一種在線自適應放療計劃優(yōu)化方法
【專利摘要】本發(fā)明公開了一種在線自適應放療計劃優(yōu)化方法，其通過導入分次引導圖像后與原始計劃中的圖像進行剛性配準和形變配準，生成靶區(qū)和危及器官的此分次勾畫輪廓，根據(jù)原始計劃中的參數(shù)、分次引導圖像和此分次勾畫輪廓重新計算劑量分布和劑量體積直方圖，其后結(jié)合原始處方約束判斷是否需要修改放療計劃，如需要則結(jié)合臨床要求進行病人放療計劃的快速在線修改，生成此分次放療計劃并進行自動放療計劃質(zhì)量保證。本發(fā)明可通過基于GPU加速的形變配準及劑量計算算法，綜合考慮到病人治療過程中解剖結(jié)構(gòu)的變化，并能夠在每個分次治療開始前短時間內(nèi)快速完成整個放療計劃的優(yōu)化。相比于基于商業(yè)治療計劃系統(tǒng)的離線自適應放療方法，效率高，滿足臨床需要。
【專利說明】一種在線自適應放療計劃優(yōu)化方法

【技術領域】
[0001] 本發(fā)明涉及治療計劃的優(yōu)化方法，具體涉及一種放療計劃的優(yōu)化方法。

【背景技術】
[0002] 目前的腫瘤放射治療過程一般是在治療開始前，基于病人的定位CT來生成放療 計劃，然后在隨后的治療過程中保持放療計劃不變，對病人進行若干分次治療。這樣的治療 模式?jīng)]有考慮到治療過程中病人的解剖結(jié)構(gòu)變化，比如腫瘤體積和位置的變化，病人身體 輪廓的變化，胃腸充盈狀態(tài)的變化以及引起的周圍危及器官位置的變化等，導致病人實際 接受的劑量偏離醫(yī)生的處方劑量，進而引起腫瘤控制率的下降和正常組織并發(fā)癥概率的增 加。
[0003] 當病人解剖結(jié)構(gòu)發(fā)生很大變化時，傳統(tǒng)自適應治療方法通常被用來修正放射治 療的計劃。傳統(tǒng)自適應放療通過在治療過程中的某個分次前掃描病人的定位CT，然后由 醫(yī)生重新勾畫靶區(qū)和危及器官的輪廓，接著由物理師或者劑量員通過商業(yè)治療計劃系統(tǒng) (Treatment Planning System, TPS)重新設計優(yōu)化治療計劃，并由物理師進行治療計劃質(zhì) 量保證，最后治療計劃才能被用于以后分次的治療。然而，生成新的治療計劃的過程跟設計 原始放療計劃一樣，時間長，延誤了新計劃的治療時間，并且需要投入很多的人力和物力， 所以也很少被醫(yī)院所采用。
[0004] 因此，縱觀目前國內(nèi)國外現(xiàn)有的放射治療模式，基于傳統(tǒng)的放射治療沒有考慮到 病人治療過程中解剖結(jié)構(gòu)的變化，因此不能實現(xiàn)預期的治療目標，如果基于商業(yè)治療計劃 系統(tǒng)做離線自適應放射治療，效率低，耗時耗力，因此難以在臨床上廣泛使用。


【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：為了克服現(xiàn)有技術中存在的不足，本發(fā)明提供一種在線自適應放療計 劃優(yōu)化方法，使得能夠在每個分次治療開始前快速完成整個治療計劃的優(yōu)化，很好地滿足 了臨床需要。
[0006] 技術方案：為解決上述技術問題，本發(fā)明提供的在線自適應放療計劃優(yōu)化方法，包 括以下步驟： 1) 導入分次引導圖像； 2) 分次引導圖像與原始放療計劃中的圖像剛性配準； 3) 分次引導圖像與原始放療計劃中的圖像形變配準； 4) 生成并調(diào)整靶區(qū)和危及器官的此分次勾畫輪廓（即當次的分次勾畫輪廓)，使其同分 次引導圖像的解剖結(jié)構(gòu)一致； 5) 根據(jù)分次引導圖像和原始放療計劃中的圖像，判斷病人的解剖結(jié)構(gòu)的變化是否超過 變化閾值，如是，則進入步驟6);如否，則保存原始放療計劃作為此分次放療計劃（即當次的 分次放療計劃)，結(jié)束； 6) 根據(jù)原始放療計劃中的參數(shù)，基于分次引導圖像和此分次勾畫輪廓重新計算劑量分 布（Dose Distribution)和劑量體積直方圖（Dose Volume Histogram，DVH); 7) 判斷步驟6)得到的劑量分布和劑量體積直方圖是否符合原始處方約束，如否，則進 入步驟8);如是，則使用原始放療計劃作為此分次放療計劃，結(jié)束； 8) 基于步驟4)生成的此分次勾畫輪廓，結(jié)合臨床要求，進行病人放療計劃的快速在 線修改，生成此分次放療計劃（即當次的分次放療計劃)，并進行自動放療計劃質(zhì)量保證 (Quality Assurance, QA),結(jié)束。
[0007] 優(yōu)選的，所述步驟1)中，所述分次引導圖像包括CT (Computed Tomography)、錐束 CT (Cone-Beam CT)、超聲（Ultrasound)、PET (Positron Emission Tomography)或磁共振 (Magnetic Resonance, MR)等圖像中的至少一種；所述步驟3)中，通過形變配準算法快速 計算形變矢量場，并基于有限元模型計算每個體元的受力情況，分析形變矢量場的誤差，自 動檢查分次引導圖像與原始放療計劃中的圖像形變配準的精確度； 所述步驟4)中包括如下步驟： 4. 1)結(jié)合步驟1)得到的分次引導圖像和步驟3)得到的形變矢量場，基于原始計劃上 靶區(qū)和危及器官的勾畫輪廓，生成初始的分次勾畫輪廓； 4. 2)將初始的分次勾畫輪廓和原始計劃上的勾畫輪廓進行對比，結(jié)合臨床要求進行修 改，使其同分次引導圖像的解剖結(jié)構(gòu)一致，從而生成靶區(qū)和危及器官的此分次勾畫輪廓； 所述步驟6)中，是將原始放療計劃的參數(shù)、步驟1)得到的分次引導圖像、步驟4)得到 的此分次勾畫輪廓，通過快速劑量計算算法重新計算劑量分布，進而計算得到劑量體積直 方圖DVH; 所述步驟8)中包括如下步驟： 8. 1)當原始放療計劃是靜態(tài)調(diào)強放射治療計劃（Static IMRT)時，基于步驟4)得到 的此分次勾畫輪廓，沿著機架角度使用快速投影算法得到射束方向視圖（Beam Eye View, BEV)，根據(jù)射束方向視圖修改并確認靜態(tài)調(diào)強放射治療計劃每個子野（Segment)的多頁 準直器（Multi-Leaf Collimator，MLC)形狀；當原始放療計劃是容積調(diào)強放射治療計劃 (VMAT)時，基于步驟4)得到的此分次勾畫輪廓，沿著每個控制點使用快速投影算法得到射 束方向視圖，結(jié)合多頁準直器的葉片最大運動速度，根據(jù)射束方向視圖修改并確認容積調(diào) 強放射治療計劃每個子野的多頁準直器形狀； 8. 2)以原始放療計劃劑量體積直方圖為參考，自動調(diào)整此分次勾畫輪廓中每個器官的 權(quán)重，結(jié)合多頁準直器透射光子和凹凸槽透射光子的影響，采用快速劑量計算算法計算修 改后的每個子野的劑量分布； 8. 3)當原始放療計劃是靜態(tài)調(diào)強放射治療計劃（Static IMRT)時，采用快速優(yōu)化算法 優(yōu)化每個子野的權(quán)重，即每個子野的跳數(shù)（MU)，獲得優(yōu)化后的此分次放療計劃的劑量分布； 當原始放療計劃是容積調(diào)強放射治療計劃（VMAT)時，則采用快速優(yōu)化算法優(yōu)化每個子野的 權(quán)重，得到多頁準直器葉片運動速度和加速器劑量率在內(nèi)的放療加速器機器照射參數(shù)，獲 得優(yōu)化后的此分次放療計劃的劑量分布； 8. 4)結(jié)合臨床要求，生成此分次放療計劃，即當次的分次放療計劃； 8. 5)采用不同于步驟8. 2)的另一種快速劑量計算算法再次進行劑量計算，并與步驟 8. 3)得到的劑量分布進行三維伽馬索引值計算評估，判斷伽馬通過率是否小于預設伽馬通 過率閾值，如是則進入步驟8. 1)重新計算，如否則結(jié)束。
[0008] 優(yōu)選的，所述步驟5)中的變化閾值為30%。當然也可以是根據(jù)需要設定，如為10%、 15%、20% 或 25%。
[0009] 優(yōu)選的，所述步驟3)中的形變配準算法、所述步驟6)、步驟8. 2)與步驟8. 5)中的 快速劑量計算算法、所述步驟8. 1)和步驟8. 3)中的快速優(yōu)化算法、所述步驟8. 5)中的三 維伽馬索引值計算評估是通過基于GPU、CPU或分布式云計算平臺實現(xiàn)的。
[0010] 優(yōu)選的，所述步驟3)的形變配準算法為Demons算法或B-Spline算法；所述步 驟6)、步驟8. 2)與步驟8. 5)中的快速劑量計算算法為卷積疊加算法或蒙特卡洛算法；所 述步驟8. 1)中的快速投影算法為Ray-Tracing算法；所述步驟8. 3)中的快速優(yōu)化算法為 Conjugate Gradient Barzilai-Borwein 算法； 優(yōu)選的，所述步驟8. 5)中的預設伽馬通過率閾值為95%。當然也可以是根據(jù)需要設定， 如為 96%、97%、98% 或 99%。
[0011] 有益效果：本發(fā)明提供了一種在線自適應放療計劃優(yōu)化方法，其通過導入分次引 導圖像后與原始放療計劃中的圖像進行剛性配準和形變配準，生成靶區(qū)和危及器官當次的 分次勾畫輪廓，當病人的解剖結(jié)構(gòu)的變化超過變化閾值時，根據(jù)原始放療計劃中的參數(shù)、分 次引導圖像和當次的分次勾畫輪廓重新計算劑量分布和劑量體積直方圖，其后結(jié)合原始處 方約束判斷是否需要修改放療計劃，當劑量分布和劑量體積直方圖不符合原始處方約束 時，結(jié)合此分次勾畫輪廓和臨床要求進行病人放療計劃的快速在線修改，最終生成當次的 分次放療計劃，并進行自動放療計劃質(zhì)量保證。
[0012] 本方法發(fā)明通過基于GPU加速的形變配準及劑量計算算法，綜合考慮到病人治療 過程中解剖結(jié)構(gòu)的變化，并使得整個放療計劃優(yōu)化過程可在病人躺倒在病床上之后的幾分 鐘之內(nèi)完成，能夠在每個分次治療開始前快速完成整個放療計劃的優(yōu)化。相比于基于商業(yè) 治療計劃系統(tǒng)的離線自適應放療方法，本發(fā)明效率高，節(jié)約時間及人力成本，很好的滿足了 臨床需要，可在臨床上推廣應用，具有顯著的社會意義。

【專利附圖】

【附圖說明】
[0013] 圖1是本方法發(fā)明的流程圖； 圖2是本方法發(fā)明中步驟8)的流程圖。

【具體實施方式】
[0014] 下面結(jié)合實施例對本發(fā)明做進一步的詳細說明，本實施列對本發(fā)明不構(gòu)成限定。
[0015] 原始放療計劃為某療程首次或之前某個分次治療執(zhí)行前，基于患者腫瘤及其周圍 器官組織的影像信息，經(jīng)過靶區(qū)勾畫，確認的放療計劃。原始處方約束為原始放療計劃的一 部分。
[0016] 在首次或之前某個分次治療執(zhí)行后的治療過程中，還將對病人進行分次治療，在 這樣的分次治療(此分次治療）執(zhí)行前，本發(fā)明綜合考慮到病人治療過程中解剖結(jié)構(gòu)的變 化，對原始放療計劃進行優(yōu)化以生成此分次放療計劃，本實施例所提供的在線自適應放療 計劃優(yōu)化方法，如圖1所示，其包括以下步驟： 1)導入分次引導圖像：所述分次引導圖像為此分次治療執(zhí)行前患者腫瘤及其周圍 器官組織的影像信息，包括CT (Computed Tomography)、錐束CT (Cone-Beam CT)、超聲 (Ultrasound, US)、PET(Positron Emission Tomography)或磁共振（Magnetic Resonance, MR)等圖像中的至少一種； 2) 分次引導圖像與原始放療計劃中的圖像剛性配準； 3) 分次引導圖像與原始放療計劃中的圖像形變配準：通過形變配準算法快速計算形變 矢量場（Deformation Vector Field, DVF)，所述形變配準算法為Demons算法或B-Spline 算法；并基于有限元模型（Finite Element Modeling，F(xiàn)EM)計算每個體元的受力情況，分析 形變矢量場的誤差，自動檢查分次引導圖像與原始放療計劃中的圖像形變配準的精確度； 4) 生成并調(diào)整靶區(qū)和危及器官的此分次勾畫輪廓（即當次的分次勾畫輪廓)，使其同分 次引導圖像的解剖結(jié)構(gòu)一致，包括： 4. 1)結(jié)合步驟1)得到的分次引導圖像和步驟3)得到的形變矢量場，基于原始計劃上 靶區(qū)和危及器官的勾畫輪廓，生成初始的分次勾畫輪廓； 4. 2)將初始的分次勾畫輪廓和原始計劃上的勾畫輪廓進行對比，結(jié)合臨床要求進行修 改，使其同分次引導圖像的解剖結(jié)構(gòu)一致，從而生成靶區(qū)和危及器官的此分次勾畫輪廓； 5) 根據(jù)分次引導圖像和原始放療計劃中的圖像，判斷病人的解剖結(jié)構(gòu)的變化是否超過 變化閾值，如是，則進入步驟6);如否，則保存原始放療計劃作為此分次放療計劃（即當次的 分次放療計劃)，結(jié)束；步驟5)中的變化閾值為30%。當然也可以是根據(jù)需要設定，如為10%、 15%、20% 或 25%。
[0017] 6)根據(jù)原始放療計劃中的參數(shù)，基于分次引導圖像和此分次勾畫輪廓重新計算劑 量分布和劑量體積直方圖DVH :將原始放療計劃的參數(shù)、步驟1)得到的分次引導圖像、步驟 4)得到的此分次勾畫輪廓，通過快速劑量計算算法重新計算劑量分布，進而計算得到劑量 體積直方圖DVH ;此處所采用的快速劑量計算算法為卷積疊加算法或蒙特卡洛算法； 7) 結(jié)合原始處方約束判斷是否需要修改放療計劃，即判斷步驟6)得到的劑量分布和劑 量體積直方圖是否符合原始處方約束，如否，則進入步驟8);如是，則使用原始放療計劃作 為此分次放療計劃，結(jié)束； 8) 基于步驟4)生成的此分次勾畫輪廓，結(jié)合臨床要求，進行病人放療計劃的快速在 線修改，生成此分次放療計劃（即當次的分次放療計劃)，并進行自動放療計劃質(zhì)量保證 (Quality Assurance, QA)，如圖2所示，步驟8)包括如下步驟： 8. 1)當原始放療計劃是靜態(tài)調(diào)強放射治療計劃（Static IMRT)時，基于步驟4)得到 的此分次勾畫輪廓，沿著機架角度使用快速投影算法得到射束方向視圖（Beam Eye View, BEV)，根據(jù)射束方向視圖修改并確認靜態(tài)調(diào)強放射治療計劃每個子野（Segment)的多頁 準直器（Multi-Leaf Collimator，MLC)形狀；當原始放療計劃是容積調(diào)強放射治療計劃 (VMAT)時，基于步驟4)得到的此分次勾畫輪廓，沿著每個控制點（Control Point)使用快 速投影算法得到射束方向視圖，結(jié)合多頁準直器的葉片最大運動速度，根據(jù)射束方向視圖 修改并確認容積調(diào)強放射治療計劃每個子野的多頁準直器形狀； 8. 2)以原始放療計劃劑量體積直方圖為參考，自動調(diào)整此分次勾畫輪廓中每個器官的 權(quán)重，結(jié)合多頁準直器透射光子和凹凸槽透射光子的影響，采用快速劑量計算算法計算修 改后的每個子野的劑量分布； 8. 3)當原始放療計劃是靜態(tài)調(diào)強放射治療計劃（Static IMRT)時，采用Conjugate Gradient Barzilai-Borwein算法優(yōu)化每個子野的權(quán)重，即每個子野的跳數(shù)（MU)，獲得優(yōu)化 后的此分次放療計劃的劑量分布；當原始放療計劃是容積調(diào)強放射治療計劃（VMAT)時，則 也使用Conjugate Gradient Barzilai-Borwein算法優(yōu)化每個子野的權(quán)重，得到多頁準直 器葉片運動速度和加速器劑量率在內(nèi)的放療加速器機器照射參數(shù)，獲得優(yōu)化后的此分次放 療計劃的劑量分布； 8. 4)結(jié)合臨床要求，生成此分次放療計劃，即當次的分次放療計劃； 8. 5)進行自動放療計劃質(zhì)量保證，即采用不同于步驟8. 2)的另一種快速劑量計算算法 再次進行劑量計算，并與步驟8. 3)得到的劑量分布進行三維伽馬索引值計算評估，判斷伽 馬通過率是否小于預設伽馬通過率閾值，如是則進入步驟8. 1)重新計算，如否則結(jié)束。步 驟8. 5)中的預設伽馬通過率閾值為95%。當然也可以是根據(jù)需要設定，如為96%、97%、98% 或 99%。
[0018] 本實施例中步驟8.2)中的快速劑量計算算法為卷積疊加算法，步驟8.5)中的快 速劑量計算算法為蒙特卡洛算法；當然也可以根據(jù)需要設定為：步驟8. 2)中的快速劑量計 算算法為蒙特卡洛算法，步驟8. 5)中的快速劑量計算算法為卷積疊加算法。
[0019] 本實施例中步驟3)中的形變配準算法、步驟6)、步驟8. 2)與步驟8. 5)中的快速 劑量計算算法、步驟8. 1)和步驟8. 3)中的快速優(yōu)化算法、步驟8. 5)中的三維伽馬索引值 計算評估是通過基于GPU、CPU或分布式云計算平臺實現(xiàn)的。
【權(quán)利要求】
1. 一種在線自適應放療計劃優(yōu)化方法，其特征在于包括以下步驟： 1) 導入分次引導圖像； 2) 分次引導圖像與原始放療計劃中的圖像剛性配準； 3) 分次引導圖像與原始放療計劃中的圖像形變配準； 4) 生成并調(diào)整靶區(qū)和危及器官的此分次勾畫輪廓，使其同分次引導圖像的解剖結(jié)構(gòu)一 致； 5) 根據(jù)分次引導圖像和原始放療計劃中的圖像，判斷病人的解剖結(jié)構(gòu)的變化是否超過 變化閾值，如是，則進入步驟6);如否，則保存原始放療計劃作為此分次放療計劃，結(jié)束； 6) 根據(jù)原始放療計劃中的參數(shù)，基于分次引導圖像和此分次勾畫輪廓重新計算劑量分 布和劑量體積直方圖； 7) 判斷步驟6)得到的劑量分布和劑量體積直方圖是否符合原始處方約束，如否，則進 入步驟8);如是，則使用原始放療計劃作為此分次放療計劃，結(jié)束； 8) 基于步驟4)生成的此分次勾畫輪廓，結(jié)合臨床要求，進行病人放療計劃的快速在線 修改，生成此分次放療計劃并進行自動放療計劃質(zhì)量保證，結(jié)束。
2. 根據(jù)權(quán)利要求1所述的在線自適應放療計劃優(yōu)化方法，其特征在于： 所述步驟1)中，所述分次引導圖像包括CT、錐束CT、超聲、PET或磁共振中的至少一 種； 所述步驟3)中，通過形變配準算法快速計算形變矢量場，并基于有限元模型計算每個 體元的受力情況，分析形變矢量場的誤差，自動檢查分次引導圖像與原始放療計劃中的圖 像形變配準的精確度； 所述步驟4)中包括如下步驟： 4. 1)結(jié)合步驟1)得到的分次引導圖像和步驟3)得到的形變矢量場，基于原始計劃上 靶區(qū)和危及器官的勾畫輪廓，生成初始的分次勾畫輪廓； 4. 2)將初始的分次勾畫輪廓和原始計劃上的勾畫輪廓進行對比，結(jié)合臨床要求進行修 改，使其同分次引導圖像的解剖結(jié)構(gòu)一致，從而生成靶區(qū)和危及器官的此分次勾畫輪廓； 所述步驟6)中，是將原始放療計劃的參數(shù)、步驟1)得到的分次引導圖像、步驟4)得到 的此分次勾畫輪廓，通過快速劑量計算算法重新計算劑量分布，進而計算得到劑量體積直 方圖； 所述步驟8)中包括如下步驟： 8. 1)當原始放療計劃是靜態(tài)調(diào)強放射治療計劃時，基于步驟4)得到的此分次勾畫輪 廓，沿著機架角度使用快速投影算法得到射束方向視圖，根據(jù)射束方向視圖修改并確認靜 態(tài)調(diào)強放射治療計劃每個子野的多頁準直器形狀；當原始放療計劃是容積調(diào)強放射治療計 劃時，基于步驟4)得到的此分次勾畫輪廓，沿著每個控制點使用快速投影算法得到射束方 向視圖，結(jié)合多頁準直器的葉片最大運動速度，根據(jù)射束方向視圖修改并確認容積調(diào)強放 射治療計劃每個子野的多頁準直器形狀； 8. 2)以原始放療計劃劑量體積直方圖為參考，自動調(diào)整此分次勾畫輪廓中每個器官的 權(quán)重，結(jié)合多頁準直器透射光子和凹凸槽透射光子的影響，采用快速劑量計算算法計算修 改后的每個子野的劑量分布； 8. 3)當原始放療計劃是靜態(tài)調(diào)強放射治療計劃時，采用快速優(yōu)化算法優(yōu)化每個子野的 權(quán)重，即每個子野的跳數(shù)，獲得優(yōu)化后的此分次放療計劃的劑量分布；當原始放療計劃是容 積調(diào)強放射治療計劃時，則采用快速優(yōu)化算法優(yōu)化每個子野的權(quán)重，得到多頁準直器葉片 運動速度和加速器劑量率在內(nèi)的放療加速器機器照射參數(shù)，獲得優(yōu)化后的此分次放療計劃 的劑量分布； 8. 4)結(jié)合臨床要求，生成此分次放療計劃； 8. 5)采用不同于步驟8. 2)的另一種快速劑量計算算法再次進行劑量計算，并與步驟 8. 3)得到的劑量分布進行三維伽馬索引值計算評估，判斷伽馬通過率是否小于預設伽馬通 過率閾值，如是則進入步驟8. 1)重新計算，如否則結(jié)束。
3. 根據(jù)權(quán)利要求1所述的在線自適應放療計劃優(yōu)化方法，其特征在于：所述步驟5)中 的變化閾值為10%或15%或20%或25%或30%。
4. 根據(jù)權(quán)利要求2所述的在線自適應放療計劃優(yōu)化方法，其特征在于：所述步驟3)中 的形變配準算法、所述步驟6)、步驟8. 2)與步驟8. 5)中的快速劑量計算算法、所述步驟 8. 1)快速投影算法、和步驟8. 3)中的快速優(yōu)化算法、所述步驟8. 5)中的三維伽馬索引值計 算算法是通過基于GPU、CPU或分布式云計算平臺實現(xiàn)的。
5. 根據(jù)權(quán)利要求2所述的在線自適應放療計劃優(yōu)化方法，其特征在于：所述步驟3) 的形變配準算法為Demons算法或B-Spline算法；所述步驟6)、步驟8. 2)與步驟8. 5) 中的快速劑量計算算法為卷積疊加算法或蒙特卡洛算法；所述步驟8. 1)中的快速投影 算法為Ray-Tracing算法；所述步驟8. 3)中的快速優(yōu)化算法為Conjugate Gradient Barzilai-Borwein 算法。
6. 根據(jù)權(quán)利要求2所述的在線自適應放療計劃優(yōu)化方法，其特征在于：所述步驟8. 5) 中的預設伽馬通過率閾值為95%或96%或97%或98%或99%。
【文檔編號】G06F19/00GK104117151SQ201410396434
【公開日】2014年10月29日 申請日期:2014年8月12日 優(yōu)先權(quán)日:2014年8月12日
【發(fā)明者】李永寶, 章樺, 柴象飛 申請人:章樺