JP7576301B2 - 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置 - Google Patents

磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置 Download PDF

Info

Publication number
JP7576301B2
JP7576301B2 JP2020185160A JP2020185160A JP7576301B2 JP 7576301 B2 JP7576301 B2 JP 7576301B2 JP 2020185160 A JP2020185160 A JP 2020185160A JP 2020185160 A JP2020185160 A JP 2020185160A JP 7576301 B2 JP7576301 B2 JP 7576301B2
Authority
JP
Japan
Prior art keywords
magnetic field
dose distribution
image
distribution under
under
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020185160A
Other languages
English (en)
Other versions
JP2022074801A (ja
Inventor
倫之 角谷
智博 梶川
祥平 田中
卓 土橋
啓一 神宮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tohoku University NUC
Original Assignee
Tohoku University NUC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tohoku University NUC filed Critical Tohoku University NUC
Priority to JP2020185160A priority Critical patent/JP7576301B2/ja
Priority to PCT/JP2021/040559 priority patent/WO2022097676A1/ja
Priority to US18/034,203 priority patent/US12472379B2/en
Priority to EP21889229.7A priority patent/EP4241834A4/en
Publication of JP2022074801A publication Critical patent/JP2022074801A/ja
Application granted granted Critical
Publication of JP7576301B2 publication Critical patent/JP7576301B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [MRI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Radiation-Therapy Devices (AREA)

Description

本発明は、磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置に関する。
放射線治療の新たな治療装置として、磁場を用いるＭＲ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）装置と放射線治療装置（Ｌｉｎａｃ）が一体化されたＭＲ－Ｌｉｎａｃが普及し始めている（例えば非特許文献１参照）。
このようなＭＲ－Ｌｉｎａｃを用いた放射線治療では、例えば、まず治療前にＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置で撮影し、撮影されたＭＲ画像に基づいて治療計画を作成する。次にＭＲ－Ｌｉｎａｃ装置で治療当日にＭＲ画像を取得する。次に、治療当日に撮影されたＭＲ画像を用いて、予定されている治療プランでの照射位置等を計算し、治療計画の修正が必要であるか否かを医師らが確認する。そして、予定していた治療プランで治療を実施して良い場合は、治療プラン通りの放射線治療を実施する。予定していた治療プランで治療を実施できない場合は、治療当日に撮影されたＭＲ画像を用いて、被験者（患者）が治療台にいる状態で治療計画を作成し治して治療を行う。
非特許文献１に記載のように、このような磁場を用いるＭＲ装置と放射線治療装置が一体化された装置では、放射線に対する磁場の影響がある。例えば、ファントムから出た二次電子が磁場によって曲げられ，再度ファントム中に入ることで、この空気と水の境界面部分の線量が高くなるＥｌｅｃｔｒｏｎ Ｒｅｔｕｒｎ Ｅｆｆｅｃｔ（ＥＲＥ） 現象が発生する。また、磁場によって二次電子が曲げられるため、高線量域を含めて線量分布が偏る現象が生じる。このため、このような装置を用いた治療では、磁場が常に発生した状態で患者体内の放射線ビームの挙動を計算する必要がある。
また、放射線治療計画の作成において、機械学習アプローチおよびニューラルネットワーク構成要素の使用を通じて放射線療法治療計画を策定するためのシステムが提案されている（例えば特許文献１参照）。特許文献１に記載の技術では、１つまたは複数の三次元医用画像と、１つまたは複数の三次元解剖学的マップと、１つまたは複数の線量分布とを使用してニューラルネットワークがトレーニングされ、フルエンスマップまたは線量マップを予測する。特許文献１に記載の技術では、トレーニング中に、ニューラルネットワークは、予想線量分布と比較されるニューラルネットワークによって決定された予想線量分布を受け取る。特許文献１に記載の技術では、所定の閾値が達成されるまで比較が反復して行われる。特許文献１に記載の技術では、次いで、トレーニングされたニューラルネットワークを利用して三次元線量分布を提供する。
特表２０１９－５２６３８０号公報
角谷倫之、「MR-Linac融合装置の現状」、〈第110回日本医学物理学会学術大会特集〉シンポジウム2「診断と治療の融合技術」、医学物理 第３６巻 第４号、２０１６、ｐ２２９－２３５
しかしながら、従来の殆どの治療装置は磁場に対応していない。一部、磁場に対応した治療計画装置もあるが、磁場による曲げる力を線量分布に反映させるために、放射線を１本１本計算する必要があった。このため、従来技術では、正確な線量計算のために低速な計算アルゴリズムを使用する必要があり、線量計算に多くの時間を要し、被験者が治療台にいる状態が長くなるという課題があった。
本発明は、上記の問題点に鑑みてなされたものであって、従来より高速かつ正確な磁場下で線量計算を可能とする磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置を提供することを目的とする。
上記目的を達成するため、本発明の一態様に係る磁場影響を考慮した線量分布作成プログラムは、コンピュータに、被験者を磁場と電波または光子線によって撮影させた撮影画像と、非磁場下の線量分布と、磁場下の線量分布とを取得させ、前記非磁場下の線量分布と、前記磁場下の線量分布と、前記撮影画像に基づく情報と、を用いて学習された複数の層から成る学習モデルに、前記非磁場下の線量分布と、前記撮影画像に基づく情報とを入力させ、磁場下の線量分布を推定させる。
また、本発明の一態様に係る磁場影響を考慮した線量分布作成プログラムにおいて、前記撮影画像に基づく情報は、前記被験者のＣＴ画像、前記被験者のＭＲ画像、前記被験者のＣＴ画像から生成した電子密度マップ、および前記被験者のＭＲ画像から生成した電子密度マップのうちの１つであるようにしてもよい。
また、本発明の一態様に係る磁場影響を考慮した線量分布作成プログラムにおいて、前記線量分布は、放射線の照射方向に平行な分布または前記照射方向に垂直な複数の断層像からなり、事前学習および入力に供する前記非磁場下における線量分布は正規化された前記分布または複数の断層像であり、磁場下の線量分布は正規化されたのち、各画素値を磁場の影響を表す係数で補正して得られる複数の断層像であるようにしてもよい。
また、本発明の一態様に係る磁場影響を考慮した線量分布作成プログラムにおいて、前記学習モデルは、Ｄｅｎｓｅ Ｂｌｏｃｋを備える畳み込みニューラルネットワークであり、前記コンピュータは、前記複数の層から成る学習モデルの前記Ｄｅｎｓｅ Ｂｌｏｃｋの後の任意の層に、前記被験者を磁場と電波または光子線によって撮影された画像に基づく情報を入力させるようにしてもよい。
また、本発明の一態様に係る磁場影響を考慮した線量分布作成プログラムにおいて、前記学習モデルは、Ｓｋｉｐ Ｃｏｎｎｅｃｔｉｏｎを備える畳み込みニューラルネットワークであるようにしてもよい。
上記目的を達成するため、本発明の一態様に係る磁場影響を考慮した線量分布作成方法は、コンピュータが、被験者を磁場と電波または光子線によって撮影させた撮影画像と、非磁場下の線量分布と、磁場下の線量分布とを取得し、前記非磁場下の線量分布と、前記磁場下の線量分布と、前記撮影画像に基づく情報と、を用いて学習された複数の層から成る学習モデルに、前記非磁場下の線量分布と、前記撮影画像に基づく情報とを入力し、磁場下の線量分布を推定する。
上記目的を達成するため、本発明の一態様に係る線量分布作成装置は、被験者を磁場と電波または光子線によって撮影させた撮影画像と、非磁場下の線量分布と、磁場下の線量分布とを取得する取得部と、前記非磁場下の線量分布と、前記磁場下の線量分布と、前記撮影画像に基づく情報と、を用いて学習された複数の層から成る学習モデルに、前記非磁場下の線量分布と、前記撮影画像に基づく情報とを入力し、磁場下の線量分布を推定する磁場補正部と、を備える。
本発明によれば、従来より高速かつ正確な磁場下で線量計算を可能とする。
実施形態に係る磁場影響を考慮した線量分布作成処理の概要を示す図である。 実施形態に係る線量分布作成装置の構成例を示すブロック図である。 ＣＴ値電子密度変換テーブルを説明するための図である。 実施形態に係る磁場補正モデルの一例を示す図である。 実施形態に係る学習時の処理例を示す図である。 実施形態に係る学習モデルの学習の処理手順例を示すフローチャートである。 実施形態に係る磁場下の線量分布の推定処理手順例を示すフローチャートである。 学習曲線を示す図である。 線量誤差を示す図である。 線量分布の第１の例を示す図である。 図１０に対応するプロファイルの例を示す図である。 線量分布の第２の例を示す図である。 図１２に対応するプロファイルの例を示す図である。 測定箇所全てにおけるＧａｍｍａ ｐａｓｓｉｎｇ ｒａｔｅを示す図である。 皮膚（３ｍｍ）におけるＧａｍｍａ ｐａｓｓｉｎｇ ｒａｔｅを示す図である。 実施形態に係る他の学習モデルの例を示す図である。
以下、本発明の実施の形態について図面を参照しながら説明する。なお、以下の説明に用いる図面では、各部材を認識可能な大きさとするため、各部材の縮尺を適宜変更している。なお、以下の説明では、装置がＭＲ撮影装置、ＣＴ撮影装置、ＭＲ－Ｌｉｎａｃを備える場合を例に説明するが、本実施形態の手法は、他の装置やシステムにも適用可能である。
＜磁場影響を考慮した線量分布作成処理の概要＞
図１は、本実施形態に係る磁場影響を考慮した線量分布作成処理の概要を示す図である。図１のように、磁場影響を考慮した線量分布作成処理は、学習工程と線量分布作成工程を備える。
学習工程において、線量分布作成装置が備えるＭＲ撮影装置またはＣＴ撮影装置である撮影装置は、非磁化下または磁場下の画像（撮影画像）ｇ１１（被験者のＭＲ画像またはＣＴ画像）を撮影する。次に、線量分布作成装置は、撮影された撮影画像ｇ１１と、撮影画像から非磁場下の線量分布ｇ１２と磁場下の線量分布ｇ１３とを計算して取得する。次に、線量分布作成装置は、磁場下の線量分布ｇ１２と非磁場下の線量分布ｇ１３を三次元から二次元の情報に切り分ける（ｇ１５）。次に、線量分布作成装置は、二次元の非磁場下の線量分布と、二次元の磁場下の線量分布と、撮影画像ｇ１１から生成した電子密度マップ（ＥＤ ｍａｐ）情報ｇ１４または撮影画像ｇ１１を学習モデルｇ１６に入力して、教師付学習を行う。なお、以下の説明では、「撮影画像から生成した電子密度マップ（ＥＤ ｍａｐ）情報、または撮影画像」を「撮影画像に基づく情報」ともいう。なお、線量分布は、放射線の照射方向に並行な分布（平行な三次元分布、あるいは垂直な複数の二次元分布など）または垂直な複数の断層（２次元）像からなる。また、線量分布は、光子線を用いて線量計算した線量分布であってもよく、荷電粒子線を用いて線量計算した線量分布でもよく、他の線量分布であってもよい。また、事前学習および治療時に入力される非磁場下における線量分布、正規化された分布または複数の断層像であり、磁場下の線量分布は正規化されたのち、各画素値を磁場の影響を表す係数（例えば、磁場下の最大画素値／非磁場下の最大画素値）で補正して得られる複数の断層像である。なお、線量分布作成装置は、非磁場下の線量分布ｇ１２と磁場下の線量分布ｇ１３を三次元から二次元の情報に切り分けずに、三次元のまま学習モデルｇ１６に入力するようにしてもよい。また、線量分布作成装置は、教師データとなる磁場下の線量分布に一致するように学習モデルｇ１６をチューニングする。このように、本実施形態では、撮影された画像に基づく情報と、非磁場下の線量分布と、磁場下の線量分布とを用いて、学習モデルのトレーニングを行う。
線量分布作成工程において、線量分布作成装置が備えるＭＲ－Ｌｉｎａｃは、治療当日に非磁化下または磁場下の撮影画像を取得する。線量分布作成装置は、撮影画像から非磁場下の線量分布を計算して取得する。次に、線量分布作成装置は、二次元に切り分けられた非磁場下の線量分布ｇ１７と、撮影画像に基づく情報とを、学習済みの学習モデルｇ１６に入力する。次に、線量分布作成装置は、学習済みの学習モデルｇ１６によって磁場下の線量分布ｇ１８を作成する。
＜線量分布作成装置の構成例＞
次に、線量分布作成装置の構成例を説明する。図２は、本実施形態に係る線量分布作成装置の構成例を示すブロック図である。図２のように、線量分布作成装置１は、架台装置１１、寝台装置１２、撮影装置１３、放射線治療装置１４、画像処理部１５（取得部、処理部）、線量分布処理部１６（取得部、処理部）、磁場補正部１７、制御部１８、記憶部１９、操作部２０、および表示部２１を備える。また、磁場補正部１７は、学習モデル１７１を備える。
線量分布作成装置１は、例えば、ＭＲ撮影装置、ＣＴ撮影装置、ＭＲ－Ｌｉｎａｃ等の撮影装置を含む。
架台装置１１は、被検体に対して撮影を行う装置である。架台装置１１には、撮影装置１３と放射線治療装置１４が取り付けられている。
寝台装置１２は、例えば被検体が横たわる装置である。寝台装置１２は、撮影者（撮影者、撮影補助者のうちの少なくとも一方）が手動で移動させるベッド等であってもよく、制御部１８が動作を制御してもよい。
撮影装置１３は、ＭＲ撮影装置またはＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）撮影装置である。撮影装置１３は、制御部１８の制御に応じて、患者の撮影を行い、撮影した撮影画像を画像処理部１５に出力する。なお、撮影画像は、非磁化下または磁場下のＭＲ画像又はＣＴ画像である。
放射線治療装置１４は、例えば直線加速装置（Ｌｉｎａｃ）である。放射線治療装置１４は、制御部１８の制御に応じて治療計画に基づいて治療を行う。
画像処理部１５は、撮影装置１３が撮影した撮影画像を取得する。画像処理部１５は、取得した撮影画像からＥＤ ｍａｐ情報を生成し、生成されたＥＤ ｍａｐ情報を正規化して磁場補正部１７の学習モデル１７１に入力する。または、画像処理部１５は、取得した撮影画像を正規化して磁場補正部１７の学習モデル１７１に入力する。
線量分布処理部１６は、撮影装置１３から撮影画像を取得する。線量分布処理部１６は、取得した撮影画像に対して線量分布計算を行って非磁場下の線量分布と磁場下の線量分布とを門毎に取得する。なお、学習時に、線量分布処理部１６は、非磁場下の線量分布と磁場下の線量分布とを使用する。また、治療時に、線量分布処理部１６は、非磁場下の線量分布の計算のみを行い、磁場下の線量分布の計算を行わないようにしてもよい。なお、門とは、例えば固定照射法において、１門、対向２門、直交２門、斜入射２門、４門十字火、多門等である。また、線量分布処理部１６は、例えば、ＡＡＡ（Ａｎｉｓｏｔｒｏｐｉｃ Ａｎａｌｙｔｉｃａｌ Ａｌｇｏｒｉｔｈｍ）法、ＣＣＣ（Ｃｏｌｌａｐｓｅｄ Ｃｏｎｅ Ｃｏｎｖｏｌｕｔｉｏｎ）法、モンテカルロ法等によって、非磁場下の線量分布を計算する。また、線量分布処理部１６は、例えばモンテカルロ法等によって、磁場下の線量分布を計算する。線量分布処理部１６は、以下の第１の処理と第２の処理を行って、三次元情報に対して行い、さらに二次元に切り分ける。
・第１の処理；非磁場下の線量分布を例えば０～１の間の値に正規化する。
・第２の処理；磁場下の線量分布を例えば０～１の間の値に正規化し、係数｛例えば（最大値（磁場下）／最大値（非磁場下））｝を乗じる。
なお、線量分布処理部１６は、三次元情報を二次元情報に切り分けなくてもよい。
線量分布処理部１６は、記憶部１９が記憶する線量計算に使用するＣＴ－ＥＤ Ｔａｂｌｅ（ＣＴ－相対電子密度変換テーブル）を元に、ＣＴ－ＥＤ Ｔａｂｌｅの範囲でテーブルの下限を０とし上限を１として正規化してＥＤ ｍａｐを作成する。なお、ＥＤ ｍａｐは二次元情報である。
磁場補正部１７は、学習時に、磁場下の線量分布を教師データとし、撮影画像に基づく情報と、非磁場下の線量分布とを用いて、学習モデル１７１のトレーニングを行う。なお、トレーニング方法は後述する。磁場補正部１７は、治療時に、正規化された非磁場下の線量分布と、正規化された撮影画像から生成したＥＤ ｍａｐ情報または撮影画像を入力とし、学習済みの学習モデルを用いて門ごとに線量分布を補正する。なお、学習モデル１７１の構成例については後述する。
制御部１８は、操作部２０が取得した操作情報と記憶部１９が記憶する情報を用いて、各機能部、各装置を制御する。
記憶部１９は、ＣＴ－ＥＤ Ｔａｂｌｅ（ＣＴ値電子密度変換テーブル）を記憶する。操作部２０が取得した操作結果に含まれる撮影条件等を記憶する。記憶部１９は、制御プログラム、しきい値等を記憶する。
操作部２０は、例えば表示部２１上に設けられているタッチパネルセンサ、機械式スイッチ、キーボード、マウス等である。操作部２０は、利用者が操作した操作結果を検出し、検出した操作結果を制御部１８に出力する。
表示部２１は、例えば液晶画像表示装置、有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）画像表示装置、またはタブレット等の携帯端末である。表示部２１は、制御部１８が出力する提示画像を表示する。
なお、画像処理部１５、線量分布処理部１６、磁場補正部１７、および制御部１８は、例えばパーソナルコンピュータ、ＣＰＵ（中央演算装置）、ＤＳＰ（デジタルシグナルプロセッサ）等であってもよい。
＜電子密度マップ＞
ここで、電子密度マップ（ＥＤ ｍａｐ）について説明する。図３は、ＣＴ値電子密度変換テーブルを説明するための図である。
線量計算に直接影響する値が電子密度である。ＣＴ値電子密度変換テーブルは、各ボクセルのＣＴ値（ＭＲ画像ｇ２１）またはＭＲ値（ＭＲ画像ｇ２２）から電子密度に変換するマップ（ｇ２３）である。マップｇ２３において、横軸はＣＴ値［ＨＵ］であり、縦軸は電子密度［ｇ／ｃｍ３］である。画像処理部１５は、この変換テーブルを用いて、ＣＴ画像を電子密度に変換して電子密度マップを作成する。
＜磁場補正モデル＞
ここで、学習モデルである磁場補正モデル例について説明する。図４は、本実施形態に係る磁場補正モデルの一例を示す図である。図４の学習モデルである磁場補正モデル１００は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）とＤｅｎｓｅＮｅｔ（参考文献１）をベースにした例である。また、本実施形態の磁場補正モデル１００では、局所的特徴に重きを置くため、プーリングや圧縮等のＤｏｗｎ Ｓａｍｐｌｉｎｇは使用しない。
参考文献１；Gao Huang、Zhuang Liu等、“Densely Connected Convolutional Networks”、2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)、IEEE、2017
磁場補正モデル１００は、例えば、畳み込み層１２１、Ｄｅｎｓｅ Ｂｌｏｃｋ１２２、Ｄｅｎｓｅ Ｂｌｏｃｋ１２３、Ｄｅｎｓｅ Ｂｌｏｃｋ１２４、畳み込み層１２５、畳み込み層１２６、畳み込み層１２７、および畳み込み層１２８の順に接続されている。
磁場補正モデル１００には、二次元の非磁場下の線量分布１０１と、二次元のＥＤ ｍａｐ１０２が入力される。ＥＤ ｍａｐ１０２の解像度は、例えば１６０×２２４である。
また、磁場補正モデル１００は、Ｄｅｎｓｅ Ｂｌｏｃｋ後の任意の位置、例えば畳み込み層１２５と畳み込み層１２６との間にＥＤ ｍａｐ１０２を再入力する。
まず、入力に対してフィルターサイズが３×３の畳み込みを行う（１０５）。
次に、Ｄｅｎｓｅ Ｂｌｏｃｋ１２２～１２４は、Ｄｅｎｓｅ Ｂｌｏｃｋでの処理を行う（１０６～１０８）。
次に、フィルターサイズが１×１の畳み込みを行う（１０９）。
次に、畳み込み層１２５の出力とＥＤ ｍａｐ１０２を入力として、フィルターサイズが３×３の畳み込みを行う（１１０）。
次に、フィルターサイズが３×３の畳み込みを行う（１１１～１１２）。
次に、フィルターサイズが１×１の畳み込みを行う（１１３）。
磁場補正モデル１００の出力は、二次元の磁場下の線量分布１１４であり、解像度は、例えば１６０×２２４である。
符号１３１が示す領域の図は、Ｄｅｎｓｅ Ｂｌｏｃｋのイメージ図である。Ｄｅｎｓｅ Ｂｌｏｃｋは、前方の各層からの出力すべてが後方の層への入力として用いられる。また、Ｄｅｎｓｅ Ｂｌｏｃｋは、層間の情報の伝達を最大化するためにすべての特徴量サイズが同じ層を結合させ、逆伝播を保つため、ある層より前の層の出力を入力としている。また、Ｄｅｎｓｅ Ｂｌｏｃｋは、ＢｏｔｔｌｅＮｅｃｋとよばれる１×１の畳み込みと３×３の畳み込みを交互に備える。
なお、図４に示した例では、Ｄｅｎｓｅ Ｂｌｏｃｋ後の任意の層にＥＤ ｍａｐを入力する例を説明したが、Ｄｅｎｓｅ Ｂｌｏｃｋ後の任意の層への入力は被験者のＣＴ画像（またはＭＲ画像）あるいはＣＴ画像（またはＭＲ画像）を正規化し二次元に切り出した画像であってもよい。
なお、図４に示した磁場補正モデル１００、Ｄｅｎｓｅ Ｂｌｏｃｋの構成例は一例であり、層数、フィルタ数等は、これに限らない。また、図４に示した例では、ネットワークがＣＮＮの例を説明したが、ネットワークは他のネットワーク、例えばＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等であってもよい。
本実施形態の磁場補正モデルｇ１００は、Ｄｅｎｓｅ Ｂｌｏｃｋを備え、さらにＤｅｎｓｅ Ｂｌｏｃｋ後の任意の位置で、再度ＥＤ ｍａｐ１０２を入力する。なお、Ｄｅｎｓｅ Ｂｌｏｃｋでは、例えば磁場下での二次電子の影響を補正する。これにより、本実施形態によれば、解剖学的構造を反映できる。
＜学習時の処理＞
次に、学習時の処理例について説明する。図５は、本実施形態に係る学習時の処理例を示す図である。なお、以下の処理例では、撮影画像に基づく情報として電子密度マップ（ＥＤ ｍａｐ）情報を用い、学習モデルに三次元から切り出した二次元の情報を入力する例を説明する。
（１）撮影工程ｇ３０１
撮影装置１３は、非磁場下または磁場下の撮影画像ｇ３０２（ＭＲ画像またはＣＴ画像）を撮影する。次に、線量分布作成装置１は、撮影画像を取得する。次に、線量分布処理部１６は、取得した撮影画像から非磁場下の線量分布と磁場下の線量分布とを計算して取得する。
（２）前処理工程ｇ３１１
線量分布作成装置１は、切り分けた二次元の非磁場下の線量分布ｇ３１２と、撮影画像からＣＴ値電子密度変換テーブルを用いて生成した電子密度マップ（ＥＤ ｍａｐ）情報ｇ３１３を学習モデル（磁場補正モデル）ｇ３２２に入力する。また、教師データとして磁場下の線量分布ｇ３１４を用いる。
（３）学習、確認工程ｇ３２１
線量分布作成装置１は、４分割した学習モデルｇ３２３を用いて、学習と確認を４分割交差検証法で行う。
（４）テスト工程ｇ３３１
線量分布作成装置１は、４分割された学習モデルｇ３２３毎の推定した磁場下の線量分布ｇ３３２を合成し平均化して補正された磁場下の線量分布ｇ３３３を作成する。
線量分布作成装置１は、正解データである磁場下の線量分布ｇ３１４と比較し、比較した結果に基づいて報酬を作成して学習に反映させる。なお、正解データである磁場下の線量分布ｇ３１４は、学習時のため、演算に時間を要しても支障が無いので、磁場が常に発生した状態で患者体内の放射線ビームの挙動を計算する。
なお、図５の処理では、上述した正規化等の処理を省略して説明している。
＜方法＞
次に、作業手順例を説明する。まず、学習時の処理手順について説明する。
図７は、本実施形態に係る磁場下の線量分布の推定処理手順例を示すフローチャートである。なお、以下の処理例も、撮影画像に基づく情報として電子密度マップ（ＥＤ ｍａｐ）情報を用い、学習モデルに三次元から切り出した二次元の情報を入力する例を説明する。
（ステップＳ１１）操作部２０は、学習用の撮影条件等を取得する。
（ステップＳ１２）撮影装置１３は、学習用に制御部１８の制御に応じて被験者の撮影を行う。
（ステップＳ１３）画像処理部１５は、撮影装置１３が撮影した撮影画像（ＣＴ画層またはＭＲ画像）を取得する。続けて、画像処理部１５は、撮影画像からＣＴ値電子密度変換テーブルを用いて電子密度マップを生成し、生成した電子密度マップを正規化する。
（ステップＳ１４）線量分布処理部１６は、撮影装置１３から撮影画像を取得する。続けて、線量分布処理部１６は、撮影画像から非磁場下の線量分布と磁場下の線量分布とを計算して取得する。続けて、線量分布処理部１６は、三次元で磁場下の線量分布と非磁場下の線量分布とを正規化し、さらに二次元で切り分ける。
（ステップＳ１５）磁場補正部１７は、画像処理部１５によって撮影画像から生成した電子密度マップと、線量分布処理部１６によって計算された非磁場下の線量分布と磁場下の線量分布と、を用いて、学習モデル１７１を学習させる。
次に、治療時の手順例を説明する。
図６は、本実施形態に係る処理手順例を示すフローチャートである。なお、以下の処理例では、撮影画像に基づく情報として電子密度マップ（ＥＤ ｍａｐ）情報を用い、学習モデルに三次元から切り出した二次元の情報を入力する例を説明する。
（ステップＳ２１）操作部２０は、治療用の撮影条件等を取得する。撮影装置１３は、治療用に制御部１８の制御に応じて被験者の撮影を行う。なお、この処理は省略してもよい。線量分布作成装置１は、例えば予め撮影された画像を取得して用いてもよい。
（ステップＳ２２）画像処理部１５は、撮影装置１３が撮影した撮影画像（ＣＴ画層またはＭＲ画像）、または予め撮影された撮影画像を取得する。続けて、画像処理部１５は、撮影画像からＣＴ値電子密度変換テーブルを用いて電子密度マップを生成し、生成した電子密度マップを正規化する。
（ステップＳ２３）線量分布処理部１６は、撮影装置１３から撮影画像を取得する。続けて、線量分布処理部１６は、撮影画像から非磁場下の線量分布を計算して取得する。続けて、線量分布処理部１６は、三次元で非磁場下の線量分布を正規化し、さらに二次元で切り分ける。
（ステップＳ２４）磁場補正部１７は、非磁場下の線量分布と、撮影画像から生成した電子密度マップとを学習モデル１７１に入力して、磁場下の線量分布を推定する。
（ステップＳ２５）制御部１８は、推定された磁場下の線量分布を表示部２１に表示させる。
なお、上述した処理において、学習時または治療時に、線量分布処理部１６は、線量分布を三次元から二次元に変換しなくてもよい。この場合、線量分布処理部１６は、三次元の線量分布を正規化して学習モデル１７１に入力するようにしてもよい。
また、上記処理のステップＳ２４において、制御部１８は、推定された磁場下の線量分布に基づいて治療計画を作成し、作成した治療計画も表示部２１に表示させるようにしてもよい。
＜確認結果＞
次に、本実施形態の学習モデルの学習や、学習された学習モデルを用いて推定した場合等の確認結果を説明する。
図８は、学習曲線を示す図である。図８において、横軸は学習回数（エポック数）であり、縦軸はＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ；平均二乗誤差）［×１０－３］である。折れ線ｇ４０１は学習データの損失特性であり、折れ線ｇ４０２は検証データの損失特性である。図８のように、数回の学習でＭＳＥが収束している。
図９は、線量誤差を示す図である。図９において、縦軸はＭＳＥ）［×１０－３］である。符号ｇ４１１はＣＮＮにＤｅｎｓｅ Ｂｌｏｃｋを用いた本実施形態による補正した場合の線量誤差であり、符号ｇ４１２は補正無しの場合の線量誤差である。図９のように、本実施形態の手法で補正した方が、ＭＳＥが１／３以下に改善されている。
次に、第１の線量分布とプロファイルの例を説明する。
図１０は、線量分布の第１の例を示す図である。線量分布ｇ４２１は、補正無しの非磁場下の線量分布を示し、拡大図ｇ４２２は線量分布ｇ４２１の一部を拡大したものである。線量分布ｇ４３１は、補正無しの磁場下の線量分布示し、拡大図ｇ４３２は線量分布ｇ４３１の一部を拡大したものである。符号ｇ４４１はＥＤ ｍａｐを示す。線量分布ｇ４５１は、本実施形態による補正有りの磁場下の線量分布示し、拡大図ｇ４５２は線量分布ｇ４５１の一部を拡大したものである。図１０のように、本実施形態による補正を行った場合は、拡大図ｇ４５２のように、補正無しと比較して右下の部分の分布が異なっている。
次に、図１０に対応するプロファイルを説明する。
図１１は、図１０に対応するプロファイルの例を示す図である。図１０において横軸はピクセルであり、グラフｇ４６０の左縦軸は相対線量であり、グラフｇ４６０の右縦軸はエラーであり、グラフｇ４７０の縦軸は相対電子密度である。
また、実線ｇ４６１は磁場下の線量分布における相対線量を示し、破線ｇ４６２は本実施形態の手法で補正した磁場下の線量分布における相対線量を示し、破線ｇ４６３は補正していない磁場下の線量分布における相対線量を示す。さらに、破線ｇ４６４は本実施形態の手法で補正した磁場下の線量分布におけるエラーを示し、破線ｇ４６５は補正していない磁場下の線量分布におけるエラーを示す。
なお、このピクセルが約９０以上は、図１０における線量分布の拡大部分の右下に相当する。
図１１のように、本実施形態の手法で補正した場合は、ピクセルが約９０以上で補正していない場合と比較して、相対線量とエラーとに差が出ている。本実施形態の手法で補正した場合の方が、補正していない場合と比較してピクセルが約９０以上でも、実線ｇ４６１の磁場下の線量分布における相対線量に非常に近い。また、エラーについても、ピクセル９０以上で、補正してない場合はエラーが増えている。
次に、第２の線量分布とプロファイルの例を説明する。第２の線量分布は、腸を撮影した例である。
図１２は、線量分布の第２の例を示す図である。線量分布ｇ５２１は、補正無しの非磁場下の線量分布を示し、拡大図ｇ５２２は線量分布ｇ５２１の一部を拡大したものである。線量分布ｇ５３１は、補正無しの磁場下の線量分布示し、拡大図ｇ５３２は線量分布ｇ５３１の一部を拡大したものである。符号ｇ５４１はＥＤ ｍａｐを示す。線量分布ｇ５５１は、本実施形態による補正有りの磁場下の線量分布示し、拡大図ｇ５５２は線量分布ｇ５５１の一部を拡大したものである。図１２のように、本実施形態による補正を行った場合は、拡大図ｇ５５２のように、補正無しと比較して下の部分の分布が異なっている。
次に、図１２に対応するプロファイルを説明する。
図１３は、図１２に対応するプロファイルの例を示す図である。図１３において横軸はピクセル番号（位置）であり、グラフｇ５６０の左縦軸は相対線量であり、グラフｇ５６０の右縦軸はエラーであり、グラフｇ５７０の縦軸は相対電子密度である。
また、実線ｇ５６１は磁場下の線量分布における相対線量を示し、破線ｇ５６２は本実施形態の手法で補正した磁場下の線量分布における相対線量を示し、破線ｇ５６３は補正していない磁場下の線量分布における相対線量を示す。さらに、破線ｇ５６４は本実施形態の手法で補正した磁場下の線量分布におけるエラーを示し、破線ｇ５６５は補正していない磁場下の線量分布におけるエラーを示す。
なお、ピクセルが約６０～７０は、腸の境界線の部分であり、図１２における線量分布の拡大部分の下に相当する。
図１３のように、本実施形態の手法で補正した場合は、ピクセルが約６０～７０で補正していない場合と比較して、相対線量とエラーとに差が出ている。本実施形態の手法で補正した場合の方が、補正していない場合と比較してピクセルが約６０～７０でも、実線ｇ５６１の磁場下の線量分布における相対線量に近い。また、エラーについても、ピクセル６０～７０で、補正してない場合の方が、エラーの増加が多い。
次に、ガンマ解析結果例を、図１４と図１５を用いて説明する。なお、Ｇａｍｍａ ｐａｓｓｉｎｇ ｒａｔｅは、１００％であれば完全に二つの線量分布が一致していることを意味する。
図１４は、測定箇所全てにおけるＧａｍｍａ ｐａｓｓｉｎｇ ｒａｔｅを示す図である。図１５は、皮膚（３ｍｍ）におけるＧａｍｍａ ｐａｓｓｉｎｇ ｒａｔｅを示す図である。図１４と図１５の横軸は（ΔＤ［％］／Δｄ［ｍｍ］）であり、縦軸はＧａｍｍａ ｐａｓｓｉｎｇ ｒａｔｅ［％］である。なお、ΔＤ［％］は線量差であり、Δｄ［ｍｍ］はＤＴＡ（Ｄｉｓｔａｎｃｅ Ｔｏ Ａｇｒｅｅｍｅｎｔ）である。また、ハッチング領域ｇ６０１は本実施形態の補正を行った場合であり、ハッチング領域ｇ６０２は補正を行っていない場合である。
図１４、図１５に示すように、本実施形態の手法で補正を行うことで、真値である磁場ありの線量分布と良く一致している（１００％に近い）ことがわかる。
従来の一般的な計算アルゴリズムでは、磁場の影響を考慮できなかった。モンテカルロアルゴリズムを用いた場合は、磁場の影響を考慮できるが、約１０～２０分程度の計算時間を要していた。このため、従来の技術では、治療の際に、寝台に被験者に横たわらせたまま、このような演算処理の結果を待って治療計画を立てることが困難であった。そして、磁場下における高精度かつ高速な線量計算アルゴリズムは、現在存在していない。
これに対して、本実施形態によれば、従来より高速に磁場の影響を考慮した補正を行うことができる。
＜他の学習モデルの例＞
次に、他の学習モデルの例を説明する。
図１６は、本実施形態に係る他の学習モデルの例を示す図である。図１６のように、学習モデルである磁場補正モデル１００Ａは、Ｓｋｉｐ Ｃｏｎｎｅｃｔｉｏｎ（恒等写像）を備えるＣＮＮである。Ｓｋｉｐ Ｃｏｎｎｅｃｔｉｏｎは、層を飛び越えた結合を有している。また、磁場補正モデル１００Ａの各層は、３×３の畳み込み（Ｃｏｎｖ；Ｃｏｎｖｏｌｕｔｉｏｎ）層、１×１の畳み込み層、３×３のプーリング（枝刈り，Ｐｏｏｌ；Ｐｏｏｌｉｎｇ）層、逆畳み込み（Ｄｅｃｏｎｖ；Ｄｅｃｏｎｖｏｌｕｔｉｏｎ）層である。
この学習モデルを用いる場合も、上述した実施形態と同様に、学習時、教師データは磁場下の線量分布であり、入力は、非磁場下の線量分布ｇ７０１と、撮影画像から生成した電子密度マップｇ７０２（または撮影画像）とである。治療時の入力は、非磁場下の線量分布ｇ７０１と、撮影画像から生成した電子密度マップｇ７０２（または撮影画像）とである。学習モデルの出力は、上述した実施形態と同様に、磁場下の線量分布ｇ７０３である。
この磁場補正モデル１００Ａを用いた場合も、上述した実施形態と同様に事前に学習を行い、磁場下の線量分布ｇ７０３を推定する。この磁場補正モデル１００Ａを用いた場合も、従来より高速かつ正確に磁場下の線量分布ｇ７０３を推定することができる。
なお、図１５に示した構成は一例であり、層数や入出力の解像度等はこれに限らない。
なお、上述した手法において、線量分布は、Ｘ線（光子線）によるＣＴ画像撮影時の線量分布に対しても、磁場と電波によるＭＲ画像撮影時の線量分布に対しても、荷電粒子線を用いて線量計算した線量分布に対しても、他の線量分布に対しても適用である。
また、本実施形態の手法は、治療に用いる最終的な線量分布の導出のために使用することもでき、最適化プロセスに結合することもできる。
なお、本発明における線量分布作成装置１の機能の全てまたは一部を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより線量分布作成装置１が行う処理の全てまたは一部を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形および置換を加えることができる。
１…線量分布作成装置、１１…架台装置、１２…寝台装置、１３…撮影装置、１４…放射線治療装置、１５…画像処理部、１６…線量分布処理部、１７…磁場補正部、１８…制御部、１９…記憶部、２０…操作部、２１…表示部、１７１…学習モデル

Claims (9)

  1. コンピュータに、
    被験者を磁場と電波または光子線によって撮影させた撮影画像と、前記撮影画像から計算され且つ正規化された非磁場下の線量分布とを取得させ、
    正規化された非磁場下の線量分布と、撮影画像に基づく情報とが入力されたときに、正規化された磁場下の線量分布を出力するように学習された複数の層から成る学習モデルに、取得された前記非磁場下の線量分布と、取得された前記撮影画像に基づく情報とを入力させ、磁場下の線量分布を推定させる、
    磁場影響を考慮した線量分布作成プログラム。
  2. 前記撮影画像に基づく情報は、
    前記被験者のＣＴ画像、前記被験者のＭＲ画像、前記被験者のＣＴ画像から生成した電子密度マップ、および前記被験者のＭＲ画像から生成した電子密度マップのうちの１つである、
    請求項１に記載の磁場影響を考慮した線量分布作成プログラム。
  3. 前記学習モデルは、
    Ｄｅｎｓｅ Ｂｌｏｃｋを備える畳み込みニューラルネットワークであり、
    前記コンピュータは、
    前記複数の層から成る学習モデルの前記Ｄｅｎｓｅ Ｂｌｏｃｋの後の任意の層に、前記被験者を光子線または荷電粒子線によって撮影させた画像に基づく情報を入力させる、 請求項１または請求項２に記載の磁場影響を考慮した線量分布作成プログラム。
  4. 前記学習モデルは、
    Ｓｋｉｐ Ｃｏｎｎｅｃｔｉｏｎを備える畳み込みニューラルネットワークである、
    請求項１または請求項２に記載の磁場影響を考慮した線量分布作成プログラム。
  5. コンピュータが、
    被験者を磁場と電波または光子線によって撮影させた撮影画像と、前記撮影画像から計算され且つ正規化された非磁場下の線量分布とを取得し、
    正規化された非磁場下の線量分布と、撮影画像に基づく情報とが入力されたときに、正規化された磁場下の線量分布を出力するように学習された複数の層から成る学習モデルに、取得された前記非磁場下の線量分布と、取得された前記撮影画像に基づく情報とを入力し、磁場下の線量分布を推定する、
    磁場影響を考慮した線量分布作成方法。
  6. 被験者を磁場と電波または光子線によって撮影させた撮影画像と、前記撮影画像から計算され且つ正規化された非磁場下の線量分布とを取得する取得部と、
    正規化された非磁場下の線量分布と、撮影画像に基づく情報とが入力されたときに、正規化された磁場下の線量分布を出力するように学習された複数の層から成る学習モデルに、取得された前記非磁場下の線量分布と、取得された前記撮影画像に基づく情報とを入力し、磁場下の線量分布を推定する磁場補正部と、
    を備える線量分布作成装置。
  7. コンピュータに、
    被験者を磁場と電波または光子線によって撮影させた撮影画像と、非磁場下の線量分布と、磁場下の線量分布とを取得させ、
    前記非磁場下の線量分布と、前記磁場下の線量分布と、前記撮影画像に基づく情報と、を用いて学習された複数の層から成る学習モデルに、前記非磁場下の線量分布と、前記撮影画像に基づく情報とを入力させ、磁場下の線量分布を推定させ、
    前記線量分布は、
    放射線の照射方向に平行な分布像または前記照射方向に垂直な複数の断層像からなり、事前学習および入力に供する前記非磁場下における線量分布は正規化された前記分布像または複数の断層像であり、磁場下の線量分布は正規化されたのち、各画素値を磁場の影響を表す係数で補正して得られる複数の断層像である、
    磁場影響を考慮した線量分布作成プログラム。
  8. コンピュータが、
    被験者を磁場と電波または光子線によって撮影させた撮影画像と、非磁場下の線量分布と、磁場下の線量分布とを取得し、
    前記非磁場下の線量分布と、前記磁場下の線量分布と、前記撮影画像に基づく情報と、を用いて学習された複数の層から成る学習モデルに、前記非磁場下の線量分布と、前記撮影画像に基づく情報とを入力し、磁場下の線量分布を推定し、
    前記線量分布は、
    放射線の照射方向に平行な分布像または前記照射方向に垂直な複数の断層像からなり、事前学習および入力に供する前記非磁場下における線量分布は正規化された前記分布像または複数の断層像であり、磁場下の線量分布は正規化されたのち、各画素値を磁場の影響を表す係数で補正して得られる複数の断層像である、
    磁場影響を考慮した線量分布作成方法。
  9. 被験者を磁場と電波または光子線によって撮影させた撮影画像と、非磁場下の線量分布と、磁場下の線量分布とを取得する取得部と、
    前記非磁場下の線量分布と、前記磁場下の線量分布と、前記撮影画像に基づく情報と、を用いて学習された複数の層から成る学習モデルに、前記非磁場下の線量分布と、前記撮影画像に基づく情報とを入力し、磁場下の線量分布を推定する磁場補正部と、
    を備え、
    前記線量分布は、
    放射線の照射方向に平行な分布像または前記照射方向に垂直な複数の断層像からなり、事前学習および入力に供する前記非磁場下における線量分布は正規化された前記分布像または複数の断層像であり、磁場下の線量分布は正規化されたのち、各画素値を磁場の影響を表す係数で補正して得られる複数の断層像である、
    線量分布作成装置。
JP2020185160A 2020-11-05 2020-11-05 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置 Active JP7576301B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2020185160A JP7576301B2 (ja) 2020-11-05 2020-11-05 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置
PCT/JP2021/040559 WO2022097676A1 (ja) 2020-11-05 2021-11-04 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置
US18/034,203 US12472379B2 (en) 2020-11-05 2021-11-04 Dose distribution creating program in consideration of influence of magnetic field, dose distribution creating method in consideration of influence of magnetic field, and dose distribution creating apparatus
EP21889229.7A EP4241834A4 (en) 2020-11-05 2021-11-04 DOSE DISTRIBUTION CREATION PROGRAM TAKING INTO ACCOUNT THE INFLUENCE OF A MAGNETIC FIELD, DOSE DISTRIBUTION CREATION METHOD TAKING INTO ACCOUNT THE INFLUENCE OF A MAGNETIC FIELD, AND DOSE DISTRIBUTION CREATION APPARATUS

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020185160A JP7576301B2 (ja) 2020-11-05 2020-11-05 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置

Publications (2)

Publication Number Publication Date
JP2022074801A JP2022074801A (ja) 2022-05-18
JP7576301B2 true JP7576301B2 (ja) 2024-10-31

Family

ID=81457098

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020185160A Active JP7576301B2 (ja) 2020-11-05 2020-11-05 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置

Country Status (4)

Country Link
US (1) US12472379B2 (ja)
EP (1) EP4241834A4 (ja)
JP (1) JP7576301B2 (ja)
WO (1) WO2022097676A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240249396A1 (en) * 2023-01-19 2024-07-25 Washington University Systems and methods for a task-specific deep-learning-based denoising approach for myocardial perfusion spect

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160310761A1 (en) 2013-12-31 2016-10-27 The Medical Collee Of Wisconsin, Inc. Adaptive replanning based on multimodality imaging
US20200254277A1 (en) 2019-02-13 2020-08-13 Elekta Ab (Publ) Computing radiotherapy dose distribution
JP2020528791A (ja) 2017-07-25 2020-10-01 エレクタ、インク.Elekta, Inc. ディープ畳み込みニューラルネットワークを使用する放射線治療計画

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2749057A1 (en) * 2004-02-20 2005-09-09 University Of Florida Research Foundation, Inc. System for delivering conformal radiation therapy while simultaneously imaging soft tissue
JP6688536B2 (ja) 2016-09-07 2020-04-28 エレクタ、インク.Elekta, Inc. 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法
JP7389445B2 (ja) * 2019-04-25 2023-11-30 国立大学法人東北大学 線量分布判定システム、深層学習装置、線量分布判定方法及びコンピュータプログラム
JP2020185160A (ja) 2019-05-14 2020-11-19 株式会社三共 遊技機

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160310761A1 (en) 2013-12-31 2016-10-27 The Medical Collee Of Wisconsin, Inc. Adaptive replanning based on multimodality imaging
JP2020528791A (ja) 2017-07-25 2020-10-01 エレクタ、インク.Elekta, Inc. ディープ畳み込みニューラルネットワークを使用する放射線治療計画
US20200254277A1 (en) 2019-02-13 2020-08-13 Elekta Ab (Publ) Computing radiotherapy dose distribution

Also Published As

Publication number Publication date
US20230390583A1 (en) 2023-12-07
US12472379B2 (en) 2025-11-18
WO2022097676A1 (ja) 2022-05-12
EP4241834A1 (en) 2023-09-13
JP2022074801A (ja) 2022-05-18
EP4241834A4 (en) 2024-08-07

Similar Documents

Publication Publication Date Title
US11790525B2 (en) Method for metal artifact avoidance in x-ray imaging
US11410374B2 (en) Synthetic parameterized computed tomography from surface data in medical imaging
US8027430B2 (en) Systems and methods for adapting a movement model based on an image
CN113453751A (zh) 患者定位系统、方法及程序
US20240412335A1 (en) Method and apparatus for training artifact removal model, device, medium, and program product
JP2021524631A (ja) 医用画像変換
JPWO2017104700A1 (ja) 画像処理装置および画像処理方法
JP7576301B2 (ja) 磁場影響を考慮した線量分布作成プログラム、磁場影響を考慮した線量分布作成方法、および線量分布作成装置
US20190209098A1 (en) Body landmark detection based on depth images
CN111627081A (zh) Ct图像重建方法、装置、设备和介质
CN119522440A (zh) 医学图像的可控无参考去噪
CN111915692A (zh) 成像方法及装置
CN117078612B (zh) 一种基于cbct图像的快速三维剂量验证方法及装置
US11335040B2 (en) Multi-focal non-parallel collimator-based imaging
KR102643269B1 (ko) 3d ct 데이터에서 가상 x-레이 영상을 생성하는 방법 및 영상처리장치
US7756359B1 (en) Use of local or global quality of match to estimate cone beam CT reconstruction artifact correction weight in image registration
CN112674785B (zh) 一种应用于ct设备的ma值调节方法、系统及计算机可读存储介质
EP4620397A1 (en) X-ray diagnostic apparatus and method
CN118471436B (zh) 受照剂量的确定装置、电子设备及计算机可读存储介质
US12620174B2 (en) Reconstruction of a 3D mesh of a person
US20260000377A1 (en) Imaging with scatter correction with the aid of noisy scatter estimations and scatter interpolation
US20240087230A1 (en) Reconstruction of a 3d mesh of a person
Caldeira et al. Maximum a Posteriori Reconstruction using PRESTO and PET/MR data acquired Simultaneously with the 3TMR-BrainPET
KR20260037353A (ko) 방사선 촬영을 위한 자세 교정 가이드 방법 및 장치
US20260030819A1 (en) Cone beam artifact reduction

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230911

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240528

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240724

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240726

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20241001

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20241011

R150 Certificate of patent or registration of utility model

Ref document number: 7576301

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150