为患者生成放射疗法治疗计划的方法、计算机程序产品和计算机系统与流程

1.本发明涉及一种产生放射疗法治疗计划的方法和一种训练机器学习系统的方法，并且涉及一种计算机程序产品和一种计算机系统。


背景技术：

2.治疗计划是准备放射疗法治疗的重要部分，并且越来越多地涉及机器学习的使用。在此类情况下，它由两个主要阶段组成：剂量预测，用于产生期望的剂量分布；以及剂量模拟，用于基于期望的剂量而产生可递送且实际上可行的治疗计划。完全彼此独立地执行这两个阶段。
3.剂量预测可能是基于机器学习的，并且根据已经从所递送剂量的数据集中学习的模型产生适合于患者几何形状的期望的空间剂量分布。剂量模拟使用期望的剂量分布作为优化过程的输入。该阶段通常计算量大且耗时。优化问题被设计成考虑最优性准则，包括递送系统的机器约束和辐射递送过程的物理性，并且通常包括一些其他最佳性准则以确定将导致对患者得到最佳可递送剂量的治疗计划。
4.美国专利公布no.2019/192880和ep公布3 628 372公开了基于机器学习的剂量预测方法，其中已经使用包括图像数据和期望结果的训练集合对机器学习系统进行了训练，被训练以最小化基于图像数据的输出与已知的期望结果之间的差。
5.从优化得到的剂量通常偏离经预测的剂量分布，因为在剂量模拟阶段应用的各种最优性因素适用于物理上和技术上可能的情况。如果得到的可递送剂量没有用，则可能难以确定错误是发生在剂量预测阶段还是剂量模拟阶段。


技术实现要素：

6.本发明的目标是使用机器学习系统实现更快和更可靠的治疗计划。
7.本发明涉及一种为患者生成放射疗法治疗计划的基于计算机的方法，所述计划包括从辐射源向患者提供辐射，该方法包括以下步骤：
[0008]-剂量预测，通过使用机器学习系统基于医学图像和包括患者的至少一个描绘的结构的结构数据而生成取决于患者的几何形状的经预测的剂量分布或辐照参数的集合，辐照参数的集合可用于为患者生成剂量预测；
[0009]-剂量模拟，通过使用经预测的剂量分布和/或辐照参数的集合以生成可递送的治疗计划，其中
[0010]-剂量预测步骤涉及使用机器学习系统，该机器学习系统已经被训练以考虑与将影响治疗计划的递送的物理或技术约束相关的至少一个最优性准则。
[0011]
本发明还涉及一种训练这种机器学习系统的方法，该方法训练机器学习系统以用于放射疗法治疗计划，包括以下步骤：
[0012]-向机器学习系统提供与患者的医学图像、包括患者的至少一个描绘的结构的结
构数据和取决于基于医学图像确定的患者的几何形状的期望的剂量分布相关的输入数据的集合，
[0013]-将来自机器学习系统的输出与期望的剂量分布进行比较，并将比较结果馈送到机器学习系统，
[0014]-其中该输入数据的集合进一步包括与将影响治疗计划的递送的物理或技术约束相关的至少一个最优性准则，并且该训练包括训练机器学习系统以考虑与将影响治疗的递送的物理或技术约束相关的至少一个最优性准则。
[0015]
根据本发明，在剂量预测步骤中引入通常在剂量模拟步骤中考虑的因素中的至少一个。这与其中剂量预测步骤仅基于患者几何形状的现有技术方法形成对比，而在剂量模拟步骤之前不考虑与递送过程相关联的物理和技术约束。通过在剂量预测步骤中考虑这些约束中的至少一些，计划方法将返回经预测的剂量，该经预测的剂量更接近可以实际递送给患者以产生期望结果的剂量，或返回辐照参数的集合，该辐照参数的集合可以用来确定这种经预测的剂量。优选地，该辐照参数的集合包括足以确定经预测的剂量的信息。因此，可以更快地进行剂量模拟步骤，同时还返回与经预测的剂量更好地匹配的剂量。
[0016]
在优选实施例中，机器学习系统包括基于患者的剂量函数的不可训练层，并且被布置成输出每个射束的注量分布、取决于放射疗法的类型的近距离种子位置的集合和停留时间或能量及每个射束的点位置和权重，和/或剂量分布。
[0017]
在优选实施例中，机器学习系统是神经网络，该神经网络被设计成考虑在递送治疗时要使用的递送系统的至少一个技术约束作为最优性准则。
[0018]
机器学习模型的训练优选地包括改进优化过程，其中优化程序基于包括与至少一个最优性准则相关的优化函数的优化问题。
[0019]
本发明的方法还通过确保在剂量预测步骤中也考虑影响剂量模拟的因素中的一些来减少可能使可递送剂量偏离经预测的剂量分布的因素的数量，从而使得实现机器学习模型的更容易评估。而且，学习过程可能受到约束，因为只需要搜索物理上可行的解决方案的空间，这使得能够基于与常规系统相比更少的患者而产生良好的泛化。
[0020]
在优选实施例中，该至少一个最优性准则包括与递送过程的物理性相关的参数，包括患者的几何形状和辐射源的属性的相互作用，以及来自剂量预测的步骤的输出被表示成剂量分布或辐照参数的集合或两者。这意味着在剂量预测步骤中考虑了辐射源的属性，包括辐射类型以及辐射对患者身体的影响。至少一个最优性准则可以替代地或补充地包括用于递送放射疗法的系统的技术约束中的一个或多个，诸如递送系统的机器约束。这意味着经预测的剂量将更接近递送系统实际可以递送的剂量。在优选实施例中，一个或多个最优性准则以与最优性准则相关的至少一个约束的形式包括在优化问题中。
[0021]
该方法适用于使用外部射束的常规放射疗法计划，并且也适用于近距离放射疗法。它可用于基于光子的治疗计划和基于粒子的治疗计划，包括使用质子、中子或诸如碳或氦离子的带电离子的计划。
[0022]
在第一优选实施例中，在剂量模拟步骤中考虑的因素是递送过程的物理性，这将影响诸如路径损耗等因素。这是通过考虑从辐照参数到剂量分布的映射函数来完成的，对于光子放射疗法，这可以通过剂量矩阵来描述。
[0023]
该实施例考虑到生成剂量的过程是产生光子或电离粒子的射束集合，或者在近距
离放射疗法的情况下，是体内的放射性材料源。因此，将根据控制辐射扩散到物质中的物理定律来分布剂量。这在很大程度上取决于患者身体的影响辐射的部位的属性。众所周知，辐照因为穿过通过水、空气、骨骼、脂肪或其他类型的组织而不同地受到影响。
[0024]
在第二优选实施例中，在剂量模拟步骤中考虑的因素是剂量的可递送能力。这是通过考虑递送系统的属性来完成的。以这种方式，可以确保经预测的剂量是相对于机器约束可递送的剂量。
[0025]
可以一起考虑几何形状和可递送能力这两个因素。优选地，在剂量模拟步骤中以常规方式再次考虑这两个因素以确保可能的最佳计划。这将比现有技术系统更快，因为形成对剂量模拟的输入数据的可递送剂量是在考虑物理性和/或机器约束的情况下创建的。
[0026]
本发明还涉及一种包括计算机可读代码装置的计算机程序产品，当在计算机中运行时，该计算机程序产品将使计算机执行生成如上面所讨论的放射疗法治疗计划的方法。本发明还涉及一种包括计算机可读代码装置的计算机程序产品，当在计算机中运行时，该计算机程序产品致使计算机执行如上面所讨论的训练机器学习模型的方法。计算机程序产品可以存储在任何类型的合适载体，例如非暂时性载体上。本发明还涉及一种包括处理器、程序存储器和数据存储器的计算机系统，其中程序存储器包括一个或两个这种计算机程序产品。
附图说明
[0027]
下面将通过示例并参考附图更详细地描述本发明。
[0028]
图1是剂量预测和剂量模拟的程序的概述。
[0029]
图2示出了适用于本发明的实施例的u-net神经网络的结构。
[0030]
图3是根据本发明的实施例的方法的流程图。
[0031]
图4是可根据本发明使用的计算机系统的示意图。
具体实施方式
[0032]
图1是剂量预测和剂量模拟的现有技术方法的概述。该程序的输入数据包括医学图像s11和结构数据s12中的至少一个。医学图像s11是患者的部分的医学图像，诸如ct图像或mr图像。结构数据包括一个或多个感兴趣区域(roi)的患者的描绘的结构。这些输入数据用于剂量预测步骤s13，在机器学习系统中执行该步骤以生成经预测的剂量，该剂量是适合于患者的几何形状的空间剂量。来自剂量预测步骤s13的输出是经预测的剂量s14，或者是辐照参数的集合，其可用于后续步骤(未示出)以生成经预测的剂量。经预测的剂量s14用作剂量模拟步骤s15的输入数据，该步骤为患者生成可递送的治疗计划s16。如本领域中常见的，考虑到实际的生理和技术状况，剂量模拟步骤被设计成确保治疗计划尽可能接近产生期望的剂量分布。这意味着剂量模拟步骤通常被设计成强制执行以下准则：
[0033]
·
考虑患者的几何形状和解剖结构，从辐照与患者组织相互作用得到的剂量分布纳入考虑，
[0034]
·
辐射源的物理性，
[0035]
·
该计划相对于将要使用的递送系统的机器约束的可递送能力，
[0036]
·
相对于经预测的剂量的最优性准则，
[0037]
·
其他最优性准则，诸如放射生物学效应(rbe)。
[0038]
辐射源可能是用于放射疗法的任何已知的辐射源，包括用于向患者提供外部射束的设备或引入患者体内用于近距离放射疗法的辐射源。提供的辐射可以是基于光子或离子的。
[0039]
根据本发明，在剂量模拟步骤s15中通常考虑的因素中的至少一个被引入剂量预测步骤s13中，以增加经预测的剂量接近实际可递送剂量的机会。
[0040]
在第一优选实施例中，本发明涉及在剂量预测阶段考虑物理描述符以及辐射源的物理性。也就是说，辐射源的组合属性以及它如何与患者组织相互作用。物理描述符由剂量函数给出
[0041]
d＝f(x)
[0042]
其中x是治疗参数的集合，d是得到的在患者体内的剂量分布，并且f是从治疗参数到剂量的映射函数。患者的物理描述符可能来自任何合适的来源，通常来自患者的在较早时间点或与治疗计划相关的医学图像。例如，医学图像可能是为初始治疗计划获取的计划图像，或在递送分数之前拍摄的分数图像，或两个或更多个此类图像的组合。
[0043]
作为第一可能的实施方式，剂量映射函数f(x)的近似可以被引入作为机器学习系统中的不可训练层。对于该实施例，机器学习系统优选地是神经网络，该神经网络在光子放射疗法计划的情况下被布置成输出期望的注量(fluence)而不是期望的剂量，如常规所做的那样。因此，在这种情况下，来自剂量预测步骤的输出s14将是期望的注量图，而不是经预测的剂量分布。在这种情况下，剂量模拟步骤可以适合于剂量分布或注量图或两者上的工作。
[0044]
第一实施例的第二可能的实施方式将是引入与剂量函数的输出与剂量之间的差相关的度量，即|f(x)-d|，作为机器学习系统的损失函数的惩罚项部分。例如，该度量可以是差的绝对值，但是可以使用任何合适的度量。对于该第二选项，可以使用任何基于优化的机器学习系统。替代地，可以使用基于机器学习和约束满足编程组合的方法。在这种情况下，d＝f(x)将在训练期间作为机器学习系统中的硬约束施加，以使得该约束将成为经训练模型的固有部分。
[0045]
在第二优选实施例中，本发明涉及在剂量预测阶段考虑递送系统的机器约束。机器约束涉及诸如龙门架和准直器叶片等递送系统部件可以移动多少和多快等因素。机器约束可以作为目标函数被添加到任何基于优化的机器学习系统的优化问题中，或者优选地作为约束，要类似于上面讨论的物理学约束被处理。
[0046]
第一优选实施例和第二优选实施例可以彼此独立地实现，但也可以一起使用，以确保经预测的剂量考虑到患者的物理性和递送系统的技术约束两者。
[0047]
图2示出了被称为u-net的神经网络的简化架构，该架构适合于根据本发明的实施例使用。u-net的基本功能是本领域技术人员已知的并且将仅以一般术语进行讨论。如本领域常见的那样，u-net包括若干层；图2示出了具有四个层的模型。如本领域技术人员所知，u-net具有收缩路径21，即u形的最左腿，和扩展路径23，即u形的最右腿，如图2中所示。如本领域技术人员将知道的，收缩路径由卷积211、213、215的重复应用组成，每个应用后跟随整流线性单元(relu)和最大池化操作。在收缩期间，空间信息减少，而特征信息增加。第四层是完全收缩层220。扩展路径23通过一系列上卷积231、233、235以及与来自收缩路径的高分
辨率特征的级联来组合特征和空间信息。扩展路径的最上层235包括如本领域中常见的级联函数和卷积函数，并且根据本发明的实施例，其输出将是经预测的剂量236。将经预测的剂量输入到不可训练层237，该不可训练层237被布置成基于经预测的剂量而计算辐照参数239。辐照参数可用于控制剂量递送。
[0048]
如上面所解释的，机器学习模型的输入数据将包括与患者相关的医学图像和结构数据。
[0049]
图3是根据本发明的实施例的训练机器学习系统的方法的流程图。训练优选地包括改进优化过程，其中优化程序基于包括与至少一个最优性准则相关的优化函数的优化问题。在第一步骤s31中，将输入数据的集合提供给要被训练的机器学习系统。该输入数据的集合与患者的医学图像、结构数据集合和取决于依据医学图像确定的患者几何形状的期望的剂量分布。根据本发明的实施例，输入数据的集合还包括与将影响治疗计划的递送的物理或技术约束相关的至少一个最优性准则。
[0050]
在步骤s32中，机器学习系统基于输入数据而产生输出。在步骤s33中，将来自步骤s32的输出与已经可用的期望的剂量分布进行比较，并且在步骤s34中，将比较的结果作为反馈馈送到机器学习系统。
[0051]
至少一个最优性准则可以与辐射源的属性和患者的几何形状的组合效果相关。替代地或另外，该至少一个最优性准则可以与递送治疗时要使用的递送系统的技术约束相关。优选地，如图2中所示，机器学习系统包括基于患者的剂量函数的不可训练层，并且机器学习系统被布置成输出经预测的剂量分布或辐照参数的集合，该辐照参数的集合可用于为患者生成将用作剂量模拟阶段的输入数据的剂量预测。
[0052]
图4是可以执行本发明方法的计算机系统的示意图示。计算机31包括处理器33、数据存储器34和程序存储器35。优选地，还存在用户输入装置37、38，其形式为键盘、鼠标、操纵杆、语音辨识装置或任何其他可用的用户输入装置。用户输入装置还可以被布置成从外部存储器单元接收数据。应理解，图4仅提供用于说明可用于实现根据本发明的方法的不同部件，并且实际的计算机架构可能变化。部件中的一个或多个或整个系统可以在云环境中实现。
[0053]
数据存储器34通常包括必要的输入数据和来自剂量预测步骤的输出数据，以及治疗计划。治疗计划可以在计算机31中生成，或以本领域已知的任何方式从另一存储装置接收。如将要理解的，数据存储器34仅被示意性地示出。可能存在几个数据存储器单元，每个数据存储器单元容纳一个或多个不同类型的数据，例如，一个数据存储器用于输入数据，一个用于剂量分布或辐照参数等。
[0054]
程序存储器35容纳如上面所讨论的机器学习系统和剂量模拟程序。如将要理解的，数据存储器34和/或程序存储器35不一定是与处理器33相同的计算机的一部分，并且可能位于从处理器可到达的任何计算机中，诸如在云环境中。