本教导一般涉及按照基于能量的处理计划来利用能量处理患者的规划靶标体积,并且更具体地涉及优化基于能量的处理计划。
背景技术:
1、使用能量来处理医学病况包括现有技术在已知领域中的努力。例如,辐射疗法包括用于减少或消除不需要的肿瘤的许多处理计划中的重要组成部分。不幸的是,所施加的能量本身并不区分不需要的物质和相邻的对于患者的持续生存是被期望的或甚至是关键的组织、器官或类似物。因此,一般情况下以仔细施用的方式施加诸如辐射的能量,以至少试图将能量限制至给定的靶标体积。所谓的辐射处理计划通常在前述方面起作用。
2、为给定患者划定所谓的临床靶标体积是辐射处理规划过程中的重要步骤。不幸的是,临床靶标体积通常涵盖比大体(gross)肿瘤体积本身更多的体积。相反,并且举例来说,超出大体肿瘤体积的亚临床区域可以是相关的考虑因素,并且区域淋巴结也可能被包括。在许多情况下,人们不能通过简单地用某种统一的措施扩大大体肿瘤体积来达到适当的临床靶标体积。
3、一般而言,为给定患者划定临床靶标体积需要知情的人工操作。后者既耗时又需要高水平的专业知识。另外,这类方法导致个体之间和处理中心之间的巨大差异。
技术实现思路
1、在一方面,本发明提供了一种用于生成可用于利用治疗性辐射照射特定患者的临床靶标体积的方法,如权利要求1所定义的。在另外的方面,本发明提供了便于利用治疗性辐射照射特定患者的装置,如权利要求11所定义的。从属权利要求中规定了可选特征。权利要求1的最后一个特征是可选的。
2、另一方面,本发明提供了一种便于利用治疗性辐射照射特定患者的方法,该方法包括:
3、提供关于特定患者的图像信息,该图像信息至少部分地包括待照射的肿瘤;
4、提供非图像临床信息;
5、由控制电路:
6、访问图像信息和非图像临床信息,并且依据图像信息和非图像临床信息两者自动地生成大于肿瘤的临床靶标体积;
7、可选地,生成辐射处理计划以照射临床靶标体积。
1.一种用于生成能够用于利用治疗性辐射照射特定患者的临床靶标体积的方法,所述方法包括:
2.根据权利要求1所述的方法,还包括:
3.根据权利要求1或2所述的方法,其中所述非图像临床信息包括关于肿瘤类型的信息。
4.根据权利要求1、2或3所述的方法,其中所述非图像临床信息包括关于所述特定患者中的肿瘤位置的信息。
5.根据权利要求1至4中任一项所述的方法,其中所述非图像临床信息包括关于肿瘤分级的信息。
6.根据权利要求1至5中任一项所述的方法,其中所述非图像临床信息包括逻辑组件和至少一个机器学习模型中的至少一项。
7.根据权利要求6所述的方法,其中所述非图像临床信息包括所述逻辑组件和所述至少一个机器学习模型两者。
8.根据权利要求7所述的方法,其中所述非图像临床信息包括所述逻辑组件和至少两个机器学习模型中的每项。
9.根据权利要求6、7或8所述的方法,其中所述至少一个机器学习模型预测肿瘤偏侧性。
10.根据权利要求6至9中任一项所述的方法,其中所述至少一个机器学习模型包括针对至少一个亚临床区域的分割模型。
11.一种便于利用治疗性辐射来照射特定患者的装置,所述装置包括:
12.根据权利要求11所述的装置,其中所述控制电路还被配置成:
13.根据权利要求11或12所述的装置,其中所述非图像临床信息包括关于肿瘤类型的信息。
14.根据权利要求11、12或13所述的装置,其中所述非图像临床信息包括关于所述特定患者中的肿瘤位置的信息。
15.根据权利要求11至14中任一项所述的装置,其中所述非图像临床信息包括关于肿瘤分级的信息。
16.根据权利要求11至15中任一项所述的装置,其中所述非图像临床信息包括逻辑组件和至少一个机器学习模型中的至少一项。
17.根据权利要求16所述的装置,其中所述非图像临床信息包括所述逻辑组件和所述至少一个机器学习模型两者。
18.根据权利要求17所述的装置,其中所述非图像临床信息包括所述逻辑组件和至少两个机器学习模型中的每项。
19.根据权利要求16、17或18所述的装置,其中所述至少一个机器学习模型预测肿瘤偏侧性。
20.根据权利要求16至19中任一项所述的装置,其中所述至少一个机器学习模型包括针对至少一个亚临床区域的分割模型。