使用机器学习的重建受运动影响的处置剂量的局部形变图制造技术

一种方法包括：将靶对象的处置规划图像输入到机器学习系统中。该方法还包括：通过机器学习系统，确定处置规划图像的第一靶对象特定模型。该方法还包括：通过处理装置，将第一靶对象特定模型应用于处置规划图像，以生成与靶对象的多个位置中的第一位置相对应的经变换处置规划图像。该方法还包括：将经变换处置规划图像与参考图像进行比较。该方法还包括：基于该比较，修改第一靶对象特定模型的一个或多于一个参数，以生成与多个位置中的第二位置相对应的第二靶对象特定模型。该方法还包括：基于第二靶对象特定模型来控制处置装置以向靶对象递送处置。象递送处置。象递送处置。

【技术实现步骤摘要】
【国外来华专利技术】使用机器学习的重建受运动影响的处置剂量的局部形变图
[0001]相关申请的交叉引用
[0002]本申请根据美国法典第35条第119(e)款而要求于2020年11月13日提交的美国专利申请17/098,215的权益，该美国专利申请要求于2019年11月25日提交的美国临时申请62/940,037的权益，这两个申请的公开内容通过引用而被全部包含于此。


[0003]本专利技术涉及用于重建受运动影响的处置剂量的局部形变图，并且特别涉及用于使用机器学习来生成和利用用于重建受运动影响的处置的局部形变图的系统和方法。

技术介绍

[0004]在放射处置中，经由来自患者体外的源的放射处置束而递送的放射剂量被递送至体内的靶区域，以破坏肿瘤细胞。必须注意以在使由处置剂量递送至预期处置区域的放射量最大化的同时、使被递送至非处置区域的放射量最小化。
附图说明
[0005]根据以下给出的详细描述以及本专利技术的各种实现的附图，将更全面地理解本专利技术。
[0006]图1A示出根据本文描述的实施例的螺旋放射递送系统。
[0007]图1B示出根据本文描述的实施例的可以使用的机器人放射处置系统。
[0008]图1C示出根据本文描述的实施例的基于C形臂机架的放射处置系统。
[0009]图2A描绘根据本专利技术实施例的自编码器和2D/3D配准的方法的流程图。
[0010]图2B描绘根据本专利技术实施例的学习规划图像的低维度变形的自编码器网络的方法的流程图。
[0011]图3A描绘根据本专利技术实施例的一般机器学习方法的流程图。
[0012]图3B描绘根据本专利技术实施例的使用直接方法来学习模型的流程图。
[0013]图3C描绘根据本专利技术实施例的使用拔靴法(bootstrapping method)来学习模型的流程图。
[0014]图4A描绘根据本专利技术实施例的使用分离的直接方法来学习模型的流程图。
[0015]图4B描绘根据本专利技术实施例的使用对象特定的生成对抗方法来学习模型的流程图。
[0016]图4C描绘根据本专利技术实施例的使用具有同时模型细化的类似GAN的方法来学习模型的流程图。
[0017]图4D描绘根据本专利技术实施例的变形模型学习改造的方法的流程图。
[0018]图5描绘根据本专利技术实施例的用于使用机器学习来生成用于重建受运动影响的处置剂量的局部形变图的方法的流程图。
[0019]图6示出根据本文描述的实施例的可用于生成用于重建受运动影响的处置剂量的
局部形变图的不同系统的示例。
具体实施方式
[0020]本专利技术的实施例涉及图像引导处置的领域，并且特别涉及用于使用机器学习技术的用于重建受运动影响的处置的局部形变图的系统。在各种实施例中，本文提供的系统和方法描述从单个图像生成和使用患者内变换模型以用于放射治疗应用、并且通过生成图像变形来减少外观变化对配准的影响。
[0021]在一个实施例中，放射处置治疗的组成部分可以是估计在处置时间的规划图像的空间和患者的空间之间的变换。理想地，该变换可以在处置时间从一些有限的、低延迟的哨兵(sentinel)信息(诸如2D投影图像或光学标记位置等)获得，使得变换可以在时间上准确。这种变换对于许多形式(具体是靶跟踪、剂量累积和预测规划方面)的在线适应可能是有价值的。事实上，如果具有良好的患者特定变换模型，则可以解决自适应放疗的图像分析部分。
[0022]在一个实施例中，可以在处置时间从2D投影确定的可信变换可以通过少量参数来描述(例如，在其他情况下可能存在将暗示相同投影的许多可能变换)，并且这些参数所跨越的空间可以由可信变换组成(例如，将不太可能的变换从搜索空间中排除)。例如，如果变换模型描述呼吸，则所有合理的参数选择都应产生可信呼吸。在受呼吸影响的部位，可以在呼吸相关计算机断层扫描(RCCT)的阶段之间使用主成分分析(PCA)构建这样的模型。类似地，也可以证明通过构建而具有少量自由度的刚性和其他线性变换的配准。
[0023]在一个实施例中，对于呼吸运动模型，可以在规划时间从RCCT确定用于模型构建的信息。对于诸如骨盆等的在分次间(inter
‑
fractional)时间尺度上观察变换的其他部位，可能不是这种情况。此外，呼吸模型也可能受到这些分次间变换的影响，并且这种呼吸运动模型和RCCT的准确度通常可能低于标准。理想地，这样的模型将是基于在类似图像中观察到的变换从单个规划图像可构建的，并且可推广到患者可能经历的可能变换。
[0024]在一个实施例中，可以如下构建简单的运动模型：将所有图像配准在一起以形成以某种方式位于中心的“均值”图像以及从均值图像到各个阶段图像的变换集，并且直接对通过分组配准所产生的位移向量场进行PCA。这样得到了均值位移向量μ和N个特征向量v，使得前几个特征向量的线性组合很好地近似训练集中的所有变换。
[0025]将参数视为前1至3个特征向量的线性组合(产生位移向量场的总和)上的乘数，这可以产生具有1至3个参数的合理且可信的患者特定呼吸模型。这些特征向量可以被称为变化模态。在一个实施例中，类似的处理可能不用于男性骨盆，因为与可以从合理数量的患者图像中学习到的相比，变换更复杂。可以针对男性骨盆构建患者特定变换模型，但上述过程在一些情况下可能不成功。为了解决该问题并降低该方法的工程复杂性，期望将来自多个患者的变换信息组合成单个部位特定的变换模型，然后可以将其应用于新患者。
[0026]在一个实施例中，为了构建多患者变换模型，可以将来自数个患者的PCA模型配准到公共图谱(atlas)空间，在这里进行组合，然后重新配准到新患者。在一个实施例中，当变化模态跨患者变换的空间被变换到公共空间时，这些变化模态经历未知的变化。
[0027]尽管能够或也许能够用线性降维来描述患者特定的变换模型，但先前方法的失败表明运输问题的解决方案是非线性的。
[0028]本专利技术提出了对该配准问题的解决方案，其中，考虑到单个患者规划图像，可以产生变换模型，该变换模型生成有可能在处置过程中观察到的该规划图像的可信非刚性变换，使得可以从少量2D投影确定该变换模型的参数(以及由此确定该变换)。
[0029]本文描述的方法试图通过提供示例数据并使用被称为自编码器(其适合于降维和充分生成这两者)的神经网络拓扑来避免解决上述问题。也就是说，自编码器可以适合于找到数据的低维度表示(降低)和从该低维度表示重建该数据(生成)这两者。该生成并不总是可用于非线性维度重建方法，这使自编码器非常适合于该问题。
[0030]在一个实施例中，术语“靶”、“靶区域”、“靶对象”等可以是指处置区域(例如，肿瘤)附近(一些定义的接近度内)的一个或多于一个基准点(fiducial)。在另一实施例中，靶可以是骨结构。在又一实施例中，靶可以是指患者的软组织。如本文所述，靶可以是能够被识别并跟踪的任何定义结构或区域(包括整个患者本身)。
[0031]图1A示出根据本本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：将靶对象的处置规划图像输入到机器学习系统中；通过所述机器学习系统，确定所述处置规划图像的第一靶对象特定模型；通过处理装置，将所述第一靶对象特定模型应用于所述处置规划图像，以生成与所述靶对象的多个位置中的第一位置相对应的经变换处置规划图像；将所述经变换处置规划图像与参考图像进行比较；基于所述比较，修改所述第一靶对象特定模型的一个或多于一个参数，以生成与所述多个位置中的第二位置相对应的第二靶对象特定模型；以及基于所述第二靶对象特定模型来控制处置装置以向所述靶对象递送处置。2.根据权利要求1所述的方法，其中，所述处置规划图像是3D解剖图像和4D解剖图像其中之一，以及其中，所述经变换处置规划图像和所述参考图像是2D图像。3.根据权利要求1所述的方法，其中，所述机器学习系统经训练，以根据所述靶对象的3D、4D或其他派生图像来构建所述第一靶对象特定模型。4.根据权利要求1所述的方法，其中，所述机器学习系统经训练，以根据所述靶对象和其他对象之间的至少一个可形变配准来构建所述第一靶对象特定模型。5.根据权利要求1所述的方法，其中，所述机器学习系统经训练，以根据第一时间的所述靶对象和第二时间的所述靶对象之间的至少一个可形变配准来构建所述第一靶对象特定模型。6.根据权利要求1所述的方法，其中，所述机器学习系统经训练，以根据所述靶对象和合成图谱对象之间的至少一个可形变配准来构建所述第一靶对象特定模型。7.根据权利要求1所述的方法，其中，所述机器学习系统使用训练对象的群体和与多个训练对象中的各训练对象相关联的多个图像作为训练数据。8.根据权利要求1所述的方法，其中，所述机器学习系统使用所计算出的对象特定模型作为训练数据。9.根据权利要求1所述的方法，其中，所述对象特定模型包括所述靶对象的中心图谱以及基变换的集合和外观变化，所述靶对象的中心图谱以及基变换的集合和外观变化被线性地组合以产生对能够找到所述靶对象的一个或多于一个构象的估计。10.根据权利要求1所述的方法，其中，所述对象特定模型包括模型合成函数，所述模型合成函数包括基函数的线性组合和神经网络中的至少一个。11.根据权利要求1所述的方法，其中，根据对真实数据和合成数据中的至少一个的集合的降维来开发所述对象特定模型。12.根据权利要求1所述的方法，其中，所述机器学习系统使用生成对抗网络，所述生成对抗网络产生对象特定模型作为所述生成对抗网络的输出。13.根据权利要求1所述的方法，其中，所述机器学习系统使用自编码器网络，其中根据所述自编码器网络，能够使用解码器组件作为第一对象特定模型。14.根据权利要求1所述的方法，其中，所述机器学习系统使用来自从对象产生对象特定模型的系统的迁移学习，以产生其他对象的对象特定模型。15.根据权利要求1所述的方法，还包括：接收辅助解剖信号或伪解剖信号。16.一种处置系统，包括：
存储器，用于存储靶对象的处置规划图像；以及处理装置，其操作地耦接到所述存储器，所述处理装置用于：将所述靶对象的所述处置规划图像输入到机器学习系统中；通过所述机器学习系统，确定所述处置规划图像的第一靶对象特定模型；将所述第一靶对象特定模型应用于所述处置规划图像，以生成与所述靶对象的多个位置中的第一位置相对应的经变换处置规划图像；将所述经变换处置规划图像与参考图像进行比较；基于所述比较，修改所述第一靶对象特定模型的一个或多于一个参数，以生成与所述多个位置中的第二位置相对应的第二靶对象特定模型；以及基于所述第二靶对象特定模型来控制处置装置以向所述靶对象递送处置。17.根据权利要求16所述的处置系统，其中，所述处置规划图像是3D解剖图像和4D解剖图像其中之一，以及其中，所述经变换处置规划图像和所述参考图像是2D图像。18.根据权利要求16所述的处置系统，其中，所述机器学习系统经训练，以根据所述靶对象的3D、4D或其他派生图像来构建所述第一靶对象特定模型。19.根据权利要求16所述的处置系统，其中，所述机器学习系统经训练，以根据所述靶对象和其他对象之间的至少一个可形变配准来构建所述第一靶对象特定模型。20.根据权利要求16所述的处置系统，其中，所述机器学习系统经训练，以根据第一时间的所述靶对象和第二时间的所述靶对象之间的至少一个可形变配准来构建所述第一靶对象特定模型。21.根据权利要求16所述的处置系统，其中，所述机器学习系统经训练，以根据所述靶对象和合成图谱对象之间的至少一个可形变配准来构建所述第一靶对象特定模型。22.根据权利要求16所述的处置系统，其中，所述机器学习系统使用训练对象的群体和与多个训练对象中的各训练对象相关联的多个图像作为训练数据。23.根据权利要求16所述的处置系统，其中，所述机器学习系统使用所计算出的对象特定模型作为训练数据。24.根据权利要求16所述的处置系统，其中，所述对象特定模型包括所述靶对象的中心图谱以及基变换的集合和外观变化，所述靶对象的中心图谱以及基变换的集合和外观变化被线性地组合以产生对能够找到所述靶对象的一个或多于一个构象的估计。25.根据权利要...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：爱可瑞公司，
类型：发明
国别省市：