本技术一般涉及对放射治疗处理的剂量沉积进行建模。
背景技术：
1、辐射治疗是一种使用电离辐射对特定目标组织(诸如癌性肿瘤)进行局部处理的方法。理想情况下，辐射治疗是在目标组织(也被称为计划目标体积)上进行的，以使周围的正常组织免于接收到超过指定公差的剂量，从而最小化健康组织受损而产生二次毒性的风险。由于辐射治疗机发出的电离辐射具有强烈的生物学影响，因此必须精确地计算和遵循处理命令。处理命令(也被称为处理属性)可以指的是如何实施对患者的处理的各种命令，包括患者接收规定放射治疗剂量时辐射治疗机的属性以及如何将剂量输送到患者的器官。例如，开处方的医生可以识别源位置(例如，要被处理的患者器官或要被根除的肿瘤)和对应的剂量。这些处理命令可以作为辐射治疗处理计划(rttp)的一部分而被存储。
2、各种放射治疗处理(例如，超高能电子、磁共振线性加速器、传统电子处理、光子处理的小目标、锥形处理等)具有复杂的射束几何形状。通常，确定如何将剂量输送到患者的组织可以被细分为至少两个任务：(1)对提供辐射治疗的线性加速器所产生的辐射进行建模(例如，源建模)，以及(2)对由患者所接收的剂量(例如，剂量沉积)进行计算/建模。所模拟的辐射行为(源模型)被导入到其下游模型中以计算由患者接收的剂量。源建模中的不准确性可能会传播到剂量计算中的不准确性。
3、在一些常规实现中，非确定性概率方法(诸如蒙特卡罗(mc)模拟)可以模拟辐射的行为方式。mc模拟通过模拟每个粒子的随机重复采样，来在统计上估计特定事件(例如，粒子位置、能量、方向等)的多种可能结果。在其他实现中，可以执行有限元方法、有限体积方法和其他确定性方法来模拟辐射的行为方式。非确定性方法和确定性方法可能会在速度和准确性之间进行权衡。例如，mc模拟可以比确定性方法实现更高准确度的辐射行为模拟，因为mc的收敛取决于所模拟的粒子历史数量，而不是计算机断层扫描图像中的网格细化(或特征数量)。对许多粒子的许多事件进行模拟意味着mc模拟对于临床应用来说太慢了，尽管这些解决方案不依赖于图像的特征因而是准确的。作为对比，确定性方法可以通过模拟整个粒子和事件统计群体的行为，比mc模拟更快地收敛到辐射行为解决方案。因此，确定性方法消耗更少的计算能力并减少运行时间，但是可能不太准确并且需要更多存储器。
4、成像技术的改进可能导致在肿瘤发展的早期阶段检测出癌性肿瘤。如此，肿瘤的尺寸可能很小(例如，小于5-10毫米)，从而需要对该肿瘤进行准确且有针对性的辐射以将对健康组织的损害最小化。如果没有准确的剂量预测，就很难为患者制定最佳处理计划(例如，在缩小癌性肿瘤尺寸的同时最小化对健康组织的损害)、验证处理计划(例如，计算最终剂量计算)并确认处理计划。
5、在这种小肿瘤的背景下，经验模型表现不佳，部分原因是由于这种模型的通用性。例如，经验模型(诸如分析各向异性算法(aaa))通过对模型的初级辐射和次级辐射的贡献进行建模来对源进行建模。初级辐射可以被描述为源自加速器源而不接触加速器的任何壁的辐射。次级辐射(包括次级光子和电子)可以被描述为由加速器内部的光子和电子散射并到达患者而产生的辐射。传统上，次级辐射测量是使用水中的辐射测量来确定的。
6、在计算由患者接收的剂量时，应避免通常预先计算的量(诸如被用于在剂量扩散核算法中建模辐射行为的量)和广义假设。
技术实现思路
1、根据本发明的第一方面，提供了一种如权利要求1中定义的方法。
2、根据本发明的第二方面，提供了一种如权利要求11中定义的系统。
3、可选特征在从属权利要求中定义。
4、出于上述原因，需要一种能够快速且准确地计算剂量沉积的模型。本文公开了一种人工智能模型，该模型被配置为提高计算剂量分布(或剂量沉积)的准确性。该模型可以接收计算出的剂量分布，并通过推断剂量算法之间的关系来改进计算出的剂量分布。具体而言，该模型可以去除与特定剂量算法相关联的人工伪影。去除一个或多个人工伪影并将第一剂量算法的结果映射到与第二剂量算法相当的结果可以提高计算资源的使用。本文描述的模型可以模仿剂量算法的结果而无需执行剂量算法，从而不必消耗大量电力、资源和时间来执行以长时间运行为特征的准确剂量算法。例如，该模型可以被配置为产生与使用mc模拟而确定的剂量计算一样准确的剂量计算，而无需执行mc模拟。因此，本文所描述的系统不会耗费类似系统执行mc模拟以确定剂量沉积所耗费的所有资源。
5、在一个实施例中，一种方法可以包括由处理器接收医学图像；由处理器使用医学图像来确定剂量沉积，该剂量沉积由指示最小剂量沉积的第一剂量沉积模型确定；并且通过使用医学图像和由第一剂量沉积模型所确定的剂量沉积来执行人工智能模型，由处理器确定针对医学图像的剂量沉积，其中使用训练医学图像集，人工智能模型被训练为模拟由第二剂量沉积模型所确定的剂量沉积，每个训练医学图像具有由第一剂量沉积模型所确定的对应的第一训练剂量沉积和由第二剂量沉积模型所确定的第二训练剂量沉积。
6、第一剂量沉积模型可以表示初始剂量沉积，并且第二剂量沉积模型可以调整初始剂量沉积。在一种配置中，第一剂量沉积模型可以确定通量分布，该通量分布抽象出与患者的解剖学区域的剂量反应速率以确定剂量分布。在一种配置中，第二剂量沉积模型可以采用非确定性粒子行为模拟器(例如，使用蒙特卡罗模拟)和/或直接剂量测量来确定剂量分布。可以使用人工智能模型来调整使用第一剂量沉积模型所确定的最小剂量沉积，该人工智能模型是使用第二剂量沉积模型进行训练的。
7、人工智能模型可以是神经网络。
8、训练医学图像集和由第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由第二剂量沉积模型所确定的第二训练剂量沉积可以对应于特定的解剖学区域。
9、训练医学图像集和由第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由第二剂量沉积模型所确定的第二训练剂量沉积可以对应于特定的诊所。
10、训练医学图像集和由第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由第二剂量沉积模型所确定的第二训练剂量沉积可以对应于特定的放射治疗机。
11、第二训练剂量沉积可以根据医疗专业人员的偏好被修改，该人工智能模型被训练以模拟由第二剂量沉积模型所确定的、并且根据医疗专业人员的偏好被修改的剂量沉积。
12、在另一个实施例中，一种系统可以包括服务器，该服务器包括处理器和非暂时性计算机可读介质，该非暂时性计算机可读介质包含指令，该指令在由处理器执行时使处理器执行包括如下的操作：接收医学图像；使用该医学图像来确定剂量沉积并且由指示最小剂量沉积的第一剂量沉积模型确定该剂量沉积；通过使用该医学图像和由该第一剂量沉积模型所确定的剂量沉积来执行人工智能模型，以确定针对该医学图像的剂量沉积，其中使用训练医学图像集，该人工智能模型被训练为模拟由第二剂量沉积模型所确定的剂量沉积，每个训练医学图像具有由该第一剂量沉积模型所确定的对应的第一训练剂量沉积和由该第二剂量沉积模型所确定的第二训练剂量沉积。
13、该第一剂量沉积模型可以表示初始剂量沉积，并且该第二剂量沉积模型可以调整该初始剂量沉积。
14、第一剂量沉积模型可以确定通量分布，该通量分布抽象出与患者的解剖学区域的剂量反应速率。
15、第二剂量沉积模型可以采用非确定性粒子行为模拟器和/或直接剂量测量。
16、可以使用人工智能模型来调整可以使用第一剂量沉积模型所确定的最小剂量沉积。
17、人工智能模型可以是神经网络。
18、训练医学图像集和由第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由第二剂量沉积模型所确定的第二训练剂量沉积可以对应于特定的解剖学区域。
19、训练医学图像集和由第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由第二剂量沉积模型所确定的第二训练剂量沉积可以对应于特定的临床医师。
20、训练医学图像集和由第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由第二剂量沉积模型所确定的第二训练剂量沉积可以对应于特定的放射治疗机。
21、第二训练剂量沉积可以根据医疗专业人员的偏好被修改，人工智能模型被训练以模拟由第二剂量沉积模型所确定的、并且根据医疗专业人员的偏好被修改的剂量沉积。
1.一种方法，包括：
2.根据权利要求1所述的方法，其中所述第一剂量沉积模型表示初始剂量沉积，并且所述第二剂量沉积模型调整所述初始剂量沉积。
3.根据权利要求1或权利要求2所述的方法，其中所述第一剂量沉积模型确定通量分布，所述通量分布抽象出与患者的解剖学区域的剂量反应速率。
4.根据前述权利要求中任一项所述的方法，其中所述第二剂量沉积模型采用非确定性粒子行为模拟器和/或直接剂量测量。
5.根据前述权利要求中任一项所述的方法，其中使用所述人工智能模型来调整使用所述第一剂量沉积模型所确定的所述最小剂量沉积。
6.根据前述权利要求中任一项所述的方法，其中所述人工智能模型是神经网络。
7.根据前述权利要求中任一项所述的方法，其中所述训练医学图像集和由所述第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由所述第二剂量沉积模型所确定的所述第二训练剂量沉积对应于特定的解剖学区域。
8.根据权利要求1至权利要求6中任一项所述的方法，其中所述训练医学图像集和由所述第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由所述第二剂量沉积模型所确定的所述第二训练剂量沉积对应于特定的临床医师。
9.根据权利要求1至权利要求6中任一项所述的方法，其中所述训练医学图像集和由所述第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由所述第二剂量沉积模型所确定的所述第二训练剂量沉积对应于特定的放射治疗机。
10.根据前述权利要求中任一项所述的方法，其中所述第二训练剂量沉积根据医疗专业人员的偏好被修改，所述人工智能模型被训练为模拟由所述第二剂量沉积模型所确定的、并且根据所述医疗专业人员的偏好被修改的所述剂量沉积。
11.一种系统，包括：
12.根据权利要求11所述的系统，其中所述第一剂量沉积模型表示初始剂量沉积，并且所述第二剂量沉积模型调整所述初始剂量沉积。
13.根据权利要求11或权利要求12所述的系统，其中所述第一剂量沉积模型确定通量分布，所述通量分布抽象出与患者的解剖学区域的剂量反应速率。
14.根据权利要求11至权利要求13中任一项所述的系统，其中所述第二剂量沉积模型采用非确定性粒子行为模拟器和/或直接剂量测量。
15.根据权利要求11至权利要求14中任一项所述的系统，其中使用所述人工智能模型来调整使用所述第一剂量沉积模型所确定的所述最小剂量沉积。
16.根据权利要求11至权利要求15中任一项所述的系统，其中所述人工智能模型是神经网络。
17.根据权利要求11至权利要求16中任一项所述的系统，其中所述训练医学图像集和由所述第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由所述第二剂量沉积模型所确定的所述第二训练剂量沉积对应于特定的解剖学区域。
18.根据权利要求11至权利要求16中任一项所述的系统，其中所述训练医学图像集和由所述第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由所述第二剂量沉积模型所确定的所述第二训练剂量沉积对应于特定的临床医师。
19.根据权利要求11至权利要求16中任一项所述的系统，其中所述训练医学图像集和由所述第一剂量沉积模型所确定的对应的第一训练剂量沉积以及由所述第二剂量沉积模型所确定的所述第二训练剂量沉积对应于特定的放射治疗机。
20.根据权利要求11至权利要求19中任一项所述的系统，其中所述第二训练剂量沉积根据医疗专业人员的偏好被修改，所述人工智能模型被训练为模拟由所述第二剂量沉积模型所确定的、并且根据所述医疗专业人员的偏好被修改的所述剂量沉积。
