System and method for radiation treatment planning

Abstract

A computer-implemented method for radiation treatment planning, the method comprising: performing (202) a first dose calculation for one or more scenarios comprised in a first batch of a plurality of batches, wherein each batch of the plurality of batches comprises one or more scenarios related to radiation treatment of a patient; responsive to completion of the first dose calculation, initiating (204) an optimization procedure for the one or more scenarios comprised in the first batch based on an output of the first dose calculation, wherein the optimization procedure seeks to optimize one or more first parameters of a treatment plan for the radiation treatment of the patient; performing (206), in parallel with the optimization procedure, a further dose calculation for one or more scenarios comprised in a further batch of the plurality of batches; and responsive to completion of the further dose calculation, updating (208) the optimization procedure to include the one or more scenarios comprised in the further batch such that the optimization procedure is further based on the output of the further dose calculation.

Description

System and method for radiation treatment planningTechnical Field

[0001] Embodiments of the present disclosure relate to systems and methods for radiation treatment planning. More specifically, embodiments of the disclosure relate to a computer-implemented method for radiation treatment planning, and a data processing apparatus, a computer program, a non-transitory computer-readable storage medium and a computer program product configured to execute a method for radiation treatment planning.Background

[0002] Radiotherapy (also referred to as radiation therapy) is the use of ionising radiation, such as X-rays or charged particles, to damage or destroy unhealthy cells in a human or animal body. During treatment, the ionising radiation is formed into a beam and directed to unhealthy cells in the body, such as a tumour. The cells to be treated may be deep inside the body or near the surface, e.g., in the skin.

[0003] The dose distribution delivered by the ionising radiation depends on treatment parameters such as the beam direction, dose per beam (or spot or beamlet) , number of beams (or spots or beamlets) , beamlet weights, and exposure time. Radiation treatment planning is the process of determining a set of treatment parameter values that will provide the required treatment with minimal damage to the surrounding healthy tissue.

[0004] Whilst an “ideal” dose distribution would be the delivery of at least the minimum required dose to the unhealthy cells and zero dose to the healthy cells, in reality some dose to the surrounding healthy tissue is inevitable. The aim of treatment planning is therefore to optimise the delivered dose distribution so that the unhealthy cells receive at least the minimum required dose, and the healthy cells receive as little dose as possible, particularly any sensitive or at-risk anatomical parts. An optimization procedure is performed to determine a set of treatment parameters that will deliver a suitable dose to the patient.

[0005] For any given treatment plan, there is typically some degree of uncertainty in one or more treatment parameters. For example, there may be uncertainty in the patient position due to unpredictable and / or involuntary movements of the patient. Such movements can be caused by the patient breathing, coughing, hiccupping, twitching, etc. There may also be uncertainty in other characteristics of the patient such as the patient’s tissue density, which is typically modelled based on patient image data.

[0006] If the optimization procedure is performed without accounting for these uncertainties, then the obtained treatment plan may not be robust with respect to perturbations (i.e., variations) in these treatment parameters. In other words, the obtained treatment plan may be optimised for a nominal (e.g., predicted) treatment scenario, but not for the actual treatment scenario that is realised when the treatment is performed.

[0007] Treatment parameter uncertainties can be accounted for during treatment planning using robust optimization techniques, which yield a treatment plan that is robust with respect to perturbations in the relevant treatment parameter (s) . Robust optimization is performed in two phases. In the first phase, the delivered dose distribution is calculated for a plurality of possible treatment scenarios defined by variations in one or more treatment parameters. In the second phase, an optimization procedure is performed that accounts for all the calculated delivered dose distributions.Summary

[0008] Existing robust optimization techniques provide a more robust treatment plan but are computationally intensive and therefore time consuming. As such, there is a need for improved methods and systems for generating robust treatment plans.

[0009] Embodiments of the disclosure seek to address this problem by providing a computer-implemented method and system for radiation treatment planning in which dose calculations for different scenarios are performed in parallel with (i.e., at substantially the same time as) a robust optimization procedure. The optimization procedure is regularly updated to account for additional scenarios as the corresponding dose calculations are completed. The time taken to obtain a robust treatment plan is thereby reduced.

[0010] According to a first aspect, there is provided a computer-implemented method for radiation treatment planning. The method comprises performing a first dose calculation for one or more scenarios comprised in a first batch of a plurality of batches. Each batch of the plurality of batches comprises one or more scenarios related to radiation treatment of a patient. The method further comprises, responsive to completion of the first dose calculation, initiating an optimization procedure for the one or more scenarios comprised in the first batch based on an output of the first dose calculation, where the optimization procedure seeks to optimize one or more first parameters of a treatment plan for the radiation treatment of the patient. The method further comprises performing, in parallel with the optimization procedure, a further dose  calculation for one or more scenarios comprised in a further batch of the plurality of batches; and responsive to completion of the further dose calculation, updating the optimization procedure to include the one or more scenarios comprised in the further batch such that the optimization procedure is further based on the output of the further dose calculation.

[0011] According to a second aspect, there is provided a data processing apparatus configured to execute the instructions to carry out the method of the first aspect.

[0012] According to a third aspect, there is provided a data processing apparatus comprising a memory storing computer-executable instructions and processing circuitry. The processing circuitry (or controller circuitry) is configured to execute the instructions to carry out the method of the first aspect.

[0013] According to a fourth aspect, there is provided a computer program comprising instructions which, when the program is executed by a computer, cause the computer to carry out the method of the first aspect.

[0014] According to a fifth aspect, there is provided a non-transitory computer-readable storage medium comprising instructions which, when executed by a computer, cause the computer to carry out the method of the first aspect.

[0015] According to a fifth aspect, there is provided a computer program product comprising the computer-readable storage medium of the fifth aspect.

[0016] Thus, the present disclosure provides improved methods and systems for radiation treatment planning. Accordingly, the computation time required to determine a radiation treatment plan that is robust against variations in treatment parameter values due to treatment parameter uncertainties is significantly reduced.

[0017] Embodiments of the disclosure may be implemented in digital electronic circuitry, or in computer hardware, firmware, software, or in combinations thereof. Embodiments of the disclosure may be implemented as a computer program or a computer program product, i.e., a computer program tangibly embodied in a non-transitory information carrier, e.g., in a machine-readable storage device or in a propagated signal, for execution by, or to control the operation of, one or more hardware modules. A computer program may be in the form of a stand-alone program, a computer program portion, or more than one computer program, and  may be written in any form of programming language, including compiled or interpreted languages, and it may be deployed in any form, including as a stand-alone program or as a module, component, subroutine, or other unit suitable for use in a data processing environment.

[0018] The disclosure is set out herein in terms of particular embodiments. Other embodiments, not explicitly described here, may nonetheless fall within the scope of the claims. Unless explicitly or implicitly specified otherwise, the steps of methods according to embodiments of the disclosure may be performed in a different order and still achieve desirable results.Brief description of the drawings

[0019] Exemplary embodiments will now be described, by way of example only, with reference to the following drawings, in which:

[0020] FIG. 1 is a flow chart illustrating a method for radiation treatment planning using robust optimization;

[0021] FIG. 2 is a flow chart illustrating a method for radiation treatment planning according to various embodiments of the present disclosure;

[0022] FIG. 3A is a schematic illustrating a method for radiation treatment planning using robust optimization;

[0023] FIG. 3B is a schematic illustrating a method for radiation treatment planning according to various embodiments of the present disclosure;

[0024] FIG. 4 is a flow chart illustrating a method for radiation treatment planning according to various embodiments of the present disclosure;

[0025] FIG. 5A is a block diagram showing an optimisation procedure according to various embodiments of the present disclosure;

[0026] FIG. 5B is a block diagram showing a two-stage optimisation procedure according to various embodiments of the present disclosure;

[0027] FIG. 6 is a schematic illustration of a radiotherapy system according to various embodiments of the present disclosure;

[0028] FIG. 7 is a block diagram illustrating a data processing apparatus according to various embodiments of the present disclosure; and

[0029] FIG. 8 is a schematic illustration of a radiotherapy apparatus.Detailed description of embodiments

[0030] Fig. 1 is a flow chart illustrating a method 100 for radiation treatment planning using robust optimization according to existing techniques.

[0031] The method 100 comprises, at step 102, determining a set of scenarios for the radiation treatment, where the scenarios differ from each other by the value of one or more treatment parameters. These variations are representative of the uncertainty in the treatment parameter (s) . The parameters may relate to, for example, the position of the patient during treatment and / or the patient’s tissue density. The scenarios comprise a nominal scenario, in which the error in all parameters is taken to be zero, and further scenarios which include error (s) (i.e., variation (s) ) in one or more parameters.

[0032] At step 104, the method 100 comprises calculating the dose distribution for each scenario in the determined set of scenarios. For example, if the modality is proton (e.g., pencil beam scanning (PBS) proton therapy) , then the dose may be delivered to the patient via a plurality of monoenergetic pencil beams, referred to as spots, with different lateral deflections. Thus, for a given scenario, the dose delivered to any given voxel in the patient model is determined by the dose contribution to that voxel from all spots. As a second example, if the modality is photon (e.g., intensity modulated radiation therapy (IMRT-photon) or volumetric modulated arc therapy (VMAT-photon) ) , then the dose may be delivered to the patient via a plurality of beamlets which make up the radiation beam. Thus, for a given scenario, the dose delivered to any given voxel in the patient model is determined by the dose contribution to that voxel from all beamlets. The calculated dose distribution is a function of one or more treatment parameters.

[0033] At step 106, the method comprises performing an optimization procedure to determine a treatment plan based on all scenarios in the determined set of scenarios.

[0034] Treatment plan optimization is the determination of a treatment plan (defined by a set of treatment parameters) that meets certain user-defined criteria. For example, a user may define a set of clinical and dosimetric objectives and constraints for the treatment plan. The objectives and constraints could specify maximum, minimum and / or mean radiation doses for different regions of the body. Constraints are conditions that must be met, such as a minimum dose to the region comprising the tumour. The objectives are goals to be achieved. For example, an objective could be that the dose delivered to a certain region comprising healthy tissue does not exceed a maximum radiation dose, also referred to as a reference dose. Objectives and constraints can also relate to any other treatment parameter, such as spot or beamlet weights, number of spots or beamlets, range of movement of the radiotherapy equipment, etc.

[0035] To determine the treatment plan, the optimizer iteratively searches for the solution. For example, the optimizer may seek a set of treatment parameters that minimise a cost function for the objectives and constraints.

[0036] To achieve robust optimization, the cost function accounts for all scenarios. For example, the cost function may comprise a sum over cost function contributions for all scenarios. The cost function for each scenario in the sum may be weighted by an importance weight, where the sum of the importance weights equals to 1.

[0037] The solution space (i.e., the set of treatment parameters outputted by the optimization in step 106) is different for different plan modalities and delivery modes. For proton therapy, the solution space may be the weight of each spot. For photon therapy, the solution space may be the segment shape of the multi-leaf collimator used to shape the radiation beam and / or the weights of the beamlets that make up the radiation beam.

[0038] Thus, the set of treatment parameters outputted by the optimization in step 106 define a robust treatment plan.

[0039] Fig. 2 is a flow chart showing a computer-implemented method for radiation treatment planning according to various embodiments of the present disclosure.

[0040] The radiation treatment plan may relate to any type of ionising radiation, such as X-rays, electrons, protons, or ions. The radiation treatment may be, for example, one or more of: intensity-modulated radiation therapy (IMRT) , volumetric modulated arc therapy (VMAT) , image-guided radiation therapy (IGRT) , proton beam therapy (PBT) , pencil beam scanning (PBS) proton therapy, intensity modulated proton therapy (IMPT) , and electron beam therapy (EBT) . The treatment plan may be for the treatment of any part of a human or animal body.

[0041] The method 200 comprises, at step 202, performing a first dose calculation for one or more scenarios comprised in a first batch of a plurality of batches. The first dose calculation is a calculation of the delivered dose distribution for each of the one or more scenarios in the first batch. Each batch of the plurality of batches comprises one or more scenarios related to radiation treatment of a patient. For example, each batch may consist of one or more scenarios related to radiation treatment of the patient. The different scenarios may represent the uncertainty in one or more treatment parameters that influence the dose distribution  delivered by the treatment plan. These parameters are referred to herein as second parameters of the treatment plan (to distinguish from the first parameters of the treatment plan described below) . The scenarios may comprise variations in the one or more second parameters (i.e., the scenarios may differ from each other by the value of one or more second parameters) .

[0042] The one or more second parameters may relate to one or more of: patient position, beam geometry, and patient model representation.

[0043] The patient position may relate to the position of the patient on the couch (patient bed) . Uncertainty in the position of the patient on the couch may arise because of unpredictable and / or involuntary movements of the patient, e.g., those caused by breathing, coughing, hiccupping, sneezing, or twitching.

[0044] The patient position may relate to the position of the couch itself, e.g., the couch angle or a translation of the couch. The beam geometry may comprise, for example, the beam gantry angle (an example of a gantry is described with respect to Fig. 8) . Uncertainties in the couch position and / or gantry position may arise because of discrepancies between the instructed position (e.g., the position in the treatment plan) and the position achieved by the mechanical system controlling the couch or gantry.

[0045] The patient model representation may comprise any parameter used to model the patient in the treatment plan. For example, the patient model representation may comprise the electron density (e.g., of a segment of the patient model) , the stopping power (e.g., of a segment of the patient model) , or the X-ray attenuation in, for example, Hounsfield units (e.g., for a segment of the patient model) . The patent model may be determined based on a computed tomography (CT) scan of a patient. For example, a Digital Imaging and Communications in Medicine (DICOM) image may be obtained from the CT scan of the patient. The pixel value in the DICOM image may be used to derive the electron density (ED) by CT-ED mapping, and the mass density / stopping power may be derived by formulation. Each of these steps has some uncertainty / accuracy limitation, and therefore the final patient model representation also comprises some uncertainty. This uncertainty may be captured by the scenarios.

[0046] The method 200 may further comprise, prior to performing the first dose calculation, generating the scenarios comprised in the plurality of batches. The scenarios may be  generated by simulating errors in the one or more second parameters relative to their nominal (error-free) values. For example, patient position uncertainty may be simulated by shifting each isocenter of the patient or each beam. The density or stopping power uncertainty may be simulated by scaling the mass density of the whole patient volume.

[0047] The method 200 may further comprise, prior to performing the first dose calculation, allocating one or more scenarios to each of the plurality of batches. The first batch may comprise only the nominal scenario, in which the error in all the one or more second parameters is taken to be zero. Alternatively, the first batch may comprise a plurality of scenarios. The ability to select the batch sizes (e.g., based on experimental testing) provides a flexible optimization procedure that can be made more efficient as needed.

[0048] Responsive to completion of the first dose calculation, the method 200 further comprises, in step 204, initiating an optimization procedure for the one or more scenarios comprised in the first batch based on an output of the first dose calculation. In some embodiments, the optimization procedure may be initiated after completion of a dose calculation for the nominal scenario only.

[0049] The initiated optimization procedure seeks to optimize one or more first parameters of the treatment plan for the radiation treatment of the patient. The one or more first parameters may comprise any parameter (s) that are controllable (e.g., by the treatment device) and that influence the dose delivered to the patient. For example, the one or more first parameters may comprise or relate to one or more of: beam shape, beam weight, beamlet weight, spot weight, spot position, beam angle, dose-histogram-volume information, a number of radiation beams, a number of beamlets, a number of spots, a dose per beam, gantry angle, collimator shape (e.g., the shape of a multi-leaf collimator (MLC) ) , a number of monitor units (MU) , and a fluence map. For example, a treatment plan for a proton spot scan may comprise first parameters equal to the position and weight of each spot, whereas a treatment plan for photon therapy may comprise first parameters for the control points, where each control point comprises a gantry angle, MLC shape and MU.

[0050] The optimization procedure may comprise determining value (s) for the one or more first parameters such that a cost function (i.e., a penalty value) is minimised. The cost function may evaluate a dose distribution based on the one or more first parameters and provide a measure of the extent to which one or more objectives are satisfied by the one or more first parameters, e.g., the cost function may define a penalty for violating one or more objectives.  Thus, altering the first parameters to reduce the cost function corresponds to an improvement in the treatment plan.

[0051] The optimization procedure may, for example, correspond to the optimization procedure described with reference to Fig. 5A and / or Fig. 5B. The cost function may correspond to cost function 502. The cost function (e.g., cost function 502) may comprise a sum over a plurality of cost functions, e.g., one for each scenario. The sum may be a weighted sum. The sum may yield a single final penalty value that is to be minimised.

[0052] The method 200 further comprises, in step 206, performing, in parallel with the optimization procedure, a further dose calculation for one or more scenarios comprised in a further batch of the plurality of batches. Here, ‘in parallel’ means that the optimization procedure and the further dose calculation are being performed at the same time, i.e., substantially simultaneously. The optimization procedure may be performed by processing circuitry comprised in a first processing unit, and the further dose calculation may be performed by processing circuitry comprised in a second processing unit that is different to the first processing unit. For example, the first and second processing units may comprise different CPUs; different GPUs; a CPU and a GPU; different processing units of a multicore processor; or different (separate) physical computers.

[0053] Responsive to completion of the further dose calculation, the method 200 further comprises, in step 208, updating the optimization procedure to include the one or more scenarios comprised in the further batch such that the optimization procedure is further based on the output of the further dose calculation. By updating the optimization procedure in this manner, the updated optimization procedure seeks to optimize the one or more first parameters of the treatment plan based on both the first dose calculation and the further dose calculation. Updating the optimization procedure is to be understood to mean that the optimization procedure is continued, now accounting for the additional scenario (s) in the further batch. The values of the one or more first parameters obtained by the optimization procedure of step 204 may be used as the initial values of the one or more first parameters for the updated optimization procedure of step 208.

[0054] Updating the optimization procedure to include one or more additional scenarios may comprise updating the cost function based on the one or more additional scenarios and performing the optimization procedure with the updated cost function. The cost function may account for multiple scenarios by summing over a cost function contribution for each of the  scenarios. Each cost function contribution may be weighted by an importance weight, where the importance weights for all the cost function contributions sum to 1. When the optimization procedure is updated, the updated optimization procedure may take as input the one or more first treatment parameters obtained by the optimization procedure prior to the update. This improves the efficiency of the optimization procedure and decreases the time taken to perform the optimization.

[0055] The method 200 of Fig. 2 may further comprise, for each remaining batch of the plurality of batches, iterating the steps of (i) performing a further dose calculation for one or more scenarios comprised in a further batch of the plurality of batches in parallel with the optimization procedure and (ii) updating the optimization procedure to include the one or more scenarios comprised in the further batch until all of the batches comprised in the plurality of batches are included in the optimization procedure. Thus, the optimization procedure is eventually updated to account for all scenarios in the plurality of batches.

[0056] The method 200 may further comprise, responsive to determining that all the batches comprised in the plurality of batches are included in the optimization procedure and that the optimization procedure is complete, outputting the one or more first parameters for the radiation treatment of the patient to a treatment planning system (TPS) . The optimization procedure may be deemed to be complete upon satisfaction of a stopping criterion. For example, the stopping criterion may be considered satisfied when the cost function is satisfied (or when all cost functions are satisfied) . Alternatively, the stopping criterion may be a defined number of optimization iterations or a defined amount of time.

[0057] The TPS could be, for example,   The TPS may use the one or more first parameters to determine a configuration for the radiotherapy system (treatment device) that is to perform the treatment (e.g., the treatment device 650 of Fig. 6 or the radiotherapy apparatus illustrated in Fig. 8) . The method 200 of Fig. 2 may also be performed by the TPS to which the one or more first parameters are outputted.

[0058] Fig. 3A is a schematic illustrating a method for radiation treatment planning using robust optimization according to the method 100 of Fig. 1, and Fig. 3B is a schematic illustrating a method for radiation treatment planning according to some embodiments of the method 200 of Fig. 2. The comparison of Figs. 3A and 3B demonstrates some of the advantages of the techniques disclosed herein.

[0059] According to Fig. 3A, the dose calculations for all N scenarios are performed first and are completed at time Topt. The optimization procedure is started at Topt and accounts for all N scenarios. In the example depicted in Fig. 3A, the dose calculations are performed on a first device (device 1) , and the results of the dose calculation are sent to a second device (device 2) on which the optimization procedure is performed.

[0060] In contrast, Fig. 3B depicts a method according to some embodiments of the present disclosure in which the results of the dose calculation for scenario 1 are sent from device 1 to device 2 after the dose calculation for scenario 1 has completed but before the dose calculation for scenario 2 and all further scenarios have completed. This allows the optimization procedure of Fig. 3B to be started much earlier than the optimization procedure of Fig. 3A, i.e., at time Tdose < Topt. Each time a dose calculation for a further scenario is completed, the result is sent from device 1 to device 2, and the optimization procedure that is being performed on device 2 is updated to include the received dose calculation. As described herein, the dose results may instead be sent to device 2 in batches of scenarios, rather than for one scenario at a time.

[0061] At Topt, the optimization procedure of Fig. 3B includes the dose calculations for all N scenarios, as in the method of Fig. 3A. However, the optimization procedure of Fig. 3B is at this stage already much closer to completion. Therefore, the optimization procedure of Fig. 3B completes earlier than the optimization procedure of Fig. 3A. In other words, the techniques described herein reduce the time taken to complete the optimization procedure.

[0062] Fig. 4 is a flow chart illustrating a method for radiation treatment planning according to various embodiments of the present disclosure. The method could be applied to any radiation therapy delivery mode, such as photon therapy or pencil beam scanning (PBS) proton therapy.

[0063] The method starts with a plurality of robust scenarios for radiation treatment of a patient, and the goal is to obtain a robust treatment plan. At step 402, the method comprises splitting the robust scenarios into batches, where each batch comprises n scenarios or more (n is an integer equal to or greater than 1) . If there are N scenarios in total, each batch may comprise between 1 and N scenarios. Different batches may comprise different numbers of scenarios. The ideal batch size may be determined based on the balance between any of: data transfer requirements (e.g., network, in-memory, etc. ) , pre-processing requirements (e.g., coordinate transformation) , the demands on the optimizer, and so on. For example,  experimental testing could be performed to determine a set of batch sizes that provide an efficient optimization procedure. The ability to select the batch sizes based on experimental testing provides a flexible optimization procedure that can be made more efficient as needed. For example, if there are 100 scenarios, there may be 10 batches each comprising 10 scenarios. Alternatively, there may be 5 batches each comprising 20 scenarios, or 7 batches comprising 4 batches of 10 scenarios and 3 batches of 20 scenarios, etc.

[0064] The method proceeds to step 404 at which a dose calculation is performed for scenario 1. Scenario 1 is the nominal scenario in which all treatment parameters are taken to have their predicted values (i.e., the error in each parameter value is taken to be zero) .

[0065] At step 406, an optimizer is launched in a second computation device and the result of the dose calculation for scenario 1 is sent to the optimizer, as shown in step 422. Here, an optimization procedure is initiated to optimize the treatment plan for scenario 1.

[0066] While the optimization proceeds on the second computation device (step 416) , the first computation device proceeds to calculate the dose for another scenario. Thus, at step 408, the first computation device calculates the dose for scenario i=2. At step 410, the first computation device determines whether a dose calculation has been performed for all scenarios in the present batch: if it has not ( “no” ) , the method returns to step 408 to calculate the dose for another scenario in the present batch; and if it has ( “yes” ) , the method proceeds to step 412 at which the results from all the dose calculations for the scenarios in the present batch are sent to the optimizer on the second computation device. Thus, the optimization procedure is updated to include these dose calculations, as illustrated by steps 424 and 426.

[0067] Once the dose calculations from the present batch have been sent to the optimizer, the method proceeds to step 414 at which the first computation device determines whether dose calculations have been performed for all the scenario batches that were identified in step 402. If it has not ( “no” ) , the method returns to step 408 and calculates the dose for a further scenario in a new batch. If it has ( “yes” ) , the method proceeds to step 430 in which it waits for the completion of the optimization procedure on the second computation device.

[0068] As shown in Fig. 4, the optimization procedure is performed in parallel with (i.e., at the same time as) the dose calculations. While the dose calculations are performed on the first computation device (steps 408-412) , the second computation device performs the optimization procedure at step 416. The optimization procedure is performed for all the dose  calculations that have been received at the second device. Each time a dose calculation for a further scenario (or batch of scenarios) is received (e.g., at steps 422, 424, and 426) , the optimization procedure is updated to include it. At step 418, the second computation device determines whether the treatment plan provided by the optimizer meets an optimization criterion. If it does not ( “no” ) , then the optimization procedure is continued (step 416) . If it does ( “yes” ) , and provided all dose calculations have been received from the first device (this is also checked by the second computation device at step 418) , then the optimization procedure ends at step 420. The optimization procedure may also be terminated (exited) if it is determined that a solution is not feasible, e.g., because the total penalty value (e.g., the summed cost function) cannot be decreased any further yet some of the cost functions in the sum have not yet been satisfied. This may be determined to be when the difference in the total penalty value between two iterations of the optimization procedure is smaller than a tolerance (e.g., 0.001) . The optimization procedure may be terminated if a maximum number of iterations is reached. For example, the optimizer may be configured to iterate a maximum of 100 times. The solution may be taken to be the solution obtained on the final iteration.

[0069] At step 440, the optimized treatment parameters are outputted by the second device, thus defining a robust treatment plan.

[0070] It will be understood that the first and second computation device described with respect to Fig. 4 may instead comprise different CPUs; different GPUs; a CPU and a GPU; or different processing units of a multicore processor.

[0071] Fig. 5A is a block diagram showing an example of an optimisation procedure 500 for determining a set of parameters (i.e. one or more parameters) that define a radiotherapy treatment plan for a radiotherapy system according to some embodiments. The optimisation procedure 500 could correspond to the optimisation performed in step 204 of Fig. 2 or step 416 of Fig. 4. An example of a radiotherapy apparatus is described with reference to Fig. 8.

[0072] The optimisation module 500 comprises an optimiser 507 configured to receive at least: a model 501, a cost function 502 and one or more parameters 503. Optionally, the optimiser 507 may also receive a constraint 505 and / or a reference objective 504. The optimisation module 500 performs an optimisation procedure and outputs a set of optimised parameters 511 that minimise the cost function 502. The optimised parameters 511 are values for the one or more parameters 503 that were inputted into the optimiser 507. The optimisation module 500 may also output one or both of a cost function value 509 (the cost function 502 evaluated  with the optimised parameters 511) and an achieved goal value 513 (for comparison with the reference objective 504) .

[0073] The optimiser 507 uses at least one optimisation algorithm such as a simplex algorithm, a gradient-based algorithm, or an interior point algorithm, etc., or a combination thereof. Those skilled in the art will appreciate that other optimisation algorithms are also possible and the present disclosure is not limited to any particular optimization algorithm. Examples of optimization are provided in Training Guide, Document ID: LTGMON0530 (Elekta AB) . The optimisation procedure may, for example, correspond to the optimisation procedure described in European patent application publication EP3681600A1.

[0074] The model 501 is a representation of an anatomical region to be treated. For radiotherapy treatment planning, the anatomical region may comprise one or more anatomical regions (i.e., subregions) , such as one or more of: a target region, a region of healthy tissue (OAR) , planned target volume, critical structures, or shell structures. These regions or structures may be determined or defined by performing image segmentation of a three-dimensional image or model of the anatomical region. Shell structures are structures generated to tune the dose delivered to the tissue surrounding the target, and they may be used to control dose conformality.

[0075] The cost function 502 is a mathematical formulation that provides a measure of the extent to which the reference objective 504 (e.g., one or more objectives) is satisfied by a set of parameters 503. The cost function 502 evaluates a dose distribution over a region of the model 501 based on the set of parameters 503. The region may be divided into voxels, and the dose calculated per voxel. The dose distribution may be calculated using pencil beam algorithms, convolution-based algorithms and / or Monte Carlo (MC) based algorithms. The dose distribution is described in more detail with reference to Fig. 5B, and further details of how the dose may be determined are provided in Training Guide, Document ID: LTGMON0530 (Elekta AB) .

[0076] The cost function 502 may relate the dose distribution to a single value, referred to as a cost function value 509. The cost function 502 may define a penalty for violating one or more objectives. The cost function may also be referred to as an objective function.

[0077] The cost function 502 may be a cost function for a plurality of scenarios (which may be referred to as a total cost function) . In such cases, the cost function 502 may be a sum over  contributions for each of the scenarios (e.g., the sum may comprise one term for each scenario) . Each term may comprise a scenario cost function multiplied by an importance weight. The sum of the importance weights for all scenarios contributing to the total cost function may be equal to 1.

[0078] The cost function 502 is evaluated by the optimiser 507 during optimisation. The optimisable parameters 503 are varied by the optimiser 507 so as to minimise the cost function 502. Optionally, in constrained optimisation, the constraint 505 does not contribute to the cost function, instead a violation of a constraint 505 results in the rejection of the treatment plan. For example, the reference objective may be a mean dose to a healthy organ (such as the bladder) of less than a dose value (e.g., 30 Gy) , and the constraint may be a maximum dose to the patient (as a whole) of less than another dose (e.g., 50 Gy) . The cost function may provide a mathematical formulation for calculating the mean dose to the bladder, and the optimiser aims to obtain the reference objective (adose to the bladder of less than 30 Gy) subject to the constraint. The optimised solution provided by the optimiser may comprise a dose to the bladder that is less than or greater than 30 Gy, but if the optimiser cannot find a solution in which the maximum dose to the patient is less than 50 Gy, then no solution (e.g., no treatment plan) will be provided. A constraint may in some cases be referred to as a special type of cost function that cannot be violated (and therefore the value of the cost function is immaterial) , however such terminology is not used herein.

[0079] The one or more parameters 503 are optimisable parameters (also referred to as decision variables or treatment parameters) for which the optimiser 507 attempts to find optimum values. The optimisable parameters 503 may relate to characteristics of the radiation to be delivered by the radiotherapy system. For example, the optimisable parameters 503 may include one or more of: beamlets weights, beam angles, dose-histogram-volume information, the number of radiation beams, dose per beam, and a dose excess value (e.g., a root mean square dose excess above a reference dose) . The one or more parameters 503 may be initialised to a predetermined set of values, e.g., a “best guess” set of values or an arbitrary set of values. Alternatively, the parameters 503 may be initialised to values determined in a previous step. For example, when multiple optimisations are performed, the parameters may be initialised to values determined in a previous optimisation procedure (e.g., based on a different reference objective 504) .

[0080] The constraint 505 comprises one or more conditions that the optimised parameters 511 must satisfy. The constraint 505 may include one or more hard constraints (conditions that the  parameters 511 are required to satisfy) . Constraints restrict the set of possible solutions and can be used to define what is physically possible and / or clinically acceptable. Note that the constraint 505 is an optional feature.

[0081] The reference objective 504 comprises a goal that the optimiser tries to achieve. For example, the reference objective may relate to a dose-based objective and / or a volume-based objective. A dose-based objective may comprise a dose value (in Gy) , e.g., a maximum, minimum or mean dose for a given region of the model 501. A volume-based objective may comprise a relative volume (e.g., a fraction / percentage of a volume of a region of the model 501) or an absolute volume. The absolute volume may be defined in terms of physical dimensions (e.g., in mm, cm, mm3, cm3, etc…) . For example, a reference objective 504 may require that at least X%of a first region receives at least Y Gy during the treatment.

[0082] Additionally, the reference objective 504 may comprise an indication of the cost function 502 to be used. The reference objective 504 may also comprise an indication of an anatomical structure to which a goal to be achieved is applicable, e.g., the region of the model 501 to which a maximum / minimum / mean dose applies. The optimiser 507 will determine a set of optimised parameters 511 that result in an achieved goal value 513 that is close to the reference objective 504. Note that the reference objective 504 is an optional feature.

[0083] Thus, the reference objective 504 is an anatomy-specific function that establishes the dose and / or biological response goal, and constraints 505 are anatomy-specific functions that may be hard or soft. When constraints are used together with objectives, the constraints are hard constraints that must be met. Conversely, objectives are goals that the optimiser 507 tries to achieve.

[0084] The cost function 502, together with the model 501, the parameters 503, the constraint 505 (optional) and the reference objective 504 (optional) , define the problem to be solved. The term “treatment-planning objective” may refer collectively to all aspects of the reference objective 504 and / or constraint 505.

[0085] As noted above, the optimiser 507 aims to find a set of optimised parameters 511 for which the cost function 502 is minimised. The optimised parameters 511 are an output of the optimiser 507. In an example, when a reference objective 504 is present, the optimiser 507 minimises a difference between the goal value 513 and a reference objective 504.

[0086] Optionally, the optimiser 507 outputs the cost function value 509. The cost function value 509 is the value of the cost function 502, when evaluated with the optimised parameters 511.

[0087] Optionally, the optimiser 507 outputs an achieved goal value 513. An achieved goal value 513 typically has the same units as a reference objective so that it can be compared to the reference objective 504. The achieved value 513 may be different from the cost function value 509. Unlike the cost function value 509, which may be a number that is an evaluation of the cost function, the achieved value 513 may have a physical meaning. In an example, when the reference objective 504 comprises a dosimetric objective in Gray (Gy) , the achieved goal value 513 also relates to a dose (i.e. it has the units of Gy and / or the same physical meaning as the reference objective 504) . In a further example, when the reference objective 504 comprises a reference volume and a dose value, the achieved goal value also relates to a reference volume and a dose value (i.e. it has the same physical meaning as the reference objective) . A reference objective 504 might be dose-volume histogram (DVH) based and may be a goal for a percentage of a volume to receive a predetermined dose. The achieved goal value 513 would be the achieved percentage of the volume that receives the predetermined dose. In other words, the achieved goal value 513 can be compared to the reference objective 504.

[0088] The optimisation procedure 500 may be repeated for one or more different reference objectives 504. In other words, the treatment planning may be divided into a series of optimisation problems, with each optimisation problem focusing on a specific goal (i.e., reference objective 504) , and optionally subject to one or more constraints. The different reference objectives 504 may, for example, relate to different (or overlapping) anatomical regions (or shells or structures) within the patient. The output of a first optimisation procedure 500 may contribute to a second optimisation procedure 500. For example, the reference objective 504 of a previous optimisation procedure may be set as a constraint 505 for a subsequent optimisation procedure. In such cases, the reference objectives 504 may have corresponding priority levels so that the order in which the optimisation problems are solved may be determined based on their corresponding priority levels. Thus, the optimisation procedure 500 may be performed for the reference objective 504 with the highest priority level first, and subsequent optimisation procedures may be performed in order of decreasing priority. If a reference objective 504 cannot be met, the reference objective 504 may be revised, and the optimisation repeated using the revised reference objective 504.

[0089] As an example, the optimisation procedure 500 illustrated in Fig. 5A, can be applied to intensity-modulated radiation therapy (IMRT) . In IMRT, one or more radiation beams are  directed to a tumour, and the intensity of each beam profile is non-uniform. In this example, the optimisation process 500 of Fig. 5A is performed to determine the weights of the radiation beamlets (and the weights correspond to the parameters 503) . The cost function 502 comprises a mathematical expression relating a dose distribution at unit fluence to the beamlet weights 503. The cost function 502 incorporates a reference objective 504 which sets out a maximum dose (i.e. reference dose) for a first region of the model 501 comprising an OAR. If the dose in the first region exceeds the maximum dose, a penalty is incurred in the cost function 502 (i.e., the value of the cost function 502 increases) . The cost function 502 further incorporates a hard constraint 505 that the beamlet weights cannot be negative (since a negative beamlet weight is not possible) . The output of the optimisation procedure 500 comprises the optimised beamlet weights 511.

[0090] Although the above example applies to IMRT, it is noted that optimisation procedure 500 may be applied to other modes of radiotherapy.

[0091] The optimisation procedure 500 may be part of a first stage of the treatment planning process in which a radiation fluence map (or intensity map) is optimised. A fluence map is indicative of the expected radiation dosage across a region in accordance with the radiation treatment plan. The first stage may comprise one or more optimisation procedures 500, e.g. corresponding to one or more reference objectives 504.

[0092] The first stage may then be followed by a second stage in which the optimised parameters 511 from the first stage are used to determine a configuration for the treatment device that is to perform the treatment. Both the first stage and the second stage are described in more detail with reference to Fig. 5B.

[0093] It will be understood that the techniques disclosed herein are not limited to the two-stage approach described with reference to Fig. 5B.

[0094] Fig. 5B is a block diagram illustrating a two-stage optimisation procedure 550. The procedure 550 is described herein with reference to IMRT treatment planning, but it may also be applied to volumetric modulated arc therapy (VMAT) . Furthermore, it is noted that the optimisation procedure 550 may also be applied to other modes of radiotherapy.

[0095] The aim of the optimisation procedure 550 is to modify the IMRT beam intensity profile such that a high enough dose is delivered to the tumour, while reducing the dose delivered to healthy organs.

[0096] The method of optimisation for IMRT 550 comprises two stages. The first stage (step 551) is fluence map optimisation (FMO) and the second stage (step 553) is the determination of a configuration of the radiotherapy system. In FMO 551, an optimal fluence map is determined. The optimal fluence map is then used to determine a configuration for the radiotherapy system in step 553.

[0097] For fluence optimisation 551, each beam is divided into a number of beamlets. The contribution of each beamlet, at unit fluence, to voxels is then calculated. During optimisation, the weight of each beamlet is adjusted such that a cost function is minimised. By multiplying the weight with the contribution of each beamlet at unit fluence, the full dose distribution may be obtained. The full dose distribution may be compared with any constraints and / or reference objective to determine if the optimised solution is suitable.

[0098] The optimisation procedure for FMO may be performed by the optimisation procedure 500 described with reference to Fig. 5A and further described below.

[0099] Optimisation 551 comprises minimizing a cost function f (x) by determining suitable values of parameters x based on certain constraints g. For FMO, the parameters x may correspond to the weight of the beamlets (the parameters x may also be referred to as decision variables) . The output of FMO (step 551) comprises optimized values for the parameters x.

[0100] The constraints g comprise restrictions. An example of a restriction is a minimum dose at voxels corresponding to a target, or a maximum dose at voxels corresponding to OAR, etc.

[0101] In an example, a cost function f (x) is: f (x) = T1+T2+ …+T3 ,        (Eqn. 1)

[0102] where, e.g., T1=∑xn·dn, where, when x corresponds to weight of a beamlet, dn represents the dose that each beamlet gives to a voxel at unit intensity. The voxels are obtained from the model 501 described above, and therefore dn is associated with the model 501. dn is a non-optimizable parameter (e.g., it may depend on machine configuration and / or properties of the tissue) . In an example, the dose dn may be determined by pencil beam algorithms, convolution  based algorithms and / or Monte Carlo (MC) based algorithms. Optionally, dose calculations use pencil beam algorithms or convolution-based algorithms, which are faster than MC based algorithms but have reduced accuracy, i.e., result in a less realistic dose calculation. Further details of how the dose dn may be determined are provided in Training Guide, Document ID: LTGMON0530 (Elekta AB) .

[0103] The output of stage 1 (step 551) may include a dose distribution.

[0104] In this example, the objective function f (x) is the sum of the total dose (T1, T2 …T3) where each of T1, T2... T3 represent the dose on different structures. Note that alternative formulations of the problem to be solved (e.g. by defining different cost functions or constraints) may be used.

[0105] In an example, the requirement for the dose at a target to be above a certain amount may be formulated as a constraint. Alternatively, such a requirement could be formulated as a reference objective.

[0106] Step 551 provides a set of optimised parameters (e.g., beamlet weights x) that would provide an optimum intensity map (or fluence map) .

[0107] To be ready for delivery by the radiotherapy system, a further step (step 553) is required to translate each optimised beamlet weight into a configuration of the machine that would deliver the optimum fluence.

[0108] At step 553, the output from step 551 is turned into a configuration of a radiotherapy system. The configuration is useable by a radiotherapy apparatus (examples of which are described herein) for delivering radiation therapy. For example, the configuration of the radiotherapy system comprises a set of (i.e., one or more) aperture configurations. The shapes and weights of the aperture configurations are selected to meet the same goal as in the first stage. Aperture configurations may be realised by a beam shaping apparatus, such as part 850 of Fig. 8.

[0109] An aperture configuration may be referred to as a control point or a segment. The control point and / or segment comprise radiation information (e.g. energy, dose) and geometric information such as gantry angle and leaf position. The shapes and weights of the apertures may be determined by applying algebraic and trigonometric considerations to the arrangement of the aperture in order to implement the optimised beamlet weights of step 551.

[0110] Alternatively, step 553 comprises performing a second stage optimisation procedure to determine an optimised aperture configuration that would implement the optimised fluence pattern determined in step 551. The second stage optimisation procedure may be referred to as aperture optimisation, or aperture refinement.

[0111] Aperture optimisation may comprise the following:

[0112] - Receiving a set of beamlet weights (e.g., from step 551)

[0113] - Performing optimisation to determine optimised aperture shapes and, optionally, weights. The optimisation may be performed using an optimisation procedure such as in Fig. 5A, for example. Other optimisation procedures are possible.

[0114] When the beam shaping apparatus comprises a multi-leaf collimator (MLC) , aperture optimisation may comprise:

[0115] - Receiving a set of beamlet weights from FMO and / or fluence profiles (e.g., from step 551)

[0116] - Converting the received profile into beamlet widths (the opening between a leaf pair) . This results in a segment.

[0117] - Optimising the weights of the resulting segments.

[0118] - Optionally, optimising shapes of the resulting segments (using a procedure referred to as segment shape optimisation) .

[0119] Note that the optimisation steps in step 553 may comprise a calculation of the dose distribution. The dose distribution may be calculated using pencil beam algorithms, convolution-based algorithms and / or Monte Carlo (MC) based algorithms. Optionally, dose calculations in step 553 use MC based algorithms (which are more accurate but computationally expensive) .

[0120] Further details of aperture optimisation are provided in  Training Guide, Document ID: LTGMON0530 (Elekta AB) .

[0121] The step of determining a configuration of the radiotherapy system (step 553) is based on at least a set of optimised parameters from stage one (step 551) .

[0122] While the example of Fig. 5B relates a two-stage optimisation procedure (FMO at step 551 and determination of a configuration at step 553) for IMRT, it is noted that alternative methods of optimisation, such as Direct Machine Parameter Optimisation (DMPO) , may be used instead.

[0123] In DMPO, the decision variable x corresponds to a parameter of a machine (e.g. an MLC leaf position) that delivers radiation.

[0124] Returning to the cost function 502 in the optimisation procedure 500, examples of cost functions include: Target EUD, Target Penalty, Quadratic Overdose, Quadratic Underdose, Serial, Parallel, Maximum Dose, Overdose DVH, Underdose DVH. These cost functions are briefly described below. Each cost function offers different calculation methods.

[0125] When the cost function comprises any of target penalty, parallel, overdose DVH, and Underdose DVH, the reference objective 504 is a dose value and either a relative volume component (e.g. a percentage) or an absolute volume (e.g. in cc) .

[0126] When the cost function comprises any of Target EUD, quadratic overdose, serial, maximum dose, or conformality, the reference objective 504 is a dose value.

[0127] Cost functions such as serial, parallel, quadratic overdose, overdose DVH, or maximum dose aim to limit the dose at an anatomical structure. Cost functions such as quadratic underdose or underdose DVH aim to increase the dose at an anatomical structure. Cost functions such as Target EUD and Target Penalty aim to increase the dose at a structure. Some of the above cost functions also take a unitless number as input. The unitless number (k) is a power law exponent.

[0128] The Target EUD cost function defines a structure as a target volume and expresses the probability that a target cell survives a given dose. This cost function requires a prescribed dose as input (i.e. the reference objective for this cost function is a dose value) . The prescribed dose, in Gy, is an equivalent uniform dose (EUD) . An EUD is a homogenous dose that, if delivered at an anatomical structure, has the same clinical effect as a non-homogenous dose distribution.

[0129] The Target Penalty cost function takes as input a prescribed dose and a minimum volume as input (i.e., the reference objective for this cost function is a dose and a relative volume) . The Target Penalty is a quadratic penalty which starts at a threshold dose. It produces steeper dose gradients after a target threshold is met. The Target Penalty is used to define the requirement that at least some fraction of the total anatomical structure volume should receive at least the target dose.

[0130] The quadratic overdose (QO) cost function is a cost function used to limit the dose in the structure to which it is applied. The QO may be applied to either targets or OARs. The QO cost function may be used to limit hot spots in a target. The QO cost function takes as input a maximum dose and a maximum root-mean square (RMS) dose excess. The maximum dose defines a dose beyond which a penalty is incurred in the cost function. The maximum RMS dose excess defines the amount of violation that is acceptable. The maximum dose and / or maximum RMS dose excess may be defined by a user.

[0131] The quadratic underdose cost function is a cost function that is applied to a target volume. The quadratic underdose function implements a quadratic penalty. The cost function takes as input a minimum dose in Gy and a maximum dose deficit in Gy (i.e., the reference objective comprises two dose values) . The minimum dose is the minimum dose allowable in a target and represents the dose under which a penalty is incurred. The maximum dose deficit is analogous to the maximum RMS dose excess in that it defines the amount of violation from the prescription that is acceptable.

[0132] The Serial cost function is generally used with serial OARs. Serial anatomical structures are those where high doses are harmful even if limited to small volumes. Examples include the spinal cord and bowel. This cost function applies large penalties for hot spots even if they are small in volume. The cost function takes as input an EUD in Gy and a power law exponent k (i.e., the reference objective comprises a dose value and a unitless number) .

[0133] The Parallel cost function is generally used for parallel OARs. Parallel structures are those where very high doses in small volumes are tolerated, if the rest of the organ is spared. Examples are lungs, parotids, kidneys, liver. The cost function takes as input a reference dose in Gy, a mean organ damage (which is a fraction of the volume of the structure that can be sacrificed) , and power law exponent k (i.e. the reference objective comprises a dose value, a relative volume, and a unitless number) .

[0134] The Maximum Dose cost function is effectively a hard barrier that can be applied to target structures or OAR. The Maximum Dose cost function has a penalty that takes effect whenever voxels cross a maximum dose threshold. The cost function takes as input maximum dose in Gy (i.e., the reference objective comprises a dose value) .

[0135] The Overdose DVH cost function takes as input an objective dose in Gy and a maximum volume (i.e., the reference objective comprises a dose value and a relative volume) . This cost  function is applied to OARs. The purpose is to keep the volume that receives more than the objective dose below the relative volume.

[0136] The Underdose DVH cost function takes as input an objective dose in Gy and a minimum volume (i.e., the reference objective comprises a dose value and a relative volume) . This cost function is applied to targets. The purpose is to keep the volume of the target that receives less than the objective dose above the minimum volume.

[0137] Further details of the cost functions are provided in Training Guide, Document ID: LTGMON0530 (Elekta AB) .

[0138] Fig. 6 illustrates a block diagram of an implementation of a radiotherapy system 600. The radiotherapy system 600 comprises a computing system 610 within which a set of instructions, for causing the computing system 610 to perform any one or more of the methods discussed herein, may be executed. The computing system 610 may implement a treatment planning system. The computing system 610 may also be referred to as a computer. The treatment planning system 610 may perform any of the methods described herein. In particular, the methods described herein may be implemented by one or more processors of the treatment planning system 610.

[0139] The computing system 610 shall be taken to include any number or collection of machines, e.g. computing device (s) , that individually or jointly execute a set (or multiple sets) of instructions to perform any one or more of the methods discussed herein. That is, hardware and / or software may be provided in a single computing device, or distributed across a plurality of computing devices in the computing system. In some implementations, one or more elements of the computing system may be connected (e.g., networked) to other machines, for example in a Local Area Network (LAN) , an intranet, an extranet, or the Internet. One or more elements of the computing system may operate in the capacity of a server or a client machine in a client-server network environment, or as a peer machine in a peer-to-peer (or distributed) network environment. One or more elements of the computing system may be a personal computer (PC) , a tablet computer, a set-top box (STB) , a Personal Digital Assistant (PDA) , a cellular telephone, a web appliance, a server, a network router, switch or bridge, or any machine capable of executing a set of instructions (sequential or otherwise) that specify actions to be taken by that machine.

[0140] The computing system 610 includes controller circuitry 611 and a memory 613 (e.g., read-only memory (ROM) , flash memory, dynamic random access memory (DRAM) such as synchronous DRAM (SDRAM) or Rambus DRAM (RDRAM) , etc. ) . The memory 613 may comprise a static memory (e.g., flash memory, static random access memory (SRAM) , etc. ) , and / or a secondary memory (e.g., a data storage device) , which communicate with each other via a bus (not shown) .

[0141] Controller circuitry 611 represents one or more general-purpose processors such as a microprocessor, central processing unit, accelerated processing units, or the like. More particularly, the controller circuitry 611 may comprise a complex instruction set computing (CISC) microprocessor, reduced instruction set computing (RISC) microprocessor, very long instruction word (VLIW) microprocessor, processor implementing other instruction sets, or processors implementing a combination of instruction sets. Controller circuitry 611 may also include one or more special-purpose processing devices such as an application specific integrated circuit (ASIC) , a field programmable gate array (FPGA) , a digital signal processor (DSP) , network processor, or the like. One or more processors of the controller circuitry may have a multicore design. Controller circuitry 611 is configured to execute the processing logic for performing the operations and steps discussed herein.

[0142] The computing system 610 may further include a network interface circuitry 618. The computing system 610 may be communicatively coupled to an input device 620 and / or an output device 630, via input / output circuitry 617. In some implementations, the input device 620 and / or the output device 630 may be elements of the computing system 610. The input device 620 may include an alphanumeric input device (e.g., a keyboard or touchscreen) , a cursor control device (e.g., a mouse or touchscreen) , an audio device such as a microphone, and / or a haptic input device. The output device 630 may include an audio device such as a speaker, a video display unit (e.g., a liquid crystal display (LCD) or a cathode ray tube (CRT) ) , and / or a haptic output device. In some implementations, the input device 620 and the output device 630 may be provided as a single device, or as separate devices.

[0143] In some implementations, the computing system 610 may comprise image processing circuitry 619. Image processing circuitry 619 may be configured to process image data 680 (e.g. images, or imaging data) , such as medical images obtained from one or more imaging data sources, a treatment device 650 and / or an image acquisition device 640. Image processing circuitry 619 may be configured to process, or pre-process, image data. For example, image processing circuitry 619 may convert received image data into a particular format, size,  resolution or the like. In some implementations, image processing circuitry 619 may be combined with controller circuitry 611.

[0144] In some implementations, the radiotherapy system 600 may further comprise an image acquisition device 640 and / or a treatment device 650, such as those disclosed herein in the examples of Fig. 8. The image acquisition device 640 and the treatment device 650 may be provided as a single device. In some implementations, treatment device 650 is configured to perform imaging, for example in addition to providing treatment and / or during treatment. The treatment device 650 comprises the main radiation delivery components of the radiotherapy system, such as beam shaping apparatus 550.

[0145] Image acquisition device 640 may be configured to perform positron emission tomography (PET) , computed tomography (CT) , magnetic resonance imaging (MRI) , single positron emission computed tomography (SPECT) , x-ray, and the like.

[0146] Image acquisition device 640 may be configured to output image data 680, which may be accessed by computing system 610. Treatment device 650 may be configured to output treatment data 660, which may be accessed by computing system 610.

[0147] Computing system 610 may be configured to access or obtain treatment data 660, planning data 670 and / or image data 680. Treatment data 660 may be obtained from an internal data source (e.g. from memory 613) or from an external data source, such as treatment device 650 or an external database. Planning data 670 may be obtained from memory 613 and / or from an external source, such as a planning database. Planning data 670 may comprise information obtained from one or more of the image acquisition device 640 and the treatment device 650.

[0148] Fig. 7 is a block diagram illustrating a data processing apparatus 700 according to some embodiments of the present disclosure. The data processing apparatus 700 may be, for example, a computer.

[0149] The data processing apparatus 700 comprises a memory 701 storing computer-executable instructions. The data processing apparatus 700 further comprises processing circuitry 702 configured to execute the instructions to carry out the various methods described above (e.g., the method 200 of Fig. 2) .

[0150] For example, the steps of the methods described in relation to Fig. 2 may be performed by computer code stored on the data processing apparatus 700. The steps of the methods described herein may be performed in any suitable order unless a step is explicitly described as following or preceding another step and / or where it is implicit that a step must follow or precede another step.

[0151] In Fig. 7, the processing circuitry 702 is represented by a single block. However, it will be appreciated that the processing circuitry 702 may comprise processing circuitry comprised in a first processing unit, and processing circuitry comprised in a second processing unit that is different to the first processing unit. For example, the first and second processing units may comprise different CPUs; different GPUs; a CPU and a GPU; different processing units of a multicore processor; or different (separate) physical computers. The memory 701 may comprise a first memory associated with the first processing unit, and a second memory associated with the second processing unit. For example, the data processing apparatus 700 may comprise two physical computers each comprising a memory and processing circuitry.

[0152] The first processing unit may be configured to perform an optimization procedure, e.g., the optimization procedure of steps 204 and 208 of the method 200 of Fig. 2, and the second processing unit may be configured to perform dose calculations, e.g., the dose calculations of steps 202 and / or 206 of the method 200 of Fig. 2. Thus, the optimization procedure and the dose calculations may be performed in parallel (i.e., simultaneously) .

[0153] The computer program and / or the code for performing such methods may be provided to the apparatus 700 on one or more computer readable media or, more generally, a computer program product. The computer readable media may be transitory or non-transitory. The one or more computer readable media could be, for example, an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, or a propagation medium for data transmission, for example for downloading the code over the Internet. Alternatively, the one or more computer readable media could take the form of one or more physical computer readable media such as semiconductor or solid state memory, magnetic tape, a removable computer diskette, a random access memory (RAM) , a read-only memory (ROM) , a rigid magnetic disc, and an optical disk, such as a CD-ROM, CD-R / W or DVD. The instructions may also reside, completely or at least partially, within the memory 701 and / or within the controller circuitry during execution thereof by the computing system, the memory 701 and the controller circuitry also constituting computer-readable storage media.

[0154] In an implementation, the modules, components and other features described herein can be implemented as discrete components or integrated in the functionality of hardware components such as ASICS, FPGAs, DSPs or similar devices.

[0155] A “hardware component” is a tangible (e.g., non-transitory) physical component (e.g., a set of one or more processors) capable of performing certain operations and may be configured or arranged in a certain physical manner. A hardware component may include dedicated circuitry or logic that is permanently configured to perform certain operations. A hardware component may comprise a special-purpose processor, such as an FPGA or an ASIC. A hardware component may also include programmable logic or circuitry that is temporarily configured by software to perform certain operations.

[0156] In addition, the modules and components can be implemented as firmware or functional circuitry within hardware devices. Further, the modules and components can be implemented in any combination of hardware devices and software components, or only in software (e.g., code stored or otherwise embodied in a machine-readable medium or in a transmission medium) .

[0157] Fig. 8 depicts an example of a radiotherapy apparatus for radiation treatment. Those skilled in the art will appreciate that the techniques of the present disclosure are also applicable to other types of radiotherapy and radiotherapy systems.

[0158] Fig. 8 shows a cross-section through a radiotherapy apparatus 800 comprising a radiation head 804 and a beam receiving apparatus 806, both of which are attached to a gantry 802. The radiation head 804 includes a radiation source 807 which emits a beam of radiation 822. The radiation head 804 also includes a beam shaping apparatus 850 which controls the size and shape of the radiation field associated with the beam.

[0159] The beam receiving apparatus 806 is configured to receive radiation emitted from the radiation head 804, for the purpose of absorbing and / or measuring the beam of radiation. In the view shown in Fig. 8, the radiation head 804 and the beam receiving apparatus 806 are positioned diametrically opposed to one another.

[0160] The gantry 802 is rotatable and supports the radiation head 804 and the beam receiving apparatus 806 such that they are rotatable around an axis of rotation 805, which may coincide with the patient longitudinal axis. As shown in Fig. 8, the gantry provides rotation of the  radiation head 804 and the beam receiving apparatus 806 in a plane which is perpendicular to the patient longitudinal axis (e.g. a sagittal plane) . Three gantry directions XG, YG, ZG can be defined, where the YG direction is perpendicular with gantry axis of rotation. The ZG direction extends from a point on the gantry corresponding to the radiation head, towards the axis of rotation of the gantry. Therefore, from the patient frame of reference, the ZG direction rotates around as the gantry rotates.

[0161] Fig. 8 also shows a support surface 810 on which a subject (or patient) is supported during radiotherapy treatment. The radiation head 804 is configured to rotate around the axis of rotation 805 such that the radiation head 804 directs radiation towards the subject from various angles around the subject in order to spread out the radiation dose received by healthy tissue to a larger region of healthy tissue while building up a prescribed dose of radiation at a target region.

[0162] The radiotherapy apparatus 800 is configured to deliver a radiation beam towards a radiation isocentre which is substantially located on the axis of rotation 805 at the centre of the gantry 802 regardless of the angle at which the radiation head 804 is placed.

[0163] The rotatable gantry 802 and radiation head 804 are dimensioned so as to allow a central bore 880 to exist. The central bore 880 provides opening sufficient to allow a subject to be positioned therethrough without the possibility of being incidentally contacted by the radiation head 804 or other mechanical components as the gantry rotates the radiation head 804 about the subject.

[0164] As shown in Fig. 8, the radiation head 804 emits the radiation beam 822 along a beam axis 890 (or radiation axis or beam path) , where the beam axis 890 is used to define the direction in which the radiation is emitted by the radiation head. The radiation beam 822 is incident on the beam receiving apparatus 806 which can include at least one of a beam stopper and a radiation detector. The beam receiving apparatus 806 is attached to the gantry 802 on a diametrically opposite side to the radiation head 804 to attenuate and / or detect a beam of radiation after the beam has passed through the subject.

[0165] The radiation beam axis 890 may be defined as, for example, a centre of the radiation beam 822 or a point of maximum intensity.

[0166] The beam shaping apparatus 850 delimits the spread of the radiation beam 822. The beam shaping apparatus 850 is configured to adjust the shape and / or size of a field of radiation produced by the radiation source. The beam shaping apparatus 850 does this by defining an aperture (also referred to as a window or an opening) of variable shape to collimate the radiation beam 822 to a chosen cross-sectional shape. In this example, the beam shaping apparatus 850 may be provided by a combination of a diaphragm and a multi-leaf collimator (MLC) . Beam shaping apparatus 850 may also be referred to as a bean modifier.

[0167] The radiotherapy apparatus 800 may be configured to deliver both coplanar and non-coplanar (also referred to as tilted) modes of radiotherapy treatment. In coplanar treatment, radiation is emitted in a plane which is perpendicular to the axis of rotation of the radiation head 804. In non-coplanar treatment, radiation is emitted at an angle which is not perpendicular to the axis of rotation. In order to deliver coplanar and non-coplanar treatment, the radiation head 804 can move between at least two positions, one in which the radiation is emitted in a plane which is perpendicular to the axis of rotation (coplanar configuration) and one in which radiation is emitted in a plane which is not perpendicular to the axis of rotation (non-coplanar configuration) .

[0168] In the coplanar configuration, the radiation head is positioned to rotate about a rotation axis and in a first plane. In the non-coplanar configuration, the radiation head is tilted with respect to the first plane such that a field of radiation produced by the radiation head is directed at an oblique angle relative to the first plane and the rotation axis. In the non-coplanar configuration, the radiation head is positioned to rotate in a respective second plane parallel to and displaced from the first plane. The radiation beam is emitted at an oblique angle with respect to the second plane, and therefore as the radiation head rotates the beam sweeps out a cone shape.

[0169] The beam receiving apparatus 806 remains in the same place relative to the rotatable gantry when the radiotherapy apparatus is in both the coplanar and non-coplanar modes. Therefore, the beam receiving apparatus 806 is configured to rotate about the rotation axis in the same plane in both coplanar and non-coplanar modes. This may be the same plane as the plane in which the radiation head rotates.

[0170] The beam shaping apparatus 850 is configured to reduce the spread of the field of radiation in the non-coplanar configuration in comparison to the coplanar configuration.

[0171] The radiotherapy apparatus 800 includes a controller 840 which is programmed to control the radiation source 807, beam receiving apparatus 806 and the gantry 802. Controller 840 may perform functions or operations such as treatment planning, treatment execution, image acquisition, image processing, motion tracking, motion management, and / or other tasks involved in a radiotherapy process.

[0172] Controller 840 is programmed to control features of apparatus 800 according to a radiotherapy treatment plan for irradiating a target region, also referred to as a target tissue, of a patient. The treatment plan includes information about a particular dose to be applied to a target tissue, as well as other parameters such as beam angles, dose-histogram-volume information, the number of radiation beams to be used during therapy, the dose per beam, and the like. Controller 840 is programmed to control various components of apparatus 800, such as gantry 802, radiation head 804, beam receiving apparatus 806, and support surface 810, according to the treatment plan.

[0173] Hardware components of controller 840 may include one or more computers (e.g., general purpose computers, workstations, servers, terminals, portable / mobile devices, etc. ) ; processors (e.g., central processing units (CPUs) , graphics processing units (GPUs) , microprocessors, digital signal processors (DSPs) , field programmable gate arrays (FPGAs) , special-purpose or specially-designed processors, etc. ) ; memory / storage devices such as a memory (e.g., read-only memories (ROMs) , random access memories (RAMs) , flash memories, hard drives, optical disks, solid-state drives (SSDs) , etc. ) ; input devices (e.g., keyboards, mice, touch screens, mics, buttons, knobs, trackballs, levers, handles, joysticks, etc. ) ; output devices (e.g., displays, printers, speakers, vibration devices, etc. ) ; circuitries; printed circuit boards (PCBs) ; or other suitable hardware. Software components of controller 140 may include operation device software, application software, etc.

[0174] The radiation head 804 may be connected to a head actuator 830 which is configured to actuate the radiation head 804, for example between a coplanar configuration and one or more non-coplanar configurations. This may involve translation and rotation of the radiation head 804 relative to the gantry. In some implementations, the head actuator may include a curved rail along which the radiation head 804 may be moved to adjust the position and angle of the radiation head 804. The controller 840 may control the configuration of the radiation head 804 via the head actuator 830.

[0175] The beam shaping apparatus 850 includes a shaping actuator 832. The shaping actuator is configured to control the position of one or more elements in the beam shaping apparatus 850 in order to shape the radiation beam 822. In some implementations, the beam shaping apparatus 850 includes an MLC, and the shaping actuator 832 includes means for actuating leaves of the MLC. The beam shaping apparatus 850 may further comprise a diaphragm, and the shaping actuator 832 may include means for actuating blocks of the diaphragm. The controller 840 may control the beam shaping apparatus 850 via the shaping actuator 832.

[0176] A treatment plan may comprise positioning information of beam shaping apparatus 850. The positioning information of beam shaping apparatus 850 may comprise information indicating a configuration of one or more elements of beam shaping apparatus 850, such as leaf configuration of an MLC of beam shaping apparatus 850, a configuration of a diaphragm of beam shaping apparatus 850, a configuration of an opening (e.g., window or aperture) of the MLC, and / or the like.

[0177] Unless specifically stated otherwise, as apparent from the following discussion, it is appreciated that throughout the description, discussions utilizing terms such as "receiving” , “determining” , “comparing ” , “enabling” , “maintaining, ” “identifying, ” , “obtaining” , “accessing” or the like, refer to the actions and processes of a computer system, or similar electronic computing device, that manipulates and transforms data represented as physical (electronic) quantities within the computer system's registers and memories into other data similarly represented as physical quantities within the computer system memories or registers or other such information storage, transmission or display devices.

[0178] While certain embodiments have been described, these embodiments have been presented by way of example only and are not intended to limit the scope of the claims appended hereto. It will be appreciated by those skilled in the art that other examples may be employed apart from these specific details. Indeed, the novel methods and apparatus described herein may be embodied in a variety of other forms; furthermore, various omissions, substitutions and changes in the form of methods and apparatus described herein may be made.

[0179] In some instances, detailed descriptions of well-known methods and devices have been omitted so as not to obscure the description with unnecessary detail. Where appropriate, the technology may be considered to be embodied within any form of computer-readable memory, such as solid-state memory, magnetic disk, or optical disk containing an appropriate set of  computer instructions that would cause a processor to carry out the techniques described herein.

Claims

1.A computer-implemented method for radiation treatment planning, the method comprising:performing (202) a first dose calculation for one or more scenarios comprised in a first batch of a plurality of batches, wherein each batch of the plurality of batches comprises one or more scenarios related to radiation treatment of a patient;responsive to completion of the first dose calculation, initiating (204) an optimization procedure for the one or more scenarios comprised in the first batch based on an output of the first dose calculation, wherein the optimization procedure seeks to optimize one or more first parameters of a treatment plan for the radiation treatment of the patient;performing (206) , in parallel with the optimization procedure, a further dose calculation for one or more scenarios comprised in a further batch of the plurality of batches; andresponsive to completion of the further dose calculation, updating (208) the optimization procedure to include the one or more scenarios comprised in the further batch such that the optimization procedure is further based on the output of the further dose calculation.2.The method of claim 1, further comprising, for each remaining batch of the plurality of batches, iterating the steps of performing a further dose calculation in parallel with the optimization procedure and updating the optimization procedure until all of the batches comprised in the plurality of batches are included in the optimization procedure.3.The method of claim 2, further comprising:responsive to determining that all of the batches comprised in the plurality of batches are included in the optimization procedure and that the optimization procedure is complete, outputting the one or more first parameters for the radiation treatment of the patient to a treatment planning system.4.The method of any preceding claim, wherein the one or more first parameters comprise or relate to one or more of: beam shape, beam weight, beamlet weight, spot weight, spot position, beam angle, dose-histogram-volume information, a number of radiation beams, a number of beamlets, a number of spots, a dose per beam, gantry angle, collimator shape, a number of monitor units, and a fluence map.5.The method of any preceding claim, wherein the scenarios comprise variations in one or more second parameters of the treatment plan.6.The method of claim 5, wherein the one or more second parameters relate to one or more of: patient position, beam geometry, and patient model representation.7.The method of any preceding claim, wherein the optimization procedure is performed by processing circuitry comprised in a first processing unit, and the further dose calculation is performed by processing circuitry comprised in a second processing unit that is different to the first processing unit.8.A data processing apparatus (500) configured to:perform a first dose calculation for one or more scenarios comprised in a first batch of a plurality of batches, wherein each batch of the plurality of batches comprises one or more scenarios related to radiation treatment of a patient;responsive to completion of the first dose calculation, initiate an optimization procedure for the one or more scenarios comprised in the first batch based on an output of the first dose calculation, wherein the optimization procedure seeks to optimize one or more first parameters of a treatment plan for the radiation treatment of the patient;perform, in parallel with the optimization procedure, a further dose calculation for one or more scenarios comprised in a further batch of the plurality of batches; andresponsive to completion of the further dose calculation, update the optimization procedure to include the one or more scenarios comprised in the further batch such that the optimization procedure is further based on the output of the further dose calculation.9.The data processing apparatus (500) of claim 8, further configured to carry out the method of any of claims 2-7.10.A data processing apparatus (500) comprising:a memory (501) storing computer-executable instructions; andprocessing circuitry (502) configured to execute the instructions to:perform a first dose calculation for one or more scenarios comprised in a first batch of a plurality of batches, wherein each batch of the plurality of batches comprises one or more scenarios related to radiation treatment of a patient;responsive to completion of the first dose calculation, initiate an optimization procedure for the one or more scenarios comprised in the first batch based on an output of the first dose calculation, wherein the optimization procedure seeks to optimize one or more first parameters of a treatment plan for the radiation treatment of the patient;perform, in parallel with the optimization procedure, a further dose calculation for one or more scenarios comprised in a further batch of the plurality of batches; andresponsive to completion of the further dose calculation, update the optimization procedure to include the one or more scenarios comprised in the further batch such that the optimization procedure is further based on the output of the further dose calculation.11.The data processing apparatus of claim 10, wherein the processing circuitry is further configured to execute the instructions to carry out the method of any of claims 2-7.12.A computer program comprising instructions which, when the program is executed by a computer, cause the computer to carry out the method of any of claims 1-7.13.A non-transitory computer-readable storage medium comprising instructions which, when executed by a computer, cause the computer to carry out the method of any of claims 1-7.14.A computer program product comprising the non-transitory computer-readable storage medium of claim 13.

Images