用于监测医用辐射设备的剂量测量的制作方法

本公开涉及用于监测医用辐射设备的剂量输出的方法、用于训练用于监测医用辐射设备的剂量输出的机器学习算法的设备、用于监测医用辐射设备的设备和待由有机器学习算法的方法监测的医用辐射设备。

背景技术：

1、医用线性加速器产生用于治疗肿瘤疾病的高能光子辐射。这些设备各不相同。也就是说，不同设备的辐射特性因设备而异。为了表征和配置用于医疗的适当光束，必须分析设备的辐射特性。

2、辐射特性能通过剂量测量进行分析。剂量测量通常在水箱中进行，根据发射的粒子(如光子、电子、正电子)与其他物质碰撞时能量的释放来识别所发射的粒子。这样的剂量测量本身是有噪声的。测量值也能在固体中用单点检测器或检测器阵列获取。

3、再者，剂量测量通常会受到误差的干扰。测量误差可能会引发故障，例如由于所使用的检测器不理想。此外，在测量过程中会出现配置误差和操作误差。再者，辐射设备往往调谐不完美。因此，在实践中，剂量测量会具有共同的和个别的误差。

4、尽管剂量数据的测量的指南为数众多，但确保其质量的方法却很少。特别是合理性检查或标准统计分析本身往往受到误差的影响而不够准确。

5、测量数据通常构成算法的输入，或用于配置算法，该算法计算施加给患者的剂量，例如用于癌症治疗。由此，测量数据通常构成用于计算为了治疗癌症而施加给患者的剂量的算法的输入。测量错误会导致这些算法的错误配置。

6、用于患者治疗的剂量计算不准确是线性加速器疗法的问题。此领域中的改进是合乎需要的。

技术实现思路

1、本公开的目的是改进医用辐射疗法。

2、此目的通过公开的实施例来实现，其特别通过独立权利要求的主题来限定。从属权利要求对应更多实施例而提供。在下面的
技术实现要素：
和描述中也公开了提供附加特征和优点的各个方面和这些方面的实施例。

3、本公开的第一方面涉及一种用于监测医用辐射设备的剂量输出的计算机实现的方法，

4、包括步骤：

5、-获得来自参考设备的训练剂量数据；

6、-用所述训练剂量数据训练机器学习算法mla，以教导所述mla基于来自所述参考设备的与所述训练剂量数据不同的剂量数据识别所述参考设备；-获得来自待监测医用辐射设备的操作剂量数据；

7、-提供所述操作剂量数据给所述经训练的mla；

8、-基于mla提供与所述参考设备和所述医用辐射设备之间差异相关的输出信息。

9、通常，医用辐射设备的剂量数据来源于一个复杂的量子力学过程，通过此过程，高能粒子穿过物质并以随机方式耗散能量。剂量数据包括随机性和/或概率。

10、剂量数据能以输出因子(output factor，of)提供，of提供了归一化至校准剂量的医用辐射设备的剂量。of也能称为“相对剂量”或“相对剂量因子”。对于给定源表距(source-to-surface distance)的给定(光子)束，医用辐射设备中在某深度的剂量输出通常取决于野(field)的大小。of能定义为水箱中任何野大小(例如，长度×宽度，单位为cm^2)的剂量与同一源表距和同一深度的参考野的剂量的比值。参考野可以是方形野，例如，源表距为100cm，大小为10×10cm^2的野。of能视为加速器的内在特性，且能被定期测量，以确保加速器正确操作，以便治疗患者。有其他定义的输出因子或输出数量也能被使用。

11、剂量数据也能以深度-剂量曲线(depth-dose-curve，ddc)来提供。ddc提供了沿束方向的医用辐射设备的剂量分布。对于给定源表距的给定(光子)束，ddc是通过沿着水体模表面和由体模尺寸确定的最大深度之间的光束进行剂量扫描而获得的。ddc也取决于野大小，就像of一样，能视为加速器的内在特性，且能被定期测量，以确保加速器正确操作，以便治疗患者。有其他定义的深度剂量曲线和/或数量也能被使用。

12、剂量数据也能以剂量剖面分布(cross profiles，cp)来提供。cp提供垂直于束的方向的医用辐射设备的剂量分布。对于给定源表距的给定(光子)束，cp是通过在各种不同深度(例如5cm、10cm和20cm)扫描垂直于束的剂量而获得的。cp也取决于野大小，就像ddc和of一样，能视为加速器的内在特性，且能被定期测量，以确保加速器正确操作，以便治疗患者。有其他定义的剖面分布或数量也能被使用。

13、医用辐射设备的辐射束通常通过众多的of、ddc和cp来表征。这些数据提供信息以正确调谐光束和配置剂量计算算法以表示特定医用辐射设备。

14、附加地或可替代地，剂量数据能以比如戈瑞(gy)等绝对单位来提供。戈瑞(gy)是吸收剂量的单位，其量化了由比如患者身体组织等特定材料吸收的辐射能量的量。它是每单位质量材料实际沉积能量的量度。

15、训练剂量数据能被获得，以拥有关于不受故障影响的医用辐射设备的辐射过程的信息。因此，训练剂量数据表示一个与待监测医用设备的剂量数据进行比较的基准真值。附加地或可替代地，训练剂量数据能仅排除预定义故障，比如测量放大器的故障。这样的训练剂量数据能提供相对于预定义故障的基准真值。来自参考设备的训练剂量数据可以包括该设备本身或还包括对于分析重要的其他设备。这样的设备可以是一个或多个测量设备。

16、可以针对不同野大小(例如，从1cm×1cm的大小到50cm×50cm的野大小)来获得训练剂量数据。附加地或可替代地，可以针对不同强度和/或深度(例如在水箱中)来获得训练剂量数据。

17、为了捕捉医用辐射设备的辐射过程的各方面，用训练剂量数据训练机器学习算法。然后，将学习过程的输出与待监测医用辐射设备的输出进行比较。或者，换言之，机器学习算法检查是否医用辐射设备的输出也可能来自被学习的无瑕疵的参考设备。

18、待监测医用辐射设备的输出被称为“操作剂量数据”。操作剂量数据能通过在实际使用和/或测试使用期间测量医用辐射设备的输出而获得。比如可以获取在不同强度、不同野大小、不同硬件组件(例如不同的放大器)、不同准直器大小等各种参数下的操作剂量数据。特别是，操作数据可以连同经认证的硬件使用，以排除某些硬件故障，比如附连于医用剂量测定装备的束控电路和/或放大器的故障。

19、在后续步骤中，将所获得的操作剂量数据提供给经训练的机器学习算法。经训练的机器学习算法将操作剂量数据与基准真值或与用于训练机器学习算法的相对基准真值信息进行比较。该比较例如能产生表示待监测医用辐射设备包括故障的概率的值。下文将对此进行详细解释。

20、根据第一方面的方法，能有效识别有瑕疵的或至少有不必要噪声的剂量数据和/或有瑕疵的或有不必要噪声的医用辐射设备。

21、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，训练剂量数据包括来自一个或多个真实医用辐射设备的测量剂量数据。

22、获得来自一个或多个参考设备的训练剂量数据可以包括获得来自制造商的训练剂量数据。附加地或可替代地，训练剂量数据可以来自一个或多个单独的参考设备。特别是，参考设备已经过检查和测试，以在没有任何故障的情况下和/或在所需环境条件下工作，因而提供无瑕疵的剂量数据。这样的剂量数据排除了机器故障、机器操作者的人为故障和/或测量检测器及装备的故障。无误差训练剂量数据尤其可以用于无监督学习。

23、附加地或可替代地，训练剂量数据也可以由同一类型的多个设备获得。这能使训练剂量数据对于来自同一类型医用辐射设备组之内的变化具有更强的鲁棒性。附加地或可替代地，训练剂量数据也能从不同类型的多个设备获取。这能使训练剂量数据对于不同类型医用辐射设备之间的变化具有更强的鲁棒性。附加地或可替代地，训练剂量数据也能针对不同配置而获得。这能使训练对于有关于配置(例如辐射强度、辐射野大小、附连的硬件组件)或医用辐射设备的剂量测量装备的设置的变化具有更强的鲁棒性。

24、训练剂量数据也可以包括来自一个或多个有故障的设备的数据。附加地或可替代地，训练剂量数据也可以包括一个或多个预定义的操作误差。附加地或可替代地，训练剂量数据也可以包括一个或多个预定义的检测器和/或测量装备误差。用有缺陷的训练剂量数据训练机器算法能以监督学习的形式完成。从而，有缺陷的训练剂量数据能标记为有瑕疵，特别是包括预定义误差。附加地或可替代地，也可以提供直接反馈，使得机器学习知道输入是无误差和/或有瑕疵的。

25、训练数据也可以包括用各种类型的检测器和/或其他测量装备获取的数据。附加地或可替代地，训练剂量数据能在不同的测量体中获取。附加地或可替代地，训练剂量数据能用检测器、装备和/或测量体的不同组合获取。用可变获取的剂量数据训练机器学习算法能以监督学习的形式完成。从而，训练剂量数据能用检测器、装备或测量体的类型来标记。附加地或可替代地，也可以提供直接反馈，使得机器学习算法知道输入受到检测器、装备或测量体的类型的特定特质的影响。

26、机器学习算法的训练能包括监督学习、无监督学习和/或强化学习。

27、基于来自一个或多个真实设备的训练剂量数据，医用辐射设备的辐射过程能用足够的精确度来学习，以便识别来自剂量测量装备的误差和/或在剂量数据中隐藏的操作误差。

28、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，训练剂量数据包括来自一个或多个虚拟参考设备的模拟剂量数据。

29、模拟训练剂量数据能来自一个医用辐射设备的模型或来自一组医用辐射设备的模型，例如，模型能与预定义类型的医用辐射设备相关。无误差的模拟训练剂量数据尤其可以用于机器学习算法的无监督学习。

30、附加地或可替代地，训练剂量数据能被人为破坏，特别是用已知故障的模式。例如，有缺陷的测量放大器提供随深度而减小的输出。在此情况下，无误差和有缺陷的训练数据能这样标记。作为另一个示例，检测器类型可以示出灵敏度，其取决于测量深度或实测辐射的品质。这也能被模拟。

31、基于来自一个或多个虚拟设备(即模型)的训练剂量数据，能专注于某些参数和/或识别某些故障而学习医用辐射设备的辐射过程。

32、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，包括步骤：

33、-将一个或多个真实设备(特别是所述待监测设备)的数据提供给所述虚拟参考设备，特别是配置数据和/或输入数据。

34、来自真实设备的信息可以与野大小、能量强度、周围温度、湿度等相关。用来自真实设备的信息配置医用辐射设备的模型能提高模型的精确度。

35、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，操作剂量数据是针对一个或多个医用辐射设备的一个或多个不同配置而获得的。

36、从而，能相对于不同配置来识别故障。例如，由于辐射野相对于检测器面积太小(没有理想点测量)而导致的故障，基于小辐射野配置，和/或基于小辐射野配置的医用辐射设备与大辐射野配置的同一医用辐射设备之间的比较，有可能更好地被识别。

37、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，包括步骤：

38、-适配所述待监测医用辐射设备的配置；

39、-由所述被监测的医用辐射设备测量操作剂量数据；和-将生成的所述操作数据提供给所述经训练的mla。

40、例如，如果来自待监测的医用辐射设备的某些操作剂量数据由机器学习算法识别出是有缺陷的，则能改变配置(例如硬件配置)，并将操作剂量数据的第二实例提供给机器学习算法，以检查该剂量数据是否仍然以相同方式评估为有缺陷的。如果仍然有缺陷，则该缺陷不是由所改变的参数导致的。这样，待监测的医用辐射设备能进行适配，直到机器学习算法认为它无误差为止。

41、在另一个示例中，如果操作剂量数据被识别是无误差的，则能对提供操作剂量数据的医用辐射设备的配置做出修改，以检查该医用辐射设备是否仍然被认为为无误差的。由此，医用辐射设备的替代配置的无瑕疵能被分析。

42、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，将操作剂量数据提供给所述mla，直至达到操作剂量数据的预定义数量阈值和/或所述输出信息的预定义精确度阈值为止。

43、基于阈值，机器学习算法能用很短的计算时间提供快速结果。基于此结果，能进行更详细的分析。此详细的分析能用不同的机器学习算法来进行。例如，能进行详细分析以确认预定义的故障，特别是基于经过训练以识别预定义故障的机器学习算法。

44、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，所述机器学习算法包括用所述训练剂量数据训练的多个不同的机器学习算法，并且所述操作剂量数据被提供给所述不同的机器学习算法。

45、为了高效确认多个故障假设，操作剂量数据能提供给经过训练以识别不同故障的多种机器学习算法。例如，第一神经网络能配置为识别放大器的故障，该放大器用于医用辐射设备。第二深度学习神经网络能配置为识别与相对于检测器大小所使用的野大小相关的故障。第三神经网络能配置为识别由人类操作员引起的预定义操作误差。

46、特别是，可以基于先前的基于阈值的分析来使用多个不同配置的机器学习算法，该先前的分析将所提供的操作剂量数据识别为有缺陷的。在另一个实施例中，医用辐射设备的操作剂量数据能直接提供给多个经过不同训练的机器学习算法，以检查针对不同故障的剂量数据，而无需进行先前的一般分析。操作剂量数据(或基于操作剂量数据的数据)能至少部分同时提供给不同的机器学习算法，以减少监测时间。

47、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，所述mla包括神经网络，特别是全连接神经网络和/或卷积神经网络。

48、根据第一方面，在机器学习算法之内使用的神经网络能是有多个隐藏层的神经网络，也称为深度神经网络。特别是，深度神经网络能通过无监督学习进行训练。从而，该网络能自行学习无误差和/或有缺陷的剂量数据的特征。

49、基于神经网络，特别是深度神经网络，监测医用辐射设备能以有效且稳健的方式进行。

50、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，所述mla包括分类器和/或回归器。

51、一旦分类器从训练数据中学习，就能用于对操作剂量数据进行分类。特别是，分类能在‘无误差’类型和‘有缺陷’类型的剂量数据/医用辐射设备之间进行。附加地或可替代地，能在有缺陷的剂量数据中关于缺陷的类型而进行分类。附加地或可替代地，分类器能用于与操作剂量数据的处理相关的决策。例如，如果剂量数据是有缺陷的，分类器能决定将操作剂量数据，或至少基于操作剂量数据的数据，提供给一个或多个附加的机器学习算法，特别是一个或多个机器学习算法，该算法基于所提供的数据和/或由某种类型的检测器引入的剂量误差进行微调以识别医用辐射设备的预定义缺陷和/或预定义操作误差。

52、附加地或可替代地，回归器能预测连续变量，比如基于经分析的操作剂量数据而识别的缺陷的概率或数量。结合预定义的阈值，回归器能用于决策过程，例如如上所述。在一个实施例中，回归器能预测被监测的医用辐射设备的维护时间。

53、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，其中，来自所述mla的响应包括与所述待监测医用设备的一个或多个预定故障类型相关的分类。

54、基于分类器，机器学习算法能提供关于所提供的操作剂量数据的分类陈述。例如，分类陈述可以是：操作剂量数据是否来自无误差设备，和/或是否包括操作误差。

55、第一方面的实施例涉及一种用于监测医用辐射设备剂量输出的方法，其中，所述输出信息包括以下至少一项：

56、-所述操作剂量数据是有缺陷的和/或无误差的概率；

57、-所述操作剂量数据是来自所述参考设备和/或来自所述待监测医用辐射设备的概率；和

58、-所述待监测医用辐射设备的维护时间。

59、操作剂量数据有缺陷的概率，包括：操作剂量数据包括预定义误差的概率，例如预定义的机器相关误差和/或预定义的操作相关误差。这样的分析能由回归器来提供，作为机器学习算法的一部分。

60、第一方面的实施例涉及一种用于监测医用辐射设备的剂量输出的方法，测量来自所述待监测医用设备的所述操作数据和将所述操作数据提供给所述mla至少部分地同时执行。

61、通过至少部分地同时执行测量过程和分析过程，在操作期间和/或在软实时甚至硬实时条件下，能对医用辐射设备进行监测。这允许在辐射程序中检测误差，因此能保护患者免受辐射疗法过程中发生的故障的影响。

62、本公开的第二方面涉及一种用于训练用于监测医用辐射设备的剂量输出的机器学习算法的计算机实现的方法，

63、被配置为：

64、-获得来自参考设备的训练剂量数据；

65、-用所述训练剂量数据训练机器学习算法(mla)，以教导所述mla基于来自所述参考设备的与所述训练剂量数据不同的剂量数据识别所述参考设备；和

66、-将所述经训练的mla提供给用于监测剂量输出的设备。

67、如果机器学习算法包括多个算法，例如多个深度神经网络，则能同时或分别关于各个所述机器学习算法进行训练。特别是，如果不同的机器学习算法与识别不同的故障相关，那么能分别对每个机器学习算法进行训练。训练方法能包括用于根据第一方面的方法提供经训练的机器学习算法所必需的所有特征。

68、本公开的第三方面涉及一种用于监测医用辐射设备的设备，被配置为：

69、-获得来自待监测医用辐射设备的操作剂量数据；

70、-将所述操作剂量数据提供给经训练的机器学习算法(mla)，被配置为基于所述操作剂量数据输出与参考设备和所述医用辐射设备之间差异相关的输出信息；和

71、-将所述输出信息提供给用户。

72、根据第三方面的设备可以包括关于第一方面所描述的一个或多个功能。特别是，机器学习算法可以包括多个机器学习算法，特别是深度神经网络，其中，单个机器学习算法被训练以总体上识别医用辐射设备的故障，和/或多个机器学习算法被训练以识别某些预定义的误差。

73、根据第三方面的设备尤其可以是软件实现的设备。附加地或可替代地，根据第三方面的设备可以包括一个应用程序用户界面(application user interface，api)，其被配置为获取信息和监测特定医用辐射设备。附加地或可替代地，该设备能被配置为评估医用辐射设备的api。从而，多个医用辐射设备能被监测。

74、本公开的第四方面涉及医用辐射设备，

75、被配置为：

76、-执行根据前述权利要求之一所述的方法；和

77、-与执行根据前述权利要求之一所述的方法的设备的应用程序用户界面和/或与根据前述权利要求之一所述的设备的应用程序用户界面进行交互。

78、此方面与前述方面相关，且实施例可包括前述特征中的一个或多个。