【技术实现步骤摘要】
【国外来华专利技术】放射疗法治疗计划的对抗性预测
[0001]优先权声明
[0002]本申请要求于2020年2月7日提交的美国申请序列第16/784,919号的优先权的权益，该申请在此通过引用整体并入本文中。
[0003]本公开内容的实施方式总体上涉及确定指导由放射疗法治疗系统执行的放射疗法的机器参数。具体地，本公开内容涉及使用深度学习技术来确定限定放射疗法系统中的治疗计划的机器参数。
技术介绍
[0004]放射疗法(或“放射治疗”)可以用于治疗哺乳动物(例如，人和动物)组织中的癌症或其他疾病。一种这样的放射治疗技术是伽玛刀，通过伽玛刀，患者被以高强度和高精度会聚在目标(例如，肿瘤)处的大量低强度伽玛射线辐射。在另一实施方式中，使用线性加速器提供放射治疗，由此通过高能粒子(例如，电子、质子、离子、高能光子等)辐射肿瘤。必须精确地控制放射束的布置和剂量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通常称为危及器官(OAR，organ at risk)的周围健康组织的损害最小化。放射被称为“规定的”，因为医师向肿瘤和周围器官发出预定义量的放射，与药物的处方类似。通常，以准直射束形式的电离放射从外部放射源指向患者。
[0005]可以使用指定的或可选择的射束能量，例如用于递送诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器(例如，多叶准直器(MLC))提供。可以通过准直来调整放射束的强度和形状，以通过使投射的射束与目标组织的轮廓一致来避免损坏与目标组织相邻的健康组织(例如，OAR)。>[0006]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)并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，计划者试图遵守各种治疗目标或约束(例如，剂量体积直方图(DVH)、交叠体积直方图(OVH))，考虑它们各自的重要性(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，对于头颈治疗十几个或更多)，该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受放射，而接近目标肿瘤或与目标肿瘤交叠的OAR可能难以幸免。
[0007]传统上，对于每个患者，可以以“离线”方式生成初始治疗计划。可以在递送放射疗法之前很好地制定治疗计划，例如使用一种或更多种医学成像技术。成像信息可以包括例如来自X射线、计算机断层扫描(CT)、核磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或超声波的图像。卫生保健提供者(例如，医师)可以使用指示患者解剖结构的3D成像信息来识别一个或更多个目标肿瘤以及肿瘤附近的OAR。卫生保健提供者可以使用手动技术描绘要接收规定放射剂量的目标肿瘤，并且卫生保健提供者可以类似地描绘处于来自放射治疗的损害的风险中的附近的组织，例如器官。可替选地或另外地，
可以使用自动工具(例如，由瑞典的Elekta公司提供的ABAS)来帮助识别或描绘目标肿瘤和处于风险的器官。然后，可以使用数值优化技术创建放射疗法治疗计划(“治疗计划”)，该数值优化技术使由临床和剂量测定的目标和约束(例如，对肿瘤体积的一部分的最大放射剂量、最小放射剂量和部分放射剂量(“95％的目标应接收不少于100％的规定剂量”)，以及针对关键器官的类似措施)组成的目标函数最小化。优化的计划包括指定每个放射束的方向、截面形状和强度的数字参数。
[0008]然后，随后可以通过以下操作来执行治疗计划：将患者定位在治疗机器中并且递送由优化的计划参数指导的规定的放射疗法。放射疗法治疗计划可以包括剂量“分级”，从而在预定时间段内提供放射治疗的序列(例如，每天30至45个部分)，其中每个治疗包括总规定剂量的指定部分。然而，在治疗期间，患者的位置以及目标肿瘤相对于治疗机器(例如，线性加速器——“linac”)的位置非常重要，以确保辐射目标肿瘤而不辐射健康组织。
技术实现思路
[0009]在一些实施方式中，提供了用于生成一个或更多个放射疗法治疗计划的方法、系统和计算机可读介质。所述方法、系统和计算机可读介质执行操作，所述操作包括：接收针对放射疗法治疗机器的每个台架角度的一组图像数据对，其中，所述一组图像数据对中的每一对包括表示对象的解剖结构从给定台架角度的视图的给定投影图像以及基于给定投影图像在给定台架角度下多叶准直器(MLC)叶片位置的给定图形孔径图像；基于针对每个台架角度的一组图像数据对来训练生成式对抗网络(GAN)模型；以及使用经训练的GAN模型，基于表示感兴趣的解剖区域的视图的投影图像来预测MLC叶片位置针对期望台架角度的孔径图像。
[0010]在一些实现方式中，GAN包括条件对抗网络(cGAN)。
[0011]在一些实现方式中，GAN包括循环一致性生成式对抗网络(CycleGAN)。
[0012]在一些实现方式中，一组图像数据对中的第一对的给定台架角度与所述一组图像数据对中的第二对的给定台架角度相差预定量。
[0013]在一些实现方式中，GAN被配置成使用判别模型来训练生成模型；使用判别模型与生成模型之间的对抗训练来建立由生成模型和判别模型应用的值；以及生成模型和判别模型包括各自的卷积神经网络。
[0014]在一些实现方式中，对抗训练包括：训练生成模型以根据投影图像来生成MLC叶片位置在第一台架角度下的第一合成图形孔径图像表示，所述投影图像表示训练对象解剖结构从第一台架角度的视图；以及训练判别模型以将第一合成图形孔径图像分类为合成训练示例图形孔径图像或真实训练示例图形孔径图像；以及生成模型的输出被用于训练判别模型，并且判别模型的输出被用于训练生成模型。
[0015]在一些实现方式中，使用包括生成模型和判别模型的循环一致性生成式对抗网络(CycleGAN)来训练GAN，生成模型是第一生成模型，并且判别模型是第一判别模型，并且CycleGAN还包括：第二生成模型，该第二生成模型被训练成：根据一组图像数据对中的给定对，处理MLC叶片位置在给定台架角度下的给定图形孔径图像表示作为输入；以及提供合成投影图像作为输出，所述合成投影图像表示训练对象解剖结构从给定台架角度的视图；以及第二判别模型，该第二判别模型被训练成将合成投影图像分类为合成投影图像或真实投
影图像。
[0016]在一些实现方式中，CycleGAN包括用于训练第一生成模型的第一部分，第一部分被训练成：从先前治疗中获得表示患者解剖结构的不同视图的一组训练投影图像，所述一组训练投影图像和与不同视图中的每一个对应的训练图形孔径图像配对，训练图形孔径图像中的每一个与训练投影图像中的相应训练投影图像对准；将一组训练投影图像传输到第一生成模型的输入端，以输出第一组图形孔径图像；在第一判别模型的输入端处接收第一组图形孔径图像，以将第一组图形孔径图像分类为一组合成训练图形孔径图像或一组真实训练图形孔径图像；以及在第二生成模型的输入端处接收第一组图形孔径图像，以生成用于计算循环一致性损本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于生成一个或更多个放射疗法治疗计划的计算机实现的方法，所述方法包括：接收针对放射疗法治疗机器的每个台架角度的一组图像数据对，其中，所述一组图像数据对中的每一对包括表示对象的解剖结构从给定台架角度的视图的给定投影图像以及基于所述给定投影图像在所述给定台架角度下多叶准直器(MLC)叶片位置的给定图形孔径图像；基于针对每个台架角度的一组图像数据对来训练生成式对抗网络(GAN)模型；以及使用经训练的GAN模型，基于表示感兴趣的解剖区域的视图的投影图像来预测MLC叶片位置针对期望台架角度的孔径图像。2.根据权利要求1所述的方法，其中，所述GAN包括条件对抗网络(cGAN)。3.根据权利要求1所述的方法，其中，所述GAN包括循环一致性生成式对抗网络(CycleGAN)。4.根据权利要求1所述的方法，其中，所述一组图像数据对中的第一对的给定台架角度与所述一组图像数据对中的第二对的给定台架角度相差预定量。5.根据权利要求1所述的方法，其中，所述GAN被配置成使用判别模型来训练所述生成模型；使用所述判别模型与所述生成模型之间的对抗训练来建立由所述生成模型和所述判别模型应用的值；以及所述生成模型和所述判别模型包括各自的卷积神经网络。6.根据权利要求5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投影图像来生成所述MLC叶片位置在第一台架角度下的第一合成图形孔径图像表示，所述投影图像表示训练对象解剖结构从所述第一台架角度的视图；以及训练所述判别模型以将所述第一合成图形孔径图像分类为合成训练示例图形孔径图像或真实训练示例图形孔径图像；以及所述生成模型的输出被用于训练所述判别模型，并且所述判别模型的输出被用于训练所述生成模型。7.根据权利要求6所述的方法，其中，使用包括所述生成模型和所述判别模型的循环一致性生成式对抗网络(CycleGAN)来训练所述GAN，其中，所述生成模型是第一生成模型，并且所述判别模型是第一判别模型，其中，所述CycleGAN还包括：第二生成模型，所述第二生成模型被训练成：根据所述一组图像数据对中的给定对，处理所述MLC叶片位置在给定台架角度下的给定图形孔径图像表示作为输入；以及提供合成投影图像作为输出，所述合成投影图像表示训练对象解剖结构从所述给定台架角度的视图；以及第二判别模型，所述第二判别模型被训练成将所述合成投影图像分类为合成投影图像或真实投影图像。8.根据权利要求7所述的方法，其中，所述CycleGAN包括用于训练所述第一生成模型的
第一部分，所述第一部分被训练成：从先前治疗中获得表示患者解剖结构的不同视图的一组训练投影图像，所述一组训练投影图像和与所述不同视图中的每一个对应的训练图形孔径图像配对，所述训练图形孔径图像中的每一个与所述训练投影图像中的相应训练投影图像对准；将所述一组训练投影图像传输到所述第一生成模型的输入端，以输出第一组图形孔径图像；在所述第一判别模型的输入端处接收所述第一组图形孔径图像，以将所述第一组图形孔径图像分类为一组合成训练图形孔径图像或一组真实训练图形孔径图像；以及在所述第二生成模型的输入端处接收所述第一组图形孔径图像，以生成用于计算循环一致性损失的第一组循环投影图像。9.根据权利要求8所述的方法，其中，所述CycleGAN包括第二部分，所述第二部分被训练成：将与所述不同视图中的每一个对应的训练图形孔径图像传输到所述第二生成模型的输入端，以输出第一组合成投影图像；在所述第二判别模型的输入端处接收所述第一组合成投影图像，以将所述第一组合成投影图像分类为合成训练投影图像或真实训练投影图像；以及在所述第一生成模型的输入端处接收所述第一组合成投影图像，以生成用于计算循环一致性损失的第一组循环图形孔径图像。10.根据权利要求9所述的方法，其中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。