[发明专利]一种直接优化静态调强子野形状及其机器跳数的系统和方法

摘要

本发明公开了一种直接优化静态调强子野形状及其机器跳数的系统和方法。该系统包括输入模块、数据处理模块、优化模块及优化结果输出模块，本该发明主要是根据放疗计划制定者要求，自动建立相应的目标函数，然后采用遗传算法进行子野形状的调整，采用共轭梯度算法进行子野权重的优化，两种算法交替优化，最后得到满足要求子野形状及其对应机器跳数权重。该方法可以快速的得到满足要求的每个射野方向的各个子野形状及其机器跳数，优化结果就是直接可以实施的子野序列。本发明不仅可以有效的解决传统方法存在的精度的问题，而且操作简单，可以提高制定计划和实施计划效率。

主权项

1.一种直接优化静态调强子野形状及其机器跳数的系统，其特征在于包括：（1）数据导入模块，用于导入从放疗计划系统中输出的人体影像CT数据、靶区及感兴趣区域定义信息、射野方向信息、多叶光栅信息及计划设计者对计划的要求信息；（2）数据处理模块，根据数据导入模块导入的靶区信息，射野方向信息，计算靶区在射野方向上的投影，向外扩一定的大小得到对应射野方向的射野形状，然后根据多叶光栅类型，对每个射野形状进行网格化，在多叶光栅运动方向上网格大小为0.5cm，在多叶光栅运动垂直方向，网格大小为多叶光栅叶片在等中心平面厚度，最后采用基于蒙卡的快速有限笔形束剂量计算方法计算射野内每个单元野对各个计算采样点的剂量影响；（3）优化模块，根据计划设计者对计划的要求进行优化模型的建立及采用优化算法进行优化；根据导入模块导入的计划设计者对计划的要求，通过二次目标函数形式转化为优化的目标函数，然后供步骤优化过程使用；采用基于物理剂量或剂量-体积约束的目标函数及约束，表达为：f=wPTVfPTV(xk)+Σj=1NOARwOARjfOARj(xk)wPTV+Σj=1NOARwOARj=1---(1)]]>di(xk)=Σm=1Nrayaim×xmk---(3)]]>此时，x_m^k为待优化的各子野的权重，a_im为第m个子野对第i个采样点的剂量影响，由剂量计算方法计算得到；第一个式子为优化的目标函数，优化的目标是使该目标函数值最小，为靶区对目标函数的贡献，为第j个危及器官对目标函数的贡献；w_PTV和分别是靶区和第j个危及器官的权重归一化因子；式（2）中d_i是通过（3）式计算出来的第i个计算采样点的剂量，D_PTV是靶区的处方剂量，是第j个危及器官的剂量限值，n_PTV和分别为靶区和第j个危及器官的计算采样点数，N_OAR是优化中考虑的危及器官的个数；式（3）中，N_ray为子野的总个数，a_im为单位强度的第m个子野对第i个采样点的剂量贡献，x_m^k为向量的第m个分量即第m个子野的权重，因此第i个采样点的剂量是所有子野对该点剂量贡献的总和；所有的a_im构成的矩阵事先由剂量计算模块计算好供优化计算时直接调用；x_m^k即为优化时待调整的参数，优化的目标即为找到最优的x_m^k使得各点的剂量满足医生给定的剂量要求，其中K为当前迭代的次数；根据数据处理模块中得到的射野形状对应的多叶光栅位置来初始化遗传算法群体，遗传算法通过交叉变异得到新的个体，即每个个体对应一组子野形状，采用共轭梯度算法进行每个子野的权重优化，共轭梯度算法优化的目标函数为根据计划设计者的要求建立的优化模型，如公式（1）～（3）表达式，然后评估遗传算法群体中每个个体，计算目标函数的值，根据目标函数值采用联赛选择方式选择好的个体进入下一代进化过程中；重复上述步骤直到遗传算法群体最优个体的目标函数值满足要求，终止优化计算；（4）数据输出模块，将遗传算法优化得到的最优个体通过解码得到对应的最优的子野形状，最后输出子野形状、机器跳数及根据子野形状及机器跳数计算出的剂量分布结果。