[发明专利]利用深度神经网络的实时运动监测

说明书

系统和技术可以用于在放射疗法治疗期间利用深度学习网络来估计患者剖析结构的相对运动。例如，方法可以包括利用第一深度神经网络来将输入的实时局部患者测量与包括参考体积的患者模型相关联以输出患者状态。该方法可以包括利用第二深度神经网络来将患者状态和参考体积与患者状态与参考体积之间的相对运动信息相关联。可以实时地利用深度神经网络来估计对应于输入图像的相对运动。

优先权要求

本申请要求于2018年11月16日提交的美国专利申请序列号16/194,190的优先权权益，其全部内容通过引用并入本文。

技术领域

本公开内容的实施方式总体上涉及医学图像和人工智能处理技术。特别地，本公开内容涉及利用深度神经网络以进行实时运动监测。

背景技术

在放射疗法(radiotherapy)或放射外科(radiosurgery)中，通常基于患者的医学图像来执行治疗计划，并且治疗计划需要医学图像中的靶区和正常关键器官的描绘。当患者正在移动(例如，呼吸)时准确跟踪各种对象(例如，肿瘤、健康组织或者患者剖析结构的其他方面)是一项挑战。

当前的技术无法直接地实时测量变化中的患者状态。例如，一些技术使用2D成像例如2D kV投影或2D MRI切片，它们都不能完全跟踪各种对象。

其他技术可能依赖于直接或者通过跟踪衣物上或者固定到患者身上的盒子上的标记物来检测表面信息。这些技术假定表面信息与患者内部状态相关，这通常是不准确的。

其他技术还可能依赖于植入标记物(例如，磁跟踪标记物)或者使用不透射线标记物的X射线检测。这些技术是侵入性的，并且仅对应于患者体内的有限点。

可以使用回归模型或其他基于模型的技术来辅助运动监测。但是，这些技术可能是不准确的或者无法实时跟踪。

附图说明

在不一定按比例绘制的附图中，贯穿若干视图，相同的附图标记描述基本上相似的部件。具有不同字母后缀的相同附图标记表示基本上相似的部件的不同实例。附图通过示例的方式而非通过限制的方式大体上示出了本文献中讨论的各种实施方式。

图1示出了适于执行图像患者状态估计处理的示例性放射疗法系统。

图2示出了示例性的图像引导放射疗法装置。

图3示出了包括组合的放射疗法系统和成像系统例如核磁共振(MR)成像系统的示例性系统的局部剖视图。

图4示出了用于使用局部测量和初步患者模型来估计患者状态的示例性流程图。

图5示出了示例性深度神经网络架构概述框图。

图6A至图6B示出了示例性详细的深度神经网络架构框图。

图7A至图7B示出了示例性时空卷积图。

图8示出了用于深度神经网络的示例性训练流程图。

图9是用于估计放射疗法过程期间的相对运动的示例性操作的流程图。

具体实施方式

在下面的详细描述中，参照附图，附图形成详细描述的一部分并且通过可以实践本发明的说明性实施方式示出。在本文中也被称为“示例”的这些实施方式被足够详细地描述以使得本领域技术人员能够实践本发明，并且应当理解，在不脱离本发明的范围的情况下，可以将实施方式组合或者可以利用其他实施方式并且可以进行结构、逻辑和电气改变。因此，以下详细描述不是限制性的，并且本发明的范围由所附的权利要求及其等同内容限定。