>[0023] 剂量特征模型与解剖特征相关，包括但不限于一个或多个W下内容：PTV剂量均 匀性；围绕OAR和PTV的剂量梯度；围绕一个OAR的局部剂量梯度；剂量体积点巧日，平均剂 量，中值剂量，最大剂量，30%体积的剂量，等）和剂量体积直方图（DVH)或者PTV和ORA;3D 等剂量线的位置和体积；在特定解剖点或组合上的3D等剂量线；等等。
[0024]在某些特性下，剂量与DVH预测模型用解剖特征作为输入剂量特征作为输出建立 相关性。部分或全部特征可W同时使用。
[002引此外，运些特征可W通过进一步处理来降低数据维度。例如，DVHs,DTHs,DOHs等 可W使用降维技术，像主要成分分析、多维定标等等来降低数据维度。运些都是熟知的降维 技术。
[0026]本文所述的剂量预测模型使用机器学习、统计分析等方法建立了解剖学与剂量的 相关性。例如，支撑向量机回归模型映射了一系列从PTVs和OARs中提取出来的解剖特征 和一系列能够在患者配置测试中被用来预测OARs和PTVs的剂量体积支方图（DVH)的剂量 体积特征。另外，还包括使用逐步多元回归方法系统性地分析患者解剖特征和相应的剂量 体积特征之间的相关性。逐步回归方法给模型添加了最重要的解剖因素，消除了每一步中 的无关因素，因此最终的模型中只存在唯一重要的因素。
[0027]另一方面，本发明公开了一种将计算机知识与所有所述模型结合的方法，并在一 个交换直观的用户界面上显示做出的决策。关键的器官保留参数信息可W从一个或者多个 结合的渠道中获得。此外，获得的信息将会被整合，操作者在考虑每个患者的特定需求时可 W通过权衡后的预测模型对不同的器官选择不同的剂量配置决定。权衡模型可W提供多个 权衡选择。
[0028]患者特定的信息包括可能影响医师关于PTV和每个OARs剂量处方决定的所有信 息。运些信息因素包括但不限于患者先前的放射治疗，先前的治疗剂量，位置，先前治疗中 每一个OAR的剂量体积信息，患者的生理条件例如器官功能分析，移植条件，W上各种组合 状况，等等。
[0029]图1为依据本发明实施例放射治疗计划的参数产生系统100计划的介绍框图。参 数产生系统100计划在运个例子中通过单个计算设备被实现，尽管该系统100可W选择一 个或者多个计算设备一起实现。该系统100需要通过一个或者多个处理器和内存实现。系 统100需要通过合适的硬件、软件、固件或者他们的组合实现。
[0030]如图IA所示计划参数模型和包括一个模型子系统102和一个训练数据库104的 预测系统100相互连通。模型子系统102通过设置可W将一些信息(如指导方针，个人经验 等）从训练数据库104中读取或者写入训练数据库104中。模型子系统102可W为新患者 生成计划参数，在此更为详细的描述。进一步，模型子系统102设置存储为一个典型的预测 模型，训练该预测模型，产生可应用于训练预测模型的计算机可执行程序，然后执行本文所 述的任务和功能。运里详细地描述了模型子系统102。
[0031] 训练数据库104用于存储数据W及有效地检索所存储的数据。例如，数据库104记 录了 106-1至106-D，每个记录都包含了与训练治疗计划有关的数据，专家要么使用试错法 要么使用帕累托最优计划法为患者制定训练治疗计划。运里进一步描述了训练数据可104 的内容。
[0032]图IB为依据本发明实施例并用于福射治疗计划的计划参数产生系统的框图。参 数产生系统计划在运个例子中通过单个计算设备被实现，尽管该系统可W选择一个或者多 个计算设备一起实现。系统需要通过合适的硬件、软件、固件或者他们的组合实现。
[0033] 根据图1B，该系统包括110治疗计划，指导方针，个人经验，参数选择和其他知识 源等。运些数据可WW数据库的形式提供。患者特征112和剂量计划特征116可W分别设 置为输入Xi114和输出Yi118,运些特征设置在机器学习模块120中。运些部件包含于训练 模型。后续部件与模型的应用程序相关，该模型在知识模型系统122中。
[0034] 接着，新的患者信息124被输入。运些信息设日，患者解剖学，W及其他信息和条件） 可W作为患者的特征并用Xnew表示。使用新的患者信息产生系统122,输出模型生成治疗 计划参数128巧日DVHs和其他剂量参数）并用化ew表示。进一步，系统122使用新的患者 信息产生，输出模型产生治疗计划参数包括权衡选项：化ew值VHs和其他剂量参数）。
[003引 图2为依据本发明实施例介绍记录106-i内容的示例框图，其中i表示1到D的 整数。如图2所示，记录106-i包括但不限于：器官体积201-i;几何特征202-i 维剂量 分布203-i;剂量体积直方图203-i;目标体积205-i;目标剂量和DVH处方206-i;0AR剂量 和DVH保留处方207-i;医学保留参数和特征208-i巧日，肺容量至少大于IOGy少于5%，符 合所有单肾患者的保留目标，等）；特定机器特征209-i巧日，治疗程序，光束角度设置，等）； 和附加的特定参数210-i巧日，临床变量，统计变量，等)。
[003引图3为依据本发明实施例记录器官体积数据201-i的示例框图，其中i表示1到D的整数。如图3所示，器官体积数据201-i包括但不限于：目标体积尺寸301-i，即目标 体积(体积）的大小，使用合适的单位巧日，立方毫米，等）；病危器官（OAR)体积尺寸302-i; 器官形状表示303-i;与某一个器官重叠的局部目标体积304-i;与多个器官重叠的局部目 标体积305-i;与目标重叠的局部器官体积306-i;与其他器官重叠的局部器官体积307-i; 符合特定光束设置的局部器官体积308-U如，在主要福射范围之外的局部体积，等)。在其 他例子中，数据还包括目标形状的描述，目标OAR的形状，几何形状交互描述等等。
[0037] 图4为依据本发明实施例几何特征202-i的示例框图，其中i表示1到D的整 数。如图4所示，几何特征202-i包括二维点401-i-l到401-i-K，其中K为正整数，每个点 把距离与目标体积占病危器官总体积的百分比联系起来。换句话说，每个点从401-i-l到 401-i-K与图6曲线上的点相对应。元素x，y和Z表示坐标。元素d表示剂量。
[0038] 如本文所述，具有说明性特性的几何特征202-i涵盖了能够描述一个病危器官与 一个或多个目标体积W及其他病危器官之间几何特征的工具和方法。其中，一个几何描述 工具是距离目标直方图（DTH),在一个特定的距离下用来测量OAR或目标体积所占的部分。 DTH中的距离测量可W在欧几里德空间或者其他非欧几里德空间，可W使用线性或非线性 方式巧日，被放射光束几何学扭曲的距离空间，或者剂量沉积特征等)。
[0039] 图5为依据本发明实施例记录剂量体积直方图203-i内容的示例框图，其中i表 示1到D的整数。如图5所示，几何特征203-i包括二维点501-i-l到501-i-K，其中K为正 整数，每个点从患者的剂量体积支方图中取得。如上所述，在一些公开的技术中，从501-i-l 至IJ501-i-K的每个点需要结合剂量范围W及被剂量范围公开的体积百分比巧日，与图6中说 明性DVH相对应的点，等)，然而在一些其他的特性下，从501-i-l到501-i-K的每一个点结 合剂量值W及被剂量值公开的体积百分比巧日，与图7中说明性DVH相对应的点，等)，然而 在一些其他的特性下，点501-i-l到501-i-K的每一个点可W从患者的其他类型的剂量体 积直方图中获得。元素X表示X%或者目标/器官/正常组织体积XCC。元素d表示剂量。
[0040] 图6为依据本发明实施例的第一个说明性剂量体积直方图（DVH)，称为微分DVH。 如图6所示，DVH结合在病变体积（X轴）内的多个剂量范围巧日，0-2Gy，2-4Gy，等）与在剂量 范围（y轴）内被公开体积的百分比。X轴表示X%或者目标/器官/正常组织体积的xcc，d表示剂量。图中显示是体积的百分比，尽管它也可W表示为体积的CC。本领域技术人员 能够理解及实施，在某些公开的实施例中，剂量分布直方图源于剂量分布，从其他实施例中 可知，剂量体积直方图源于剂量体积直方图，W下是关于图7的描述，剂量体积直方图的一 些其他实施例可W源于其他数据或者W其他方式获得。
[00川图7依据本发明实施例描述了第二种说明性DVH，称为累积DVH。如图7所示，DVH结合剂量范围（X轴）与器官或者目标体积（y轴，其中1对应100%的体积，0对应0%的体 积)的百分比。本领域技术人员能够理解，在某些公开的实施例中剂量体积直方图源于剂量 体积直方图如图6所示，在一些其他的实施例中，剂量体积直方图直接源于剂量分布，然而 一些其他的实施例中剂量体积直方图如图7所示可W源于一些其他的数据或者W其他方 式获得。图中显示是体积的百分比，尽管它也可W表示为体积的CC。
[0042]依据目前公开的实施例，图8描述了一个或多个关于目标体积的病变器官（OAR) 的几何特性。如图8所示，图表将距离目标体积（X轴）与病变器官总体积的百分比（y轴） 结合，其中负距离表示目标与OAR的重叠。例如，点800表示85%的病变器官的总体积在目 标体积的1公分内。基于欧几里德或者其他非欧几里德度量空间的距离可W进一步定义。 图8提供了一个几何0AR/PTV特征的简单示例。在某个实施例中，还包括怎样计算距离的 额外变量，或者描述几何参数的其他方法，如附角等。
[0043]图9为依据现有公开实施例的放射治疗计划方法的流程图。在运个示例中，该方 法被图IB中的系统实现，尽管该方法可W被任何合适的系统实现。图9所述的步骤和任务 可W同时执行或者W不同顺序执行。
[0044]图9中该方法包括填充、任务901和计划数据库。例如，图IB所示的系统W及一 个或者更多的计算设备可W填充计划数据库。任务901在图10中被进一步详细描述。例 如，计划数据库包括但不限于，个人经验、参数选择或者除了计划数据库的其他知识源。
[0045]图9中的任务902是用来训练计划数据库数据的预测模型。例如，图IB中的系统 是一个预测模型可W用来训练计划数据库。任务902在此被进一步详细描述并结合图11 理解。
[0046]图9中的任务903是基于训练预测模型产生的可执行程序。例如，图IB中的系统 是基于训练预测模型产生的可执行程序。
[0047]图9中的任务904用于为放射治疗计划中的患者P接收数据。例如，图IB中的系 统可W为放射治疗计划中的患者P接收数据。依据说明性实施例，运些数据包括但不限于， 患者P目标体积的尺寸与形状；患者P病危体积的尺寸与形状；患者P目标体积与病危体积 的几何特征图6中说明性曲线形式被描述)。
[004引图9中的任务905为一种产生于患者P的放射治疗计划参数。例如，图IB中的系 统可W产生一组用于患者P的放射治疗计划参数。任务905在此被进一步详细描述并结合 图14至图16理解。
[0049] 在任务905完成之后，可W继续执行任务904。
[0050] 图10为依据现有公开实施例执行图9中任务901的方法的流程图。本领域技术 人员在读到公开技术后能够理解，图10中描述的子任务可W同时执行或者W不同的顺序 执行。
[0051] 在图10的子任务1001中，建模子系统104需要初始化变量S为通过专家使用试 错法或帕累托引导捜索预先制定的一组放射治疗计划。在子任务1002中，建模字系统104 需要初始化参数i为1。
[0052] 在子任务1003中，建模子系统104可W从患者P的计划中选择集合S。
[0053] 在子任务1004中，建模子系统104可W存储患者P目标体积的尺寸和患者P病危 器官的尺寸，该器官体积数据201-i在计划数据库102的患者记录106-i中。
[0054] 在子任务1005中，建模子系统104可W从患者P的病危器官的几何特征中和目标 体积中提取一组点。
[005引在子任务1006中，建模系统104可W存储一组从子任务1005中获得的点，运些点 在计划数据库102的患者记录106-i的几何特征202-i中。
[005引在子任务1007中，建模子系统104可W提取一组源于剂量体积直方图的点，运些 剂量点配合其他特定的几何特征，运些几何特征被专家或计算机化的帕累托最优计划制定 并用于患者P。
[0057] 在某个案例中，子系统1004, 1005, 1006和1007可W结合提取一组解剖特征和一 组计划特征106-i，所有运些特征一次性提取。每个患者解剖特征可W形成一个向量，每个 患者治疗计划可W形成一个向量。所有数据库中的患者可W结合形成解剖特征矩阵和治疗 计划特征矩阵。
[0058] 在子任务1008中，建模子系统104可W存储一组从子任务1007中获得的点，运些 点在计划数据库102的患者记录106-i的剂量体积支方图203-i中。
[0059] 在子任务1009中，建模子系统104可W从集合S中将患者P删除。
[0060] 在子任务1010中，建模子系统104可W用来检测集合S是否为空集，如果是空集 就继续执行图9中的任务902,如果不是就继续执行子任务1010。
[0061] 在子任务1011中，建模子系统104可W增加变量i。在子任务1010后继续执行子 任务1003。
[0062] 图11依据目前公开的说明性实施例详细描述了任务902 (模型训练）的流程图。 本领域技术人员读到公开技术后能够理解，图11描述的子任务可W被同时执行或者W不 同的顺序执行。
[006引在子任务1101中，建模子系统104可W从计划数据库102中选择记录106-i，其中i为1到D的整数。例如，可W是输入解剖特征矩阵lOOx，也可W是计划特征矩阵lOOx。
[0064] 在子任务1102中，建模子系统104可W执行几何特征202-i的特征选择算法，几 何特征202-i在其他患者几何特征的患者记录106-i中。依据说明性实施例，在子任务1102 中成分分析原则被采用作为特征选择算法；然而本领域技术人员能够理解，在目前公开的 一些实施例中，一些其他类型的的特征选择算法在子任务1102中被采用，本领域技术人员 在读到公开的内容后可W清楚了解如何采用可用的特征选择算法实现公开的实施例。子任 务1102还可W执行数据降维。
[0065] 子任务1102在图12中被详细描述。
[0066] 在子任务1103中，建模子系统104可W产生包含（i)一个或多个变量的输入向量， 该变量基于子任务1102主成分分析的输出数据，（ii)患者记录106-i的目标尺寸301-i， (iii)患者记录106-i中的病危器官尺寸302-i-l到202-i-R。本领域技术人员能够理解， 目前公开的一些实施例中一个或多个项目值（i)可W仅仅是主成分比例对应子任务1102 获得的M特征值，而在一些其他的实施例中，一个或多个项目值（i)从运些M特征值中W某 种方法获得(如，归一化特征值，W某种方式结合特征值的技术，等)。子任务1103包括应用 机器学习技术如多元回归学习，支持向量机学习，神经网络学习，和解剖特征矩阵技]和计 划特征矩阵[刊，它们的关系如下[刊=[円技]。矩阵[円为模型，它可W是一个复杂的数学 函数。
[0067] 在子任务1104中，建模子系统104执行特征选择算法：（i)患者记录106-i的剂 量体积直方图203-i，（ii)剂量点对应特定的几何特征，该几何特征设及其他患者的剂量体 积直方图。依据说明性实施例，主成分分析作为子任务1104的特征选择算法被采用。本领 域技术人员通过一些公开的实施例能够理解，在子任务1104中可W采用一些其他类型的 特征降维算法，本领域技术人员在读到公开内容时可W清楚知道如何使用现有的实施例选 取合适的特征选择算法。
[006引子任务1104与子任务1102W类似的方法执行，并在