Radiation treatment optimization using selective resolution

Abstract

A computer-implemented method optimizes radiation therapy parameters represented by multiple beamlets by obtaining a grid for an anatomical region at a specified resolution and obtaining an indication of subregions where grid resolution is reducible. For each beamlet, the method calculates a beamlet dose distribution corresponding to the specified resolution grid. The method determines sparse representations of the beamlet dose distributions based on the obtained indication, where each sparse representation comprises grouped voxels in the reducible subregions. The radiation therapy parameters are then optimized using these sparse representations, enabling reduced memory consumption while maintaining dose accuracy in critical regions. The method supports various treatment parameters including dose, linear energy transfer (LET), and radiobiological effectiveness (RBE) calculations across different radiation modalities.

Description

RADIATION TREATMENT OPTIMIZATION USING SELECTIVE RESOLUTIONBACKGROUND

[0001] Radiation therapy is an important medical treatment modality involving precise delivery of radiation doses to target specific anatomical regions, while aiming to minimize exposure to surrounding healthy tissue. Treatment planning systems utilize computational methods to calculate and optimize various parameters including dose distribution, linear energy transfer (LET) , and radiobiological effectiveness (RBE) across three-dimensional patient anatomies. Such calculations can be performed for a plurality of individual volumetric elements (e.g., voxels) arranged in computational grids that represent the patient anatomy.BRIEF DESCRIPTION OF THE DRAWINGS

[0002] In the drawings, which are not necessarily drawn to scale, like numerals can describe similar components in different views. Like numerals having different letter suffixes can represent different instances of similar components. The drawings illustrate generally, by way of example, but not by way of limitation, various embodiments discussed in the present document.

[0003] FIG. 1 depicts a system for radiation treatment calculation and delivery.

[0004] FIG. 2 illustrates an aspect of the subject matter in accordance with one embodiment.

[0005] FIG. 3 depicts an example of an image slice including a down-sampled region.

[0006] FIG. 4 is a flowchart showing a process for optimizing radiation dose calculation.

[0007] FIG. 5 is a flowchart showing a process for of reducing memory requirements during dose calculation via selective grouping of regions of patient anatomy for receiving radiotherapy treatment.

[0008] FIG. 6 illustrates an exemplary system radiation treatment optimization using selective resolution.

[0009] FIG. 7 illustrates an exemplary radiation therapy apparatus.

[0010] FIG. 8 depicts an exemplary radiation therapy system.DETAILED DESCRIPTION

[0011] Certain approaches to treatment plan optimization in intensity modulated radiotherapy (IMRT) can involve significant memory consumption and time, such as to perform dose representation for many beamlets (proton spots, carbon spots, narrow photon beams or segments, etc. ) to find the optimum delivery solution. Such memory and time consumption can present a challenge, e.g., for certain hardware (e.g., graphics processing unit (GPU) , when high dose distribution resolution is required for some patient regions, when robust optimization for multiple patient representations needs to be applied, for very large targets surrounded by sensitive organs, for complex many prescriptions with many organs involved, for novel irradiation methods like proton or carbon arc, or for online adaptive treatments.

[0012] The present inventors have recognized the benefits of a technique involving selective resolution optimization to mitigate the above-identified challenges. Such a technique can benefit, e.g., GPU-based calculations, where memory constraints are more severe than certain CPU-based systems. The systems and methods described herein can help enable optimization of treatment plans that could otherwise rapidly exceed available memory resources, especially in instances requiring relatively high-resolution calculations (e.g., stereotactic radiosurgery with multiple lesions) . By contrast to certain other approaches involving variable grid sizes implemented during an initial dose calculation, the present document describes a technique that maintains high-resolution particle transport calculations throughout the entire patient volume, ensuring accurate dose calculations even in regions where dose representation is subsequently down-sampled. This can help preserve dosimetric accuracy while achieving significant reductions in memory usage and computation time.

[0013] For example, a process can include obtaining a grid representing an anatomical region at a specified resolution. One or more subregions within the anatomical region can be indicated (e.g., via annotation) that the grid resolution may be reduced without substantially impacting the accuracy of the anatomical representation. For each beamlet in a plurality of beamlets, a beamlet dose distribution can be calculated, and individual beamlet dose distribution corresponding to the grid at the specified resolution.

[0014] To help decrease total memory requirements while substantially preserving dose accuracy, the process determines a sparse representation of each beamlet dose distribution based on the one or more subregions having been indicated for reduced grid resolution. Such a sparse representation can be achieved, e.g., by joining dose from original voxels in less important regions to create larger volume voxels. As such, the original fine grid resolution can be maintained in important patient regions, such as tumors, specific sensitive structures, an organ at risk, or an edge near sensitive structures. The sparse representation can include an array of elements, where each element represents a beamlet dose for a group of voxels (a group of voxels may comprise one or more voxels) . The dose value for grouped voxels can be determined through various approaches, such as simple averaging of dose values or performing weighted averages based on mass density.

[0015] The process can support various treatment parameters beyond dose calculations, including linear energy transfer (LET) , LET multiplied by dose, Z*for carbon therapy, or radiobiological effectiveness (RBE) . The approach can be applied to different radiation modalities, including photon therapy, proton therapy, and carbon ion therapy. Such a process can support optimization of multiple patient representations simultaneously, facilitating robust optimization and adaptive treatment planning.

[0016] FIG. 1 depicts a system for radiation treatment calculation and delivery. The system 128 can be performed on a computer such as a server or the like that can comprise hardware, software, or both. The system 128 can utilize a graphical processing unit (GPU) to perform complex calculations for radiation treatment planning, such as for performing calculations at a higher resolution and to decrease memory requirements and computation time. In particular, dose calculations can be performed at a higher resolution in important patient regions, such as tumors, edges, and sensitive organs. This can facilitate more accurate contouring and better dose calculations in important regions while substantially decreasing memory usage and computation time. The system can be utilized in combination with a treatment planning system (TPS) such as a commercial TPS or a research TPS. Thus, the system 128 for radiation system for radiation treatment calculation and delivery can be implemented within a commercial TPS or alternatively provided as a stand-alone system. The system 128 for radiation treatment calculation and delivery can be similar to image processing computing system 610 described below with respect to FIG. 6, and can include similar componentry and circuitry, e.g., configured for executing operations 104-110.

[0017] In an example, the system 128 can include or use a treatment optimization unit 102. The treatment optimization unit 102 can include circuitry to perform beamlet dose calculation 106, sparse representation of beamlet dose determination 108, radiation therapy optimization 110, and optionally receiving or generating an indication of an area that may have a reduced grid resolution, (such as via grid determination 104) . Radiation therapy parameters, such as doses, calculated or determined by the treatment optimization unit 102 can ultimately be transmitted to a radiation therapy apparatus 702 for delivery to a patient. An exemplary radiation therapy apparatus 702 is described further below with respect to FIG. 7.

[0018] At 104, the treatment optimization unit 102 can include or use circuitry to optimize radiation therapy parameters by first providing or obtaining an anatomical region grid with a specified resolution that serves as the foundation for dose calculations. For example, the grid determination 104 can involve configuring the initial grid as a uniform grid to facilitate consistent initial sampling. The grid determination 104 can also identify or receive an indication of at least one subregion within the anatomical region where grid resolution can be reduced. For example, such an identification can be performed via direct user input (e.g., user annotation of an image slice on a user interface) or via an automated template.

[0019] At 106, the treatment optimization unit 102 can include or use circuitry to calculate, for each beamlet in the plurality of beamlets, a detailed beamlet dose distribution corresponding to the initial specified resolution grid. Such calculations can maintain high accuracy based on the beamlet dose calculation 106 being performed on the original fine resolution grid, which can be particularly important for particle transport accuracy in proton and carbon ion therapy.

[0020] At 108, the treatment optimization unit 102 can determine sparse representations of each beamlet dose distribution based on the obtained indication of reducible resolution subregions. Such sparse representations can include arrays of elements, where each element represents the beamlet dose for a specific group of voxels (a group of voxels may comprise one or more voxels) . As such, each element can represent a dose value at voxels having non-uniform sizes, resulting from a reduced resolution in regions that have been indicated as such. For example, the sparse presentation can be based on an indication of which subregion (s) have reducible resolution (e.g., received or performed at the grid determination 104) . Such a grouping process can involve combining grid voxels and assigning dose values through either simple averaging of the dose values or performing a weighted average based on mass density of the original voxels. As described herein, the determining of a sparse representation can be interchangeably referred to as “down-sampling” .

[0021] At 110, the treatment optimization unit 102 can include or use circuitry for post-processing of the calculated beamlet dose distributions before determining their sparse representations. For example, to optimize memory usage, the original beamlet dose distribution at the specified resolution can be deleted or otherwise discarded after the sparse representation is created. Such a discarding can facilitate a substantial reduction in memory usage and time while preserving accurate dose calculations in important patient regions.

[0022] [Rectified under Rule 91, 31.03.2025]FIG. 2 depicts exemplary computational grids representing patient anatomy at specified resolutions. While shown in FIG 2 (and similarly below in FIG 3) as two dimensional (2D) grids, such grids can be understood as representing three dimensional (3D) grids such as to represent patient anatomy in voxels. Alternatively, techniques described herein with respect to voxels can be similarly performed in 2D, with respect to variably down-sampled 2D grids of pixels representing patient anatomy. As described with respect to the sparse representation of beamlet dose determination 108 operation of FIG. 1, an initial grid 202 can be “down-sampled” , such that dose calculations are ultimately performed at a lower resolution in subregions where it is not important or necessary to perform dose calculation in fine detail (as compared to subregions at or near a region of interest 205 or contour) . The initial grid 202 can be provided or obtained at a specified first uniform resolution, such as a uniform voxel grid size of less than about 10 cubic millimeters (mm3) , less than about 8mm2, less than about 5mm3, less than about 3mm3, or less than about 2mm3. Note, that while FIG. 2 illustrates an initial grid 202 having a uniform grid resolution, the initial grid may also have a non-uniform resolution. Such a grid may be further down-sampled, as described with reference to grids 204, 206, and 208.

[0023] Certain other approaches to down-sampling a grid size around a region of interest 205 can involve lowering the first uniform resolution down to a second combination of resolutions, including down-sampled voxels 210A, for example. In grid 204, where the region of interest 205 (e.g., a patient organ or other area where it is desirable to avoid radiation therapy or an edge of a tumor) is identified to one side of the contour, an estimation for which voxels to down-sample can be conservative (e.g., where resolution is retained near the contour, such as where accuracy is preferred) . In grid 206, an aggressive down-sampling is shown (e.g., where resolution is lost at or near the contour, but may lead to quicker treatment or planning) .

[0024] The sparse representation of beamlet dose determination 108 can involve determining a variable down-sampled grid 208, including down-sampled voxels 210B, 210C, and 210D including different (e.g., non-uniform sized, non-uniformed orientation, etc. ) areas from one another. For example, the sparse representation of beamlet dose determination 108 can include multiple, differently-sized groupings of voxels from the grid and assigning a dose value to each respective group. Here, a specified region of interest can contain group of coarsest down-sampled voxels, e.g., such that none of these voxels extends at all beyond an outer border the specified region of interest. Subsequently, such a coarseness can be decreased to further “fill-in” the area of the specified region of interest that is not already covered by the group of coarsest down-sampled voxels. Alternatively or additionally, such decreasing of coarseness to fill in the area of the specified region of interest can be determined at least in part based on a distance of the region to the contour. Such steps can be repeatably performed, e.g., until an original voxel resolution approximately equals a specified down-sampled resolution.

[0025] For example, a dose value can be assigned to an individual group according to the following equations:

[0026] Equation 1. Dose in a down-sampled coarse voxel including N fine resolution grid voxels, where ρi is mass density and Di is dose to fine resolution grid voxel i

[0027]

[0028] Equation 2. Averaged dose in a down-sampled coarse voxel consisting of N fine resolution grid voxels, where Di is dose to fine resolution grid voxel i

[0029]

[0030] Tables 1 and 2 show examples of different treatment plan optimizations, each comparing the use of an initial grid (which is referred to as a ‘Fine dose grid’ in the tables and which is, e.g., similar to the uniform initial grid 202) as compared to a down-sampling approach (e.g., similar to the down-sampling depicted in grid 204) . Table 1 relates to nominal plan optimization for a brain metastases test case that comprises the following anatomical structures: planned target volume (PTV) , brain stem, and patient. The fine dose grid (left column) has a grid size of 0.1 cm while, for the down-sampled dose grid (right column) , the grid size is 0.1 cm with down-sampling to 0.2 cm (similar to grid 204 of FIG. 2) being applied to a subregion of the ‘patient’ anatomical structure outside of additional margin of 0.2 cm to PTV. Table 2 relates to robust plan optimization for a brain metastases test case that comprises the following anatomical structures: target volume, Brain, BrainStem, and patient. The fine dose grid (left column) has again grid size of 0.1 cm while, for the down-sampled dose grid (right column) , the grid size is 0.1 cm with down-sampling to 0.2 cm (similar to grid 204 of FIG. 2) being applied to a subregion of the ‘patient’ anatomical structure outside of additional margin of 0.2 cm to target volume. As evident from the tables, certain approaches to down-sampling as described herein can help reduce a memory load on a system processor or reduce the amount of optimization time or optimization iterations required for a desired treatment plan optimization.

[0031] Table 1: Exemplary Nominal Plan Optimization

[0032] Table 2: Exemplary Robust Optimization

[0033] FIG. 3 depicts depict an example of an image slice including a down-sampled region. An initial image resolution for dose calculation can be prepared based on the initial grid 202 (as shown and described with respect to FIG. 2) . Following the down-sampling of the voxels during beamlet dose determination, a sparse grid representation can include a refined or otherwise augmented image resolution. The refined or otherwise augmented image resolution can be used to determine the sparse array (e.g., a post-processed dose distribution performed on a variably reduced-resolution grid) .

[0034] FIG. 4 is a flowchart showing a process for optimizing radiation dose calculation. The process 400 can be performed including, the treatment optimization unit 102 of FIG. 1, the processing circuitry 612, etc.

[0035] At 402, the process 400 can involve providing (e.g., calculating or determining) or obtaining an annotated, initial grid representing patient anatomy. The initial grid may correspond to that of FIG. 2, for example. For example, the process 400 can involve receiving or facilitating annotation from a physician, such as manual contouring of an image slice on a user interface. The annotations can indicate one or more regions where the grid resolution is reducible, e.g., based on a proximity to a region of interest. Alternatively or additionally, the process 400 can determine such one or more regions where the grid resolution is reducible automatically, such as via image analysis techniques to automatically detect body contours from an image slice. The uniform grid can be a 3D grid. For example, the uniform grid can represent patient anatomy in the form of a 3D image stack of axial, coronal, and sagittal views.

[0036] At 404, the process 400 can involve calculating a beam dose on the initial patient grid. In an example, the beam dose can be represented by plurality of beamlets. Here, a beamlet represents a portion of a beam (e.g. a sub-beam) . A beamlet can be e.g. a particle spot, a narrow photon beam, or a multi-leaf collimator (MLC) segment. In an example, the beam dose can be represented by a weighted sum of beamlet doses.

[0037] Such a calculation can be performed according to equation 3, where D is the beam dose, D1 is beamlet dose due to beamlet 1, D2 is beamlet dose due to beamlet 2. D, D1, D2 are dose distributions over the initial grid. Each element in D1 or D2 represents a dose value at voxel, i, where i = 1, 2, 3…n. Although this example and Equation 3 refers to a beam dose D with contributions from beamlet doses D1 and D2, it will be understood that more than two beamlets may be used.

[0038] Equation 3: D (x, y, z) = w1*D1 (x, y, z) + w2*D2 (x, y, z)

[0039] In an example, additionally and optionally, D1 and D2 can be used to calculate a post processed array D1’ or D2’. For example, the post processing can involve removal of certain sample (s) . So a post processed D1’ or D2’ may have a size of < n. Each element of that D1’ or D2’ postprocessed array can represent a dose value at a voxel, i. In an example, the post processed array can include the dose value at every ～2 voxels. Here, D1’ and D2’ each have a size of ～1 / 2n, and each element represents the dose value at voxel i, where i = 1, 3, 5, 7, …n.

[0040] At 406, the process can involve creating down-sampled beamlet sparse arrays from 3D dose grids and removing the 3D dose grids (e.g., deleting the 3D dose grids from memory) . Here, D1 and D2 (or D1’ and D2’) can be calculated into a sparse representation δ1 and δ2. δ1 and δ2 can represent more compact representations of D1 and D2 (or D1’ and D2’) . δ1 and δ2 have sizes < n. For example, the elements in δ1 and δ2 can correspond to dose values in a voxel or a group of voxels: e.g., 1, 2-5, 6, 7-8, 9, 10, 11-27. Here, δ1 and δ2 each comprise 7 elements, with each element of δ1 and δ2 representing a dose value at a voxel group. A voxel group may comprise one (e.g., elements 1, 3, 5, 6 of the above example) or more voxels. Each voxel group effectively represents a voxel having a different size (the size depending on the grouping) . Hence, each element of δ1 and δ2 effectively represents the dose value at a voxel, with the voxels potentially having non-uniform sizes (the non-uniform sizes based on the voxel grouping) . Such voxels / voxel groups can be indicated by a user or using certain specified logic (e.g. via a template) . In an example, such non-uniformity can be obtained by considering which voxels correspond to subregions of the grid where a coarser resolution is acceptable.

[0041] In an example, to obtain δ1 and δ2, voxels in a subregion are grouped together and a combined dose value can be assigned to that group. An individual group of voxels can represent a larger size than an individual voxel from the grid. In an example, steps 404 and 406 can be repeated such as to cycle through a plurality of beamlets or beamlet batches.

[0042] At 408, the dose, with beamlets represented by down-sampled sparse arrays, can be optimized. Here, with reference to Equation 3, δ1 and δ2 can be used as a representation of the beamlet doses, instead of D1 and D2, in an optimization step to determine the values for w1 and w2. In an example, the beam dose for optimizing can be represented by plurality of beamlets. Here, a beamlet can represent a portion of a beam (e.g. a sub-beam) . In an example, the beam dose can be represented by a weighted sum of beamlet doses. Such an optimization operation can facilitate finding an acceptable value of such weights that would yield a desired beam dose, such as calculated according to plurality of treatment goals (e.g., according to a cost function algorithm) .

[0043] FIG. 5 is a flowchart showing a process for of reducing memory requirements during dose calculation via selective grouping of regions of patient anatomy for receiving radiotherapy treatment. The process 500 can be performed including, the treatment optimization unit 102 of FIG. 1, the processing circuitry 612, etc.

[0044] At 502, the process 500 can involve generating a grid representing the patient anatomy at a specified grid resolution. This initial grid can provide a uniform representation of the anatomical structures at a specified resolution level, with uniform size and shape across the grid. In an example, the process 500 can involve identifying regions suitable for reduced resolution calculation, such as based on a specified distance between regions and identified organs at risk (OARs) . The location of reduced resolution pixels or voxels relative to structure contours can be either user-specified or automated based on conservative or aggressive selection criteria.

[0045] At 504, the process 500 can involve, for a given radiotherapy beamlet or segment, calculating first specified treatment parameters for pixels or voxels of the grid. Such parameters can include, e.g., beamlet dose, segment dose, linear energy transfer (LET) , radial biological effectiveness, or other LET-related quantities, which are maintained in active memory during calculation.

[0046] At 506, based on the first specified treatment parameters, the process 500 can involve generating an array representing the grid with reduced resolution. Such a reduction can be achieved by down-sampling from the specified grid resolution in selected portions of the pixels or voxels. During this process, any pixel or voxel that includes a zero dose in the first specified treatment parameters may be removed from the array to further optimize memory usage. The reduced resolution can include at least one combination of pixels or voxels larger than the uniform size of the original grid. In an example, the array containing the second specified treatment parameters can be stored to memory after calculation. The generation of the array and calculation of second specified treatment parameters can occur concurrently, optimizing processing efficiency.

[0047] At 508, the process 500 can involve calculating second specified treatment parameters for the portion of pixels or voxels in the reduced resolution array. Such calculations can include determining treatment parameters for pixels in the array that correspond to combinations of adjacent pixels in the grid, with the treatment parameters representing averages of the parameters for the adjacent pixels. The second specified treatment parameters can be configured as a subset of the first specified treatment parameters.

[0048] The process 500 can facilitate weight adjustment of the radiotherapy beamlet or segment for each pixel or voxel of the array based on a cost function. Such a weight adjustment operation can occur concurrently while calculating third specified treatment parameters for a second radiotherapy beamlet or segment, enabling efficient processing. The weight adjustment operation can involve adjusting weights for multiple arrays corresponding to multiple beamlets simultaneously.

[0049] FIG. 6 illustrates an exemplary system radiation treatment optimization using selective resolution. The radiotherapy system includes an image processing computing system 610 which hosts processing logic 620. The image processing computing system 610 may be connected to a network (not shown) , and such network may be connected to the Internet. For instance, a network can connect the image processing computing system 610 with one or more medical information sources (e.g., a radiology information system (RIS) , a medical record system (e.g., an electronic medical record (EMR)  / electronic health record (EHR) system) , an oncology information system (OIS) ) , one or more image data sources 650, an image acquisition device 670, and a treatment device 680 (e.g., a radiation therapy device) . As an example, the image processing computing system 610 can be configured to perform dose calculation operations by executing instructions or data from the processing logic 620, as part of operations to generate and customize radiation therapy treatment plans to be used by the treatment device 680.

[0050] The image processing computing system 610 may include processing circuitry 612, memory 614, a storage device 616, and other hardware and software-operable features such as a user interface 640, communication interface, and the like. The storage device 616 may store computer-executable instructions, such as an operating system, radiation therapy treatment plans (e.g., original treatment plans, adapted treatment plans, or the like) , software programs (e.g., radiotherapy treatment plan software, artificial intelligence implementations such as deep learning models, machine learning models, and neural networks, etc. ) , and any other computer-executable instructions to be executed by the processing circuitry 612.

[0051] In an example, the processing circuitry 612 may include a processing device, such as one or more general-purpose processing devices such as a microprocessor, a central processing unit (CPU) , a graphics processing unit (GPU) , an accelerated processing unit (APU) , or the like. More particularly, the processing circuitry 612 may be a complex instruction set computing (CISC) microprocessor, a reduced instruction set computing (RISC) microprocessor, a very long instruction Word (VLIW) microprocessor, a processor implementing other instruction sets, or processors implementing a combination of instruction sets. The processing circuitry 612 may also be implemented by 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) , a System on a Chip (SoC) , or the like. As would be appreciated by those skilled in the art, in some examples, the processing circuitry 612 may be a special-purpose processor, rather than a general-purpose processor. The processing circuitry 612 may include one or more known processing devices, such as a microprocessor from the PentiumTM, CoreTM, XeonTM, or  family manufactured by IntelTM, the TurionTM, AthlonTM, SempronTM, OpteronTM, FXTM, PhenomTM family manufactured by AMDTM, or any of various processors manufactured by Sun Microsystems. The processing circuitry 612 may also include graphical processing units such as a GPU from the  family manufactured by NvidiaTM, GMA, IrisTM family manufactured by IntelTM, or the RadeonTM family manufactured by AMDTM. The processing circuitry 612 may also include accelerated processing units such as the Xeon PhiTMfamily manufactured by IntelTM. The disclosed embodiments are not limited to any type of processor (s) otherwise configured to meet the computing demands of identifying, analyzing, maintaining, generating, and / or providing large amounts of data or manipulating such data to perform the methods disclosed herein. In addition, the term “processor” may include more than one processor, for example, a multi-core design or a plurality of processors each having a multi-core design. The processing circuitry 612 can execute sequences of computer program instructions, stored in memory 614, and accessed from the storage device 616, to perform various operations, processes, methods that will be explained in greater detail below.

[0052] The memory 614 may comprise read-only memory (ROM) , a phase-change random access memory (PRAM) , a static random access memory (SRAM) , a flash memory, a random access memory (RAM) , a dynamic random access memory (DRAM) such as synchronous DRAM (SDRAM) , an electrically erasable programmable read-only memory (EEPROM) , a static memory (e.g., flash memory, flash disk, static random access memory) as well as other types of random access memories, a cache, a register, a compact disc read-only memory (CD-ROM) , a digital versatile disc (DVD) or other optical storage, a cassette tape, other magnetic storage device, or any other non-transitory medium that may be used to store information including image, data, or computer executable instructions (e.g., stored in any format) capable of being accessed by the processing circuitry 612, or any other type of computer device. For instance, the computer program instructions can be accessed by the processing circuitry 612, read from the ROM, or any other suitable memory location, and loaded into the RAM for execution by the processing circuitry 612.

[0053] The storage device 616 may constitute a drive unit that includes a machine-readable medium on which is stored one or more sets of instructions and data structures (e.g., software) embodying or utilized by any one or more of the methodologies or functions described herein (including, in various examples, the processing logic 620 and the user interface 640) . The instructions may also reside, completely or at least partially, within the memory 614 and / or within the processing circuitry 612 during execution thereof by the image processing computing system 610, with the memory 614 and the processing circuitry 612 also constituting machine-readable media.

[0054] The memory device 614 or the storage device 616 may constitute a non-transitory computer-readable medium. For example, the memory device 614 or the storage device 616 may store or load instructions for one or more software applications on the computer-readable medium. Software applications stored or loaded with the memory device 614 or the storage device 616 may include, for example, an operating system for common computer systems as well as for software-controlled devices. The image processing computing system 610 may also operate a variety of software programs comprising software code for implementing the processing logic 620 and the user interface 640. Further, the memory device 614 and the storage device 616 may store or load an entire software application, part of a software application, or code or data that is associated with a software application, which is executable by the processing circuitry 612. In a further example, the memory device 614 or the storage device 616 may store, load, or manipulate one or more radiation therapy treatment plans, imaging data, beamlet dose distribution, patient grid data, patient state data, dictionary entries, artificial intelligence model data, labels and mapping data, etc. It is contemplated that software programs may be stored not only on the storage device 616 and the memory 614 but also on a removable computer medium, such as a hard drive, a computer disk, a CD-ROM, a DVD, a HD, a Blu-Ray DVD, USB flash drive, a SD card, a memory stick, or any other suitable medium; such software programs may also be communicated or received over a network.

[0055] Although not depicted, the image processing computing system 610 may include a communication interface, network interface card, and communications circuitry. An example communication interface may include, for example, a network adaptor, a cable connector, a serial connector, a USB connector, a parallel connector, a high-speed data transmission adaptor (e.g., such as fiber, USB 3.0, thunderbolt, and the like) , a wireless network adaptor (e.g., such as a IEEE 802.11 / Wi-Fi adapter) , a telecommunication adapter (e.g., to communicate with 3G, 4G / LTE, and 5G, networks and the like) , and the like. Such a communication interface may include one or more digital and / or analog communication devices that permit a machine to communicate with other machines and devices, such as remotely located components, via a network. The network may provide the functionality of a local area network (LAN) , a wireless network, a cloud computing environment (e.g., software as a service, platform as a service, infrastructure as a service, etc. ) , a client-server, a wide area network (WAN) , and the like. For example, network may be a LAN or a WAN that may include other systems (including additional image processing computing systems or image-based components associated with medical imaging or radiotherapy operations) .

[0056] In an example, the image processing computing system 610 may obtain image data 660 from the image data source 650, for hosting on the storage device 616 and the memory 614. In an example, the software programs operating on the image processing computing system 610 may convert medical images of one format (e.g., MRI) to another format (e.g., CT) , such as by producing synthetic images, such as a pseudo-CT image. In another example, the software programs may register or associate a patient medical image (e.g., a CT image or an MR image) with that patient’s dose distribution of radiotherapy treatment (e.g., also represented as an image) so that corresponding image voxels and dose voxels are appropriately associated. In yet another example, the software programs may substitute functions of the patient images such as signed distance functions or processed versions of the images that emphasize some aspect of the image information. Such functions might emphasize edges or differences in voxel textures, or other structural aspects.

[0057] The processing circuitry 612 may be communicatively coupled to the memory 614 and the storage device 616, and the processing circuitry 612 may be configured to execute computer executable instructions stored thereon from either the memory 614 or the storage device 616. The processing circuitry 612 may execute instructions to cause medical images from the image data 660 to be received or obtained in memory 614 and processed using the processing logic 620. For example, the image processing computing system 610 may receive image data 660 from the image acquisition device 670 or image data sources 650 via a communication interface and network to be stored or cached in the storage device 616. The processing circuitry 612 may also send or update medical images stored in memory 614 or the storage device 616 via a communication interface to another database or data store (e.g., a medical facility database) . In some examples, one or more of the systems may form a distributed computing / simulation environment that uses a network to collaboratively perform the embodiments described herein. In addition, such network may be connected to internet to communicate with servers and clients that reside remotely on the internet.

[0058] In further examples, the processing circuitry 612 may utilize software programs (e.g., a treatment planning software) along with the image data 660 and other patient data to create a radiation therapy treatment plan. In an example, the image data 660 may include 2D or 3D images, such as from a CT or MR.

[0059] Further, such software programs may utilize processing logic 620 to implement a treatment parameter delivery workflow 630. The processing circuitry 612 may subsequently then transmit the executable radiation therapy treatment plan via a communication interface and the network to the treatment device 680, where the radiation therapy plan will be used to treat a patient with radiation via the treatment device, consistent with results of the treatment parameter delivery workflow 630. Other outputs and uses of the software programs and the treatment parameter delivery workflow 630 may occur with use of the image processing computing system 610. In an example, the treatment parameter delivery workflow can include or facilitate operations 104-110 as described with respect to FIG. 1.

[0060] In an example, the image data 660 may include one or more MRI images (e.g., 2D MRI, 3D MRI, 2D streaming MRI, 4D MRI, 4D volumetric MRI, 4D cine MRI, etc. ) , functional MRI images (e.g., fMRI, DCE-MRI, diffusion MRI) , Computed Tomography (CT) images (e.g., 2D CT, Cone beam CT, 3D CT, 4D CT) , ultrasound images (e.g., 2D ultrasound, 3D ultrasound, 4D ultrasound) , Positron Emission Tomography (PET) images, X-ray images, fluoroscopic images, radiotherapy portal images, Single-Photo Emission Computed Tomography (SPECT) images, computer generated synthetic images (e.g., pseudo-CT images) and the like. Further, the image data 660 may also include or be associated with medical image processing data, for instance, training images, and ground truth images, contoured images, and dose images. In an example, the image data 660 may be received from the image acquisition device 670 and stored in one or more of the image data sources 650 (e.g., a Picture Archiving and Communication System (PACS) , a Vendor Neutral Archive (VNA) , a medical record or information system, a data warehouse, etc. ) . Accordingly, the image acquisition device 670 may comprise an MRI imaging device, a CT imaging device, a PET imaging device, an ultrasound imaging device, a fluoroscopic device, a SPECT imaging device, an integrated Linear Accelerator and MRI imaging device, or other medical imaging devices for obtaining the medical images of the patient. The image data 660 may be received and stored in any type of data or any type of format (e.g., in a Digital Imaging and Communications in Medicine (DICOM) format) that the image acquisition device 670 and the image processing computing system 610 may use to perform operations consistent with the disclosed embodiments.

[0061] In an example, the image acquisition device 670 may be integrated with the treatment device 680 as a single apparatus (e.g., an MRI device combined with a linear accelerator, also referred to as an “MR-linac” , as shown and described in FIG. 3 below) . Such an MR-linac can be used, for example, to precisely determine a location of a target organ or a target tumor in the patient, so as to direct radiation therapy accurately according to the radiation therapy treatment plan to a specified target. For instance, a radiation therapy treatment plan may provide information about a particular radiation dose to be applied to each patient. The radiation therapy treatment plan may also include other radiotherapy information, 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.

[0062] The image processing computing system 610 may communicate with an external database through a network to send / receive a plurality of various types of data related to image processing and radiotherapy operations. For example, an external database may include machine data that is information associated with the treatment device 680, the image acquisition device 670, or other machines relevant to radiotherapy or medical procedures. Machine data information may include radiation beam size, arc placement, beam on and off time duration, machine parameters, segments, multi-leaf collimator (MLC) configuration, gantry speed, MRI pulse sequence, and the like. The external database may be a storage device and may be equipped with appropriate database administration software programs. Further, such databases or data sources may include a plurality of devices or systems located either in a central or a distributed manner.

[0063] The image processing computing system 610 can collect and obtain data, and communicate with other systems, via a network using one or more communication interfaces, which are communicatively coupled to the processing circuitry 612 and the memory 614. For instance, a communication interface may provide communication connections between the image processing computing system 610 and radiotherapy system components (e.g., permitting the exchange of data with external devices) . For instance, the communication interface may in some examples have appropriate interfacing circuitry from an output device 642 or an input device 644 to connect to the user interface 640, which may be a hardware keyboard, a keypad, or a touch screen through which a user may input information into the radiotherapy system.

[0064] As an example, the output device 642 may include a display device which outputs a representation of the user interface 640 and one or more aspects, visualizations, or representations of the medical images. The output device 642 may include one or more display screens that display medical images, interface information, treatment planning parameters (e.g., contours, dosages, beam angles, labels, maps, etc. ) treatment plans, a target, localizing a target or tracking a target, patient state estimations (e.g., a 3D image) , or any related information to the user. The input device 644 connected to the user interface 640 may be a keyboard, a keypad, a touch screen or any type of device that a user may input information to the radiotherapy system. Alternatively, the output device 642, the input device 644, and features of the user interface 640 may be integrated into a single device such as a smartphone or tablet computer, e.g., Apple  Lenovo  Samsung  etc.

[0065] Furthermore, any and all components of the radiotherapy system may be implemented as a virtual machine (e.g., via VMWare, Hyper-V, and the like virtualization platforms) . For instance, a virtual machine can be software that functions as hardware. Therefore, a virtual machine can include at least one or more virtual processors, one or more virtual memories, and one or more virtual communication interfaces that together function as hardware. For example, the image processing computing system 610, the image data sources 650, or like components, may be implemented as a virtual machine or within a cloud-based virtualization environment.

[0066] The processing logic 620 or other software programs may cause the computing system to communicate with the image data sources 650 to read images into memory 614 and the storage device 616, or store images or associated data from the memory 614 or the storage device 616 to and from the image data sources 650. For example, the image data source 650 may be configured to store and provide a plurality of images (e.g., 3D MRI, 4D MRI, 2D MRI slice images, CT images, 2D Fluoroscopy images, X-ray images, raw data from MR scans or CT scans, Digital Imaging and Communications in Medicine (DICOM) metadata, etc. ) that the image data source 650 hosts, from image sets in image data 660 obtained from one or more patients via the image acquisition device 670. The image data source 650 or other databases may also store data to be used by the processing logic 620 when executing a software program that performs dose calculation operations, or when creating radiation therapy treatment plans. Further, various databases may store the data produced by the preliminary motion model (such as the dictionary) , the correspondence motion model, or machine learning models, including the network parameters constituting the model learned by the network and the resulting predicted data. The image processing computing system 610 thus may obtain and / or receive the image data 660 (e.g., 2D MRI slice images, CT images, 2D Fluoroscopy images, X-ray images, 3D MRI images, 4D MRI images, etc. ) from the image data source 650, the image acquisition device 670, the treatment device 680 (e.g., an MRI-Linac) , or other information systems, in connection with performing dose calculation operations.

[0067] The image acquisition device 670 can be configured to acquire one or more images of the patient’s anatomy for a region of interest (e.g., a target organ, a target tumor or both) . Each image, typically a 2D image or slice, can include one or more parameters (e.g., a 2D slice thickness, an orientation, and a location, etc. ) . In an example, the image acquisition device 670 can acquire a 2D slice in any orientation. For example, an orientation of the 2D slice can include a sagittal orientation, a coronal orientation, or an axial orientation. The processing circuitry 612 can adjust one or more parameters, such as the thickness and / or orientation of the 2D slice, to include the target organ and / or target tumor. In an example, 2D slices can be determined from information such as a 3D MRI volume. Such 2D slices can be acquired by the image acquisition device 670 in “real-time” while a patient is undergoing radiation therapy treatment, for example, when using the treatment device 680 (with “real-time” meaning acquiring the data in 10 milliseconds or less) . In another example for some applications, real-time may include a timeframe within (e.g., up to) 100 or 300 milliseconds. In an example, real-time may include a time period fast enough for a clinical problem being solved by techniques described herein. In this example, real-time may vary depending on target speed, radiotherapy margins, lag, response time of a treatment device, etc.

[0068] FIG. 7 illustrates an exemplary radiation therapy apparatus 702, that includes include a radiation source, such as an X-ray source or a linear accelerator, a couch 716, an imaging detector 714, and a radiation therapy output 704. The radiation therapy apparatus 702 may be configured to emit a radiation beam 708 to provide therapy to a patient. The radiation therapy output 704 can include one or more attenuators or collimators, such as a multi-leaf collimator (MLC) .

[0069] As an example, a patient may be positioned in a region 712, supported by the treatment couch 716 to receive a radiation therapy dose according to a radiation therapy treatment plan (e.g., a treatment plan generated by the radiotherapy system of FIG. 2) . The radiation therapy output 704 can be mounted or attached to a gantry 706 or other mechanical support. One or more chassis motors (not shown) may rotate the gantry 706 and the radiation therapy output 704 around couch 716 when the couch 716 is inserted into the treatment area. In an example, gantry 706 may be continuously rotatable around couch 716 when the couch 716 is inserted into the treatment area. In another example, gantry 706 may rotate to a specified position when the couch 716 is inserted into the treatment area. For example, the gantry 706 can be configured to rotate the therapy output 704 around an axis ( “A” ) . Both the couch 716 and the radiation therapy output 704 can be independently moveable to other positions around the patient, such as moveable in transverse direction ( “T” ) , moveable in a lateral direction ( “L” ) , or as rotation about one or more other axes, such as rotation about a transverse axis (indicated as “R” ) . A controller communicatively connected to one or more actuators (not shown) may control the couch 716 movements or rotations in order to properly position the patient in or out of the radiation beam 708 according to a radiation therapy treatment plan. As both the couch 716 and the gantry 706 are independently moveable from one another in multiple degrees of freedom, which allows the patient to be positioned such that the radiation beam 708 precisely can target the tumor.

[0070] The coordinate system (including axes A, T, and L) shown in FIG. 7 can have an origin located at an isocenter 710. The isocenter can be defined as a location where the central axis of the radiation therapy beam 708 intersects the origin of a coordinate axis, such as to deliver a prescribed radiation dose to a location on or within a patient. Alternatively, the isocenter 710 can be defined as a location where the central axis of the radiation therapy beam 708 intersects the patient for various rotational positions of the radiation therapy output 704 as positioned by the gantry 706 around the axis A.

[0071] Gantry 706 may also have an attached imaging detector 714. The imaging detector 714 is preferably located opposite to the radiation source (output 704) , and in an example, the imaging detector 714 can be located within a field of the therapy beam 708.

[0072] The imaging detector 714 can be mounted on the gantry 706 preferably opposite the radiation therapy output 704, such as to maintain alignment with the therapy beam 708. The imaging detector 714 rotating about the rotational axis as the gantry 706 rotates. In an example, the imaging detector 714 can be a flat panel detector (e.g., a direct detector or a scintillator detector) . In this manner, the imaging detector 714 can be used to monitor the therapy beam 708 or the imaging detector 714 can be used for imaging the patient’s anatomy, such as portal imaging. The control circuitry of radiation therapy apparatus 702 may be integrated within the system 128 for radiation treatment calculation and delivery (as depicted in FIG. 1) or remote from it.

[0073] In an illustrative example, one or more of the couch 716, the therapy output 704, or the gantry 706 can be automatically positioned, and the therapy output 704 can establish the therapy beam 708 according to a specified dose for a particular therapy delivery instance. A sequence of therapy deliveries can be specified according to a radiation therapy treatment plan, such as using one or more different orientations or locations of the gantry 706, couch 716, or therapy output 704. The therapy deliveries can occur sequentially but can intersect in a desired therapy locus on or within the patient, such as at the isocenter 710. A prescribed cumulative dose of radiation therapy can thereby be delivered to the therapy locus while damage to tissue nearby the therapy locus can be reduced or avoided.

[0074] Thus, FIG. 7 specifically illustrates an example of a radiation therapy device 702 operable to provide radiotherapy treatment to a patient, with a configuration where a radiation therapy output can be rotated around a central axis (e.g., an axis “A” ) . Other radiation therapy output configurations can be used. For example, a radiation therapy output can be mounted to a robotic arm or manipulator having multiple degrees of freedom. In yet another example, the therapy output can be fixed, such as located in a region laterally separated from the patient, and a platform supporting the patient can be used to align a radiation therapy isocenter with a specified target locus within the patient. In another example, a radiation therapy device can be a combination of a linear accelerator and an image acquisition device. In some examples, the image acquisition device may be an MRI, an X-ray, a CT, a CBCT, a spiral CT, a PET, a SPECT, an optical tomography, a fluorescence imaging, ultrasound imaging, an MR-linac, or radiotherapy portal imaging device, etc., as would be recognized by one of ordinary skill in the art.

[0075] FIG. 8 depicts an exemplary radiation therapy system 800 (e.g., known in the art as a MR-Linac) that can include combining a radiation therapy device 702 and an imaging system, such as a nuclear magnetic resonance (MR) imaging system consistent with the disclosed embodiments. As shown, system 800 may include a couch 810, an image acquisition device 820, and a radiation delivery device 830. System 800 delivers radiation therapy to a patient in accordance with a radiotherapy treatment plan. In some embodiments, image acquisition device 820 may correspond to image acquisition device 670 in FIG. 6 that may acquire images.

[0076] Couch 810 may support a patient (not shown) during a treatment session. In some implementations, couch 810 may move along a horizontal, translation axis (labelled “I” ) , such that couch 810 may move the patient resting on couch 810 into or out of system 800. Couch 810 may also rotate around a central vertical axis of rotation, transverse to the translation axis. To allow such movement or rotation, couch 810 may have motors (not shown) enabling the couch to move in various directions and to rotate along various axes. A controller (not shown) may control these movements or rotations in order to properly position the patient according to a treatment plan.

[0077] In some embodiments, image acquisition device 820 may include an MRI machine used to acquire 2D or 3D MRI images of the patient before, during, or after a treatment session. Image acquisition device 820 may include a magnet 821 for generating a primary magnetic field for magnetic resonance imaging. The magnetic field lines generated by operation of magnet 821 may run substantially parallel to the central translation axis I. Magnet 821 may include one or more coils with an axis that runs parallel to the translation axis I. In some embodiments, the one or more coils in magnet 821 may be spaced such that a central window 823 of magnet 821 is free of coils. In other embodiments, the coils in magnet 821 may be thin enough or of a reduced density such that they are substantially transparent to radiation of the wavelength generated by radiotherapy device 830. Image acquisition device 820 may also include one or more shielding coils, which may generate a magnetic field outside magnet 821 of approximately equal magnitude and opposite polarity in order to cancel or reduce any magnetic field outside of magnet 821. As described below, radiation source 831 of radiotherapy device 830 may be positioned in the region where the magnetic field is cancelled, at least to a first order, or reduced.

[0078] Image acquisition device 820 may also include two gradient coils 825 and 826, which may generate a gradient magnetic field that is superposed on the primary magnetic field. Coils 825 and 826 may generate a gradient in the resultant magnetic field that allows spatial encoding of the protons so that their position can be determined. Gradient coils 825 and 826 may be positioned around a common central axis with the magnet 821 and may be displaced along that central axis. The displacement may create a gap, or window, between coils 825 and 826. In the embodiments where magnet 821 also includes a central window 823 between coils, the two windows may be aligned with each other.

[0079] Image acquisition is used to track tumor movement. At times, internal or external surrogates may be used. However, implanted seeds may move from their initial positions or become dislodged during radiation therapy treatment. Also, using surrogates assumes there is a correlation between tumor motion and the displacement of the external surrogate. However, there may be phase shifts between external surrogates and tumor motion, and their positions may frequently lose correlation over time. It is known that there may be mismatches between tumor and surrogates upward of 9mm. Further, any deformation of the shape of a tumor is unknown during tracking.

[0080] An advantage of magnetic resonance imaging (MRI) is in the superior soft tissue contrast that is provided to visualize the tumor in more detail. Using a plurality of intrafractional MR images allows the determination of both shape and position (e.g., centroid) of a tumor. In addition, MRI images improve any manual contouring performed by, for example, a radiation oncologist, even when auto-contouring software (e.g.,  ) is utilized. This is because of the high contrast between the tumor target and the background region provided by MR images.

[0081] Another advantage of using an MR-Linac system is that a treatment beam can be continuously on and thereby executing intrafractional tracking of the target tumor. For instance, optical tracking devices or stereoscopic x-ray fluoroscopy systems can detect tumor position at 30Hz by using tumor surrogates. With MRI, the imaging acquisition rates are faster (e.g., 3-6 fps) . Therefore , the centroid position of the target may be determined, artificial intelligence (e.g., neural network) software can predict a future target position. An added advantage of intrafractional tracking by using an MR-Linac is that the by being able to predict a future target location, the leaves of the multi-leaf collimator (MLC) will be able to conform to the target contour a its predicted future position. Thus, predicting future tumor position using MRI occurs at the same rate as imaging frequency during tracking. By being able to track the movement of a target tumor clearly using detailed MRI imaging allows for the delivery of a highly conformal radiation dose to the moving target.

[0082] In some embodiments, image acquisition device 820 may be an imaging device other than an MRI, such as an X-ray, a CT, a CBCT, a spiral CT, a PET, a SPECT, an optical tomography, a fluorescence imaging, ultrasound imaging, or radiotherapy portal imaging device, etc. As would be recognized by one of ordinary skill in the art, the above description of image acquisition device 820 concerns certain embodiments and is not intended to be limiting.

[0083] Radiotherapy device 830 may include the source of radiation 831, such as an X-ray source or a linear accelerator, and a multi-leaf collimator (MLC) 833. Radiotherapy device 830 may be mounted on a chassis 835. One or more chassis motors (not shown) may rotate chassis 835 around couch 810 when couch 810 is inserted into the treatment area. In an embodiment, chassis 835 may be continuously rotatable around couch 810, when couch 810 is inserted into the treatment area. Chassis 835 may also have an attached radiation detector (not shown) , preferably located opposite to radiation source 831 and with the rotational axis of chassis 835 positioned between radiation source 831 and the detector. Further, device 830 may include control circuitry (not shown) used to control, for example, one or more of couch 810, image acquisition device 820, and radiotherapy device 830. The control circuitry of radiotherapy device 830 may be integrated within system 800 or remote from it.

[0084] During a radiotherapy treatment session, a patient may be positioned on couch 810. System 800 may then move couch 810 into the treatment area defined by magnetic coils 821, 825, 826, and chassis 835. Control circuitry may then control radiation source 831, MLC 833, and the chassis motor (s) to deliver radiation to the patient through the window between coils 825 and 826 according to a radiotherapy treatment plan.

[0085] The following, non-limiting examples, detail certain aspects of the present subject matter to solve the challenges and provide the benefits discussed herein, among others.

[0086] Example 1 is a computer-implemented method for optimizing a radiation therapy parameter, the parameter represented by a plurality of beamlets, the method comprising: obtaining a grid for an anatomical region, the grid having a specified resolution; obtaining an indication of one or more subregions within the anatomical region where the grid resolution is reducible; calculating, for each beamlet of the plurality of beamlets, a beamlet dose distribution, the beamlet dose distribution corresponding to the grid having the specified resolution; determining, for each beamlet dose distribution, a sparse representation of the beamlet dose distribution, based on the obtained indication; and optimizing the radiation therapy parameter using the sparse representations.

[0087] In Example 2, the subject matter of Example 1 includes, wherein the sparse representation of the beamlet dose distribution comprises an array of elements, each element representing a beamlet dose at a group of voxels.

[0088] In Example 3, the subject matter of Example 2 includes, wherein the sparse representation is obtained by: for each beamlet dose distribution, grouping voxels from the grid and assigning a dose value to the group.

[0089] In Example 4, the subject matter of Example 3 includes, wherein the assigned dose value is obtained by any of: averaging the dose values of the grouped voxels; or performing a weighted average of the dose values of the grouped voxels.

[0090] In Example 5, the subject matter of Examples 1–4 includes, wherein the grid for the anatomical region is a uniform grid.

[0091] In Example 6, the subject matter of Examples 1–5 includes, post-processing the calculated beamlet dose distributions, and determining, for each post-processed beamlet dose distribution, a sparse representation of the beamlet dose distribution, based on the obtained indication.

[0092] In Example 7, the subject matter of Examples 1–6 includes, wherein the indication of one or more subregions within the anatomical region that have reducible grid resolution is: provided by a user or determined using predefined templates.

[0093] In Example 8, the subject matter of Examples 1–7 includes, after determining a sparse representation, deleting the beamlet dose distribution corresponding to the grid having the specified resolution.

[0094] In Example 9, the subject matter of Examples 1–8 includes, wherein the radiation therapy parameter is any one of a beam dose, LET, RBE, biological dose or an LET-related quantity.

[0095] Example 10 is a method of reducing memory requirements during dose calculation via selective grouping of regions of patient anatomy for receiving radiotherapy treatment, the method comprising: generating a grid representing the patient anatomy at a specified grid resolution; calculating, for a radiotherapy beamlet or segment, first specified treatment parameters for pixels or voxels of the grid, the first specified treatment parameters maintained in active memory; generating, based on the first specified treatment parameters, an array representing the grid, the array having a reduced resolution that is down sampled from the specified grid resolution in at least a portion of the pixels or voxels; calculating, for the radiotherapy beamlet or segment, second specified treatment parameters for the portion of the pixels or voxels of the array; and removing the first specified treatment parameters from the active memory.

[0096] In Example 11, the subject matter of Example 10 includes, generating a second array based on the second specified treatment parameters, the second array having a second reduced resolution from the reduced resolution in at least a second portion of the pixels or voxels; and storing the second array having the second reduced resolution.

[0097] In Example 12, the subject matter of Examples 10–11 includes, wherein calculating the second specified treatment parameters includes calculating the second specified treatment parameters for all the pixels or voxels of the array.

[0098] In Example 13, the subject matter of Examples 10–12 includes, wherein generating, based on the first specified treatment parameters, the array representing the grid in the reduced resolution includes removing any pixel or voxel from the array that includes a zero dose in the first specified treatment parameters.

[0099] In Example 14, the subject matter of Examples 10–13 includes, wherein the specified grid resolution is uniform in size and shape, and wherein the reduced resolution includes at least one combination of pixels or voxels larger than the uniform size.

[0100] In Example 15, the subject matter of Examples 10–14 includes, wherein the first specified treatment parameters include at least one of beamlet dose, segment dose, linear energy transfer (LET) , radial biological effectiveness, or an LET-related quantity.

[0101] In Example 16, the subject matter of Examples 10–15 includes, adjusting a weight of the radiotherapy beamlet or segment for each of the pixels or voxels of the array based on a cost function.

[0102] In Example 17, the subject matter of Example 16 includes, adjusting weights of multiple arrays for multiple beamlets.

[0103] In Example 18, the subject matter of Example 17 includes, wherein adjusting the weight of the radiotherapy beamlet or segment occurs while calculating third specified treatment parameters for a second radiotherapy beamlet or segment.

[0104] In Example 19, the subject matter of Examples 10–18 includes, wherein generating the grid includes identifying the regions of the patient anatomy for treatment calculation at a reduced grid resolution based on a specified distance between the regions and an identified organ at risk (OAR) .

[0105] In Example 20, the subject matter of Examples 10–19 includes, wherein a location of the portion of the pixels or voxels at the reduced resolution relative to a contour of a region of the regions of the patient anatomy is user specified or automated based on a conservative or aggressive selection.

[0106] In Example 21, the subject matter of Examples 10–20 includes, storing the array including the second specified treatment parameters.

[0107] In Example 22, the subject matter of Examples 10–21 includes, wherein generating the array and calculating the second specified treatment parameters occur concurrently.

[0108] In Example 23, the subject matter of Examples 10–22 includes, wherein the second specified treatment parameters include a treatment parameter for a pixel of the array, the pixel corresponding to a combination of adjacent pixels in the grid, the treatment parameter representing an average of treatment parameters for the adjacent pixels.

[0109] In Example 24, the subject matter of Examples 10–23 includes, wherein the second specified treatment parameters are a subset of the first specified treatment parameters.

[0110] Example 25 is at least one machine-readable medium including instructions for reducing processing time during optimization of dosage, which when executed by processing circuitry, cause the processing circuitry to perform operations comprising: generating a grid representing patient anatomy at a specified grid resolution; calculating, for a radiotherapy beamlet or segment, first specified treatment parameters for pixels or voxels of the grid; generating, based on the first specified treatment parameters, a first array representing the grid, the first array having a reduced resolution from the specified grid resolution in at least a portion of pixels or voxels; adjusting a weight of the radiotherapy beamlet or segment for each of the pixels or voxels of the first array based on a cost function; calculating, for the radiotherapy beamlet or segment, second specified treatment parameters for the portion of the pixels or voxels of the first array based on the weight; generating, based on the second specified treatment parameters, a second array representing the grid, the second array having a second reduced resolution from the specified grid resolution in at least a second portion of pixels or voxels; and storing the second array including the second specified treatment parameters.

[0111] In Example 26, the subject matter of Example 25 includes, wherein calculating the second specified treatment parameters includes calculating the second specified treatment parameters for all the pixels or voxels of the first array.

[0112] In Example 27, the subject matter of Examples 25–26 includes, wherein generating, based on the first specified treatment parameters, the first array representing the grid in the reduced resolution includes removing any pixel or voxel from the first array that includes a zero dose in the first specified treatment parameters.

[0113] In Example 28, the subject matter of Examples 25–27 includes, wherein the specified grid resolution is uniform in size and shape, and wherein the reduced resolution includes at least one combination of pixels or voxels larger than the uniform size.

[0114] In Example 29, the subject matter of Examples 25–28 includes, wherein the first specified treatment parameters include at least one of beam dose, linear energy transfer (LET) , radial biological effectiveness, or an LET-related quantity.

[0115] In Example 30, the subject matter of Examples 25–29 includes, wherein adjusting the first specified treatment parameters for each of the pixels or voxels occurs while calculating third specified treatment parameters for a second radiotherapy beamlet or segment.

[0116] In Example 31, the subject matter of Examples 25–30 includes, wherein generating the grid includes identifying regions of the patient anatomy for treatment calculation at a reduced grid resolution based on a specified distance between the regions and an identified organ at risk (OAR) .

[0117] In Example 32, the subject matter of Examples 25–31 includes, wherein a location of the portion of the pixels or voxels at the reduced resolution relative to a contour of a region of the regions of the patient anatomy is user specified.

[0118] In Example 33, the subject matter of Examples 25–32 includes, wherein a location of the portion of the pixels or voxels at the reduced resolution relative to a contour of a region of the regions of the patient anatomy automated based on a conservative or aggressive selection.

[0119] In Example 34, the subject matter of Examples 25–33 includes, wherein the cost function corresponds to a minimization of dose delivered to healthy tissue and a maximization of dose delivered to a tumor.

[0120] Example 35 is at least one machine-readable medium including instructions that, when executed by processing circuitry, cause the processing circuitry to perform operations to implement of any of Examples 1–34.

[0121] Example 36 is an apparatus comprising means to implement of any of Examples 1–34.

[0122] Example 37 is a system to implement of any of Examples 1–34.

[0123] Example 38 is a method to implement of any of Examples 1–34.

[0124] The above Detailed Description can include references to the accompanying drawings, which form a part of the detailed description. The drawings show, by way of illustration, specific embodiments in which the invention can be practiced. These embodiments are also referred to herein as “examples. ” Such examples can include elements in addition to those shown or described. However, the present inventors also contemplate examples in which only those elements shown or described are provided. Moreover, the present inventors also contemplate examples using any combination or permutation of those elements shown or described (or one or more aspects thereof) , either with respect to a particular example (or one or more aspects thereof) , or with respect to other examples (or one or more aspects thereof) shown or described herein.

[0125] In the event of inconsistent usages between this document and any documents so incorporated by reference, the usage in this document controls. In this document, the terms “including” and “in which” are used as the plain-English equivalents of the respective terms “comprising” and “wherein. ” Also, in the following claims, the terms “including” and “comprising” are open-ended, that is, a system, device, article, composition, formulation, or process that can include elements in addition to those listed after such a term in a claim are still deemed to fall within the scope of that claim.

[0126] In this document, the terms “a” or “an” are used, as is common in patent documents, to include one or more than one, independent of any other instances or usages of “at least one” or “one or more. ” In this document, the term “or” is used to refer to a nonexclusive or, such that “A or B” can include “A but not B, ” “B but not A, ” and “A and B, ” unless otherwise indicated. In this document, the terms “including” and “in which” are used as the plain-English equivalents of the respective terms “comprising” and “wherein. ” Also, in the following claims, the terms “including” and “comprising” are open-ended, that is, a system, device, article, composition, formulation, or process that can include elements in addition to those listed after such a term in a claim are still deemed to fall within the scope of that claim. Moreover, in the following claims, the terms “first, ” “second, ” and “third, ” etc. are used merely as labels, and are not intended to impose numerical requirements on their objects.

[0127] The above description is intended to be illustrative, and not restrictive. For example, the above-described examples (or one or more aspects thereof) can be used in combination with each other. Other embodiments can be used, such as by one of ordinary skill in the art upon reviewing the above description. The Abstract is provided to allow the reader to quickly ascertain the nature of the technical disclosure. It is submitted with the understanding that it will not be used to interpret or limit the scope or meaning of the claims. Also, in the above Detailed Description, various features can be grouped together to streamline the disclosure. This should not be interpreted as intending that an unclaimed disclosed feature is essential to any claim. Rather, inventive subject matter can lie in less than all features of a particular disclosed embodiment. Thus, the following claims are hereby incorporated into the Detailed Description as examples or embodiments, with each claim standing on its own as a separate embodiment, and it is contemplated that such embodiments can be combined with each other in various combinations or permutations. The scope of the invention should be determined with reference to the appended claims, along with the full scope of equivalents to which such claims are entitled.

Claims

1.A computer-implemented method for optimizing a radiation therapy parameter, the parameter represented by a plurality of beamlets, the method comprising:obtaining a grid for an anatomical region, the grid having a specified resolution;obtaining an indication of one or more subregions within the anatomical region where the grid resolution is reducible;calculating, for each beamlet of the plurality of beamlets, a beamlet dose distribution, the beamlet dose distribution corresponding to the grid having the specified resolution;determining, for each beamlet dose distribution, a sparse representation of the beamlet dose distribution, based on the obtained indication; andoptimizing the radiation therapy parameter using the sparse representations.2.The method of claim 1, wherein the sparse representation of the beamlet dose distribution comprises an array of elements, each element representing a beamlet dose at a group of voxels.3.The method of claim 2, wherein the sparse representation is obtained by:for each beamlet dose distribution, grouping voxels from the grid and assigning a dose value to the group.4.The method of claim 3, wherein the assigned dose value is obtained by any of:averaging the dose values of the grouped voxels; orperforming a weighted average of the dose values of the grouped voxels.5.The method of any of claims 1-4, wherein the grid for the anatomical region is a uniform grid.6.The method of any of claims 1-4, comprising:post-processing the calculated beamlet dose distributions, and determining, for each post-processed beamlet dose distribution, a sparse representation of the beamlet dose distribution, based on the obtained indication.7.The method of any of claims 1-4 comprising after determining a sparse representation, deleting the beamlet dose distribution corresponding to the grid having the specified resolution.8.The method of any of claims 1-4 wherein the radiation therapy parameter is any one of a beam dose, LET, RBE, biological dose or an LET-related quantity.9.The method of any of claims 1-4, wherein determining the sparse representation of beamlet dose determination can includes determining a variable down-sampled grid, including down-sampled voxels including multiple, differently-sized groupings of voxels from the grid and assigning a dose value to each respective group.10.A computing device for optimizing a radiation therapy parameter, the parameter represented by a plurality of beamlets, the computing device including a processor and a memory device, the memory device including instructions that, when executed by the processor, cause the computing device to:obtain a grid for an anatomical region, the grid having a specified resolution;obtain an indication of one or more subregions within the anatomical region where the grid resolution is reducible;calculate, for each beamlet of the plurality of beamlets, a beamlet dose distribution, the beamlet dose distribution corresponding to the grid having the specified resolution;determine, for each beamlet dose distribution, a sparse representation of the beamlet dose distribution, based on the obtained indication; andoptimize the radiation therapy parameter using the sparse representations.

Images