[发明专利]使用深度卷积网络的放射疗法计划

说明书

可以训练深度卷积神经网络以提供患者放射治疗计划。训练可以包括：基于来自患者的患者解剖结构的至少一个图像来收集患者数据；从所收集的患者数据确定包括一组控制点的治疗计划；以及使用所确定的治疗计划和相应的收集的患者数据训练深层卷积神经网络以进行回归，以从所收集的患者数据中确定包括一组控制点的治疗计划。经训练的模型可以用于例如实时地提供放射治疗计划。

优先权要求

本申请要求于2017年7月26日提交的美国申请序列号15,658,484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疗法治疗系统中的机器参数。特别地，本发明涉及使用深度学习技术来确定放射疗法系统中的用于治疗计划的机器参数。

背景技术

放射疗法或“放射治疗”可以用于治疗哺乳动物(例如，人和动物)组织中的癌症或其他疾病。一种这样的放射治疗技术是伽马刀，通过伽马刀，患者受到大量低强度伽马射线的辐照，其中伽马射线以高强度和高精度会聚在靶(例如，肿瘤)处。在另一实施方式中，使用线性加速器提供放射治疗，由此肿瘤受到高能粒子(例如，电子、质子、离子、高能光子等)的辐照。放射束的定位和剂量必须被精确地控制，以确保肿瘤接收处方的辐射，并且束的定位应当为使得对周围健康组织——通常被称为危及器官(OAR)——的损伤最小化。辐射被称为“处方的”，原因是医师给肿瘤和周围器官开了类似于药物处方的预定量的辐射。通常，准直束形式的电离辐射从外部辐射源朝向患者定向。

可以使用指定的或可选择的束能量例如用于实施诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器(例如多叶准直器)提供。可以通过准直来调节放射束的强度和形状，以通过使投射的束与靶向组织的轮廓共形来避免损伤与靶向组织相邻的健康组织(例如，危及器官)。

治疗计划过程可以包括使用患者的三维图像来识别靶区(例如，肿瘤)以及识别肿瘤附近的关键器官。治疗计划的创建可能是耗时的过程，在此过程中，计划者试图在将各种治疗目标或约束的各自的重要性(例如，权重)考虑在内的情况下遵从各种治疗目标或约束(例如，剂量体积直方图(DVH)、重叠体积直方图(OVH))，以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，该过程由各种危及器官(OAR)而复杂化，，原因是，随着OAR的数目的增加(例如，对于头颈部治疗高达13个OAR)，该过程的复杂性也增加。远离肿瘤的OAR可以容易地免受辐射，而接近靶肿瘤或者与靶肿瘤重叠的OAR可能难以幸免。

传统上，对于每个患者，可以以“离线”方式生成初始治疗计划。例如使用一种或更多种医学成像技术，可以在实施放射疗法之前很好地开发治疗计划。成像信息可以包括例如来自X射线、计算机断层扫描(CT)、核磁共振(MR)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)或超声的图像。医疗服务人员如医师可以使用指示患者解剖结构的三维成像信息来识别一个或更多个靶肿瘤以及肿瘤附近的危及器官。医疗服务人员可以使用手动技术来描绘要接收处方放射剂量的靶肿瘤，并且医疗服务人员可以类似地描绘存在受放射治疗损伤的风险的附近组织如器官。替选地或另外地，可以使用自动化工具(例如，由瑞典Elekta AB提供的ABAS)来辅助识别或描绘靶肿瘤和危及器官。然后可以基于临床和剂量测定的目标和约束(例如，对肿瘤体积的部分的最大、最小和部分放射剂量(“靶的95％应接受不少于100％的处方剂量”)，以及针对关键器官的类似措施)使用优化技术来创建放射疗法治疗计划。