本发明涉及放射疗法治疗规划优化，并且特别地涉及用于这种优化过程的参数初始化。
背景技术：
1、在放射疗法治疗规划优化中，给定通常包括要使用的放射疗法治疗装置的机器参数的一组变量，设置优化问题并且优化放射疗法治疗规划，以在患者体内实现期望的剂量分布。这些参数的初始值可以以不同的方式设置。
2、对于光子治疗，机器参数通常包括mlc叶排序。可以通过求解注量图（fluencemap）优化问题，并且随后执行从优化的注量图剂量到可行机器参数的转换，来确定这些初始机器参数值。这涉及靶投影、注量图优化以及对机器参数的转换。这是耗时的过程，并且转换步骤通常是规划过程中的不准确性的来源，这导致长的优化时间，因为需要多次迭代。
3、对于离子疗法，诸如质子疗法，机器参数包括束点放置（spot placement）、束点权重和射束能量。例如，对于笔形射束扫描，可以以多种不同的方式来设置这些参数的初始值，并且在不同诊所的实现方式会变化。一种可能的实现方式包括计算靶投影，并且随后使用一些数学公式来决定束点权重的初始值。
4、本公开旨在更快地进行治疗规划优化过程，并且使得能够由治疗规划优化过程产生更好的治疗规划。
技术实现思路
1、本公开涉及机器学习的使用，以用于确定用于放射疗法治疗规划的初始机器设置参数。因此，本公开涉及一种训练机器学习系统的基于计算机的方法，包括将多个数据集输入到机器学习系统，每个数据集包括一个或多个剂量分布以及机器参数设置集，该机器参数设置集包括由规划过程中的该一个或多个剂量分布产生的至少一个机器参数设置，以训练机器学习系统从而基于参考剂量分布来输出至少一个机器参数设置集。
2、本公开还涉及一种根据上述方法训练的机器学习系统。所述机器学习系统被布置用于获取呈一个或多个剂量分布形式的输入数据，并且输出至少一个机器参数设置，该至少一个机器参数设置将适于产生对于特定放射疗法递送设备的剂量分布。
3、本公开还涉及一种基于计算机的方法，该基于计算机的方法使用这种机器学习系统来确定机器参数设置。该方法包括以下步骤：将一个或多个参考剂量分布输入到机器学习系统中；由机器学习系统执行参数初始化；以及从机器学习系统输出机器参数设置集，该机器参数设置集包括用于放射疗法递送设备的至少一个机器参数设置。通过使机器参数设置基于关于相似剂量分布的合适机器参数设置的知识，可以获得更好的机器参数设置集。
4、因此，根据本发明，可以通过机器学习以高效的方式获得关于放射疗法递送设备的机器参数的更正确的输入数据。这意味着可以缩短规划优化时间，这是因为初始数据将更正确。该方法对于在基于机器学习的优化中使用的机器参数初始化特别有用，而且对于任何其他类型的优化过程也是有用的。
5、对于光子治疗，该机器参数设置集可以包括mlc叶设置、mu设置、开始和停止角度、诊察台角度（couch angle）和俯仰中的一个或多个。对于强度调制放射疗法（imrt）应用，该机器参数设置集可以包括分段mlc（smlc）或动态mlc（dmlc）中的一个或多个。对于离子治疗，例如质子治疗，机器参数设置集可以包括例如束点放置、束点权重和射束能量中的一个或多个。
6、本公开还涉及一种基于计算机的放射疗法治疗规划优化方法，包括：在执行规划优化之前，执行根据上面概述的任何实施例确定机器参数设置集的方法，并且在放射疗法治疗规划优化中使用所得的机器参数设置集作为对应机器参数的初始设置。
7、根据以上所确定的一个或多个机器参数设置可以用于下述任何优化过程，这些优化过程可以生成参考剂量以便指导将用作优化变量的初始机器参数的预测。这样的优化过程的几个示例是：
8、·在机器学习规划中实现的剂量模拟优化，其中机器学习模型预测参考剂量，然后通过剂量模拟优化将其转换成可递送剂量。
9、·多标准优化（mco），其中从注量图计算参考剂量，然后使用剂量模拟通过同时优化多于一个目标函数来优化参考剂量。
10、·在规划已经被优化用于由一个递送机器递送的情况下，通过使用原始规划作为用于剂量模拟优化的参考剂量分布，重新创建用于由不同的递送机器递送的相同剂量分布。
11、·用于体积调制电弧疗法（vmat）的常规逆规划，其中优化的注量图用于计算参考剂量（在这种情况下，本发明取代了叶转换算法）。
12、根据本公开的方法可用于任何治疗模态，包括基于光子和基于离子的模态，诸如质子治疗、或者碳或氦离子治疗。
13、本公开还涉及一种包括计算机可读代码装置的计算机程序产品，当所述计算机可读代码装置在计算机中运行时将使所述计算机执行以上概述的任何方法。计算机程序产品可以包括非暂时性存储装置，在所述非暂时性存储装置上存储有所述计算机可读代码装置。本公开还涉及包括处理器和程序存储器的计算机，所述程序存储器上存储有计算机程序产品。
1.一种训练机器学习系统的基于计算机的方法，包括向所述机器学习系统输入多个数据集，每个数据集包括一个或多个剂量分布以及机器参数设置集，所述机器参数设置集包括由规划过程中的所述一个或多个剂量分布产生的至少一个机器参数设置，从而训练所述机器学习系统以基于参考剂量分布来输出至少一个机器参数设置集。
2.一种根据权利要求1所述的方法进行过训练的机器学习系统，所述机器学习系统被布置用于获取呈一个或多个参考剂量分布的形式的输入数据，并且输出机器参数设置集，所述机器参数设置集包括至少一个机器参数设置，所述至少一个机器参数设置适于为特定放射疗法递送设备产生所述一个或多个参考剂量分布。
3.一种用于使用根据权利要求2所述的机器学习系统来确定机器参数设置的基于计算机的方法，包括以下步骤：将一个或多个参考剂量分布输入到所述机器学习系统中，由所述机器学习系统进行参数初始化，并且从所述机器学习系统输出用于放射疗法递送设备的机器参数设置集。
4.根据权利要求3所述的方法，其中，所述机器参数设置集包括mlc叶设置。
5.根据权利要求3或4所述的方法，其中，所述机器参数设置集包括mu设置。
6.根据权利要求3所述的方法，其中，所述机器参数设置集包括束点放置、束点权重和射束能量中的一个或多个。
7.一种基于计算机的放射疗法治疗规划优化方法，包括：在执行规划优化之前，执行根据权利要求3-6中任一项所述的确定机器参数设置的方法，并且在所述放射疗法治疗规划优化中使用所得的至少一个机器参数设置作为该机器参数的初始设置。
8.根据权利要求7所述的放射疗法治疗规划优化方法，其中，通过对优化问题进行优化来执行所述规划优化。
9.根据权利要求8所述的放射疗法治疗规划优化方法，其中，所述规划优化通过剂量模拟来执行。
10.一种包括计算机可读代码装置的计算机程序产品，所述计算机可读代码装置在计算机中运行时将使所述计算机执行根据权利要求1所述的方法或执行权利要求3-9中任一项所述的方法。
11.一种计算机程序产品，所述计算机程序产品包括非暂时性存储装置，在所述非暂时性存储装置上存储有计算机可读代码装置，所述计算机可读代码装置在计算机中运行时将使所述计算机执行根据权利要求1所述的方法或执行权利要求3-9中任一项所述的方法。
12.一种计算机系统，所述计算机系统包括处理器和程序存储器，所述程序存储器上存储有根据权利要求10所述的计算机程序产品。
