用于促进将治疗性放射施加给患者的方法和设备与流程

1.这些教导一般涉及根据放射治疗计划用放射治疗患者的计划靶标体积，并且更具体地涉及为特定患者开发治疗放射递送场几何信息。


背景技术：

2.使用放射来治疗医学病症包括现有技术努力的已知领域。例如，放射疗法包括用于减少或消除不需要的肿瘤的许多治疗计划的重要组成部分。遗憾的是，所施加的放射并不固有地区别不需要的物质和相邻的组织、器官等，该相邻的组织、器官等对于患者的持续生存是期望的或甚至是关键的。结果，放射通常以仔细施加的方式施加，以至少试图将放射限制到给定的靶标体积。所谓的放射治疗计划通常在上述方面起作用。
3.放射治疗计划通常包括在多个连续场的每一个连续场期间的针对各种治疗平台参数的每一个治疗平台参数的指定值。通常通过所谓的优化过程来生成用于放射治疗疗程的治疗计划。如在此所使用的，“优化”将被理解为是指改进候选治疗计划，而不必确保优化的结果事实上是单一的最佳解决方案。这种优化通常包括自动调整一个或多个治疗参数(通常同时遵守这些方面的一个或多个相应的限制)以及数学计算可能的相应治疗结果以标识给定的一组治疗参数，该组治疗参数代表期望的治疗结果和避免不期望的附属影响之间的良好折衷。
4.确定最佳射束输送几何结构(包含例如机架角度、潜在治疗床位置和准直器位置)是放射疗法治疗计划中的重要而非无关紧要的步骤。这种规划通常依赖于指导方针、模板和规划者的专业知识。遗憾的是，使用诸如静态模板的工具来定义场几何形状并未考虑特定的患者几何形状，因此可能产生不令人满意的结果。
5.在一些情况下，可以使用粗略优化算法(例如射束角度优化器或轨迹优化器)来实现场几何形状选择的至少一些方面(例如场递送方向(即，共面治疗中的机架角度的分布))，然而甚至该方法通常基于手工制作的限制。此外，一些现有技术的方法可以获得与通常使用的场几何形状不适当地偏离的解决方案。进一步使问题复杂的是将病例分类为属于特定类别(例如左手侧或右手侧或全弧治疗)的常见做法。


技术实现要素：

6.根据本发明的一个方面，提供了一种如权利要求1所限定的用于促进为特定患者生成治疗放射递送场几何形状信息的设备。在权利要求1的从属权利要求中记载了可选特征。
7.根据本发明的另一方面，提供了一种如权利要求11所限定的用于促进为特定患者生成治疗放射递送场几何形状信息的方法。在权利要求11的从属权利要求中记载了可选特征。在一种布置中，该方法还包括将所生成的治疗放射递送场几何形状应用于特定患者。在另一布置中，所要求保护的方法不包括将所生成的治疗放射递送场几何形状应用于特定患者。
附图说明
8.以上需求通过提供在以下详细描述、特别是在结合附图研究时描述的方法和设备来至少部分地满足，该方法和设备用于开发针对特定患者的治疗放射递送场几何形状信息，在附图中：
9.图1包括根据这些教导的各种实施例配置的框图；
10.图2包括根据这些教导的各种实施例配置的流程图；
11.图3包括根据这些教导的各种实施例配置的框图；以及
12.图4包括图形。
13.附图中的元件是为了简单和清楚而示出的，并且不必按比例绘制。例如，附图中的一些元件的尺寸和/或相对定位可以相对于其他元件被放大，以帮助改进对本教导的各种实施例的理解。此外，在商业上可行的实施例中有用的或必要的常见但熟知的元件通常未被描绘，以便促进对本教导的这些不同实施例的较少阻碍的查看。某些动作和/或步骤可以以特定的发生顺序来描述或描绘，而本领域技术人员将理解，实际上不需要关于顺序的这种专一性。本文中使用的术语和表达具有与上述技术领域中的技术人员所赋予的这些术语和表达一致的普通技术含义，除非本文中另外阐述了不同的具体含义。除非另外特别指出，这里使用的词语“或”应解释为具有分离的结构而不是连接的结构。
具体实施方式
14.一般而言，这些各种实施例用于通过至少部分地根据该患者自动生成治疗放射递送场几何形状，来促进提供放射治疗计划以经由特定放射治疗平台向患者施加治疗放射。
15.通过一种方法，这些教导提供了具有对应于特定患者的患者几何形状信息的控制电路访问信息。然后，控制电路将该信息连同与该特定患者无关的至少一个变量作为输入提供给场几何形状生成器。通过一种方法，场几何形状生成器包括在条件生成对抗网络(gan)框架中训练的神经网络，作为针对多个不同患者的先前开发的场几何形状解的函数。在这种情况下，对应于特定患者的患者几何形状信息的信息可以用作神经网络的条件输入。如此配置，控制电路然后可以使用场几何形状生成器处理前述输入，从而生成用于特定患者的治疗放射递送场几何形状。
16.通过一种方法，特定患者的上述患者几何形状信息包括图像。如果需要，特定患者的患者几何形状信息可以仅包括图像。这些方面的示例包括但不限于描绘至少一个分割的和轮廓化的风险器官和至少一个分割的和轮廓化的规划靶标体积的图像。
17.通过一种方法，与特定患者无关的上述变量包括随机数值输入的向量。
18.所生成的治疗放射递送场几何形状可以包括例如场递送方向。当优化可用于向该特定患者施予治疗放射的放射治疗计划时，控制电路可利用这些场递送方向。
19.通过一种方法，这些教导将涵盖：对特定患者的前述患者几何形状信息的预处理，以产生作为输入而提供给场几何形状生成器的信息。该预处理可以包括例如减小患者几何形状信息的维数。当患者几何形状信息至少部分地包括对应于诸如但不限于图像和非图像内容的信息内容的不同形态的聚集的多维数值表示时，这样的方法特别有用。
20.如此配置，这些教导有助于使用和利用在特定地点(诸如治疗诊所)已经可用的本地数据。特别地，可以利用关于各种患者的患者几何形状和相应的批准的场几何形状的局
部数据来学习先前使用的射束递送方向的分布，尤其是以患者几何形状为条件的所使用的机架角度。因此，这些教导支持在为新患者选择合适的场几何形状时使用现有数据。
21.在对下面的详细描述进行全面的回顾和研究后，这些和其它益处将变得更加清楚。现在参考附图，特别是图1，现在将给出与许多这些教导兼容的说明性装置100。
22.在该特定示例中，使能装置100包括控制电路101。作为“电路”，控制电路101因此包括这样的结构，该结构包括以有序方式传送电力的至少一个(并且通常是多个)导电路径(例如由导电金属(诸如铜或银)构成的路径)，该路径通常还包括相应的电部件(视情况而定地包括无源(例如电阻器和电容器)和有源(例如多种基于半导体的器件中的任一种))，以允许电路实现这些教导的控制方面。
23.这样的控制电路101可以包括固定目的的硬连线硬件平台(包括但不限于专用集成电路(asic)(其是通过针对特定用途而不是针对通用用途的设计定制的集成电路)、现场可编程门阵列(fpga)等)，或者可以包括部分或全部可编程硬件平台(包括但不限于微控制器、微处理器等)。针对这些结构的这些架构选择在本领域中是公知和理解的，并且在此不需要进一步描述。此控制电路101被配置(例如，通过使用所属领域的技术人员将充分了解的相应编程)以执行本文中所描述的步骤、动作和/或功能中的一者或多者。
24.控制电路101可操作地耦合到存储器102。该存储器102可以集成到控制电路101，或者可以根据需要与控制电路101物理分离(整体或部分)。该存储器102还可以相对于控制电路101是本地的(其中，例如，两者共享公共电路板、底盘、电源和/或外壳)，或者可以相对于控制电路101是部分或全部远程的(其中，例如，与控制电路101相比，存储器102物理上位于另一设施、另一大城市区域或甚至另一国家)。
25.除了上述用于特定患者的患者几何形状信息之外，该存储器102例如可以用于非瞬态地存储计算机指令，当由控制电路101执行这些指令时，这些指令使控制电路101如在此所述的那样工作。(如这里所使用的，这种对“非暂态”的引用将被理解为是指存储内容的非暂态状态(并且因此排除了存储内容仅构成信号或波的情况)，而不是存储介质本身的易失性，并且因此包括非易失性存储器(诸如只读存储器(rom))以及易失性存储器(诸如动态随机存取存储器(dram))。例如，计算机指令可以用于将控制电路101配置为充当场几何形状生成器，该场几何形状生成器包括在这里所描述的条件生成对抗网络架构中训练的神经网络。
26.在该示例中，控制电路101还可操作地耦合到用户接口103。该用户接口103可以包括各种用户输入机制(诸如但不限于键盘和小键盘，光标控制设备，触敏显示器，语音识别接口，手势识别接口等)和/或用户输出机制(诸如但不限于视觉显示器，音频换能器，打印机等)中的任一种，以便于从用户接收信息和/或指令和/或向用户提供信息。
27.如果需要，控制电路101还可以可操作地耦合到网络接口(未示出)。如此配置，控制电路101可以经由网络接口与(在设备100内和在其外部两者的)其它元件通信。网络接口(包括无线和非无线平台)在本领域中是公知的，并且在此不需要特别详细说明。
28.通过一种方法，如本领域中已知的计算机断层摄影设备106和/或其它成像设备107可获得本文所述的患者几何形状信息中的一些或全部。
29.在该说明性示例中，控制电路101可以被配置为最终输出优化的放射治疗计划113。该放射治疗计划113通常包括在多个连续场的每一个连续场期间的各种治疗平台参数
的每一个治疗平台参数的指定值。在这种情况下，通过优化过程生成放射治疗计划113。在本领域中已知被特别配置为生成这样的放射治疗计划的各种自动优化过程。由于本教导对于这些方面的任何特定选择都不是过于敏感的，因此除了与本说明书的细节特别相关的地方之外，这里不提供这些方面的进一步阐述。
30.通过一种方法，控制电路101可以可操作地耦合到放射治疗平台114，放射治疗平台114被配置为根据优化的放射治疗计划113向相应患者104的治疗体积105递送治疗放射112，优化的放射治疗计划113还寻求最小化对患者的风险器官108、109中的一个或多个的这种暴露。这些教导通常适用于多种放射治疗平台中的任何一种。在典型的应用设置中，放射治疗平台114将包括放射源115。放射源115可以包括例如基于线性粒子加速器(基于线性加速器)的射频(rf)x射线源，诸如varian linatron m9。线性加速器是一种粒子加速器，其通过使带电粒子经受沿着线性束线的一系列振荡电势而极大地增加带电亚原子粒子或离子的动能，所述线性束线可用于产生电离放射(例如，x射线)116和高能电子。典型的放射治疗平台114还可以包括在治疗期间支撑患者104的一个或多个支撑设备110(例如床)、一个或多个患者固定设备111、允许放射源115选择性移动的机架或其它可移动机构、以及提供所需的选择性射束成形和/或射束调制的一个或多个射束整形设备117(例如常规准直器(jaw)，多叶准直器等)。由于前述元件和系统在本领域中是很好理解的，因此这里不提供这些方面的进一步阐述，除非与描述相关。
31.现在参考图2，现在将给出例如可以由上述控制电路101执行的过程200。
32.在框201，该过程200提供其中存储有特定患者的患者几何形状信息的存储器(诸如上述存储器102)。患者几何形状信息可以包括关于特定患者的一个或多个规划靶标体积(例如肿瘤)和/或风险器官之间的尺寸、形状、维度和相对距离的信息。可以为这些对象的多个不同视场中的任何一个提供这些信息。
33.通过一种方法，患者几何形状信息包括图像。在这些方面的示例包括但不限于描绘患者的至少一个分割的和轮廓化的规划靶标体积和/或风险器官的图像。如果需要，特定患者的患者几何形状信息仅包括图像。(轮廓勾画是指指定患者的单个器官、组织或其他解剖结构和伪影的轮廓，例如但不限于靶标治疗体积和风险器官，而分割是指识别离散的患者结构，包括但不限于靶标治疗体积和特定风险器官。)
34.该过程200的框202包括提供可操作地耦接到上述存储器的控制电路，诸如上述控制电路101。为了清楚和出于简单的说明性示例，本说明书的剩余部分假定该过程200的剩余步骤由所提供的控制电路执行。
35.在使用上述患者几何形状信息来生成特定患者的治疗放射递送场几何形状之前，该过程将任选地适应(如任选框203所示)对特定患者的患者几何形状信息进行预处理，从而提供对应于特定患者的患者几何形状信息的信息，该信息可以用作如下所述的输入信息。预处理患者几何形状信息可以至少部分地包括减小患者几何形状信息的维数。当患者几何形状信息至少部分地包括对应于不同形态的信息内容的聚集的多维数值表示时，这种维数的减少尤其有益。例如，当信息内容包括图像和非图像内容时，可能出现不同形态的信息内容。(下面提供关于这种预处理的进一步描述)
36.在框204，控制电路101访问对应于特定患者的患者几何形状信息的信息。通过一种方法，这可以包括直接访问和利用存储在前述存储器102中的患者几何形状信息。通过另
一种方法，这可以至少部分地包括访问已经按照如上预处理的患者几何形状信息。
37.在框205，控制电路101还接收与特定患者无关的至少一个变量。通过一种方法，该至少一个变量可以包括随机(或伪随机)数值输入的向量。
38.在框206，控制电路101然后将对应于特定患者的患者几何形状信息的上述信息以及上述至少一个变量作为输入提供给场几何形状生成器。在该示例中，控制电路101通过被配置为在条件生成对抗网络(gan)框架中训练的、作为针对多个不同患者的先前开发的场几何形状解的函数的神经网络来充当该场几何形状生成器。
39.本领域技术人员将理解，gan是将两个神经网络彼此置于竞争设置中的一类机器学习框架。给定特定训练集，该方法学习产生具有与训练集相同统计的新数据。gan通常包括生成候选的生成网络和评估由生成网络生成的候选的鉴别网络。生成网络的主要训练目标是通过向鉴别网络提供新生成的候选，来增加鉴别网络的错误率，该鉴别网络将该新生成的候选标识为真实数据分布的一部分。
40.通过一种方法，这些教导将涵盖：将控制电路101配置为条件gan。在这种情况下，对应于特定患者的患者几何形状信息的信息用作神经网络的条件输入。
41.在框207处，并且作为场几何形状生成器，控制电路101处理前述输入，从而为特定患者自动生成治疗放射递送场几何形状。通过一种方法，所生成的治疗放射递送场几何形状可以包括诸如特定场递送方向(诸如对患者瞬时施加放射的特定机架角度)的参数。然而，这些教导在实践中是灵活的，并且如果需要将涵盖其他方法。例如，通过一种方法，场递送方向可能已经是固定的，而场几何形状生成器代之以生成诸如准直器设置的其它场几何形状属性。
42.因此，这些教导将涵盖：将控制电路101配置为在条件gan框架中训练的生成器神经网络，其中患者几何形状是特定的条件输入。通过一种方法，这些教导可以提供一种数据驱动方法，其中场几何形状生成器被训练以仅基于患者几何形状(除了使用随机变量之外)产生候选场几何形状。
43.然后，当优化放射治疗计划时，可以利用该治疗放射输送场几何形状。然后，这些教导还将涵盖：使用所得到的优化的放射治疗计划，该放射治疗计划基于结合特定放射治疗平台的自动生成的治疗放射递送场几何形状来向特定患者施加治疗放射。
44.现在参考图3，将提供前述方面的更具体的示例。应当理解，该示例的细节是出于说明的目的而提供的，并且不旨在关于这些教导建议任何特定的限制。
45.在该示例中，在条件gan框架中训练生成模型(生成器)300，在该框架中，生成器和鉴别器网络玩两人游戏，其中两者都具有它们各自的待最小化的损失函数。gan训练中的输入是作为条件标签的患者几何形状(表示为x)、场几何形状(表示为y)和随机向量(表示为z)。根据两个网络的损耗，训练的解对应于鞍点。作为训练的结果，生成器学习映射g:(x，z)－－》y。换句话说，在这种无监督的机器学习环境中，生成器隐含地学习以患者几何形状为条件的基础场几何形状的密度分布的近似pdata(y∣x)。在本示例中，生成器和鉴别器的架构包括卷积层。当生成器用于推断未见的患者几何形状时，生成器可以从学习的场几何形状分布中输出样本。
46.通过一种方法，对患者几何形状(例如包括具有分割器官和规划靶标体积的规划计算机断层摄影图像)执行预处理步骤。该预处理可以包括将患者几何图像投影到对应于
不同射束方向视角(beam’s eye view)的二维图像，然后将二维图像下采样到较低分辨率。
47.如此配置，这些教导提供了完全数据驱动的解决方案。在先前的解决方案中，现有的临床知识和数据还没有被用于以系统的、自动的方式基于患者的几何形状来创建场递送方向。使用经过训练的生成器是快速的(对于预处理的患者几何形状，场几何形状候选能够在仅几秒内生成)。如果已经用于训练生成器的数据集具有明显不同的类别(诸如左手侧治疗或右手侧治疗)，则生成器的输出类似地预期落入这些类别之一，并且这样，生成器隐含地执行对新患者的治疗类别的选择。本领域的技术人员将进一步理解，该方法的工作可以容易地更新(即，如果并且随着更多的临床数据变得可用，则可以被重新训练)并且部署为标准神经网络机器学习模型。
48.还应当理解，这里描述的场几何形状生成器容易支持imrt和vmat规划技术。
49.现在将提供关于上述过程200的框203的上述预处理活动的附加细节。事实上，如果需要，这种预处理可用作其它相关过程的一部分。
50.给定诊所或其他治疗设施拥有的患者数据(诸如具有分割器官和规划治疗体积的规划ct图像、批准的放射治疗计划、患者历史数据、结果数据等)可以以多种方式聚集。这样的聚集数据形成每个个体患者的唯一多维数值表示(这里一般针对患者i表示为患者数据pi)。该表示属于数据存在于同一设施的所有患者的表示的集合p。注意，这种信息的相应维度可以相对较大。例如，在数值表示中包括分割的ct图像或其一些变换的应用设置中，pi的维数容易变成几万或更多(给定单个ct图像可以具有256
×
256的分辨率)。
51.考虑到上述内容，适当的预处理允许在低维空间中工作，同时仍然保持患者的唯一表示。
52.申请人已经确定，提供降维的预处理可以包括放射治疗规划中涉及场几何形状选择的任务中的关键部分。通过一种方法，这种预处理允许场几何形状选择在患者表示的较低维空间中有效地进行。后者又允许新患者病例与参考集(其代表治疗设施的先前患者)的更快比较，以用于随后的病例分析和场几何形状选择。
53.通过一种方法，这种预处理可以从访问给定治疗设施(例如特定诊所)的至少多个(或甚至全部)患者的异质原始临床数据开始。然后，预处理可以提供特定于任务的数据聚集，并形成多维数值表示(从而形成前述表示pi)，随后进行相应的降维，从而形成这里表示为pi的降维表示。
54.然后可以使用表示pi来执行场几何形状选择任务，从而利用由预处理活动产生的降维表示。然后可以根据需要利用所选择的场几何形状。这可以包括例如通过在优化放射治疗计划时自动利用这种信息和/或通过上述用户界面103来向用户提供该内容的视觉表示。
55.患者数据的降维可以通过任何选择的方法进行。通过一种方法，并且根据起始临床数据的异质性，可以在降维之前构建分级类别。通过一种方法，可以通过主成分分析(pca)、核pca、非负矩阵因式分解，t－分布随机邻居嵌入或自动编码器中的任何一种(这些仅是一些示例而被提及)来实现降维。
56.当利用这些教导时，可以解决与场几何形状选择相关的各种任务。对于新患者，任务可包括但不限于：(i)寻找场几何形状类别解(如下文参考图4所示)，(ii)提出一个或多个场几何形状，以及(iii)寻找在治疗规划中可能需要额外护理的患者病例(例如，相对于
先前治疗的患者的临界病例或离群值)。对于现有的参考患者数据，任务可以包括但不限于：(i)澄清治疗计划过程中的异质性和可变性水平，以及(ii)开发可能存在影响场几何形状选择的隐藏变量/影响的证据。
57.通过一种方法，可以寻找最近邻解，并且通过多种不同方法中的任一种来执行其他数据分析(包括例如最简单的k－最近邻解和聚类分析)。
58.这些教导在实践中是高度灵活的。例如，通过一种方法，输入可以是分割的患者几何形状，并且任务是基于先前使用的场几何形状来搜索最典型的共面imrt场几何形状。在这种实现方式中，可以首先通过将分割的器官和规划治疗体积的堆叠投影到等中心平面来变换患者几何形状(如从不同的机架角度所看到的)，以形成多维表示。随后，例如通过主成分分析执行降维，并且从参考患者中搜索一个或多个最近邻实例。这些教导返回被用于最近邻患者的场几何形状作为解。
59.如果需要，可以通过在降维的空间中测量任何新患者与先前患者的距离来实现离群值检测。
60.还应当理解，如上所述，这些教导不仅限于场几何形状选择，还涉及到可以在放射疗法治疗规划工作流程的许多任务中与其他数据驱动方法一起使用的步骤。
61.这样的方法本质上是数据驱动的(特别是基于知识的)、自动的，并且为场几何选择提供数字支持(例如，通过降维的空间中的距离度量)。在前述方法中使用的各种算法可以根据特定任务和应用设置的需要来测试和调整。使用这种降维还可以容易地在二维或三维中实现单个新患者数据相对于任何参考数据的可视化。
62.图4呈现了示出使用降维来可视化患者数据集并找到可能的场几何形状类别解的示例的图400。该图400中的球体的位置对应于患者几何数据的二维表示。实心圆和空心圆对应于数据集中的不同场几何形状选择。在该说明性示例中，看不见的患者几何形状数据(由字母x表示)接近场几何形状(fg)类型2。
63.本领域技术人员将认识到，在不脱离本发明的范围的情况下，可以对上述实施例进行各种修改、改变和组合。例如，用于生成模型的所述条件gan方法的替换方案包括变分自编码器和像素rnn(参考递归神经网络)。因此，将会理解，这样的修改、改变和组合将被视为在本发明构思的范围内。