[发明专利]用于放射机器的束模型的计算机实现的方法和系统

说明书

系统和方法可以包括训练深度卷积神经网络模型来提供放射机器的束模型例如以将放射治疗剂量实施至对象。一种方法可以包括：确定与放射机器对应的束模型的至少一个参数的参数值的范围；生成多组束模型参数值，其中，相应的一组或更多组束模型参数值可以包括从所确定的范围的参数值中选择的参数值；提供分别与多组束模型参数值中的相应各组束模型参数值对应的多个相应剂量分布；以及使用多个束模型和相应剂量分布来训练神经网络模型。

优先权

本国际申请要求于2017年12月8日提交的美国申请序列号15/836,539的优先权的权益，其全部内容通过引用并入本文中。

技术领域

本发明的实施方式一般地涉及确定放射机器的束模型的参数。特别地，本发明涉及使用深度学习技术来确定放射机器的束模型参数。

发明内容

放射治疗用于治疗哺乳动物(例如人和动物)组织中的癌症和其他疾病。提供了使用线性加速器(LINAC)的示例性放射治疗，由此通过高能粒子(例如，电子、光子、离子等)照射靶(例如肿瘤)。在典型的基于LINAC的放射治疗中，多个放射束从不同角度朝向靶定向。

周围的正常组织通常称为危及器官(OAR)。为了防止OAR受到由放射束造成的严重附带损害，应将这些OAR接收的剂量限制在一定水平。在治疗计划期间需要满足对OAR接收的剂量的这种限制(通常称为约束)。

治疗计划是一个过程，涉及确定特定的放射治疗参数(例如，放射束角度、每个角度的放射强度水平等)，以在约束条件下实现治疗目标。

治疗计划活动的结果是放射治疗计划，以下也称为治疗计划或简称为计划。典型的治疗计划过程包括：根据患者的医学图像描绘一个或更多个靶以及一个或更多个OAR；指定放射束角度或在弧计划的情况下指定角度范围；以及确定孔径形状和每个形状在各个束角度下的放射强度水平。

治疗计划包括束模型，束模型可以包括尤其描述从放射机器(例如，LINAC)发射的放射的能量分布的参数。放射模型之间的束模型参数值在放射机器之间可能会有所不同，即使是同一型号的放射机器也是如此，在每个放射机器中可能会有小差异，例如放射机器提供的注量或能量方面。放射机器之间的机械差异(例如，机械尺寸或材料性能)或部件值(例如，电子电路部件值)的差异可能导致不同放射机器之间的束模型参数值的差异。在某些方法中，在安装放射机器并执行最终调整后，客户可以使用模拟患者组织的体模来执行测量。体模可以包括一箱水，在这箱水内部具有可移动的剂量计。然后束建模器可以使用测量来执行束建模，以确定与该测量对应的放射机器的束模型参数值。然而，由束建模器执行的束建模可能很耗时。束建模可以包括迭代过程，该迭代过程包括许多剂量计算(例如，大约50至100次剂量计算)，每次可能花费大约十分钟。

发明人尤其已经认识到，可以通过使用机器学习(例如，神经网络模型)极大地改善波束建模过程，例如减少束建模所需的时间。然而，例如由于在剂量分布的测量期间引入的误差，使用与现有的放射机器对应的数据集可能是不期望的。发明人尤其已经认识到，合成数据集可以提供无测量误差的训练数据，例如可以在剂量分布(例如，百分深度剂量分布或径向剂量分布)的测量过程中引入的训练数据。另外，发明人已经认识到，与现有放射机器对应的许多数据集可能不足以用于机器学习以期望的精度产生束模型参数。发明人已经认识到，另外可以合成数据集并将其用于补偿数据集的短缺，例如由有限数量的具有已知的束模型参数值的放射机器引起的数据集的短缺。通过减少束建模所花费的时间(例如通过使用机器学习)，可以更快地调试放射机器，从而可以改善患者的工作流程并改善患者的治疗效果。

以上概述旨在提供本专利申请的主题的概述。并不旨在提供本发明的排他性或详尽的解释。详细描述被包括以提供关于本专利申请的更多信息。