使用生成式对抗网络的放射疗法治疗计划建模制造技术

公开了用于生成放射疗法治疗计划并且建立用于生成和优化放射疗法剂量数据的机器学习模型的技术。一种用于使用在生成式对抗网络中训练的生成模型来生成放射疗法剂量分布的示例方法，包括：接收人类受试者的解剖数据，所述解剖数据指示用于放射疗法治疗的解剖区域的映射；当生成模型处理作为输入的解剖数据并且提供剂量数据作为输出时，利用经训练的生成模型来生成与映射相对应的放射疗法剂量数据；以及基于剂量数据来识别用于人类受试者的放射疗法治疗的放射疗法剂量分布。用于训练生成模型的另一示例方法包括：使用对抗训练，包括在条件生成式对抗网络布置中的对抗训练来确定生成式对抗网络的生成模型和判别模型的值。

【技术实现步骤摘要】
【国外来华专利技术】使用生成式对抗网络的放射疗法治疗计划建模优先权要求本申请要求2018年4月30日提交的美国申请序列第15/966,228号的优先权的权益，在此通过引用将全部内容并于本文中。
本公开内容的实施方式总体上涉及医学数据和人工智能处理技术。特别地，本公开内容涉及适用于与放射疗法治疗计划工作流和系统操作一起使用的生成式对抗网络中的数据模型的生成和使用。
技术介绍
调强放射疗法(Intensitymodulatedradiotherapy，IMRT)和容积弧形调强治疗(volumetricmodulatedarctherapy，VMAT)已成为现代癌症放射疗法中的护理标准。这些和其他形式的放射疗法的治疗计划涉及定制对要接受治疗的特定患者的特定放射照射量，因为要识别关键器官以及识别靶体积以供治疗。用于创建单个患者IMRT或VMAT治疗计划的许多方法都涉及人为决定的试验和误差过程，因为评估者执行靶剂量与器官保留之间的权衡，并且评估者调整程序约束，而其对剂量分布的影响难以预料。实际上，调整计划约束的顺序本身可能导致剂量差异。因此，即使是熟练的计划人员也常常无法保证定制设计的放射疗法计划最大可能地接近，以达到在靶体积上最大化放射治疗同时最大程度地减少周围器官和组织中的放射照射量的目标。因此，计划者当前无法确定少量还是大量的额外尝试将导致治疗计划的改进。现有的研究已经使用两种通用方法调查放射疗法计划是否有效。首先，研究评估了与一维靶器官重叠测量(例如，剂量体积直方图(DVH)，重叠体积直方图(OVHs))相关联的计划质量，从而能够将此类重叠测量与已知的数据库中的高质量计划比较，以查找和比较治疗计划。其次，研究还探索了计划质量空间，以确定操作员可以选择用于治疗的最佳计划系列甚至帕累托最优计划系列。然而，这些方法均未提供或生成独立于任一计划过程的详细治疗计划模型。因此，特定放射疗法治疗的可行性和成功通常取决于在计划阶段可用并执行的人工判断。此外，在计划过程中对人类技能的依赖(以及与以前的人类创建的治疗计划的比较)妨碍了如下目标确定：新的治疗计划是否针对特定患者进行了充分优化并实现了最大可能的治疗目标。
技术实现思路
本公开内容包括使用人工智能(AI)处理技术来开发、训练和利用放射疗法治疗计划的过程，所述人工智能技术包括生成式对抗网络(GAN)、深度神经网络(DNN)和其他形式的机器学习(ML)实现。本公开内容具体包括与在GAN内操作的判别器和发生器模型的使用有关的许多说明性示例，以学习针对特定癌症治疗的治疗计划模型，该模型预测针对特定患者的解剖定制的逐体素的3D剂量分布。作为用于计划和部署放射疗法治疗剂量的放射疗法治疗工作流的一部分，这些示例还涉及在学习、训练、测试和验证阶段使用GAN模型。然而，明显的是，目前描述的作为GAN(以及其他公开的AI和ML技术)的一部分的成像数据、剂量数据和其他放射疗法相关信息的使用和分析可以并入用于各种诊断、评估、解释或治疗设置的其他医疗工作流中。在示例中，作为经GAN训练的人工神经网络模型的预测或使用的一部分，用于生成放射疗法剂量分布的方法的实现包括以下操作：接收人类受试者的解剖数据，该数据指示供人类受试者的放射疗法治疗的解剖区域的映射；使用生成模型生成与该映射对应的放射疗法剂量数据，其中该生成模型在生成式对抗网络中进行训练；使用被进一步训练成处理作为输入的解剖学数据并提供放射疗法剂量数据作为输出的生成模型；以及基于放射疗法剂量数据来识别人类受试者的放射疗法治疗的放射疗法剂量分布。生成放射疗法剂量分布的其他示例可以包括部署如下生成式对抗网络：该生成式对抗网络被配置成使用判别模型来改进生成模型，使得利用判别模型与生成模型之间的对抗性训练来确定由生成模型和判别模型应用的值。在另外的示例中，生成式对抗网络是包括生成模型和判别模型的条件生成式对抗网络，使得从生成模型提供的预测值以从人类受试者捕获的成像数据为条件。此外，生成模型和判别模型可以以在训练期间的预分类的解剖结构数据为条件，或者以与放射疗法剂量分布相关联的至少一个约束为条件。另外在示例中，用于产生用于生成放射疗法剂量分布的训练模型的方法的实现可以包括：使用对抗训练来确定生成式对抗网络的生成模型和判别模型的值；调整对抗训练以包括训练生成模型以从输入图像生成模拟放射疗法剂量分布图像，以及训练判别模型以将生成的放射疗法剂量分布图像分类为模拟训练数据或真实训练数据，使得生成模型的输出用于训练判别模型，并且判别模型的输出用于训练生成模型；以及输出生成模型以用于生成放射疗法治疗剂量信息，因为该生成模型适于基于与用于放射疗法治疗的解剖结构的映射相对应的输入解剖数据来识别用于人类受试者的放射疗法治疗的放射疗法剂量数据。产生训练模型的其他示例可以包括使用条件生成式对抗网络，包括使用预定义的解剖结构数据在训练过程中对生成模型和判别模型定条件。在各种示例中，生成模型可以训练成基于图像数据或用于相应放射疗法治疗的多个解剖区域来生成针对特定状况或解剖特征的放射疗法剂量数据。还可以结合训练或使用经训练的模型来提供附加的约束、条件、输入和其他变化。本文中描述的示例可以在各种各样的实施方式中实现。例如，一个实施方式包括一种计算装置，所述计算装置包括处理硬件(例如，处理器或其他处理电路系统)和存储器硬件(例如，存储装置或易失性存储器)，所述存储器硬件包括在其上实施的指令，使得所述指令在由处理硬件执行时使计算装置实现、执行或协调用于这些技术和系统配置的电子操作。本文讨论的另一实施方式包括一种例如可以由机器可读介质或其他存储装置实施的计算机程序产品，所述计算机程序产品提供用于实现、执行或协调用于这些技术和系统配置的电子操作的指令。本文讨论的另一实施方式包括一种方法，所述方法能够在计算装置的处理硬件上操作以实现、执行或协调用于这些技术和系统配置的电子操作。在其他实施方式中，可以在分布式或集中式计算系统(包括关于诸如台式计算机或笔记本个人计算机的计算系统、诸如平板计算机、上网本和智能电话的移动装置、客户端终端和服务器托管的机器实例等的任何数量的形状因素)中提供实现上述电子操作的各方面的逻辑、命令或指令。本文讨论的另一实施方式包括将本文中讨论的技术合并到其他形式中，包括其他形式的编程逻辑、硬件配置或者专用的部件或模块，包括具有执行这样的技术的功能的各个装置的设备。用于实现这样的技术的功能的各个算法可以包括上述电子操作的一些或全部的序列或者在附图和以下具体实施方式中所描绘的其他方面。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说明。具体实施方式被包括以提供关于本专利申请的更多信息。附图说明在不一定按比例绘制的附图中，相同的附图标记在全部几幅图中描述基本上相似的部件。具有不同字母后缀的相同附图标记表示基本上相似的部件的不同实例。附图通过示例的方式而非通过限制的方式大体上示出了本文献中讨论的各种实施方式。图1示出了适于执行治疗计划生成处理的示例性放射疗法系统。图2示出了示例本文档来自技高网...

【技术保护点】
1.一种用于使用经训练的模型来生成放射疗法剂量分布的计算机实现的方法，所述方法包括：/n接收人类受试者的解剖数据，所述解剖数据指示用于所述人类受试者的放射疗法治疗的解剖区域的映射；/n使用生成模型来生成与所述映射对应的放射疗法剂量数据，在生成式对抗网络中对所述生成模型进行训练，其中，所述生成模型被进一步训练以处理作为输入的所述解剖数据并且提供所述放射疗法剂量数据作为输出；以及/n基于所述放射疗法剂量数据来识别用于所述人类受试者的放射疗法治疗的所述放射疗法剂量分布。/n

【技术特征摘要】
【国外来华专利技术】20180430 US 15/966,2281.一种用于使用经训练的模型来生成放射疗法剂量分布的计算机实现的方法，所述方法包括：
接收人类受试者的解剖数据，所述解剖数据指示用于所述人类受试者的放射疗法治疗的解剖区域的映射；
使用生成模型来生成与所述映射对应的放射疗法剂量数据，在生成式对抗网络中对所述生成模型进行训练，其中，所述生成模型被进一步训练以处理作为输入的所述解剖数据并且提供所述放射疗法剂量数据作为输出；以及
基于所述放射疗法剂量数据来识别用于所述人类受试者的放射疗法治疗的所述放射疗法剂量分布。


2.根据权利要求1所述的方法，
其中，所述生成式对抗网络被配置成使用判别模型来训练所述生成模型，
其中，使用所述判别模型与所述生成模型之间的对抗训练来确定由所述生成模型和所述判别模型应用的值，以及
其中，所述生成模型和所述判别模型包括相应的卷积神经网络。


3.根据权利要求2所述的方法，
其中，所述对抗训练包括：训练所述生成模型以根据指示至少一个治疗区域的输入图像来生成模拟放射疗法剂量分布图像，以及训练所述判别模型以将生成的放射疗法剂量分布图像分类为模拟训练数据或真实训练数据，以及
其中，所述生成模型的输出用于训练所述判别模型，并且所述判别模型的输出用于训练所述生成模型。


4.根据权利要求3所述的方法，其中，所述输入图像和所述模拟放射疗法剂量分布图像包括相应的三维图像。


5.根据权利要求3所述的方法，
其中，所述输入图像是二维图像，该二维图像包括使用相应图像通道或图像通道中的相应灰度值来表示所述至少一个治疗区域和至少一个治疗排除区域的相应区域，以及
其中，所述模拟放射疗法剂量分布图像是二维图像，该二维图像包括使用相应图像颜色通道或图像通道中的相应值来表示剂量值的相应区域。


6.根据权利要求5所述的方法，
其中，所述生成模型被训练成接收作为RGB图像彩色图像的所述输入图像，所述RGB图像彩色图像包括利用至少两个彩色图像通道指示所述至少一个治疗区域和所述至少一个治疗排除区域的图像掩模，以及
其中，所述生成模型被训练成产生作为灰度图像的所述模拟放射疗法剂量分布图像。


7.根据权利要求3所述的方法，其中，所述输入图像包括根据成像方式产生的医学数字成像和通信(DICOM)格式图像。


8.根据权利要求1所述的方法，其中，所述解剖数据以图像数据表示，并且其中，所述解剖区域的所述映射包括与被识别成接受所述放射疗法治疗的至少一个区域和被识别成避免所述放射疗法治疗的至少一个区域相对应的多个图像掩模。


9.根据权利要求8所述的方法，
其中，所述解剖数据包括所述解剖区域的三维体素数据，所述三维体素数据从根据至少一种成像方式捕获的所述人类受试者的至少一个图像导出，以及
其中，所述多个图像掩模对应于相应的部分，所述相应的部分指示被识别为接收所述放射疗法治疗的至少一个区域和被识别为避免所述放射疗法治疗的至少一个处于危险中的器官。


10.根据权利要求1所述的方法，
其中，所述解剖数据包括图像，该图像包括至少一个二进制掩模或至少一个符号距离图，以及
其中，所述放射疗法剂量数据包括图像，该图像是根据较低分辨率的所归档的剂量数据的线性插值或最近邻插值产生的。


11.根据权利要求1所述的方法，
其中，所述解剖数据包括在所述解剖区域的坐标空间内的用于放射疗法治疗的坐标，以及
其中，所述放射疗法剂量数据包括在所述解剖区域的坐标空间内的坐标处的放射疗法治疗的量的指示。


12.根据权利要求1所述的方法，
其中，从由所述生成式对抗网络训练的多个模型中识别出所述生成模型，以及
其中，基于所述解剖区域或所述放射疗法治疗的类型来识别所述生成模型。


13.根据权利要求1所述的方法，
其中，所述解剖数据包括从所述人类受试者捕获的成像数据，其中，所述生成式对抗网络是包括所述生成模型和判别模型的条件生成式对抗网络，以及
其中，从所述生成模型提供的预测值以从所述人类受试者捕获的成像数据为条件。


14.根据权利要求13所述的方法，
其中，所述生成模型和所述判别模型在训练过程中以预先分类的解剖结构数据为条件，以及
其中，所述预先分类的解剖结构数据对应于放射疗法治疗的解剖区域。


15.根据权利要求14所述的方法，其中，所述生成模型和所述判别模型还以与所述放射疗法剂量分布相关联的至少一个约束为条件。


16.根据权利要求15所述的方法，
其中，所述解剖数据是从所述人类受试者的解剖区域的三维图像集合中识别的，以及
其中，所述生成模型被训练成基于从多个人类受试者获得的三维图像数据针对特定条件或解剖特征来生成所述放射疗法剂量数据。


17.根据权利要求1所述的方法，其中，针对所述人类受试者的放射疗法治疗的后续事件进一步对所述生成模型进行训练，其操作包括：
基于所述放射疗法剂量数据的批准、更改或使用来更新所述生成模型；以及
使用经更新的生成模型来生成所述人类受试者的经更新的放射疗法剂量分布。


18.根据权利要求1所述的方法，还包括：
生成针对人类受试者的所述放射疗法治疗而识别的所述放射疗法剂量分布的至少一个剂量体积直方图，其中，所述剂量体积直方图指示至少一个计划治疗体积或至少一个处于危险中的器官的值；以及
将所述放射疗法剂量分布的剂量体积直方图与针对对应于所述解剖区域的放射疗法治疗而识别的另一放射疗法剂量分布所生成的剂量体积直方图进行比较。


19.根据权利要求1所述的方法，还包括：
生成所述解剖区域的三维视觉表现，所述三维视觉表现指示针对人类受试者的所述放射疗法治疗而识别的所述放射疗法剂量分布。


20.一种用于使用生成式对抗网络来产生用于生成放射疗法剂量分布的经训练模型的计算机实现的方法，所述方法包括：
使用对抗训练来确定所述生成式对抗网络的生成模型和判别模型的值，所述对抗训练包括：
训练所述生成模型以从输入图像生成模拟放射疗法剂量分布图像；以及
训练所述判别模型以将所生成的放射疗法剂量分布图像分类为模拟训练数据或真实训练数据；
其中，所述生成模型的输出用于训练所述判别模型，并且其中，所述判别模型的输出用于训练所述生成模型；以及
输出所述生成模型以供在生成放射疗法剂量信息时使用，所述生成模型适于基于与用于所述放射疗法治疗的解剖结构的映射相对应的输入解剖数据来识别用于人类...

【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