基于剂量分布预览系统的放疗靶区确立和修正方法与流程

专利检索2022-05-10  24



1.本发明涉及计算机技术领域,具体涉及一种基于剂量分布预览系统的放疗靶区确立和修正方法。


背景技术:

2.随着放射生物学和计算机等技术的发展,放射治疗(radiation therapy,rt)在肿瘤治疗中日益发挥不可替代的作用。放疗计划(rt plan)的合理制定是确保放疗精确性和良好疗效的基础,而在此过程中,放疗靶区的确定是计划制定的重要前提。靶区通常分为三个层次:gtv(gross tumor volume,大致肿瘤靶区)、ctv(clinical target volume,临床靶区)和ptv(planning target volume,计划靶区)。其中,ptv为射野布局、剂量计算和计划评价的关键参考对象,除了gtv所代表的临床诊断证实肿瘤部位以及ctv所包含的亚临床病变范围之外,肿瘤医生在确定ptv区域时也会结合体积变化、器官运动以及影像误差等因素来对ctv进行扩展。
3.实际上,ptv的确定是一个反复修正的过程,且此过程难以被机器替代。首先,肿瘤医师需要考虑患者的年龄、病情等个体化差异,例如考虑到儿童脊柱生长情况,需要使其两侧剂量尽量对称;第二,患者靶区周围的解剖学差异可能导致危机器官(organ at risk,oars)受量缺乏规律性;第三,医师水平和工作经验不一,导致ptv确定过程的合理性有所差异;此外,在同步推量(simultaneous integrated boost,sib)等调强放疗技术中,需要考虑不同限定区域的多层级三维剂量分布情况,使得靶区的确定和修改工作更为复杂化。
4.目前,放射治疗中靶区确定和修正流程主要依靠肿瘤医师的临床经验和技巧,且在原始病灶较大或位置特殊以及sib(同步推量)等病例计划中,需要结合物理师的放疗计划优化情况,对靶区进行反复调整,现阶段放疗计划从指定到实施的具体流程如下:
5.(1)肿瘤医师基于ct或多模态(mri、pet

ct等)融合的医学影像数据,结合检查或检验结果以及自身临床经验确定gtv位置和区域,并在此基础上外扩得到ctv区域。
6.(2)在所确立ctv区域的基础上,外扩得到初始ptv轮廓,在所确立ctv区域的基础上,外扩得到初始ptv轮廓,同时勾画oars轮廓。医师根据自身临床经验以及肿瘤患者实际情况对初始ptv轮廓进行修改。
7.(3)在富有经验或高级医师的指导下,对病灶及周围组织的治疗或预防剂量和危机器官剂量分布情况进行综合预判,寻求保证理想治疗剂量和保护危机器官之间的平衡点,并基于此对ptv进行修改。
8.(4)ptv、oars及相关影像数据上传至tps,由物理师进行设备选择、射野布局、约束条件设置、剂量计算和计划优化及预评估等工作,计划设计完成后反馈给医师评估。
9.(5)肿瘤医师根据物理师反馈的三维剂量分布情况和ptv与oars的剂量指数(或dvh图)以及hi\ci等指标对计划进行评估,并根据临床规定,要求物理师进一步优化计划,计划需反复调整直至最优状态。
10.(6)对于反复优化但仍无法满足临床规定(靶区受量足够高、均匀性和适形度较
好,危机器官风险足够低)的放疗计划,由肿瘤医师合理修改ptv轮廓,并反馈给物理师重新制定放疗计划。
11.(7)物理师重新制定放疗计划,并不断重复(5)

(6)步骤,直至放疗计划满足临床要求,并且保证病灶(及周围必要区域)接受足够治疗剂量的情况下,充分保护危机器官。
12.(8)放疗计划经由医师、高级物理师评估和审核后交付临床验证和实施。
13.上述方案主要存在以下缺点:
14.(1)肿瘤医师在修改放疗靶区过程中,由于缺乏当前ptv所对应的整体剂量分布预判、剂量指数(或dvh图)、hi\ci等预估手段,导致ptv区域的确立难以在保证处方治疗剂量(对于病灶及其周围必要区域)和降低危机器官(正常组织器官)风险之间找到平衡。一方面,为了保证病灶受量,同时考虑消除器官运动、形状变化、摆位误差及影像误差等因素所带来的照射剂量不确定性,可能会使ptv边界外扩过度;另一方面,对于原始病灶体积较大,紧邻、重叠危机器官或者sib(同步推量)的病例,由于考虑最大程度降低危机器官受量,可能会导致ptv边界外扩不足。
15.(2)不同的临床工作者由于临床经验和业务水平差异,在ptv区域修正的速度和效果都存在差异,相应地,其将对计划制定的周期和质量造成影响。
16.(3)对于反复优化但仍未获得理想剂量分布、剂量指数(或dvh图)以及hi\ci等指标仍不满足临床要求的放疗计划,物理师难以明确其原因来自于ptv的不合理或是来自于计划设计流程失误。
17.(4)肿瘤医师在每次在ptv进行修改之后,只能根据临床经验预估剂量分布、剂量指数(或dvh图)以及hi\ci指标的相应改变,其需要物理师通过tps重新进行计划设计以对其验证,若仍达不到临床要求,则需反馈至医师再次对ptv进行修改,而后重复此过程。因此,对于某些特殊(病灶体积或位置)病例,ptv的修正和计划重新制定过程将耗费大量时间和精力,患者治疗时间的延迟及在此期间导致的病灶体积变化降低放疗精度,造成实际病灶剂量不足或正常组织器官受损等。


技术实现要素:

18.本发明实施例的目的在于提供一种基于剂量分布预览系统的放疗靶区确立和修正方法、剂量分布预览系统,以简化靶区修改和计划制定流程,提高放疗靶区确立的合理性和放疗计划质量,缩短肿瘤患者的治疗延迟时间,降低工作人员负担的同时提高患者放疗疗效。
19.为实现上述目的,第一方面,本发明实施例提供了一种基于剂量分布预览系统的放疗靶区确立和修正方法。其中,所述剂量分布系统包括数据读取与处理模块、病例设定与剂量指数选择模块、3d剂量分布图预览模块、计算模块和通信模块,所述方法包括:
20.通过所述数据读取与处理模块读取ct影像数据、ptv轮廓和oars轮廓;所述轮廓数据由肿瘤医师根据所述ct影像数据所勾画;
21.接收肿瘤医师对所述病例设定与剂量指数选择模块的操作,实现病例设定和对应于所设定病例的剂量指数指标的选择,得到患者情况;
22.采用所述3d剂量分布图预览模块、计算模块对所述ct影像数据和ptv轮廓进行处理,得到处理结果;所述处理结果包括3d剂量分布图、dvh图、所关注的剂量指数和hi/ci指
标;
23.基于所述处理结果,接收肿瘤医师对所述ptv轮廓的修正,使得修正后的ptv轮廓在保证病灶受量和降低危机器官风险之间达到平衡;
24.通过所述计算模块对修正后的处理结果进行计算,得到靶区轮廓的多目标帕累托最优解集,使得肿瘤医师根据靶区轮廓的多目标帕累托最优解集、结合患者情况和临床要求进行辅助决策,得到靶区勾画结果;
25.通过所述通信模块将ct影像数据、ptv轮廓和oars轮廓上传至放疗计划系统,使得物理师进行设备选择、射野布局、约束条件设置、剂量计算、计划优化及预评估,得到放疗计划,由肿瘤医师与物理师对放疗计划进行多次反复调整后交付临床验证和实施。
26.第二方面,本发明实施例提供了一种剂量分布预览系统,包括:
27.数据读取与处理模块,用于读取ct影像数据、ptv轮廓和oars轮廓,以及进行剂量预测模型训练;所述轮廓数据由肿瘤医师根据所述ct影像数据所勾画;
28.病例设定与剂量指数选择模块,用于接收肿瘤医师对所述病例设定与剂量指数选择模块的操作,实现病例设定和对应于所设定病例的剂量指数指标的选择;
29.3d剂量分布图预览模块,用于采用训练完成的剂量预测模型,对所述ct影像数据和ptv数据进行处理,得到3d剂量分布图,以供肿瘤医师预览;
30.计算模块,用于根据所述3d剂量分布图计算并绘制靶区和各危机器官的dvh曲线,并解析出所关注的剂量指数和hi/ci指标,以供肿瘤医师预判评估;
31.通信模块,用于实现所述剂量分布系统与外部放疗计划系统之间的通信。
32.作为本技术的一种具体实施方式,所述数据读取与处理模块用于训练剂量预测模型具体过程包括:
33.收集病例数据;所述病例数据包括放疗模拟定位ct医学影像数据、ptv勾画轮廓数据、oars勾画轮廓数据、临床剂量分布数据;
34.对所述病例数据进行格式转化、2d/3d初始转化和图像预处理,并将处理后的病例数据按5:1的比例将所述病例数据随机划分为训练集和验证集;
35.搭建深度学习网络模型架构;所述深度学习网络模型架构包括生成网络和判别网络;
36.针对所述生成网络和判别网络分别设置不同的目标函数组合;
37.采用所述训练集和验证集对所述深度学习网络模型进行训练和测试,得到剂量预测模型。
38.作为本技术的一种具体实施方式,所述病例设定与剂量指数选择模块具体用于:
39.接收肿瘤医师设置的病情数据,所述病例数据包括患病部位及具体病种;
40.根据所述病情数据选取默认的剂量指数。
41.实施本发明实施例,简化了靶区修改和计划制定流程,提高了放疗靶区确立的合理性和放疗计划质量,缩短了肿瘤患者的治疗延迟时间,降低了工作人员负担的同时提高患者放疗疗效。
附图说明
42.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体
实施方式或现有技术描述中所需要使用的附图作简单地介绍。
43.图1是本发明实施例提供的剂量分布预览系统的结构图;
44.图2是剂量分布预览系统开发中的数据预处理流程图;
45.图3是剂量预测整体深度网络架构示意图;
46.图4是剂量预测判别网络结构示意图;
47.图5是剂量预测生成网络结构示意图;
48.图6是模型训练过程中数据增强方法示意图;
49.图7是本发明实施例提供的基于剂量分布预览系统指导进行放疗靶区确立和修正流程、放疗计划指定到实施的流程示意图。
具体实施方式
50.下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
51.本发明实施例所涉及的缩略语及关键术语定义如下表:
52.[0053][0054]
本发明的发明构思是:近年来深度学习技术在放射治疗领域的应用日益广泛,主要涉及自动诊断、自动分割和剂量预测等方面。本发明先依托大量临床病例数据收集、深度学习方法以及相关软件工程技术开发一套剂量分布预览系统。再基于该系统指导肿瘤医师进行放疗靶区确立和修正,流程大致如下:
[0055]
首先,基于自主搭建的深度学习(deep learning,dl)网络结构开发一套剂量分布预览系统,然后,医师可实时预览并获取基于当前靶区轮廓的剂量分布、hi\ci以及剂量指数(或dvh图)等评估指标情况,以对放疗靶区进行“雕刻式”修改,系统自动存储每次修改后
的靶区轮廓及其对应的各项评估指标,并基于多项指标为医师提供靶区轮廓的“帕累托最优(pareto optimality)解集”,最终在保证理想治疗剂量和保护危机器官之间寻求平衡。
[0056]
基于前述发明构思,本发明实施例提供了一种剂量分布预览系统。该系统的开发阶段在整体上大致可分为病例数据收集、数据预处理,深度学习网络模型结构搭建,目标函数设置,模型训练、验证和测试评估,剂量预览系统流程设计等。
[0057]
如图1所示,该剂量分布预览系统主要包括:
[0058]
数据读取与处理模块,用于读取ct影像数据、ptv轮廓和oars轮廓,以及进行剂量预测模型训练;所述轮廓数据由肿瘤医师根据所述ct影像数据所勾画;
[0059]
病例设定与剂量指数选择模块,用于接收肿瘤医师对所述病例设定与剂量指数选择模块的操作,实现病例设定和对应于所设定病例的剂量指数指标的选择;肿瘤医师设置患病部位(头部、胸部、腹部、盆腔或四肢)以及具体病种(脑瘤、鼻咽癌、食管癌、肺癌、直肠癌、宫颈癌和前列腺癌),系统自动根据病例情况选取默认剂量指数;医师也可根据临床要求或个人偏好设置靶区或不同危机器官的剂量指数指标;
[0060]
3d剂量分布图预览模块,用于采用训练完成的剂量预测模型,对所述ct影像数据和ptv数据进行处理,得到3d剂量分布图,以供肿瘤医师预览;
[0061]
计算模块,用于根据所述3d剂量分布图计算并绘制靶区和各危机器官的dvh曲线,并解析出所关注的剂量指数和hi/ci指标,以供肿瘤医师预判评估;
[0062]
通信模块,用于实现所述剂量分布系统与外部放疗计划系统之间的通信。
[0063]
其中,训练剂量预测模型具体过程包括:
[0064]
(1)病例数据收集
[0065]
·
本发明中收集的原始病例数据均为配对数据,即对于某患者病例,应完整收集其相应的dicom(digital imaging and communications in medicine)通讯协议医学数据,包括:
[0066]
·
医学影像数据,主要为放疗模拟定位ct医学影像数据,格式为rt image
[0067]
·
ptv,oars勾画轮廓信息数据,格式为rt structure
[0068]
·
临床剂量分布(dose distribution map)数据,格式为rt dose
[0069]
其中,所有原始医学影像数据均来自于放疗科实际临床使用的模拟定位设备,并采取与临床情景一致参数扫描获取;所有勾画轮廓均由至少两位富有经验的肿瘤医师协力完成,并通过高级医师的评估与审核;基于上述勾画轮廓数据所得到的放疗计划均由至少两位富有经验的物理师协力完成,所有计划通过高级物理师和医师审核,并已交付临床使用。本发明中所涉及病种包括脑瘤、鼻咽癌、食管癌、肺癌、直肠癌、宫颈癌和前列腺癌,对于上述所有病种,原始病例收集数量均为100~120例,按照约5:1的比例被随机划分为训练

验证集(train

valid dataset)和测试集(test dataset)。
[0070]
(2)数据预处理
[0071]
原始数据预处理是深度学习网络训练与验证的前提,所有数据通过tps导出并进行格式(.dcm/.nii)及2d/3d初始转化,之后进行图像预处理,本发明中医学影像预处理步骤如图2所示,具体包括:
[0072]
·
医学影像重采样(image resampling):初始转化后的ct,structures和dose distribution map等3d图像体素间距(voxel spacing)不一致,设其分别为(sct_x,sct_y,
sct_z),(sstruc_x,sstruc_y,sstruc_z),(sdose_x,sdose_y,sdose_z);设其3d图像分辨率分别为(dct_x,dct_y,dct_z),(dstruc_x,dstruc_y,dstruc_z),(ddose_x,ddose_y,ddose_z);设其3d图像大小分别为(fct_x,fct_y,fct_z),(fstruc_x,fstruc_y,fstruc_z),(fdose_x,fdose_y,fdose_z);为保证不同类型3d图像单体素所映射的真实物理空间大小一致,需使其体素间距保持统一为s0,根据在单一维度中图像大小(mm),f=s*d且f为定值,可求得重采样后所有ct,structures和dose distribution map的分辨率。本发明中,对于structures二值化图像(0/255)重采样采取最近邻域从插值(nearest neighbor interpolation),对于ct和dose distribution map采取b

样条插值(b

spline interpolation)
[0073]
·
structures图像设置标签值:针对ptv以及不同oars和身体外轮廓分别设置不同的标签值l1,l2

ln,空气部分均保持为0值,使其分别形成对应的二值化图像,其中,标签值上下界与ct灰度区间大致保持一致。
[0074]
·
dose distribution map像素值

剂量值转化:基于python

pydicom或itk等相关工具读取初始dose distribution map的dosegridscaling参数,基于此将剂量图像像素值矩阵转化为剂量值矩阵。
[0075]
·
图像裁剪及填充(image cropping and padding):将所有ct,structures和dose distribution map图像的3d分辨率裁剪并统一到相同大小,即所有图像矩阵的行、列数均保持一致,为便于网络训练和验证,一般取值128或256,对于实际分辨率小于此值的,以0值对其进行填充。
[0076]
·
图像归一化。将ct,structures和dose distribution map图像矩阵按照其对应的区间归一化至[

1,1].
[0077]
·
多通道(multi

channels)数据堆叠:本发明中神经网络输入数据采取多通道数据形式输入以提高网络参数量和预测效果。整体多通道数据channel_1,channel_2,channel_3,channel_4

channel_n分别为ct影像数据、三维剂量数据、靶区数据和不同oars二值化图像数据。
[0078]
(3)深度学习网络模型结构搭建
[0079]
本发明中所涉及的剂量预测主要基于深度学习图像生成方法,所采用的网络模型结构在整体架构上融合了两种深度学习思想,其一是条件生成对抗网络(conditional generative adversarial network,cgan)思想,其二是多尺度/多通道特征融合(multi

scale/channels feature fusion)的编码

解码网络思想。总体网络结构包含两部分,如图3所示,即生成网络和判别网络,两者具有相反的优化目标,因此在每个训练周期中都存在相互对抗、相互促进的过程。在图3中,x为由ct和轮廓数据组成的多通道输入数据,g(x)为生成网络的输出即预测剂量分布图,“fake”、“real”代表判别器的分类结果为“假”、“真”。
[0080]
·
判别网络(discriminator),如图4所示,理想优化目标为可精准区分临床剂量分布图(clinical dose distribution map)和预测剂量分布(predicted dose distribution map),即输入为上述两者时,网络输出分别为“真(real)”和“假(fake)”。网络结构采用由卷积/归一/激活层组成的patchgan判别网络,其中归一层采用批归一化(batch normalize),激活层以leakyrelu(leaky rectified linear unit,带泄露线性整流函数)作为激活函数。基于对输入图像重叠块的二分类输出概率值矩阵,设f
n
为第n层感
受野大小,ks为卷积核尺寸(kernel size),s为步长,则第n层感受野大小:
[0081]
f
n
=ks*f
n 1

(ks

s)*(f
n 1

1)
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0082]
由此可以求得由后往前感受野分别为:4*4*4,7*7*7,16*16*16,34*34*34,70*70*70

,根据所需求感受野大小则可求得判别器卷积层数这一超参。
[0083]
在图4中,x为由ct和轮廓数据组成的多通道输入数据,g(x)为生成网络的输出即预测剂量分布图,cli为临床剂量分布图,mcli、mpre分别判别器针对临床剂量分布和预测剂量分布的概率输出矩阵。
[0084]
·
生成网络(generator),如附图5所示,理想优化目标为输出与临床剂量分布图没有差异的预测剂量分布,使得自身预测结果输入至判别器时输出结果为“真(real)”。编码部分采取多个卷积/归一/激活层组成的编码块和一系列下采样操作在多尺度提取来自于多通道的图像特征,其中归一层采用批归一化(batch normalize),激活层以relu(rectified linear unit,线性整流函数)作为激活函数对于每个解码层,其输入都包含对不同尺度、不同通道的特征融合,并对特征图进行卷积/归一/激活处理,解码部分通过上采样实现将高维特征图逐步转变为3d预测剂量分布图。
[0085]
在图5中,和分别表示不同等级的编码层和解码层,n@s3表示当前特征图数量为n,三维尺寸大小为s3。
[0086]
(4)目标函数设置
[0087]
本发明中针对判别网络和生成网络分别设置不同的目标函数组合。
[0088]
判别网络目标函数主要采用常规的二值交叉熵(binary cross entropy,bce)和sigmoid(σ)函数相结合的方式,如下所示:
[0089][0090][0091][0092]
其中x表示多通道输入数据,cli和pre分别代表临床剂量分布和预测剂量分布,l
d_cli
和l
d_pre
分别表示判别网络对于临床剂量分布和预测剂量分布的损失项;l
d
表示判别器总的损失函数;m
cli
和m
pre
分别为判别网络针对临床剂量分布和预测剂量分布的分类输出概率矩阵。
[0093]
生成网络目标函数由以下多类损失项按照不同权重组成:
[0094]
a.对抗损失项(与判别器)(adversarial loss)
[0095][0096]
其中g(x)表示生成器输出的预测剂量图,m
g(x)
表示由概率值构成的矩阵,l
g_cgan
表示生成网络对抗损失项。
[0097]
b.近邻体素差异损失项(adjacent voxels difference loss)
[0098]
[0099]
其中m
t
、m
c
、m
s
分别表示3d剂量分布图像的横断面、冠状面和矢状面层数,cli
i
、cli
j
、、cli
k
分别表示临床剂量图中某一层的剂量值矩阵,而g(x)
i
、g(x)
j
、g(x)
k
为生成器预测剂量分布图对应的剂量矩阵,l
g_avd
表示通过最小化相邻体素剂量值差异来尽量保持图像边缘特征的损失项。
[0100]
c.l1范数损失项
[0101]
l
g_l1
=||cli

g(x)||1ꢀꢀꢀꢀꢀꢀꢀ
(7)
[0102]
其中,l
g_l1
表示生成网络l1范数损失项。
[0103]
生成网络总目标函数为:
[0104]
l
g
=λ
cgan
·
l
g_cgan
λ
g_avd
·
l
g_avd
λ
l1
·
l
g_l1
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0105]
其中,λ
cgan
,λ
g_avd
,λ
l1
超参数分别表示对抗损失项、近邻体素差异损失项和l1范数损失项的权重。
[0106]
(5)模型训练、验证和测试评估
[0107]
所有病例按照总量约5:1比例随机划分为训练

验证集和测试集,采取五折交叉验证(5

fold valid)的方式进行模型的训练和验证,输入采取数据增强方法(如图6所示,图中d0表示原始图像尺寸,d
x
表示随机裁剪后的图像尺寸),每次迭代对多通道图像进行随机旋转和随机裁剪。训练期间不断调整模型超参数,并每隔五个训练周期(epoch)对模型进行存储,以便后期测试,测试后的评估指标主要包括以下方面:
[0108]
·
剂量分布差值图和差值统计直方图
[0109]
·
mae(平均绝对误差)或mse(均方误差)
[0110]
·
dvh(dose

volume histograms,剂量体积直方图)
[0111]
·
剂量指数统计:ptv的d99%,d98%,d95%,d50%,d2%,不同oars的dmax和dmean等
[0112]
·
ptv剂量分布的均匀性指数(homogeneity index,hi):
[0113]
·
ptv剂量分布的适形度指数(conformity index,ci):其中v
t
表示ptv体积,v
p
表示处方剂量覆盖体积,v
tp
表示处方剂量覆盖ptv区域体积
[0114]
·
dice系数:其中pre和cli分别表示预测剂量分布图和临床剂量分布图,prescription_dose表示处方剂量
[0115]
进一步地,上述通信模块具体用于:
[0116]
将ct影像数据、ptv轮廓和oars轮廓上传至放疗计划系统,使得物理师进行设备选择、射野布局、约束条件设置、剂量计算、计划优化及预评估,得到放疗计划,由肿瘤医师与物理师对放疗计划进行多次反复调整后交付临床验证和实施。
[0117]
需要说明的是,本实施例中的剂量分布预览系统基于udp/ip传输层协议并充分结合dicom协议实现网络通信功能;基于.net core的asp.net core应用开发框架实现客户端。该剂量分布预览系统主要为肿瘤医师提供剂量分布预览、剂量指数(或dvh图)及hi\ci指标计算等功能。
[0118]
基于上述剂量分布预览系统,请参考图7,本发明实施例提供的放疗靶区确立和修
正方法流程如下:
[0119]
(1)肿瘤医师基于ct或多模态(mri、pet

ct等)融合的医学影像数据,结合检查或检验结果以及自身临床经验确定gtv位置和区域,并在此基础上外扩得到ctv区域。
[0120]
(2)在所确定ctv区域的基础上,外扩到初始ptv轮廓,同时勾画oars轮廓。肿瘤医师可通过前述病例设定与剂量指数选择模块进行病例设定和剂量指数选择。
[0121]
(3)ct和轮廓数据读取至剂量预览系统,系统处理原始数据,并为肿瘤医师提供与当前ptv所对应的3d剂量分布图、dvh图、所关注的剂量指数和hi\ci等指标计算结果。即,将所述ct影像数据和ptv数据输入3d剂量分布图预览模块进行处理,得到3d剂量分布图;通过所述计算模块根据所述3d剂量分布图计算并绘制靶区和各危机器官的dvh曲线,并解析出所关注的剂量指数和hi/ci指标。
[0122]
(4)医师参考预览系统并基于当前轮廓数据所得结果,对ptv进行“雕刻式”修正,每次做出细小修正之后均可实时获取三维剂量分布图、dvh和各项剂量指数,尽量使所确定的ptv轮廓在保证病灶(及周围必要区域)受量和降低危机器官风险之间达到平衡。即,基于处理结果(包括3d剂量分布图、dvh图、所关注的剂量指数和hi/ci指标),接收肿瘤医师对所述ptv轮廓的修正,使得修正后的ptv轮廓在保证病灶受量和降低危机器官风险之间达到平衡。
[0123]
(5)系统保存每次修改轮廓及其所对应的三维剂量分布图、dvh、ptv\oars的各项剂量指数,并自动基于上述指标给出靶区轮廓的多目标“帕累托最优(pareto optimality)解集”,肿瘤医师结合患者情况和临床要求进行决策。即,通过所述计算模块对修正后的处理结果进行计算,得到靶区轮廓的多目标帕累托最优解集,使得肿瘤医师根据靶区轮廓的多目标帕累托最优解集、结合患者情况和临床要求进行辅助决策,得到靶区勾画结果。
[0124]
(6)将靶区勾画结果交付给高级医师审核。
[0125]
(7)ptv、oars及相关影像数据上传至tps,由物理师进行设备选择、射野布局、约束条件设置、剂量计算和计划优化及预评估等工作,计划设计完成后反馈给医师评估。
[0126]
(8)肿瘤医师根据物理师反馈的三维剂量分布情况、ptv与oars的剂量指数(或dvh图)、hi\ci等对计划进行评估,并根据临床规定,要求物理师进一步优化计划,计划需反复调整直至最优状态。
[0127]
(9)放疗计划经由医师、高级物理师评估和审核后交付临床验证和实施。
[0128]
从以上描述可以得知,与当前放疗靶区的确立和修正工作方式相比,本发明所提出的基于深度学习的剂量预览系统及其辅助指导下的放疗靶区确立和修正方法具备以下优点:
[0129]
(1)在肿瘤医师对进行靶区确立和修正过程中,本发明所提出方法针对修改中的靶区轮廓,在无需制定放疗计划的情况下,可提供实时的三维剂量分布预览、相关剂量指数(或dvh图)和hi\ci等指标的提前计算评估功能,以指导肿瘤医师保证处方治疗剂量(对于病灶及其周围必要区域)和降低危机器官(正常组织器官)风险之间找到平衡,使其对靶区轮廓进行“雕刻式”的修改。
[0130]
(2)本发明所提出方法可使肿瘤医师在靶区确立和修正过程中(尤其是针对病灶体积大、位置特殊或者sib病例),以系统提供的剂量分布和剂量指数(或dvh图)为标准,从而弥补临床经验的不足和业务水平的差异。
[0131]
(3)对于放疗物理师,一方面,由于医师基于本发明所提出方法可得到剂量分布、剂量指数、hi\ci等指标情况,因此在每次靶区修改之后,无需物理师进行计划制定以向医师反馈各项评估指标;另一方面,物理师制定放疗计划是基于医师所提供的理想靶区轮廓数据,当计划结果不理想时,可排除靶区勾画的不合理性,从而只关注计划制定过程的失误;因此,本发明所提供方法可在较大程度上减小物理师的工作负担。
[0132]
(4)本发明所提供的方法在医师和物理师相配合的靶区确立和修正流程所带来的冗余时间,较大程度上减少了计划制定过程中的无用功,有利于缩短患者接受治疗的延迟时间,从而避免延迟治疗所带来的疗效降低和放疗毒副作用风险。
[0133]
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
转载请注明原文地址:https://win.8miu.com/read-50307.html

最新回复(0)