放射治疗计划优化方法及系统与流程

本发明涉及放射治疗领域，尤其涉及一种放射治疗计划优化方法及系统。

背景技术：

放射治疗是利用放射线如放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其它粒子束等治疗恶性肿瘤的一种方法。

由于射束能量高，在肿瘤细胞被杀死的同时正常细胞也会受到影响。为了尽可能地减少对正常组织的伤害，需要制定放射治疗计划。放射治疗计划中，医生需要给出处方和治疗方案，物理师根据医生处方，勾画器官和肿瘤位置，以及总的肿瘤体积(Gross Tumor Volume，GTV)、临床目标体积(Clinical Target volume，CTV)和计划治疗体积(Planning Target Volume，PTV)等靶区，制定放射治疗计划并进行优化。

在放射治疗计划优化之后，计算当前计划对应的患者体内的剂量分布以判断当前计划是否满足预期要求。如果靶区的某些部位的剂量达不到处方剂量的要求或者需要保护的危及器官的某些部位的剂量超过了限定剂量，则此时的放射治疗计划不能满足医生的要求，需要进行调整。

技术实现要素：

为克服现有技术的不足，本发明提供了一种放射治疗计划优化方法，包括：获取感兴趣区域的剂量目标，所述感兴趣区域包括感兴趣的器官及肿瘤；建立优化模型进行优化；计算优化后所述感兴趣区域内的剂量分布；迭代地执行以下步骤直至满足放射治疗计划优化结束：判断所述感兴趣区域内的剂量分布是否满足所述剂量目标，如满足，则放射治疗计划优化结束，如不满足，则更新当前优化模型并进行优化，计算优化后所述感兴趣区域内的剂量分布。

可选的，所述更新当前优化模型并进行优化包括：将不满足所述剂量目标的采样点加入当前优化模型并进行优化。

可选的，所述判断所述感兴趣区域内的剂量分布是否满足所述剂量目标为自动判断所述感兴趣区域内各采样点的剂量值是否满足所述剂量目标。

可选的，所述放射治疗计划优化方法还包括：调整放射治疗计划的优化参数，基于调整后的优化参数更新优化模型并进行优化。

可选的，所述放射治疗计划优化方法还包括：对不满足所述剂量目标的区域进行辅助勾画，基于所述辅助勾画的区域更新优化模型并进行优化。

可选的，所述更新优化模型为重新建立优化模型。

可选的，所述更新优化模型为更新当前优化模型。

本发明还提出了一种放射治疗计划系统，包括：获取单元，用于获取感兴趣区域的剂量目标，所述感兴趣区域包括感兴趣的器官及肿瘤；优化单元，用于建立优化模型并进行优化；剂量计算单元，用于计算优化后所述感兴趣区域内的剂量分布；判断单元，用于判断所述感兴趣区域内的剂量分布是否满足所述剂量目标，输出单元，用于输出放射治疗计划优化结果。

可选的，所述优化单元还用于根据判断单元的结果用不满足所述剂量目标的采样点更新所述优化模型并进行优化。

可选的，所述判断单元用于自动判断所述感兴趣区域内各采样点的剂量值是否满足所述剂量目标。

相对于现有技术，本发明提供的放射治疗计划优化方法通过将不满足剂量目标的采样点加入优化模型对优化模型不断更新，可以得到感兴趣区域内的剂量满足要求的放射治疗计划；

本发明提供的放射治疗计划优化方法可以自动对采样点的剂量进行检查，从而得到不满足剂量目标的采样点用于更新优化模型。

本发明提供的放射治疗计划优化方法中，物理师对自动优化的结果不满意，可以对优化参数进行调整和/或增加辅助勾画继续进行优化以得到满意的放射治疗计划。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的放射治疗计划优化方法流程图一；

图2是本发明实施例提供的放射治疗计划优化方法流程图二。

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动的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。

在放射治疗中，要求高剂量的辐射尽可能地被输送至肿瘤靶区，尽量减少对周围器官的伤害，因此需要制定放射治疗计划。为了更好地控制各器官或靶区内的剂量分布，对放射治疗计划进行优化使得放射线在杀死肿瘤细胞的同时尽可能不照射周围的正常组织。本发明实施例提出了一种新的放射治疗计划优化方法，可以使得肿瘤靶区以及周围器官内的剂量分布满足要求。

图1是本发明实施例提供的放射治疗计划优化方法流程图一。参考图1所示，本发明提供的放射治疗计划优化方法包括：

步骤S101，获取感兴趣区域的剂量目标。

感兴趣区域包括感兴趣的器官和肿瘤，可以在放射治疗计划优化之前由医生进行勾画。在本实施例中，可以将患者图像加载至放射治疗计划系统，在放射治疗计划系统的界面上对感兴趣的器官和肿瘤进行勾画。勾画可以由医生手动勾画也可以为自动勾画，或者由手动勾画和自动勾画进行结合。图像可以为CT图像、PET图像、MR图像或者融合图像等，在此不作限定。

剂量目标也称为剂量约束，由医生设置，要求放射治疗计划对应的感兴趣区域内的剂量分布满足剂量约束。例如医生为肿瘤区域设置剂量下限和剂量上限，为肿瘤周围的正常器官设置剂量上限。

步骤S102，建立优化模型进行优化。

基于上述步骤中获取的感兴趣区域以及剂量目标建立优化模型并进行优化。可以采用通量图优化方法建立通量图优化模型，也可以采用直接子野优化方法建立直接子野优化模型。

由于患者图像的分辨率较高，像素点较多，如果图像中的全部像素点均参与放射治疗计划的优化，则导致计算量较大，优化时间较长，因此，一般情况下，放射治疗计划的优化是基于采样点进行计算。因此，在建立优化模型之前可以对图像进行降采样，用采样点代表全部像素点参与放射治疗计划的优化，也就是说基于采样点建立优化模型并进行优化。对图像的采样方法在此不作限定。本实施例中的采样点可以来源于图像的像素点，也可以来源于根据采样方法在图像上产生的点或者用户选择的点，在此不进行限定。

在本实施例中，构造优化模型的目标函数，利用优化算法进行求解从而获得最优化方案。其中，目标函数可以为如下形式：

其中，∑_voi表示对不同感兴趣区域进行求和，d_v为采样点v在优化过程中的实时剂量，U_voi为感兴趣区域voi的剂量目标的上限，L_voi为感兴趣区域voi的剂量目标的下限，w_voi为感兴趣区域voi的权重，V_voi为感兴趣区域voi的采样点集合，|V_voi|为感兴趣区域voi的采样点数量，v为采样点集合V_voi中的采样点。当感兴趣区域为器官时，剂量目标只有上限U_voi。

本实施例中对优化算法不进行限定，例如可以采用模拟退火算法、梯度算法、蚁群算法或其它已知或未知的适用算法求解上述目标函数的最优解。

步骤S103，计算优化后所述感兴趣区域内的剂量分布。

计算步骤S102中得到的放射治疗计划对应的感兴趣区域内的剂量分布。为了减少计算量，可以基于采样点对感兴趣区域内的剂量分布进行计算。剂量计算的算法很多，例如蒙特卡罗算法、卷积算法、笔形束算法等，在此不作限定。当然，也可以对所有的像素点进行剂量计算，在此不进行限定。

步骤S104，判断所述感兴趣区域内的剂量分布是否满足所述剂量目标。

由步骤S103计算得到各采样点的剂量值，在本步骤中逐个判断所述感兴趣区域内的采样点的剂量值是否满足所述剂量目标。本步骤可以由计算机自动执行。

逐个判断采样点的剂量值是否满足所述剂量目标，并将不满足所述剂量目标的采样点存入集合S。由于不同感兴趣区域的剂量目标可能不同，因此可以逐个对感兴趣区域进行判断，并将不满足剂量目标的采样点按照感兴趣区域进行分类存放，此时集合S＝∪_voiS_voi，其中集合S_voi表示感兴趣voi中不满足剂量目标的采样点的集合，∪_voiS_voi表示集合S_voi的并集。在将所有采样点的剂量值判断之后，若集合则表示不存在不满足剂量目标的采样点，也就是说，所有采样点的剂量值均满足剂量目标，此时的放射治疗计划即为最终结果，放射治疗计划优化结束，输出放射治疗计划结果。

若集合则表示存在不满足剂量目标的采样点，该不满足剂量目标的采样点按感兴趣区域分别存入对应的集合S_voi中，并进入步骤S105。

在其它实施例中，也可以判断所有像素点的剂量值是否满足剂量目标，并将不满足剂量目标的像素点按感兴趣区域进行分类存放以便进行下述计算。

步骤S105，更新当前优化模型并进行优化。

利用不满足剂量目标的采样点更新当前的优化模型。例如，将不满足剂量目标的采样点加入上述的目标函数，得到更新的目标函数如下：

其中，Obj(d_o)为当前采样点剂量的惩罚函数，也是更新前的目标函数，∑_voi表示对不同感兴趣区域进行求和，d_v为采样点v在优化过程中的实时剂量，U_voi为感兴趣区域voi的剂量目标的上限，L_voi为感兴趣区域voi的剂量目标的下限，w_voi为感兴趣区域voi的权重，V_voi为感兴趣区域voi的采样点集合，|V_voi|为感兴趣区域voi的采样点数量，v为采样点集合V_voi中的采样点，当感兴趣区域为器官时，剂量目标只有上限U_voi，P(d_s)为集合S中的采样点剂量的惩罚函数，d_s为采样点s在优化过程中的实时剂量，s为采样点集合S_voi中的采样点，f(s)为惩罚因子，与采样点s的分布以及数量有关，可以由放射治疗计划系统规定或由医生进行设定并输入至放射治疗计划系统。例如可以设置但不限于此，其中w_s＝max_voi{w_voi}，表示集合S涉及的感兴趣区域的最大优化权重，|S|为集合S中的采样点数量。

利用优化算法求解更新后的目标函数的最优解，并返回步骤S103，计算优化后所述感兴趣区域内的剂量分布。之后进入步骤S104，再次判断所述感兴趣区域内的剂量分布是否满足所述剂量目标。如满足，放射治疗计划优化结束，输出放射治疗计划结果，如不满足，则利用本次计算得到的不满足剂量目标的采样点更新当前的目标函数，例如，更新后的目标函数为：

其中，Obj(d_o)为当前采样点剂量的惩罚函数，也是更新前的目标函数，∑_voi表示对不同感兴趣区域进行求和，d_v为采样点v在优化过程中的实时剂量，U_voi为感兴趣区域voi的剂量目标的上限，L_voi为感兴趣区域voi的剂量目标的下限，w_voi为感兴趣区域voi的权重，V_voi为感兴趣区域voi的采样点集合，|V_voi|为感兴趣区域voi的采样点数量，v为采样点集合V_voi中的采样点，当感兴趣区域为器官时，剂量目标只有上限U_voi，d_s为采样点s在优化过程中的实时剂量，s为采样点集合S_voi中的采样点，f(s)为惩罚因子，与采样点s的分布以及数量有关，可以由放射治疗计划系统规定或由医生进行设定并输入至放射治疗计划系统，例如可以设置但不限于此，其中w_s＝max_voi{w_voi}，表示集合S涉及的感兴趣区域的最大优化权重，|S|为集合S中的采样点数量，P(d_s)为集合S⁽²⁾中的采样点剂量的惩罚函数，为采样点s⁽²⁾在优化过程中的实时剂量，s⁽²⁾为采样点集合中的采样点，f(s⁽²⁾)为惩罚因子，与采样点s⁽²⁾的分布以及数量有关，可以由放射治疗计划系统规定或由医生进行设定并输入至放射治疗计划系统。例如可以设置但不限于此，其中表示集合S⁽²⁾涉及的感兴趣区域的最大优化权重，|S⁽²⁾|为集合S⁽²⁾中的采样点数量，且

重复步骤S103～S105，直至感兴趣区域内的剂量分布满足所述剂量目标。

在上述实施例中，通过将不满足剂量目标的采样点加入优化模型以对优化模型进行不断更新，从而使得不满足剂量目标的采样点在优化过程中得到较多关注，从而起到剂量补强的作用，最终可以得到感兴趣区域内的剂量满足要求的放射治疗计划；且可以通过计算机自动判断采样点的剂量是否满足剂量目标，因此优化过程中无需人工介入，节省时间和人力。

在其它实施例中，也可以将所有像素点中不满足剂量目标的像素点加入当前优化模型从而更新当前优化模型并进行优化，得到剂量分布满足所述剂量目标的放射治疗计划。

在本实施例中，也可以为迭代循环设置阈值，当迭代循环的次数达到所述阈值时，放射治疗计划结束，此时可以输出放射治疗计划优化失败的结果或者输出窗口供医生进行选择，医生可以选择接受当前优化结果，也可以选择放弃当前优化结果，也可以通过调整当前优化参数重新优化。

图2是本发明实施例提供的放射治疗计划优化方法流程图二。参考图2所示，本发明提供的放射治疗计划优化方法包括：

步骤S201，获取感兴趣区域的剂量目标。

感兴趣区域包括感兴趣的器官和肿瘤，可以在放射治疗计划优化之前由医生进行勾画。在本实施例中，可以将患者图像加载至放射治疗计划系统，在放射治疗计划系统的界面上对感兴趣的器官和肿瘤进行勾画。勾画可以由医生手动勾画也可以为自动勾画，或者由手动勾画和自动勾画进行结合。图像可以为CT图像、PET图像、MR图像或者融合图像等，在此不作限定。

剂量目标也称为剂量约束，由医生设置，要求放射治疗计划对应的感兴趣区域内的剂量分布满足剂量约束。例如医生为肿瘤区域设置剂量下限和剂量上限，为肿瘤周围的正常器官设置剂量上限。

步骤S202，建立优化模型进行优化。

基于上述步骤中获取的感兴趣区域以及剂量目标建立优化模型并进行优化。可以采用通量图优化方法建立通量图优化模型，也可以采用直接子野优化方法建立直接子野优化模型。

由于患者图像的分辨率较高，像素点较多，如果图像中的全部像素点均参与放射治疗计划的优化，则导致计算量较大，优化时间较长，因此，一般情况下，放射治疗计划的优化是基于采样点进行计算。因此，在建立优化模型之前可以对图像进行降采样，用采样点代表全部像素点参与放射治疗计划的优化，也就是说基于采样点建立优化模型并进行优化。对图像的采样方法在此不作限定。本实施例中的采样点可以来源于图像的像素点，也可以来源于根据采样方法在图像上产生的点或者用户选择的点，在此不进行限定。

在本实施例中，构造优化模型的目标函数，利用优化算法进行求解从而获得最优化方案。其中，目标函数可以为如下形式：

其中，∑_voi表示对不同感兴趣区域进行求和，d_v为采样点v在优化过程中的实时剂量，U_voi为感兴趣区域voi的剂量目标的上限，L_voi为感兴趣区域voi的剂量目标的下限，w_voi为感兴趣区域voi的权重，V_voi为感兴趣区域voi的采样点集合，|V_voi|为感兴趣区域voi的采样点数量，v为采样点集合V_voi中的采样点。当感兴趣区域为器官时，剂量目标只有上限U_voi。

本实施例中对优化算法不进行限定，例如可以采用模拟退火算法、梯度算法、蚁群算法或其它已知或未知的适用算法求解上述目标函数的最优解。

步骤S203，计算优化后所述感兴趣区域内的剂量分布。

计算步骤S202中得到的放射治疗计划对应的感兴趣区域内的剂量分布。为了减少计算量，可以基于采样点对感兴趣区域内的剂量分布进行计算。剂量计算的算法很多，例如蒙特卡罗算法、卷积算法、笔形束算法等，在此不作限定。当然，也可以对所有的像素点进行剂量计算，在此不进行限定。

步骤S204，判断所述感兴趣区域内的剂量分布是否满足所述剂量目标。

由步骤S203计算得到各采样点的剂量值，在本步骤中逐个判断所述感兴趣区域内的采样点的剂量值是否满足所述剂量目标。本步骤可以由计算机自动执行。

若各采样点的剂量值均满足对应的剂量目标，此时的放射治疗计划即为最终结果，放射治疗计划优化结束，输出放射治疗计划结果。

若存在采样点的剂量值不满足剂量目标，将不满足剂量目标的像素点按感兴趣区域进行分类存放并进入步骤S205。

步骤S205，判断是否达到循环次数的阈值。

若是，则进入步骤S206，若否，则进入步骤S208。

循环次数的阈值由医生进行设置，合适的循环次数可以避免进入死循环或者优化计算的时间太长。

步骤S206，接收调整后的优化参数和/或辅助勾画。

医生可以对当前的优化参数进行调整，例如调整各器官和肿瘤的权重、剂量目标、采样点等，医生还可以对不满足剂量目标的区域进行辅助勾画，从而对当前的优化模型进行调整。

步骤S207，基于调整后的优化参数和/或辅助勾画更新优化模型进行优化。

基于调整后的优化参数及原感兴趣区域重新建立优化模型，或基于原优化参数、原感兴趣区域以及辅助勾画的区域重新建立优化模型，或基于调整后的优化参数、原感兴趣区域以及辅助勾画的区域重新建立优化模型。优化模型的目标函数可以参照步骤S202中的目标函数形式，在此不再赘述。此处重新建立优化模型是指不考虑步骤S208中对当前优化模型的更新。

在其它实施例中可以基于调整后的优化参数对当前的优化模型进行更新，或基于原感兴趣区域以及辅助勾画的区域对当前的优化模型进行更新，或基于调整后的优化参数、原感兴趣区域以及辅助勾画的区域对当前的优化模型进行更新。

利用优化算法求解新目标函数的最优解，并返回步骤S203，计算优化后所述感兴趣区域内的剂量分布。重复步骤S203～S208，直至获得医生满意的放射治疗计划。利用新目标函数进行优化时，循环次数可以从零开始重新计算。

步骤S208，更新当前优化模型并进行优化。

利用不满足剂量目标的采样点更新当前的优化模型。例如，将不满足剂量目标的采样点加入上述的目标函数，得到更新的目标函数如下：

其中，Obj(d_o)为当前采样点剂量的惩罚函数，也是更新前的目标函数，∑_voi表示对不同感兴趣区域进行求和，d_v为采样点v在优化过程中的实时剂量，U_voi为感兴趣区域voi的剂量目标的上限，L_voi为感兴趣区域voi的剂量目标的下限，w_voi为感兴趣区域voi的权重，V_voi为感兴趣区域voi的采样点集合，|V_voi|为感兴趣区域voi的采样点数量，v为采样点集合V_voi中的采样点，当感兴趣区域为器官时，剂量目标只有上限U_voi，P(d_s)为集合S中的采样点剂量的惩罚函数，d_s为采样点s在优化过程中的实时剂量，s为采样点集合S_voi中的采样点，f(s)为惩罚因子，与采样点s的分布以及数量有关，可以由放射治疗计划系统规定或由医生进行设定并输入至放射治疗计划系统。例如可以设置但不限于此，其中w_s＝max_voi{w_voi}，表示集合S涉及的感兴趣区域的最大优化权重，|S|为集合S中的采样点数量。

利用优化算法求解更新后的目标函数的最优解，并返回步骤S203，计算优化后所述感兴趣区域内的剂量分布。重复步骤S203～S208，直至获得医生满意的放射治疗计划。

在其它实施例中，也可以将所有像素点中不满足剂量目标的像素点加入当前优化模型从而更新当前优化模型并进行优化，得到剂量分布满足所述剂量目标的放射治疗计划。

在上述实施例中的步骤顺序可能发生改变，例如医生可以在任一次优化计算之后修改优化参数和/或进行辅助勾画，不要求在达到循环次数阈值的时候才修改优化参数和/或进行辅助勾画；或者医生可以对任一次的优化结果修改优化参数和/或进行辅助勾画，例如即使放射治疗计划的优化结果已经满足所述感兴趣区域的剂量目标，如果医生对该放射治疗计划的结果不满意也可以修改优化参数和/或进行辅助勾画以进一步进行放射治疗计划的优化。

在上述实施例中，一方面通过将不满足剂量目标的采样点加入优化模型以对优化模型进行不断更新，可以得到感兴趣区域内的剂量满足要求的放射治疗计划；且可以通过计算机自动判断采样点的剂量是否满足剂量目标，节省时间和人力；另一方面医生可以对优化参数进行调整和/或进行辅助勾画，从而得到满意的放射治疗计划优化结果。

在本发明的实施例中，还提出了一种放射治疗计划系统，包括：

获取单元，用于获取感兴趣区域的剂量目标，所述感兴趣区域包括感兴趣的器官及肿瘤；

优化单元，用于建立优化模型并进行优化；

剂量计算单元，用于计算优化后所述感兴趣区域内的剂量分布；

判断单元，用于判断所述感兴趣区域内的剂量分布是否满足所述剂量目标，

输出单元，用于输出放射治疗计划优化结果。

当判断单元的结果为所述感兴趣区域内的剂量分布满足所述剂量目标时，则输出单元输出放射治疗计划的优化结果，当判断单元的结果为所述感兴趣区域内存在采样点的剂量值不满足所述剂量目标时，则优化单元利用不满足所述剂量目标的采样点更新当前的优化模型并进行优化，不断循环直至放射治疗计划优化结束。

在本实施例中判断单元自动判断所述感兴趣区域内的剂量分布是否满足所述剂量目标。

在本实施例的放射治疗计划系统中还可以包括勾画单元，用于勾画所述感兴趣区域。

在本实施例的放射治疗计划系统中还可以包括采样单元，用于对感兴趣区域进行采样。

在本实施例的放射治疗计划系统中，获取单元还用于获取调整后的优化参数，例如调整各器官和肿瘤的权重、剂量目标、采样点等，优化单元基于调整后的参数建立优化模型或对当前优化模型进行更新并进行优化。

在本实施例的放射治疗计划系统中，勾画单元还用于对不满足剂量目标的区域进行辅助勾画，优化单元基于所述感兴趣区域以及辅助勾画区域建立优化模型或对当前优化模型进行更新并进行优化。

在本实施例的放射治疗计划系统中，优化单元还可以基于调整后的优化参数、原感兴趣区域以及辅助勾画区域建立优化模型或对当前优化模型进行更新并进行优化。

在本实施例中的具体细节可以参考上述对图1或图2的描述，在此不再赘述。

以上所揭露的仅为本发明的几种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。