要求保护的主题，使用诸如“存储”、“产生”、“保护”、“接收”、“加密”、“解密”、“销毁”等术语的讨论是指计算机系统或集成电路或者类似的电子计算设备(包括嵌入式系统)以下动作和处理:将被表示为计算机系统的寄存器和存储器内的物理(电子)量的数据操纵和变换成类似地被表示为计算机系统存储器或寄存器或者其它这样的信息存储、传输或显示设备内的物理量的其它数据。
[0025]因此，要求保护的主题的实施例提供一种用于在远程云计算部件上自动生成治疗计划和剂量预测模型的方法和系统。
[0026]配置DVH估计模型
[0027]图1描绘用于配置剂量预测模型的过程100的流程图。步骤101到107描述根据本文中所描述的各种实施例的包括图1中所描绘的过程100的示例性步骤。在一个实施例中，过程100可以整体或部分实现为存储在计算机可读介质中并且由计算设备中的处理器来执行的计算机可执行指令。
[0028]根据一个方面，剂量预测模型可以用于预测用于与放射疗法患者对应的治疗计划的剂量参数。在一个或多个实施例中，剂量预测模型可以实现为剂量-体积直方图(DVH)估计模型，其中所预测的量是剂量-体积直方图。在另外的实施例中，预测模型还可以基于距离到靶标(DTH)直方图来生成预测，DTH表示从区域或结构(诸如危及器官)到放射靶标的距离。在另外的实施例中，剂量预测模型可以实现为适合用于预测用于放射治疗计划的剂量(如剂量直方图或空间三维剂量分布)的任何其它模型。
[0029]在一个或多个实施例中，可以通过从治疗计划数据库中选择适当的治疗计划的组来配置DVH估计模型(步骤101)。理想地，该计划应当是高质量的并且例如关于治疗区域、现场几何形状和分级(fract1nat1n)足够类似于计划用于放射靶标/患者的治疗。系统分析从这一计划的训练集合选择的患者解剖结构(在一些情况下包括用于每个危及器官(0AR)的解剖信息)和DVH值(步骤103)，并且基于患者解剖和剂量-体积直方图值来训练数学DVH估计模型(步骤105)。患者解剖可以包括经由医疗成像设备获取的数据。一旦被训练，预测模型可以用于预测(109)用于放射疗法患者的治疗计划的剂量参数。根据一个或多个实施例，过程对训练集合中的计划进行均匀性检查，并且报告任何显著的偏差。在将模型应用于计划时，该算法还检查计划中的患者解剖是否与训练集合匹配。
[0030]DVH估计模型训练
[0031]—旦选择训练数据的集合，则可以训练(即细化)预测模型以生成用于计划对主体施加的放射疗法治疗的更精确的剂量估计。图2描绘用于训练预测模型的过程200。步骤201到211描述根据本文中所描述的各种实施例的包括图2中所描绘的过程200的示例性步骤。在一个实施例中，过程200可以整体或部分实现为存储在计算机可读介质中并且由计算设备中的处理器来执行的计算机可执行指令。
[0032]在一个或多个实施例中，DVH估计的实现通过分析数据的训练集合(在步骤101选择的)并且解析数据以根据数据的训练集合从多个患者采集结构集合(包含各种器官和靶标的空间信息)、先前优化的治疗计划、以及对应的3D剂量分布来开始(步骤201)。在另外的实施例中，估计模型可以用于将结构集合变换成(203) —个或多个数据曲线。例如，可以将结构集合中的几何结构信息变换成器官特定的DTH曲线。同样，可以将剂量矩阵变换成器官特定的DVH曲线。还可以通过首先确定曲线的主分量(例如结构)并且基于所确定的主分量对曲线参数化(步骤207)来对这些曲线进行参数化(步骤205)。一旦执行参数化，可以确定(209)回归模型并且使用回归模型来识别如何能够基于DTH参数来预测DVH参数(211)。在一个或多个实施例中，经训练DVH模型可以包括:1)模型训练集合中所包括的治疗计划的列表；2)用于模型中的所有危及器官(0AR)结构的DVH和DTH的所识别的多个主分量；3)用于回归模型的系数；以及4)用于训练集合中的每个解剖特征的平均和标准偏差。
[0033]根据各种实施例，治疗计划中的结构的参数化可以包括生成距离到靶标的直方图(DTH)。与每个结构相关的参数集合可以包括DTH的主分量；解剖特征，诸如相对交叠体积、相对出界(out-of-field)体积、绝对OAR体积和绝对革El标体积。根据另外的实施例，回归模型可以被生成为训练集合中的结构参数与计量参数之间的关系。在另外的实施例中，用于每个DVH主分量(例如每个结构和剂量)以及用于每个0AR结构的分离的回归模型。
[0034]在一个或多个实施例中，除了产生DVH模型，可以引用系统内的预先构建的模型用于在计划、验证和优化时使用。在一种实施例中，可以在诊所内或者与其它诊所存储和共享模型。可以通过将所存储的数据集合和/或所构造的模型托管(host)在远程用户/诊所可访问的网络(诸如云基础架构)中来执行共享。通过将数据存储在云服务基础架构中，可以在更大数目的治疗计划者和提供者之间共享数据，而不需要每个治疗中心高昂地获取和维护设备。另外，每个治疗中心可以控制所共享的数据的量和性质，以保存例如用于其患者的匿名和机密性。
[0035]基于知识的计划
[0036]—旦被构造，DVH估计模型可以用于帮助基于知识的治疗计划。基于知识的治疗计划使得从现有的临床患者案例得到的知识能够用于治疗新的患者。知识可以是(用于轮廓和治疗计划的)临床协议、模板和模型库的形式。特别地，DVH估计模型在产生新的治疗计划和/或评估所施加的治疗计划时可以特别地有用。
[0037]在一种实施例中，一种治疗计划系统包括DVH估计工具，DVH估计工具使用来自现有的计划的剂量和患者解剖信息来估计新的计划中的剂量分布。通过使用这一工具，用户能够生成用于治疗计划中的结构(例如组织)的优化目标和所估计的DVH范围以例如经由放射疗法设备来向患者应用放射疗法。所估计的DVH值也可以用作用于治疗计划者的开始点并且提供治疗计划与过去的经验一致的保证。通过应用本文中所提供的DVH估计解决方案，能够在治疗计划之间简单且有效地维持恒定的质量水平。工具还减少了通常在治疗计划的生成期间所需要的优化和评估迭代的数目。
[0038]图3描绘用于基于预测模型来自动生成治疗计划的过程300的流程图。步骤301到309描述根据本文中所描述的各种实施例的包括图3中所描绘的过程300的示例性步骤。在一个实施例中，过程300可以整体或部分实现为存储在计算机可读介质中并且由计算设备中的处理器来执行的计算机可执行指令。
[0039]在一种实施例中，从预先生成的预测模型的库或存储库中选择(步骤301)预测模型。预测模型可以包括例如DVH估计模型。预测模型的选择可以基于所生成的治疗计划的靶标与用于生成所选择的预测模型的治疗计划的治疗靶标之间的共享特性来自动执行。这些特性可以包括例如共享的治疗类型、靶标结构或区域、以及危及器官的集合等。根据替选实施例，用户还可以手动选择用于所计划的治疗的适当的模型。
[0040]—旦选择，可以使用模型来自动产生用于剂量分布的优化目标(步骤303)，并且自动预测用于治疗计划的剂量分布(步骤305)。在一个实施例中，剂量分布可以被预测为用于基于所预测的剂量分布的治疗中所涉及的相关解剖学结构的一个或多个所估计的DVH范围。在一个或多个实施例中，所估计的DVH可用于治疗计划(放射)靶标以及危及器官(0AR) 二者。可以随后在当前治疗计划中细化剂量参数的计算以便实现优化目标。一旦优化完成，可以计算所预测的剂量(步骤307)，之后可以将治疗计划的形状和剂量与所估计的DVH范围相比较(步骤309)用于在例如经由放射疗法设备施加到患者之前的另外的验证。
[0041]自动化的基于云的服务
[0042]根据各种实施例，剂量预测模型的自动创建以及自动治疗计划过程每个(或二者)可以由在执行计算的存储器和处理中心(例如服务器)的远处的用户来执行。在这样的实施例中，计算设备的授权用户可以经由网络连接(例如因特网)来访问和操纵DVH建模以及所存储的治疗计划数据。在另外的实施例中，可以将数据在其中处理和/或信息(预先构造的模型、训练数据集、疗法计划)存储在其中的计算系统实现为云计算部件。根据这些实施例，可以动态地提供并且根据需要以及资源需求随着使用的波动来简单地减少托管、维持以及服务数据和应用所需要的计算资源。
[0043]根据实施例，可以通过向远程计算机系统(诸如云计算服务的服务器或虚拟服务器)提交治疗计划来生成(如以上所描述地)剂量预测模型。一旦已经采集来自各个合作者的数据，则开采数据并且组织数据(根据与患者情况、几何结构等相关的各种属性)。然后生成从全部或部分所提交的治疗计划捕获临床信息的模型。根据另外的实施例，可以通过先于治疗计划