一种优化剂量引导的TPS自动迭代优化算法的制作方法

本发明属于医疗技术领域，主要涉及一种逆向调强放疗的优化算法，具体涉及一种优化剂量引导的tps自动迭代优化算法。

背景技术：

调强放射治疗(imrt)作为放疗的一种，针对靶区三维形状和危及器官与靶区的解剖关系，对射束强度进行调节，使放射剂量的分布与靶区形状一致，靶区内接受分布均匀的高的剂量，保证对肿瘤细胞的杀伤，同时使得正常组织接受较低的剂量照射，达到保护正常器官、减少不良反应的目的。

传统的imrt计划制作过程一般包括两个步骤：射野强度图优化和实施照射。计划设计者根据经验设置射束方向，设置器官约束条件，然后用逆向优化算法求出射野强度图分布。如果采用光栅实施治疗，需要对优化得到的射野强度图图进行子野分割，得到一系列的子野。目前的光栅分割方式主要有两种：静态(stepshoot)方式和动态(slidingwindow)方式。下面将针对这两种治疗方式的特性，分析其对计划制作的影响。

静态imrt得到的是一系列权重和形状各不相同的静态子野，总的照射强度由这些子野累加得到，在实施治疗时各子野依次照射，切换子野时机器射线关闭。静态imrt的一个明显的不足之处就是一般需要的治疗时间长，当射野强度图很复杂时，会分割得到很多子野，但考虑到实际治疗时间，会在计划时射野面积小、权重小的子野。这就导致优化的剂量分布与分割后的剂量差异较大。另外光栅的透漏射、半影等参数也会使优化的剂量分布与分割后的剂量分布产生差异。

动态imrt利用光栅相对应的一对叶片的相对运动，实现对射野强度的调节，在叶片运动过程中射线一直处于“beamon”状态。动态叶片分割需要考虑叶片的运动限制，譬如叶片运动的最大速度、最大加速度，以及光栅透漏射因子、半影参数等，这些物理限制也会导致优化的剂量与分割后的剂量差异较大。

光栅子野分割导致的剂量差异，要求计划设计者修改器官约束、射野参数，然后不断的进行优化、分割、剂量计算。这个过程参考图1，对于复杂的病例尤其繁琐，可能需要计划者手工迭代多次，耗时耗力。

技术实现要素：

为了解决上述技术问题，本发明提出了一种优化剂量引导的tps自动迭代优化算法。

为了达到上述目的，本发明的技术方案如下：

一种优化剂量引导的tps自动迭代优化算法，包括以下内容：

首先，根据分割后的剂量计算各器官内每个点的剂量和优化结果的差异，作为优化引擎的输入，得到差异部分的强度图贡献；

然后，将原优化后的强度图减去差异部分的强度图，作为子野分割的强度图输入，得到迭代后的子野并计算剂量；

最后，重复整个过程，使最终的剂量分布与优化后的剂量接近，得到预期的剂量分布。

在上述技术方案的基础上，还可做如下改进：

进一步，具体包括以下步骤：

(1)确定射野个数和方向，设置约束条件，采用共轭梯度法优化射野强度分布；

(2)优化完成后，保留射束强度x构成的优化强度图mapopt、点剂量dj构成的所有约束器官的优化剂量doseopt以及目标函数值fobjopt；

(3)设置迭代次数iter＝0，最小目标函数值fobj＝n1，最佳优化强度图map＝mapopt；

(4)设置强度图mapnew＝mapopt；

(5)根据步骤(4)得到的mapnew进行子野分割，计算分割后的剂量；

(6)根据步骤(5)得到的分割后的剂量计算所有器官分割后的剂量dosedel和目标函数值fobjdel；

(7)比较fobjopt和fobjdel；

若fobjdel＜fobjopt，表示分割后器官剂量的违反程度更小，进入步骤(15)；

否则，则进入步骤(8)；

(8)判断迭代次数iter是否超过阈值；

如果超过，则代表迭代已达到上限，进入步骤(14)；

否则，则进入步骤(9)；

(9)比较fobjdel和fobj，

若fobjdel＜fobj，则：fobj＝fobjdel，map＝mapnew；

(10)迭代次数iter增加1；

(11)将器官对应点的分割后剂量dosedel和优化剂量doseopt做减法，求得点剂量差异dosediff，dosediff即为需要迭代弥补的剂量；

(12)将dosediff作为目标剂量，输入优化引擎，得到射束强度x构成的强度图mapdiiff；

(13)计算新的强度图mapnew＝mapopt-0.382*mapdiff，重复步骤(5)-步骤(13)；

(14)fobj记录的是最小的目标函数值，其对应的最佳优化强度图为map，根据map进行子野分割和最终剂量分布计算；

(15)输出imrt的优化结果。

进一步，在步骤(1)中，采用二次型物理目标函数，其形式如下：

其中，foar(x^k)为与所有oar有关的目标函数项；

fptv(x^k)为与所有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；

ntptv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；

ωj为第j个点的权重；

dj为第j个点的计算剂量；

pj为第j个点的处方剂量；

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；

ajm为单位强度的第m个射束对第j个点的剂量贡献，整个ajm构成的矩阵称为能量特征矩阵；

为第m个射束的强度。

进一步，在步骤(3)中，n1为不小于999的数。

进一步，在步骤(3)中，n1取999。

进一步，在步骤(8)中，迭代次数iter的阈值为大于等于2的整数。

进一步，在步骤(8)中，迭代次数iter的阈值取5。

本发明提出了一种优化剂量引导的tps自动迭代优化算法，能有效解决因光栅物理限制引起的优化剂量分布与分割后剂量分布不一致的问题，能显著减少计划设计者制作计划的时间。

附图说明

图1为原计划流程图。

图2位本发明实施例提供的优化剂量引导的tps自动迭代优化算法流程图。

图3为本发明实施例提供的横截面迭代优化前后比较图；

其中，图3(a)为迭代优化前；

图3(b)为迭代优化后。

图4为本发明实施例提供的冠状面迭代优化前后比较图；

其中，图4(a)为迭代优化前；

图4(b)为迭代优化后。

图5为本发明实施例提供的矢状面迭代优化前后比较图；

其中，图5(a)为迭代优化前；

图5(b)为迭代优化后。

图6为本发明实施例提供的迭代优化前后dvh比较曲线图。

具体实施方式

下面结合附图详细说明本发明的优选实施方式。

为了达到本发明的目的，一种优化剂量引导的tps自动迭代优化算法的其中一些实施例中，

传统的两步法imrt(intensitymodulatedradiationtherapy)计划制作过程一般包括两个步骤：射野强度图优化和实施照射。射野强度图优化后的剂量分布是理想的剂量分布，如果采用光栅实施治疗，需要对优化得到的射野强度图进行子野分割，得到一系列的子野。由于光栅的特性和物理限制，譬如光栅运动最大速度、光栅半影参数等，实施照射的剂量分布和优化后的分布有一定差异，这就需要物理师根据经验调整目标函数参数，重新优化计划，以实现预期的可满足临床的高质量计划。该过程繁琐且耗时，为此本发明提供了一种优化剂量引导的tps自动迭代优化算法。

一种优化剂量引导的tps自动迭代优化算法，包括以下内容：

首先，根据分割后的剂量计算各器官内每个点的剂量和优化结果的差异，作为优化引擎的输入，得到差异部分的强度图贡献；

然后，将原优化后的强度图减去差异部分的强度图，作为子野分割的强度图输入，得到迭代后的子野并计算剂量；

最后，重复整个过程，使最终的剂量分布与优化后的剂量接近，得到预期的剂量分布。

为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，如图2所示，具体包括以下步骤：

(1)确定射野个数和方向，设置约束条件，采用共轭梯度法优化射野强度分布；

(2)优化完成后，保留射束强度x构成的优化强度图mapopt、点剂量dj构成的所有约束器官的优化剂量doseopt以及目标函数值fobjopt；

(3)设置迭代次数iter＝0，最小目标函数值fobj＝n1，最佳优化强度图map＝mapopt；

(4)设置强度图mapnew＝mapopt；

(5)根据步骤(4)得到的mapnew进行子野分割，计算分割后的剂量；

(6)根据步骤(5)得到的分割后的剂量计算所有器官分割后的剂量dosedel和目标函数值fobjdel；

(7)比较fobjopt和fobjdel；

若fobjdel＜fobjopt，表示分割后器官剂量的违反程度更小，进入步骤(15)；

否则，则进入步骤(8)；

(8)判断迭代次数iter是否超过阈值；

如果超过，则代表迭代已达到上限，进入步骤(14)；

否则，则进入步骤(9)；

(9)比较fobjdel和fobj，

若fobjdel＜fobj，则：fobj＝fobjdel，map＝mapnew；

(10)迭代次数iter增加1；

(11)将器官对应点的分割后剂量dosedel和优化剂量doseopt做减法，求得点剂量差异dosediiff，dosediff即为需要迭代弥补的剂量；

(12)将doseaiff作为目标剂量，输入优化引擎，得到射束强度x构成的强度图mapdiff；

(13)计算新的强度图mapnew＝mapopt-0.382*mapdiff，重复步骤(5)-步骤(13)；

(14)fobj记录的是最小的目标函数值，其对应的最佳优化强度图为map，根据map进行子野分割和最终剂量分布计算；

(15)输出imrt的优化结果。

进一步，在步骤(1)中，采用二次型物理目标函数，其形式如下：

其中，foar(x^k)为与所有oar有关的目标函数项；

fptv(x^k)为与所有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；

ntptv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；

ωj为第j个点的权重；

dj为第j个点的计算剂量；

pj为第j个点的处方剂量；

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；

ajm为单位强度的第m个射束对第j个点的剂量贡献，整个ajm构成的矩阵称为能量特征矩阵(或沉积矩阵)；

为第m个射束的强度。

进一步，在步骤(3)中，n1为不小于999的数，在一些实施例中，n1可以取999。

进一步，在步骤(8)中，迭代次数iter的阈值为大于等于2的整数，在一些实施例中，迭代次数iter的阈值取5。

应用本发明，将子野分割步骤考虑到整个优化过程中，不断修正子野分割产生的剂量偏差，可显著提升计划质量，并加快计划制作效率。

下面针对食管癌病例(靶区gtv处方6235cgy，ptv处方5600cgy，分29次)，具体描述其实施过程：

1.确定7野照射，角度依次为150，70，40，0，320，290，210；

设置约束条件，见表1；

表1器官约束列表

计算单位强度的第m个射束对器官每个点的剂量贡献，然后用共轭梯度算法求解目标函数最小值，得到优化强度图；

2.保存优化强度图mapopt、器官的优化剂量doseopt、目标函数值fobjopt；

3.设置迭代次数iter＝0，最小目标函数值fobj＝999，最佳优化强度图map＝mapopt；

4.设置强度图mapnew＝mapopt；

5.根据mapnew进行子野分割、计算分割后剂量；

6.根据分割后的剂量计算所有器官分割后的剂量dosedel、目标函数值fobjdel；

7.比较fobjopt和fobjdel；

如果fobjdel＜fobjopt，跳转到步骤15；

否则，跳转到步骤8；

8.判断迭代次数iter＞5是否成立；

如果成立，则跳转到步骤14；

否则，转到到步骤9；

9.比较fobjdel和fobj；

如果fobjdel＜fobj，fobj＝fobjdel，map＝mapnew；

10.迭代次数iter增加1；

11.求器官对应点的分割后剂量与优化剂量的差值：dosediff＝dosedel-doseopt；

12.将dosediff作为目标剂量，输入优化引擎，得到强度图mapdiff；

13.计算新的强度图mapnew＝mapopt-0.382*mapdiff，重复步骤5-步骤13；

14.根据map进行子野分割和最终剂量分布计算；

15.输出imrt的优化结果。

比较使用迭代优化和不使用迭代优化的计划效果，横截面、冠状面、矢状面、器官剂量体积直方图dvh的差异见图3-图6。可见，优化后靶区剂量的均匀性和适形度均有所提升，危及器官脊髓的受量减少，计划质量显著提升。

本发明提出了一种优化剂量引导的tps自动迭代优化算法，能有效解决因光栅物理限制引起的优化剂量分布与分割后剂量分布不一致的问题，能显著减少计划设计者制作计划的时间。

对于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。