特開 2024-126349 パス率予測システム、パス率予測システムを有する粒子線治療システムおよびパス率予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024126349

(43)【公開日】2024-09-20

(54)【発明の名称】パス率予測システム、パス率予測システムを有する粒子線治療システムおよびパス率予測方法

(51)【国際特許分類】

   A61N 5/10 20060101AFI20240912BHJP

【ＦＩ】

A61N5/10 P

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023034664

(22)【出願日】2023-03-07

(71)【出願人】

【識別番号】501387839

【氏名又は名称】株式会社日立ハイテク

(74)【代理人】

【識別番号】110000279

【氏名又は名称】弁理士法人ウィルフォート国際特許事務所

(72)【発明者】

【氏名】宮崎 康一

(72)【発明者】

【氏名】山田 貴啓

【テーマコード（参考）】

4C082

【Ｆターム（参考）】

4C082AC04

4C082AE01

4C082AP03

4C082AR12

(57)【要約】

【課題】患部へ粒子線を照射する治療計画情報と測定深さ情報とを予測モデルへ適用して予測パス率を生成すること。
【解決手段】パス率予測システムは、粒子線４を患部３へ照射する治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて生成された予測モデルと、新たな治療計画情報および測定深さ情報を予測モデルに適用することにより、予測パス率を生成する推論部２３０とを備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

粒子線を患部へ照射する治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて生成された予測モデルと、
新たな治療計画情報および測定深さ情報を前記予測モデルに適用することにより、予測パス率を生成する推論部と
を備えるパス率予測システム。

【請求項2】

請求項１記載のパス率予測システムであって、
前記測定深さ情報は、前記治療計画情報に含まれる粒子線の照射方向ごとに少なくとも１つ設定され、
前記予測モデルは、前記照射方向ごと、かつ前記測定深さ情報ごとに前記予測パス率を生成する
パス率予測システム。

【請求項3】

請求項１記載のパス率予測システムであって、
前記予測モデルは、前記治療計画情報および前記測定深さ情報から生成される２次元線量分布の一様さの程度を示す分布複雑性指標を用いて、前記予測パス率を生成する
パス率予測システム。

【請求項4】

請求項１記載のパス率予測システムであって、
前記予測モデルは、前記治療計画情報に含まれる照射パラメータを用いて、前記予測パス率を生成する
パス率予測システム。

【請求項5】

請求項１記載のパス率予測システムであって、
前記予測モデルは、前記治療計画情報および前記測定深さ情報から生成される２次元線量分布を用いて、前記予測パス率を生成する
パス率予測システム。

【請求項6】

請求項１記載のパス率予測システムであって、
前記測定深さ情報は、前記治療計画情報に基づいて決定される
パス率予測システム。

【請求項7】

請求項１記載のパス率予測システムであって、
前記測定深さ情報は、前記治療計画情報および前記測定深さ情報から生成される２次元線量分布の一様さの程度を示す分布複雑性指標が所定基準を満たすように決定される
パス率予測システム。

【請求項8】

請求項１記載のパス率予測システムであって、
前記測定深さ情報は、前記患部に関する症例の状態に基づいて決定される
パス率予測システム。

【請求項9】

請求項１記載のパス率予測システムであって、
前記既存の治療情報を記憶する記憶部をさらに備えており、
前記記憶部には、前記治療計画情報に含まれる前記粒子線の照射方向ごとに、前記測定深さ情報と当該測定深さ情報において実測された前記実測パス率とが対応付けられて記憶されている
パス率予測システム。

【請求項10】

請求項１に記載のパス率予測システムであって、
前記予測パス率を提供する情報提供部をさらに備えており、
前記情報提供部は、前記粒子線の照射方向ごとに、前記測定深さ情報と当該測定深さ情報において予測される前記予測パス率とを対応付けて提供する
パス率予測システム。

【請求項11】

請求項１～１０のいずれか一項に記載のパス率予測システムを備える、粒子線治療システム。

【請求項12】

粒子線を患部へ照射する際の予測パス率を生成する方法であって、
治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて予測モデルを生成し、
新たな治療計画情報および測定深さ情報を取得し、
前記取得された前記新たな治療計画情報および測定深さ情報を前記予測モデルに適用することにより、予測パス率を生成する
パス率予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、パス率予測システム、パス率予測システムを有する粒子線治療システムおよびパス率予測方法に関する。

【背景技術】

【0002】

特許文献１には、「第１の患者の第１の放射線治療計画における１つ以上の計画パラメータと、パラメータおよび前記第１の放射線治療計画の１つ以上のパス率データに基づいてパス率を予測するモデルを作成し、第２の患者の第２の放射線治療計画における計画パラメータを受け取り、前記第２の患者の第２の放射線治療計画の計画パラメータの１つ以上の予測パス率を生成するために、前記第２の治療計画の計画パラメータを前記予測モデルに適応する、方法」が示されている。

【0003】

非特許文献１には、前立腺癌患者のＳＦＵＤ（Ｓｉｎｇｌｅ－Ｆｉｅｌｄ Ｕｎｉｆｏｒｍ Ｄｏｓｅ）を用いたスポットスキャニング陽子線治療の患者特有の品質保証（ＱＡ：Ｑｕａｌｉｔｙ Ａｓｓｕｒａｎｃｅ）に関して記載されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】米国特許第１１０８１２２５号明細書

【非特許文献】

【0005】

【非特許文献1】Ｘ． Ｒｏｎａｌｄ Ｚｈｕ， ｅｔ． ａｌ． “Ｐａｔｉｅｎｔ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ Ａｓｓｕｒａｎｃｅ ｆｏｒ Ｐｒｏｓｔａｔｅ Ｃａｎｃｅｒ Ｐａｔｉｅｎｔｓ Ｒｅｃｅｉｖｉｎｇ Ｓｐｏｔ Ｓｃａｎｎｉｎｇ Ｐｒｏｔｏｎ Ｔｈｅｒａｐｙ Ｕｓｉｎｇ Ｓｉｎｇｌｅ－Ｆｉｅｌｄ Ｕｎｉｆｏｒｍ Ｄｏｓｅ”， Ｉｎｔ Ｊ Ｒａｄｉａｔ Ｏｎｃｏｌ Ｂｉｏｌ Ｐｈｙｓ ２０１１；８１：５５２－５５９

【発明の概要】

【発明が解決しようとする課題】

【0006】

陽子線などの荷電粒子線を患部へ照射する粒子線治療では、治療計画装置などを用いて、患者ごとに、粒子線の照射方向および機器の設定値などを含む治療計画情報をあらかじめ作成する。粒子線の照射は、治療計画情報に保存されている設定値に基づき実施されるが、実際には治療装置の機器的誤差が発生するため、治療装置から照射される線量分布と治療計画の作成時に想定された計画線量分布との間に差異が生じる可能性がある。そのため、治療計画情報は、品質保証（ＱＡ：Ｑｕａｌｉｔｙ Ａｓｓｕｒａｎｃｅ）を実施した後に、治療に用いられる。治療計画情報の品質保証を行うことを患者ＱＡと呼ぶ。

【0007】

一般的に、患者ＱＡの１つの項目として線量分布検証を実施する。線量分布検証では、治療装置を用いて治療計画情報に則った照射を行い、２次元配列検出器または円筒形検出器などを用いて、治療装置から出力された線量分布を実測する。その後、実測した線量分布（以下、実測線量分布）と、実測体系に対して放射線照射をシミュレーションして得られた線量分布（以下、ＱＡ線量分布）との一致度を表すパス率を算出し、算出されたパス率が事前に定められた閾値以上であるか検証する。線量分布検証は、治療装置を用いた実測に基づくものであり、通常、検出器の準備と粒子線の照射などとのために数時間を必要とする。

【0008】

Ｘ線治療で広く実施されているＩＭＲＴ（Ｉｎｔｅｎｓｉｔｙ－Ｍｏｄｕｌａｔｅｄ Ｒａｄｉａｔｉｏｎ Ｔｈｅｒａｐｙ）の線量分布検証では、２次元配列検出器を用いて照射方向毎に実測線量分布を測定する場合と、円筒形検出器を用いて全ての照射方向を合算して実測線量分布を測定する場合との２つの方法がある。どちらの方法でも共通しているのは、Ｘ線は物質の通過距離によって付与する線量があまり変化しないため、測定する位置は１点（通常はアイソセンタ付近が選ばれる）である。

これに対し粒子線は、一定の深さ以降に線量を付与しないという飛程の特徴がある。粒子線を物質へ照射する場合、Ｘ線と異なり物質の通過距離によって付与する線量が大きく変化するため、Ｘ線治療と同じ線量分布検証が適用できない。

【0009】

非特許文献１には、スポットスキャニング陽子線治療向けの線量分布検証の方法が開示されている。非特許文献１では照射方向毎に複数の測定深さをあらかじめ設定し、固体ファントムの後方に設置した２次元配列検出器によって、各測定深さにて２次元線量分布を実測し、ガンマパス率を算出する。固体ファントムは、陽子線の通過距離を調整して、２次元配列検出器により測定される深さを調整するために設置される。測定深さの設定は、陽子線が形成する拡大ブラッグピークの形状に応じて、浅い点、アイソセンタ点、深い点の３点程度が選択される。測定点は、治療計画情報毎にユーザが任意に設定する。

【0010】

以上のように、非特許文献１は、陽子線が持つ飛程という特徴に対応して、照射方向毎に複数の測定深さで実施する線量分布検証方法を提供する。しかし実測が必要という点では、従来Ｘ線治療で実施されてきた方法と同じであり、検出器の準備や照射などで数時間を要する。

【0011】

特許文献１には、治療計画情報からガンマパス率を予測する手法が開示されている。この方法では、第１の患者の治療計画情報とガンマパス率との組からガンマパス率を予測する予測モデルを構築し、第２の患者の治療計画情報に予測モデルを適用することで、予測ガンマパス率を生成する。予測ガンマパス率の生成には、検出器の準備や照射が不要であり、従来の測定ベースの患者ＱＡと比べて短時間に実施することができる。

【0012】

しかし特許文献１は、Ｘ線治療向けに開発された技術であり、飛程の特徴を持つ粒子線治療の患者ＱＡには対応できない。すなわち粒子線治療の線量分布検証は、照射方向毎に複数の測定深さに対して実測をするが、特許文献１の技術では測定深さ情報が含まれていないため、照射方向毎に複数の測定深さに対応した予測ガンマパス率を生成することはできない。

【0013】

本発明は、上記課題に鑑みてなされたもので、その目的は、患部へ粒子線を照射する治療計画情報と測定深さ情報とを予測モデルへ適用して予測パス率を生成する、パス率予測システム、パス率予測システムを有する粒子線治療システムおよびパス率予測方法を提供することにある。

【課題を解決するための手段】

【0014】

上記課題を解決すべく、本発明に従うパス率予測システムは、粒子線を患部へ照射する治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて生成された予測モデルと、新たな治療計画情報および測定深さ情報を予測モデルに適用することにより、予測パス率を生成する推論部とを備える。

【発明の効果】

【0015】

本発明によれば、新たな治療計画情報および測定深さ情報を予測モデルに適用することにより、予測パス率を生成することができる。

【図面の簡単な説明】

【0016】

【図1】粒子線治療システムの全体構成図。

【図2】データベース２１０の記憶内容の例を示す説明図。

【図3】予測モデルを生成する処理を示すフローチャート。

【図4】前処理の一例を示すフローチャート。

【図5】図４の処理の概要を示す説明図。

【図6】ＱＡ線量分布から断面２次元線量分布を抽出する方法の説明図。

【図7】前処理の他の例を示すフローチャート。

【図8】図７の処理の概要を示す説明図。

【図9】前処理のさらに別の例を示すフローチャート。

【図10】図９の処理の概要を示す説明図。

【図11】推論処理のフローチャート。

【図12】ユーザへ提供される画面の例。

【図13】第２実施例に係る粒子線治療システムの全体構成図。

【発明を実施するための形態】

【0017】

以下、図面に基づいて、本発明の実施の形態を説明する。本実施形態に係るパス率予測システムは、あらかじめ生成された予測モデルを用いて、これから実施予定の治療計画情報のパス率を予測する。本実施形態のパス率予測システムは、第１の患者の治療計画情報と測定深さ情報と実測パス率情報に基づいてパス率を予測するモデルを生成し、第２の患者の治療計画情報と測定深さ情報とを予測モデルに適用することにより、予測パス率を生成する。本開示においてパス率は、例えばガンマパス率、線量差データまたはこれらの組み合わせである。患者ＱＡに要する時間を短縮できるのであれば、パス率以外の名称を持つパラメータを使用してもよい。

【0018】

本実施形態によれば、照射方向毎の測定深さに対応した予測パス率を生成でき、予測パス率を用いて粒子線治療システムでの治療効率を改善することができる。

【0019】

本開示には、以下の構成が含まれる。

【0020】

（構成１）粒子線を患部へ照射する治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて生成された予測モデルと、新たな治療計画情報および測定深さ情報を前記予測モデルに適用することにより、予測パス率を生成する推論部とを備えるパス率予測システム。

【0021】

（構成２）構成１記載のパス率予測システムであって、前記測定深さ情報は、前記治療計画情報に含まれる粒子線の照射方向ごとに少なくとも１つ設定され、前記予測モデルは、前記照射方向ごと、かつ前記測定深さ情報ごとに前記予測パス率を生成するパス率予測システム。

【0022】

（構成３）構成１記載のパス率予測システムであって、前記予測モデルは、前記治療計画情報および前記測定深さ情報から生成される２次元線量分布の一様さの程度を示す分布複雑性指標を用いて、前記予測パス率を生成するパス率予測システム。

【0023】

（構成４）構成１記載のパス率予測システムであって、前記予測モデルは、前記治療計画情報に含まれる照射パラメータを用いて、前記予測パス率を生成するパス率予測システム。

【0024】

（構成５）構成１記載のパス率予測システムであって、前記予測モデルは、前記治療計画情報および前記測定深さ情報から生成される２次元線量分布を用いて、前記予測パス率を生成するパス率予測システム。

【0025】

（構成６）構成１記載のパス率予測システムであって、前記測定深さ情報は、前記治療計画情報に基づいて決定されるパス率予測システム。

【0026】

（構成７）構成１記載のパス率予測システムであって、前記測定深さ情報は、前記治療計画情報および前記測定深さ情報から生成される２次元線量分布の一様さの程度を示す分布複雑性指標が所定基準を満たすように決定されるパス率予測システム。

【0027】

（構成８）構成１記載のパス率予測システムであって、前記測定深さ情報は、前記患部に関する症例の状態に基づいて決定されるパス率予測システム。

【0028】

（構成９）構成１記載のパス率予測システムであって、前記既存の治療情報を記憶する記憶部をさらに備えており、
前記記憶部には、前記治療計画情報に含まれる前記粒子線の照射方向ごとに、前記測定深さ情報と当該測定深さ情報において実測された前記実測パス率とが対応付けられて記憶されている
パス率予測システム。

【0029】

（構成１０）構成１に記載のパス率予測システムであって、前記予測パス率を提供する情報提供部をさらに備えており、前記情報提供部は、前記粒子線の照射方向ごとに、前記測定深さ情報と当該測定深さ情報において予測される前記予測パス率とを対応付けて提供するパス率予測システム。

【0030】

（構成１１）構成１～１０のいずれか一項に記載のパス率予測システムを備える、粒子線治療システム。

【0031】

（構成１２）粒子線を患部へ照射する際の予測パス率を生成する方法であって、治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて予測モデルを生成し、新たな治療計画情報および測定深さ情報を取得し、前記取得された前記新たな治療計画情報および測定深さ情報を前記予測モデルに適用することにより、予測パス率を生成するパス率予測方法。

【0032】

（構成１３）コンピュータを、パス率を予測するパス率予測システムとして機能させるためのコンピュータプログラムであって、粒子線を患部へ照射する治療計画情報と測定深さ情報と実測パス率とを含む既存の治療情報に基づいて予測モデルを生成する学習部と、新たな治療計画情報および測定深さ情報を前記予測モデルに適用することにより、予測パス率を生成する推論部とを前記コンピュータ上に実現させるコンピュータプログラムまたは当該コンピュータプログラムを記憶する記憶媒体。

【実施例0033】

図１～図１２を用いて実施例１を説明する。以下に説明する実施形態は、特許請求の範囲に係る発明を限定するものではない。実施形態の中で説明されている要素及びそれらの組み合わせの全てが、本発明の解決手段に必須であるとは限らない。

【0034】

図１は、本実施形態における粒子線治療システム１の全体構成を示す図である。図１において、粒子線治療システム１は、照射対象である患者２内の患部３に対して粒子線を照射するための装置である。粒子線の種類は、特に限定されないが、例えば、炭素線などの重粒子線または陽子線などである。

【0035】

粒子線治療システム１は、例えば、加速器１１０、ビーム輸送装置１２０、粒子線照射装置１３０、治療台１４０、データベース２１０、学習装置２２０、推論装置２３０、治療計画装置２４０、情報提供装置２５０及び入力装置１０を備える。加速器１１０、ビーム輸送装置１２０、粒子線照射装置１３０および治療台１４０は、患者２内の患部３に対して粒子線４を照射する粒子線治療装置１００を構成する。

【0036】

「記憶部」としてのデータベース２１０、「学習部」としての学習装置２２０、「パス率予測システム」または「推論部」としての推論装置２３０、治療計画装置２４０、「情報提供部」としての情報提供装置２５０、及び入力装置１０は、粒子線治療装置１００による放射線治療を支援する粒子線治療支援システム２００を構成する。粒子線照射装置１３０、データベース２１０、学習装置２２０、推論装置２３０、治療計画装置２４０、情報提供装置２５０及び入力装置２６０は、通信ネットワークＣＮを介して相互の通信可能に接続される。

【0037】

パス率予測システムは、少なくともデータベース２１０と推論装置２３０を備える。パス率予測システムは、さらに学習装置２２０、情報提供装置２５０を含んでもよい。パス率予測システムは、粒子線治療支援システム２００であってもよい。

【0038】

治療台１４０は、患者２を載置する台であり、患者２の患部３を所定の位置まで移動させる位置決めを行うことができる。加速器１１０は、荷電粒子を加速して粒子線（荷電粒子線）として出射する。加速器１１０の種類は、特に限定されないが、例えば、シンクロトロン型加速器またはサイクロトロン型加速器などである。ビーム輸送装置１２０は、加速器１１０から出射された粒子線を粒子線照射装置１３０まで輸送する。

【0039】

粒子線照射装置１３０は、ビーム輸送装置１２０にて輸送された粒子線４を、治療台１４０に載置された患者２の患部３へ照射する照射装置である。粒子線照射装置１３０は、例えば、２対の走査電磁石と、線量モニタと、位置モニタとを備える（いずれも図示省略）。２対の走査電磁石は、互いに直行する方向に設置され、患部３の位置において粒子線のビーム軸に垂直な面内の所望の位置に粒子線が到達するように粒子線を偏向させる。線量モニタは、照射された粒子線の量を計測する。位置モニタは、粒子線が通過した位置を検出する。

【0040】

粒子線照射装置１３０による粒子線４の照射方法は、特に限定されない。例えば、細い粒子線が形成する線量分布を並べて患部３の形状に合わせた線量分布を照射するスキャニング法またはラインスキャニング法などを用いることができる。照射方法は、ワブラー法でもよいし、二重散乱体法などの粒子線の分布を広げた後にコリメータでもよいし、ボーラスを用いて患部３の形状に合わせた線量分布を形成する照射方法などでもよい。

【0041】

データベース２１０は、図２で後述するように、各種情報を記憶する。例えば、学習装置２２０で作成された学習済みモデルパラメータ（予測モデルとも呼ぶ）を記憶する。さらにあらかじめ用意された治療計画情報、各照射方向の測定深さ情報及び実測パス率を含むデータセット２１１を記憶する。

【0042】

図２にデータベース２１０に含まれるデータセット２１１の概念図を示す。データベース２１０には、１つ以上のデータセット２１１と１つ以上の予測モデルの学習済みモデルパラメータ２１４とが含まれる。

【0043】

「既存の治療情報」の例としてのデータセット２１１には、例えば、治療計画情報２１２が含まれる。治療計画情報２１２には、照射方向ごとの照射方向データ２１３が含まれる。照射方向データ２１３には、実測パス率Ｐ１と測定深さ情報Ｌ１との組が１つ以上含まれる。照射方向データ２１３に、後述する分布複雑性指標の値を含めてもよい。データベース２１０へのデータセット２１１の登録は、ユーザが入力装置２６０を用いてあらかじめ実施する。

【0044】

予測モデルの学習済みモデルパラメータ２１４（予測モデル２１４とも呼ぶ）は、少なくとも一つデータベース２１０に記憶されていればよい。症例ごとに予測モデル２１４を生成して記憶させることもできる。

【0045】

学習装置２２０は、データベース２１０に含まれる各種情報から予測パス率を生成する予測モデル２１４を構築し、その学習済みモデルパラメータをデータベース２１０へ保存させる。推論装置２３０は、新たな治療計画情報についての予測パス率を生成する。

【0046】

治療計画装置２４０は、患者２を撮像した治療計画用画像に基づいて、治療計画情報を作成する。治療計画情報には例えば、患者２に照射する粒子線に関する照射パラメータの値、治療計画用画像に対して粒子線照射シミュレーションをした計画線量分布、実測に基づく線量分布検証時に用いる固体ファントムに対して粒子線照射シミュレーションをしたＱＡ線量分布などが含まれる。

【0047】

照射パラメータは、例えば、照射位置、照射方向、照射量、照射エネルギー、照射順序などである。計画線量分布及びＱＡ線量分布は３次元のデータであり、かつ照射方向ごとの値として保存される。

【0048】

治療計画用画像は、本実施形態では、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）画像である。ＣＴ画像は、患者２を複数の方向から撮像した透視画像から再構成された３次元画像である。ＣＴ画像は、連続的なデータではなく、ボクセルと呼ばれる単位に分割された離散的なデータである。ただし、治療計画用画像は、ＣＴ画像に限らず、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）撮影装置で撮影されたＭＲＩ画像、または、超音波撮影装置で撮影された超音波画像などの、他の撮影装置で撮影された他の３次元画像でもよい。

【0049】

情報提供装置２５０は、各種情報をモニタディスプレイに表示して、粒子線治療システム１の操作者（例えば、技師または医師）に情報を提供する。入力装置２６０は、粒子線治療システム１の操作者から種々の情報及び指示を受け付ける。

【0050】

以上説明した粒子線照射装置１３０、データベース２１０、学習装置２２０、推論装置２３０、治療計画装置２４０、情報提供装置２５０及び入力装置２６０のそれぞれは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のようなプロセッサ（コンピュータ）２０１とメモリ２０２とを備えたコンピュータシステムにより構成されてもよい。

【0051】

この場合、これらの装置の各機能は、例えば、プロセッサ２０１がメモリ２０２からコンピュータプログラムを読み取り、その読み取ったプログラムを実行することで実現される。コンピュータプログラムは、コンピュータにて読み取り可能な非一時的な記録媒体ＭＭに記録可能である。記録媒体ＭＭは、例えば、半導体メモリ、磁気ディスク、光ディスク、磁気テープ及び光磁気ディスクなどである。また、これらの各装置の少なくとも一部が同一のコンピュータシステムにて実現されてもよい。また、各装置では、複数のプロセッサまたはコンピュータシステムにて処理が分担されてもよいし、一部の物理構成（データベース２１０など）がネットワークを介して接続されている構成などでもよい。

【0052】

図３を用いて、予測モデルを生成する処理を説明する。本処理では、学習装置２２０において、予測パス率を生成する予測モデル２１４を生成し、学習済みモデルパラメータをデータベース２１０へ保存させる。図５は、図４の処理の概要を示す説明図である。図６は、ＱＡ線量分布から断面２次元線量分布を抽出する方法の説明図である。

【0053】

学習装置２２０による処理が開始すると、学習装置２２０は、予めデータベース２１０に登録された１つ以上のデータセット２１１を読み込む（Ｓ１０）。学習装置２２０は、読み込んだ各データセット２１１に対して、所定の前処理を実施する（Ｓ２０）。所定の前処理については、後述する。

【0054】

続いて学習装置２２０は、前処理（Ｓ２０）の出力結果から機械学習により予測モデル２１４を生成する（Ｓ３０）。最後に、学習装置２２０は、予測モデルの学習済みモデルパラメータをデータベース２１０へ保存させる（Ｓ４０）。

【0055】

図４～図６を用いて、ステップＳ２０にて実施する前処理の１番目の例（Ｓ２１）を説明する。１番目の前処理には符号Ｓ２１を与える。後述の２番目の前処理には符号Ｓ２２を、３番目の前処理には符号Ｓ２３を、それぞれ与える。

【0056】

学習装置２２０は、データベース２１０からｉ番目のデータセット２１１を読み込む（Ｓ２１１）。学習装置２２０は、ステップＳ２１１で読み込んだ治療計画情報からｊ番目の照射方向のＱＡ線量分布を読み込む（Ｓ２１２）。学習装置２２０は、データセット２１１に含まれるｋ番目の測定深さ情報を読み込み、読み込んだ測定深さにてＱＡ線量分布をビーム軸に垂直な断面に抜き出し、断面２次元線量分布を抽出する（Ｓ２１３）。測定深さの原点は、実測に用いる固体ファントムの粒子線入射面を測定深さが０として、ビーム進行方向に測定深さが増加する軸を取る。この様子を図６に示す。

【0057】

学習装置２２０は、断面２次元線量分布から分布複雑性指標を算出する（Ｓ２１４）。図中では、便宜上、分布複雑性指標に符号ＤＣＩを与えている。分布複雑性指標は、例えば、ステップＳ２１４に記載された数式（１）で計算される断面２次元線量分布の平坦度である。

【0058】

数式（１）に含まれる一部分（２）は、照射領域Ｓに含まれる線量値のうち９０パーセンタイルの値を表す。数式（１）に含まれる他の部分（３）は、照射領域Ｓに含まれる線量値のうち１０パーセンタイルの値を表す。照射領域Ｓは断面２次元線量分布において一定値以上の線量が付与される領域である。

【0059】

一般的に、粒子線治療の線量分布の検証において、断面２次元線量分布の線量値が一様なほどパス率が高く、断面２次元線量分布の線量値がばらついているほどパス率は低下することが知られている。数式（１）で計算される断面２次元線量分布の平坦度は、断面２次元線量分布の線量値がばらつき具合を定量化した値であり、パス率の予測に資する指標であると考えられる。

【0060】

なお、断面２次元線量分布の平坦度は、分布複雑性指標の一例であり、他の指標を用いてもよい。例えば、断面２次元線量分布の線量値がばらつき具合を表す値として、断面２次元線量分布において一定値以上の線量が付与される領域内での線量値の標準偏差を、分布複雑性指標として用いてもよい。分布複雑性指標として、照射エネルギ、照射位置、照射量などを用いてもよい。つまり、分布複雑性指標は照射パラメータから決定することもできる。

【0061】

学習装置２２０は、図５の下側に示すように、分布複雑性指標とデータセット２１１に記録されている実測パス率とをデータベース２１０へ保存させる（Ｓ２１５）。学習装置２２０は、全ての測定深さ（Ｓ２１６）、全ての照射方向（Ｓ２１７）及び全てのデータセット２１１（Ｓ２１８）に対して処理を繰り返す。

【0062】

以上のようにして前処理の１番目の例により得られた分布複雑性指標と実測パス率を用いて、予測モデルを生成するには（図３のステップＳ３０）、例えば一般的に知られた線形回帰モデルなどの回帰分析モデルが使用できる。

【0063】

例えば、線形回帰モデル（Ｙ＝ａＸ＋ｂ）を用いる場合、断面２次元線量分布の平坦度を説明変数Ｘとし、目的変数Ｙの値が実測パス率に近づくよう最小二乗法によりパラメータａ、ｂを決定する。この場合、学習装置２２０がステップＳ４０で保存する学習済みモデルパラメータは、最小二乗法により決定したパラメータａ、ｂである。説明変数Ｘとして、平坦度と照射エネルギなどの複数の値を利用してもよい。線形回帰モデルは一例であり、多変量回帰分析モデル、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ＮＮ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、決定木アルゴリズムなどの他の機械学習モデルであってもよい。

【0064】

図７のフローチャートは、前処理の２番目の例Ｓ２２を示す。図８は、図７の処理Ｓ２２の概要を示す説明図である。学習装置２２０は、データベース２１０からｉ番目のデータセット２１１を読み込む（Ｓ２２１）。学習装置２２０は、ステップＳ２２１で読み込んだ治療計画情報から、ｊ番目の照射方向のＱＡ線量分布を読み込む（Ｓ２２２）。学習装置２２０は、データセット２１１に含まれるｋ番目の測定深さ情報を読み込み、読み込んだ測定深さにてＱＡ線量分布をビーム軸に垂直な断面に抜き出し、断面２次元線量分布を抽出する（Ｓ２２３）。

【0065】

測定深さの原点は、図８に示すように、実測に用いる固体ファントムの粒子線入射面を測定深さが０であるとして、ビーム進行方向に測定深さが増加する軸を取る。学習装置２２０は、抽出した断面２次元線量分布とデータセット２１１に記録されている実測パス率とをデータベース２１０へ保存させる（Ｓ２２４）。学習装置２２０は、全ての測定深さ（Ｓ２２５）、全ての照射方向（Ｓ２２６）及び全てのデータセット２１１（Ｓ２２７）に対して処理を繰り返す。

【0066】

以上のようにして前処理の２番目の例により断面２次元線量分布と実測パス率とを得た場合、ステップＳ３０に示す予測モデルの生成には、例えば畳み込みニューラルネットワーク（ＣＮＮ）を使用できる。

【0067】

例えば、ＣＮＮの入力を断面２次元線量分布としたとき、ＣＮＮの出力が実測パス率に近づくよう誤差逆伝播法などを用いてＣＮＮのパラメータを決定することで、予測モデルを生成する。この場合、学習装置２２０がステップＳ４０で保存する学習済みモデルパラメータは、誤差逆伝播法などを用いて決定したＣＮＮのパラメータである。ＣＮＮは、予測モデルの一例であり、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ＮＮ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、決定木アルゴリズムなどの、他の画像を入力する機械学習モデルを用いてもよい。

【0068】

図９のフローチャートは、前処理の３番目の例Ｓ２３を示す。図１０は、図９の処理Ｓ２３の概要を示す説明図である。学習装置２２０は、データベース２１０からｉ番目のデータセット２１１を読み込む（Ｓ２３１）。学習装置２２０は、ステップＳ２３１で読み込んだ治療計画情報から、ｊ番目の照射方向の計画線量分布を読み込む（Ｓ２３２）。学習装置２２０は、図１０に示すように、画像処理によりステップＳ２３２で読み込んだ計画線量分布を実測時の照射角度へ回転させる（Ｓ２３３）。例えば、ｊ番目の照射方向が９０度であり、実測時の照射角度が０度の場合、計画線量分布上のアイソセンタを中心に－９０度回転させる。

【0069】

学習装置２２０は、データセット２１１に含まれるｋ番目の測定深さ情報を読み込み、読み込んだ測定深さにて回転後の計画線量分布をビーム軸に垂直な断面に抜き出し、断面２次元線量分布を抽出する（Ｓ２３４）。測定深さの原点は、実測に用いる固体ファントムの粒子線入射面を測定深さが０であるとして、ビーム進行方向に測定深さが増加する軸を取る。学習装置２２０は、抽出され断面２次元線量分布とデータセット２１１に記録されている実測パス率とをデータベース２１０へ保存させる（Ｓ２３５）。学習装置２２０は、全ての測定深さ（Ｓ２３６）、全ての照射方向（Ｓ２３７）及び全てのデータセット２１１（Ｓ２３８）に対して処理を繰り返す。

【0070】

以上のようにして前処理の３番目の例により断面２次元線量分布と実測パス率とを得た場合、ステップＳ３０での予測モデルの生成には、例えば畳み込みニューラルネットワーク（ＣＮＮ）が使用できる。例えば、ＣＮＮの入力を断面２次元線量分布としたとき、ＣＮＮの出力が実測パス率に近づくよう誤差逆伝播法などを用いてＣＮＮのパラメータを決定することで、予測モデルを生成する。学習装置２２０がステップＳ４０で保存する学習済みモデルパラメータは、誤差逆伝播法などを用いて決定したＣＮＮのパラメータである。ＣＮＮ以外の機械学習モデルを用いてもよい。

【0071】

図１１を用いて、予測パス率を生成する処理Ｓ５０を説明する。粒子線治療システム１は、ユーザ（医師や技師など）が治療計画装置２４０を用いて作成した治療計画情報をデータベース２１０に保存する（Ｓ５０１）。粒子線治療システム１は、データベース２１０から学習済みモデルパラメータを読み出す（Ｓ５０２）。粒子線治療システム１は、治療計画情報から治療計画に保存されている照射方向を読み込む（Ｓ５０３）。粒子線治療システム１は、ユーザが入力装置２６０を通じて設定した測定深さ情報を読み込む（Ｓ５０４）。粒子線治療システム１は、ステップＳ５０１で保存された治療計画情報とステップＳ５０４で読み込んだ測定深さ情報とに基づき、前処理を実施する（Ｓ５０５）。ここでの前処理は、学習装置２２０にて実施した前処理（図４，図７，図９のいずれか）と同じであるため、説明を省略する。ただし、推論時は、前処理の出力結果に実測パス率は含まれない。

【0072】

粒子線治療システム１は、ステップＳ５０５での前処理の出力結果とステップＳ５０２で読み込んだ学習済みモデルパラメータとを予測モデルに適用することにより、予測パス率を生成する（Ｓ５０６）。粒子線治療システム１は、全ての測定深さ（Ｓ５０７）、全ての照射方向（Ｓ５０８）及び全てのデータセット２１１（Ｓ５０９）に対して、処理を繰り返す。

【0073】

粒子線治療システム１は、図１２に示す情報提供画面Ｇ１にステップＳ５０６で生成された予測パス率を表示させ、ユーザが入力装置２６０を用いて設定した治療計画情報の承認結果をメモリへ保存させる（Ｓ５０９）。治療計画が承認された場合（合格）、粒子線治療システム１は、推論処理を終了する。治療計画が承認されなかった場合（不合格）、粒子線治療システム１は、ユーザが治療計画装置２４０を用いて修正した治療計画情報を再度保存し、ステップＳ５０３へ戻って処理を繰り返す（Ｓ５１０）。

【0074】

情報提供画面Ｇ１は、例えば、治療計画に含まれる照射方向ごとに、測定深さと予測パス率とが一対一で対応付けられて表示される。情報提供画面Ｇ１は、患部３を撮影した画像と共にモニタディスプレイに表示させることができる。なお、モニタディスプレイは、例えば、眼鏡型またはゴーグル型などのウェアラブル端末の持つディスプレイであってもよい。情報提供画面Ｇ１は、拡張現実空間などで使用されてもよい。

【0075】

以上説明したように本実施形態によれば、学習装置２２０は、照射方向毎に少なくとも１つ以上の（複数の）測定深さに対応した情報に基づき予測モデルを構築できる。推論装置２３０は、照射方向毎に、かつユーザが設定した測定深さに基づいて、予測パス率を生成できる。したがって、本実施形態により生成された予測パス率は、測定深さを考慮した値であり、従来技術と比較して予測パス率の予測精度を向上できる。

【0076】

本実施例では、実測せずに治療計画の患者ＱＡを行うことができ、粒子線治療に要する時間を短縮できる。これにより単位時間あたりにより多くの患者を治療できる。

【0077】

本実施形態では、生成された１つ以上の予測パス率を情報提供画面Ｇ１に表示するため、ユーザは直感的に患者ＱＡの結果を確認できる。

【実施例0078】

図１３の全体構成図を用いて実施例２を説明する。本実施例では、実施例１との差異を中心に述べる。

【0079】

本実施例の粒子線治療システム１Ａは、測定深さ決定装置２７０を含む。測定深さ決定装置２７０は、治療計画情報に基づき、照射方向毎に線量分布検証を実施する測定深さを自動で決定することができる。例えば測定深さとしては、患者体表から患者体内に設定されたアイソセンタまでの水等価距離と、その上下所定の値だけ移動した深さの３点を自動で選ぶことができる。測定深さ決定装置２７０は、患者体表から患者体内に設定されたアイソセンタまでの水等価距離と、治療計画情報に含まれる患部３の大きさとから、測定深さを自動で決定することもできる。

【0080】

さらに、測定深さ決定装置２７０は、少なくとも１つの所定の基準２７１，２７２を用いて、測定深さを決定または提案することができる。

【0081】

例えば、測定深さ決定装置２７０は、分布複雑性指標の基準２７１に基づいて測定深さを決定することもできる。分布複雑性指標としての平坦度が所定の閾値よりも小さい場合、測定深さ決定装置２７０は、平坦度が所定の閾値以上となるように（所定の基準を満たすように、）測定深さを決定することができる。

【0082】

さらに、測定深さ決定装置２７０は、症例ごとの基準２７２に基づいて、症例の状態に応じた測定深さを決定することもできる。

【0083】

測定深さ決定装置２７０は、自動で選択された測定深さを、情報提供装置２５０部を通じてユーザへ提案することもできる。

このように構成される本実施例も実施例１と同様の作用効果を奏する。さらに本実施例によれば、推論装置２３０は、ユーザが入力装置２６０を用いて測定深さを決定する手間を省くことができ、より短時間で予測パス率を生成することができる。
上述した本開示の実施形態及び変形例は、本開示の説明のための例示であり、本開示の範囲をそれらにのみ限定する趣旨ではない。当業者は、本開示の範囲を逸脱することなしに、他の様々な態様で本開示を実施することができる。例えば、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、実施形態または変形例の構成の一部を他の実施形態または変形例の構成に置き換えたり、実施形態または変形例の構成に他の実施形態または変形例の構成を加えたりすることも可能である。