用于使用深度学习引擎进行自适应放射治疗计划的方法和系统技术方案

提供了使用深度学习引擎进行自适应放射治疗计划的示例方法。一种示例方法可以包括获得与第一成像模态相关联的治疗图像数据。所述治疗图像数据可以在患者的治疗阶段期间获取。另外，可以在所述治疗阶段之前获取与第二成像模态相关联的计划图像数据以为所述患者产生治疗计划。所述方法还可以包括：响应于确定需要对所述治疗计划进行更新，对与所述第一成像模态相关联的所述治疗图像数据进行变换以产生与所述第二成像模态相关联的变换后的图像数据。所述方法还可以包括：使用所述深度学习引擎来处理所述变换后的图像数据以产生输出数据来更新所述治疗计划。

Method and system for adaptive radiotherapy planning using deep learning engine

【技术实现步骤摘要】
用于使用深度学习引擎进行自适应放射治疗计划的方法和系统
技术介绍
除非本文另外指明，否则本部分中描述的方法不是本申请中的权利要求的现有技术，并且不因为包括在本部分中就承认是现有技术。放射疗法是用于从患者减少或消除不期望的肿瘤的治疗的重要部分。遗憾的是，外加辐射本身不会区分不期望的肿瘤与任何近侧健康结构，诸如器官等。这需要谨慎的施用以将辐射限制于肿瘤(即，靶标)。理想地，目标是将致死或祛病辐射剂量递送到肿瘤，同时在近侧健康结构中维持可接受的剂量水平。然而，为了实现这个目标，常规放射治疗计划和/或自适应放射治疗计划可能是费时费力的。
技术实现思路
根据本公开的第一方面，提供了用于使用深度学习引擎进行放射治疗计划的示例方法和系统。将使用图1至图5来论述各种实例。深度学习引擎可以至少包括第一处理路径、第二处理路径和第三处理路径。一种示例方法可以包括：获得与患者相关联的第一图像数据；通过使用第一处理路径处理与第一分辨率水平相关联的第一图像数据来产生第一特征数据；通过使用第二处理路径处理与第二分辨率水平相关联的第二图像数据来产生第二特征数据；以及通过使用第三处理路径处理与第三分辨率水平相关联的第三图像数据来产生第三特征数据。示例方法还可以包括：基于第二特征数据和第三特征数据而产生与第二分辨率水平相关联的第一组和特征数据集；以及基于第一特征数据和第一组合集而产生与第一分辨率水平相关联的第二组和特征数据集。另外，示例方法可以包括产生与患者的放射治疗相关联的输出数据。例如，输出数据可以包括以下中的至少一者：与患者相关联的结构数据、与患者相关联的剂量数据和用于治疗递送系统的治疗递送数据。根据本公开的第二方面，提供了用于使用深度学习引擎进行自适应放射治疗计划的示例方法和系统。将使用图6和图7来论述各种实例。一种示例方法可以包括获得与第一成像模态相关联的治疗图像数据。治疗图像数据可以是在患者的治疗阶段期间获取。另外，可以在治疗阶段之前获取与第二成像模态相关联的计划图像数据以为患者产生治疗计划。所述方法还可以包括：响应于确定需要对治疗计划进行更新，对与第一成像模态相关联的治疗图像数据进行变换以产生与第二成像模态相关联的变换后的图像数据。所述方法还可以包括：使用深度学习引擎来处理变换后的图像数据以产生输出数据来更新治疗计划。例如，输出数据可以是以下中的至少一者：与患者相关联的结构数据、与患者相关联的剂量数据和用于治疗递送系统的治疗递送数据。根据本公开的第三方面，提供了用于使用深度学习引擎进行自适应放射治疗计划的示例方法和系统。将使用图6和图8来论述各种实例。一种示例方法可以包括获得与第一成像模态相关联的治疗图像数据以及与第二成像模态相关联的计划图像数据。可以在治疗阶段之前获取计划图像数据以为患者产生治疗计划。所述方法还可以包括：响应于确定需要对治疗计划进行更新，使用深度学习引擎来处理治疗图像数据和计划图像数据以产生输出数据来更新治疗计划。例如，输出数据可以是以下中的至少一者：与患者相关联的结构数据、与患者相关联的剂量数据和用于治疗递送系统的治疗递送数据。附图说明图1是示出用于放射治疗的示例过程流的示意图；图2是示出具有用于执行放射治疗计划的多个处理路径的示例深度学习引擎的示意图；图3是用于由计算机系统使用深度学习引擎执行放射治疗计划的示例过程的流程图；图4是示出示例深度学习引擎为放射治疗计划执行对图像数据的自动分割的示意图；图5是示出示例深度学习引擎为放射治疗计划执行剂量预测的示意图；图6是示出用于由计算机系统使用深度学习引擎执行自适应放射治疗(ART)计划的示例过程流的示意图；图7是示出根据图6中的实例进行ART计划的第一示例方法的示意图；图8是示出根据图6中的实例进行ART计划的第二示例方法的示意图；图9是示出基于图1至图8中的实例中的输出数据而产生或改进的示例治疗计划的示意图；并且图10是用于执行放射治疗计划和/或自适应放射治疗计划的示例计算机系统的示意图。具体实施方式以下说明中阐述的技术细节使得本领域技术人员能够实施本公开的一个或多个实施方案。图1是示出用于放射治疗的示例过程流100的示意图。示例过程100可以包括由一个或多个方框示出的一个或多个操作、功能或动作。各种方框可以基于所需实现方式而组合成更少的方框，分为附加方框和/或删除。在图1中的实例中，放射治疗通常包括各种阶段，诸如成像系统为患者执行图像数据采集(参见110)；放射治疗计划系统(参见130)为患者产生合适的治疗计划(参见156)；以及治疗递送系统(参见160)根据治疗计划来递送治疗。更详细地，在图1中的110处，图像数据采集可以使用成像系统来执行以捕获与患者(特别是患者的解剖结构)相关联的图像数据120。可以使用任一种或多种合适的医学图像模态，诸如计算机断层扫描(CT)、锥形束计算机断层扫描(CBCT)、正电子发射断层扫描(PET)、磁共振成像(MRI)、单光子发射计算机断层扫描(SPECT)、其任何组合等。例如，当使用CT或MRI时，图像数据120可以包括一系列二维(2D)图像或切片，每个2D图像或切片表示患者的解剖结构的横截面图，或者可以包括患者的体积或三维(3D)图像，或者可以包括患者的2D或3D时间序列图像(例如，四维(4D)CT或4DCBCT)。在图1中的130处，放射治疗计划可以在计划阶段期间执行以基于图像数据120而产生治疗计划156。可以执行任何合适数量的治疗计划任务或步骤，诸如分割、剂量预测、投射数据预测、治疗计划产生等。例如，可以执行分割以产生数据结构140，所述结构数据140标识可以形成图像数据120的各种片段或结构。在实践中，可以从图像数据120重建患者的解剖结构的三维(3D)体积。将经受辐射的3D体积被称为治疗或辐照体积，所述治疗或辐照体积可以被分为多个较小的体积像素(体素)142。每个体素142表示与治疗体积内的位置(i,j,k)相关联的3D元素。结构数据140可以包括与患者的解剖结构144、靶标146和任何处于危险中的器官(OAR)148的轮廓、形状、尺寸和位置相关的任何合适的数据。在另一个实例中，可以执行剂量预测以产生剂量数据150，所述剂量数据150指定有待递送到靶标146的辐射剂量(表示为152处的“DTAR”)和用于OAR148的辐射剂量(表示为154处的“DOAR”)。在实践中，靶标146可以表示需要放射治疗的恶性肿瘤(例如，前列腺肿瘤等)，并且OAR148表示可能会受到治疗的不利影响的近侧健康结构或非靶结构(例如，直肠、膀胱等)。靶标146又被称为计划靶体积(PTV)。尽管图1中示出了实例，但是治疗体积可以包括具有复杂形状和尺寸的多个靶标146和OAR148。另外，尽管示出为具有规则的形状(例如，立方体)，但是体素142可以具有任何合适的形状(例如，不规则的形状)。取决于所需实现方式，方框130处的放射治疗计划可以基于任何附加和/或替代数据而执行，诸如处方、疾病分期、生物或影像组学数据、遗传本文档来自技高网...

【技术保护点】
1.一种由计算机系统执行自适应放射治疗计划的方法，其中所述方法包括：/n获得与第一成像模态相关联的治疗图像数据，其中所述治疗图像数据是在患者的治疗阶段期间获取；/n获得与第二成像模态相关联的计划图像数据，其中所述计划图像数据是在所述治疗阶段之前获取以为所述患者产生治疗计划；/n确定所述治疗图像数据与所述计划图像数据之间的差异是否超过阈值；/n响应于确定所述差异超过所述阈值，/n对与所述第一成像模态相关联的所述治疗图像数据进行变换以产生与所述第二成像模态相关联的变换后的图像数据；以及/n使用第一深度学习引擎来处理所述变换后的图像数据以产生输出数据来更新所述治疗计划；/n否则使用第二深度学习引擎来处理所述治疗图像数据和所述计划图像数据以产生输出数据来更新所述治疗计划。/n

【技术特征摘要】
20180928 US 16/145,606;20180928 US 16/145,6731.一种由计算机系统执行自适应放射治疗计划的方法，其中所述方法包括：
获得与第一成像模态相关联的治疗图像数据，其中所述治疗图像数据是在患者的治疗阶段期间获取；
获得与第二成像模态相关联的计划图像数据，其中所述计划图像数据是在所述治疗阶段之前获取以为所述患者产生治疗计划；
确定所述治疗图像数据与所述计划图像数据之间的差异是否超过阈值；
响应于确定所述差异超过所述阈值，
对与所述第一成像模态相关联的所述治疗图像数据进行变换以产生与所述第二成像模态相关联的变换后的图像数据；以及
使用第一深度学习引擎来处理所述变换后的图像数据以产生输出数据来更新所述治疗计划；
否则使用第二深度学习引擎来处理所述治疗图像数据和所述计划图像数据以产生输出数据来更新所述治疗计划。


2.如权利要求1所述的方法，其中确定所述治疗图像数据与所述计划图像数据之间的所述差异是否超过阈值包括：
基于所述治疗图像数据与所述计划图像数据之间的比较，确定所述治疗图像数据与所述计划图像数据之间的所述差异是否超过所述阈值，所述阈值呈与以下中的至少一者相关的预定显著性阈值的形式：需要剂量递送的靶标的形状、尺寸或位置变化；以及接近于所述靶标的健康组织的形状、尺寸或位置变化。


3.如权利要求1或权利要求2所述的方法，其中对所述治疗图像数据进行变换包括：
使用另一深度学习引擎来对所述治疗图像数据进行变换以产生所述变换后的图像数据。


4.如权利要求1或权利要求2所述的方法，其中对所述治疗图像数据进行变换包括：
使用图像配准算法来将所述治疗图像数据变换为包括适合于治疗计划的数据的所述变换后的图像数据。


5.如权利要求1至4中任一项所述的方法，其中使用所述第一深度学习引擎来处理所述变换后的图像数据包括：
使用所述第一深度学习引擎的第一处理路径来处理所述变换后的图像数据以产生与第一分辨率水平相关联的第一特征数据；以及
使用所述第一深度学习引擎的第二处理路径来处理所述变换后的图像数据以产生与第二分辨率水平相关联的第二特征数据；
使用所述第一深度学习引擎的第三处理路径来处理所述变换后的图像数据以产生与第三分辨率水平相关联的第三特征数据；以及
基于所述第一特征数据、所述第二特征数据和所述第三特征数据而产生所述输出数据。


6.如权利要求1或权利要求2所述的方法，其中所述方法还包括：
在使用所述第二深度学习引擎来处理所述治疗图像数据和所述计划图像数据之前，通过相对于所述计划图像数据配准所述治疗图像数据来执行图像配准以产生变换后的图像...

【专利技术属性】
技术研发人员：H·拉克索南，J·诺德，S·P·珀图，
申请(专利权)人：瓦里安医疗系统国际股份公司，
类型：发明
国别省市：美国;US