[发明专利]具有隐私保证的放射疗法计划参数

说明书

提供了用于产生具有隐私的分割的技术。这些技术包括：接收医学图像；使用学生机器学习模型处理医学图像以估计放射疗法计划参数，学生机器学习模型被训练成建立多个公共训练医学图像与对应的放射疗法计划参数之间的关系，多个公共训练医学图像的放射疗法计划参数通过聚合多个放射疗法计划参数估计值而生成，所述放射疗法计划参数估计值通过以下方式产生：使用多个教师机器学习模型处理多个公共训练医学图像以生成放射疗法计划参数估计值的集合，以及减小放射疗法计划参数估计值的集合或医学图像的相应维度，根据隐私标准对多个公共训练医学图像的放射疗法计划参数进行扰动；以及基于估计的放射疗法计划参数生成放射疗法治疗计划。

优先权要求

本申请要求2019年6月4日提交的美国临时申请第62/857,052号的优先权的权益，其全部内容通过引用并入本文。

技术领域

本公开内容总体上涉及辐射疗法(radiation therapy)或放射疗法(radiotherapy)。

背景技术

放射疗法用于治疗哺乳动物(例如，人和动物)的组织中的癌症和其他疾病。辐射束的方向和形状应当被准确地控制，以确保肿瘤接受规定的辐射，并且束的布置应当使得对周围的健康组织(通常称为危及器官(OAR))的损害最小化。治疗计划可以用于控制辐射束参数，并且放射疗法装置通过向患者递送空间上变化的剂量分布来实现治疗。

常规地，对于每个患者，可以使用基于临床和剂量测定的目标和约束(例如，对肿瘤和关键器官的最大剂量、最小剂量和平均剂量)的优化技术来创建辐射疗法治疗计划(“治疗计划”)。治疗计划过程可以包括使用患者的三维(3D)图像来识别靶区(例如，肿瘤)以及识别肿瘤附近的关键器官。创建治疗计划会是耗时的过程，在该过程中，计划者试图在考虑各项治疗目标或约束(例如，剂量体积直方图(DVH)目标)的各自重要性(例如，权重)的情况下遵从各项治疗目标或约束，以便产生临床上可接受的治疗计划。该任务可能是耗时的试错过程，该试错过程由于各种OAR而变得复杂，因为随着OAR的数目的增加(例如，在头颈部治疗中通常被分割为21个)，过程的复杂性也会增加。远离肿瘤的OAR可以容易地免受辐射，而靠近靶肿瘤或与靶肿瘤交叠的OAR可能难以免受辐射。

可以执行分割以识别OAR和要治疗的区域(例如，计划靶体积(PTV))。在分割之后，可以针对患者创建剂量计划，该剂量计划指示要由PTV(例如，靶)和/或OAR接收的期望辐射量。PTV可能具有不规则的体积，并且其尺寸、形状和位置可能是独特的。可以在对大量的计划参数进行优化以确保向PTV提供足够的剂量同时向周围的健康组织提供尽可能低的剂量之后计算治疗计划。因此，可以通过平衡治疗肿瘤的剂量的有效控制与使任何OAR不受伤害来确定辐射疗法治疗计划。通常，辐射治疗计划的质量可能取决于计划者的经验水平。由患者之间的解剖结构变化可能会引起进一步的并发症。

机器学习可以在协助创建放射疗法治疗计划方面发挥重要作用。大多数可以用于创建放射疗法治疗计划的机器学习模型在来自其他患者和医院的敏感数据集(例如医学图像)上进行训练。这样的模型无法保护与用于训练这样的机器学习模型的医学图像相关联的患者的隐私。特别地，机器学习模型无法保证不会推断特定个体是否是训练集的一部分。

发明内容