CN113840632B - 用于放射疗法治疗计划的***、计算机程序产品和方法 - Google Patents
用于放射疗法治疗计划的***、计算机程序产品和方法 Download PDFInfo
- Publication number
- CN113840632B CN113840632B CN202080037011.0A CN202080037011A CN113840632B CN 113840632 B CN113840632 B CN 113840632B CN 202080037011 A CN202080037011 A CN 202080037011A CN 113840632 B CN113840632 B CN 113840632B
- Authority
- CN
- China
- Prior art keywords
- dose
- dose distribution
- function
- distribution
- optimization
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
可以通过以下方式获得用于治疗计划的多标准优化的更好的帕累托剂量分布:‑获得至少一个参考剂量函数,该函数被设计用以产生可接受的参考剂量分布,‑将包括至少一个参考剂量函数的多标准优化问题定义为至少一个优化函数,‑基于多标准优化问题执行至少两个优化程序以生成至少两个可能的治疗计划的集合,‑基于可能的治疗计划的集合,通过选择一个计划或通过合并计划,获得用于治疗患者的治疗计划。
Description
技术领域
本发明涉及放射疗法治疗计划,并且具体涉及包含多标准优化(MCO)的计划。
背景技术
在放射疗法治疗领域,关键的挑战是制定高质量的计划。不断寻求优化治疗计划的方法的改进,以确保对诸如肿瘤的目标体积产生预期效果,同时对健康组织造成尽可能少的损害,并且优选地对诸如心脏或脊髓的处于危险中的器官(OAR)不造成任何损害。
治疗计划优化的一种形式是多标准优化(MCO),它使临床医生能够通过导航界面探索不同的治疗方案。这种形式的优化基于包含优化函数集合的优化问题。每个优化函数都可以是目标函数或约束条件。基于优化函数获得许多可能的治疗计划。通过调整目标函数的值在计划之间线性导航,使用可能的计划可以实时实现多标准治疗计划。
可以针对不同类型的放射疗法执行包含MCO的放射疗法治疗计划,诸如基于光子、轻离子或电子的外束放射疗法或近距离放射疗法。使用逆向计划技术生成可能的计划需要针对每种特定的治疗技术进行定制,而导航原理适用于没有特定定制的治疗技术。
在MCO中,包含至少两个目标函数的优化问题用于生成与特定患者病例相关的多个可能的治疗计划。可以选择其中一种计划作为最合适的一种。或者,已知在多个这样的可能治疗计划的剂量分布之间导航以选择可用于生成可递送治疗计划的导航剂量分布。
为此,一些治疗计划***具有显示多个滑动条的用户界面,以使操作员能够在不同剂量分布之间导航以选择剂量分布的组合。在某些情况下,可以选择一种有利的剂量分布。导航优选地在围绕初始剂量分布的某个有限的剂量分布范围内进行。
根据MCO,在优化问题中使用的至少两个目标函数在某种程度上是不兼容的,因为一个目标的改进需要一个或多个其它目标的恶化。帕累托表面由帕累托最优治疗计划构成,即可行的计划使得没有目标能够在至少一个目标恶化的情况下改进。可行的定义由MCO问题的约束条件决定。因此,导航旨在识别在不同目标函数的实现之间呈现最佳折衷的剂量分布。欧洲专利申请EP18177329A1更详细地讨论了帕累托优化的原理。
MCO中使用的目标函数和约束条件基于治疗计划的质量度量。目标函数测量参数与期望值的偏差,通常与剂量分布有关,例如,就特定器官的最小或最大剂量而言。约束条件包括质量度量和相关联的可行值集合。用作目标函数和约束条件的质量度量应具有使其适合优化的数学特性,诸如连续性和可微性。用作目标函数和约束条件的质量度量通常是对结构的实际体素剂量与参考剂量水平之间的偏差的惩罚,诸如二次惩罚。
已经研发出允许操作员调整每个目标函数的期望值的用户界面。为每个目标函数提供一个滑动条,操作员可以操纵滑动条。通过将所需目标函数值作为输入的导航算法,将滑动条移动转换为剂量分布的权重变化。为了便于导航,可以应用夹具来限制滑动条移动的可能范围。在最简单的实施例中,夹具用作与滑动条相关联的目标函数值的上限。
由于放射疗法治疗计划具有相关的剂量分布,因此定义帕累托表面的近似值的可能治疗计划的剂量分布在本文档中将被称为帕累托剂量分布。当帕累托表面已经被定义或被取近似值时,实际的剂量计划可以通过帕累托剂量分布的线性内插来执行,以产生导航的剂量分布。
高效的MCO需要良好的输入数据,包括明确定义的优化问题和输入治疗计划,这将确保获得令人满意的结果。提供在临床相关的治疗计划之间进行导航的治疗计划是一项挑战,也就是说,这将产生供递送到患者的可接受的剂量分布。反过来,这将能够在使用有限数量的治疗计划的情况下实现令人满意的结果,从而提高导航效率。
US2017/0072221公开了使用客观识别模块生成帕累托表面,该模块创建MCO目标函数或约束条件,其从包含先前治疗计划的知识库生成的多个样本计划的质量。
发明内容
本发明的目的是提供一种改进的方式来为给定的患者病例提供可能的治疗计划的合集,这些治疗计划可以原样使用或用作MCO导航的输入计划。
本发明涉及一种生成放射疗法治疗计划的方法,一种为待治疗的患者体积生成放射疗法治疗计划的方法,该方法包括在计算机中执行的以下步骤:
-获得被设计用以产生参考剂量分布的至少一个参考剂量函数,所述参考剂量分布是对于体积可接受的剂量分布,所述参考剂量函数被设计用以最小化最终剂量分布和参考剂量分布之间的差异,
-将包括至少一个参考剂量函数的多标准优化问题定义为至少一个优化函数,
-基于多标准优化问题执行至少两个优化程序以生成至少两个可能的治疗计划的集合,
-基于可能的治疗计划的集合获得用于治疗患者的治疗计划。
该方法确保治疗计划基于临床上可接受的用于向患者递送的一个或多个参考剂量分布。这使得能够生成可能的治疗计划集合,这些计划在临床上是相关的并且可以具有足够高的质量以便在没有任何进一步调整的情况下用于患者的治疗。它还有助于进一步调整计划之间的MCO导航,因为在它们都被保证在合适的剂量分布范围内的意义上,MCO导航中使用的可能剂量分布在临床上是相关的。
根据本发明的优选实施例,提供了输入剂量分布,该输入剂量分布被认为是用于被辐射体积的合适的剂量分布。输入剂量分布优选地是临床可递送的剂量分布,例如,从要治疗的患者的现有治疗计划中获得。输入剂量分布也可以是例如从剂量预测算法获得的估计剂量分布。临床可递送意味着治疗递送***在技术上能够递送剂量分布。
在优选实施例中,对应于参考剂量分布的参考剂量函数可以以下列方式产生:围绕输入剂量分布定义置信区间,限制参考剂量分布与输入剂量分布的可能偏差。在置信区间内定义一个或多个参考剂量分布,并且为每个参考剂量分布定义参考剂量函数。优选地,生成多个参考函数,每个参考函数都基于参考剂量分布,其中这些参考剂量分布彼此不同。每个参考剂量函数都可以被公式化为惩罚最终剂量分布和给定参考剂量分布之间的差异的目标函数,或者作为约束条件。参考剂量函数被包含在优化问题中。优化问题可以仅包括与参考剂量分布相关的参考剂量函数,但通常包括一个或多个其它优化函数。
使用定义的参考剂量函数意味着可以考虑整个空间剂量分布,从而可以更真实地测量最终剂量分布与输入剂量分布的偏差。与根据标准优化函数的函数值测量偏差相比,在生成替代计划时,输入剂量分布的质量由此得到更好的保持。特别地,可以考虑使用标准优化函数无法测量的剂量形状偏好。
其它目标函数,即与参考剂量分布无关的目标函数,可能与临床目标相关,从模板创建,或手动选择。例如,他们可能开处方降低提供给处于危险中的器官的剂量,提高所有目标的覆盖范围和均匀性,或提高剂量与目标的一致性。
优选为帕累托最优的计划的集合是通过基于MCO问题的优化过程的迭代而生成的。存在几种众所周知的技术来生成帕累托表面表征,诸如加权和法或ε约束法。因此,可以执行优化程序以生成帕累托最优可能的治疗计划的集合,并且获得治疗计划的步骤包括在对应于至少两个可能的治疗计划的剂量分布之间导航并且基于导航的结果生成计划。
该计划的集合用于选择或生成放射疗法治疗计划。这可能涉及将该计划的集合呈现为离散的备选方案,然后选择其中一个计划,或使用该计划的集合作为MCO导航的输入以进行微调。在后一种情况下,获得治疗计划的步骤包括在对应于至少两个可能的治疗计划的剂量分布之间导航并且基于导航的结果生成计划。在这种情况下的剂量分布优选是如上定义的帕累托剂量分布。在一些实施例中,存在评估该计划的集合中每个计划的质量以决定是否可以原样使用其中一个计划或者是否应该执行MCO导航的步骤。根据评估结果,决定是选择可能的治疗计划之一作为待使用的计划,还是通过在对应于至少两个可能的治疗计划的剂量分布之间导航并且基于导航的结果生成计划来获得治疗计划。
根据本发明的方法可以用于治疗计划的微调,这对于自动生成的治疗计划可能特别有用。
如果计划的集合用作MCO导航的输入,则可以通过在对应于帕累托最优治疗计划的参考剂量分布之间进行微调来获得待使用的最终治疗计划。
本发明的方法不依赖于用于治疗递送的硬件。因此,该方法对于多标准优化适用的任何治疗技术同样有效,例如外束光子疗法、电子疗法、离子束疗法和近距离放射疗法。
本发明还涉及一种优选地在非暂时性存储装置上包括计算机可读代码装置的计算机程序产品,当在计算机***的处理器中运行时,该计算机可读代码装置将导致计算机***执行根据前述权利要求中的任一项所述的方法。本发明还涉及一种计算机***,该计算机***包括处理器和程序存储器,所述程序存储器包括这样的计算机程序。
附图说明
下面将通过示例并参考附图更详细地描述本发明,在附图中:
图1示出了输入剂量分布、置信区间和参考剂量函数之间的关系。
图2示出了二维帕累托表面。
图3是根据本发明的方法的流程图。
图4示出了对置信区间内概率的使用。
图5示出了其中可以实现该发明的方法计算机***。
具体实施方式
图1是一个二维坐标系,其示出了作为沿x轴的位置的函数的剂量分布。应当理解,图1仅仅是输入剂量分布和指定置信度量的方式的简化示例,提供用于说明目的。通常,剂量分布将是三维的。第一实线11示出了输入剂量分布。输入剂量分布应该是实际的剂量分布,即实际可以实现的剂量分布,这与通常用于计划的理想剂量分布形成对比,理想剂量分布涉及提供给患者的每个区域的理想剂量,但远非在现实中可能实现的任何剂量。例如,输入剂量分布可以是现有治疗计划的最终剂量、输入的剂量分布、来自用于自动计划的剂量预测算法的估计剂量分布、或先前治疗的患者的剂量。
置信量度应该优选地根据患者体积的每个体素的可行偏差的区间来定义。在图1中,在实线的每侧上各有一条虚线13、15,这些虚线划定了输入剂量分布周围的置信区间,该区间指定了允许与输入剂量分布有多大偏差,即参考剂量分布的可接受值。可以看出,置信区间在沿x轴的不同位置处可以具有不同的宽度。这对应于置信区间窄——即给定位置的虚线之间的距离,在图1中是x的给定值,很窄——的区域中的高精度。在自动计划的情况下,置信区间的置信度量可以作为剂量预测的副产品而获得。例如,如果剂量预测是通过决策树森林的多数投票创建的,则置信度量可能基于在各个树上观察到的可变性。如果剂量预测基于神经网络,则可以通过向网络引入扰动(例如,随机断开节点之间的链接)并且分析预测中产生的可变性来估计预测中的不确定性。或者,置信区间可以由手动用户指定。
根据本发明的实施例,在置信区间内定义了一个或多个参考剂量分布。一种合适的可能参考剂量分布是正好遵循较下方的虚线13的参考剂量分布,其对应于置信区间内的最低剂量,即最低可能的剂量分布。这种参考剂量分布可以用于生成参考剂量函数,用作风险器官(OAR)的目标函数,这是因为对于OAR来说,较低的剂量总是优选的。类似地,对应于置信区间内的最高剂量的参考剂量分布可以用于生成OAR的约束条件,该约束条件因此对应于OAR的最小可接受备用水平。目标结构的目标和约束条件可以类似的方式通过在置信区间内选择参考剂量分布来定义,这将限制与处方剂量水平的偏差或将参考剂量分布推向理想化的目标剂量,或这些的组合。例如,可以选择尽可能接近目标的处方剂量水平或尽可能远离处方剂量水平的参考剂量分布。参考剂量分布也可以与输入剂量分布11一致。可以自由地选择参考剂量分布的总数,例如可以定义10个参考剂量分布。
每个参考剂量分布用于制定参考剂量函数,该函数是一个目标函数,或为实现该参考剂量分布而设计的约束条件。因此,参考剂量函数测量最终剂量分布与参考剂量分布的接近度,该参考剂量分布与参考剂量函数相关联。参考剂量函数可以测量最终剂量分布与每体素水平上的体素上的参考剂量分布之间的差异。类似地,可以通过测量体素簇之间的差异来定义不太保守的参考剂量函数。例如,可以基于与患者体积中的点的接近度或基于与目标体积的接近度来定义体素簇。然后可以比较这些簇的平均剂量。还可以基于根据输入剂量分布接收相似剂量的体素来形成簇。参考剂量函数还可以基于剂量分布之间的其它空间相似性度量,诸如用于治疗计划质量保证的伽马函数,或像素化图像之间的其它相似性度量。
通常,参考剂量函数被限制为仅作用于与给定感兴趣区域(ROI)相关联的体素集合。参考剂量函数也可以是定义为多个成分参考剂量函数的加权和的复合函数。应该注意的是,参考剂量函数测量整个空间剂量分布的接近度,而不是标准优化函数,标准优化函数测量点特征的相似性,诸如剂量体积直方图(DVH)点或平均剂量值。
图2示出了目标函数的简化集合的多标准优化原理。在MCO中,多标准优化问题是根据目标函数集合和约束条件集合来定义的。如上文所解释的,根据本发明,至少一个目标函数和/或至少一个约束条件是如上定义的参考剂量函数。
这在图2中分别使用两个目标函数f1和f2(都将被最小化)来示出,以实现二维显示。在实际情况下,目标函数的数量可以通常在10个左右,这将需要多维空间。椭圆包围的区域表示目标函数向量,这些向量对应于约束条件下可行的解。
粗实线的曲面指示对应于定义两个目标函数f1和f2的可实现组合的帕累托最优解的目标函数值的向量。该曲面在多标准优化中称为帕累托表面。在一般情况下,帕累托表面将是N维空间中的表面,其中N是目标函数的数量。可以看出,在帕累托表面上的任何点,一个目标函数的改进将导致另一目标函数的恶化。目标函数的任何选择组合都将是基于所需结果的权衡。
该***包括多个帕累托剂量分布,每个分布将导致帕累托表面上的点。在该示例中,有五个帕累托剂量分布,每个分布在帕累托表面上都有对应的点A、B、C、D、E。对于A点,第二目标函数f2具有高值,而第一目标函数f1具有低值,这是更可取的。与点A相比,对于点E,第一目标函数f1具有高且较差的值,而第二目标函数f2具有低且较好的值。对于中间点B、C、D,两个目标函数的值分别为在最外面的点A和E之间的值。图2还示出了点x,该点通过生成点D和点E这两个点的剂量分布的加权和在点D和点E之间内插。
多标准优化的本质是找到闭合曲线上或阴影区域内的点,换句话说,所有帕累托剂量分布的加权和,这将为患者带来最可能的临床结果。由于在选择导航剂量分布的时间点确切结果未知,因此最优选计划的选择是代表临床医生的部分主观选择。这可能是帕累托表面上的点,也可能是所有可行解定义的区域内的点,后者由区域内的点y指示。
图3是参考结合图1讨论的概念根据本发明实施例的方法的流程图。该方法的输入数据是输入剂量分布131和输入剂量分布周围的置信区间132。输入剂量分布和置信区间如结合图1所讨论的,并且可以以任何合适的方式一起或依次获得。
在步骤S31中,例如通过在置信区间内采样来获得一个或多个参考剂量分布。如结合图1所讨论的,参考剂量分布是置信区间内可能的剂量分布。在步骤S32中,为在步骤S31中获得的每个参考剂量分布定义参考剂量函数。如将理解的,可以以任何合适的方式获得将在以下步骤中使用的参考剂量函数集合,只要每个参考剂量函数导致已经发现在可接受限度内的剂量分布即可。
步骤S33是可选步骤,其中在可以选择不同的参考剂量分布并且可以为这个新选择的剂量分布生成参考剂量函数的意义上,可以调整参考剂量函数。调整的示例是参考值的偏移,诸如参考剂量的偏移或约束条件的调整,使得在某个正上限内的参考剂量函数值被认为是可行的。偏移的幅度可以基于用户输入或由剂量预测算法计算的预测准确度,从而在剂量预测不确定的区域中允许更大的偏移。区域可以是空间的,即包括彼此靠近定位的体素,或者是基于剂量的,即包括分配给它们的相似剂量的体素。
在步骤S34中,定义MCO问题。如上所述,MCO问题是包括至少两个目标函数和约束条件集合的优化问题,这些约束条件可能是空的。在这种情况下,MCO问题包括在步骤S32中作为目标函数或约束条件获得的一个或多个参考剂量函数,以及可能的其它目标函数和约束条件。MCO问题还可以包括每个参考剂量函数的信息,这些信息与相关联的参考剂量分布偏离输入剂量分布的程度有关。
在数学上,如引言中所述的那样定义MCO问题,即,
最小[f1(x),f2(x),...,fN(x)]T
受约束于X中的x
其中可行集合X由多个约束函数ci根据下式定义,
X={x:ci(x)≤0},i=1,...,m.
向量x是优化中使用的优化变量向量,其中生成了形成帕累托表面的表征的预计算计划。请注意,将约束条件的右侧定义为零是不失一般性的。
单个治疗计划的优化针对MCO问题的标量化对应物例如根据以下加权和公式执行:
最小∑i=1,...,N wifi(x)
受约束于X中的x
权重wi可以在每次优化之间变化,以从帕累托表面的不同部分生成计划。众所周知,也可以使用除加权和方法之外的其它标量化技术,例如ε约束法。
在步骤S35中,通过基于在步骤S33中定义的MCO问题的优化来生成可能的治疗计划的集合。优选地,关于MCO问题,可能的治疗计划是帕累托最优的。有几种众所周知的技术可用于生成帕累托表面表征,诸如加权和法或ε约束法。这是迭代过程,其涉及多次运行优化过程,在每次迭代中生成可能的治疗计划。
可能的治疗计划的集合用于确定治疗计划。在最简单的情况下,选择可能的治疗计划中的一个。图3示出了决策步骤S36,以确定可能的治疗计划中的一个是否足够好以无需修改即可使用。如果是,转到步骤S37;如果否,则转到步骤S38。
在步骤S37中,选择一种被认为足够好的可能的治疗计划以在治疗患者时使用。相反,在步骤S38中,可能的治疗计划的集合用于生成改进的治疗计划。这通常通过在一些或所有可能的治疗计划之间的MCO导航来完成,如结合图2所讨论的。默认情况下可以直接进入步骤S37或步骤S38,而无需决策步骤S36。
参考剂量分布优选地是优化中的固定参数。如果将置信度量指定为每个体素的置信区间,则可以从置信区间上的可能偏差分布中对参考分布进行采样。如果使用多个参考剂量函数,则每个参考剂量函数可能具有不同的参考剂量分布。
优化变量x取决于放射治疗方法的类型。光子疗法技术的标准优化变量是每条射束的每双像素的能量注量,双像素被定义为射束横截面中的表面元素,或多叶准直器叶片位置和每个射束的每一段的监测单元(MU)的数量。扫描离子疗法的标准优化变量是每个射束的每个扫描点的MU的数量。在前面的讨论中,置信区间被视为围绕输入剂量的均匀区间,没有任何关于跨区间发现剂量概率的规范。如图4所示,还可以考虑每个体素不同剂量的不同概率。
图4是坐标系,其将特定体素i中的剂量达到特定值di的概率密度p显示为曲线17,该体素是治疗体积内的体积元素。置信区间的上限和下限被标记在x轴上,并且用虚线13和15表示。根据定义,曲面17在界限13、15之间的积分等于1。通过根据每个体素的相应剂量的概率选择参考剂量分布,可以在本发明方法中考虑这种概率分布。
图5是可以在其中执行本发明方法的计算机***的示意图。计算机31包括处理器33,该处理器33连接到第一和第二数据存储器34、35和程序存储器36。优选地,还存在形式为键盘、鼠标、操纵杆、语音识别装置或任何其它可用的用户输入装置的一个或多个用户输入装置38、39。用户输入装置还可以被布置为从外部存储单元接收数据。
第一数据存储器34包括用于执行该方法的必要数据以及适用的阈值和限制。第二数据存储器35保存与要为其制定治疗计划的一个或多个当前患者相关的数据。程序存储器36保存计算机程序,该计算机程序被布置为使计算机执行例如如结合图3所讨论的方法步骤。
可以理解,示意性地示出并讨论了数据存储器34、35以及程序存储器36。可能有几个数据存储器单元,每个单元保存一种或多种不同类型的数据,或者一个数据存储器以适当结构化的方式保存所有数据,程序存储器也是如此。
Claims (15)
1.一种生成用于待治疗的患者的体积的放射疗法治疗计划的方法,包括在计算机中执行的以下步骤:
-获得被设计用以产生参考剂量分布的至少一个参考剂量函数,所述参考剂量分布是对于所述体积能够接受的剂量分布,所述参考剂量函数被设计用以最小化最终剂量分布和所述参考剂量分布之间的差异,
-将包括所述至少一个参考剂量函数的多标准优化问题定义为至少一个优化函数,
-基于所述多标准优化问题执行至少两个优化程序以生成至少两个可能的治疗计划的集合,
-基于可能的治疗计划的所述集合,获得用于治疗所述患者的治疗计划。
2.根据权利要求1所述的方法,其中,生成对应于参考剂量分布的每个参考剂量函数的步骤包括:
-提供指示对于所述体积能够接受的剂量分布范围的置信区间,
-生成参考剂量分布,所述参考剂量分布在所述置信区间内,以及
-基于所述参考剂量分布生成所述参考剂量函数。
3.根据权利要求2所述的方法,其中,提供所述置信区间的步骤包括以下步骤:提供输入剂量分布,并且将所述输入剂量分布周围的区间定义为所述置信区间。
4.根据权利要求3所述的方法,其中,所述输入剂量分布是能够临床递送的剂量分布的剂量分布。
5.根据权利要求4所述的方法,其中,所述输入剂量分布是从所述待治疗的患者的现有治疗计划中获得的能够临床递送的剂量分布的剂量分布。
6.根据权利要求3所述的方法,其中,所述输入剂量分布是估计剂量分布。
7.根据权利要求6所述的方法,其中,所述输入剂量分布是从剂量预测算法获得的估计剂量分布。
8.根据权利要求1至7中的任一项所述的方法,其中,获得治疗计划的所述步骤包括选择所述可能的治疗计划中的一个作为待使用的治疗计划。
9.根据权利要求1至7中的任一项所述的方法,其中,获得治疗计划的所述步骤包括在对应于至少两个可能的治疗计划的剂量分布之间导航并且基于所述导航的结果生成计划。
10.根据权利要求8所述的方法,进一步包括以下步骤:评估所述可能的治疗计划中的至少一个的质量,并且根据所述评估的结果选择所述可能的治疗计划中的一个作为所述待使用的治疗计划,或通过在对应于至少两个可能的治疗计划的剂量分布之间导航并且基于所述导航的结果生成计划来获得治疗计划。
11.根据权利要求1至7中的任一项所述的方法,其中,执行所述优化程序以便生成帕累托最优可能治疗计划的集合,并且获得治疗计划的所述步骤包括在对应于至少两个可能的治疗计划的剂量分布之间导航并且基于所述导航的结果生成计划。
12.根据权利要求1至7中的任一项所述的方法,其中,所述至少一个优化函数表示目标函数。
13.根据权利要求1至7中的任一项所述的方法,其中,所述至少一个优化函数表示约束条件。
14.根据权利要求1至7中的任一项所述的方法,其中,分别基于第一参考剂量分布和第二参考剂量分布生成至少第一参考函数和第二参考函数。
15.一种包括处理器(33)和程序存储器(36)的计算机***(31),所述程序存储器包括计算机程序,当在所述计算机***的所述处理器中运行时,所述计算机程序将使所述计算机***执行根据权利要求1-14中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19175437.3A EP3741430B1 (en) | 2019-05-20 | 2019-05-20 | System, computer program product and method for radiation therapy treatment planning |
EP19175437.3 | 2019-05-20 | ||
PCT/EP2020/063113 WO2020234032A1 (en) | 2019-05-20 | 2020-05-12 | System, computer program product and method for radiation therapy treatment planning |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113840632A CN113840632A (zh) | 2021-12-24 |
CN113840632B true CN113840632B (zh) | 2023-01-17 |
Family
ID=66625110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080037011.0A Active CN113840632B (zh) | 2019-05-20 | 2020-05-12 | 用于放射疗法治疗计划的***、计算机程序产品和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11607560B2 (zh) |
EP (1) | EP3741430B1 (zh) |
JP (1) | JP7128369B2 (zh) |
CN (1) | CN113840632B (zh) |
WO (1) | WO2020234032A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115089896A (zh) * | 2022-06-30 | 2022-09-23 | 上海联影医疗科技股份有限公司 | 一种剂量预测方法及*** |
US20240207643A1 (en) * | 2022-12-21 | 2024-06-27 | Siemens Healthineers International Ag | Systems and methods for generating plan quality scores to optimize radiotherapy treatment planning |
CN116153465B (zh) * | 2023-04-24 | 2023-07-21 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于参考dvh的放疗计划生成装置、电子设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8654923B2 (en) * | 2008-05-04 | 2014-02-18 | Stc.Unm | System and methods for using a dynamic scheme for radiosurgery |
US20130085343A1 (en) * | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
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 |
US10384080B2 (en) * | 2013-12-20 | 2019-08-20 | Raysearch Laboratories Ab | Incremental treatment planning |
WO2015090457A1 (en) * | 2013-12-20 | 2015-06-25 | Raysearch Laboratories Ab | Selection of radiotherapy treatment plans |
US20180043182A1 (en) | 2015-03-06 | 2018-02-15 | Duke University | Systems and methods for automated radiation treatment planning with decision support |
US11565126B2 (en) | 2015-09-11 | 2023-01-31 | Varian Medical Systems International Ag | Knowledge based multi-criteria optimization for radiotherapy treatment planning |
EP3228356B1 (en) * | 2016-04-07 | 2018-03-14 | RaySearch Laboratories AB | Method, computer program and system for optimizing a radiotherapy treatment plan |
CN115554619A (zh) * | 2016-04-13 | 2023-01-03 | 皇家飞利浦有限公司 | 辐射治疗交互式规划 |
EP3581241B1 (en) | 2018-06-12 | 2022-09-28 | RaySearch Laboratories AB | A method, a user interface, a computer program product and a computer system for optimizing a radiation therapy treatment plan |
-
2019
- 2019-05-20 EP EP19175437.3A patent/EP3741430B1/en active Active
-
2020
- 2020-05-12 WO PCT/EP2020/063113 patent/WO2020234032A1/en active Application Filing
- 2020-05-12 CN CN202080037011.0A patent/CN113840632B/zh active Active
- 2020-05-12 JP JP2021569003A patent/JP7128369B2/ja active Active
- 2020-05-12 US US17/612,666 patent/US11607560B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11607560B2 (en) | 2023-03-21 |
JP7128369B2 (ja) | 2022-08-30 |
EP3741430B1 (en) | 2022-08-03 |
US20220241611A1 (en) | 2022-08-04 |
WO2020234032A1 (en) | 2020-11-26 |
JP2022524239A (ja) | 2022-04-28 |
CN113840632A (zh) | 2021-12-24 |
EP3741430A1 (en) | 2020-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113840632B (zh) | 用于放射疗法治疗计划的***、计算机程序产品和方法 | |
EP3787744B1 (en) | Radiotherapy treatment plan modeling using generative adversarial networks | |
US12011613B2 (en) | Systems and methods for automatic treatment planning and optimization | |
EP3098741B1 (en) | Method for optimizing dose of radiation for radio-therapy treatment and radiation therapy system | |
US9507886B2 (en) | Multi-objective radiation therapy optimization method | |
US20230173303A1 (en) | Knowledge based multi-criteria optimization for radiotherapy treatment planning | |
CN112203722A (zh) | 用于优化放射疗法治疗计划的方法、用户界面、计算机程序产品和计算机*** | |
US20180165423A1 (en) | Methods and systems for radiotherapy treatment planning | |
US10076673B2 (en) | Interactive dose gradient based optimization technique to control IMRT delivery complexity | |
US10864382B2 (en) | System and method for radiation therapy treatment planning | |
US20180161596A1 (en) | Methods and systems for generating dose estimation models for radiotherapy treatment planning | |
Seibert et al. | A model for predicting lung cancer response to therapy | |
Zhang et al. | The minimum knowledge base for predicting organ-at-risk dose–volume levels and plan-related complications in IMRT planning | |
CN116569190B (zh) | 用于放疗治疗计划的剂量图预测的方法和计算机程序产品 | |
US11826560B2 (en) | Radiation therapy treatment planning | |
EP3892327B1 (en) | Radiation therapy treatment planning | |
Zarepisheh et al. | Advances in inverse planning algorithm and strategy | |
CN117883712A (zh) | 一种剂量预测方法及*** | |
WO2022008392A1 (en) | An artificial intelligence system to support adaptive radiotherapy | |
Babier et al. | Automated Radiation Therapy Treatment Planning using 3-D Generative Adversarial Networks |
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 |