CN110246562B - 确定放疗***中的子射束强度的方法、装置及计算机*** - Google Patents
确定放疗***中的子射束强度的方法、装置及计算机*** Download PDFInfo
- Publication number
- CN110246562B CN110246562B CN201810185373.9A CN201810185373A CN110246562B CN 110246562 B CN110246562 B CN 110246562B CN 201810185373 A CN201810185373 A CN 201810185373A CN 110246562 B CN110246562 B CN 110246562B
- Authority
- CN
- China
- Prior art keywords
- fields
- intensity
- tissue
- field
- objective function
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本申请提供确定放疗***中的子射束强度的方法、装置及计算机***。根据本申请的方法基于压缩感知理论通过将射野以及子射束的位置引入到传统目标函数中以得到目标函数。再对目标函数进行优化以从多个射野中选出备用射野。基于备用射野,通过优化传统调强放疗计划来得到子射束强度。
Description
技术领域
本申请大体涉及用于确定放疗***中的子射束强度的方法及装置及计算机***。
背景技术
放射治疗作为治疗恶性肿瘤的主要技术手段之一,其目的是最大限度地将放射线集中照射到肿瘤(需放疗组织或靶区),并且尽量使周围的正常组织接受到最小的剂量。由三维适形放疗发展而来的IMRT(intensity modulated radiation therapy,调强放疗)是放射治疗中的一种。IMRT要求射野内的子射束(也称为小束)强度按照一定的要求进行调节。它是在各处射野与靶区外形一致的条件下,针对靶区三维形状和要害器官与靶区的具体解剖关系对子射束强度进行调节,单个射野内剂量贡献是不均匀的但是整个靶区体积内剂量贡献比三维适形治疗更均匀。
把每一个射野分割成多个子射束。在制定计划时,按照靶区的三维形状和与相关危及器官之间的解剖关系,对这些子射束分配以不同的权重,使同一个射射野内产生优化的、不均匀的强度贡献,以便使通过危及器官的束流通量减少,而靶区其他部分的束流通量增大。
目前临床上采用逆向算法来制定调强放疗计划。需要根据用户对肿瘤均匀照射的剂量的要求和周围的正常组织器官保护剂量要求,需要用户根据经验指定射野的位置和个数、肿瘤上的目标剂量和危及器官上的剂量约束,由优化算法迭代得到每个射野中包括的子射束个数、形状及权重(对应于子射束的强度)。然而,由于射野的位置和个数是用户根据经验判断的,无法使每个射野中的子射束的强度达到最优。因此,在保证符合最终剂量分布的同时减少子射束的个数实际尤为重要。
发明内容
针对上述问题,本申请提供能够从多个射野中选择备用射野以更精确地确定放疗***中的子射束强度的方法、装置及计算机***。
根据本申请的一方面,一种确定放疗***中的子射束强度的方法,放疗***包括多个射野,每个射野具有多个子射束,方法包括:1)将需放疗组织以及在需放疗组织周围的周围组织划分为多个体素并且确定多个体素中的每个的放射剂量;2)根据每个射野和子射束相对于需放疗组织和周围组织的位置以及需放疗组织和周围组织的组织信息模拟出多个射野中的各个子射束在单位强度下对各个体素的第一单位剂量贡献;3)根据放射剂量和第一单位剂量贡献建立第一目标函数;4)通过优化第一目标函数从多个射野中选出备用射野;5)根据所选出的备用射野和组织信息确定备用射野中的各个子射束在单位强度下对各个体素的第二单位剂量贡献;6)根据第二单位剂量贡献和放射剂量构建第二目标函数;7)通过优化第二目标函数确定备用射野中的子射束的强度。
根据本申请的实施方式,在步骤2)和步骤5)中,可分别通过蒙特卡罗方法模拟出第一单位剂量贡献和第二单位剂量贡献。
根据本申请的实施方式,可将第一目标函数构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素对应于放射剂量,A1表示第一单位剂量贡献,中的每个元素对应于多个射野中的一个子射束强度,xij表示多个射野的第i个射野的第j个子射束的强度,表示多个射野中的第i个射野中最大的子射束强度,β是权重系数。
根据本申请的实施方式,在p=1的情况中,可通过牛顿法或梯度下降法来优化第一目标函数。
在经转化的第一目标函数中,p满足0≤p≤1的限制条件,中的每个元素对应于放射剂量,A1表示第一单位剂量贡献,中的每个元素对应于多个射野中的一个子射束强度,xij表示多个射野的第i个射野的第j个子射束的强度,yi表示多个射野中的第i个射野中最大的子射束强度,β是权重系数。
根据本申请的实施方式,在步骤4)中,可将第二目标函数构建为:
根据本申请的实施方式,在步骤4)中,可将第一目标函数进一步构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素为多个体素中的与需放疗组织对应的一个体素的放射剂量,APTV表示各个子射束在单位强度下对与需放疗组织对应的各个体素的单位剂量贡献,N表示所述周围组织的数量,AOARk表示各个子射束在单位强度下对与第k个周围组织对应的各个体素的单位剂量贡献,中的每个元素对应于多个射野中的一个子射束强度,xij表示多个射野中的第i个射野的第j个子射束的强度,表示多个射野中的第i个射野中最大的子射束强度,β和λk为权重系数。
根据本申请的实施方式,在步骤4)中,可通过全局优化算法优化所述第一目标函数。
根据本申请的另一方面,提供一种确定放疗***中的子射束强度的装置,放疗***包括多个射野,每个射野具有多个子射束,装置包括剂量确定单元、备用射野选择单元和强度确定单元。剂量确定单元可配置为将需放疗组织以及在需放疗组织周围的周围组织划分为多个体素并且确定多个体素中的每个的放射剂量。备用射野选择单元可配置为:根据每个射野和子射束相对于需放疗组织和周围组织的位置以及需放疗组织和周围组织的组织信息模拟出多个射野中的各个子射束在单位强度下对各个体素的第一单位剂量贡献;根据放射剂量和第一单位剂量贡献建立第一目标函数;以及通过优化第一目标函数从多个射野中选出备用射野。强度确定单元可配置为:根据所选出的备用射野和组织信息确定备用射野中的各个子射束在单位强度下对各个体素的第二单位剂量贡献;根据第二单位剂量贡献和放射剂量构建第二目标函数;以及通过优化第二目标函数确定备用射野中的子射束的强度。
根据本申请的又一方面,提供一种确定放疗***中的子射束强度的计算机***,放疗***包括多个射野,每个射野具有多个子射束,确定放疗***中的子射束强度的***包括:存储器,存储有计算机指令;处理器,执行存储器存储的计算机指令以执行以下操作:将需放疗组织以及在需放疗组织周围的周围组织划分为多个体素并且确定多个体素中的每个的放射剂量;根据每个射野和子射束相对于需放疗组织和周围组织的位置以及需放疗组织和周围组织的组织信息模拟出多个射野中的各个子射束在单位强度下对各个体素的第一单位剂量贡献;根据放射剂量和第一单位剂量贡献建立第一目标函数;通过优化第一目标函数从多个射野中选出备用射野;根据所选出的备用射野和组织信息确定备用射野中的各个子射束在单位强度下对各个体素的第二单位剂量贡献;根据第二单位剂量贡献和放射剂量构建第二目标函数;通过优化第二目标函数确定备用射野中的子射束的强度。
附图说明
通过结合附图做出的示例性实施方式的以下描述,本申请的这些和/或其他方面将变得明显和更易于理解,在附图中:
图1是根据本申请示例性实施方式确定放疗***中的子射束强度的方法的流程图;
图2是根据本申请的示例性实施方式的包括多个子射束的射野的示意性平面图;
图3是根据本申请示例性实施方式通过多个射野照射需放疗组织和周围组织的示意性立体图;
图4是调强放疗方法中通过本申请的确定放疗***中的子射束强度的方法选出的备用射野对需放疗组织和周围组织的剂量贡献的示意图;
图5是调强放疗方法中通过用户根据经验选出的备用射野对需放疗组织和周围组织的剂量贡献的示意图;
图6是示出根据本申请实施例确定放疗***中的子射束强度的装置的框图;以及
图7是示出了适合实施本申请实施例的计算机***的结构示意图。
具体实施方式
由于本公开允许多种改变和诸多实施方式,所以将在附图中示出并且在所撰写的说明书中详细描述实施方式。当对参照附图描述的实施方式进行参考时,本公开的方面和特征以及实现这些的方法或多种方法将是明显的。然而,这样的本公开能以诸多不同的形式来实现,并且不应解释为局限于本文阐述的实施方式。
如本文所使用的那样,术语“和/或”包括相关所列项目中的一个或多个的任何和全部组合。此外,当描述本发明的实施方式时,“可”的使用涉及“本发明的一个或多个实施方式”。诸如“中的至少之一”的表述在处于一列元件之后时,修饰整列元件而不修饰列中的个别元件。另外,术语“示例性”旨在表示示例或例示。以单数使用的表述涵盖复数的表述,除非它在上下文中具有明显不同含义。
如本文所使用的那样,除非上下文清楚地另行指出,否则单数形式“一”和“一个”旨在也包括复数形式。还将理解,本文使用的术语“包”、“包括”、“包括”和/或“包括”指出所阐述的特征或组件的存在,但是不排除一个或多个其他的特征或组件的存在或添加。
如本文使用的“基本上”、“约”、“近似”以及类似的措辞用作近似的措辞且不用作程度的措辞,并且诶旨在说明会由本领域普通技术人员辨识的测量值或计算值上的内在偏差。此外,如本文使用的这些措辞包括如由本领域普通技术人员鉴于所讨论的测量和与特定量的测量相关的误差(即,测量***的局限性)而确定的特定值的偏差的可接受范围内的设定值和平均值。例如,“约”可以表示在一个或多个标准偏差内,或者在所叙述的值的±30%、±20%、±10%、±5%内。
当某一个实施方式可不同地来实现时,特定过程顺序可与所描述的顺序不同地被执行。例如,能以大致相同的时间执行两个连续描述的过程,或者以与所描述的顺序相反的顺序执行两个连续描述的过程。
下面将结合图1至图6对本申请的确定放疗***中的小束强度的方法及装置进行详细描述。
在根据本申请的确定放疗***中的子射束强度的方法中,例如,放疗***可包括多个图3中所示的射野F(也称为野),并且每个射野具有多个子射束B。图2中所示的射源F包括9个子射束B。例如,每个射野F通过MLC(Multi-Leaf Collimato,多叶准直器)实现为多个子射束B。图2中所示的射野F可通过包括在放疗***中的射源与MCL实现。射源可发射X射线或γ射线,即射野F是X射线场。作为另一示例,射源可发射带正电荷的离子(即质子)。但这仅是示例性的,根据本申请的射源不限于此。在一个示例中,每个射野F中的子射束B的个数可相同或者不同,并且每个子射束B可具有不同的形状。
参照图1和图3,在步骤S1中,将需放疗组织PTV以及在需放疗组织周围的周围组织OAR划分为多个体素并且确定多个体素中的每个的放射剂量。在图3所示的示例中,将需放疗组织PTV划分为多个体素,并且将周围组织OAR划分为围绕需放疗组织PTV的多个体素。即,需放疗组织PTV和周围组织OAR所划分的体素可对应相等的三维体积。体素是数字数据于三维空间分割上的最小单位。图3中示出了20个射野F,但这仅是示例性的。多个体素中的每个的放射剂量表示每个体素需要接受的放射剂量。例如,需放疗组织PTV的需接受的放射剂量大于某一预定值,周围组织OAR的需接受的放射剂量小于某一预定值。多个体素中的每个的放射剂量可根据要放疗组织PTV和周围组织OAR的CT图像来确定。
在步骤S2中,根据每个射野F和子射束B相对于需放疗组织PTV和周围组织OAR的位置以及需放疗组织PTV和周围组织OAR的组织信息模拟出多个射野F中的各个子射束B对各个体素的第一单位剂量贡献。
需放疗组织PTV和周围组织OAR的组织信息可通过需放疗组织PTV和周围组织OAR的计算机断层扫描图像(即,CT图像)来获取。例如,组织信息可通过用于逆向调强放疗的计划CT(planing computed tomography,计算机断层扫描)装置获取。组织信息可包括需放疗组织PTV和周围组织OAR的组织的体积、形状、位置和电子密度信息。多个射野F和子射束B相对于需放疗组织PTV和周围组织OAR的位置可通常人为地进行设置。例如,可设置射野F的位置使得射野F中的射线尽可能多地从与周围组织OAR对应的体素之间的缝隙经过并照射在需放疗组织PTV上。但是无论如何设置射野F的位置,周围组织OAR接受的剂量都不可能为零。
第一单位剂量贡献是各个子射束B在单位强度下对各个体素的剂量贡献。
在步骤S3中,根据所确定的放射剂量和第一单位剂量贡献来建立第一目标函数。在步骤S4中,通过优化第一目标函数从多个射野F中选出备用射野P。
在逆向调强放疗中,在放射剂量和第一单位剂量贡献确定的情况下,主要目的是确定多个射野F中的所有子射束B的强度,以使得每个体素接受的剂量尽可能满足其应接受的放射剂量。
因此,逆向调强放疗计划中所使用的目标函数为:
其中,中的每个元素对应于在步骤S1中确定的放射剂量,A表示在步骤S2中确定的第一单位剂量贡献,向量中的每个元素对应于步骤S1和步骤S2中的多个射野F的一个子射束B的强度,向量可以是所有子射束B的强度按行串联的向量。传统目标函数的解是使得向量的二阶范数取得其最小值的所有子射束B的强度按行串联的向量。
因此,根据本申请的第一目标函数将射野F以及子射束B的位置引入到传统目标函数中。
根据本申请的一个实施方式,可通过在传统目标函数中引入多个射野F中的第i个射野的第j个子射束B的强度,来引入射野F以及子射束B的位置。换言之,基于第i个射野的第j个子射束B的强度与相应射野F和子射束B的映射关系间接地引入射野F和子射束B的位置,进而进一步确定F。
进一步地,不同于传统调强放疗中医生通过经验从多个射野F中确定待使用的射野(下文中称为备用射野),本申请将压缩感知应用到逆向调强放疗来从多个射野F中选出更加精确的备用射野P,从而确定备用射野P以及其中包括的相应子射束B相对于需放疗组织PTV和周围组织OAR的位置。
由于建立第一目标函数的根本目的是从多个射野F中选出几个备用射野P,即,在满足所要实施的放射剂量的同时,减少射野F的个数。
因此在本申请的方法中,在逆向调强放疗计划中所使用的目标函数(即式子1)基础上,基于压缩感知理论,通过将子射束强度集合设置成使得每个射野F中的子射束B的强度最大值之和与权重系数的乘积取得其最小值(该最小值可为预设值)作为限制条件,将每个射野F中的子射束B的强度最大值作为采样信号,进而通过压缩感知求取采样信号的稀疏解来从射野F中选取备用射野P,其中,备用射野P中的子射束强度集合同时能够使得需放疗组织PTV和周围组织OAR最终接受的放射剂量满足或最接近调强放疗目标(即,预先设置的放射剂量)。因此,根据本申请的一个实施方式的方法也可被认为是压缩感知方法在信号处理中的应用。
一方面,压缩感知是用于重建稀疏或可压缩信号的技术。稀疏信号的数学表现是其在一些域中表达时包含许多接近于零或等于零的系数。也就是说,若信号仅有限非零采样点,而其他采样点均为零(或接近于零),则称信号是稀疏的。有效利用压缩感知技术(即待处理信号的稀疏性)可用于减少所需要的测量采样个数。数学上,调强放疗逆向计划类似于在上述的多个射野F(即所有存在的射野F)是待求“信号”的情况下的信号处理问题。如上所述,逆向计划是一个病态问题,且通常存在多组备用射野P的集合(即,从所述多个射野F中选择的射野的集合,例如由医生根据经验选择)能够产生需放疗组织PTV需要接受的放射剂量,但这种情况下,未必能够使周围组织OAR接受最少的放射剂量。因此,在本申请中,通过将每个射野F中的子射束B的强度最大值作为采样信号,求取采样信号的稀疏解来从多个射野F选取备用射野P,同时将备用射野P中的子射束强度集合能够使得需放疗组织PTV和周围组织OAR最终接受的放射剂量满足或最接近调强放疗目标作为限制条件(例如满足式(1))。所求取的稀疏解中非零值的个数对应于备用射野P的个数。
另一方面,在将每个射野F中的子射束B的强度最大值作为采样信号的情况下,通过压缩感知方法所求得的稀疏解中的每一项可对应一个射野F中的最大子射束强度,所以稀疏解中为零的项表示所对应的射野F中的所有子射束B的强度均为零,即不将该项所对应的射野F选为备用射野P。这样,可实现稀疏解中的每一项与射野F的位置一一对应的映射关系。
另外,通过设置权重系数,可设置备选射野P的个数,例如权重系数越大,备选射野P的个数越少。
根据本申请的一个实施方式,可将第一目标函数构件为:
其中,p满足0≤p≤1的限制条件,中的每个元素对应于多个体素中的一个体素的放射剂量,A表示上文所述的第一单位剂量贡献,中的每个元素对应于子射束强度,可以是所有子射束B的强度按行串联的向量。xij表示多个射野F中的第i个射野的第j个子射束的强度,表示多个射野F中的第i个射野中最大的子射束强度,β是权重系数。
可通过设置权重系数β的值来设置从多个射野F中选择的备选射野P的个数。β值越大,备选射野P的个数越少。β的值大于零。
根据本申请的实施方式,可通过全局优化算法优化第一目标函数(例如,式(2)),以得到向量向量中的一个元素对应于相应射野F中的相应子射束B的强度。也就是说,每个子射束B的强度对应唯一的射野F中的唯一子射束B。因此,可通过向量中的每个元素与射野F以及射野F中的子射束B的映射关系,从多个射野F中选出备用射野P。
根据本申请的一个实施方式,可通过在第一目标函数中将需放疗组织PTV和周围组织OAR的体素区分开并设置权重系数来决定最终实现的放射剂量更接近需放疗组织PTV的放疗剂量还是周围组织OAR的放疗剂量。
因此,根据本申请的另一示例性实施方式,可将第一目标函数进一步构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素为多个体素中的与需放疗组织PTV对应的一个体素的放射剂量,APTV表示各个子射束B在单位强度下对与需放疗组织PTV对应的各个体素的单位剂量贡献,N表示所述周围组织的数量,AOARk表示各个子射束B在单位强度下对与第k个周围组织OAR对应的各个体素的单位剂量贡献,中的每个元素对应于子射束B的强度,可以是所有子射束B的强度按行串联的向量,xij表示多个射野F中的第i个射野的第j个子射束的强度,表示多个射野F中的第i个射野中最大的子射束强度,β是权重系数,λk为权重系数
例如,在图3至图5所示的示例中,N的数量为6,即周围组织OAR的数量为6。可通过设置λk的数值来决定最后选出的备用射野P使得放射剂量更满足需放疗组织PTV所需的放射剂量还是更满足周围组织OAR所需的放疗剂量。
在第一目标函数(例如,式(2)或式(3))中的p等于1的情况下,可通过诸如牛顿法、梯度下降法、共轭梯度方法或拟牛顿法的常规迭代算法来优化第一目标函数(例如,式(2)或式(3))。
也就是说,在0≤p≤1的情况下,可通过全局优化算法对第一目标函数(例如,式(2)或式(3))进行优化,以得到目标函数的全局最优解。全局优化研究的是多变量非线性函数在某个约束区域上的全局最优解的特性和构造寻求全局最优解的计算方法,以及求解方法的理论性质和计算表现。例如,可使用诸如模拟退火算法、遗传算法、禁忌搜索、粒子群算法、蚁群算法的全局优化算法对第一目标函数进行优化。但本申请不限于此。
在第一目标函数(例如,式(2)或式(3)中的p等于1的情况下,可通过诸如牛顿法、梯度下降法、共轭梯度方法或拟牛顿法的迭代算法来优化第一目标函数(例如,式(2)或式(3))。
在根据本申请的一个实施方式的方法中,在第一目标函数(例如,式(2)或式(3))中的p等于1的情况下,将式(6)或式(7)中的1阶范数内的项作为约束条件,来将非线性问题转化为线性问题,以进一步减少计算量。
以式(2)为例,即,将第一目标函数转化为:
在式(4)中,中的每个元素对应于多个体素中的一个体素的放射剂量,A表示上文所述的第一单位剂量贡献,中的每个元素对应于子射束强度,可以是所有子射束B的强度按行串联的向量,xij表示多个射野F中的第i个射野的第j个子射束的强度,表示多个射野F中的第i个射野中最大的子射束强度,β是权重系数。
参照图3,通过步骤S3和步骤S4,可从图3中所示的20个射野F中选出多个射野F(例如,3个射野F)作为备用射野P。
在步骤S5中,根据所选出的备用射野P和组织信息确定备用射野P中的各个子射束B在单位强度下对各个体素的第二单位剂量贡献。例如,根据每个射野F和子射束B相对于需放疗组织PTV和周围组织OAR的位置以及需放疗组织PTV和周围组织OAR的组织信息模拟出第二单位剂量贡献。例如,通过蒙特卡罗方法模拟第二单位剂量贡献。由于在建立第一目标函数(步骤S3)考虑将备用射野P中的子射束强度集合能够使得需放疗组织PTV和周围组织OAR最终接受的放射剂量满足或最接近调强放疗目标作为限制条件,因此,通过备用射野P模拟出的第二单位剂量贡献能够使得逆向计划的结果更接近理想,即最终求得的子射束强度能够在使需放疗组织PTV接受预设放射剂量的同时使周围组织OAR接受最少的放射剂量。在步骤S6中,根据第二单位剂量贡献和放射剂量构建第二目标函数。
在本申请的实施方式中,第二目标函数可对应与调强放疗计划中的传统目标函数,即:
在步骤S7中,通过优化第二目标函数确定备用射野P中的子射束B的强度。对于第二目标函数为式(5)的情况,可通过牛顿法或梯度下降法对式(5)进行优化。作为本申请的另一示例,可使用全局优化算法对式(5)进行优化。但本申请不限于此。
图4示出了通过本申请的确定放疗***中的子射束强度的方法选出的备用射野对需放疗组织PTV和周围组织OAR的剂量贡献的示意图。图5是调强放疗方法中通过用户根据经验选出的备用射野P对需放疗组织PTV和周围组织OAR的剂量贡献的示意图。
在图4和图5中,用各个组织中线条的数量来示意性地表示该体素接受的放射剂量,也就是说,线条的数量越多表示多对应的组织接受的放射剂量越多。通过步骤S3和步骤S4从图3中所示的20个射野F选出3个作为备用射野P并且再通过步骤S5至步骤S7基于备用射野P获取子射束B的强度。相比于图5中周围组织OAR所受到的放射剂量,图4中的周围组织OAR所受到的放射剂量明显减少。
在式(2)至(9)中,可通过设置β的值来设置从多个射野F中选择的备选射野P的个数。β值越大,备选射野P的个数越少。β的值可大于零。
参照图1至图5描述的方法可通过计算机***来实施。该计算机***包括存储有可执行指令的存储器以及处理器。处理器与存储器通信以执行可执行指令从而实施参照图1至图5描述的方法。可替代地或附加地,参照图1至图5描述的方法可通过非暂时性计算机存储介质来实施。该介质存储计算机可读指令,当这些指令被执行时使处理器执行参照图1至图5描述的方法。
图6是示出根据本申请实施例确定放疗***中的子射束强度的装置100的框图。确定放疗***中的子射束强度的装置100包括:剂量确定单元110,配置为将需放疗组织PTV以及在所述需放疗组织周围的周围组织OAR划分为多个体素并且确定所述多个体素中的每个的放射剂量;备用射野选择单元120,配置为:根据每个射野F和子射束B对于所述需放疗组织和所述周围组织的位置以及需放疗组织PTV和周围组织OAR的组织信息模拟出多个射野中的各个所述子射束在单位强度下对各个体素的第一单位剂量贡献;根据放射剂量和第一单位剂量贡献建立第一目标函数;以及通过优化第一目标函数从多个射野F中选出备用射野P;强度确定单元,配置为:根据所选出的备用射野P和所述组织信息确定备用射野P中的各个子射束B在单位强度下对各个体素的第二单位剂量贡献;根据第二单位剂量贡献和放射剂量构建第二目标函数;通过所述第二目标函数确定备用射野P中的子射束B的强度。
根据本申请的一个实施方式,备用射野选择单元120和强度确定单元130可分别通过蒙特卡罗方法模拟出第一单位剂量贡献和第二单位剂量贡献。
根据本申请的一个实施方式,备用射野选择单元120将所将第一目标函数构建为:
在式(6)中,p满足0≤p≤1的限制条件,中的每个元素对应于多个体素中的一个体素的放射剂量,A表示上文所述的第一单位剂量贡献,中的每个元素对应于子射束强度,可以是所有子射束B的强度按行串联的向量。xij表示多个射野F中的第i个射野的第j个子射束的强度,表示多个射野F中的第i个射野中最大的子射束强度,β是权重系数。
根据本申请的实施方式,可通过全局优化算法优化第一目标函数(例如,式(6)),以得到向量向量中的一个元素对应于相应射野F中的相应子射束B的强度。也就是说,每个子射束B的强度对应唯一的射野F中的唯一子射束B。因此,可通过向量中的每个元素与射野F以及射野F中的子射束B的映射关系,从多个射野F中选出备用射野P。
根据本申请的一个实施方式,备用射野选择单元120还可将所述第一目标函数进一步构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素为多个体素中的与需放疗组织PTV对应的一个体素的放射剂量,APTV表示各个子射束B在单位强度下对与需放疗组织PTV对应的各个体素的单位剂量贡献,N表示所述周围组织的数量,AOARk表示各个子射束B在单位强度下对与第k个周围组织OAR对应的各个体素的单位剂量贡献,中的每个元素对应于子射束B的强度,可以是所有子射束B的强度按行串联的向量,xij表示多个射野F中的第i个射野的第j个子射束的强度,表示多个射野F中的第i个射野中最大的子射束强度,β是权重系数,λk为权重系数。
也就是说,在0≤p≤1的情况下,备用射野选择单元120可通过全局优化算法对第一目标函数(例如,式(6)或式(7))进行优化,以得到目标函数的全局最优解。全局优化研究的是多变量非线性函数在某个约束区域上的全局最优解的特性和构造寻求全局最优解的计算方法,以及求解方法的理论性质和计算表现。例如,可使用诸如模拟退火算法、遗传算法、禁忌搜索、粒子群算法、蚁群算法的全局优化算法对第一目标函数进行优化。但本申请不限于此。
在第一目标函数(例如,式(6)或式(7))中的p等于1的情况下,可通过诸如牛顿法、梯度下降法、共轭梯度方法或拟牛顿法的迭代算法来优化第一目标函数(例如,式(6)或式(7))。根据本申请的一个实施方式,在第一目标函数(例如,式(6)或式(7))中的p等于1的情况下,备用射野选择单元120可通过诸如牛顿法、梯度下降法、共轭梯度方法或拟牛顿法的常规迭代算法来优化第一目标函数(例如,式(6)或式(7))。
以式(6)为例,备用射野选择单元120通过将第一目标函数转化为:
在经转化的第一目标函数中,中的每个元素对应于多个体素中的一个体素的放射剂量,A表示上文所述的第一单位剂量贡献,中的每个元素对应于子射束强度,可以是所有子射束B的强度按行串联的向量,xij表示多个射野F中的第i个射野的第j个子射束的强度,表示多个射野F中的第i个射野中最大的子射束强度,β是权重系数。
根据本申请的一个实施方式,强度确定单元130可将第二目标函数构建为:
在本申请的一个实施方式中,强度确定单元130可通过优化第二目标函数确定备用射野P中的子射束B的强度。对于第二目标函数为式(9)的情况,可通过牛顿法或梯度下降法对式(9)进行优化。作为本申请的另一示例,可使用全局优化算法对式(9)进行优化。但本申请不限于此。
参照图6描述的确定放疗***中的子射束强度的装置可通过计算机***来实施。该计算机***可包括存储有可执行指令的存储器以及处理器。处理器与存储器通信以执行可执行指令从而实施参照图6描述的装置。可替代地或附加地,参照图6描述的装置可通过非暂时性计算机存储介质来实施。该介质存储计算机可读指令,当这些指令被计算机时,可执行参照图6描述的装置的功能。
现参照图7,图7是示出了适合实施本申请实施例的计算机***7000的结构示意图。
如图7所示,计算机***7000可包括处理器(如中央处理器(CPU)7001、图像处理器(GPU)等),其可根据存储在只读存储器(ROM)7002中的程序或从存储部分7008加载至随机存取存储器(RAM)7003中的程序而执行各种适当的动作和过程。在RAM 7003中,还可存储有***7000操作所需要的各种程序和数据。CPU 7001、ROM 7002和RAM 7003通过总线7004彼此连接。输入/输出I/O接口7005也与总线7004连接。
以下为可与I/O接口7005连接的部件:包括键盘、鼠标等的输入部分7006;包括阴极射线管CRT、液晶显示设备LCD和扬声器等的输出部分7007;包括硬盘等的存储部分7008;以及包括网络接口卡(如LAN卡和调制解调器等)的通信部分7009。通信部分7009可通过诸如因特网等网络执行通信处理。根据需要,驱动器7010也可与I/O接口7005连接。如磁盘、光盘、磁光盘、半导体存储器等的可拆卸介质7011可安装在驱动器7010上,以便于从其上读出的计算机程序根据需要被安装入存储部分7008。
具体地,根据本公开的实施例,以上参照图1至图5描述的方法可实施为计算机软件程序。例如,本公开的实施例可包括计算机程序产品,该产品包括有形地体现在机器可读介质中的计算机程序。该计算机程序包括用于执行参照图1至图5描述的方法程序代码。在这种实施例中,计算机程序可通过通信部分709从网络上下载并进行安装,和/或可从可拆卸介质7011安装。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本申请的实施例所涉及的单元或模块可通过软件或硬件实施。所描述的单元或模块也可设置在处理器中。这些单元或模块的名称不应被视为限制这些单元或模块。
根据本申请的实施方式,所提供的确定放疗***中的子射束强度的方法、装置及计算机***可用于任何种类的放疗***中。例如,通过X射线、γ射线或质子实现放射治疗的放疗***,但本申请不限于此。
以上描述仅为本申请的示例性实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不背离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种确定放疗***中的子射束强度的方法,所述放疗***包括多个射野,每个所述射野具有多个所述子射束,所述方法包括:
1)将需放疗组织以及在所述需放疗组织周围的周围组织划分为多个体素并且确定所述多个体素中的每个的放射剂量;
2)根据每个所述射野和所述子射束相对于所述需放疗组织和所述周围组织的位置以及所述需放疗组织和所述周围组织的组织信息模拟出所述多个射野中的各个所述子射束在单位强度下对各个所述体素的第一单位剂量贡献;
3)根据所述放射剂量和所述第一单位剂量贡献建立第一目标函数;
4)通过优化所述第一目标函数从所述多个射野中选出备用射野;
5)根据所选出的备用射野和所述组织信息确定所述备用射野中的各个所述子射束在单位强度下对各个所述体素的第二单位剂量贡献;
6)根据所述第二单位剂量贡献和所述放射剂量构建第二目标函数;
7)通过优化所述第二目标函数确定所述备用射野中的子射束的强度,其中,
所述第一目标函数构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素对应于所述放射剂量,A1表示所述第一单位剂量贡献,中的每个元素对应于所述多个射野中的一个子射束强度,xij表示所述多个射野的第i个射野的第j个子射束的强度,表示所述多个射野中的第i个射野中最大的子射束强度,β是权重系数,通过设置权重系数β的值来设置所述备用射野的个数,β值越大,所述备用射野的个数越少,β大于零,
所述第二目标函数构建为:
2.如权利要求1所述的方法,其中,在步骤2)和步骤5)中,分别通过蒙特卡罗方法模拟出所述第一单位剂量贡献和所述第二单位剂量贡献。
3.如权利要求1所述的方法,其中,在p=1的情况下,通过牛顿法或梯度下降法来优化所述第一目标函数。
5.如权利要求1所述的方法,其中,将所述第一目标函数进一步构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素为多个体素中的与需放疗组织对应的一个体素的放射剂量,中的每个元素为多个体素中的与所述周围组织对应的一个体素的放射剂量,APTV表示各个所述子射束在单位强度下对与所述需放疗组织对应的各个体素的单位剂量贡献,N表示所述周围组织的数量,AOARk表示各个所述子射束在单位强度下对与第k个所述周围组织对应的各个体素的单位剂量贡献,中的每个元素对应于所述多个射野中的一个子射束强度,xij表示所述多个射野中的第i个射野的第j个子射束的强度,表示所述多个射野中的第i个射野中最大的子射束强度,β和λk为权重系数,β大于零,通过设置权重系数β的值来设置所述备用射野的个数,β值越大,所述备用射野的个数越少,λk的数值决定最后选出的备用射野使得放射剂量更满足所述需放疗组织所需的放射剂量还是更满足所述周围组织所需的放疗剂量。
6.如权利要求1所述的方法,其中,在步骤4)中,通过全局优化算法优化所述第一目标函数。
7.一种确定放疗***中的子射束强度的装置,所述放疗***包括多个射野,每个所述射野具有多个所述子射束,所述装置包括:
剂量确定单元,配置为将需放疗组织以及在所述需放疗组织周围的周围组织划分为多个体素并且确定所述多个体素中的每个的放射剂量;
备用射野选择单元,配置为:
根据每个所述射野和所述子射束相对于所述需放疗组织和所述周围组织的位置以及所述需放疗组织和所述周围组织的组织信息模拟出所述多个射野中的各个所述子射束在单位强度下对各个所述体素的第一单位剂量贡献;
根据所述放射剂量和所述第一单位剂量贡献建立第一目标函数;以及
通过优化所述第一目标函数从所述多个射野中选出备用射野;以及
强度确定单元,配置为:
根据所选出的备用射野和所述组织信息确定所述备用射野中的各个所述子射束在单位强度下对各个所述体素的第二单位剂量贡献;
根据所述第二单位剂量贡献和所述放射剂量构建第二目标函数;以及
通过优化所述第二目标函数确定所述备用射野中的子射束的强度,其中,
所述备用射野选择单元将所述第一目标函数构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素对应于所述放射剂量,A1表示所述第一单位剂量贡献,中的每个元素对应于所述多个射野中的一个子射束强度,xij表示所述多个射野的第i个射野的第j个子射束的强度,表示所述多个射野中的第i个射野中最大的子射束强度,β是权重系数,β大于零,通过设置权重系数β的值来设置所述备用射野的个数,β值越大,所述备用射野的个数越少;以及
所述强度确定单元将所述第二目标函数构建为:
8.如权利要求7所述的装置,其中,所述备用射野选择单元和所述强度确定单元分别通过蒙特卡罗方法模拟出所述第一单位剂量贡献和所述第二单位剂量贡献。
9.如权利要求7所述的装置,其中,在p=1的情况下,所述备用射野选择单元通过牛顿法或梯度下降法来优化所述第一目标函数。
11.如权利要求7所述的装置,其中,所述备用射野选择单元将所述第一目标函数进一步构建为:
其中,p满足0≤p≤1的限制条件,中的每个元素为多个体素中的与需放疗组织对应的一个体素的放射剂量,中的每个元素为多个体素中的与所述周围组织对应的一个体素的放射剂量,APTV表示各个所述子射束在单位强度下对与所述需放疗组织对应的各个体素的单位剂量贡献,N表示所述周围组织的数量,AOARk表示各个所述子射束在单位强度下对与第k个所述周围组织对应的各个体素的单位剂量贡献,中的每个元素对应于所述多个射野中的一个子射束强度,xij表示所述多个射野中的第i个射野的第j个子射束的强度,表示所述多个射野中的第i个射野中最大的子射束强度,β和λk为权重系数,β大于零,通过设置权重系数β的值来设置所述备用射野的个数,β值越大,所述备用射野的个数越少,λk的数值决定最后选出的所述备用射野使得放射剂量更满足所述需放疗组织所需的放射剂量还是更满足所述周围组织所需的放疗剂量。
12.如权利要求7所述的装置,其中,所述备用射野选择单元通过全局优化算法优化所述第一目标函数。
13.一种确定放疗***中的子射束强度的计算机***,所述放疗***包括多个射野,每个所述射野具有多个子射束,所述确定放疗***中的子射束强度的***包括:
存储器,存储有计算机指令;
处理器,执行所述存储器存储的计算机指令以执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185373.9A CN110246562B (zh) | 2018-03-07 | 2018-03-07 | 确定放疗***中的子射束强度的方法、装置及计算机*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185373.9A CN110246562B (zh) | 2018-03-07 | 2018-03-07 | 确定放疗***中的子射束强度的方法、装置及计算机*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246562A CN110246562A (zh) | 2019-09-17 |
CN110246562B true CN110246562B (zh) | 2021-08-06 |
Family
ID=67876215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810185373.9A Active CN110246562B (zh) | 2018-03-07 | 2018-03-07 | 确定放疗***中的子射束强度的方法、装置及计算机*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246562B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986778B (zh) * | 2020-07-31 | 2024-02-20 | 上海联影医疗科技股份有限公司 | 一种调强计划优化***、装置及存储介质 |
CN115966281B (zh) * | 2023-01-16 | 2024-02-09 | 迈胜医疗设备有限公司 | 一种弧形放疗计划的生成方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604134A (zh) * | 2003-11-26 | 2005-04-06 | 戴建荣 | 优化放疗射野方向和强度分布的方法和*** |
CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和*** |
CN103282967A (zh) * | 2010-08-17 | 2013-09-04 | 德克萨斯州立大学董事会 | 用于放射疗法的自动化治疗计划 |
CN105031820A (zh) * | 2015-09-01 | 2015-11-11 | 上海联影医疗科技有限公司 | 调强放疗逆向优化方法和装置 |
CN105031819A (zh) * | 2015-08-25 | 2015-11-11 | 上海联影医疗科技有限公司 | 一种剂量优化方法与*** |
CN105617536A (zh) * | 2015-12-24 | 2016-06-01 | 上海联影医疗科技有限公司 | 旋转逆向调强放疗优化方法及装置 |
CN107073285A (zh) * | 2014-06-17 | 2017-08-18 | 直觉疗法股份公司 | 用于逆向治疗计划的***和计算机程序产品 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100496386C (zh) * | 2006-12-29 | 2009-06-10 | 成都川大奇林科技有限责任公司 | 精确放射治疗计划*** |
US8688618B2 (en) * | 2009-06-23 | 2014-04-01 | The Johns Hopkins University | Method and system for determining treatment plans |
US10638988B2 (en) * | 2010-04-16 | 2020-05-05 | Scott Penfold | Simultaneous/single patient position X-ray and proton imaging apparatus and method of use thereof |
CN103083821B (zh) * | 2013-01-27 | 2015-12-23 | 合肥克瑞斯信息科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的***和方法 |
CN104338240B (zh) * | 2014-10-31 | 2017-02-22 | 北京连心医疗科技有限公司 | 一种在线自适应放疗计划自动优化装置 |
CN104645500B (zh) * | 2015-02-12 | 2018-08-03 | 上海联影医疗科技有限公司 | 一种调强放疗优化*** |
CN105413068B (zh) * | 2015-12-31 | 2019-01-08 | 上海联影医疗科技有限公司 | 求解通量图的优化方法和放射治疗设备 |
-
2018
- 2018-03-07 CN CN201810185373.9A patent/CN110246562B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604134A (zh) * | 2003-11-26 | 2005-04-06 | 戴建荣 | 优化放疗射野方向和强度分布的方法和*** |
CN101422640A (zh) * | 2008-11-25 | 2009-05-06 | 中国科学院等离子体物理研究所 | 优化放射治疗射束强度分布的多目标优化方法和*** |
CN103282967A (zh) * | 2010-08-17 | 2013-09-04 | 德克萨斯州立大学董事会 | 用于放射疗法的自动化治疗计划 |
CN107073285A (zh) * | 2014-06-17 | 2017-08-18 | 直觉疗法股份公司 | 用于逆向治疗计划的***和计算机程序产品 |
CN105031819A (zh) * | 2015-08-25 | 2015-11-11 | 上海联影医疗科技有限公司 | 一种剂量优化方法与*** |
CN105031820A (zh) * | 2015-09-01 | 2015-11-11 | 上海联影医疗科技有限公司 | 调强放疗逆向优化方法和装置 |
CN105617536A (zh) * | 2015-12-24 | 2016-06-01 | 上海联影医疗科技有限公司 | 旋转逆向调强放疗优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
A Novel Reduced-Order Prioritized Optimization;Georgios Kalantzis and Aditya Apte;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20140430;第6卷(第4期);全文 * |
调强放疗中的数学规划问题研究;闵志方;《中国博士学位论文全文数据库·基础科学辑》;中国学术期刊(光盘版)电子杂志社;20101115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110246562A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kontaxis et al. | DeepDose: Towards a fast dose calculation engine for radiation therapy using deep learning | |
Schuemann et al. | Site-specific range uncertainties caused by dose calculation algorithms for proton therapy | |
Inaniwa et al. | Adaptation of stochastic microdosimetric kinetic model for charged-particle therapy treatment planning | |
Kontaxis et al. | Towards adaptive IMRT sequencing for the MR-linac | |
EP3098741A1 (en) | Method for optimizing dose of radiation for radio-therapy treatment and radiation therapy system | |
Marchant et al. | Accuracy of radiotherapy dose calculations based on cone-beam CT: comparison of deformable registration and image correction based methods | |
Lu | A non-voxel-based broad-beam (NVBB) framework for IMRT treatment planning | |
Tsekas et al. | DeepDose: a robust deep learning-based dose engine for abdominal tumours in a 1.5 T MRI radiotherapy system | |
Bergman et al. | Direct aperture optimization for IMRT using Monte Carlo generated beamlets | |
Da Silva et al. | Sub-second pencil beam dose calculation on GPU for adaptive proton therapy | |
Kusch et al. | A robust collision source method for rank adaptive dynamical low-rank approximation in radiation therapy | |
Pastor-Serrano et al. | Millisecond speed deep learning based proton dose calculation with Monte Carlo accuracy | |
CN110246562B (zh) | 确定放疗***中的子射束强度的方法、装置及计算机*** | |
US9251302B2 (en) | System and method for planning a radiation therapy treatment | |
WO2012037472A2 (en) | Gpu-based fast dose calculator for cancer therapy | |
US11607560B2 (en) | System, computer program product and method for radiation therapy treatment planning | |
Naqvi et al. | Convolution/superposition using the Monte Carlo method | |
Gianoli et al. | Patient-specific CT calibration based on ion radiography for different detector configurations in 1H, 4He and 12C ion pencil beam scanning | |
EP3445449A1 (en) | Fractionation selection tool in radiotherapy planning | |
Li et al. | A new Monte Carlo-based treatment plan optimization approach for intensity modulated radiation therapy | |
Garrido-Hernandez et al. | Hypoxia adapted relative biological effectiveness models for proton therapy: a simulation study | |
van Dijk et al. | A novel multichannel deep learning model for fast denoising of Monte Carlo dose calculations: preclinical applications | |
Dickmann et al. | Fluence-modulated proton CT optimized with patient-specific dose and variance objectives for proton dose calculation | |
Tsekas et al. | Robust deep learning-based forward dose calculations for VMAT on the 1.5 T MR-linac | |
Schipaanboord et al. | Accurate 3D-dose-based generation of MLC segments for robotic radiotherapy |
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 |