技术领域
[0001] 本
发明涉及医疗技术领域,具体涉及一种用于正交双层光栅装置的静态调强(step-shoot)子野优化方法。
背景技术
[0002]
放射治疗作为
肿瘤的一种局部治疗手段,一直在不断寻求解决的一个基本问题是,如何较好地处理肿瘤组织和周围正常组织的剂量关系,使肿瘤得到最大限度的局部控制而周围正常组织和器官的放射损伤最小。临床经验证明,肿瘤的局部控制与正常组织的放射损伤有一定的关系。多数情况下,肿瘤控制率与正常组织损伤成正比例,即提高肿瘤的局部控制率必然造成对正常组织的更多的损伤。临床经验也证明,通过改进照射技术、选择合理的时间剂量因子,在保持同等
水平的肿瘤控制率的情况下,可减低正常组织的放射损伤。
[0003] 光栅是现代放疗设备所必不可少的一种
准直设备,通过光栅
叶片的运动,可以对靶区有着非常好的适形效果;一般情况下,多叶
准直器的叶片越薄,数量越多,多叶准直器的适形度越好,但是对于常规的
单层光栅,由于叶片只能在一个方向上运动,其叶片厚度方向的适形能
力有限,对于平行的双层光栅,虽然其叶片厚度方向相比于单层光栅的适形能力有所提高,但还是受限于叶片厚度的影响,并不能运动或者形成任意
位置的照射单元。
[0004] 下面以单层光栅的step-shoot具体步骤为例,分析其中的不足之处。
[0005] 子野矩阵形成时,注意到子野sk是由多对叶片(MLC)开口构成的,这里定义强度图内共有m对叶片,每对叶片的左叶片和右叶片的位置分别为l,r,那么叶片间隔I为:
[0006] I={x∈[n]:,≤x≤r} (3)
[0007] 子野可表示为:
[0008]
[0009] 对每对叶片而言,取叶片间隔最大的一段作为开口,即叶片间隔I长度最大。如(1,1,1,0,1,0),单层光栅第一次将取(1,1,1,0,0,0)作为其开口形状,分两次分割。这种情况下,平行单层光栅也需要分两次分割,但正交双层光栅可以一次分割完成。尤其是内含多个孤立区域的强度矩阵,正交双层光栅往往可以一次分割完成,极大地提高了照射效率(如图图2和图3所述)。
[0010] 在叶片不可交叠的情况下,叶片对之间也存在着约束,称为叶片不交叠约束(interleaf collision constraint-ICC),对于单层光栅(平行单层光栅)而言,为满足叶片不交叠约束,上述情况只能分两次分割完成,而正交双层光栅却可以用一次分割完成。因此,多段式强度分布图和叶片不可交叠约束都限制了单层光栅的照射效率。
[0011] 综上,无论是单层光栅,还是平行双层光栅,都会面临下面的问题:
[0012] (1)叶片厚度方向的适形度不够;
[0013] (2)一个复杂的射野,需要多个子野才能够形成,照射效率低。同时,正交双层光栅在适形度和照射效率上均有优势,双层光栅结构可有效减少光栅漏射,更好地保护危及器官。
[0014] 此外,传统静态分割多采用“两步法”的分割方式,即先优化射野强度分布,再进行子野分割,在此模式下优化后的强度的往往因为叶片物理限制,无法得到和优化强度图一致的分割强度图,使得计划效果有所损失。
发明内容
[0015] 为了解决上述技术问题,本发明提出了一种用于正交双层光栅装置的静态调强(step-shoot)子野优化方法,该方法在遗传
算法和共轭梯度算法的
基础上提出,能够有效的解决单层光栅及平行双层光栅的问题,即:1)叶片厚度方向的适形度不够;2)一个复杂的射野,需要多个子野才能够形成,照射效率低。应用本发明提出的方法能够明显的提升适形度和治疗效率,对于临床有着极其重要的意义。
[0016] 为了达到上述目的,本发明的技术方案如下:
[0017] 用于正交双层光栅装置的静态调强子野优化方法,具体包括以下步骤:
[0018] S1:确定射野个数和方向,输入需要的总子野个数;
[0019] S2:设置约束条件,采用共轭梯度法优化射野强度分布;
[0020] S3:设置计划总子野个数,并根据每个射野的调制能力确定其对应的子野个数;
[0021] S4:对步骤S2得到的优化射野强度分布做子野分割,每个射野保留
指定数目的初始子野,得到初始子野的形状和权重;
[0022] S5:利用
遗传算法优化步骤S4得到的初始子野的形状;
[0023] S6:利用共轭梯度法优化步骤S4得到的初始子野的权重;
[0024] S7:重复步骤S5-S6,直至
迭代次数达到指定值或目标函数值小于
阈值;
[0025] S8:利用蒙特卡洛剂量算法计算最终剂量分布;
[0026] S9:输出IMRT的优化结果。
[0027] 本发明采用的“一步法”分割思想,在优化过程中同时考虑三个方面的问题:(1)每个射野上的子野个数,(2)子野的形状,(3)子野的权重。采用遗传算法优化子野形状,可有效避免局部最优解的影响,采用共轭梯度算法优化子野权重,加快收敛的速度。
[0028] 在上述技术方案的基础上,还可做如下改进:
[0029] 作为优选的方案,在步骤S2中,采用二次型物理目标函数,其形式如下:
[0030] Fobj(xk)=α·FOAR(xk)+β·FPTV(xk)
[0031]
[0032]
[0033]
[0034] 其中,FOAR(xk)为与所有OAR有关的目标函数项;
[0035] FPTV(k)为与所有靶区有关的目标函数项;
[0036] NOAR为OAR的个数;
[0038] NTPTV为靶区中的采样点数;
[0039] 当器官中的点剂量违反约束时δj=1,否则δj=0;
[0040] ωj为第j个点的权重;
[0041] dj为第j个点的计算剂量;
[0043] α,β为控制靶区和OAR的重要性的归一化因子;
[0044] Nray为射束的总个数;
[0045] ajm为单位强度的第m个射束对第j个点的剂量贡献,整个ajm构成的矩阵称为沉积矩阵;
[0046] 为第m个射束的强度;
[0047] 采用蒙特卡洛剂量算法计算沉积矩阵后,再利用共轭梯度法求解目标函数最小值,得到优化强度矩阵。
[0048] 作为优选的方案,步骤S3中,根据每个射野的调制能力确定其对应的子野个数的具体步骤如下:
[0049] S3.1:用强度分布复杂性因子来描述射野强度分布的复杂性,公式如下:
[0050]
[0051] 其中,SNi是第i个射野的强度分布在子野分割后的子野总数;
[0052] Nbeam为总的射野数;
[0053] MUim是第i个射野第m个子野对应的MU;
[0054] MUUi是第i个射野的强度分布的最大值;
[0055] S3.2:根据计划的总子野个数和每个射野的ICF因子,计算每个射野的子野数SRNi:
[0056]
[0057] 其中,NStotal为治疗计划所需要的总子野个数。
[0058] 作为优选的方案,S4的步骤具体为:
[0059] S4.1:强度矩阵重新采样,对步骤S2得到的优化强度矩阵P[p×q]进行重新采样得到矩阵D[M×N],M设为256,N设为256,矩阵在垂直方向和水平方向的采样间隔设为0.25cm;
[0060] S4.2:矩阵强度等级划分,将步骤S4.1中重新采样后的矩阵,按照强度等间隔划分为阶梯形强度等级;
[0061] S4.3:开始子野分割,选择当前最大强度的三分之一作为分割强度值,在此分割强度值下选出本次分割的分割矩阵;
[0062] S4.4:四周叶片适形,计算出当前分割矩阵的轮廓,用上下左右叶片适形轮廓外围,不需要适形的叶片,闭合在远端,计算实际分割矩阵;
[0063] 计算此时的分割矩阵与期望分割矩阵的差异,期望分割矩阵为步骤S2得到的优化强度矩阵;若实际分割矩阵大于期望分割矩阵,则调整叶片位置,让其小于等于期望分割矩阵;
[0064] S4.5:从总分割矩阵中减去步骤S4.4得到的实际分割矩阵,得到新的分割矩阵,重复步骤S4.3-S4.5,直至新的分割矩阵为0;
[0065] S4.6:计算实际叶片形成的子野面积,按照子野面积筛选子野,若小于阈值,则不保留该子野;若大于阈值,保留该子野,射野子野数加1;
[0066] S4.7:判断子野数是否达到要求,若不满足,调整步骤S4.2中强度等级,重复步骤S4.3-S4.6,直至子野数达到指定值。
[0067] 作为优选的方案,步骤S5为:首先对初始子野进行二进制编码,然后对子野的形状进行交叉、变异,当最优个体的适应度达到给定的阈值,或者最优个体的适应度和群体适应度不再上升时,完成形状优化。
[0068] 作为优选的方案,步骤S5具体包括以下步骤:
[0069] S5.1:在射野范围内,对初始子野进行二维二进制编码,叶片遮挡部分值为0,叶片打开部分值为1;
[0070] S5.2:初始种群包含NP个个体,每个个体代表一个计划下的NStotal个子野,每个个体对应一个与目标函数有关的适应度值,适应度计算公式如下:
[0071] Fitness(s)=Fmax-Fobj(s)
[0072]
[0073] 其中,Fmax为目标函数最大值,可根据第一代种群中所有个体对应的目标函数最大值确定,保证所有适应度值均为正数即可;
[0074] S5.3:交叉,随机选择两个父代个体,在对应的子野上依照交叉概率进行交叉操作;
[0075] S5.4:变异,按照变异概率对子野进行变异操作,即随机选
中子野的一个叶片,再随机决定该叶片是打开或闭合;
[0076] S5.5:重复步骤S5.3-S5.4,如果得到的子野违反光栅物理限制,当次操作将被终止,重新选择个体进行交叉、变异操作;当最优个体的适应度达到给定的阈值,或者最优个体的适应度和群体适应度不再上升时,跳出循环。
附图说明
[0077] 图1为正交双层光栅解决多连通区域子野分割的实例图一;
[0078] 图2为正交双层光栅解决多连通区域子野分割的实例图二;
[0079] 图3为本发明
实施例提供的用于正交双层光栅装置的静态调强子野优化方法的整体
流程图;
[0080] 图4为本发明实施例提供的用于正交双层光栅装置的静态调强子野优化方法的步骤S4的流程图;
[0081] 图5为本发明实施例提供的子野二维二进制编码示意图;
[0082] 图6为本发明实施例提供的遗传算法交叉操作示意图;
[0083] 图7为本发明实施例提供的遗传算法变异操作示意图。
具体实施方式
[0084] 下面结合附图详细说明本发明的优选实施方式。
[0085] 为了达到本发明的目的,提出一种用于正交双层光栅装置的静态调强子野优化方法,该方法是基于一种用于放疗设备的正交双层光栅装置来实现的,该装置安装于放疗设备的
加速器机头下,包括:
[0086] 上层光栅叶片和下层光栅叶片,上层光栅叶片和下层光栅叶片所在平面互相平行,且垂直于加速器机头发出的射线方向,上层光栅叶片和下层光栅叶片的运动方向为正交;
[0087] 上层光栅叶片包括左边叶片和右边叶片,用于向靶区左右两侧搜索移动;
[0088] 下层光栅叶片包括上边叶片和下边叶片,用于向靶区上下两侧搜索移动;
[0089]
控制器,用于驱动左边叶片和右边叶片、上边叶片和下边叶片中的每片子叶片单独运动,以达到和靶区适形的目的。
[0090] 该正交双层光栅装置相对于传统单层光栅,及双层平行光栅来说,适形度更高,两个方向均能够达到小于1mm的走位
精度。
[0091] 下面就对本发明进行详细的描述,在一种用于正交双层光栅装置的静态调强子野优化方法的其中一些实施例中,
[0092] 如图3所示,用于正交双层光栅装置的静态调强子野优化方法,具体包括以下步骤:
[0093] S1:确定射野个数和方向,输入需要的总子野个数;
[0094] S2:设置约束条件,采用共轭梯度法优化射野强度分布;
[0095] S3:设置计划总子野个数,并根据每个射野的调制能力确定其对应的子野个数;
[0096] S4:对步骤S2得到的优化射野强度分布做子野分割,每个射野保留指定数目的初始子野,得到初始子野的形状和权重;
[0097] S5:利用遗传算法优化步骤S4得到的初始子野的形状;
[0098] S6:利用共轭梯度法优化步骤S4得到的初始子野的权重;
[0099] S7:重复步骤S5-S6,直至迭代次数达到指定值或目标函数值小于阈值;
[0100] S8:利用蒙特卡洛剂量算法计算最终剂量分布;
[0101] S9:输出IMRT的优化结果。
[0102] 本发明采用的“一步法”分割思想,在优化过程中同时考虑三个方面的问题:(1)每个射野上的子野个数,(2)子野的形状,(3)子野的权重。采用遗传算法优化子野形状,可有效避免局部最优解的影响,采用共轭梯度算法优化子野权重,加快收敛的速度。
[0103] 为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,在步骤S2中,采用二次型物理目标函数,其形式如下:
[0104] Fobj(xk)=α·FOAR(xk)+β·FPTV(xk)
[0105]
[0106]
[0107]
[0108] 其中,FOAR(xk)为与所有OAR有关的目标函数项;
[0109] FPTV(xk)为与所有靶区有关的目标函数项;
[0110] NOAR为OAR的个数;
[0111] NTi为第i个OAR中的采样点数;
[0112] NTPTV为靶区中的采样点数;
[0113] 当器官中的点剂量违反约束时δj=1,否则δj=0;
[0114] ωj为第j个点的权重;
[0115] dj为第j个点的计算剂量;
[0116] pj为第j个点的处方剂量;
[0117] α,β为控制靶区和OAR的重要性的归一化因子;
[0118] Nray为射束(ray,又称笔形束,pencil beam)的总个数;
[0119] ajm为单位强度的第m个射束对第j个点的剂量贡献,整个ajm构成的矩阵称为沉积矩阵(或
能量特征矩阵);
[0120] 为第m个射束的强度;
[0121] 采用蒙特卡洛剂量算法计算沉积矩阵后,再利用共轭梯度法求解目标函数最小值,得到优化强度矩阵。
[0122] 进一步,步骤S3中,根据每个射野的调制能力确定其对应的子野个数的具体步骤如下:
[0123] S3.1:用强度分布复杂性因子(ICF:Intensity Complexity Factor)来描述射野强度分布的复杂性,公式如下:
[0124]
[0125] 其中,SNi是第i个射野的强度分布在子野分割后的子野总数;
[0126] Nbeam为总的射野数;
[0127] MUim是第i个射野第m个子野对应的MU;
[0128] MUUi是第i个射野的强度分布的最大值;
[0129] S3.2:根据计划的总子野个数和每个射野的ICF因子,计算每个射野的子野数SRNi:
[0130]
[0131] 其中,NStotal为治疗计划所需要的总子野个数。
[0132] 利用射野复杂度因子,对复杂度高的射野分配更多的子野数,复杂度低的射野分配少一点的子野。
[0133] 如图4所示,进一步,S4的步骤具体为:
[0134] S4.1:强度矩阵重新采样,对步骤S2得到的优化强度矩阵P[p×q]进行重新采样得到矩阵D[M×N],M设为256,N设为256,矩阵在垂直方向和水平方向的采样间隔设为0.25cm;
[0135] S4.2:矩阵强度等级划分,将步骤S4.1中重新采样后的矩阵,按照强度等间隔划分为阶梯形强度等级;
[0136] 分割后的矩阵与原矩阵的误差就越小,但同时子野数增加;强度级从2开始逐步增大,直到分割出的子野数大于等于射野所需子野数,选择前SRNi个子野作为初始子野;
[0137] 具体分割方法见步骤S4.3-S4.5;
[0138] S4.3:开始子野分割,选择当前最大强度的三分之一作为分割强度值,在此分割强度值下选出本次分割的分割矩阵;
[0139] S4.4:四周叶片适形,计算出当前分割矩阵的轮廓,用上下左右叶片适形轮廓外围,不需要适形的叶片,闭合在远端,计算实际分割矩阵;
[0140] 计算此时的分割矩阵与期望分割矩阵的差异,期望分割矩阵为步骤S2得到的优化强度矩阵;若实际分割矩阵大于期望分割矩阵,则调整叶片位置,遮挡实际分割矩阵大于期望分割矩阵位置处的
像素点,即漏射点,让其小于等于期望分割矩阵;
[0141] S4.5:从总分割矩阵中减去步骤S4.4得到的实际分割矩阵,得到新的分割矩阵,重复步骤S4.3-S4.5,直至新的分割矩阵为0;
[0142] S4.6:计算实际叶片形成的子野面积,按照子野面积筛选子野,若小于阈值,则不保留该子野;若大于阈值,保留该子野,射野子野数加1;
[0143] S4.7:判断子野数是否达到要求,若不满足,调整步骤S4.2中强度等级,重复步骤S4.3-S4.6,直至子野数大于等于SRNi。
[0144] 进一步,步骤S5为:首先对初始子野进行二进制编码,然后对子野的形状进行交叉、变异,当最优个体的适应度达到给定的阈值,或者最优个体的适应度和群体适应度不再上升时,完成形状优化。
[0145] 进一步,步骤S5具体包括以下步骤:
[0146] S5.1:在射野范围内,对初始子野进行二维二进制编码,叶片遮挡部分值为0,叶片打开部分值为1,如图5所示,;
[0147] S5.2:初始种群包含NP个个体,每个个体代表一个计划下的NStotal个子野,每个个体对应一个与目标函数有关的适应度值,适应度计算公式如下:
[0148] Fitness(s)=Fmax-Fobj(s)
[0149]
[0150] 其中,Fmax为目标函数最大值,可根据第一代种群中所有个体对应的目标函数最大值确定,保证所有适应度值均为正数即可;
[0151] S5.3:交叉,随机选择两个父代个体,在对应的子野上依照交叉概率进行交叉操作,如图6所示,;
[0152] S5.4:变异,按照变异概率对子野进行变异操作,即随机选中子野的一个叶片,再随机决定该叶片是打开或闭合,如图7所示;
[0153] S5.5:重复步骤S5.3-S5.4,如果得到的子野违反光栅物理限制,当次操作将被终止,重新选择个体进行交叉、变异操作;当最优个体的适应度达到给定的阈值,或者最优个体的适应度和群体适应度不再上升时,跳出循环。
[0154] 步骤S6为用CG算法优化子野的权重,在每次子野形状优化后,用CG算法对子野权重进行优化,此时ajm代表的是单位权重的第m个子野对第j个点的剂量贡献。
[0155] 为了更好的理解本发明,下面针对
前列腺癌病例(单次200cGy,照射40次),具体描述其实施过程:
[0156] Si:确定7野均匀照射,
角度依次为0,52,103,154,205,256,308,设置总子野个数35。
[0157] S2:设置约束条件,见表1。采用蒙卡剂量算法计算单位强度的第m个射束对器官每个点的剂量贡献,然后用共轭梯度法求解目标函数最小值,得到优化强度图(即,优化强度矩阵)。
[0158] 表1器官约束列表
[0159]
[0160] S3:根据设置的总子野个数和单个射野复杂性因子,计算每个射野需保留的子野个数。
[0161] S4:根据优化强度图求解所有射野的初始子野。首先,将优化强度矩阵离散化,垂直方向和水平方向的采样间隔设为0.25cm;然后对强度矩阵按等级划分,强度级从2开始逐步增大,直到分割出的子野数大于等于射野所需子野数,分割方法见图4,其中子野面积阈值设置为开野面积的1%。
[0162] S5:用遗传算法优化子野形状,首先对子野进行二进制编码(见图5),然后对子野形状进行交叉、变异,当最优个体的适应度达到给定的阈值,或者最优个体的适应度和群体适应度不再上升时,完成形状优化。
[0163] S6:在每次子野形状优化后,用CG算法对子野权重进行优化。
[0164] S7:重复步骤S5-S6,直到迭代次数达到指定值或目标函数值小于阈值。
[0165] S8:用蒙特卡洛剂量算法计算最终剂量分布,保证剂量的准确性。
[0166] S9:输出IMRT优化结果。
[0167] 综上述,因单层光栅及平行双层光栅在子野分割时存在两个问题:叶片厚度方向的适形度不够;一个复杂的射野,需要多个子野才能够形成,照射效率低,而正交双层光栅能够有效地解决这两个问题,为此本发明提供了一种基于遗传算法和共轭梯度算法的双层正交光栅装置用静态调强子野优化方法。
[0168] 该方法的核心是先对优化矩阵进行初始双层光栅分割(包括重新采样、划分强度等级后,四周叶片适形至强度矩阵边缘,用四周叶片遮挡漏射点),然后将遗传算法用于双层光栅叶片形状的调整,将共轭梯度算法用于子野权重的调整。
[0169] 应用本发明,能够明显的提升适形度和治疗效率,即单层光栅或平行双层光栅需要多个子野完成的形状,正交双层光栅仅需要一个子野。且本发明采用的射野强度优化和子野形状调整的一步法子野分割方式,可减小传统两步法分割造成的计划效果下降的
缺陷,对于临床有着极其重要的意义。
[0170] 对于本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干
变形和改进,这些都属于本发明的保护范围。