用于放射疗法优化的方法、计算机程序产品和计算机系统与流程

本发明涉及放射疗法治疗计划的优化。

背景技术：

在优化放射疗法治疗计划时，必须将多种因素考虑在内。最重要的因素是建立剂量分布的目标，通常包括用于靶的最小剂量和用于邻近器官的最大剂量，以及直接机器参数优化(dmpo)中的机器约束条件。因此，在开发治疗计划时，通常为患者的各个不同部位设定这些最小和最大剂量，并确定尽可能接近地实现所述剂量目标的可投送的治疗计划。所述可投送的治疗计划为把所述计划投送到所述患者的设备规定了射束设定包括射束方向、机器输出和多叶准直器(mlc)的叶(leaf)位置。总机器输出用监控跳数(monitorunits，mu)表示，而每个射束或子野(segment)的机器输出可以表示为mu或分别表示为射束权重或子野权重。对剂量分布进行计算以验证所述计划的质量在临床目标之内。

在多叶准直器系统中，这涉及设定多叶准直器(mlc)的开口。多叶准直器包含多个叶或叶对，其可以被单个设定以定义使辐射通过的开口。对于静态调强(smlc)治疗来说，利用不同方向的若干射束把辐射投送到患者。对于每个射束，定义多个子野，这些子野合在一起形成来自特定方向的总剂量。每个子野限定了用于该子野的叶位置以及在该子野期间投送到患者的辐射的量。

控制点描述了在射束投送期间发生改变的治疗机器的参数，并且包括以mu表示的机器输出，并且如果使用mlc的话，包括所述mlc叶位置。对于smlc技术，每个子野由具有相同叶位置和钳口位置的一对控制点定义。第一个控制点定义了当射束启动时的累计辐射，第二个控制点定义了当射束停止时的累计辐射。射束停止和射束启动控制点之间的差异与恒定的叶位置和钳口位置一起，确定了在所述子野中投送的辐射的量及其形状。在其他技术例如动态调强(dmlc)或vmat中，射束一直启动并且叶一直移动。对于这些技术来说，每个控制点根据监控跳数(mu)指示了当叶移动到下一位置时投送的辐射的量。应理解，当在本文件中使用术语控制点或子野中的任一者时，不应被当作指示特定技术。相反，它应该被解释为意味着取决于使用的技术，与控制点或子野相关的mlc开口和投送的能量的量的组合。

改变叶位置耗费时间，所以期望减少子野的数目以节省时间。然而，减少子野的数目将降低调制剂量的可能性，而这是不期望的。

同样地，期望在监控跳数方面最小化投送计划所需的辐射。监控跳数是投送所述剂量需要多少能量的度量。

射束的投送时间取决于许多因素，诸如用于每个控制点的剂量率、每个控制点的mu、两个控制点之间的叶移动量。可能根据治疗计划的射束设置计算投送时间的评价。出于几个原因而期望缩短投送时间，诸如器官运动和患者不适。

也期望降低子野的粗糙度。例如具有深入mlc开口内的单个叶的粗糙子野提高剂量计算时的不确定性。在射野中存在单个叶提高了在患者定位时或者射束建模时小误差对剂量分布的影响。为此，期望降低mlc开口的粗糙度。

现有技术尝试实现这些目标，包括对这些参数，如最小子野面积、最大粗糙度、最大监控跳数(mu)或最大投送时间引入约束条件或者目标函数。这些方法要求在治疗计划优化之前，在不能已知这些约束条件或者目标函数将对剂量分布产生什么影响的点指定可接受参数值或权重。

us8961382涉及通过产生较不复杂的子野降低初始计划的mu。通过将来自计划的注量图或者mlc开口用作第二步骤的初始数据，通过产生在转换为可投送计划后将产生较少子野的较平滑注量图而在基于注量的计划中实现所述目标。替选地，可在可投送计划中通过降低行进最大叶的叶运动而实现所述目标。如作者所述的，它们的两种技术都可包括在剂量分布方面的计划量。他们建议能够对输入计划和新计划两者计算剂量目标值，以确定剂量方面的计划量是否足够好。

技术实现要素：

本发明的目标在于使得能够降低治疗计划的计划复杂性，而不损失计划质量。

本发明涉及一种优化放射疗法治疗计划的方法，包括下列步骤：

●获得可投送的输入治疗计划,

●使用目标函数和至少一个约束条件优化可投送的输入治疗计划以获得优化的治疗计划，其中目标函数涉及在下列至少一项方面降低计划复杂性：

-最小化机器输出，

-最小化投送所述计划所需的时间,

-最大化子野面积,

-最小化mlc形状的粗糙度，

●其中所述至少一个约束条件基于输入计划的剂量分布，并且涉及保持可接受的剂量分布。

在本发明的背景下，降低计划复杂性涉及降低以监控跳数(mu)表示的总机器输出和/或降低计划的投送时间和/或提高mlc开口的面积(子野面积)和/或降低mlc开口的粗糙度和/或减少控制点/计划子野的数目。根据本发明，通过关于这些参数中的任何参数优化治疗计划，同时应用涉及剂量分布的一个或者更多约束条件而实现所述目标。本发明使得能够降低计划复杂性而不损失计划质量，意味着可在保持可接受剂量分布的同时降低计划复杂性。

一种可接受的剂量分布是这样的剂量分布，其中诸如肿瘤的靶区域和健康组织或者危及器官的最大和最小剂量目标在特定公差内满足。

存在可能导致特殊剂量分布的许多可能可投送计划，本发明利用这样的事实。这些可能的可投送计划将在机器输出(mu)、投送时间、子野大小、子野的粗糙度和数目方面，关于计划复杂性具有不同特征，并且优化使得可能识别并且选择一种可能的可投送计划，除了提供期望的剂量分布之外，从计划复杂性观点看也有利。

在优选实施例中，本方法涉及最小化超过在输入计划中实现的、至至少一个危及器官或者健康组织的剂量。

目标函数通常可涉及通过最小化一个或者更多下列项而降低满足计划所需的机器输出：

●计划的机器输出，表示为监控跳数

●一个或者更多射束的机器输出，表示为监控跳数或权重

●射束内的一个或者更多控制点/子野的机器输出，表示为监控跳数或权重

在其它实施例中，目标函数可涉及通过最小化一个或者更多下列项而减少计划的投送时间：

●计划的总投送时间

●一个或多个射束的投送时间

●射束内的一个或多个控制点/子野的投送时间

在又另一实施例中，目标函数涉及通过下列一种或者更多方式设置mlc叶：

●最大化计划内的一个、一些或者全部控制点的子野面积

●最小化计划内的一个、一些或者全部控制点的粗糙度

根据上文，目标函数的标准可涉及机器输出、投送时间或者子野面积的形状或者大小。目标函数也可涉及两个或者更多这些参数的组合。

根据前述权利要求任一项的方法，其中所述至少一个约束条件基于一个或者更多下列项：

●把一个或多个靶dvh曲线整个或者部分的形状约束为输入计划中dvh曲线的相应形状；

●把一个或者更多健康组织dvh曲线整个或者部分的形状约束为不超过输入计划中dvh曲线的相应形状；

●根据输入计划约束靶dvh中的一个或者更多dvh点；

●约束结构或者整个患者体内地一些或者全部体元内的剂量，使得保持靶体元内的剂量，并且与输入计划中的剂量相比，健康组织体元内的剂量不增大；

●根据输入计划约束结构内剂量分布的一些统计度量，诸如剂量分布的均值剂量或者相对标准偏差；

●约束生物学指标，诸如eud、geud、tcp、ntcp、p+，使得与输入计划相比，相同生物学指标对于靶结构保持或者不减少，并且对于健康组织不增大；

●约束均一性指数和/或均匀性指数，使得与输入计划相比，它们不增大。

使用这些约束中的一个或更多约束以确保计划将不会改变成使得当再优化时靶接收的辐射太少或健康组织接受的辐射比可接受的多。

根据优选实施例，所述方法还包括识别和丢弃对剂量分布不产生重要影响的任何子野和/或射束的步骤。这将有助于通过减少所使用的子野数目而降低计划复杂性。在丢弃任何这些不重要或者微小子野之后，优选地对计划再优化，以补偿任何丢弃的子野或者射束。

本领域众所周知，本发明的方法作为包括计算机可读的代码装置的计算机程序产品实现，当在计算机上运行时，所述计算机可读的代码装置将引起计算机执行根据前述权利要求任一项所述的方法。计算机程序产品通常被存储在载体上。

本发明也涉及一种用于执行放射疗法的剂量计算的计算机系统，所述系统包括处理装置，所述计算机系统以下列方式具有在其中存储由根据上述定义的计算机程序产品的程序存储器，当被执行时，所述计算机程序产品将控制处理装置，以执行根据本发明实施例的方法。

计算机系统通常还包括被布置成保持待由处理装置在执行优化方法时使用的数据，诸如涉及患者的图像数据、初始处理计划和/或涉及至少一个场景的信息。

附图说明

下面将参考附图更详细地公开本发明，其中：

图1a、1b和1c示出其中可通过都使用三个子野的两个可替选射束设置实现注量图的简化示例，

图2a和2b示出与图1中相同但是使用两个子野而非三个子野的相同注量图，

图3是示出本发明方法的第一实施例的流程图，

图4是示出本发明方法的第二实施例的流程图，

图5是示出本发明方法的dvh曲线图，

图6分别示出输入计划和优化计划之间的mlc设置中的变化；

图7示意性地示出其中可实现发明方法的计算机系统。

具体实施方式

图1a示出了为了在患者体内获得特定剂量而需要的简化一维注量图(fluenceprofile)。该图含有5个像素b1-b5，其中b1和b5的权重是b2-b3权重的一半。这种注量图能够由子野(或者控制点)的不同集合来实现，这种集合通过不同mlc开口和以mu表示的不同机器输出定义。图1b示出三个子野形状s1a、s1b和s1c，它们使用总共40mu一起给出期望的注量。辐射被实心mlc叶阻挡，并且穿过虚线开口。子野s1a将10mu投送至像素b1，子野s1b将20mu投送至像素b2-b4，并且子野s1c将10mu投送至像素b5。图1c示出含有三个子野s1b、s1c、s1d的另一射束设置，它们使用总共30mu给出相同的注量图。子野s2a将10mu投送至像素b1-b3，子野s2b将10mu投送至像素b4-b5，并且子野s3b将另10mu投送至像素b2-b4。该图示出使用相同数目射束但是不同的以mu表示的机器输出的几个射束设置，将产生相同注量，由此对患者给出相同剂量。

两维情况下的不同射束设置在mu、投送时间、粗糙度和子野面积方面具有不同复杂性。在该例中，治疗技术为smlc，但是对于其它治疗技术也有类似结果，诸如其中在射束的不同控制点之间射束恒定的动态治疗。本领域技术人员熟悉注量图、子野和控制点的概念。

图2a示出与图1a中相同的注量图。图2b示出含使用20mu投送的两个子野s1c、s2c的射束设置，其给出与图1b和图1c中示例相同的注量图。射束s1c将10mu投送至像素b1-b5，并且射束s2c将另10mu投送至像素b2-b3。可使用不同数目的子野产生相同注量图。

应理解，通常以3维处理治疗计划。这里的示例简化为2d的。

图3是根据本发明的方法的流程图。在步骤s31中获得输入治疗计划。这可涉及确定输入治疗计划，或者从另一单元接收输入治疗计划。本领域技术人员已知如何获得治疗计划。输入治疗计划包括含有下列各项的治疗设置：射束方向和控制点，以及剂量分布。在步骤s32中确定目标函数，其涉及最小化治疗的复杂性。下面将讨论与本文相关的不同类型的目标函数。在步骤s33中，手动选择或者自动添加基于初始计划的剂量分布的一个或者更多约束条件。通常可接受涉及改变患者不同区域中的投送剂量的约束条件，包括其中不允许改变的情况。应理解，步骤s32和s33的顺序可颠倒。目标和/或约束条件可预先定义。

在步骤s34中，基于步骤s32和s33中限定的目标和约束条件执行输入计划的优化。在现有技术中通常作为迭代过程执行该步骤，包括下列子步骤：

a)改变计划以改进剂量分布

b)评估改变的计划导致的剂量分布

c)基于该评估决定通过重复子步骤a)和b)继续优化，或者终止优化。

可根据任何适当的优化方法确定在子步骤a)中做出哪些变化。已经发现基于梯度的优化方法特别有效，但是也可使用其它方法。

步骤s32中确定的目标函数通常包括一个或者更多下列方面：

●最小化定义成监控跳数的计划的总机器输出；

●最小化定义成监控跳数或者射束权重的一个或多个射束的总机器输出；

●最小化定义成监控跳数或者子野权重的射束内的一个或多个控制点/子野的机器输出；

●最小化计划的总投送时间；

●最小化一个或多个射束的总投送时间；

●最小化射束内的一个或多个控制点/子野的总投送时间；

●最大化计划内一个、一些或者全部控制点的子野面积；

●最小化计划内的一个、一些或者全部控制点的粗糙度。

约束条件优选为硬约束条件，即在优化结束时，这些约束条件被满足。这将确保对一个或者更多靶和/或器官的剂量仅沿期望方向改变，或者任何不期望的变化都在可接受的限度内。能够使用高权重目标函数代替硬约束条件。步骤s33中确定的约束条件可为下列的一个或多个：

●把一个或者更多靶dvh曲线的整个或者部分的形状约束为输入计划中dvh曲线的相应形状，

●把一个或者更多健康组织dvh曲线的整个或者部分的形状约束为不超过输入计划中dvh曲线的相应形状，

●根据输入计划约束靶dvh中的一个或者更多dvh点。这意味着进行约束，使得根据结构的类型，相同相对体积接收与输入计划至少相同剂量和/或至多相同剂量和/或严格相同剂量，

●约束结构或者整个患者体内的一些或者全部体元内的剂量，使得保持靶体元内的剂量，并且较之输入计划中的剂量健康组织体元内的剂量不增大，

●根据输入计划约束结构内的剂量分布的一些统计度量，诸如均值剂量或者剂量分布的相对标准偏差。这意味着进行约束，使得取决于结构类型，与输入计划相比，统计度量被保持，不增大也不减小，

●约束生物学指标，诸如eud、geud、tcp、ntcp、p+，使得与输入计划相比，生物学指标保持，对于靶结构不减小，并且对于健康组织结构不增大，

●约束均一性指数和/或均匀性指数，使得与输入计划相比，它们不增大。

图4示出发明方法的第二实施例的可能过程，其中去除小子野以减少子野总数。在图4中，前三个步骤s41-s43与图3中的步骤s31-s33相同。在步骤44中开始优化，包括执行其中在治疗计划中做出改变以实现目标函数的改进的迭代步骤s45，以及判断优化是否应因最优性或一些其它判据而终止的判定步骤s46。

在图4中，在优化步骤s44和s45之后继续本过程，包括检测和去除非常小的子野，即具有低mu和/或小子野面积(mlc开口)、对剂量分布不产生明显影响的子野。这些不重要的子野对剂量分布的贡献小，因此能够被去除，并且在之后的优化迭代中由其余子野补偿。也能够由优化器去除对剂量分布贡献不大的整个射束。优化器检查是否应在步骤s46终止。如果产生的治疗计划满足目标，则优化可终止。步骤s46中的检查优选包括确定是否搜索不重要子野。不重要子野是微小子野，即那些太小使得它们的去除仅对计划产生非常小的变化的子野。如果不应考虑不重要子野，则优化在步骤s49中结束，否则在步骤s47中检查是否存在微小子野。如果存在微小子野，则在继续在步骤45中优化之前，在步骤s48中去除这些微小子野，否则优化继续，不在步骤s45中移除这些子野。过程继续，直到优化器在步骤s46中确定没有更多微小子野应被考虑，在该时间点，在步骤s49结束优化。优选地，当去除一个或者更多不重要子野时，优化继续，但是在一些情况下，可假定子野的贡献可忽略，并且子野可被去除而没有任何进一步的优化。

应理解，可在程序的任何阶段执行对不重要子野的去除。这意味着，例如，也能够在步骤s45之前执行步骤s47和s48。然而，在去除这些不重要子野之后，优选地执行后续优化，以补偿移除这些子野的影响。

图5是符合本发明的涉及输入计划和相同计划优化之后的剂量体积柱状图(dvh)。在这种情况下，使用传统的目标函数优化输入计划。将使用400mu投送该计划。将来自输入计划的控制点用作初始猜测做出对输入计划的优化。目标在于最小化mu，并且将初始计划的dvh曲线用作约束条件。这意味着对靶的剂量应降低，并且对每个危及器官的剂量不应升高。图5的图示出沿x轴以gy计的剂量，以及沿y轴以百分比计的相关器官的体积部分。对于每个所考虑的器官，存在或多或少重叠的实线和虚线。虚线涉及输入计划引起的剂量，并且实线涉及优化计划的剂量。虚线和实线的最上对51涉及靶，并且之下的两对52、53涉及不同的危及器官。如图所示，在靶中dvh被保持。在每个危及器官中，剂量分布实质上相同，或者在一些点稍微降低。所述计划使用376mu，与初始400mu相比降低。如图所示，在保持治疗计划质量的同时实现了这种降低。

图6作为示例示出在优化之前和之后的输入治疗计划中的mlc设置中的变化。已经通过目标函数执行了优化以降低以mu表示的机器输出。示出简化mlc61具有被标以l1-l10的10个叶对。如叶对号4、5、6和7所示，通过使用更大的mlc开口补偿降低的mu。对于每一对，虚线都代表输入治疗计划中限定的端点，并且实线代表根据优化计划的端点。如图6中所示，与输入治疗计划相比，叶对4-7已经移动，以放大mlc子野。

除了上述优化之外，也能够命令优化器去除对剂量贡献不大的子野，例如具有小mlc开口的子野，和/或具有低能量的子野。优化器也可去除对剂量分布贡献不大的整个射束。能够在优化开始之前，或者在计划优化期间的任何迭代时执行控制点和射束的去除。

能够在目标函数中包括对剂量的惩罚，以降低对肿瘤外部或者特定结构内的健康组织的剂量。

图7是其中可执行本发明方法的计算机系统的示意性表示图。计算机71包括处理器73、数据存储器74和程序存储器75。数据存储器74被布置成从ct成像器77接收随着时间拍摄的患者相关区域的一系列ct扫描以形成4dct扫描。ct扫描不必要直接从ct成像器77接收，它们可以替选地从一些其它单元通过任何已知的通信方法接收。优选地，用户输入装置78也可以通过键盘、鼠标、操纵杆、语音识别装置或者任何其它可用的用户输入装置存在。

治疗计划被存储在数据存储器74内。治疗计划可由计算机71产生，或者以任何本领域已知的方式从另一存储装置接收。

数据存储器74也可保持将被用于优化的一个或者更多不同目标函数和/或约束条件。可替选地，将在优化过程中使用的目标函数和/或约束条件可通过用户输入装置78或者其它输入装置输入，或者在计算机71中产生。应理解，数据存储器74仅是示意性地示出的。存在几个数据存储器单元，每个都保持一个或者更多不同类型的数据，例如一个数据存储器用于目标函数，一个用于约束条件，等等。

程序存储器75保存被布置成控制处理器以执行图3或图4中限定的优化的计算机程序。应理解，不必要在计算机71中执行图3或4的方法的所有步骤。