用于实时患者运动监测的机器学习方法技术

系统和技术可以用于在放射疗法治疗期间估计患者状态。例如，方法可以包括利用初步运动模型生成扩展的潜在患者测量和对应的潜在患者状态的字典。方法可以包括利用机器学习技术使用字典来训练将输入的患者测量与输出的患者状态相关联的对应关系运动模型。方法可以包括使用处理器利用对应关系运动模型来估计与输入图像相对应的患者状态。

【技术实现步骤摘要】
【国外来华专利技术】用于实时患者运动监测的机器学习方法优先权要求本申请要求于2018年10月25日提交的美国专利申请序列第16/170，807号的优先权的权益，其全部内容通过引用并入本文。
本公开内容的实施方式总体上涉及医学图像和人工智能处理技术。特别地，本公开内容涉及利用机器学习以进行实时患者状态估计。
技术介绍
在放射疗法(radiotherapy)或放射外科(radiosurgery)中，通常基于患者的医学图像来执行治疗计划，并且治疗计划需要医学图像中的靶区和正常关键器官的描绘。当患者正在移动(例如，呼吸)时准确跟踪各种对象(例如，肿瘤、健康组织或者患者剖析结构的其他方面)是一项挑战。当前的技术无法直接地实时测量变化中的患者状态。例如，一些技术使用2D成像例如2DkV投影或2DMRI切片，它们都不能完全跟踪各种对象。其他技术可能依赖于直接或者通过跟踪衣物上或者固定到患者身上的盒子上的标记物来检测表面信息。这些技术假定表面信息与患者内部状态相关，这通常是不准确的。其他技术还可能依赖于植入标记物(例如，磁跟踪标记物)或者使用不透射线标记物的X射线检测。这些技术是侵入性的，并且仅对应于患者体内的有限点。附图说明在不一定按比例绘制的附图中，贯穿若干视图，相同的附图标记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示出了适于执行图像患者状态估计处理的示例性放射疗法系统。图2示出了示例性的图像引导放射疗法装置。图3示出了包括组合的放射疗法系统和成像系统例如核磁共振(MR)成像系统的示例性系统的局部剖视图。图4示出了用于使用局部测量和初步患者模型来估计患者状态的示例性流程图。图5示出了示出患者状态字典生成技术的示例性流程图。图6示出了在估计患者状态时供使用的示例性回归模型机器学习引擎。图7示出了用于估计患者状态的示例性操作的流程图。图8示出了用于执行放射疗法技术的示例性操作的流程图。具体实施方式在下面的详细描述中，参照附图，附图形成详细描述的一部分并且通过可以实践本专利技术的说明性实施方式示出。在本文中也被称为“示例”的这些实施方式被足够详细地描述以使得本领域技术人员能够实践本专利技术，并且应当理解，在不脱离本专利技术的范围的情况下，可以将实施方式组合或者可以利用其他实施方式并且可以进行结构、逻辑和电气改变。因此，以下详细描述不是限制性的，并且本专利技术的范围由所附的权利要求及其等同内容限定。图像引导放射疗法(IGRT)是一种紧接在放射之前使用在治疗位置中患者的成像的技术。这使得能够更准确地靶向剖析结构，例如器官、肿瘤或处于危险中的器官。如果预计患者在治疗期间移动，例如由呼吸引起的运动(其使肺肿瘤产生准周期性运动)或者导致前列腺位置漂移的膀胱充盈，则可以在靶周围安置附加的余量以包含期望的患者运动。这些较大的余量以对于周围正常组织的高剂量为代价，这可能导致增加的副作用。IGRT可以在放射之前使用计算机断层摄影(CT)成像、锥束CT(CBCT)、磁共振(MR)成像、正电子发射断层摄影(PET)成像等来获得患者的3D或4D图像。例如，启用CBCT的线性加速器(线性加速器)可以由以与放射束成90度角的方式固定至台架的kV源/检测器组成，或者MR线性加速器装置可以由直接与MR扫描仪集成的线性加速器组成。在实际的放射治疗递送期间对运动进行定位(分次内运动)可以允许减少将另外被用于包含运动的附加的治疗余量，因此允许递送更高的剂量，减少副作用，或者两者兼而有之。很多IGRT成像技术通常不足够快以对分次内运动进行成像。例如，CBCT需要来自不同角度的多个kV图像以重建完整的3D患者图像，并且3DMR需要多个2D切片或者对完整的3Dk空间的填充，每个过程都可能花费几分钟来生成完整的3D图像。在一些情况下，可以使用通常会在生成3DIGRT图像之前完全获取的实时或准实时数据(按它被收集时那样)来根据不完整但快速的传入信息流以更快的刷新率估计瞬时3D图像。例如，可以使用2DkV投影或2DMR切片来估计在治疗期间随着实际的患者运动而发展的完整的3DCBCT状或3DMR状图像。尽管快速，但这些2D图像本身仅提供了患者的特定视角，而不是完整的3D图片。患者状态生成器可以接收作为输入的局部测量(例如，2D图像)，并且生成(例如，估计)作为输出的患者状态(例如，3D图像)。为了生成患者状态，生成器可以使用单个当前局部测量、未来(预测)或过去的局部测量或者多个局部测量(例如，最后10个测量)。这些局部测量可以来自单个模态例如X射线投影或MRI切片，或者来自多个模态例如与X射线投影同步的患者表面上的反射性表面标记物的位置。患者状态可以是3D图像，或者“多模式”的3D图像，例如，患者状态可以包括提供关于患者状态的不同信息的两个或更多个3D图像，例如用于增强组织对比度的“MR状”、用于高几何精度以及用于剂量计算的与密度有关的体素的“CT状”，或者用于提供关于患者的功能信息的“功能MR状”。患者状态还可以包括非成像信息。患者状态包括一个或更多个兴趣点(例如，靶位置)、轮廓、表面、变形矢量场或与优化患者治疗相关的任何信息。可以在从例如kV成像器或MR成像器获取的实时图像流(例如，2D图像)中接收上述局部测量。kV成像器可以生成针对实时流的立体2D图像(例如，正交且基本同时获取的两个X射线图像)。kV成像器可以固定在房间中，或者耦接至治疗装置(例如，附接至台架)。MR成像器可以产生2DMR切片，所述2DMR切片可以是正交的或平行的。可以根据所接收到的图像或图像对生成患者状态。例如，在任何给定的时刻，可以生成针对来自实时流的最后接收到的图像的患者状态。在示例中，患者模型可以基于在预治疗阶段(在安置了患者之后并且在打开束之前)在给定片段中当前收集的数据，从另一片段收集的数据或在模拟/计划期间使用其他患者利用通用的患者剖析结构利用机械模型收集的数据或者可以有助于根据局部测量来限定患者状态的任何其他信息收集的数据。在示例中，患者模型是4D数据集、所获取的预治疗，其表示在有限时间段(例如，一个代表性的呼吸周期)内患者状态的变化。可以(例如，利用机器学习技术)对患者模型进行训练，以例如使用将限定重建的患者测量与对应的患者状态的字典来将输入的患者测量(例如，来自实时流的图像或图像对)与输出的患者状态相关联。可以通过作为一个或更多个参数的函数的变形矢量场(DVF)使患者模型扭曲，以生成患者状态。4D数据集中的患者模型可以包括随单个参数(例如，呼吸周期中的阶段)而变化的患者状态。患者模型可以用于建立在可以将每次呼吸视为或多或少相同的代表性呼吸周期内时变的患者状态。这通过允许从不同的呼吸周期获取大块的局部成像数据并将其分配给单个代表性呼吸周期来简化建模。然后可以针对每个相位“分箱(bin)”重建3D图像。在示例中，患者状本文档来自技高网...

【技术保护点】
1.一种用于在放射疗法治疗期间估计实时患者状态的方法，所述方法包括：/n使用处理器识别运动中的患者的初步运动模型；/n利用所述初步运动模型生成扩展的潜在患者测量和对应的潜在患者状态的字典；/n利用机器学习技术使用所述字典来训练将输入的患者测量与输出的患者状态相关联的对应关系运动模型；以及/n使用所述处理器利用所述对应关系运动模型来估计与所述患者的患者测量相对应的患者状态。/n

【技术特征摘要】
【国外来华专利技术】20181025 US 16/170,8071.一种用于在放射疗法治疗期间估计实时患者状态的方法，所述方法包括：
使用处理器识别运动中的患者的初步运动模型；
利用所述初步运动模型生成扩展的潜在患者测量和对应的潜在患者状态的字典；
利用机器学习技术使用所述字典来训练将输入的患者测量与输出的患者状态相关联的对应关系运动模型；以及
使用所述处理器利用所述对应关系运动模型来估计与所述患者的患者测量相对应的患者状态。


2.根据权利要求1所述的方法，其中，对应的患者状态包括3D患者图像。


3.根据权利要求2所述的方法，其中，所述对应的潜在患者状态包括所述3D患者图像的变形。


4.根据权利要求3所述的方法，其中，所述变形包括利用可变形配准算法计算的变形矢量场(DVF)。


5.根据权利要求4所述的方法，其中，所述DVF是应用于所述对应关系运动模型以利用变形生成所述患者状态的3DDVF。


6.根据权利要求3所述的方法，其中，所述变形包括3DDVF的参数化，并且所述初步运动模型包括参考图像。


7.根据权利要求1所述的方法，其中，所述患者测量包括2DMRI切片、MRIk空间数据、1DMRI导航器、2DMRI投影、x射线2D投影数据、PET数据或2D超声切片。


8.根据权利要求1所述的方法，其中，患者数据包括4D图像。


9.根据权利要求8所述的方法，其中，所述4D图像是4DCT、4DCBCT、4DMRI、4DPET或4D超声图像。


10.根据权利要求1所述的方法，其中，所述对应关系运动模型包括作为一个或更多个参数的函数的变形矢量场(DVF)，所述一个或更多个参数通过减小在4D图像的两个或更多个相位与参考相位之间计算的初步DVF的维度来确定。


11.根据权利要求1所述的方法，其中，所述扩展的潜在患者测量包括2D投影图像并且通过利用以下中的至少一种生成：从3D图像提取2D切片，通过3D图像进行射线跟踪以生成2D投影图像，利用蒙特卡洛技术来模拟与3D图像的x射线交互作用，利用折叠锥卷积技术，利用叠加和卷积技术，利用生成对抗网络、卷积神经网络或递归神经网络。


12.根据权利要求1所述的方法，其中，利用随机森林回归、线性回归、多项式回归、回归树、核密度估计、支持向量回归算法、卷积神经网络或递归神经网络来生成所述对应关系运动模型。


13.根据权利要求1所述的方法，其中，估计与所述患者测量相对应的患者状态包括：接收所述患者测量作为对所述对应关系运动模型的输入，所述输入包括2D图像的实时流。


14.根据权利要求13所述的方法，其中，所述2D图像的实时流包括立体kV图像或成对的2DMR切片图像。


15.根据权利要求1所述的方法，还包括将所述患者状态输出为显示组织对比度的两个或更多个MR状3D图像。


16.根据权利要求1所述的方法，其中，所述患者状态包括非成像信息。


17.根据权利要求1所述的方法，还包括：基于在所述放射疗法治疗之前获取的4D数据集来生成所述初步运动模型。


18.根据权利要求1至10中任一项所述的方法，还包括：通过对2D输入图像计算2D变形矢量场(DVF)来生成所述扩展的潜在患者测量。


19.根据权利要求1至10中任一项所述的方法，其中，生成所述扩展的潜在患者测量包括执行2D输入图像的主分量分析(PCA)的分析。


20.根据权利要求1至10中任一项所述的方法，其中，生成所述扩展的潜在患者测量包括：将2D输入图像与参考2D图像配准并且利用可变形图像配准技术来计算2DDVF。


21.根据权利要求1至10中任一项所述的方法，其中，生成所述扩展的潜在患者测量包括利用卷积神经网络(CNN)来估计2D输入图像与2D参考图像之间的2D光流以计算2DDVF。


22.一种用于生成实时靶定位数据的方法，所述方法包括：
利用初步运动模型生成扩展的潜在患者测量和对应的潜在患者状态的字典；
利用机器学习技术使用所述字典来训练将输入的患者测量与输出的患者状态相关联的对应关系运动模型；
从图像获取装置接收2D图像的实时流；
使用处理器利用所述对应关系运动模型来估计与所述2D图像的实时流的图像相对应的患者状态；
利用所述患者状态定位患者体内的放射疗法靶；以及
将所述放射疗法靶的位置输出在显示装置上。


23.根据权利要求22所述的方法，其中，所述2D图像的实时流包括立体kV图像或成对的2DMR切片图像。


24.根据权利要求22所述的方法，其中，所述扩展的潜在患者测量包括3D患者图像的变形，并且其中，所述变形包括利用可变形配准算法计算的变形矢量场(DVF)。


25.根据权利要求22所述的方法，其中，所述扩展的潜在...

【专利技术属性】
技术研发人员：马丁·埃米尔·拉歇内，西尔万·贝里奥，
申请(专利权)人：医科达有限公司，
类型：发明
国别省市：美国;US