使用深度卷积神经网络确定束模型参数制造技术

系统和方法可以包括训练深度卷积神经网络模型来提供放射机器的束模型例如以将放射治疗剂量实施至对象。一种方法可以包括：确定与放射机器对应的束模型的至少一个参数的参数值的范围；生成多组束模型参数值，其中，相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值；提供分别与多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布；以及使用多个束模型和相应剂量分布来训练神经网络模型。

【技术实现步骤摘要】
【国外来华专利技术】使用深度卷积神经网络确定束模型参数优先权本国际申请要求于2017年12月8日提交的美国申请序列号15/836,539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机器的束模型的参数。特别地，本专利技术涉及使用深度学习技术来确定放射机器的束模型参数。
技术实现思路
放射治疗用于治疗哺乳动物(例如人和动物)组织中的癌症和其他疾病。提供了使用线性加速器(LINAC)的示例性放射治疗，由此通过高能粒子(例如，电子、光子、离子等)照射靶(例如肿瘤)。在典型的基于LINAC的放射治疗中，多个放射束从不同角度朝向靶定向。周围的正常组织通常称为危及器官(OAR)。为了防止OAR受到由放射束造成的严重附带损害，应将这些OAR接收的剂量限制在一定水平。在治疗计划期间需要满足对OAR接收的剂量的这种限制(通常称为约束)。治疗计划是一个过程，涉及确定特定的放射治疗参数(例如，放射束角度、每个角度的放射强度水平等)，以在约束条件下实现治疗目标。治疗计划活动的结果是放射治疗计划，以下也称为治疗计划或简称为计划。典型的治疗计划过程包括：根据患者的医学图像描绘一个或更多个靶以及一个或更多个OAR；指定放射束角度或在弧计划的情况下指定角度范围；以及确定孔径形状和每个形状在各个束角度下的放射强度水平。治疗计划包括束模型，束模型可以包括尤其描述从放射机器(例如，LINAC)发射的放射的能量分布的参数。放射模型之间的束模型参数值在放射机器之间可能会有所不同，即使是同一型号的放射机器也是如此，在每个放射机器中可能会有小差异，例如放射机器提供的注量或能量方面。放射机器之间的机械差异(例如，机械尺寸或材料性能)或部件值(例如，电子电路部件值)的差异可能导致不同放射机器之间的束模型参数值的差异。在某些方法中，在安装放射机器并执行最终调整后，客户可以使用模拟患者组织的体模来执行测量。体模可以包括一箱水，在这箱水内部具有可移动的剂量计。然后束建模器可以使用测量来执行束建模，以确定与该测量对应的放射机器的束模型参数值。然而，由束建模器执行的束建模可能很耗时。束建模可以包括迭代过程，该迭代过程包括许多剂量计算(例如，大约50至100次剂量计算)，每次可能花费大约十分钟。专利技术人尤其已经认识到，可以通过使用机器学习(例如，神经网络模型)极大地改善波束建模过程，例如减少束建模所需的时间。然而，例如由于在剂量分布的测量期间引入的误差，使用与现有的放射机器对应的数据集可能是不期望的。专利技术人尤其已经认识到，合成数据集可以提供无测量误差的训练数据，例如可以在剂量分布(例如，百分深度剂量分布或径向剂量分布)的测量过程中引入的训练数据。另外，专利技术人已经认识到，与现有放射机器对应的许多数据集可能不足以用于机器学习以期望的精度产生束模型参数。专利技术人已经认识到，另外可以合成数据集并将其用于补偿数据集的短缺，例如由有限数量的具有已知的束模型参数值的放射机器引起的数据集的短缺。通过减少束建模所花费的时间(例如通过使用机器学习)，可以更快地调试放射机器，从而可以改善患者的工作流程并改善患者的治疗效果。以上概述旨在提供本专利申请的主题的概述。并不旨在提供本专利技术的排他性或详尽的解释。详细描述被包括以提供关于本专利申请的更多信息。在一方面，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模型来提供放射机器的束模型以将放射治疗剂量实施至对象的计算机实现的方法。该方法可以包括确定与放射机器对应的束模型的至少一个参数的参数值的范围。该方法还可以包括生成多组束模型参数值，其中，相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值。该方法还可以包括提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布。该方法还可以包括使用多个束模型和相应剂量分布来训练神经网络模型。该方法还可以包括使用至少一组束模型参数值和先前从至少一个放射机器收集的相应测量剂量分布来训练神经网络模型。确定至少一个束模型参数的束模型参数值的范围可以包括确定多个放射机器中的每一个的束模型参数值。该方法还可以包括测量多个放射机器中的每一个的至少一个剂量分布。训练神经网络模型可以包括将N组所生成的束模型参数值和相应剂量分布提供至神经网络模型。训练神经网络模型还可以包括将来自M个放射机器的剂量分布和相应的束模型参数提供至神经网络模型。该方法还可以包括从所确定的范围的束模型参数值中随机或伪随机地选择束模型参数值，例如用于生成束模型参数值的组中的至少一个。可以使用多个剂量分布来生成各组束模型参数值，其中，多个相应剂量分布中的各个剂量分布可以包括可以随着进入靶样本的深度而变化的相对放射剂量。确定束模型的至少一个参数的束模型参数值的范围可以包括确定与从放射机器的放射源发射的光子的能量分布有关的多个束模型参数值。束模型参数可以包括放射源的大小、放射源的位置或放射源的能谱中的至少一个。确定束模型的至少一个参数的束模型参数值的范围可以包括确定与从放射机器的放射源发射的电子的能量分布有关的多个束模型参数值。在一方面，本公开内容的特征可以在于一种使用深度卷积神经网络来确定放射机器的束模型的至少一个参数值的计算机实现的方法。该方法可以包括接收先前使用多组束模型参数值和相应剂量分布训练的训练神经网络模型，训练神经网络模型被训练以用于根据一个或更多个测量放射机器剂量分布预测至少一个放射机器束模型参数值。该方法还可以包括测量放射机器的多个剂量分布以例如将其作为输入提供至训练神经网络模型。该方法还可以包括使用训练神经网络模型来确定放射机器的一组束模型参数值中的至少一个束模型参数值。该方法还可以包括根据可以包括所确定的至少一个束模型参数值的一组束模型参数值计算剂量分布，以及将所计算的剂量分布与所测量的剂量分布进行比较。所述一组束模型参数值可以包括至少一个没有使用经训练的神经网络模型确定的束模型参数值。该方法还可以包括：如果来自放射机器的测量剂量分布与所确定的剂量分布之间的差满足指定标准，则更新由神经网络模型确定的至少一个束模型参数值。该方法还可以包括使用可以包括由神经网络模型确定的至少一个束模型参数值的一组束模型参数值来确定多个剂量分布，其中所述多个剂量分布中的相应剂量分布可以对应于放射机器的不同的场大小。该方法还可以包括将多个确定的剂量分布中的每一个与多个测量剂量分布中的相应一个测量剂量分布进行比较。接收先前使用多组束模型参数值和相应剂量分布训练的神经网络可以包括接收根据方法预先训练的训练神经网络，该方法包括：确定与放射机器对应的束模型的至少一个参数的束模型参数值的范围；生成多组束模型参数值，其中相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值；提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布；以及使用所述多组束模型参数值和相应剂量分布来训练神经网络。该方法还可以包括使用具有所确定的至少一个束模型参数值的一组波束模型参数值来估计从放射机器到患者体内的靶区域的放射剂量。在一方面，本公开内容的特征可以在本文档来自技高网...

【技术保护点】
1.一种用于训练深度卷积神经网络模型来提供放射机器的束模型以将放射治疗剂量实施至对象的计算机实现的方法，所述方法包括：/n确定与所述放射机器对应的束模型的至少一个参数的参数值的范围；/n生成多组束模型参数值，其中，相应的一组或更多组束模型参数值包括从所确定的范围的参数值中选择的参数值；/n提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布；以及/n使用所述多个束模型和所述相应剂量分布来训练所述神经网络模型。/n

【技术特征摘要】
【国外来华专利技术】20171208 US 15/836,5391.一种用于训练深度卷积神经网络模型来提供放射机器的束模型以将放射治疗剂量实施至对象的计算机实现的方法，所述方法包括：
确定与所述放射机器对应的束模型的至少一个参数的参数值的范围；
生成多组束模型参数值，其中，相应的一组或更多组束模型参数值包括从所确定的范围的参数值中选择的参数值；
提供分别与所述多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布；以及
使用所述多个束模型和所述相应剂量分布来训练所述神经网络模型。


2.根据权利要求1所述的方法，包括使用至少一组束模型参数值和先前从至少一个放射机器收集的相应测量剂量分布来训练所述神经网络模型。


3.根据权利要求1所述的方法，其中，确定至少一个束模型参数的束模型参数值的范围包括确定多个放射机器中的每一个的束模型参数值。


4.根据权利要求1所述的方法，包括测量多个放射机器中的每一个的至少一个剂量分布。


5.根据权利要求4所述的方法，其中，训练所述神经网络模型包括：
将N组所生成的束模型参数值和相应剂量分布提供至所述神经网络模型；以及
将来自M个放射机器的剂量分布和相应的束模型参数提供至所述神经网络模型。


6.根据权利要求1所述的方法，包括从所确定的范围的束模型参数值中随机地或伪随机地选择所述束模型参数值以用于生成所述束模型参数值的组中的至少一个。


7.根据权利要求1所述的方法，其中，使用多个剂量分布生成各组束模型参数值，其中，所述多个相应剂量分布中的各个剂量分布包括随着进入靶样本的深度而变化的相对放射剂量。


8.根据权利要求1所述的方法，其中，确定束模型的至少一个参数的束模型参数值的范围包括确定与从所述放射机器的放射源发射的光子的能量分布有关的多个束模型参数值。


9.根据权利要求8所述的方法，其中，所述束模型参数包括放射源的大小、放射源的位置或放射源的能谱中的至少一个。


10.根据权利要求1所述的方法，其中，确定束模型的至少一个参数的束模型参数值的范围包括确定与从所述放射机器的放射源发射的电子的能量分布有关的多个束模型参数值。


11.一种使用深度卷积神经网络来确定放射机器的束模型的至少一个参数值的计算机实现的方法，所述方法包括：
接收先前使用多组束模型参数值和相应剂量分布训练的训练神经网络模型，所述训练神经网络模型被训练以用于根据一个或更多个测量放射机器剂量分布预测至少一个放射机器束模型参数值；
测量来自所述放射机器的多个剂量分布以将其作为输入提供至所述训练神经网络模型；以及
使用所述训练神经网络模型来确定所述放射机器的一组束模型参数值的至少一个束模型参数值。


12.根据权利要求11所述的方法，包括：根据包括所确定的至少一个束模型参数值的一组束模型参数值计...

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