使用深度卷积网络的放射疗法计划制造技术

可以训练深度卷积神经网络以提供患者放射治疗计划。训练可以包括：基于来自患者的患者解剖结构的至少一个图像来收集患者数据；从所收集的患者数据确定包括一组控制点的治疗计划；以及使用所确定的治疗计划和相应的收集的患者数据训练深层卷积神经网络以进行回归，以从所收集的患者数据中确定包括一组控制点的治疗计划。经训练的模型可以用于例如实时地提供放射治疗计划。

【技术实现步骤摘要】
【国外来华专利技术】使用深度卷积网络的放射疗法计划优先权要求本申请要求于2017年7月26日提交的美国申请序列号15,658,484的优先权的权益，其全部内容通过引用并入本文中。
本专利技术的实施方式一般地涉及确定放射疗法治疗系统中的机器参数。特别地，本专利技术涉及使用深度学习技术来确定放射疗法系统中的用于治疗计划的机器参数。
技术介绍
放射疗法或“放射治疗”可以用于治疗哺乳动物(例如，人和动物)组织中的癌症或其他疾病。一种这样的放射治疗技术是伽马刀，通过伽马刀，患者受到大量低强度伽马射线的辐照，其中伽马射线以高强度和高精度会聚在靶(例如，肿瘤)处。在另一实施方式中，使用线性加速器提供放射治疗，由此肿瘤受到高能粒子(例如，电子、质子、离子、高能光子等)的辐照。放射束的定位和剂量必须被精确地控制，以确保肿瘤接收处方的辐射，并且束的定位应当为使得对周围健康组织——通常被称为危及器官(OAR)——的损伤最小化。辐射被称为“处方的”，原因是医师给肿瘤和周围器官开了类似于药物处方的预定量的辐射。通常，准直束形式的电离辐射从外部辐射源朝向患者定向。可以使用指定的或可选择的束能量例如用于实施诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器(例如多叶准直器)提供。可以通过准直来调节放射束的强度和形状，以通过使投射的束与靶向组织的轮廓共形来避免损伤与靶向组织相邻的健康组织(例如，危及器官)。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)以及识别肿瘤附近的关键器官。治疗计划的创建可能是耗时的过程，在此过程中，计划者试图在将各种治疗目标或约束的各自的重要性(例如，权重)考虑在内的情况下遵从各种治疗目标或约束(例如，剂量体积直方图(DVH)、重叠体积直方图(OVH))，以产生临床上可接受的治疗计划。该任务可能是耗时的试错过程，该过程由各种危及器官(OAR)而复杂化，，原因是，随着OAR的数目的增加(例如，对于头颈部治疗高达13个OAR)，该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受辐射，而接近靶肿瘤或者与靶肿瘤重叠的OAR可能难以幸免。传统上，对于每个患者，可以以“离线”方式生成初始治疗计划。例如使用一种或更多种医学成像技术，可以在实施放射疗法之前很好地开发治疗计划。成像信息可以包括例如来自X射线、计算机断层扫描(CT)、核磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或超声的图像。医疗服务人员如医师可以使用指示患者解剖结构的三维成像信息来识别一个或更多个靶肿瘤以及肿瘤附近的危及器官。医疗服务人员可以使用手动技术来描绘要接收处方放射剂量的靶肿瘤，并且医疗服务人员可以类似地描绘存在受放射治疗损伤的风险的附近组织如器官。替选地或另外地，可以使用自动化工具(例如，由瑞典ElektaAB提供的ABAS)来辅助识别或描绘靶肿瘤和危及器官。然后可以基于临床和剂量测定的目标和约束(例如，对肿瘤体积的部分的最大、最小和部分放射剂量(“靶的95％应接受不少于100％的处方剂量”)，以及针对关键器官的类似措施)使用优化技术来创建放射疗法治疗计划。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)以及识别肿瘤附近的关键器官。创建治疗计划会是耗时的过程，其中，计划者试图在考虑到各项治疗目标或约束的各自重要性(例如，权重)的情况下遵从各项治疗目标或约束(例如，剂量体积直方图(DVH)目标)，以便产生临床上可接受的治疗计划。该任务可能是耗时的试错过程，该过程由各种危及器官(OAR)而复杂化，原因是，随着OAR的数目的增加(例如，对于头颈部治疗最高达13个OAR)，该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受辐射，而接近靶肿瘤或者与靶肿瘤重叠的OAR可能难以幸免。然后，可以通过将患者在治疗机器中定位并且实施处方的放射疗法来执行治疗计划。放射疗法治疗计划可以包括剂量“分级”，从而在预定时间段内提供一系列放射疗法实施(例如，45个部分)，其中每个疗法实施包括总处方剂量的指定部分。然而，在治疗期间，相对于治疗机器(例如，线性加速器——“linac”)的患者的位置以及靶肿瘤的位置非常重要，以确保靶肿瘤而非健康组织被辐照。
技术实现思路
强度调制放射治疗(IMRT)和体积调制电弧治疗(VMAT)已经成为现代癌症放射疗法中的护理标准。确定个体患者的IMRT或VMAT治疗计划可以包括试错过程，并且可以包括对靶剂量与危及器官(OAR)的取舍折衷进行权衡，以及对如下程序约束进行调节，该上述程序约束中，程序约束对计划质量指标和剂量分布的作用可能很难预测。可以调节计划约束的顺序可能会导致剂量差异。治疗计划的质量可以取决于剂量师的主观判断，而主观判断可以取决于剂量师的经验或技能水平。即使是最熟练的剂量师，也无法保证他们的计划接近最佳状态，或者不管是一点点的努力还是大量的努力将得到更好的计划。在某些方法中，可以使用计算密集算法来确定治疗计划，然而这样的方法可能需要数小时才能计算出治疗计划。计算方法可以包括比较新患者的一维靶-器官重叠测量(DVH，OVH)与以往患者的高质量计划相关联的重叠测量以找到与新患者的计划相似的计划，并且探索计划质量空间以确定剂量计划师然后可以选择用于放射疗法治疗的最佳计划系列，甚至确定帕累托最优计划系列。本专利技术的专利技术人已经尤其认识到如下治疗计划系统的需要，该治疗计划系统可以实时确定高质量治疗计划(例如，在患者工作流程期间提供治疗计划或更新的治疗计划)，例如以改进患者工作流程(例如，减少患者等待接受放射治疗的时间)并提供快速放射治疗疗法的重新计划(例如，可以基于患者的变化重新计算或更新治疗计划)。高质量的治疗计划可以是满足治疗计划处方的治疗计划，例如，以开处方医师预期的程度辐照靶，以及使OAR尽可能多地被避免或以治疗计划约束中指定的程度避免。治疗计划可以包括强度调制的放射疗法治疗计划或体积调制的电弧疗法治疗计划。这些约束通常被描述为剂量体积直方图(DVH)，其显示靶体积或靶OAR体积的每体积部分的累积剂量，以及如上所述的部分剂量与部分靶/OAR体积。本专利技术人还认识到，可以训练神经网络例如深度卷积神经网络以基于成像信息来确定用于放射疗法治疗计划的机器参数。神经网络可以学习用于常规诊断的治疗计划的特性，并且可以预测可能的治疗机器参数设置，例如以实施预期的剂量分布。机器参数可以包括机架角度、可以通过其将治疗性X射线束投射到靶的束孔径(例如，束截面形状)以及孔径强度。神经网络可以基于患者的图像以及靶和OAR描绘来估计驱动治疗机器的机器参数。神经网络可以包括在患者的解剖结构与治疗约束之间具有联系的模型以及可以实施预期的3D剂量分布的治疗机器参数设置。经训练的神经网络可以提供治疗计划过程的模型，该模型可以包括在计划创建过程中做出的许多主观决定，并且可以实现计划模板的产生以启动计划创建，提供计划质量的评估，为深度缺乏本地IMRT/VMAT专业知识的治疗诊所提供帮助，并且也许将来会提供全自动的治疗计划。在一个方面，本公开内容的特征可以在于一种用于训练深度卷积神经网络例如本文档来自技高网...

【技术保护点】
1.一种用于训练深度卷积神经网络以提供患者放射治疗计划的方法，所述方法包括：/n从一组患者收集患者数据，所述患者数据包括患者解剖结构的至少一个图像和先前的治疗计划，其中，所述治疗计划包括预定的机器参数；以及/n通过使用所述先前的治疗计划和相应的收集的患者数据训练深度卷积神经网络以进行回归，来确定新治疗计划。/n

【技术特征摘要】
【国外来华专利技术】20170725 US 15/658,4841.一种用于训练深度卷积神经网络以提供患者放射治疗计划的方法，所述方法包括：
从一组患者收集患者数据，所述患者数据包括患者解剖结构的至少一个图像和先前的治疗计划，其中，所述治疗计划包括预定的机器参数；以及
通过使用所述先前的治疗计划和相应的收集的患者数据训练深度卷积神经网络以进行回归，来确定新治疗计划。


2.根据权利要求1所述的方法，其中，所述新治疗计划包括预测的机器参数。


3.根据权利要求1所述的方法，还包括通过调节所述深度卷积神经网络的一个或多个参数以最小化成本函数来训练所述深度卷积神经网络，所述成本函数包括预定的机器参数集与预测的机器参数集之间的差。


4.根据权利要求1至3中任一项所述的方法，其中，所述预定的机器参数包括台架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。


5.根据权利要求2至4中任一项所述的方法，其中，所述预测的机器参数包括台架角度、多叶准直器叶片位置或放射疗法束强度中的至少一个。


6.根据权利要求1至5中任一项所述的方法，还包括：从一组患者中的每个患者收集包括至少一个有符号距离图的患者数据。


7.根据权利要求1至6中任一项所述的方法，其中，所述患者解剖结构的所述至少一个图像包括来自患者的计划CT图像、解剖结构标签图、确定目标距离如有符号距离图中的至少一个。


8.一种使用深度卷积神经网络来提供放射治疗计划的方法，所述方法包括：
取得先前对来自一组患者的患者数据进行训练的经训练的深度卷积神经网络；
收集新的患者数据，其中，所述新的患者数据包括患者解剖结构的至少一个图像；以及
通过使用所述经训练的深度卷积神经网络进行回归，确定所述新的患者的新治疗计划，其中，所述新治疗计划具有新的机器参数集。


9.根据权利要求8所述的方法，其中，所述经训练的深度卷积神经网络可以提供包括所述机器参数集的新治疗计划，其中，所述机器参数集包括台架角度、多叶准直器叶片位置、或放射疗法束强度中的至少一个。


10.根据权利要求8或9中任一项所述的方法，其中，所述新治疗计划实时创建。


11.根据权利要求9所述的方法，其中，所述新治疗计划在放射疗法治疗期间实时创建。


12.一种放射疗法治疗系统，包括：
图像采集装置，所述图像采集装置收集包括患者解剖结构的至少一个图像的患者数据；
放射疗法装置，所述放射疗法装置对患者实施放射疗法；
非暂态机器可读介质，所述非暂态机器可读介质存储经训练的深度卷积神经网络和放射疗法的治疗计划；
处理器，所述处理器通过使用经训练的深度卷积...

【专利技术属性】
技术研发人员：林登·斯坦利·希巴德，
申请(专利权)人：医科达有限公司，
类型：发明
国别省市：美国;US