本发明涉及加速器治疗装置，具体涉及一种基于动态光栅的旋转调强优化方法及放射治疗设备。
背景技术：
放射治疗作为肿瘤的一种局部治疗手段，一直在不断寻求解决的一个基本问题是，如何较好地处理肿瘤组织和周围正常组织的剂量关系，使肿瘤得到最大限度的局部控制而周围正常组织和器官的放射损伤最小。临床经验证明，肿瘤的局部控制与正常组织的放射损伤有一定的关系。多数情况下，肿瘤控制率与正常组织损伤成正比例，即提高肿瘤的局部控制率必然造成对正常组织的更多的损伤。临床经验也证明，通过改进照射技术、选择合理的时间剂量因子，在保持同等水平的肿瘤控制率的情况下，可减低正常组织的放射损伤。治疗方案的优化是实现上述目的的途径之一。
旋转调强是目前发展的最先进的调强技术，能够很好的避免传统IMRT治疗时间长的缺点，同时治疗效果优于IMRT，大大提高计划执行的效率。传统的IMRT治疗，在治疗过程中，加速器大机架是静止的，每个治疗野切换时，都要停止出束，机架到位之后再重新出束，导致治疗效率相对旋转治疗较为低下；最初的旋转治疗没有优化过程，将一个弧划分成若干个方向，每个方向上的子野形状根据BEV(Beam Eye View射野方向视图)中的形状确定。后来发展了旋转调强优化，采用一些优化方法，优化得到每个方向上的子野形状和权重。但是目前旋转调强优化的难点在于优化参数众多，优化时间长，很难得到最优的方案。
技术实现要素：
为了克服现有技术的不足，解决现有技术中优化参数众多，优化时间长，很难得到最优的方案的缺陷，本发明提供了一种基于动态光栅的旋转调强优化方法和放射治疗设备。能够快速解决旋转调强参数优化问题，其优化结果能够完全满足放疗计划制定的要求，而又使得计算时间能够在本领域技术人员可以接受的范围内。
本文中的Arc即弧形野。
为达到上述目的，本发明的技术方案是：
一种基于动态光栅的旋转调强优化方法，包括以下步骤：
第1步，设置以下参数：弧形野数量、起始角度、角度间隔、剂量约束；
第2步，根据上述条件将Arc离散化，获得若干静态临时射野Beam；
第3步，基于第2步，对上述静态临时射野Beam进行强度优化，再对强度进行子野分割，将得到的静态临时射野Beam的子野按顺序均匀分布到原来的弧形野上；
第4步，使用gDPM计算每个子野的剂量分布，最后再使用共轭梯度法优化每个子野的权重，得到最优的剂量分布。
本发明与现有技术相比的优点在于：本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点，又有效的克服了两者的缺点。针对旋转射野，采用基于射野强度分布和子野分割后的结果，转化成动态再使用共轭梯度法优化子野权重，扰动技术优化子野形状。这样既可以满足计算时间的要求，又能满足优化效果要求。
进一步的，所述第2步具体如下：
根据Arc的起始角度G_start和结束角度G_end，角度间隔G_step、每个射野子野数SegNumOneBeam，计算：
子野个数：
NSeg＝(G_end-G_start)/G_step；
射野个数：
NBeam＝NSeg/SegNumOneBeam；
射野角度间隔：
Step＝(G_end-G_start)/NBeam；
射野角度：
Ang(i)＝G_start+i*Step-Step/2进一步的，所述第3步中的强度优化为采用共轭梯度法对其进行强度优化，具体如下：
设定目标函数
其中，
其中，为与所有OAR有关的目标函数项；为与靶区有关的目标函数项；NOAR为OAR的个数；NTi为第i个OAR中的采样点数；NPTV为靶区中的采样点数；当器官中的点剂量违反约束时，δj＝1，否则δj＝0；Wj为第j个点的权重；dj为第j点的计算剂量；Pj为第j点的处方剂量；α、β为控制靶区和OAR的重要性的归一化因子；Nray为射束的总个数；αjm为单位强度的第m个射束对第j个点的剂量贡献；为第m个射束的强度。
进一步的，所述第3步中的对强度进行子野分割，具体如下：
对输入的强度图，采用SlidingWindow的分割算法进行分割，得到连续运动的子野Seg1。
进一步的，所述第3步中的对强度进行子野分割时，每个临时射野Beam的子野数量应保持一致，记为m。
进一步的，所述对于上述临时射野Beam，将其分割得到的SlidingWindow的Seg1，均匀的分布到当前角度的(-step/2，step/2)；则整个Arc的m*n个子野的覆盖范围为：G_end-G_start。
进一步的，所述第4步中，使用gDPM计算每个子野的剂量分布，具体如下：
对每一个子野，使用基于GPU的蒙特卡洛算法gDPM，计算剂量分布Dseg(i)。
进一步的，所述第4步中，最后再使用共轭梯度法优化每个子野的权重，具体如下：
设定目标函数：
F′obj(Wi)＝F′target(Wi)+F′oar(Wi)；其中，
其中，
F′oar(Wi)为所有与OAR有关的目标函数项，
F′target(Wi)则为与靶区有关的目标函数项，
Noar为OAR的个数，Ntarget为靶区的个数。
本发明还提供一种放射治疗设备，其特征在于，包括：
参数设置模块，用以设置以下参数：弧形野数量、起始角度、剂量约束；
Arc离散化模块，用于根据上述条件将Arc离散化，获得若干静态临时射野Beam；
强度优化模块，用于对上述静态临时射野Beam进行强度优化，再对强度进行子野分割，将得到的静态临时射野Beam的子野按顺序均匀分布到原来的弧形野上；
剂量分布优化模块，使用gDPM计算每个子野的剂量分布，最后再使用共轭梯度法优化每个子野的权重，得到最优的剂量分布。
进一步的，所述Arc离散化模块具体工作原理如下：
根据Arc的起始角度G-start和结束角度G-end，角度间隔G_step、每个射野子野数SegNumOneBeam，计算：
子野个数：
NSeg＝(G_end-G_start)/G_step；
射野个数：
NBeam＝NSeg/SegNumOneBeam；
射野角度间隔：
Step＝(G-end-G-start)/NBeam；
射野角度：
Ang(i)＝G_start+i*Step-Step/2；
所述强度优化优化模块采用共轭梯度法对其进行强度优化，具体如下：
设定目标函数
其中，
其中，为与所有OAR有关的目标函数项；为与靶区有关的目标函数项；NOAR为OAR的个数；NTi为第i个OAR中的采样点数；NPTV为靶区中的采样点数；当器官中的点剂量违反约束时，δj＝1，否则δj＝0；Wj为第j个点的权重；dj为第j点的计算剂量；Pj为第j点的处方剂量；α、β为控制靶区和OAR的重要性的归一化因子；Nray为射束的总个数；αjm为单位强度的第m个射束对第j个点的剂量贡献；为第m个射束的强度；
所述强度优化模块对强度进行子野分割，具体如下：
对输入的强度图，采用SlidingWindow的分割算法进行分割，得到连续运动的子野Seg1；并对强度进行子野分割时，每个临时射野Beam的子野数量应保持一致，记为m；并将其分割得到的SlidingWindow的Seg1，均匀的分布到当前角度的(-step/2，step/2)；则整个Arc的m*n个子野的覆盖范围为：G_end-G_start。所述剂量分布优化模块，使用gDPM计算每个子野的剂量分布，具体如下：
对每一个子野，使用基于GPU的蒙特卡洛算法gDPM，计算剂量分布Dseg(i)，最后再使用共轭梯度法优化每个子野的权重，具体如下：
设定目标函数：
F′obj(Wi)＝F′target(Wi)+F′oar(Wi)；其中，
其中，
F′oar(Wi)为所有与OAR有关的目标函数项，
F′target(Wi)则为与靶区有关的目标函数项，
Noar为OAR的个数，Ntarget为靶区的个数。
附图说明
图1是剂量点与射野笔形束之间的关系图；
图2是本发明的过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
在实际射疗的过程中，医生需要先根据患者病症的具体情况制定治疗计划，这个治疗计划包括射线从哪几个角度进行照射，每个角度的射野形状及照射时间(剂量控制)，照射次数等等。例如，医生为某一病患给出以下治疗计划：计划进行2个Arc射线，一个从90度开始至270度结束，一个从270度开始至90度结束；给定靶区最小剂量为6000cGy，最大65cGy，危及器官剂量不超过临床需求。最初，主机架旋转到某个角度后，静止下来，完成该角度的照射剂量，再旋转到下一个角度，静止并完成对应的剂量，以此类推，即静态调强。现有技术中，在每一个角度之间，开始谋求连续的调强治疗，即动态调强，在从一个角度到另一个角度之间，进行连续的调强，难度很大，现有技术还存在很多问题，如优化参数多，优化时间过长及优化的结果不是太理想等的。
本发明提出一种解决方案，基于动态光栅的旋转调强优化方法，包括以下步骤：
第1步，设置以下参数：弧形野数量、起始角度、角度间隔、剂量约束；
第2步，根据上述条件将Arc离散化，获得若干静态临时射野Beam；
第3步，基于第2步，对上述静态临时射野Beam进行强度优化，再对强度进行子野分割，将得到的静态临时射野Beam的子野按顺序均匀分布到原来的弧形野上；
第4步，使用gDPM计算每个子野的剂量分布，最后再使用共轭梯度法优化每个子野的权重，得到最优的剂量分布。
本发明与现有技术相比的优点在于：本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点，又有效的克服了两者的缺点。针对旋转射野，采用基于射野强度分布和子野分割后的结果，转化成动态再使用共轭梯度法优化子野权重，扰动技术优化子野形状。这样既可以满足计算时间的要求，又能满足优化效果要求。
在实际应用中，所述第2步具体如下：
根据Arc的起始角度G_start和结束角度G-end，角度间隔G_step、每个射野子野数SegNumOneBeam，计算：
子野个数：
NSeg＝(G_end-G_start)/G_step；
射野个数：
NBeam＝NSeg/SegNumOneBeam；
射野角度间隔：
Step＝(G_end-G_start)/NBeam；
射野角度：
Ang(i)＝G-start+i*Step-Step/2。
在实际应用中，所述第3步中的强度优化为采用共轭梯度法对其进行强度优化，具体如下：
设定目标函数
其中，
其中，为与所有OAR有关的目标函数项；为与靶区有关的目标函数项；NOAR为OAR的个数；NTi为第i个OAR中的采样点数；NPTV为靶区中的采样点数；当器官中的点剂量违反约束时，δj＝1，否则δj＝0；Wj为第j个点的权重；dj为第j点的计算剂量；Pj为第j点的处方剂量；α、β为控制靶区和OAR的重要性的归一化因子；Nray为射束的总个数(ray又称为笔形束pencil beam)；αjm为单位强度的第m个射束对第j个点的剂量贡献，整个αjm构成的矩阵称为能量特征矩阵(或称为沉积矩阵deposition matrix)；为第m个射束的强度。剂量点与射野笔形束的关系如图1所示。图1中，对应于j点(图1中标号为1的点)的为第m个强度为xm的笔形束(图1中标号为2)，对应于j点的点剂量值由以下公式决定：
使用CG方法优化出射野的强度分布，记为I(i)。
在实际应用中，所述第3步中的对强度进行子野分割，具体如下：
对输入的强度图，采用SlidingWindow的分割算法进行分割，得到连续运动的子野Seg1。
在实际应用中，所述第3步中的对强度进行子野分割时，每个临时射野Beam的子野数量应保持一致，记为m。
在实际应用中，所述对于上述临时射野Beam，将其分割得到的SlidingWindow的Seg1，均匀的分布到当前角度的(-step/2，step/2)；则整个Arc的m*n个子野的覆盖范围为：G-end-G-start。在实际应用中，所述第4步中，使用gDPM计算每个子野的剂量分布，具体如下：
对每一个子野，使用基于GPU的蒙特卡洛算法gDPM，计算剂量分布Dseg(i)。
在实际应用中，所述第4步中，最后再使用共轭梯度法优化每个子野的权重，具体如下：
设定目标函数：
F′obj(Wi)＝F′target(Wi)+F′oar(Wi)；其中，
其中，
F′oar(Wi)为所有与OAR有关的目标函数项，
F′target(Wi)则为与靶区有关的目标函数项，
Noar为OAR的个数，Ntarget为靶区的个数。
例如，如图2所示，开机，得到初始化的系统，医生根据治疗计划设置Arc数量、其实角度、各器官的剂量约束等参数。
然后装置将Arc离散化获得临时射野Beam(i)。
进而按照上述方法对其进行强度分布优化。
再按照上述方法进行子野分割，并保证每个临时射野Beam的子野数目一致。
根据实际需要，完成子野转换，可将每个临时射野Beam的子野在其角度范围内均匀分布。目的是保证每个子野覆盖的范围一致。
对子野剂量进行计算。
完成子野权重优化，保证剂量分布最优，获得最佳的执行治疗方案(旋转动态调强方案)。
本发明还提供一种放射治疗设备，其特征在于，包括：
参数设置模块，用以设置以下参数：弧形野数量、起始角度、剂量约束；
Arc离散化模块，用于根据上述条件将Arc离散化，获得若干静态临时射野Beam；
强度优化模块，用于对上述静态临时射野Beam进行强度优化，再对强度进行子野分割，将得到的静态临时射野Beam的子野按顺序均匀分布到原来的弧形野上；
剂量分布优化模块，使用gDPM计算每个子野的剂量分布，最后再使用共轭梯度法优化每个子野的权重，得到最优的剂量分布。
进一步的，所述Arc离散化模块具体工作原理如下：
根据Arc的起始角度G-start和结束角度G-end，角度间隔G-step、每个射野子野数SegNumOneBeam，计算：
子野个数：
NSeg＝(G_end-G-start)/G_step；
射野个数：
NBeam＝NSeg/SegNumOneBeam；
射野角度间隔：
Step＝(G_end-G_start)/NBeam；
射野角度：
Ang(i)＝G_start+i*Step-Step/2；
所述强度优化优化模块采用共轭梯度法对其进行强度优化，具体如下：
设定目标函数
其中，
其中，为与所有OAR有关的目标函数项；为与靶区有关的目标函数项；NOAR为OAR的个数；NTi为第i个OAR中的采样点数；NPTV为靶区中的采样点数；当器官中的点剂量违反约束时，δj＝1，否则δj＝0；Wj为第j个点的权重；dj为第j点的计算剂量；Pj为第j点的处方剂量；α、β为控制靶区和OAR的重要性的归一化因子；Nrav为射束的总个数；αjm为单位强度的第m个射束对第j个点的剂量贡献；为第m个射束的强度；
所述强度优化模块对强度进行子野分割，具体如下：
对输入的强度图，采用SlidingWindow的分割算法进行分割，得到连续运动的子野Seg1；并对强度进行子野分割时，每个临时射野Beam的子野数量应保持一致，记为m；并将其分割得到的SlidingWindow的Seg1，均匀的分布到当前角度的(-step/2，step/2)；则整个Arc的m*n个子野的覆盖范围为：G_end-G_start。所述剂量分布优化模块，使用gDPM计算每个子野的剂量分布，具体如下：
对每一个子野，使用基于GPU的蒙特卡洛算法gDPM，计算剂量分布Dseg(i)，最后再使用共轭梯度法优化每个子野的权重，具体如下：
设定目标函数：
F′obj(Wi)＝F′target(Wi)+F′oar(Wi)；其中，
其中，
F′oar(Wi)为所有与OAR有关的目标函数项，
F′target(Wi)则为与靶区有关的目标函数项，
Noar为OAR的个数，Ntarget为靶区的个数。
本发明与现有技术相比的优点在于：本发明结合了IMRT的Sliding Window的快速优化和肿瘤形态学特征算法的优点，又有效的克服了两者的缺点。针对旋转射野，采用基于射野强度分布和子野分割后的结果，转化成动态再使用共轭梯度法优化子野权重，扰动技术优化子野形状。这样既可以满足计算时间的要求，又能满足优化效果要求。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。