CN110327554B - 基于预测剂量分布引导的调强放疗计划优化方法及应用 - Google Patents
基于预测剂量分布引导的调强放疗计划优化方法及应用 Download PDFInfo
- Publication number
- CN110327554B CN110327554B CN201910609968.7A CN201910609968A CN110327554B CN 110327554 B CN110327554 B CN 110327554B CN 201910609968 A CN201910609968 A CN 201910609968A CN 110327554 B CN110327554 B CN 110327554B
- Authority
- CN
- China
- Prior art keywords
- dose
- optimization
- dose distribution
- plan
- distribution
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 32
- 210000000920 organ at risk Anatomy 0.000 claims abstract description 46
- 210000003484 anatomy Anatomy 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 55
- 238000002721 intensity-modulated radiation therapy Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004980 dosimetry Methods 0.000 claims description 8
- 230000008021 deposition Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 210000000056 organ Anatomy 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 231100000628 reference dose Toxicity 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 description 8
- 206010060862 Prostate cancer Diseases 0.000 description 7
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 4
- 210000000664 rectum Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- 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
- A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种基于预测剂量分布引导的调强放疗计划优化方法及应用,该方法包括以下步骤:将患者的感兴趣区域的几何解剖结构特征输入到经训练的神经网络模型,获得危及器官的三维剂量分布预测;以三维剂量分布预测作为优化引导,建立射野强度分布模型,射野强度分布模型的优化目标函数包括基于三维剂量分布预测的目标项和基于等效体积剂量的目标项;基于优化目标函数设置相关参数并求解,获得调强放疗优化计划。本发明利用预测三维剂量分布引导调强放疗计划优化,可实现个体性优化以及体素级的精准剂量优化;本发明构建等效体积目标以补偿较松的预测误差对其引导优化结果的影响,并同时提供更广阔的求解空间,保证计划最优化的前进方向。
Description
技术领域
本发明涉及放射治疗计划优化方法技术领域,具体涉及一种基于危及器官预测三维剂量分布引导的调强放疗计划优化方法及应用。
背景技术
适形调强放疗(Intensity Modulated Radiation Therapy,IMRT)是目前运用最广泛的肿瘤放射治疗技术,可使靶区内剂量强度分布较均匀,靶区外剂量强度陡降,进而降低了正常组织并发症概率(Normal Tissue Complication Probability,NTCP),从而有效地增加了肿瘤治疗的增益比,与常规放疗相比优势显著。IMRT的计划设计中,由于理想的剂量目标或约束于计划设计前未知,计划设计者往往会依据当前基于群体统计的临床规范选定剂量目标或约束,再辅以本人的临床经验,利用人工试错(Trial and Error)的方式反复调整该目标或约束并进行多次优化,直到得到满足剂量要求的计划方案为止。但限于临床可投入资源和物理师的经验水平,计划设计的效率以及计划质量的一致性往往难以得到保证。
基于经验学习的智慧计划设计方法通过对大量先验计划进行智能学习,在此基础上构建质优计划的剂量学特性与患者个体化特性之间的关联模型,继而将该关联模型应用于新患者计划优化前的剂量学目标预测,有望实现计划设计的快速优化引导和个体化质量控制,进而有效提高临床计划的设计效率、同质化程度。当前研究工作多以预测计划的剂量体积直方图(Dose Volume Histogram,DVH)或剂量学指征项为主,然而这些均为累积型数据,将其作为优化目标不利于实现对感兴趣区内剂量的体素级精细调整,使求解空间受限从而更高概率地产生次优甚至不可行计划解。
以三维剂量分布为预测对象并将其作为优化引导是解决上述问题的理想方案。2017年,宋婷等人在专利CN107441637A中,以危及器官体素为研究对象,采用神经网络方法并结合对射线角度、器官体积和器官间空间位置关系等影响因素的充分考虑,成功地构建了危及器官的三维剂量分布预测模型。但预测具有不确定性,该不确定性会对后续优化引导产生较大影响,如何合理有效地应用预测剂量分布信息是一个重点且是难点。2018年Fan等人在Automatic treatment planning based on three-dimensional dosedistribution predicted from deep learning technique中,以重现预测剂量分布为优化求解策略,以将其引入至目标函数中的方式引导计划优化,该种方法虽可得出可行计划,但其所得计划质量往往仅是接近于预测或原始计划,因此在一定程度上限制了最优化求解的空间。
因此,需要对现有技术进行改进,以提供基于预测剂量分布引导的调强放疗计划优化方法。
发明内容
本发明的目的在于克服上述现有技术的缺陷,提供一种适用于调强放疗计划的预测三维剂量分布引导的计划优化方法,以实现对预测三维剂量分布的有效临床应用,并同时最大限度地改善优化输出计划质量。
为达到上述目的,本发明采用下述技术方案实现:一种基于预测剂量分布引导的调强放疗计划优化方法,包括以下步骤:
S10:将患者的感兴趣区域的几何解剖结构特征输入到经训练的神经网络模型,获得危及器官的三维剂量分布预测;
S20:以所述三维剂量分布预测作为优化引导,建立射野强度分布模型,所述射野强度分布模型的优化目标函数包括基于三维剂量分布预测的目标项和基于等效体积剂量的目标项;
S30:基于所述优化目标函数设置相关参数并求解,获得调强放疗优化计划。
进一步地,根据以下步骤获得危及器官的三维剂量分布预测:
收集有效的调强放疗计划数据形成病例数据库,其中,该病例数据库反映患者的解剖结构特征和剂量特征之间的关联性;
提取所述病例数据库中每个患者的解剖结构特征和对应的剂量特征;
搭建人工神经网络,输入患者的解剖结构特征和剂量特征,通过训练学习出解剖结构特征和剂量特征之间的映射关系,得到二者的关联模型,并使用所述关联模型预测新患者的三维剂量分布。
进一步地,根据以下方法获得危及器官的三维剂量分布预测:
选取IMRT计划数据,构建患者体素剂量与其结合解剖结构的关联性模型,模型以危及器官的体素为研究对象,提取其剂量作为输出剂量学特征,输入特征为体素到PTV边缘、PTV几何中心以及其他危及器官边缘的距离和体素对于PTV几何中心的三维角度和PTV体积;从IMRT计划数据中随机选取80%计划数据作为模型构建的训练集,其余为测试集;并采用前馈反向传播神经网络的方法进行模型训练,网络包括1个输入层、3个隐藏层数和一个输出层,其中,输入层、隐藏层数和输出层分别有9、9和1个神经节点;训练完成后利用测试集即可得出危及器官的三维剂量分布预测。
进一步地,S20中,所述射野强度分布模型的优化过程还考虑计划靶区以及其周围组织的剂量要求并构建计划靶区周围器官和组织的优化目标。
进一步地,S20包括以下子步骤:
S22:以预测三维剂量分布作为优化引导,利用危及器官的预测三维剂量分布构建基于体素的优化目标函数,以剂量分布预测得到参考等效体积与计算等效体积;
S23:构建等效体积目标,最小化参考等效体积与计算等效体积比值;
S24:设置剂量以及剂量-体积约束项,另外对计划靶区周围组织结构设定剂量目标约束;
S25:将各目标函数加权构成总二次损失函数,并结合约束项来优化所述射野强度分布模型。
进一步地,S20包括以下子步骤:
S22:以预测三维剂量分布作为优化引导,利用S10中所得危及器官的预测三维剂量分布构建基于体素的优化目标函数以重现所预测的三维剂量分布为预测引导计划优化的最直观解决方案,以预测剂量分布得到参考等效体积与计算等效体积,对应目标函数的表达式为:
其中,Vref为参考等效体积;Veff为计算等效体积;N为该危及器官内的所有体素的总和;d0为医生要求的参考剂量;为预测计划得到的预测剂量;为计算剂量分布;K为等效体积权重因子,直接控制了和的形状,K值越大曲线越陡峭;
S23:构建等效体积目标,最小化参考等效体积与计算等效体积比值,使优化剂量分布趋近于预测剂量分布且实现对危及器官内剂量的空间雕刻,其函数表达式为:
S24:设置计划靶区的均匀处方剂量目标函数,其表达式为:
并设置剂量以及剂量-体积约束项;
S25:将各目标函数加权构成总二次损失函数F,并结合约束函数C构成射野强度分布模型,其数学表达式为:
其中,NOARs和NTarget分别表示计划涉及危及器官的数目和靶区的数目;为基于等效体积的优化目标函数,fDV为基于剂量-体积的优化目标函数;wv和wDV分别代表和fDV中不同ROI的优化权重,旨在减少其区域内的低剂量体积以保护该结构内的更多体积;C为剂量与剂量-体积约束函数。
一种基于预测剂量分布引导的调强放疗计划优化方法的应用,采用上述任一项所述的方法来获得调强放疗计划,进行调强放疗计划质量控制。
本发明的方法在于引用基于先验知识的剂量预测的临床的应用,对放疗计划质量的提升,而不在于对有生命的受试者进行放疗治疗,本发明的优化方法可以用于临床,也可以用于非诊断和治疗目的的研究目的。
本发明与现有技术相比,具有以下优点及有益效果:
(1)利用预测三维剂量分布引导IMRT计划优化,可实现个体性优化以及体素级的精准剂量优化;
(2)构建等效体积目标以补偿较松的预测误差对其引导优化结果的影响,并同时提供更广阔的求解空间,保证计划最优化的前进方向;
(3)设置PTV(Planning Target Volume,计划靶区)的硬性约束保障靶区剂量覆盖率以及均匀性,可在使用较紧预测目标作为优化引导的情况下,减轻预测误差对其优化结果的影响;
(4)该方法的使用中无需二次人工调整,可大大地减少人工试错的工作量;
(5)该优化方法具有可行解且收敛快速,可有效地利用预测剂量分布,并同时保障输出计划的优质性。
附图说明
图1是本发明基于预测剂量分布引导的调强放疗计划优化方法的流程图;
图2是本发明基于预测剂量分布引导的调强放疗计划优化方法的过程示意图;
图3(a)和图3(b)是根据本发明一个实施例的2例***癌患者的优化计划与原始(临床)计划的PTV、直肠和膀胱的DVH的对比图,其中,实线:新计划,虚线:原始计划,三角标注:膀胱,圆形标注:直肠,纯直线:计划靶区;
图4是图3实施例中的1例***癌患者的优化计划与原始(临床)计划的PTV、直肠和膀胱的等中心层面剂量分布的对比图,其中,a.1-3分别为新计划等中心层横截面、矢状面、冠状面的剂量分布图,b.1-3分别为原始计划等中心层横截面、矢状面、冠状面的剂量分布图;白色实心箭头所指为直肠区域,白色空心箭头所指为膀胱区域,白色空心双线箭头所指为PTV区域。
具体实施方式
下面结合实施例对本发明的方法作进一步的详细说明,但本发明的适用肿瘤类型并不局限于此,在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明内。
实施例1
作为本发明的一个实施例,提供一种基于预测剂量重构等效体积最小化方法的调强放疗计划优化方法,通过利用危及器官预测的三维剂量分布作为优化的初始化目标以快速引导个体化且可行计划,另外也同时构建等效体积优化目标以弥补预测误差引导的优化差异,并同时保证计划质量的最优化空间,包括以下步骤,如图1所示:
S10:将患者的感兴趣区域的几何解剖结构特征输入到经训练的神经网络模型,获得危及器官的三维剂量分布预测:利用人工神经网络方法构建患者几何解剖结构特性和三维剂量分布的关联模型,通过模型得出危及器官三维剂量分布预测。
在此步骤中,剂量学目标的预测模型构建采用人工神经网络的学习方法,可自动学习提取特征间的关联性。
在此步骤中,患者个体化的剂量学预测目标是危及器官的三维剂量分布,该目标具有临床针对性且包含的剂量信息完善。
S20:以所述三维剂量分布预测作为优化引导,建立射野强度分布模型,所述射野强度分布模型的优化目标函数包括基于三维剂量分布预测的目标项和基于等效体积剂量的目标项:基于预测剂量重构等效体积最小化方法的计划优化模型的建立,以射野强度分布为优化参数,将所有感兴趣区域内体素纳入优化考虑对象,建立最小化所有考虑范围内体素的计算体积与对应参考体积间比值的目标函数,其中,各危及器官的优化剂量目标为该器官的剂量分布预测以及对应等效体积目标;此外,也添加约束项保证靶区剂量的覆盖率和均匀性,从而构建最终的优化模型。
在此步骤中,计划优化模型中,危及器官的优化参考目标是预测所得的三维剂量分布,其保留了患者的个体化信息且可实现对体素剂量的精确控制,该目标可快速引导出可行计划。
在此步骤中,危及器官的优化目标中考虑了其等效体积,其目标函数的解空间广阔,可在预测引导计划的基础上对OAR剂量进行无限制地压低,从而可弥补预测差异导致的计划质量的损失,并进一步地提高计划质量。
在此步骤中,优化模型同时考虑了PTV以及其周围组织的剂量要求:使用了PTV硬约束保证靶区剂量的覆盖及均匀性;也同时构建靶区周围器官和组织的优化目标以保证对其剂量的控制和保护。
具体的,基于预测剂量重构等效体积最小化方法的计划优化模型的建立具体包括以下步骤:
S22:利用预测剂量分布作为优化引导,利用S10中所得危及器官的预测三维剂量分布构建基于体素的优化目标函数,以重现所预测的三维剂量分布为预测引导计划优化的最直观解决方案,以预测剂量分布得到参考等效体积与计算等效体积;
S23:构建等效体积目标,最小化参考等效体积与计算等效体积比值,使优化剂量分布趋近于预测剂量分布且实现对危及器官内剂量的空间雕刻,于危及器官的优化目标项中加入等效体积目标,该目标的函数梯度始终非负,可无限制地降低OAR剂量,从而最大限度地提升计划质量,弥补预测局限性对优化造成的影响;
S24:此外,也设置剂量以及剂量-体积约束项来保证PTV的剂量覆盖率及其均匀性;另外对靶区周围组织结构设定剂量目标约束,以对其剂量进行控制;
S25:将各目标函数加权构成总二次损失函数,并结合约束函数从而构成射野强度分布模型。
S30:基于所述优化目标函数设置相关参数并求解,获得调强放疗优化计划:设定相关目标权重并利用IPOPT算法求解该最优化问题,从而获得最终优化计划。
实施例2
在一个应用实例中,本发明提供的基于预测剂量分布引导的调强放疗计划优化方法包括以下过程,如图1和图2所示:
(1)患者危及器官三维剂量分布的预测
选取IMRT计划数据,构建患者体素剂量与其结合解剖结构的关联性模型,模型以危及器官的体素为研究对象,提取为其剂量作为输出剂量学特征,输入特征为体素到PTV边缘、PTV几何中心以及其他危及器官边缘的距离和体素对于PTV几何中心的三维角度和PTV体积等。从实验数据中随机选取80%计划数据作为模型构建的训练集,其余为测试集。并采用前馈反向传播神经网络的方法进行模型训练,网络包括1个输入层、3个隐藏层数和一个输出层,分别有9、9和1个神经节点。训练完成后利用测试集即可得出危及器官的三维剂量分布预测。
(2)基于预测剂量重构等效体积最小化方法的计划优化模型的建立
(2.1)通过采用原始计划中的射野信息并使用开源剂量计算与优化工具包MatRad(An open source multi-modality radiation treatment planning system)内置逆向计划设计模块进行剂量计算后得出剂量沉积矩阵W。以光子强度通量图x作为求解对象,则表示计算剂量分布。
(2.2)利用预测剂量分布作为优化引导:利用(1)中所得危及器官的预测三维剂量分布构建基于体素的优化目标函数以重现所预测的三维剂量分布为预测引导计划优化的最直观解决方案,以预测剂量分布得到参考等效体积(Reference Volume,Vref)与计算等效体积(effect Volume,Veff),对应目标函数的表达式为:
其中,Vref为参考等效体积;Veff为计算等效体积;N为该危及器官内的所有体素的总和;d0为医生要求的参考剂量;为预测计划得到的预测剂量;为计算剂量分布;K为等效体积权重因子,直接控制了和的形状,K值越大曲线越陡峭。
(2.3)构建等效体积目标,最小化参考等效体积与计算等效体积比值,使优化剂量分布趋近于预测剂量分布且实现对危及器官内剂量的空间雕刻,于危及器官的优化目标项中加入等效体积目标,该目标的函数梯度始终非负,可无限制地降低OAR剂量,从而最大限度地提升计划质量,弥补预测局限性对优化造成的影响。其函数表达式为:
(2.4)此外,设置PTV的均匀处方剂量目标函数以保证其剂量均匀性,其表达式为:
并添加剂量以及剂量-体积约束项保证靶区内部的剂量覆盖率。
(2.5)将各目标函数加权构成总二次损失函数F,并结合约束函数C构成射野强度分布模型,其数学表达式为:
其中,NOARs和NTarget分别表示计划涉及危及器官的数目和靶区的数目;为基于等效体积的优化目标函数,fDV为基于剂量-体积的优化目标函数;wv和wDV分别代表和fDV中不同ROI的优化权重,旨在减少其区域内的低剂量体积以保护该结构内的更多体积;C为剂量与剂量-体积约束函数。
(3)设置优化模型相关参数并求解:
因预测剂量分布保留了器官间的权衡信息,将其作为引导可降低优化目标权重选择的敏感度,所以本优化方法中无需复杂的权重调整过程,模型中OARs、PTV的f的权重分别设为1000和100。主要设置的约束目标有PTV的D98%、D95%、V98%、D5%和Dmax等,这些约束可根据具体的肿瘤病种的临床剂量治疗的要求来决定。利用MatRad平台中IPOPT算法求解最优化问题,以此得出最终计划。
实施例3
为了进一步验证技术效果,运用本发明基于预测三维剂量分布引导的调强放疗计划优化方法对2例***癌IMRT计划进行重新优化,并将其与临床原始计划进行比较,其中2例***癌患者的优化计划与原始临床计划的DVH曲线比较如图3(a)和图3(b)所示,横坐标为剂量值,纵坐标为体积百分比。从DVH图中可以观察到,相较原始计划,对于此次实验的观察器官膀胱,新计划曲线在整个剂量区间内均有降低趋势,特别是30Gy以下的低剂量区呈现出明显下降,这种结果符合新方法的优化期望。
其中1例***癌患者的不同计划的等中心层面剂量分布的对比结果如图4所示。从图中可以看出,相比原始计划,新计划的PTV覆盖率保持相似,均较为饱满;射束直接穿过的部分正常组织剂量有所降低;且膀胱内剂量分布在降低的同时也更为均匀。
其中1例***癌患者2种计划的剂量约束项的数据结果如表1所示。对于PTV,新计划质量与原始计划质量相当,均符合临床规范;对于观察器官膀胱,新计划得到的平均剂量明显低于原始计划(从15.32GY降低至8.43Gy),且新计划的V10值仅为原始计划的35%,V20、V30值也有类似结果。
表1其中一例***癌患者不同计划的平均剂量学指征项比较
综上,本发明的优化方法相对于原始计划在保障靶区治疗效果的同时,进一步降低了并行危及器官剂量;且与前人研究中使用单一物理优化或单一生物优化并多次人工试错设置参数的传统方法相比,本发明的优化方法以预测剂量为参考,自动进行所需参数的设置,规避了人工试错过程的冗长与对设计者的经验依赖。基于上述分析,本发明的优化方法通过放疗剂量预测和优化模型的配合,智能化放疗计划设计中的优化部分,有效地提高了放射治疗计划设计的效率和治疗实施的准确性,有效改进计划质量,且使放疗计划的优化和评估更具临床和生物学意义
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围权利要求及其等同无限定。
Claims (4)
1.一种基于预测剂量分布引导的调强放疗计划优化方法,其特征在于,包括以下步骤:
S10:将患者的感兴趣区域的几何解剖结构特征输入到经训练的神经网络模型,获得危及器官的三维剂量分布预测;
S20:以所述三维剂量分布预测作为优化引导,建立射野强度分布模型,所述射野强度分布模型的优化目标函数包括基于三维剂量分布预测的目标项和基于等效体积剂量的目标项;
S30:基于所述优化目标函数设置相关参数并求解,获得调强放疗优化计划;
S20中,所述射野强度分布模型的优化过程还考虑计划靶区以及其周围组织的剂量要求并构建计划靶区周围器官和组织的优化目标;
具体地,S20包括以下子步骤:
S22:以预测三维剂量分布作为优化引导,利用危及器官的预测三维剂量分布构建基于体素的优化目标函数,以剂量分布预测得到参考等效体积与计算等效体积;
S23:构建等效体积目标,最小化参考等效体积与计算等效体积比值;
S24:设置剂量以及剂量-体积约束项,另外对计划靶区周围组织结构设定剂量目标约束;
S25:将各目标函数加权构成总二次损失函数,并结合约束项来优化所述射野强度分布模型;
更具体的,S20包括以下子步骤:
S22:以预测三维剂量分布作为优化引导,利用S10中所得危及器官的预测三维剂量分布构建基于体素的优化目标函数以重现所预测的三维剂量分布为预测引导计划优化的最直观解决方案,以预测剂量分布得到参考等效体积与计算等效体积,对应目标函数的表达式为:
其中,Vref为参考等效体积;Veff为计算等效体积;N为该危及器官内的所有体素的总和;d0为医生要求的参考剂量;为预测计划得到的预测剂量;为计算剂量分布;K为等效体积权重因子,直接控制了和的形状,K值越大曲线越陡峭;
S23:构建等效体积目标,最小化参考等效体积与计算等效体积比值,使优化剂量分布趋近于预测剂量分布且实现对危及器官内剂量的空间雕刻,其函数表达式为:
S24:设置计划靶区的均匀处方剂量目标函数,其表达式为:
并设置剂量以及剂量-体积约束项;
S25:将各目标函数加权构成总二次损失函数F,并结合约束函数C构成射野强度分布模型,其数学表达式为:
2.根据权利要求1所述的基于预测剂量分布引导的调强放疗计划优化方法,其特征在于,根据以下步骤获得危及器官的三维剂量分布预测:
收集有效的调强放疗计划数据形成病例数据库,其中,该病例数据库反映患者的解剖结构特征和剂量特征之间的关联性;
提取所述病例数据库中每个患者的解剖结构特征和对应的剂量特征;
搭建人工神经网络,输入患者的解剖结构特征和剂量特征,通过训练学习出解剖结构特征和剂量特征之间的映射关系,得到二者的关联模型,并使用所述关联模型预测新患者的三维剂量分布。
3.根据权利要求2所述的基于预测剂量分布引导的调强放疗计划优化方法,其特征在于,根据以下方法获得危及器官的三维剂量分布预测:
选取IMRT计划数据,构建患者体素剂量与其结合解剖结构的关联性模型,模型以危及器官的体素为研究对象,提取其剂量作为输出剂量学特征,输入特征为体素到PTV边缘、PTV几何中心以及其他危及器官边缘的距离和体素对于PTV几何中心的三维角度和PTV体积;从IMRT计划数据中随机选取80%计划数据作为模型构建的训练集,其余为测试集;并采用前馈反向传播神经网络的方法进行模型训练,网络包括1个输入层、3个隐藏层数和一个输出层,其中,输入层、隐藏层数和输出层分别有9、9和1个神经节点;训练完成后利用测试集即可得出危及器官的三维剂量分布预测。
4.一种基于预测剂量分布引导的调强放疗计划优化方法的应用,其特征在于,采用权利要求1至3任一项所述的方法来获得调强放疗计划,进行调强放疗计划质量控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609968.7A CN110327554B (zh) | 2019-07-08 | 2019-07-08 | 基于预测剂量分布引导的调强放疗计划优化方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609968.7A CN110327554B (zh) | 2019-07-08 | 2019-07-08 | 基于预测剂量分布引导的调强放疗计划优化方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110327554A CN110327554A (zh) | 2019-10-15 |
CN110327554B true CN110327554B (zh) | 2020-11-10 |
Family
ID=68143530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910609968.7A Active CN110327554B (zh) | 2019-07-08 | 2019-07-08 | 基于预测剂量分布引导的调强放疗计划优化方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110327554B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028914B (zh) * | 2019-12-04 | 2024-03-22 | 北京连心医疗科技有限公司 | 人工智能引导的剂量预测方法与*** |
CN111145866B (zh) * | 2019-12-25 | 2023-08-25 | 上海联影医疗科技股份有限公司 | 一种剂量确定方法、装置、计算机设备及存储介质 |
EP3892327B1 (en) * | 2020-04-06 | 2024-05-08 | RaySearch Laboratories AB | Radiation therapy treatment planning |
CN112151146B (zh) * | 2020-09-27 | 2022-08-23 | 上海联影医疗科技股份有限公司 | 通量图优化***、装置和存储介质 |
CN113101548B (zh) * | 2021-04-20 | 2023-04-28 | 中山大学肿瘤防治中心 | 一种降低皮肤剂量的光子调强放疗控制方法 |
CN113797450A (zh) * | 2021-05-27 | 2021-12-17 | 苏州雷泰医疗科技有限公司 | 一种放疗计划强度分布优化方法、装置及放射治疗设备 |
CN114146329B (zh) * | 2021-12-07 | 2023-06-23 | 江苏省中医院 | 一种引入伽玛通过率优化目标的放射治疗计划优化*** |
CN114925904A (zh) * | 2022-05-17 | 2022-08-19 | 厦门大学附属第一医院 | 一种预测螺旋断层放疗计划的γ通过率的方法 |
CN117982810A (zh) * | 2022-11-07 | 2024-05-07 | 中硼(厦门)医疗器械有限公司 | 中子捕获治疗***及剂量评估方法 |
CN115938564A (zh) * | 2022-11-09 | 2023-04-07 | 中南大学湘雅医院 | 肿瘤放疗计划设计方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108711447A (zh) * | 2018-05-23 | 2018-10-26 | 南方医科大学 | 基于体素权重因子的自动调强多目标优化方法及其应用 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112007000801T5 (de) * | 2006-03-28 | 2009-02-12 | Hampton University | Hadronen-Behandlungsplanung mit adäquater biologischer Gewichtung |
US9468776B2 (en) * | 2012-06-01 | 2016-10-18 | Raysearch Laboratories Ab | Method and a system for optimizing a radiation treatment plan based on a reference dose distribution |
US9827445B2 (en) * | 2013-09-27 | 2017-11-28 | Varian Medical Systems International Ag | Automatic creation and selection of dose prediction models for treatment plans |
JP6483704B2 (ja) * | 2013-12-20 | 2019-03-13 | レイサーチ ラボラトリーズ,エービー | 漸進的な治療計画立案 |
US11850445B2 (en) * | 2016-09-07 | 2023-12-26 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
CN107441637B (zh) * | 2017-08-30 | 2019-06-07 | 南方医科大学 | 调强放疗计划中三维剂量分布的预测方法及其应用 |
-
2019
- 2019-07-08 CN CN201910609968.7A patent/CN110327554B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108711447A (zh) * | 2018-05-23 | 2018-10-26 | 南方医科大学 | 基于体素权重因子的自动调强多目标优化方法及其应用 |
Non-Patent Citations (3)
Title |
---|
《基于神经网络学习方法的放疗计划三维剂量分布预测》;孔繁图等;《南方医科大学学报》;20180627(第06期);全文 * |
《放射治疗计划的自动优化及再优化关键技术研究》;李楠;《中国博士学位论文全文数据库》;20150115(第01期);全文 * |
《调强放射治疗计划的自动质量控制方法研究》;宋婷;《中国博士学位论文全文数据库》;20160315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110327554A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110327554B (zh) | 基于预测剂量分布引导的调强放疗计划优化方法及应用 | |
CN110124214B (zh) | 预测剂量分布引导的调强放疗计划优化***、介质及设备 | |
Breedveld et al. | Multi-criteria optimization and decision-making in radiotherapy | |
CN110211664B (zh) | 一种基于机器学习自动设计放射治疗方案的*** | |
US10328282B2 (en) | System and method for novel chance-constrained optimization in intensity-modulated proton therapy planning to account for range and patient setup uncertainties | |
Bodensteiner | RayStation: External beam treatment planning system | |
CN103282967B (zh) | 用于放射疗法的自动化治疗计划 | |
CN114364435A (zh) | 用于自动治疗计划和优化的***和方法 | |
US9511241B2 (en) | Irradiation planning for particle therapy | |
CN110415785A (zh) | 人工智能引导放疗计划的方法及*** | |
De Boeck et al. | Dose optimization in high-dose-rate brachytherapy: A literature review of quantitative models from 1990 to 2010 | |
US11291859B2 (en) | Radiation treatment planning for delivering high dose rates to spots in a target | |
Wala et al. | Maximizing dosimetric benefits of IMRT in the treatment of localized prostate cancer through multicriteria optimization planning | |
US11941544B2 (en) | Generating and applying robust dose prediction models | |
Lee et al. | Physical and radiobiological evaluation of radiotherapy treatment plan | |
CN115083567A (zh) | 基于规则的自动放射治疗计划获得方法及装置 | |
Schreibmann et al. | Dose–volume based ranking of incident beam direction and its utility in facilitating IMRT beam placement | |
Wang et al. | An integrated solution of deep reinforcement learning for automatic IMRT treatment planning in non-small-cell lung cancer | |
Zhang et al. | A two-stage sequential linear programming approach to IMRT dose optimization | |
CN113178242B (zh) | 一种基于耦合式生成对抗网络的自动计划优化*** | |
CN114588561A (zh) | 射野强度分布优化方法、装置及放射治疗设备 | |
Widesott et al. | Role of the parameters involved in the plan optimization based on the generalized equivalent uniform dose and radiobiological implications | |
Yan et al. | Evaluation of an artificial intelligence guided inverse planning system: clinical case study | |
Yan et al. | Intelligence-guided beam angle optimization in treatment planning of intensity-modulated radiation therapy | |
CN110289075A (zh) | 一种基于模糊熵的直接子野优化方法及*** |
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 |