[发明专利]一种用于执行自适应放射治疗计划的计算机系统

说明书

提供了使用深度学习引擎进行自适应放射治疗计划的示例方法。一种示例方法可以包括获得与第一成像模态相关联的治疗图像数据。所述治疗图像数据可以在患者的治疗阶段期间获取。另外，可以在所述治疗阶段之前获取与第二成像模态相关联的计划图像数据以为所述患者产生治疗计划。所述方法还可以包括：响应于确定需要对所述治疗计划进行更新，对与所述第一成像模态相关联的所述治疗图像数据进行变换以产生与所述第二成像模态相关联的变换后的图像数据。所述方法还可以包括：使用所述深度学习引擎来处理所述变换后的图像数据以产生输出数据来更新所述治疗计划。

技术领域

本公开总体上涉及用于使用深度学习引擎进行自适应放射治疗计划的方法和系统。

背景技术

除非本文另外指明，否则本部分中描述的方法不是本申请中的权利要求的现有技术，并且不因为包括在本部分中就承认是现有技术。

放射疗法是用于从患者减少或消除不期望的肿瘤的治疗的重要部分。遗憾的是，外加辐射本身不会区分不期望的肿瘤与任何近侧健康结构，诸如器官等。这需要谨慎的施用以将辐射限制于肿瘤(即，靶标)。理想地，目标是将致死或祛病辐射剂量递送到肿瘤，同时在近侧健康结构中维持可接受的剂量水平。然而，为了实现这个目标，常规放射治疗计划和/或自适应放射治疗计划可能是费时费力的。

发明内容

根据本公开的第一方面，提供了用于使用深度学习引擎进行放射治疗计划的示例方法和系统。将使用图1至图5来论述各种实例。深度学习引擎可以至少包括第一处理路径、第二处理路径和第三处理路径。一种示例方法可以包括：获得与患者相关联的第一图像数据；通过使用第一处理路径处理与第一分辨率水平相关联的第一图像数据来产生第一特征数据；通过使用第二处理路径处理与第二分辨率水平相关联的第二图像数据来产生第二特征数据；以及通过使用第三处理路径处理与第三分辨率水平相关联的第三图像数据来产生第三特征数据。示例方法还可以包括：基于第二特征数据和第三特征数据而产生与第二分辨率水平相关联的第一组和特征数据集；以及基于第一特征数据和第一组合集而产生与第一分辨率水平相关联的第二组和特征数据集。另外，示例方法可以包括产生与患者的放射治疗相关联的输出数据。例如，输出数据可以包括以下中的至少一者：与患者相关联的结构数据、与患者相关联的剂量数据和用于治疗递送系统的治疗递送数据。

根据本公开的第二方面，提供了用于使用深度学习引擎进行自适应放射治疗计划的示例方法和系统。将使用图6和图7来论述各种实例。一种示例方法可以包括获得与第一成像模态相关联的治疗图像数据。治疗图像数据可以是在患者的治疗阶段期间获取。另外，可以在治疗阶段之前获取与第二成像模态相关联的计划图像数据以为患者产生治疗计划。所述方法还可以包括：响应于确定需要对治疗计划进行更新，对与第一成像模态相关联的治疗图像数据进行变换以产生与第二成像模态相关联的变换后的图像数据。所述方法还可以包括：使用深度学习引擎来处理变换后的图像数据以产生输出数据来更新治疗计划。例如，输出数据可以是以下中的至少一者：与患者相关联的结构数据、与患者相关联的剂量数据和用于治疗递送系统的治疗递送数据。

根据本公开的第三方面，提供了用于使用深度学习引擎进行自适应放射治疗计划的示例方法和系统。将使用图6和图8来论述各种实例。一种示例方法可以包括获得与第一成像模态相关联的治疗图像数据以及与第二成像模态相关联的计划图像数据。可以在治疗阶段之前获取计划图像数据以为患者产生治疗计划。所述方法还可以包括：响应于确定需要对治疗计划进行更新，使用深度学习引擎来处理治疗图像数据和计划图像数据以产生输出数据来更新治疗计划。例如，输出数据可以是以下中的至少一者：与患者相关联的结构数据、与患者相关联的剂量数据和用于治疗递送系统的治疗递送数据。

附图说明

图1是示出用于放射治疗的示例过程流的示意图；

图2是示出具有用于执行放射治疗计划的多个处理路径的示例深度学习引擎的示意图；

图3是用于由计算机系统使用深度学习引擎执行放射治疗计划的示例过程的流程图；