一种基于呼吸运动的动态优化系统

摘要

本发明公开了一种基于呼吸运动的动态优化系统。属于放疗的计划优化系统，具体包括：时间相位数据处理模块，利用4D CT获得每个呼吸相位的CT影像和采集时间；剂量计算模块，计算每个呼吸相位的剂量贡献矩阵，并根据动态模型公式，计算得到时间概率的器官采样点的剂量；优化判断模块，对器官位置与照射剂量进行验证，若存在器官位置的形变或照射剂量的误差，则进行计划优化，否则仍然采用原计划参数；子野优化模块，计划优化采用子野优化方法，根据动态模型得到每个器官点的剂量，计算目标函数极小值时满足期望剂量的子野形状和权重，并输出结果。本发明考虑动态模型进行计划优化，自动优化出最优计划参数。

权利要求

1.一种基于呼吸运动的动态优化系统，其特征在于，包括相互连接的动态模型模块与计划优化模块；

所述的动态模型模块包括时间相位数据处理模块与剂量计算模块；

所述的计划优化模块包括优化判断模块与子野优化模块；

其中，所述的剂量计算模块是根据时间相位数据处理模块得到的每个呼吸相位的影像和时间，计算每个呼吸相位的剂量贡献矩阵，利用动态模型公式计算得到时间概率的器官采样点的剂量，再将得到时间概率的器官采样点的剂量发送至子野优化模块；

其中，所述动态模型计算公式具体如下式所示：

式(1)中，

式(1)中， 表示是第 个相位处的第m个粒子束对第i个器官采样点的剂量贡献，其全部数值构成剂量贡献矩阵；xm表示是第m个粒子束的权重，该权重为计算需要求解的值，di表示是第i个器官采样点所受的剂量；

式(2)中，D′m，i表示是所有相位剂量贡献矩阵的概率密度函数；

式(3)中， 表示是第 个相位处时间的归一化值，所有相位总时间为1；

所述的优化判断模块通过对输入器官位置与照射剂量进行验证，判断其是否存在器官位置的形变或照射剂量的误差；

在判断照射剂量的误差时，若存在照射剂量的误差，则直接进入子野优化模块，从而进行自适应计划优化；否则进行输出原计划参数；

在判断器官位置是否形变时，首先，将当前的CBCT影像与原始影像图像进行配准，从而得到形变场，其中，参与配准的原始影像图像包括CT、CBCT、PET或MRI影像中的至少一种；

然后，将原始勾画数据传入形变场，得到变形后的勾画数据，其中，所述勾画数据包括危及器官、靶区、生物靶区；

最后，将原始勾画数据与形变后的勾画数据对比，计算相似度Dice值，其计算公式具体如下式所示：式(4)中，A表示是原始勾画数据，B表示是形变后的勾画数据，当计算的相似度Dice小于设定的阈值时，则存在器官的形变；

判断是否存在照射剂量误差，根据得到的剂量图，与期望剂量进行对比，当偏差大于设定的阈值时，则存在照射剂量误差。

2.根据权利要求1所述的一种基于呼吸运动的动态优化系统，其特征在于，所述的时间相位数据处理模块是利用4D CT获得每个呼吸相位的CT影像和采集时间，并将输入的4D CT影像数据发送至剂量计算模块；

其中，每个相位处的时间进行归一化，所有相位总时间为1。

3.根据权利要求1所述的一种基于呼吸运动的动态优化系统，其特征在于，所述的子野优化模块采用子野优化方法，根据剂量计算模块得到时间概率的器官采样点的剂量，计算目标函数极小值时满足期望剂量的子野形状和权重，并输出优化后的计划参数。

说明书

一种基于呼吸运动的动态优化系统

技术领域

[0001] 本发明涉及放疗的计划优化系统，具体涉及一种基于呼吸运动的动态优化系统。

背景技术

[0002] 计划优化系统是通过计算机软件进行计算计划参数，优化得到的计划参数包括子野权重和子野形状，传统的计算包括“两步法”和直接子野优化两种。“二步法”分为强度优化和子野分割两步，强度优化是根据优化算法计算得到每个射野对应的强度分布，子野分割是将强度分布转为每个MLC的子野形状。直接子野优化是直接优化计算得到的是可以直接实施的子野形状和子野权重。

[0003] 目前，计划参数的优化都是“两步法”或直接子野优化，实际中可以利用影像图像和剂量图像，根据图像的变化反馈调整计划，使计划更加精确，目前调整计划的方法多是通过在计算机上手动调整计划参数进行优化，手动调整的方法需要花费较多的时间，通过试错的方式找到满足期望的计划。同时，这些优化并没有考虑呼吸时序带来的影响，现有技术中，降低呼吸运动的影响主要通过机器辅助控制呼吸，如呼吸门控技术，并非建立动态模型进行优化，而且通过手动调整的计划也不能保证是最优解。

发明内容

[0004] 针对上述问题，本发明提供了一种基于呼吸运动的动态优化系统。

[0005] 本发明的技术方案是：一种基于呼吸运动的动态优化系统，包括相互连接的动态模型模块与计划优化模块；

[0006] 所述的动态模型模块包括时间相位数据处理模块与剂量计算模块；

[0007] 所述的计划优化模块包括优化判断模块与子野优化模块。

[0008] 进一步的，所述的时间相位数据处理模块是利用4D CT获得每个呼吸相位的CT影像和采集时间，并将输入的4D CT影像数据发送至剂量计算模块；

[0009] 其中，每个相位处的时间进行归一化，所有相位总时间为1。

[0010] 进一步的，所述的剂量计算模块是根据时间相位数据处理模块得到的每个呼吸相位的影像和时间，计算每个呼吸相位的剂量贡献矩阵，利用动态模型公式计算得到时间概率的器官采样点的剂量，再将得到时间概率的器官采样点的剂量发送至子野优化模块；

[0011] 其中，所述动态模型计算公式具体如下式所示：

[0012]

[0013] 式(1)中，

[0014]

[0015]

[0016] 式(1)中， 表示是第 个相位处的第m个粒子束对第i个器官采样点的剂量贡献，其全部数值构成剂量贡献矩阵；xm表示是第m个粒子束的权重，该权重为计算需要求解的值，di表示是第i个器官采样点所受的剂量；

[0017] 式(2)中，D′m，i表示是所有相位剂量贡献矩阵的概率密度函数；

[0018] 式(3)中， 表示是第 个相位处时间的归一化值，所有相位总时间为1。

[0019] 进一步的，所述的优化判断模块通过对输入器官位置与照射剂量进行验证，判断其是否存在器官位置的形变或照射剂量的误差；

[0020] 在判断照射剂量的误差时，若存在照射剂量的误差，则直接进入子野优化模块，从而进行自适应计划优化；否则进行输出原计划参数；

[0021] 在判断器官位置是否形变时，首先，将当前的CBCT影像与原始影像图像进行配准，从而得到形变场，其中，参与配准的原始影像图像包括CT、CBCT、PET或MRI影像中的至少一种；

[0022] 然后，将原始勾画数据传入形变场，得到变形后的勾画数据，其中，所述勾画数据包括危及器官、靶区、生物靶区；

[0023] 最后，将原始勾画数据与形变后的勾画数据对比，计算相似度Dice值，其计算公式具体如下式所示：

[0024]

[0025] 式(4)中，A表示是原始勾画数据，B表示是形变后的勾画数据，当计算的相似度Dice小于设定的阈值时，则存在器官的形变；

[0026] 判断是否存在照射剂量误差，根据得到的剂量图，与期望剂量进行对比，当偏差大于设定的阈值时，则存在照射剂量误差。

[0027] 进一步的，所述的子野优化模块采用子野优化方法，根据剂量计算模块得到时间概率的器官采样点的剂量，计算目标函数极小值时满足期望剂量的子野形状和权重，并输出优化后的计划参数。

[0028] 本发明的有益效果是：本发明一种基于呼吸运动的动态优化系统，在考虑了呼吸时序的情况下，结合影像图像和剂量图像，采用子野优化方法，优化出当前的最优计划参数。

附图说明

[0029] 图1是本发明的结构示意图；

[0030] 图2是本发明中实施例的结构流程图。

具体实施方式

[0031] 为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

[0032] 如图1所述；一种基于呼吸运动的动态优化系统，包括相互连接的动态模型模块与计划优化模块；

[0033] 所述的动态模型模块包括时间相位数据处理模块与剂量计算模块；

[0034] 所述的计划优化模块包括优化判断模块与子野优化模块。

[0035] 进一步的，所述的时间相位数据处理模块是利用4D CT获得每个呼吸相位的CT影像和采集时间，并将输入的4D CT影像数据发送至剂量计算模块；

[0036] 其中，每个相位处的时间进行归一化，所有相位总时间为1。

[0037] 进一步的，所述的剂量计算模块是根据时间相位数据处理模块得到的每个呼吸相位的影像和时间，计算每个呼吸相位的剂量贡献矩阵，再利用动态模型公式计算得到时间概率的器官采样点的剂量，再将得到时间概率的器官采样点的剂量发送至子野优化模块；

[0038] 其中，所述动态模型计算公式具体如下式所示：

[0039]

[0040] 式(1)中，

[0041]

[0042]

[0043] 其中，在式(1)中， 表示是第 个相位处的第m个粒子束对第i个器官采样点的剂量贡献，其全部数值构成剂量贡献矩阵；xm表示是第m个粒子束的权重，该权重为计算需要求解的值，di表示是第i个器官采样点所受的剂量；

[0044] 式(2)中，D′m，i表示是所有相位剂量贡献矩阵的概率密度函数；

[0045] 式(3)中， 表示是第 个相位处时间的归一化值，所有相位总时间为1。

[0046] 进一步的，所述的优化判断模块通过对输入器官位置与照射剂量进行验证，判断其是否存在器官位置的形变或照射剂量的误差；

[0047] 在判断照射剂量的误差时，若存在照射剂量的误差，则直接进入子野优化模块，从而进行自适应计划优化；否则进行输出原计划参数；

[0048] 在判断器官位置是否形变时，首先，将当前的CBCT影像与原始影像图像进行配准，从而得到形变场，其中，参与配准的原始影像图像包括CT、CBCT、PET或MRI影像中的至少一种；

[0049] 然后，将原始勾画数据传入形变场，得到变形后的勾画数据，其中，所述勾画数据包括危及器官、靶区、生物靶区；

[0050] 最后，将原始勾画数据与形变后的勾画数据对比，计算相似度Dice值，其计算公式具体如下式所示：

[0051]

[0052] 式(4)中，A表示是原始勾画数据，B表示是形变后的勾画数据，当计算的相似度Dice小于设定的阈值时，则存在器官的形变；

[0053] 判断是否存在照射剂量误差，根据得到的剂量图，与期望剂量进行对比，当偏差大于设定的阈值时，则存在照射剂量误差。

[0054] 进一步的，所述的子野优化模块采用子野优化方法，根据剂量计算模块得到时间概率的器官采样点的剂量，计算目标函数极小值时满足期望剂量的子野形状和权重，并输出优化后的计划参数。

[0055] 本发明的具体实施例如图2所述，图2是本发明实施例的一种基于呼吸运动的动态优化系统的流程图，参考图2所示，本实施例在计算机可读存储介质上，存储计算机程序，该程序在处理器上执行以下步骤：

[0056] 步骤1：利用不同的呼吸相位，建立动态模型，得到时间概率的器官采样点的剂量；

[0057] 步骤2：对器官位置与接受剂量进行验证，基于动态模型得到的器官采样点剂量进行优化，输出计划参数。

[0058] 其中，步骤1包括如下具体操作：

[0059] 步骤1.1：首先将呼吸分为各个不同的阶段，每个呼吸阶段对应一个呼吸相位，利用4D CT获得每个呼吸相位的CT影像和采集时间的关系；

[0060] 步骤1.2：根据每个呼吸相位的CT影像，采用笔形束剂量计算，得到每个呼吸相位的剂量贡献矩阵；

[0061] 步骤1.3：根据每个呼吸相位的时间，建立基于呼吸相位的动态模型，其公式如下：

[0062]

[0063] 其中，

[0064]

[0065]

[0066] 其中， 是第 个相位处的第m个笔形束对第i个器官采样点的剂量贡献，其全部数值构成剂量贡献矩阵，xm是第m个笔形束的权重，该权重为计算需要求解的值，di为第i个器官采样点所受的剂量， 是第 个相位处的剂量贡献矩阵，D′是所有相位剂量贡献矩阵的概率密度函数， 是第 个相位处时间的归一化值，所有相位总时间为1。

[0067] 步骤2包括如下具体操作：

[0068] 步骤2.1：对器官位置与接受剂量进行验证，将当前影像图像和原始影像图像进行形变配准，判断是否存在器官位置的形变，将EPID的剂量图与期望剂量对比，判断是否存在照射剂量误差；

[0069] 步骤2.2：若存在器官位置的形变或照射剂量的误差，则进行计划优化，否则仍然采用原计划。

[0070] 进一步的，步骤2.1包括如下具体操作：

[0071] 步骤2.1.1：将当前的CBCT与原始影像图像进行Demons形变配准，得到形变场，参与配准的原始影像图像包括CT、CBCT、PET或MRI中的至少一种；

[0072] 步骤2.1.2：将原始勾画数据传入形变场，得到变形后的勾画数据，勾画数据包括危及器官、靶区、生物靶区；

[0073] 步骤2.1.3：将原始勾画数据与形变后的勾画数据对比，计算相似度Dice值，计算公式如下：

[0074]

[0075] 其中，A为原始勾画数据，B为形变后的勾画数据，当计算的相似度Dice小于设定的阈值时，则认为存在器官形变；

[0076] 步骤2.1.4：根据EPID得到剂量图，将剂量图与根据期望剂量得到的计划中当前的剂量进行对比，当偏差大于设定的阈值时，则存在照射剂量误差。

[0077] 进一步的，步骤2.2包括如下具体操作：

[0078] 步骤2.2.1：当存在器官形变或照射剂量误差时，则进行步骤2.2.2，否则仍然采用原计划参数；

[0079] 步骤2.2.2：进行计划优化，建立优化的目标函数，其公式如下：

[0080]

[0081] Pi,n＝P′i,n‑P″i,n

[0082] 其中，αn是第n个感兴趣区域处的权重，感兴趣区域包括危机器官、靶区、生物靶区，权重代表其重要性，ωi是第i个器官采样点的惩罚因子，当该器官采样点满足约束条件时为0，不满足时为1，di为步骤1.3中计算的第i个器官采样点的剂量，Pi,n是第n个感兴趣区域第i个器官采样点的期望剂量；P′i,n是第n个感兴趣区域第i个器官采样点原计划的期望剂量值，P″i,n是根据剂量图得到的第n个感兴趣区域第i个器官采样点的实际剂量值；

[0083] 步骤2.2.3：采用基于拟牛顿法的子野优化，求解F(xm)的最小值。

[0084] 进一步的，步骤2.2.3包括如下具体操作：

[0085] 步骤2.2.3.1：将原计划的子野权重作为优化子野权重的初始值，将原计划的子野形状传入形变场，计算得到的新子野形状作为优化子野形状的初始值；

[0086] 步骤2.2.3.2：将单个子野下所有笔形束对采样点的剂量贡献合并为这个子野整体对该采样点的剂量贡献，然后计算目标函数对子野权重的导数、梯度和步长，使用拟牛顿法计算子野权重，反复迭代计算调整子野权重，直到设定的循环次数结束本轮子野权重计算；

[0087] 步骤2.2.3.3：计算目标函数对子野形状的导数、梯度和步长，使用拟牛顿法计算子野形状，反复迭代计算调整子野形状，直到设定的循环次数结束本轮子野形状计算；

[0088] 步骤2.2.3.4：按照比例删除不满足条件的子野，包括权重较小、面积较小等多种情况的小子野，删除完成之后判断是否结束优化，当目标函数值小于设定的阈值，则停止优化，否则继续下一轮优化，回到步骤2.2.3.2，直到满足条件结束优化，得到新的计划参数。

[0089] 最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。