使用可微剂量函数的放疗治疗计划制造技术

提供了用于生成放疗治疗计划参数的技术。所述技术包括：接收放疗治疗计划信息；处理放疗治疗计划信息以基于依赖于估计剂量计算的导数的子处理的输出的处理来估计一个或更多个放疗治疗计划参数；以及使用所估计的一个或更多个放疗治疗计划参数生成放疗治疗计划。更多个放疗治疗计划参数生成放疗治疗计划。更多个放疗治疗计划参数生成放疗治疗计划。

【技术实现步骤摘要】
【国外来华专利技术】使用可微剂量函数的放疗治疗计划
[0001]优先权要求
[0002]本申请要求于2019年7月16日提交的美国申请第16/512,938号的优先权的权益，该美国申请通过引用整体并入本文。


[0003]本公开内容总体上涉及生成辐射治疗(radiation therapy)或放疗(radiotherapy)治疗计划。

技术介绍

[0004]放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。应当精确地控制放射束的方向和形状以确保肿瘤接收到规定的放射，并且射束的布置应当使得对周围健康组织(通常被称为危及器官(organ at risk，OAR))的损伤最小化。治疗计划可以用于控制放射束参数，并且放疗装置通过向患者递送空间上变化的剂量分布来实现治疗。
[0005]传统上，对于每个患者，可以基于临床和剂量测定的目标和约束(例如，针对肿瘤和关键器官的最大剂量、最小剂量和平均剂量)使用优化技术来创建放射治疗治疗计划(“治疗计划”)。治疗计划过程可以包括使用患者的三维(3D)图像来识别目标区域(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，在该过程中，计划者试图遵从各种治疗目标或约束(例如，剂量体积直方图(DVH)目标)，从而考虑各种治疗目标或约束各自的重要性(例如，权重)以便产生临床上可接受的治疗计划。该任务可能是耗时的反复试验过程，该过程由于各种OAR而变得复杂，因为随着OAR的数量增加(例如，在头颈治疗中通常分割21个OAR)，该过程的复杂性也增加。远离肿瘤的OAR可能易于免受放射，而接近目标肿瘤或与目标肿瘤交叠的OAR可能难以幸免。
[0006]可以执行分割以识别OAR和要治疗的区域(例如，计划目标体积(PTV))。在分割之后，可以为患者创建剂量计划，该剂量计划指示要由一个或更多个PTV(例如，目标)和/或OAR接收的期望量的放射。PTV可以具有不规则的体积，并且关于其大小、形状和位置可能是唯一的。可以在优化大量计划参数之后计算治疗计划，以确保向PTV提供足够的剂量，同时向周围健康组织提供尽可能少的剂量。因此，可以通过针对使任何OAR免受伤害来平衡用于治疗肿瘤的剂量的有效控制来确定放射治疗治疗计划。通常，放射治疗计划的质量可以取决于计划者的经验水平。可能由患者之间的解剖学差异引起其他复杂性。

技术实现思路

[0007]在一些实施方式中，提供了计算机实现的方法、非暂态计算机可读介质以及包括存储器和处理器的系统，其用于通过以下操作生成放疗治疗计划参数：由处理器电路接收放疗治疗计划信息；由处理器电路处理放疗治疗计划信息，以基于依赖于估计剂量计算的导数的子处理的输出的处理来估计一个或更多个放疗治疗计划参数，其中，剂量计算的导数用于基于损失函数的优化处理或机器学习模型，其中，剂量计算的导数是针对放疗治疗
装置的一个或更多个辐射参数或者一个或更多个几何参数中的至少一者计算的；以及由处理器电路使用所估计的一个或更多个放疗治疗计划参数生成放疗治疗计划。
[0008]在一些实施方式中，放疗治疗计划信息包括磁共振(MR)图像、锥形射束计算机断层扫描(CBCT)图像、计算机断层扫描(CT)图像、剂量分布、分割图和距离图中的至少一者。
[0009]在一些实施方式中，所估计的一个或更多个放疗治疗计划参数包括合成计算机断层扫描(sCT)图像和剂量分布中的至少一者。
[0010]在一些实施方式中，处理放疗治疗计划信息包括利用机器学习模型处理放疗治疗计划信息以生成一个或更多个所估计的放疗治疗计划参数，其中，基于使用多个训练放疗治疗计划信息的剂量计算，训练机器学习模型以建立多个训练放疗治疗计划信息与多个训练放疗治疗计划参数之间的关系，其中，机器学习模型包括深度神经网络，其中，多个训练放疗治疗计划信息包括训练MR图像、训练CBCT图像、训练CT图像、第一训练剂量分布、训练分割图或训练距离图中的至少一者，并且其中，多个训练放疗治疗计划参数包括训练合成计算机断层扫描(sCT)图像或第二训练剂量分布中的至少一者。
[0011]在一些实施方式中，通过以下操作训练机器学习模型：获得第一批训练数据对，所述第一批训练数据对包括给定的一组训练放疗治疗计划信息和一组对应的训练放疗治疗计划参数；利用机器学习模型处理给定的一组训练放疗治疗计划信息，以生成中间放疗治疗计划参数；基于中间放疗治疗计划参数计算损失函数的导数；以及基于所计算的损失函数的导数更新机器学习模型的参数。
[0012]在一些实施方式中，计算机实现的方法、非暂态计算机可读介质和系统执行操作，所述操作包括：基于一组对应的训练放疗治疗计划参数计算第一剂量；基于中间放疗治疗计划参数计算第二剂量；以及在计算损失函数的导数之前，将第一剂量和第二剂量应用于损失函数。
[0013]在一些实施方式中，剂量计算包括蒙特卡罗模拟或使用点核卷积算法、笔形束核算法或玻尔兹曼方程求解器的确定性计算中的至少一者，或者蒙特卡罗模拟或使用点核卷积算法、笔形束核算法或玻尔兹曼方程求解器的确定性计算的组合。
[0014]在一些实施方式中，优化处理包括放疗治疗计划优化问题，该放疗治疗计划优化问题包括指定放疗治疗装置的等中心点位置或射束角度中的至少一者的决策变量。
[0015]在一些实施方式中，其中，剂量计算的导数是一阶导数。在一些实现方式中，一阶导数不是常数值。
[0016]在一些实施方式中，估计导数的子处理包括自动微分处理。
[0017]以上概述旨在提供对本专利申请的主题的概述。并不旨在提供对本公开内容的排他性或详尽的说明。包括具体实施方式以提供关于本专利申请的进一步信息。
附图说明
[0018]在不一定按比例绘制的附图中，贯穿若干视图，相似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似的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整体示出了本文献中讨论的各种实施方式。
[0019]图1示出了根据本公开内容的一些示例的适于执行治疗计划生成处理的示例性放疗系统。
[0020]图2A示出了根据本公开内容的一些示例的示例性图像引导的放疗装置。
[0021]图2B示出了根据本公开内容的一些示例的放射治疗装置，即伽玛刀。
[0022]图3示出了根据本公开内容的一些示例的用于基于剂量的导数训练机器学习技术和使用机器学习技术的示例性数据流。
[0023]图4至图9示出了根据本公开内容的一些示例的用于基于剂量计算的导数估计放疗治疗计划参数的示例性操作的流程图。
具体实施方式
[0024]本公开内容包括通过基于剂量计算的导数使用机器学习(ML)模型或求解优化问题来生成放疗治疗计划的各种技术。作为一个示例，ML模型可以被训练成基于考虑剂量的导数的损失函数从放疗治疗计划信息(例如，CT图像或MR图像)估计放疗治疗计划的一个或更多个参数(例如，合成CT图像)。作为另一示例，优化问题的一个或更多个参数(例如，约束和/或决策变量)可本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于生成放疗治疗计划参数的方法，所述方法包括：由处理器电路接收放疗治疗计划信息；由所述处理器电路处理所述放疗治疗计划信息，以基于依赖于子处理的输出的处理来估计一个或更多个放疗治疗计划参数，所述子处理估计剂量计算的导数，其中，所述剂量计算的导数用于基于损失函数的优化处理或机器学习模型，其中，所述剂量计算的导数是针对放疗治疗装置的一个或更多个辐射参数或者一个或更多个几何参数中的至少一者计算的；以及由所述处理器电路使用所估计的一个或更多个放疗治疗计划参数生成放疗治疗计划。2.根据权利要求1所述的方法，其中，所述放疗治疗计划信息包括磁共振(MR)图像、锥形射束计算机断层扫描(CBCT)图像、计算机断层扫描(CT)图像、剂量分布、分割图和距离图中的至少一者。3.根据权利要求2所述的方法，其中，所估计的一个或更多个放疗治疗计划参数包括合成计算机断层扫描(sCT)图像和剂量分布中的至少一者。4.根据权利要求1所述的方法，其中，处理所述放疗治疗计划信息包括利用所述机器学习模型处理所述放疗治疗计划信息以生成一个或更多个所估计的放疗治疗计划参数，其中，基于使用多个训练放疗治疗计划信息的剂量计算，训练所述机器学习模型以建立所述多个训练放疗治疗计划信息与多个训练放疗治疗计划参数之间的关系，其中，所述机器学习模型包括深度神经网络，其中，所述多个训练放疗治疗计划信息包括训练MR图像、训练CBCT图像、训练CT图像、第一训练剂量分布、训练分割图或训练距离图中的至少一者，并且其中，所述多个训练放疗治疗计划参数包括训练合成计算机断层扫描(sCT)图像或第二训练剂量分布中的至少一者。5.根据权利要求4所述的方法，还包括通过以下操作训练所述机器学习模型：获得第一批训练数据对，所述第一批训练数据对包括给定的一组训练放疗治疗计划信息和一组对应的训练放疗治疗计划参数；利用所述机器学习模型处理所述给定的一组训练放疗治疗计划信息，以生成中间放疗治疗计划参数；基于所述中间放疗治疗计划参数计算所述损失函数的导数；以及基于所计算的所述损失函数的导数更新所述机器学习模型的参数。6.根据权利要求5所述的方法，还包括：基于所述一组对应的训练放疗治疗计划参数计算第一剂量；基于所述中间放疗治疗计划参数计算第二剂量；以及在计算所述损失函数的导数之前，将所述第一剂量和所述第二剂量应用于所述损失函数。7.根据权利要求1所述的方法，其中，所述剂量计算包括蒙特卡罗模拟或使用点核卷积算法、笔形束核算法或玻尔兹曼方程求解器的确定性计算中的至少一者，或者蒙特卡罗模拟或使用点核卷积算法、笔形束核算法或玻尔兹曼方程求解器的确定性计算的组合。8.根据权利要求1所述的方法，其中，所述优化处理包括放疗治疗计划优化问题，所述放疗治疗计划优化问题包括指定所述放疗治疗装置的等中心点位置或射束角度中的至少一者的决策变量。
9.根据权利要求1中任一项所述的方法，其中，所述剂量计算的导数是一阶导数。10.根据权利要求9所述的方法，其中，所述一阶导数不是常数值。11.根据权利要求1所述的方法，其中，估计导数的所述子处理包括自动微分处理。12.一种非暂态计算机可读介质，包括非暂态计算机可读指令，所述计算机可读指令包括用于执行操作的指令，所述操作包括：接收放疗治疗计划信息；处理所述放疗治疗计划信息，以基于依赖于子处理的输出的处理来估计一个或更多个放疗治疗计划参数，所述子处理估计剂量计算的导数，其中，所述剂量计算的导数用于基于损失函数的优化处理或机器学习模型，并且其中，所述剂量计算的导数是针对放疗治疗装置的一个或更多个辐射参数或者一个或更多个几何参数中...

【专利技术属性】
技术研发人员：延斯，
申请(专利权)人：医科达股份有限公司，
类型：发明
国别省市：