一种在线自适应放疗计划优化方法
【专利摘要】本发明公开了一种在线自适应放疗计划优化方法，其通过导入分次引导图像后与原始计划中的图像进行刚性配准和形变配准，生成靶区和危及器官的此分次勾画轮廓，根据原始计划中的参数、分次引导图像和此分次勾画轮廓重新计算剂量分布和剂量体积直方图，其后结合原始处方约束判断是否需要修改放疗计划，如需要则结合临床要求进行病人放疗计划的快速在线修改，生成此分次放疗计划并进行自动放疗计划质量保证。本发明可通过基于GPU加速的形变配准及剂量计算算法，综合考虑到病人治疗过程中解剖结构的变化，并能够在每个分次治疗开始前短时间内快速完成整个放疗计划的优化。相比于基于商业治疗计划系统的离线自适应放疗方法，效率高，满足临床需要。
【专利说明】一种在线自适应放疗计划优化方法
【技术领域】
[0001] 本发明涉及治疗计划的优化方法，具体涉及一种放疗计划的优化方法。
【背景技术】
[0002] 目前的肿瘤放射治疗过程一般是在治疗开始前，基于病人的定位CT来生成放疗 计划，然后在随后的治疗过程中保持放疗计划不变，对病人进行若干分次治疗。这样的治疗 模式没有考虑到治疗过程中病人的解剖结构变化，比如肿瘤体积和位置的变化，病人身体 轮廓的变化，胃肠充盈状态的变化以及引起的周围危及器官位置的变化等，导致病人实际 接受的剂量偏离医生的处方剂量，进而引起肿瘤控制率的下降和正常组织并发症概率的增 加。
[0003] 当病人解剖结构发生很大变化时，传统自适应治疗方法通常被用来修正放射治 疗的计划。传统自适应放疗通过在治疗过程中的某个分次前扫描病人的定位CT，然后由 医生重新勾画靶区和危及器官的轮廓，接着由物理师或者剂量员通过商业治疗计划系统 (Treatment Planning System, TPS)重新设计优化治疗计划，并由物理师进行治疗计划质 量保证，最后治疗计划才能被用于以后分次的治疗。然而，生成新的治疗计划的过程跟设计 原始放疗计划一样，时间长，延误了新计划的治疗时间，并且需要投入很多的人力和物力， 所以也很少被医院所采用。
[0004] 因此，纵观目前国内国外现有的放射治疗模式，基于传统的放射治疗没有考虑到 病人治疗过程中解剖结构的变化，因此不能实现预期的治疗目标，如果基于商业治疗计划 系统做离线自适应放射治疗，效率低，耗时耗力，因此难以在临床上广泛使用。
【发明内容】
[0005] 发明目的：为了克服现有技术中存在的不足，本发明提供一种在线自适应放疗计 划优化方法，使得能够在每个分次治疗开始前快速完成整个治疗计划的优化，很好地满足 了临床需要。
[0006] 技术方案：为解决上述技术问题，本发明提供的在线自适应放疗计划优化方法，包 括以下步骤： 1) 导入分次引导图像； 2) 分次引导图像与原始放疗计划中的图像刚性配准； 3) 分次引导图像与原始放疗计划中的图像形变配准； 4) 生成并调整靶区和危及器官的此分次勾画轮廓（即当次的分次勾画轮廓)，使其同分 次引导图像的解剖结构一致； 5) 根据分次引导图像和原始放疗计划中的图像，判断病人的解剖结构的变化是否超过 变化阈值，如是，则进入步骤6);如否，则保存原始放疗计划作为此分次放疗计划（即当次的 分次放疗计划)，结束； 6) 根据原始放疗计划中的参数，基于分次引导图像和此分次勾画轮廓重新计算剂量分 布（Dose Distribution)和剂量体积直方图（Dose Volume Histogram，DVH); 7) 判断步骤6)得到的剂量分布和剂量体积直方图是否符合原始处方约束，如否，则进 入步骤8);如是，则使用原始放疗计划作为此分次放疗计划，结束； 8) 基于步骤4)生成的此分次勾画轮廓，结合临床要求，进行病人放疗计划的快速在 线修改，生成此分次放疗计划（即当次的分次放疗计划)，并进行自动放疗计划质量保证 (Quality Assurance, QA),结束。
[0007] 优选的，所述步骤1)中，所述分次引导图像包括CT (Computed Tomography)、锥束 CT (Cone-Beam CT)、超声（Ultrasound)、PET (Positron Emission Tomography)或磁共振 (Magnetic Resonance, MR)等图像中的至少一种；所述步骤3)中，通过形变配准算法快速 计算形变矢量场，并基于有限元模型计算每个体元的受力情况，分析形变矢量场的误差，自 动检查分次引导图像与原始放疗计划中的图像形变配准的精确度； 所述步骤4)中包括如下步骤： 4. 1)结合步骤1)得到的分次引导图像和步骤3)得到的形变矢量场，基于原始计划上 靶区和危及器官的勾画轮廓，生成初始的分次勾画轮廓； 4. 2)将初始的分次勾画轮廓和原始计划上的勾画轮廓进行对比，结合临床要求进行修 改，使其同分次引导图像的解剖结构一致，从而生成靶区和危及器官的此分次勾画轮廓； 所述步骤6)中，是将原始放疗计划的参数、步骤1)得到的分次引导图像、步骤4)得到 的此分次勾画轮廓，通过快速剂量计算算法重新计算剂量分布，进而计算得到剂量体积直 方图DVH; 所述步骤8)中包括如下步骤： 8. 1)当原始放疗计划是静态调强放射治疗计划（Static IMRT)时，基于步骤4)得到 的此分次勾画轮廓，沿着机架角度使用快速投影算法得到射束方向视图（Beam Eye View, BEV)，根据射束方向视图修改并确认静态调强放射治疗计划每个子野（Segment)的多页 准直器（Multi-Leaf Collimator，MLC)形状；当原始放疗计划是容积调强放射治疗计划 (VMAT)时，基于步骤4)得到的此分次勾画轮廓，沿着每个控制点使用快速投影算法得到射 束方向视图，结合多页准直器的叶片最大运动速度，根据射束方向视图修改并确认容积调 强放射治疗计划每个子野的多页准直器形状； 8. 2)以原始放疗计划剂量体积直方图为参考，自动调整此分次勾画轮廓中每个器官的 权重，结合多页准直器透射光子和凹凸槽透射光子的影响，采用快速剂量计算算法计算修 改后的每个子野的剂量分布； 8. 3)当原始放疗计划是静态调强放射治疗计划（Static IMRT)时，采用快速优化算法 优化每个子野的权重，即每个子野的跳数（MU)，获得优化后的此分次放疗计划的剂量分布； 当原始放疗计划是容积调强放射治疗计划（VMAT)时，则采用快速优化算法优化每个子野的 权重，得到多页准直器叶片运动速度和加速器剂量率在内的放疗加速器机器照射参数，获 得优化后的此分次放疗计划的剂量分布； 8. 4)结合临床要求，生成此分次放疗计划，即当次的分次放疗计划； 8. 5)采用不同于步骤8. 2)的另一种快速剂量计算算法再次进行剂量计算，并与步骤 8. 3)得到的剂量分布进行三维伽马索引值计算评估，判断伽马通过率是否小于预设伽马通 过率阈值，如是则进入步骤8. 1)重新计算，如否则结束。
[0008] 优选的，所述步骤5)中的变化阈值为30%。当然也可以是根据需要设定，如为10%、 15%、20% 或 25%。
[0009] 优选的，所述步骤3)中的形变配准算法、所述步骤6)、步骤8. 2)与步骤8. 5)中的 快速剂量计算算法、所述步骤8. 1)和步骤8. 3)中的快速优化算法、所述步骤8. 5)中的三 维伽马索引值计算评估是通过基于GPU、CPU或分布式云计算平台实现的。
[0010] 优选的，所述步骤3)的形变配准算法为Demons算法或B-Spline算法；所述步 骤6)、步骤8. 2)与步骤8. 5)中的快速剂量计算算法为卷积叠加算法或蒙特卡洛算法；所 述步骤8. 1)中的快速投影算法为Ray-Tracing算法；所述步骤8. 3)中的快速优化算法为 Conjugate Gradient Barzilai-Borwein 算法； 优选的，所述步骤8. 5)中的预设伽马通过率阈值为95%。当然也可以是根据需要设定， 如为 96%、97%、98% 或 99%。
[0011] 有益效果：本发明提供了一种在线自适应放疗计划优化方法，其通过导入分次引 导图像后与原始放疗计划中的图像进行刚性配准和形变配准，生成靶区和危及器官当次的 分次勾画轮廓，当病人的解剖结构的变化超过变化阈值时，根据原始放疗计划中的参数、分 次引导图像和当次的分次勾画轮廓重新计算剂量分布和剂量体积直方图，其后结合原始处 方约束判断是否需要修改放疗计划，当剂量分布和剂量体积直方图不符合原始处方约束 时，结合此分次勾画轮廓和临床要求进行病人放疗计划的快速在线修改，最终生成当次的 分次放疗计划，并进行自动放疗计划质量保证。
[0012] 本方法发明通过基于GPU加速的形变配准及剂量计算算法，综合考虑到病人治疗 过程中解剖结构的变化，并使得整个放疗计划优化过程可在病人躺倒在病床上之后的几分 钟之内完成，能够在每个分次治疗开始前快速完成整个放疗计划的优化。相比于基于商业 治疗计划系统的离线自适应放疗方法，本发明效率高，节约时间及人力成本，很好的满足了 临床需要，可在临床上推广应用，具有显著的社会意义。
【专利附图】
【附图说明】
[0013] 图1是本方法发明的流程图； 图2是本方法发明中步骤8)的流程图。
【具体实施方式】
[0014] 下面结合实施例对本发明做进一步的详细说明，本实施列对本发明不构成限定。
[0015] 原始放疗计划为某疗程首次或之前某个分次治疗执行前，基于患者肿瘤及其周围 器官组织的影像信息，经过靶区勾画，确认的放疗计划。原始处方约束为原始放疗计划的一 部分。
[0016] 在首次或之前某个分次治疗执行后的治疗过程中，还将对病人进行分次治疗，在 这样的分次治疗(此分次治疗）执行前，本发明综合考虑到病人治疗过程中解剖结构的变 化，对原始放疗计划进行优化以生成此分次放疗计划，本实施例所提供的在线自适应放疗 计划优化方法，如图1所示，其包括以下步骤： 1)导入分次引导图像：所述分次引导图像为此分次治疗执行前患者肿瘤及其周围 器官组织的影像信息，包括CT (Computed Tomography)、锥束CT (Cone-Beam CT)、超声 (Ultrasound, US)、PET(Positron Emission Tomography)或磁共振（Magnetic Resonance, MR)等图像中的至少一种； 2) 分次引导图像与原始放疗计划中的图像刚性配准； 3) 分次引导图像与原始放疗计划中的图像形变配准：通过形变配准算法快速计算形变 矢量场（Deformation Vector Field, DVF)，所述形变配准算法为Demons算法或B-Spline 算法；并基于有限元模型（Finite Element Modeling，FEM)计算每个体元的受力情况，分析 形变矢量场的误差，自动检查分次引导图像与原始放疗计划中的图像形变配准的精确度； 4) 生成并调整靶区和危及器官的此分次勾画轮廓（即当次的分次勾画轮廓)，使其同分 次引导图像的解剖结构一致，包括： 4. 1)结合步骤1)得到的分次引导图像和步骤3)得到的形变矢量场，基于原始计划上 靶区和危及器官的勾画轮廓，生成初始的分次勾画轮廓； 4. 2)将初始的分次勾画轮廓和原始计划上的勾画轮廓进行对比，结合临床要求进行修 改，使其同分次引导图像的解剖结构一致，从而生成靶区和危及器官的此分次勾画轮廓； 5) 根据分次引导图像和原始放疗计划中的图像，判断病人的解剖结构的变化是否超过 变化阈值，如是，则进入步骤6);如否，则保存原始放疗计划作为此分次放疗计划（即当次的 分次放疗计划)，结束；步骤5)中的变化阈值为30%。当然也可以是根据需要设定，如为10%、 15%、20% 或 25%。
[0017] 6)根据原始放疗计划中的参数，基于分次引导图像和此分次勾画轮廓重新计算剂 量分布和剂量体积直方图DVH :将原始放疗计划的参数、步骤1)得到的分次引导图像、步骤 4)得到的此分次勾画轮廓，通过快速剂量计算算法重新计算剂量分布，进而计算得到剂量 体积直方图DVH ;此处所采用的快速剂量计算算法为卷积叠加算法或蒙特卡洛算法； 7) 结合原始处方约束判断是否需要修改放疗计划，即判断步骤6)得到的剂量分布和剂 量体积直方图是否符合原始处方约束，如否，则进入步骤8);如是，则使用原始放疗计划作 为此分次放疗计划，结束； 8) 基于步骤4)生成的此分次勾画轮廓，结合临床要求，进行病人放疗计划的快速在 线修改，生成此分次放疗计划（即当次的分次放疗计划)，并进行自动放疗计划质量保证 (Quality Assurance, QA)，如图2所示，步骤8)包括如下步骤： 8. 1)当原始放疗计划是静态调强放射治疗计划（Static IMRT)时，基于步骤4)得到 的此分次勾画轮廓，沿着机架角度使用快速投影算法得到射束方向视图（Beam Eye View, BEV)，根据射束方向视图修改并确认静态调强放射治疗计划每个子野（Segment)的多页 准直器（Multi-Leaf Collimator，MLC)形状；当原始放疗计划是容积调强放射治疗计划 (VMAT)时，基于步骤4)得到的此分次勾画轮廓，沿着每个控制点（Control Point)使用快 速投影算法得到射束方向视图，结合多页准直器的叶片最大运动速度，根据射束方向视图 修改并确认容积调强放射治疗计划每个子野的多页准直器形状； 8. 2)以原始放疗计划剂量体积直方图为参考，自动调整此分次勾画轮廓中每个器官的 权重，结合多页准直器透射光子和凹凸槽透射光子的影响，采用快速剂量计算算法计算修 改后的每个子野的剂量分布； 8. 3)当原始放疗计划是静态调强放射治疗计划（Static IMRT)时，采用Conjugate Gradient Barzilai-Borwein算法优化每个子野的权重，即每个子野的跳数（MU)，获得优化 后的此分次放疗计划的剂量分布；当原始放疗计划是容积调强放射治疗计划（VMAT)时，则 也使用Conjugate Gradient Barzilai-Borwein算法优化每个子野的权重，得到多页准直 器叶片运动速度和加速器剂量率在内的放疗加速器机器照射参数，获得优化后的此分次放 疗计划的剂量分布； 8. 4)结合临床要求，生成此分次放疗计划，即当次的分次放疗计划； 8. 5)进行自动放疗计划质量保证，即采用不同于步骤8. 2)的另一种快速剂量计算算法 再次进行剂量计算，并与步骤8. 3)得到的剂量分布进行三维伽马索引值计算评估，判断伽 马通过率是否小于预设伽马通过率阈值，如是则进入步骤8. 1)重新计算，如否则结束。步 骤8. 5)中的预设伽马通过率阈值为95%。当然也可以是根据需要设定，如为96%、97%、98% 或 99%。
[0018] 本实施例中步骤8.2)中的快速剂量计算算法为卷积叠加算法，步骤8.5)中的快 速剂量计算算法为蒙特卡洛算法；当然也可以根据需要设定为：步骤8. 2)中的快速剂量计 算算法为蒙特卡洛算法，步骤8. 5)中的快速剂量计算算法为卷积叠加算法。
[0019] 本实施例中步骤3)中的形变配准算法、步骤6)、步骤8. 2)与步骤8. 5)中的快速 剂量计算算法、步骤8. 1)和步骤8. 3)中的快速优化算法、步骤8. 5)中的三维伽马索引值 计算评估是通过基于GPU、CPU或分布式云计算平台实现的。
【权利要求】
1. 一种在线自适应放疗计划优化方法，其特征在于包括以下步骤： 1) 导入分次引导图像； 2) 分次引导图像与原始放疗计划中的图像刚性配准； 3) 分次引导图像与原始放疗计划中的图像形变配准； 4) 生成并调整靶区和危及器官的此分次勾画轮廓，使其同分次引导图像的解剖结构一 致； 5) 根据分次引导图像和原始放疗计划中的图像，判断病人的解剖结构的变化是否超过 变化阈值，如是，则进入步骤6);如否，则保存原始放疗计划作为此分次放疗计划，结束； 6) 根据原始放疗计划中的参数，基于分次引导图像和此分次勾画轮廓重新计算剂量分 布和剂量体积直方图； 7) 判断步骤6)得到的剂量分布和剂量体积直方图是否符合原始处方约束，如否，则进 入步骤8);如是，则使用原始放疗计划作为此分次放疗计划，结束； 8) 基于步骤4)生成的此分次勾画轮廓，结合临床要求，进行病人放疗计划的快速在线 修改，生成此分次放疗计划并进行自动放疗计划质量保证，结束。
2. 根据权利要求1所述的在线自适应放疗计划优化方法，其特征在于： 所述步骤1)中，所述分次引导图像包括CT、锥束CT、超声、PET或磁共振中的至少一 种； 所述步骤3)中，通过形变配准算法快速计算形变矢量场，并基于有限元模型计算每个 体元的受力情况，分析形变矢量场的误差，自动检查分次引导图像与原始放疗计划中的图 像形变配准的精确度； 所述步骤4)中包括如下步骤： 4. 1)结合步骤1)得到的分次引导图像和步骤3)得到的形变矢量场，基于原始计划上 靶区和危及器官的勾画轮廓，生成初始的分次勾画轮廓； 4. 2)将初始的分次勾画轮廓和原始计划上的勾画轮廓进行对比，结合临床要求进行修 改，使其同分次引导图像的解剖结构一致，从而生成靶区和危及器官的此分次勾画轮廓； 所述步骤6)中，是将原始放疗计划的参数、步骤1)得到的分次引导图像、步骤4)得到 的此分次勾画轮廓，通过快速剂量计算算法重新计算剂量分布，进而计算得到剂量体积直 方图； 所述步骤8)中包括如下步骤： 8. 1)当原始放疗计划是静态调强放射治疗计划时，基于步骤4)得到的此分次勾画轮 廓，沿着机架角度使用快速投影算法得到射束方向视图，根据射束方向视图修改并确认静 态调强放射治疗计划每个子野的多页准直器形状；当原始放疗计划是容积调强放射治疗计 划时，基于步骤4)得到的此分次勾画轮廓，沿着每个控制点使用快速投影算法得到射束方 向视图，结合多页准直器的叶片最大运动速度，根据射束方向视图修改并确认容积调强放 射治疗计划每个子野的多页准直器形状； 8. 2)以原始放疗计划剂量体积直方图为参考，自动调整此分次勾画轮廓中每个器官的 权重，结合多页准直器透射光子和凹凸槽透射光子的影响，采用快速剂量计算算法计算修 改后的每个子野的剂量分布； 8. 3)当原始放疗计划是静态调强放射治疗计划时，采用快速优化算法优化每个子野的 权重，即每个子野的跳数，获得优化后的此分次放疗计划的剂量分布；当原始放疗计划是容 积调强放射治疗计划时，则采用快速优化算法优化每个子野的权重，得到多页准直器叶片 运动速度和加速器剂量率在内的放疗加速器机器照射参数，获得优化后的此分次放疗计划 的剂量分布； 8. 4)结合临床要求，生成此分次放疗计划； 8. 5)采用不同于步骤8. 2)的另一种快速剂量计算算法再次进行剂量计算，并与步骤 8. 3)得到的剂量分布进行三维伽马索引值计算评估，判断伽马通过率是否小于预设伽马通 过率阈值，如是则进入步骤8. 1)重新计算，如否则结束。
3. 根据权利要求1所述的在线自适应放疗计划优化方法，其特征在于：所述步骤5)中 的变化阈值为10%或15%或20%或25%或30%。
4. 根据权利要求2所述的在线自适应放疗计划优化方法，其特征在于：所述步骤3)中 的形变配准算法、所述步骤6)、步骤8. 2)与步骤8. 5)中的快速剂量计算算法、所述步骤 8. 1)快速投影算法、和步骤8. 3)中的快速优化算法、所述步骤8. 5)中的三维伽马索引值计 算算法是通过基于GPU、CPU或分布式云计算平台实现的。
5. 根据权利要求2所述的在线自适应放疗计划优化方法，其特征在于：所述步骤3) 的形变配准算法为Demons算法或B-Spline算法；所述步骤6)、步骤8. 2)与步骤8. 5) 中的快速剂量计算算法为卷积叠加算法或蒙特卡洛算法；所述步骤8. 1)中的快速投影 算法为Ray-Tracing算法；所述步骤8. 3)中的快速优化算法为Conjugate Gradient Barzilai-Borwein 算法。
6. 根据权利要求2所述的在线自适应放疗计划优化方法，其特征在于：所述步骤8. 5) 中的预设伽马通过率阈值为95%或96%或97%或98%或99%。
【文档编号】G06F19/00GK104117151SQ201410396434
【公开日】2014年10月29日 申请日期:2014年8月12日 优先权日:2014年8月12日
【发明者】李永宝, 章桦, 柴象飞 申请人:章桦