以及核磁共振成像(“MRI”)的成像***来确定靶的位置并追踪靶(例如，组织、肿瘤等)。由于MRI可以在不使用如CT所使用的电离放射的情况下提供极好的软组织对比度，因而可以使用MRI。与成像***集成的放射治疗***的示例可以包括MRI-Linac，其可以使用靶(例如肿瘤)的三维(3D)图像。MRI-Linac的MRI设备可以提供对应于患者的组织中氢核的局部图的多个图像。该患者图像可以在一维(1D)线、二维(2D)平面或三维体积中获取。由于器官和肿瘤在患者体内移动，因此对靶进行快速和准确的3D定位是重要的。例如，靶器官或肿瘤可能由于多种类型的运动(例如，呼吸、心跳、蠕动或其它类型的患者运动)而移动。
治疗结果取决于许多因素。这些因素包括准确的靶轮廓勾画、正确的剂量计算和递送、精确的放射射束准直以及包括对移动肿瘤的精确定位的准确的患者定位。通常，用于放射治疗的治疗的患者摆位和治疗中监测都采用使用骨性界标、基准标记或软组织的图像定位。
可以分析在不同时间拍摄的患者解剖结构的图像以确定该解剖结构在介入期间的移动。这可以在相同模式的图像之间或不同模式的图像之间完成。监测患者位置的操作人员存在疏忽的问题，并且不能实时提供修正。因此，应用图像分析方法来定位解剖结构并实时调整治疗(例如，直线加速器门控或MLC移动)是有用的。然而，大多数定位算法不提供定位结果是否足以确定靶运动的信息。因此，需要一种能够快速、有效并且自动地实时确定图像中靶的定位质量的方法和***，其可以提供关于治疗决策(调整与否)可否认为可靠的信息。
发明内容
在一个方案中，本公开涉及一种用于训练分类器的方法，所述分类器用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量。所述方法可以包括确定指示多个图像中靶的位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像。所述方法还可以包括针对各个定位结果确定质量指标。所述方法可以进一步包括从所述各个定位结果中提取一个或更多特征。另外，所述方法可以包括使用所述定位结果和所提取的一个或更多特征来训练所述分类器。
在另一方案中，本公开涉及一种用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量的方法。所述方法可以包括确定指示在对所述患者的所述放射治疗的治疗期间采集的所述多个图像中靶位置的定位结果。所述方法还可以包括使用分类器确定用于追踪所述靶位置的定位结果的定位质量。所述方法进一步可以包括向用户提供所述定位质量的指示或者基于所述定位质量采取与治疗相关的动作。
在另一方案中，本公开涉及一种用于训练分类器的***，所述分类器用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量。所述***可以包括用于存储计算机可执行指令的存储器。所述***还可以包括通信耦接于所述存储器的处理器。所述计算机可执行指令在由所述处理器执行时可以使所述处理器执行各种操作。所述操作可以包括确定指示多个图像中的靶位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像。所述操作还可以包括为各个定位结果确定质量指标。所述操作进一步可以包括从各个定位结果中提取一个或更多特征。另外，所述操作可以包括使用所述定位结果和所提取的一个或更多特征来训练所述分类器。
在另一方案中，本公开涉及一种用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量的***。所述***可以包括用于存储计算机可执行指令的存储器。所述***还可以包括通信耦接于所述存储器的处理器。所述计算机可执行指令在由所述处理器执行时可以使所述处理器执行各种操作。所述操作可以包括确定指示在对所述患者的所述放射治疗的治疗期间采集的多个图像中的靶位置的定位结果。所述操作还可以包括使用分类器确定用于追踪所述靶位置的所述定位结果的定位质量。所述操作进一步可以包括向用户提供所述定位质量的指示或基于所述定位质量采取与治疗相关的动作。
在另一方案中，本公开涉及一种存储一组指令的非暂时性计算机可读介质，所述一组指令可由装置的至少一个处理器执行以使所述装置执行用于训练分类器的方法，所述分类器用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量。所述方法可以包括确定指示多个图像中的靶的位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像。所述方法还可以包括为各个定位结果确定质量指标。所述方法进一步可以包括从各个定位结果提取一个或更多特征。另外，所述方法可以包括使用所述定位结果和所提取的一个或更多特征来训练所述分类器。
在另一方案中，本公开涉及一种存储一组指令的非暂时性计算机可读介质，所述一组指令可由装置的至少一个处理器执行以使所述装置执行方法，所述方法用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量。所述方法可以包括确定指示在对患者的放射治疗的治疗期间采集的多个图像中靶位置的定位结果。所述方法还可以包括使用分类器确定用于追踪所述靶位置的所述定位结果的定位质量。所述方法进一步可以包括向用户提供所述定位质量的指示或基于所述定位质量采取与治疗相关的动作。
本公开额外的目的和优点将在下面的具体实施方式中进行部分地阐述，并且将部分地从本说明书中显而易见，或者可以通过本公开的实践来习得。本公开的目的和优点可以通过本公开中特别指出的元件和组合的方式来实现和获得。
应当理解的是，以上的大体说明以及下面的详细说明仅仅是示例性和说明性的，而不是对所要求保护的本发明的限制。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本设备、***或方法的穷尽或排他实施例。
图1示出了为了放射治疗对三维靶进行定位和追踪的示例性放射治疗***。
图2示出了可在图1的放射疗法***中使用的示例性放射治疗装置，伽玛刀。
图3示出了可在图1的放射疗法***中使用的示例性放射治疗装置，直线加速器。
图4描绘了示出训练分类器的框图。
图5描绘了示出使用图4的分类器用于靶追踪的框图。
图6示出了使用图4的分类器在放射治疗期间追踪移动靶的示例性方法的流程图。
具体实施方式
图1示出了用于使用剂量分布作为治疗目标来产生放射治疗的治疗计划或更新现有的放射治疗的治疗计划的示例性放射疗法***100，其中更新的治疗计划可以用于用放射治疗来治疗患者。放射疗法***100可以包括连接到网络130的放射治疗装置110，网络130连接到因特网132。网络130可以将放射治疗装置110与数据库140、医院数据库142、肿瘤信息***(OIS)150(例如，其可提供患者信息)、治疗计划***(TPS)160(例如，用于生成待由放射治疗装置110使用的放射疗法治疗计划)、图像采集装置170、显示装置180和/或用户接口190连接。
放射治疗装置110可以包括处理器电路112、存储装置116、以及通信接口114。存储装置116可以存储用于操作***118、治疗计划120的计算机可执行指令，以及待由处理器电路112执行的任何其他计算机可执行指令。
处理器电路112可以通信地耦接到存储装置116，并且处理器电路112可以配置为执行存储在存储装置116中的计算机可执行指令。例如，处理器电路112可以执行治疗计划120以实现使用定位模块123、质量模块124、特征提取模块127和分类模块126的功能。在一些实施例中，可选的监督机器学习模块125也可以包括在存储器116中以在运行中执行训练操作，例如用于在诊所中重新训练分类器。在图1中，监督机器学习模块125以虚线示出以指示它是可选组件。此外，处理器电路112可以从图像采集装置170捕获多个图像122并将图像122存储在存储装置116中。另外，处理器电路112可以执行治疗计划120(例如，诸如由Elekta制造的
Figure GDA0002508606070000061
)。
处理器电路112可以是处理装置，包括例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)、或加速处理单元(APU)等的一个或更多通用处理装置。更具体地，处理器电路112可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其它指令集的处理器、或实现指令集的组合的处理器。处理器电路112还可以是一个或更多专用处理装置，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上***(SOC)等。如本领域技术人员将领会的，在一些实施例中，处理器电路112可以是专用处理器而不是通用处理器。处理器电路112可以包括一个或更多已知的处理装置，例如来自由IntelTM制造的PentiumTM、CoreTM、XeonTM、或
Figure GDA0002508606070000062
系列的微处理器，由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列的微处理器，或由太阳微***公司(Sun Microsystems)制造的任何各种处理器。处理器电路112还可以包括图形处理单元，例如来自由NvidiaTM制造的
Figure GDA0002508606070000063
系列的GPU，由IntelTM制造的GMA、IrisTM系列的GPU，或由AMDTM制造的RadeonTM系列的GPU。处理器电路112还可以包括加速处理单元，例如由AMDTM制造的桌面A-4(6,8)系列、由IntelTM制造的Xeon PhiTM系列。公开的实施例不限于任何类型的(一个或数个)处理器或处理器电路，其以其他方式被配置为满足识别、分析、保持、生成和/或提供大量成像数据或操纵这样的成像数据以对靶进行定位并追踪的计算需求，或配置为与所公开的实施例一致地操纵的任何其它类型的数据。此外，术语“处理器”或处理器电路可包括多于一个处理器，例如，多核设计或每一个都具有多核设计的多个处理器。处理器电路112可以执行存储在存储器116中的计算机程序指令序列以执行将在下面更详细地说明的各种操作、处理、方法。
存储装置116可存储从图像采集装置170接收的图像数据122(例如，3D MRI、4DMRI、2D切片等)、或放射治疗装置110可以使用以执行与所公开的实施例一致的操作的任何格式的任何其它类型的数据/信息。存储装置116可包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，在其上存储有任何格式的计算机可执行指令。该计算机程序指令可以由处理器电路112访问，从ROM或任何其它合适的存储位置读取，并且加载到RAM中以供处理器电路112执行。例如，存储器116可以存储一个或更多软件应用程序。例如，存储在存储器116中的软件应用程序可以包括用于常见计算机***以及用于软件控制装置的操作***118。此外，存储器116可以存储整个软件应用程序或由处理器电路112执行的软件应用程序的仅一部分。例如，存储装置116可以存储一个或更多由治疗计划***160生成的放射疗法治疗计划120。另外，存储装置116可以存储多个软件模块。例如，软件模块可以是定位模块123、质量模块124、特征提取模块127、可选的监督机器学习模块125和分类模块126。多个软件模块可以由TPS 160与治疗计划120一起使用以便产生放射治疗的治疗计划或更新现有的放射治疗的治疗计划。
在一些实施例中，存储装置116可以包括机器可读的存储介质。而在实施例中，机器可读存储介质可以是单一介质，但是术语“机器可读存储介质”应当被理解为包括存储一组或更多组的计算机可执行指令或数据的单一介质或多介质(例如，集中式或分布式数据库，和/或相关的缓存和服务器)。术语“机器可读存储介质”还应当被理解为包括能够对由机器执行并且使得机器执行本公开的方法中的任何一个或更多方法的指令集进行存储或编码的任何介质。因此，术语“机器可读存储介质”应当被理解为包括但不限于固态存储器、光介质和磁性介质。
在一个实施例中，存储装置116可以被配置为存储至少以下类型的数据：DICOM数据、剂量数据、优化参数、颚件位置数据、小射束数据、子野数据、子野形状、体素剂量分布数据、初始剂量数据和剂量-体积直方图(DVH)数据和图像数据。
放射治疗装置110可以经由通信地耦接到处理器电路112和存储器116的通信接口114与网络130通信。放射治疗装置110可以包括放射源(例如，诸如提供伽马射线的装置)。例如，通信接口114可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器(例如，如光纤、USB 3.0、雷电等)、无线网络适配器(例如，WiFi适配器)，电信适配器(例如，3G，4G/LTE等)等。通信接口114可以包括一个或更多允许放射治疗装置110经由网络130与其他机器和装置(如远程部件)通信的数字和/或模拟通信装置。
网络130可以提供局域网(LAN)、无线网络、云计算环境(例如，服务软件、服务平台、服务基础设施等)、客户端-服务器、广域网(WAN)等的功能。因此，网络130可以允许放射治疗装置110与若干各种其它***和装置之间的数据传输，若干各种其它***和装置例如：治疗计划***160，肿瘤信息***150，和图像采集装置170。此外，由治疗计划***160、OIS150和图像采集装置170生成的数据可以被存储在存储器116、数据库140、或医院数据库142中。该数据可以经由网络130和/或通信接口114被发送/接收，以便由处理器电路112进行访问。
另外，网络130可连接到因特网132以与远程驻留并连接到因特网的服务器或客户端通信。如本文所述，网络130可以包括其他***S1(134)、S2(136)和S3(138)。***S1、S2和/或S3可以与***100相同或者可以是不同的***。在一些实施例中，连接到网络130的一个或更多***可以形成分布式计算/模拟环境，其协作地执行图像采集，执行剂量优化，确定剂量分布，执行虚拟治疗台移位，执行热启动优化，进行靶定位并且进行靶追踪以及向患者提供放射疗法的其他方面。
另外，放射疗法***100可以与数据库140或医院数据库142进行通信，以便执行一个或更多远程存储的程序。举例来说，数据库140、医院数据库142、或二者可以包括诸如OracleTM数据库、SybaseTM数据库、或其他的关系数据库，并且可以包括诸如Hadoop序列文件、HBase、Cassandra或其他的非关系数据库。例如，这样的远程程序可以包括肿瘤信息***(OIS)软件或治疗计划软件。例如，该OIS软件可以被存储在医院数据库142、数据库140、或OIS 150中。例如，治疗计划软件可以被存储在数据库140、医院数据库142中、治疗计划***160或OIS 150中。从而，例如，放射治疗装置110可以与医院数据库142进行通信以实现肿瘤信息***150的功能
在一些实施例中，数据库140和/或医院数据库142可以远离放射治疗装置110定位。数据库140和医院数据库142可以包括计算部件(例如，数据库管理***，数据库服务器等)，计算部件配置为接收和处理对存储在数据库140或医院数据库142的存储装置中的数据的请求，并从数据库140或(一个或数个)医院数据库142提供数据。本领域技术人员将领会的是数据库140、142可以包括多个以集中式或分布式的方式定位的装置。
此外，放射治疗装置110可以通过网络130与数据库140进行通信以发送/接收存储在数据库140中的多个各种类型的数据。例如，在一些实施例中，数据库140可以被配置为存储来自图像采集装置170的多个图像(例如，3D MRI、4D MRI、2D MRI切片图像、CT图像、超声图像、2D荧光透视图像、X射线图像、来自MR扫描或CT扫描的原始数据、数字成像以及医学通信(DICOM)数据等)。数据库140可以存储靶定位模块123、训练模块124和治疗计划120所要使用的数据。放射治疗装置110可以接收来自数据库140的成像数据(例如，3D MRI图像、4DMRI图像、超声图像等)。
图像采集装置170可以采集患者的医学图像(例如，磁共振成像(MRI)图像、3DMRI、2D流MRI、4D体积MRI、计算机断层摄影(CT)图像、锥形束CT、正电子发射断层摄影(PET)图像、功能MRI图像(例如，fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、单光子发射计算机断层摄影(SPECT)图像等)。例如，图像采集装置170可以是MRI成像装置、CT成像装置、PET成像装置、超声装置、荧光镜装置、SPECT成像装置、或用于获得患者的一个或更多医学图像的其他医学成像装置。通过图像采集装置170采集的图像可以作为成像数据和/或测试数据而被存储在数据库140内。作为示例，通过图像采集装置170采集的图像也可以由放射治疗装置110存储在存储器116中。
在一个实施例中，例如，图像采集装置170可以与放射治疗装置110集成为单个设备(例如，与直线加速器组合的MRI装置也被称为“MRI-Linac”或作为与伽玛刀组合的集成的MRI装置；与直线加速器集成的三维成像仪；与直线加速器集成的锥形束CT；与直线加速器集成的共轨CT；与直线加速器集成的共轨MR)。例如，可以使用这种MRI-Linac来确定患者体内的靶器官或靶肿瘤的位置，从而根据对预定靶的放射疗法治疗计划来引导放射治疗。
图像采集装置170可以被配置为获取对关注区域(例如，靶器官，靶肿瘤或两者)的患者的解剖结构的一个或更多图像。该一个或更多图像可以包括多个2D切片。每个2D切片可包括一个或更多参数(例如，2D切片厚度、取向和位置等)。通过使用处理器电路112可以对该一个或更多参数进行调整以包含靶。例如，通过调整磁场梯度或射频(RF)波形属性可以操纵2D切片的选择的特征。例如，通过改变RF脉冲的调制频率并保持相同的梯度强度可以改变切片的位置。另外，例如，通过使用物理上不同的梯度轴(例如，所选择的切片可以正交于施加的梯度)可以改变切片的取向。在一个实例中，图像采集装置170(例如，MRI或MRI-Linac)可以获取任何取向上的2D切片。例如，2D切片的取向可以包括矢状取向、冠状取向、轴向取向或倾斜取向。另外，这些取向例如可以对应于与MRI或MRI-Linac相关联的磁场梯度(例如，分别为Gx、Gy或Gz)。在示例中，2D切片可以根据诸如3D MRI体积的信息来确定。例如，当使用放射治疗装置110时，可以在患者正在经历放射治疗的治疗的同时由图像采集装置170“实时”采集这样的2D切片。在一个实施例中，可以通过作为图像采集装置170的超声装置提供2D图像切片。
治疗计划***160(例如，由Elekta制造的
Figure GDA0002508606070000101
由Elekta制造的
Figure GDA0002508606070000102
)可以生成并存储用于待治疗的特定患者的放射疗法治疗计划、用于其他患者的放射疗法治疗计划、以及其他放射治疗信息(例如，射束角度、剂量直方图体积信息、治疗过程中待使用的放射束的数量、射束角度、每束剂量等)。例如，治疗计划***160可以提供关于要被施加到患者的特定的放射剂量的信息和其他放射治疗相关的信息(例如，诸如图像引导放射治疗(IGRT)、调强放射疗法(IMRT)、立体定向放射治疗等的治疗的类型)。
一种类型的放射治疗的治疗计划是调强放射治疗(IMRT)。IMRT不同于适形放射治疗，适形放射治疗递送了放射的均匀放射场。IMRT允许调制由每个射束递送的剂量分布。在IMRT中，每个放射射束可以通过将递送放射所通过的孔分成小矩形区域而离散化；从而将每个射束分成多个“小射束”。使用IMRT，可以独立地调制每个小射束的放射强度(例如，注量)。对于给定的一组射束，小射束注量可影响治疗计划的质量，其取决于放射治疗的治疗在将较少量的剂量同时递送到危及器官的同时将处方量的剂量淀积到癌性靶的能力。
由于患者体内的放射射束的不可预知的性质，可以例如通过蒙特卡罗模拟来确定体素中所接收的剂量。IMRT治疗计划的主要目的是确定所有子野和/或孔径和/或控制点和/或小射束的放射强度，其包括射束中所有子野/孔径/控制点的MLC叶片位置和强度。尽管上文已经描述了IMRT，但是所公开的方法、过程、***不限于IMRT，例如，它们可以应用于体积调制弧型疗法(VMAT)、调强弧型疗法(IMAT)、动态MLC、螺旋断层疗法、扫描射束疗法等。
例如，VMAT在放射射束持续开启时通过旋转放射治疗装置的机架(参见图3)经由一个或更多弧来递送放射。在VMAT治疗期间，可以变化多个参数，诸如多叶准直器(MLC)形状、注量输出率(例如，剂量率)、机架旋转速度、MLC的取向和IMRT(例如，静态调强(step-and-shoot)或滑动窗口)。通常，每个弧可以分成均匀或不均匀分布的控制点，其中每个控制点包含一个射束。每个射束可以被分解成小射束的矩阵(例如，每个小射束取决于MLC大小可以为3×10mm2或3×5mm2)，并且可以通过考虑照射区域离散化为多个立方体(例如，体素)的剂量分布来评估放射治疗的治疗计划。因此，在一个实施例中，处理器电路执行用于使用剂量分布作为治疗目标来更新现有的放射治疗的治疗计划的过程。现有的放射治疗的治疗计划包括已知的剂量分布。另外，现有的放射治疗的治疗计划包括初始的控制点组，其中初始的控制点组不对应于已知的剂量分布。处理器可以优化控制点以接近已知的剂量分布。
生成治疗计划包括与图像采集装置170(例如，CT装置、MRI装置、PET装置、X射线装置、超声装置等)进行通信，以便访问患者的图像并勾画诸如肿瘤的靶。在一些实施例中，可能需要对例如肿瘤周围或紧密接近肿瘤的健康组织的一种或更多危及器官进行勾画。因此，当OAR靠近靶肿瘤时可以执行OAR的分割。另外，如果靶肿瘤靠近OAR(例如，紧密靠近膀胱和直肠的***)，治疗计划***160可不仅允许研究靶中的剂量分布，还允许研究OAR中的剂量分布。
为了相对于OAR勾画出靶器官或靶肿瘤，可以通过图像采集装置170获得经受放射治疗的患者的诸如MRI图像、CT图像、PET图像、fMRI图像、X射线图像、超声图像、SPECT图像、一组3D医学图像等医学图像，以揭露身体部分的内部结构。基于来自医学图像中的信息，可以获取3D结构。此外，在治疗计划过程中，可以考虑许多参数以实现对靶肿瘤的有效治疗(例如，使得靶肿瘤接收对于有效治疗足够的放射剂量)与对(一个或数个)OAR的低照射(例如，(一个或数个)OAR接收尽可能低的放射剂量)之间的平衡，靶器官和靶肿瘤的位置，OAR的位置，以及与OAR有关的靶的移动。例如，通过在MRI或CT图像的每个2D层或切片内勾画靶或勾画OAR的轮廓并对每个2D层或切片的轮廓进行组合可以获得3D结构。轮廓可以手动地生成(例如，由医师、剂量师、或医护人员)或自动地生成(例如，使用诸如由瑞典斯德哥尔摩医科达公司制造的基于图谱的自动分割软件，
Figure GDA0002508606070000121
的程序)。在某些实施例中，可以由治疗计划***160自动地生成靶肿瘤或OAR的3D结构。
在靶肿瘤和(一个或数个)OAR已被定位并勾画之后，剂量师、医生或医护人员可以确定要被施加到靶肿瘤和邻近肿瘤的任何OAR(例如，左和右腮腺、视神经、眼睛、晶状体、内耳、脊髓、脑干等)的放射剂量。在确定用于每个解剖结构(例如，靶肿瘤、OAR)的放射剂量之后，可以执行称为逆向计划的过程以确定一个或更多治疗计划参数。逆向计划的结果可以构成可以被存储在治疗计划***160或数据库140中的放射疗法治疗计划。此时，这些解剖结构在治疗期间的预期运动程度可以结合到计划过程中。这些治疗参数中的一些可以是相关的。例如，在改变治疗计划的尝试中调谐一个参数(例如，用于不同的目的的权重，如对增大到靶肿瘤的剂量)可能影响至少一个其它参数，这进而可能导致制定不同的治疗计划。从而，治疗计划***160可以生成具有这些参数的定制的放射疗法治疗计划，以便使放射治疗装置110向患者提供放射治疗。
放射治疗计划可能取决于对解剖结构预期的运动程度。如果在治疗期间预期结构移动显著，则治疗计划的质量可能会降低。另外，如果在治疗期间结构移动要比做计划时预期的多，这会降低治疗效果。因此，在治疗递送过程中一个或更多解剖结构的定位可能对患者有益。
另外，放射治疗***100包括显示装置180和用户接口190。显示装置180可以包括将医学图像、接口信息、治疗计划参数(例如，轮廓、剂量分布、射束角度、一组控制点等)、治疗计划、靶、定位靶和/或追踪靶、或者任何相关的信息显示给用户的一个或更多显示屏幕。用户接口190可以是键盘、小型键盘、触摸屏或用户可以将信息输入到放射治疗***100的任何类型的装置。
此外，在一个实施例中，放射治疗***100的任何和所有部件可以被实现为虚拟机(例如，VM Ware，Hyper-V等)。例如，虚拟机可以是用作硬件的软件。因此，虚拟机可以包括共同起到硬件作用的至少一个或更多虚拟处理器、一个或更多虚拟存储器、以及一个或更多虚拟通信接口。例如，OIS 150、TPS 160、图像采集装置170可以被实现为虚拟机。倘若具备可用的处理能力、存储器以及计算能力，整个放射治疗***可以被实现为虚拟机。
图2示出放射疗法治疗装置200的一种类型的示例，例如，由瑞典斯德哥尔摩医科达公司制造的Leksell伽玛刀。该伽玛刀可以被配置为利用处理器装置112(在图l中示出)，其可以远程访问(例如来自图像采集装置170的)MRI图像以定位脑中的靶肿瘤。在实施例中，作为图像采集装置170的MRI设备可以与伽玛刀集成。如图2所示，放射疗法分次治疗期间，患者210可以戴有坐标架220，以使经受手术或放射疗法的患者的身体部分(例如，头部)保持稳定。坐标架220和患者定位***230可以建立一个空间坐标***，其可以在对患者进行成像时或在放射手术期间使用。放射治疗装置200可以包括保护壳体240以包围多个放射源250。放射源250可以通过射束通道260生成多个放射束(例如，小射束)。多个放射束可以被配置为从不同的方向聚集于等中心270。虽然每个单独的放射束可以具有相对低的强度，但当来自不同放射束的多个剂量积聚在等中心270时，等中心270可以接收相对高水平的放射。在某些实施例中，等中心270可以对应于手术或治疗中的靶，例如肿瘤。
图3示出放射治疗装置300的类型的另一个示例(例如，直线加速器，被称为LINAC，由瑞典斯德哥尔摩医科达公司制造)。当使用直线加速器300时，患者302可以定位在患者台304上以接收由治疗计划***160(图1中所示)生成的放射疗法治疗计划所确定的放射剂量。图像数据122和定位模块123可被用于定位和追踪体积中的3D靶，例如位于患者302的解剖结构内的靶器官或靶肿瘤。
直线加速器300可以包括连接到围绕患者302旋转的台架308的放射头306。放射头306生成指向靶器官或靶肿瘤的放射束310。当台架308旋转时，放射头306可以围绕患者302旋转。在旋转的同时，放射头306可以根据由治疗计划***160(图1中所示)生成的治疗计划取决于肿瘤的角度、形状和尺寸给患者302提供多种不同的放射剂量。由于器官和肿瘤在患者的身体内移动，靶的快速和准确的3D定位是重要的。例如，靶器官或肿瘤可能由于各种类型的运动(例如，呼吸，心跳，蠕动或其它类型的患者运动)而移动。因此，直线加速器300可以被配置为通过使用靶定位模块123在放射疗法治疗期间定位靶(例如，器官或肿瘤)并追踪靶。
此外，患者台304的下面，可以设置平板闪烁体检测器312，其可以围绕定位在患者32身体的靶器官或靶肿瘤上的等中心314与放射头306同步旋转。平板闪烁器可以获取具有最高可达信噪比的图像，并且可以用于验证在任何特定的放射疗法治疗分次(例如，放射疗法治疗可能需要多个分次的放射治疗，其中每个分次通常被称为“分份”)期间由患者302接收的放射量。此外，这样的图像被用于确定相对于放射头306的患者放置的几何精度。
轴线316与由放射头306生成的射束310的中心的交点通常被称为“等中心”。患者台304可以被机动化，使得患者302可以被定位为使得肿瘤部位位于或接近等中心314。例如，患者台304可以相对于直线加速器300的一个或更多其他部件而改变位置，如相对于位于该放射头306中的治疗放射源升高、改变患者302的纵向位置或横向位置。
如上所述，需要一种方法和***，能够快速、有效并且自动地实时确定图像中的靶的定位的质量，其可以在放射治疗的治疗期间提供关于患者定位的改变以及靶运动的信息。该方法和***可以持续验证所检测到的变化已知具有置信度。图4描绘了示出作为一个实施例使用监督机器学习来产生和训练分类器的框图。多个医学图像122(例如，CT、MRI、超声等)被存储在存储器116中。例如，图像122可以是代表***观察的时间序列的三维体积。在另一个实施例中，图像122可以是二维图像。图像122可以包括在放射治疗的治疗之前和/或在放射治疗的治疗期间取得的图像。训练数据可以在不涉及实际治疗但仅代表其的条件下获得。随着靶移动，可以取得附加的图像122并将其存储在存储器116中。
在捕获并存储图像122之后，可以由处理器112从存储器116中取得图像122，并且处理器可以取用执行图像配准的定位模块123。在一个实施例中，可以通过使用例如刚性六参数变换(例如，3次旋转和3次平移)的定位模块123来执行解剖结构的定位。例如，定位模块123可以将当前体积数据集配准到所取得的第一体积数据集。在另一个实施例中，定位模块可以使用分割来识别每个图像中的靶。在另一个实施例中，定位模块可以使用空间散列(hashing)技术来单从靶的外观识别位置。定位过程提供至少两个图像之间的映射，以提供靶是否已经移动的指示。
定位过程本身并没有定义质量的度量。可能有必要在特定应用中定义质量的含义。例如，“质量良好”可以被定义为优于大约0.5mm的精度，“质量欠佳”可以被定义为大约0.5mm和大约2mm之间的精度，而定位的失败可以被定义为大于大约2mm的精度。为初始训练提供的图像集可以被选择成提供“质量良好”结果。
为了收集所有不同种质量的多个定位结果，可以改变定位过程的精度。因此，质量模块124经由反馈回路119连接到定位模块123。例如，在一个实施例中，定位过程可以使用配准算法。配准算法可以使用初始猜测什么是“正确的”定位结果来启动算法。“初始猜测”的值可以改变。例如，“初始猜测”可以从理想值连续地调整。通过改变定位过程的初始起点，可以获得多个定位结果并将其存储在存储器116中。以这种方式，通过将初始猜测从理想状态进一步移开，可以为定位算法创建异常状况。初始猜测的调整可以继续到出现质量欠佳或失败结果为止。通过创建异常状况而导致定位算法失败，可以产生多个质量欠佳和失败案例来训练机器学习模块125。定位模块123的结果被输入到质量模块124和特征提取模块127。
特征提取模块127从已定位图像中提取多个特征。在一个实施例中，特征可以包括相关性得分、直方图之间的Kullback Leiber距离、被分成八份的被追踪对象的最小相关性得分和最大相关性得分、距离找到位置1mm的相关性得分、逆向组合Hessian比例因子及其组合。
一旦由质量模块124针对每个已定位图像确定了质量的度量，并且特征已经由特征提取模块127提取，则监督机器学习模块125可以用于训练分类器。监督机器学习模块125可以实现各种类型的机器学习，诸如费雪(Fisher)判别分析、核密度估计器、随机森林、支持向量机等。监督机器学习模块125使用机器学习来创建多个特征子集，确定哪个特征子集是最佳特征子集(主要特征)，并且使用这个最佳特征子集来训练分类器。例如，所使用的特征可以包括相关性得分、计算出的与找到定位相距预定距离处的相似性度量(例如，相关性得分)、已定位靶的子集的相似性得分、逆向组合Hessian比例因子、直方图之间的KullbackLeibler距离、和相似性度量的内部部分求和(subtotal)或其他子计算中的一种或更多种。在一个实施例中，主要特征的列表可以用于训练分类器。在一个实施例中，主要特征的列表可以包括可以用于训练分类器的至少四个特征(例如，相关性得分、距离1mm的窗、最小和最大象限得分)。
监督机器学习模块125的输出是存储在存储器116中的分类模块126(例如，训练分类器)。分类模块126可以用于预测图像定位的质量以用于以后的图像定位。通过预测图像定位的质量，分类模块126可以提供靶的追踪的质量的估计。例如，追踪是否在一定的精度之内或追踪是否已经丢失。
图5描绘了示出使用用于靶追踪的图4的分类器的框图。在一个实施例中，图像采集装置170(例如，图1所示)可以用于采集多个图像122。例如，图像采集装置170可以是超声装置。随着图像采集装置170在实时追踪移动靶时采集图像122，由图像采集装置170采集靶体积的每个追踪步长(例如，大约0.5mm)的图像切片。四维(4D)监测算法(未示出)采集图像切片并累积数据，不断地实时重复直到图像122准备好供定位。在一个实施例中，图像122可以是单个图像。在另一个实施例中，图像122可以是多个图像。处理器112从存储器116中取用定位模块123，并将图像122应用于定位模块123。定位模块123针对每个图像122确定定位结果。在图像122被定位之后，处理器112从存储器116取用特征提取模块127和分类模块126。特征提取模块127从图像和定位结果中提取必要的特征，并且分类模块126使用先前学习的分类器向用户提供靶追踪质量的指示。例如，分类模块126指示定位结果具有正常的置信度还是低置信度，或者是否丢失了追踪。分类模块126的输出向用户提供是否让放射射束保持开启并继续放射治疗的指示(510)，或者是否由于靶追踪已经丢失而关闭放射射束。在另一个实施例中，当分类模块126指示靶已经丢失追踪时，放射射束可以自动关闭。
在实施例中，使用分类器的优点在于分类器随着它用于临床环境可以被更新或重新训练。例如，随着从临床环境采集了附加数据，分类器可以基于附加数据在运行中进行再训练。更新的或重新训练的分类器可以改进预测结果。
图6示出了训练分类器并且在放射治疗期间使用训练好的分类器追踪移动靶的示例性方法的流程图。图6所示的流程图包括两部分。第一部分用于训练分类器，其可以在产品开发阶段或任何治疗前配置或校准过程中执行。如上所述，当在临床环境中使用分类器时，可以基于附加数据对分类器进行再训练。第二部分用于使用分类器评估定位质量，其可以在治疗期间执行。基于定位质量，可以向用户提供通知定位质量的指示。可选地或另外地，放射射束可以基于定位质量自动选通。
如图6所示，第一部分610包括用于训练分类器的步骤。可以在使用分类器之前的任何阶段执行训练分类器，并且训练过程不一定由放射治疗装置110的处理器112执行。在一些实施例中，可以基于更新的图像数据在临床环境中对分类器进行再训练，并且再训练过程可以由处理器112执行。在下面的描述中，作为示例，当描述训练过程中的步骤时，将参考处理器112。然而，应该理解，训练过程也可以由任何其他处理器执行。
在步骤612中，处理器装置112可以取得代表患者的临床表现的一组存储图像122(例如，超声图像、MR图像等)。在步骤614中，处理器112可以执行由定位模块123提供的功能，以对每个存储的图像执行图像配准。在步骤616中，处理器112可以基于图像配准结果和由质量模块124提供的质量度量来确定质量指标。在步骤618中，处理器112可以执行由特征提取模块127提供的功能，以从确定质量指标的图像中提取特征。在步骤620中，处理器112可以使用由监督机器学习模块125提供的监督机器学习技术来识别多个相关特征。在步骤622中，处理器112可以使用分类模块126来产生分类器。
第二部分650包括用于在治疗期间使用分类器来确定定位质量的步骤。在步骤652中，图像采集装置170可以采集多个图像。在步骤654中，处理器112可以使用定位模块123来确定每个图像中靶(例如，肿瘤、器官、OAR等)的定位。在步骤656中，处理器112可以在放射治疗的治疗期间追踪靶的实时移动。在步骤658中，处理器112可以使用在部分1(610)中训练的分类器来确定在每个追踪步长的定位质量。在步骤660中，处理器112可以向放射治疗装置110的用户提供可以指示靶追踪的质量的指示。质量可以包括诸如正常、低置信度、丢失追踪等质量度量。在步骤662中，处理器112可以基于质量来控制放射剂量应用，诸如当追踪质量不正常时选通放射射束，如果靶追踪丢失则关闭放射治疗的治疗射束等。
本文件中提及的所有出版物、专利和专利文献通过此处引用它们而整体并入本文，如同通过引用单独并入。如果本文件与通过引用并入的那些文件之间的用法不一致，则并入的参考文献中的用法应被视为对本文件的补充；对于不可调和的不一致，则以本文件中的用法为准。
示例性公开的实施例描述了在放射疗法期间采用质量指标进行进行靶追踪的***和方法。前面的描述已经出于说明的目的而示出。这并非穷尽的且不限于所公开的准确的形式或实施例。考虑到说明书及所公开的实施例的实践，实施例的修正和适应性调整将是显而易见的。
在本文件中，使用了术语“a”或“an”(不定冠词)，如专利文件中常用的，其包括一个或多于一个，独立于“至少一个”或“一个或更多”的任何其它实例或用途。在本文件中，术语“或”用于指非排他性的或，除非另外指明，否则“A或B”包括“有A没有B”、“有B没有A”、以及“A和B”。在本文件中，术语“包括”和“其中(in which)”用作各个术语“包括”和“其中(wherein)”的通俗易懂的等效。此外，在本文件中，术语“包括(including)”和“包括(comprising)”是开放式的，即，包括除了在本文件中的这样的术语之后列出的那些元件之外的元件的设备、***、装置、制品、构成、构想或过程仍被视为落入本文件的范围。此外，在本文件中，术语“第一”、“第二”和“第三”等仅用作标记，并不意图对其对象施加数值要求。
本文描述的方法示例至少部分地可以是机器或计算机实现的。一些示例可以包括编码有指令的计算机可读介质或机器可读介质，该指令可经操作以配置电子装置来执行如上述示例中所描述的方法。这些方法的实现可以包括例如微代码、汇编语言代码、更高级语言代码等的软件代码。可以使用各种软件编程技术来创建各种程序或程序模块。例如，可以用或通过Java、Python、C、C++、汇编语言、或任何已知的编程语言来设计程序段或程序模块。一个或更多这样的软件段或模块可以被集成到计算机***和/或计算机可读介质中。这样的软件代码可以包括用于执行各种方法的计算机可读指令。该软件代码可以形成计算机程序产品的部分或计算机程序模块。此外，在一个示例中，例如在执行期间或在其它时间，软件代码可以有形地存储在一个或更多易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如，压缩盘和数字视频盘)、磁带、存储卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)等。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。本公开中的元件将被基于本公开中采用的语言宽泛地解释，并不限于在本说明书中或本申请的申请和审查期间所描述的示例，其示例将被解释为非排他性的。此外，可以以任何方式对所公开的方法的步骤进行修改，包括通过对步骤重新排序或***或删除步骤。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由本公开中的示例以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。发明的主题可以少于特定的公开的实施例的全部特征。从而，单独的实施例可以以各种组合或排列彼此组合。

Claims (36)

1.一种用于训练分类器的方法，所述分类器用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量，所述方法包括：
确定指示多个图像中的靶的位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像；
为各个定位结果确定质量指标；
从所述各个定位结果提取一个或更多特征；和
使用所述定位结果和所提取的一个或更多特征来训练所述分类器。
2.根据权利要求1所述的方法，进一步包括：
从所述多个图像中选择图像子集以提供质量度量；和
通过调整所述定位结果来提供具有多种质量的样本。
3.根据权利要求1所述的方法，其中所述训练所述分类器包括：
使用监督机器学习技术来训练所述分类器，包括：
创建多个特征子集；
基于所述多个特征子集来确定主要特征；和
使用所述主要特征来训练所述分类器。
4.根据权利要求3所述的方法，其中所述主要特征包括以下至少一种：
相关性得分；
计算出的与所述靶的所述位置相距预定距离的相似性度量；
最低象限得分；或者
最高象限得分。
5.根据权利要求1所述的方法，其中所述成像装置包括超声探头，并且所述多个图像包括超声图像。
6.根据权利要求1所述的方法，其中所述成像装置包括MRI装置，并且所述多个图像包括MR图像。
7.一种用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量的方法，所述方法包括：
确定指示在对所述患者的所述放射治疗的治疗期间采集的所述多个图像中的靶的位置的定位结果；
使用分类器确定用于追踪所述靶的所述位置的定位结果的定位质量；和
向用户提供所述定位质量的指示或者基于所述定位质量采取与治疗相关的动作。
8.根据权利要求7所述的方法，其中所述定位质量的所述指示反映至少正常追踪、低置信度追踪和丢失追踪的确定。
9.根据权利要求7所述的方法，进一步包括：
从所述多个图像以及所述定位结果中提取一个或更多特征；和
基于所提取的一个或更多特征使用所述分类器确定所述定位质量。
10.根据权利要求7所述的方法，进一步包括：
基于所述定位结果和所述定位质量在所述放射治疗的治疗期间追踪所述靶的实时移动。
11.根据权利要求7所述的方法，其中所述治疗相关的动作包括当所述定位质量指示所述靶的丢失追踪时关闭放射束。
12.根据权利要求7所述的方法，进一步包括：
基于新的数据在临床环境中更新或再训练所述分类器。
13.一种用于训练分类器的***，所述分类器用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量，所述***包括：
存储器，其用于存储计算机可执行指令；和
处理器，其通信地耦接到所述存储器，其中所述计算机可执行指令在由所述处理器执行时使所述处理器执行操作，所述操作包括：
确定指示多个图像中的靶的位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像；
为各个定位结果确定质量指标；
从各个定位结果中提取一个或更多特征；和
使用所述定位结果和所提取的一个或更多特征来训练所述分类器。
14.根据权利要求13所述的***，其中所述操作进一步包括：
从所述多个图像中选择图像子集以提供质量度量；和
通过调整所述定位结果来提供具有多种质量的样本。
15.根据权利要求13所述的***，其中所述训练所述分类器的所述操作包括：使用监督机器学习技术训练所述分类器，包括：
创建多个特征子集；
基于所述多个特征子集来确定主要特征；和
使用所述主要特征来训练所述分类器。
16.根据权利要求15所述的***，其中所述主要特征包括以下至少一个：
相关性得分；
计算出的与所述靶的所述位置相距预定距离的相似性度量；
最低象限得分；和
最高象限得分。
17.根据权利要求13所述的***，其中所述成像装置包括超声探头，并且所述多个图像包括超声图像。
18.根据权利要求13所述的***，其中所述成像装置包括MRI装置，并且所述多个图像包括MR图像。
19.一种用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量的***，所述***包括：
存储器，其用于存储计算机可执行指令；和
处理器，其通信耦接到所述存储器，其中所述计算机可执行指令在由所述处理器执行时使所述处理器执行操作，所述操作包括：
确定指示在对所述患者的所述放射治疗的治疗期间采集的多个图像中的靶的位置的定位结果；
使用分类器确定用于追踪所述靶的所述位置的所述定位结果的定位质量；和
向用户提供所述定位质量的指示或基于所述定位质量采取与治疗相关的动作。
20.根据权利要求19所述的***，其中所述定位质量的所述指示反映至少正常追踪、低置信度追踪和丢失追踪的确定。
21.根据权利要求19所述的***，其中所述操作进一步包括：
从所述多个图像以及所述定位结果提取一个或更多特征；和
基于所提取的一个或更多特征使用所述分类器确定所述定位质量。
22.根据权利要求19所述的***，其中所述操作进一步包括：
基于所述定位结果和所述定位质量在所述放射治疗的治疗期间追踪所述靶的实时移动。
23.根据权利要求19所述的***，其中所述治疗相关动作包括当所述定位质量指示所述靶的丢失追踪时关闭放射束。
24.根据权利要求19所述的***，其中所述操作进一步包括：
基于新的数据在临床环境中更新或再训练所述分类器。
25.一种存储一组指令的非暂时性计算机可读介质，所述一组指令可由装置的至少一个处理器执行以使所述装置执行用于训练分类器的方法，所述分类器用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量，所述方法包括：
确定指示多个图像中的靶的位置的定位结果，所述多个图像代表在放射治疗的治疗分次中采集的图像；
为各个定位结果确定质量指标；
从各个定位结果提取一个或更多特征；和
使用所述定位结果和所提取的一个或更多特征来训练所述分类器。
26.根据权利要求25所述的非暂时性计算机可读介质，其中所述方法进一步包括：
从所述多个图像中选择图像子集以提供质量度量；和
通过调整所述定位结果来提供具有多种质量的样本。
27.根据权利要求25所述的非暂时性计算机可读介质，其中训练所述分类器包括：
使用监督机器学习技术来训练所述分类器，包括：
创建多个特征子集；
基于所述多个特征子集来确定主要特征；和
使用所述主要特征来训练所述分类器。
28.根据权利要求27所述的非暂时性计算机可读介质，其中所述主要特征包括以下至少一种：
相关性得分；
计算出的与所述靶的所述位置相距预定距离的相似性度量；
最低象限得分；和
最高象限得分。
29.根据权利要求25所述的非暂时性计算机可读介质，其中所述成像装置包括超声探头，并且所述多个图像包括超声图像。
30.根据权利要求25所述的非暂时性计算机可读介质，其中所述成像装置包括MRI装置，并且所述多个图像包括MR图像。
31.一种存储一组指令的非暂时性计算机可读介质，所述一组指令可由装置的至少一个处理器执行以使所述装置执行方法，所述方法用于由对患者进行放射治疗的治疗期间由成像装置采集的多个图像确定靶定位的质量，所述方法包括：
确定指示在对患者的放射治疗的治疗期间采集的多个图像中的靶的位置的定位结果；
使用分类器确定用于追踪所述靶的所述位置的所述定位结果的定位质量；和
向用户提供所述定位质量的指示或基于所述定位质量采取与治疗相关的动作。
32.根据权利要求31所述的非暂时性计算机可读介质，其中所述定位质量的所述指示反映至少正常追踪、低置信度追踪和丢失追踪的确定。
33.根据权利要求31所述的非暂时性计算机可读介质，其中所述方法进一步包括：
从所述多个图像以及所述定位结果中提取一个或更多特征；和
基于所提取的一个或更多特征使用所述分类器确定所述定位质量。
34.根据权利要求31所述的非暂时性计算机可读介质，其中所述方法进一步包括：
基于所述定位结果和所述定位质量在所述放射治疗的治疗期间追踪所述靶的实时移动。
35.根据权利要求31所述的非暂时性计算机可读介质，其中所述治疗相关的动作包括当所述定位质量指示所述靶的丢失追踪时关闭放射束。
36.根据权利要求31所述的非暂时性计算机可读介质，其中所述方法进一步包括：
基于新的数据在临床环境中更新或再训练所述分类器。
CN201680038963.8A 2015-06-30 2016-06-29 用于在放射治疗期间使用质量指标进行靶追踪的***和方法 Active CN107708808B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562186743P 2015-06-30 2015-06-30
US62/186,743 2015-06-30
PCT/IB2016/001029 WO2017001920A1 (en) 2015-06-30 2016-06-29 System and method for target tracking using a quality indicator during radiation therapy

Publications (2)

Publication Number Publication Date
CN107708808A CN107708808A (zh) 2018-02-16
CN107708808B true CN107708808B (zh) 2020-10-16

Family

ID=57609342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680038963.8A Active CN107708808B (zh) 2015-06-30 2016-06-29 用于在放射治疗期间使用质量指标进行靶追踪的***和方法

Country Status (7)

Country Link
US (1) US10350438B2 (zh)
EP (1) EP3316965B1 (zh)
JP (1) JP6537644B2 (zh)
CN (1) CN107708808B (zh)
AU (1) AU2016286520B2 (zh)
RU (1) RU2696428C2 (zh)
WO (1) WO2017001920A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2696428C2 (ru) 2015-06-30 2019-08-01 Электа Лтд. Система и способ отслеживания целевого объекта с использованием показателя качества во время лучевой терапии
US10342996B2 (en) 2016-08-29 2019-07-09 Accuray Incorporated Online angle selection in rotational imaging and tracking systems
US10846614B2 (en) * 2017-03-16 2020-11-24 Facebook, Inc. Embeddings for feed and pages
US10507337B2 (en) * 2017-09-13 2019-12-17 Elekta, Inc. Radiotherapy treatment plan optimization workflow
TW201923776A (zh) * 2017-10-27 2019-06-16 美商蝴蝶網路公司 超音波影像上的自動化測量及用於自動化測量的收集的品質指示器
US11679278B2 (en) 2018-03-30 2023-06-20 Varian Medical Systems, Inc. Method and apparatus for using a multi-layer multi-leaf collimator as a virtual flattening filter
EP3550327A1 (en) * 2018-04-05 2019-10-09 Koninklijke Philips N.V. Motion tracking in magnetic resonance imaging using radar and a motion detection system
CN109011218A (zh) * 2018-08-24 2018-12-18 西安大医集团有限公司 载源体、放疗设备及其控制驱动方法
JP7097794B2 (ja) * 2018-10-18 2022-07-08 富士フイルム医療ソリューションズ株式会社 情報処理システム及び情報処理方法
US10803987B2 (en) * 2018-11-16 2020-10-13 Elekta, Inc. Real-time motion monitoring using deep neural network
EP3673955A1 (en) * 2018-12-24 2020-07-01 Koninklijke Philips N.V. Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy
TW202128251A (zh) * 2019-11-26 2021-08-01 美商閾限科學公司 治療神經系統疾病和腦部狀況的裝置和方法
WO2021121622A1 (en) * 2019-12-20 2021-06-24 Elekta Ab (Publ) Adaptive dose accumulation algorithm
US11077320B1 (en) * 2020-02-07 2021-08-03 Elekta, Inc. Adversarial prediction of radiotherapy treatment plans
US20210268313A1 (en) * 2020-02-27 2021-09-02 Elekta ltd Image Registration in Treatment Planning
GB2600919A (en) * 2020-11-04 2022-05-18 Tesla Dynamic Coils BV MRI systems and receive coil arrangements
CN112581475B (zh) * 2021-02-25 2021-05-25 四川大学华西医院 一种预测放疗计划的伽马通过率的方法
CN113823382B (zh) * 2021-10-28 2024-06-11 广州医科大学附属肿瘤医院 一种肿瘤放疗的造血功能副反应分析方法及装置
GB2622814A (en) * 2022-09-28 2024-04-03 Elekta Inc Quality of images for radiotherapy

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1820274A (zh) * 2003-06-27 2006-08-16 美国西门子医疗解决公司 使用机器学习来利用cad***的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持
CN101061490A (zh) * 2004-11-19 2007-10-24 皇家飞利浦电子股份有限公司 利用支持向量机（svm）在计算机辅助检测（cad）中进行假阳性降低的***和方法
JP2008520318A (ja) * 2004-11-19 2008-06-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ サポートベクタマシン（ｓｖｍ）を用いるコンピュータ支援検出（ｃａｄ）における誤検出低減のためのシステム及び方法
JP2012187139A (ja) * 2011-03-08 2012-10-04 Toshiba Corp 画像処理装置
CN104346625A (zh) * 2013-08-09 2015-02-11 株式会社东芝 医用图像处理装置、医用图像处理方法以及分类器训练方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7529394B2 (en) 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
US7453983B2 (en) * 2005-01-20 2008-11-18 Carestream Health, Inc. Radiation therapy method with target detection
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
US8251908B2 (en) * 2007-10-01 2012-08-28 Insightec Ltd. Motion compensated image-guided focused ultrasound therapy system
US8135202B2 (en) 2008-06-02 2012-03-13 Nec Laboratories America, Inc. Automated method and system for nuclear analysis of biopsy images
CN101540048B (zh) 2009-04-21 2010-08-11 北京航空航天大学 一种基于支持向量机的图像质量评价方法
RU2427911C1 (ru) * 2010-02-05 2011-08-27 Фирма "С1 Ко., Лтд." Способ обнаружения лиц на изображении с применением каскада классификаторов
WO2012125853A1 (en) 2011-03-16 2012-09-20 The Regents Of The University Of California Method for the preparation of graphene/silicon multilayer structured anodes for lithium ion batteries
JP6643899B2 (ja) 2012-06-20 2020-02-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 医療機器のためのグラフィカルユーザインタフェース
WO2014170483A1 (en) * 2013-04-18 2014-10-23 Koninklijke Philips N.V. Radiation therapy system with real-time magnetic resonance monitoring
JP6095112B2 (ja) * 2013-04-23 2017-03-15 株式会社日立製作所 放射線治療システム
EP3007771B1 (en) * 2013-06-12 2017-09-06 University Health Network Method and system for automated quality assurance and automated treatment planning in radiation therapy
RU2696428C2 (ru) 2015-06-30 2019-08-01 Электа Лтд. Система и способ отслеживания целевого объекта с использованием показателя качества во время лучевой терапии

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1820274A (zh) * 2003-06-27 2006-08-16 美国西门子医疗解决公司 使用机器学习来利用cad***的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持
CN101061490A (zh) * 2004-11-19 2007-10-24 皇家飞利浦电子股份有限公司 利用支持向量机（svm）在计算机辅助检测（cad）中进行假阳性降低的***和方法
JP2008520318A (ja) * 2004-11-19 2008-06-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ サポートベクタマシン（ｓｖｍ）を用いるコンピュータ支援検出（ｃａｄ）における誤検出低減のためのシステム及び方法
JP2012187139A (ja) * 2011-03-08 2012-10-04 Toshiba Corp 画像処理装置
CN104346625A (zh) * 2013-08-09 2015-02-11 株式会社东芝 医用图像处理装置、医用图像处理方法以及分类器训练方法

Also Published As

Publication number Publication date
EP3316965A1 (en) 2018-05-09
US20180193674A1 (en) 2018-07-12
EP3316965B1 (en) 2020-05-13
RU2018103211A3 (zh) 2019-07-30
WO2017001920A1 (en) 2017-01-05
RU2018103211A (ru) 2019-07-30
US10350438B2 (en) 2019-07-16
JP2018522651A (ja) 2018-08-16
AU2016286520A1 (en) 2018-01-18
AU2016286520B2 (en) 2018-09-27
JP6537644B2 (ja) 2019-07-03
CN107708808A (zh) 2018-02-16
RU2696428C2 (ru) 2019-08-01
EP3316965A4 (en) 2019-01-09

Similar Documents

Publication Publication Date Title
CN107708808B (zh) 用于在放射治疗期间使用质量指标进行靶追踪的***和方法
JP6894987B2 (ja) 適応型放射線療法に対する３次元位置特定及び追跡
US10152790B2 (en) Three dimensional localization of a moving target for adaptive radiation therapy
US10300305B2 (en) Image guidance for radiation therapy
CN107072624B (zh) 用于自动治疗计划的***和方法
US11260245B2 (en) System and method for determining arc dose for arc therapy
CN114728166A (zh) 使用mr linac的心脏消融

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