【技术实现步骤摘要】
【国外来华专利技术】
本申请总体上涉及使用机器学习建模来建议辐射疗法处理过程中的放疗处理属性。
技术介绍
1、放疗(基于辐射的疗法)通过发射能够杀死细胞或缩小肿瘤的高剂量的辐射而被用作癌症治疗。旨在接收辐射的患者解剖结构的目标区域(例如，肿瘤)称为规划目标体积(ptv)。由于从放射治疗机发出的辐射的极端性质，必须精确计算并且遵循处理计划。处理计划的目标是允许放射治疗机向ptv输送足够的辐射来杀死癌细胞。然而，这一目标必须与损伤或伤害属于ptv附近或周围的其他器官或解剖区域的其他细胞的风险相平衡。这些器官或解剖区域称为危及器官(oar)。
2、处理计划可以标识为患者的治疗而配置的放射治疗机的各种属性，诸如强度调制放射疗法(imrt)参数(例如，辐波束的数目和波束角度(辐射输送方向))、体积调制电弧治疗(vmat)参数(例如，电弧的数目和范围(全部或部分))、准直器角度、准直器钳口位置、避开扇区、等中心定位策略、治疗床旋转、治疗床角度等。
3、生成处理计划的常规方法涉及手动过程，在该过程中，医疗专业人员团队将审查患者的属性和诊断，并且相应地生成处理计划。该过程涉及耗时并且乏味的试错过程，效率低下并且产生不可靠的结果。为了改进这一过程，一些方法利用机器学习模型或其他启发式方法来生成处理计划。这些模型在本文中称为“计划优化器模型”或“计划优化器”。然而，这些计算机特定方法也面临着技术挑战。例如，这些计划优化器模型所使用的各种启发式参数必须由医疗专业人员输入，这会造成效率低下，并且产生取决于医疗专业人员的主观理解和判断的结果。为了改进这
技术实现思路
1、根据本专利技术的第一方面，提供了一种根据权利要求1的配置用于放疗处理的计划优化器模型的方法。
2、根据本专利技术的第二方面，提供了一种根据权利要求10的包括处理器和非暂态计算机可读介质的服务器，该非暂态计算机可读介质包含用于配置用于放疗处理的计划优化器模型的指令。
3、根据本专利技术的第三方面，提供了一种根据权利要求19的用于配置用于放疗处理的计划优化器模型的系统。
4、在从属权利要求中限定了可选特征。
5、由于上述原因，需要估算生成治疗属性的计算机模型所使用的启发式参数，使得处理计划的生成能够使用更少的计算资源和以更及时的方式来执行。还需要生成不依赖于医疗专业人员的主观技能和理解的启发式参数。本文中公开了能够提供可以由计划优化器模型摄取以生成处理计划的连续精细化参数的系统和方法。使用医疗专业人员的先前决策和先前治疗，可以使用连续训练的机器学习模型来预测高效运行计划优化器模型所需要的一个或多个参数。
6、本文中描述的机器学习模型可以使用强化学习方法进行训练。强化学习方法利用代理和动态变化(例如，学习)策略来生成要由计划优化器模型摄取的参数。因此，本文中讨论的模型可以在没有预限定(例如，标记的)训练数据集(这是其他训练技术(诸如有监督学习技术)所要求的)的情况下进行训练。
7、本文中描述的方法和系统允许机器学习模型逐渐适应新的数据分布(例如，经由探索阶段)，以使机器学习模型对数据分布变化不那么敏感(更具抵抗力)。例如，在一些实现中，可以添加(多个)新解决方案。结果，机器学习模型可以能够适应(多个)新解决方案。
8、本文中讨论的强化学习方法可以学习预测计划优化器模型根据作为上下文的患者数据来生成处理计划所需要的参数。患者数据可以包括医学图像(计算机断层扫描(ct)图像、锥束ct图像(cbct)、四维ct图像(例如，随时间变化的ct图像)、磁共振成像(mri)图像、正电子发射断层扫描(pet)图像、超声图像、经由某些其他成像模态而获取的图像、或其组合)、和/或患者信息(例如，身高、体重、体重指数(bmi)、诊断信息(包括解剖属性，诸如ptv和/或oar)、年龄、设备(例如，起搏器、呼吸器))等。
9、本文中描述的强化学习方法可以学习复制(或模拟)医疗专业人员或机器学习模型确定启发式参数的方式。机器学习模型使用强化学习方法，并且在被计划优化器模型摄取时响应于与生成最佳和/或最高效处理计划的参数相关联的累积奖励信息而被训练。
10、在一个实施例中，一种配置用于放疗处理的计划优化器模型的方法包括由处理器迭代地训练被配置为预测启发式参数的机器学习模型，其中对于每次迭代，机器学习模型的代理：标识测试启发式参数；向计划优化器模型传输测试启发式参数，计划优化器模型被配置为接收一个或多个放疗处理属性并且预测处理计划；以及基于计划优化器模型的执行性能值来标识针对测试启发式参数的奖励，其中处理器基于使奖励最大化而迭代地训练机器学习模型的策略，直到策略满足准确度阈值。
11、测试启发式参数的类别可以对应于共轭梯度混合比、行搜索中的初始步长或叶尖突变试验的数目中的至少一项。
12、奖励可以基于计划优化器模型是否收敛于预测的处理计划。
13、奖励可以基于计划优化器模型的执行时间。
14、启发式参数可以对应于具有最大奖励的测试启发式参数。
15、处理计划可以包括至少一个放射治疗机属性。
16、至少一个放射治疗机属性可以对应于治疗床角度、治疗床旋转属性或准直器角度设置中的至少一项。
17、奖励可以基于对于计划优化器模型的迭代次数。
18、计划优化器模型可以是机器学习模型。
19、测试启发式参数可以在限定的值范围内。
20、在另一实施例中，一种服务器包括处理器和非暂态计算机可读介质，该非暂态计算机可读介质包含用于配置用于放疗处理的计划优化器模型的指令，该指令在由处理器执行时引起处理器执行操作，该操作包括：迭代地训练被配置为预测启发式参数的机器学习模型，其中对于每次迭代，机器学习模型的代理：标识测试启发式参数；向计划优化器模型传输测试启发式参数，计划优化器模型被配置为接收一个或多个放疗处理属性并且预测处理计划；以及基于计划优化器模型的执行性能值来标识针对测试启发式参数的奖励，其中处理器基于使奖励最大化而迭代地训练机器学习模型的策略，直到策略满足准确度阈值。
21、测试启发式参数的类别可以对应于共轭梯度混合比、行搜索中的初始步长或叶尖突变试验的数目中的至少一项。
22、奖励可以基于计划优化器模型是否收敛于预测的处理计划。
23、奖励可以基于计划优化器模型的执行时间。
24、启发式参数可以对应于具有最大奖励的测试启发式参数。
25、处理计划可以包括至少一个放射治疗机属性。
26、至少一个放射治疗机属性可以对应于治疗床角度、治疗床旋转属性或准直器角度设置中的至少一项。
27、奖励可以基于对于计划优化器模型的迭代次数。
28、计划优化器模型可以是机器学习模型。
29本文档来自技高网...
【技术保护点】
1.一种配置用于放疗处理的计划优化器模型的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述测试启发式参数的类别对应于以下至少一项：共轭梯度混合比、行搜索中的初始步长、或叶尖突变试验的数目。
3.根据权利要求1或权利要求2所述的方法，其中所述奖励基于所述计划优化器模型是否收敛于预测的处理计划。
4.根据任一前述权利要求所述的方法，其中所述奖励基于所述计划优化器模型的执行时间。
5.根据任一前述权利要求所述的方法，其中所述启发式参数对应于具有最大奖励的所述测试启发式参数。
6.根据任一前述权利要求所述的方法，其中所述处理计划包括至少一个放射治疗机属性。
7.根据任一前述权利要求所述的方法，其中所述奖励基于对于所述计划优化器模型的迭代次数。
8.根据任一前述权利要求所述的方法，其中所述计划优化器模型是机器学习模型。
9.根据任一前述权利要求所述的方法，其中所述测试启发式参数在限定的值范围内。
10.一种包括处理器和非暂态计算机可读介质的服务器，所述非暂态计算机可读介质
11.根据权利要求10所述的服务器，其中所述测试启发式参数的类别对应于以下至少一项：共轭梯度混合比、行搜索中的初始步长、或叶尖突变试验的数目。
12.根据权利要求10或权利要求11所述的服务器，其中所述奖励基于所述计划优化器模型是否收敛于预测的处理计划。
13.根据权利要求10至12中任一项所述的服务器，其中所述奖励基于所述计划优化器模型的执行时间。
14.根据权利要求10至13中任一项所述的服务器，其中所述启发式参数对应于具有最大奖励的所述测试启发式参数。
15.根据权利要求10至14中任一项所述的服务器，其中所述处理计划包括至少一个放射治疗机属性。
16.根据权利要求10至15中任一项所述的服务器，其中所述奖励基于对于所述计划优化器模型的迭代次数。
17.根据权利要求10至16中任一项所述的服务器，其中所述计划优化器模型是机器学习模型。
18.根据权利要求10至17中任一项所述的服务器，其中所述测试启发式参数在限定的值范围内。
19.一种用于配置用于放疗处理的计划优化器模型的系统，所述系统包括：
20.根据权利要求19所述的系统，其中所述测试启发式参数的类别对应于以下至少一项：共轭梯度混合比、行搜索中的初始步长、或叶尖突变试验的数目。
...【技术特征摘要】
【国外来华专利技术】
1.一种配置用于放疗处理的计划优化器模型的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述测试启发式参数的类别对应于以下至少一项：共轭梯度混合比、行搜索中的初始步长、或叶尖突变试验的数目。
3.根据权利要求1或权利要求2所述的方法，其中所述奖励基于所述计划优化器模型是否收敛于预测的处理计划。
4.根据任一前述权利要求所述的方法，其中所述奖励基于所述计划优化器模型的执行时间。
5.根据任一前述权利要求所述的方法，其中所述启发式参数对应于具有最大奖励的所述测试启发式参数。
6.根据任一前述权利要求所述的方法，其中所述处理计划包括至少一个放射治疗机属性。
7.根据任一前述权利要求所述的方法，其中所述奖励基于对于所述计划优化器模型的迭代次数。
8.根据任一前述权利要求所述的方法，其中所述计划优化器模型是机器学习模型。
9.根据任一前述权利要求所述的方法，其中所述测试启发式参数在限定的值范围内。
10.一种包括处理器和非暂态计算机可读介质的服务器，所述非暂态计算机可读介质包含用于配置用于放疗处理的计划优化器模型的指令，所述指令在由所述处理器执行时使所述处理器执行操作，所述操作包括：
11.根据权利要求10...
【专利技术属性】
技术研发人员：M·哈卡拉，E·切兹勒，S·巴西里，E·屈塞拉，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。