放射治疗的系统和方法

技术领域

本公开内容涉及放射治疗，更具体地，涉及治疗计划的系统和方法。

背景技术

放射治疗用于使用辐射设备治疗生物(例如，人类和动物)组织中的癌症和其他疾病。治疗计划是涉及确定和/或更新特定放射治疗参数以实现治疗目标的过程。治疗计划的结果就是一个治疗计划。辐射设备的准直器的片段形状是决定治疗计划总体交付时间的一个重要因素。因此，期望提供系统和/或方法来有效和准确地确定治疗计划的片段形状。

发明内容

根据本公开内容的一方面，一种系统可以包括一个或多个存储设备以及被配置为与该一个或多个存储设备通信的一个或多个处理器。一个或多个存储设备可以包括一组指令。当一个或多个处理器执行指令时，至少一个处理器可以被配置为指示执行以下操作中的一个或多个。一个或多个处理器可以获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据，所述输入数据包括所述病灶的第一目标图像。一个或多个处理器可以获取片段形状估计模型。一个或多个处理器可以基于所述片段形状估计模型和所述输入数据，估计所述目标治疗计划的多个目标位置组合和所述辐射设备的准直器的多个目标片段形状。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。

在一些实施例中，目标治疗计划可以包括多个控制点。所述多个目标位置组合或所述多个目标片段形状中的每一个可以对应于所述多个控制点中的一个。

在一些实施例中，输入数据可以包括病灶周围正常组织的第二目标图像、所述病灶的第三目标图像或所述目标治疗计划的目标辐射信息中的至少一个，所述目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或所述病灶中的剂量分布中的至少一个。

在一些实施例中，可以基于所述病灶的所述第一目标图像、所述病灶周围正常组织的所述第二目标图像和所述病灶的所述第三目标图像预测所述目标辐射信息。

在一些实施例中，多个目标位置组合中的一个可以包括所述辐射设备的一个或多个组件操作的一个或多个位置的组合。

在一些实施例中，多个目标位置组合中的一个可以包括所述辐射设备的机架的机架角度。

在一些实施例中，多个目标位置组合中的一个可以包括所述辐射设备的机架的机架角度和所述辐射设备的准直器的准直器角度的组合。

在一些实施例中，多个目标位置组合中的一个可以包括所述辐射设备的机架的机架角度、所述辐射设备的准直器的准直器角度和所述辐射设备的诊台位置的组合。

在一些实施例中，所述准直器可以包括多对叶片。所述准直器的所述多个目标片段形状中的一个包括所述多对叶片中每一对叶片的叶片位置。

在一些实施例中，多对叶片中每一对叶片的叶片位置可以包括所述一对叶片的开口的中心位置和所述一对叶片的开口宽度。

在一些实施例中，所述多个目标位置组合可以在位置通用集的多个离散的候选位置组合内。

在一些实施例中，通过执行训练过程可以获取所述片段形状估计模型，包括：获取包含所述多个候选位置组合的所述位置通用集；以及基于所述位置通用集迭代训练初始模型，确定所述片段形状估计模型。

在一些实施例中，获取包含所述多个候选位置组合的所述位置通用集，可以包括：获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及基于所述多个候选机架角度、所述多个候选准直器角度或所述多个候选诊台位置获取所述位置通用集。

在一些实施例中，多个目标片段形状可以在包含多个离散的候选叶片位置的距离通用集内。

在一些实施例中，训练过程可以包括：获取包含所述多个候选叶片位置的所述距离通用集；以及基于所述距离通用集迭代训练所述初始模型，确定所述片段形状估计模型，使所述片段形状估计模型输出的所述多个候选位置组合中的每一个对应的候选片段形状都在所述距离通用集中。

在一些实施例中，多个候选叶片位置可以包括多个候选开口位置和多个候选开口宽度。

在一些实施例中，训练过程包括：获取包括多个训练集的训练数据。

在一些实施例中，获取所述训练数据包括：对于所述多个训练集中的一个，获取先前基于病灶样本生成的历史治疗计划；获取与所述历史治疗计划相对应的所述病灶样本的第一样本图像；获取所述历史治疗计划中样本位置组合及对应的样本片段形状；以及基于所述第一样本图像、所述历史治疗计划中的所述样本位置组合以及所述样本片段形状，获取所述训练集。

在一些实施例中，基于所述第一样本图像、所述历史治疗计划中的所述样本位置组合以及所述样本片段形状，获取所述训练集，可以包括：获取位于所述位置通用集内的处理后的样本位置组合，所述处理后的样本位置组合通过基于所述位置通用集处理所述样本位置组合获得；获取位于所述距离通用集内的处理后的样本片段形状，所述处理后的样本片段形状通过基于所述距离通用集处理所述样本片段形状获得；获取包含所述处理后的样本片段形状和封闭片段形状的样本集，所述封闭片段形状对应的所述候选位置组合不包括所述处理后的样本位置组合；以及通过包含所述第一样本图像、所述处理后的样本位置组合和所述历史治疗计划的所述样本集，获取所述训练集。

在一些实施例中，训练过程可以包括：初始化所述初始模型；以及通过使用包括多次迭代的迭代过程更新初始化的所述初始模型，获取所述片段形状估计模型，所述迭代过程的多次迭代中的至少一次迭代包括：获取所述多个训练集中的一个；通过将所述训练集的所述第一样本图像输入中间模型中，生成与所述多个候选位置组合对应的估计片段形状，所述中间模型为所述迭代过程的多次迭代中的第一次迭代中初始化的所述初始模型或迭代过程中前一次迭代中生成的先前更新的模型；基于所述估计片段形状和所述训练集中的样本集，确定损失函数的值；确定是否满足终止条件；响应于不满足所述终止条件，基于所述损失函数的值更新所述中间模型，生成更新后的模型；以及启动下一次迭代；以及将所述迭代过程的所述多次迭代中的最后一次迭代中的所述中间模型指定为所述片段形状估计模型。

在一些实施例中，迭代过程的多次迭代中的至少一次可以包括：响应于确定出满足所述终止条件，终止所述迭代过程。

在一些实施例中，损失函数的值可以基于所述样本集的稀疏性确定，所述样本集的稀疏性与所述样本集的所述封闭片段形状相关。

在一些实施例中，终止条件可以与所述损失函数的值或已经执行的所述迭代过程的迭代次数中的至少一个相关。

在一些实施例中，训练集可以包括所述病灶样本周围正常组织的第二样本图像、所述病灶样本的第三样本图像或所述历史治疗计划的样本辐射信息，所述样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或所述病灶样本中的样本剂量分布中的至少一个。

在一些实施例中，可以基于所述病灶样本的所述第一样本图像、所述病灶样本周围正常组织的所述第二样本图像和所述病灶样本的所述第三样本图像，预测所述样本辐射信息。

在一些实施例中，迭代过程的多次迭代中的至少一次包括：通过将所述第二样本图像、所述第三样本图像或所述训练集的所述样本辐射信息中的至少一个输入所述中间模型中，生成所述估计片段形状。

在一些实施例中，迭代过程的多次迭代中的至少一次可以包括：基于所述估计片段形状确定估计辐射信息；比较所述估计辐射信息和所述样本辐射信息；以及基于所述比较更新所述中间模型，生成所述更新后的模型。

根据本公开内容的另一方面，一种方法可以包括下列一种或多种操作。一个或多个处理器可以获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据。所述输入数据可以包括所述病灶的第一目标图像。一个或多个处理器可以获取片段形状估计模型。一个或多个处理器可以基于所述片段形状估计模型和所述输入数据，估计所述目标治疗计划的多个目标位置组合和所述辐射设备的准直器的多个目标片段形状。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。

根据本公开内容的又一方面，一种系统可以包括输入获取模块，输入获取模块用于获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据，所述输入数据包括所述病灶的第一目标图像。该系统还可以包括模型获取模块，模型获取模块用于获取片段形状估计模型。该系统还可以包括形状估计模型，形状估计模型用于基于所述片段形状估计模型和所述输入数据，估计所述目标治疗计划的多个目标位置组合和所述辐射设备的准直器的多个目标片段形状。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。

根据本公开内容的又一方面，一种非暂时性计算机可读介质可以包括至少一组指令。至少一组指令可以由计算设备的一个或多个处理器执行。一个或多个处理器可以获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据。所述输入数据可以包括所述病灶的第一目标图像。一个或多个处理器可以获取片段形状估计模型。一个或多个处理器可以基于所述片段形状估计模型和所述输入数据，估计所述目标治疗计划的多个目标位置组合和所述辐射设备的准直器的多个目标片段形状。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。

根据本公开内容的另一方面，一种系统可以包括一个或多个存储设备以及被配置为与该一个或多个存储设备通信的一个或多个处理器。一个或多个存储设备可以包括一组指令。当一个或多个处理器执行指令时，至少一个处理器可以被配置为指示系统执行以下操作中的一个或多个。一个或多个处理器可以获取初始模型。一个或多个处理器可以获取训练数据。一个或多个处理器可以基于所述训练数据训练所述初始模型，获得片段形状估计模型。所述片段形状估计模型可以被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，所述目标位置组合用于使用辐射设备和所述辐射设备的准直器的多个目标片段形状对病灶进行放射治疗。所述输入数据可以包括所述病灶的第一目标图像。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。

根据本公开内容的又一方面，一种方法可以包括以下操作中的一个或多个。一个或多个处理器可以获取初始模型。一个或多个处理器可以获取训练数据。一个或多个处理器可以通过基于所述训练数据训练所述初始模型，获取片段形状估计模型。所述片段形状估计模型可以被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，所述目标位置组合用于使用辐射设备和所述辐射设备的准直器的多个目标片段形状对病灶进行放射治疗。所述输入数据可以包括病灶的第一目标图像。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。

根据本公开内容的又一方面，一种系统可以包括模型获取模块，用于获取初始模型。模型获取模块还可以用于获取训练数据。模型获取模块还可以用于基于所述训练数据训练所述初始模型，获取片段形状估计模型。所述片段形状估计模型可以被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，所述目标位置组合用于使用辐射设备和所述辐射设备的准直器的多个目标片段形状对病灶进行放射治疗。所述输入数据可以包括病灶的第一目标图像。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。

根据本公开内容的又一方面，一种非暂时性计算机可读介质可以包括至少一组指令。至少一组指令可以由计算设备的一个或多个处理器执行。一个或多个处理器可以获取初始模型。一个或多个处理器可以获取训练数据。一个或多个处理器可以通过基于所述训练数据训练所述初始模型，获取片段形状估计模型。所述片段形状估计模型可以被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，所述目标位置组合用于使用辐射设备和所述辐射设备的准直器的多个目标片段形状对病灶进行放射治疗。所述输入数据可以包括病灶的第一目标图像。所述多个目标片段形状中的每一个可以对应于所述多个目标位置组合中的一个。所述多个目标位置组合中的一个可以指示所述准直器相对于所述病灶的位置。

部分附加特征将在下面的描述中阐述，并且部分特征对于本领域技术人员来说在检查以下说明书和附图时变得显而易见，或者可以通过生产或操作实施例来获知。本公开内容的特征可以通过实践或使用下面讨论的详细示例阐述的方法、手段和组合的各个方面来实现和获得。

附图说明

本公开内容将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本公开内容一些实施例所示的示例性医疗辐射系统的示意图；

图2是根据本公开内容一些实施例所示的示例性计算设备的硬件和/或软件组件的示意图；

图3是根据本公开内容一些实施例所示的示例性移动设备的硬件和/或软件组件的示意图；

图4是根据本公开内容一些实施例所示的示例性机架的角度示意图；

图5是根据本公开内容一些实施例所示的示例性准直器的角度的示意图；

图6是根据本公开内容一些实施例所示的示例性片段形状的示意图；

图7是根据本公开内容一些实施例所示的生成片段估计模型的示例性训练过程的流程图；

图8是根据本公开内容一些实施例所示的获取训练数据的示例性过程的流程图；

图9是根据本公开内容一些实施例所示的获取训练数据的示例性过程的流程图；

图10是根据本公开内容一些实施例所示的确定片段形状估计模型的示例性过程的流程图；

图11是根据本公开内容一些实施例所示的处理设备的框图；

图12是根据本公开内容一些实施例所示的基于片段形状估计模型估计MLC的片段形状的示例性过程的流程图。

具体实施方式

为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其它情况下，为了避免不必要地使本申请的各方面变得晦涩难懂，已经在较高的层次上描述了众所周知的方法、过程、系统、组件和/或电路。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。

本文中所使用的术语仅用于描述特定的示例性实施例的目的，并不旨在是限制性的。如本文中所使用的，单数形式“一”、“一个”及“该”可以同样旨在包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”和/或“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。

应当理解的是，本文中所使用的术语“系统”、“单元”、“模块”和/或“块”是用于按升序区分不同级别的不同构件、元素、部件、部分或组件的方法。但是，如果这些术语达到同样的目的，则可以会被另一个术语所取代。

通常，这里使用的词语“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑，或者是软件指令的集合。这里描述的模块、单元或块可以被实现为软件和/或硬件，并且可以存储在任何类型的非暂时性计算机可读介质或其它存储设备中。在一些实施例中，可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应于检测到的事件或中断而被调用。被配置为在计算设备(例如，图2所示的处理器210)上执行的软件模块/单元/块可以在计算机可读介质上提供，例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质，或作为数字下载(并且最初可以以压缩或可安装的格式存储，在执行之前需要安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中，并应用在计算设备的操作之中。软件指令可以嵌入固件中，例如可擦除可编程只读存储器(EPROM)。还应当理解，硬件模块/单元/块可以包括连接的逻辑组件，例如门和触发器，和/或可以包括可编程单元，例如可编程门阵列或处理器。这里描述的模块/单元/块或计算设备功能可以实现为软件模块/单元/块，但是可以用硬件或固件表示。通常，这里描述的模块/单元/块指的是逻辑模块/单元/块，它们可以与其他模块/单元/块组合或者分成子模块/子单元/子块，无论其物理组织或存储方式如何。本申请可适用于系统、引擎或其中的一部分。

可以理解的是，除非上下文另有明确说明，当一个单元、引擎、模块或块被称为“接通”、“连接”或“耦合”另一个单元、引擎、模块或块时，它可能直接接通、连接或耦合或与另一个单元、引擎、模块或块通信，或者可以存在一个中间单元、引擎、模块或块，除非上下文明确另有指示。在本申请中，术语“和/或”包括一个或多个相关列出项目或组合。

根据以下对附图的描述，本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。

为了说明的目的，提供以下描述以帮助更好地理解曝光控制的过程。应当理解的是，并非旨在限制本公开内容的范围。对于本领域的普通技术人员，在本公开内容的指导下可以扣除一定数量的变化、变更和/或修改。这些变化、变更和/或修改不脱离本公开内容的范围。

在本公开内容中，术语“放射疗法”、“放射的疗法”、“放射治疗”和“治疗”可以互换使用，即使用辐射治疗例如生物(例如，人和动物)组织中的癌症和其他疾病的疗法。术语“治疗计划”、“治疗的计划”和“放疗计划”可以互换使用，用于执行放疗的计划。

图1是根据本公开内容一些实施例所示的示例性医疗辐射系统的示意图。在一些实施例中，医疗辐射系统100可以应用于使用多叶准直器(MLC)的任何放射治疗场景。如本文中所使用的，术语“治疗”、“放射的治疗”、“放射疗法”和“放射疗法”可互换使用。在一些实施例中，医疗辐射系统100可以应用于调强放射治疗(IMRT)、旋转调强治疗(IMAT)、容积旋转调强治疗(VMAT)、图像引导放疗(IGRT)、单弧放疗、多弧放疗等。

如图1的图解说明，医疗辐射系统100可以包括辐射设备110、网络120、一个或多个终端130、处理设备140和存储设备150。在一些实施方案中，医疗辐射系统100可以进一步包括成像设备160。在一些实施方案中，辐射设备110和成像设备160可以集成到单个装置或单独的装置中。在一些实施方案中，在医疗辐射系统100中可以省略成像设备160。

在一些实施方案中，医疗辐射系统100中的所述组件可以通过一种或多种方式连接。仅举例而言，辐射设备110可以通过网络120连接到处理设备140。作为另一个示例，辐射设备110可以直接连接到处理设备140，如连接辐射设备110和处理设备140的虚线中的双向箭头所示。作为进一步的示例，存储设备150可以直接连接到处理设备140或通过网络120连接到处理设备140。作为又一个示例，终端130可以直接连接到处理设备140(如，连接终端130和处理设备140的虚线中的双向箭头所示)或通过网络120连接到处理设备140。作为又一示例，成像设备160可以直接或通过网络120连接到辐射设备110。

在本公开内容中，图1中所示的X轴、Y轴和Z轴可以形成正交坐标系。图1中所示的X轴和Z轴可以是水平的，Y轴可以是垂直的。如图所示，沿X轴的正X方向可为从面对辐射设备110正面的方向所看到的辐射设备110的左侧到右侧；沿图1所示的Y轴的正Y方向可以从辐射设备110的下部到上部；沿图1所示的Z轴的正Z方向可以指将对象从辐射设备110的诊台113移出的方向。

在一些实施例中，辐射设备110可以被配置为将辐射递送到对象(例如，患者)的计划目标体积(PTV)(也称为目标，例如，病灶)以治疗该对象。辐射设备110可以包括机架111、辐射源112和诊台113。在一些实施例中，辐射源112可以连接到机架111并且可围绕对象(例如，Z轴)旋转。在使用辐射设备110对对象进行放射治疗期间，可以将对象放置在诊台113上并移动到辐射设备110的治疗区域中，如图1中的治疗区域114。

辐射源112可以向放置在诊台113中的对象发射辐射射线。辐射射线可以包括X射线、γ射线、α射线、紫外线、激光、中子、质子等或其组合。多叶准直器(MLC)115(例如，如图4所示)可以附加到辐射源112上。MLC115可以包括可调节的叶片，其充当过滤器，阻挡或允许辐射线通过，以便将辐射射线的形状调整为对象的目标(例如，肿瘤)的形状，同时减少在辐射下的暴露目标(例如，紧邻目标的正常组织)的相邻器官的风险(OAR)。在一些实施例中，MLC 115可以与辐射源112一起旋转。在一些实施例中，在旋转期间，MLC115相对于辐射源112的位置可以是恒定的或基本恒定的。

在一些实施例中，对象可以是生物。仅作为示例，对象可以包括患者、人造对象等。作为另一个示例，对象可以包括患者的特定部分、器官和/或组织。例如，对象可以包括头部、大脑、颈部、身体、肩部、手臂、胸部、心脏、胃部、血管、软组织、膝盖、脚部等，或其任何组合。在本公开内容中，“主体”和“对象”可互换使用。

在一些实施例中，成像设备160可以被配置为获取对象的目标的一个或多个图像。在一些实施例中，成像设备160可以包括单模态成像设备和/或多模态成像设备。单模态成像设备可以包括例如磁共振成像(MRI)设备、计算机断层扫描(CT)设备、正电子发射断层扫描(PET)设备、单光子发射计算机断层扫描(SPECT)设备、超声设备、X射线设备等。例如，多模态成像设备可以包括计算机断层扫描-磁共振成像(MRI-CT)设备、正电子发射断层扫描-磁共振成像(PET-MRI)设备、单光子发射计算机断层扫描-磁共振成像(SPECT-MRI)设备、数字减影血管造影-磁共振成像(DSA-MRI)设备、正电子发射断层扫描-计算机断层扫描(PET-CT)设备、单光子发射计算机断层扫描-计算机断层扫描(SPECT-CT))设备等。

网络120可以促进信息和/或数据的交换。在一些实施例中，医疗辐射系统100的一个或多个组件(例如，辐射设备110、终端130、处理设备140、存储设备150或成像设备160)可以通过网络120将信息和/或数据发送到医疗辐射系统100中的另一个(多个)组件。例如，处理设备140可以通过网络120从终端130获得用户指令。作为另一实例，处理设备140可以通过网络120从成像设备160获得扫描数据。在一些实施例中，网络120可以为任何类型的有线或无线网络，或其组合。网络120可以为和/或包括公共网络(例如，因特网)、专用网络(例如，局域网(LAN)、广域网(WAN))等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、Wi-Fi网络)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙

终端130包括移动设备131、平板电脑132、膝上型电脑133等或其任意组合。在一些实施例中，移动设备131可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括手镯、鞋袜、眼镜、头盔、手表、服装、背包、配饰等或其任意组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实贴片、增强现实头盔、增强现实眼镜、增强现实贴片等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括谷歌眼镜、Oculus Rift、HoloLens、Gear VR等。在一些实施例中，终端130可以远程操作辐射设备110。在一些实施例中，终端130可以通过无线连接来操作辐射设备110。在一些实施例中，终端130可以通过无线连接操作辐射设备110。在一些实施例中，终端130可以接收由用户输入的信息和/或指令，并且通过网络120将所接收的信息和/或指令发送到辐射设备110或处理设备140。在一些实施例中，终端130可以接收来自处理设备140的数据和/或信息。在一些实施例中，终端130可以为处理设备140的一部分。在一些实施例中，可以省略终端130。

在一些实施例中，处理设备140可以处理从辐射设备110、终端130、存储设备150或成像设备160获得的数据。例如，处理设备140可以基于片段形状估计模型确定治疗计划的片段形状。处理设备140可以是一个中央处理单元(CPU)、一个数字信号处理器(DSP)、一个芯片上的系统(SoC)、一个微控制器单元(MCU)或其任意组合。

在一些实施例中，处理设备140可以是单个服务器或服务器组。服务器组可以是集中式的，也可以是分布式的。在一些实施例中，处理设备140可以是本地的或远程的。例如，处理设备140可以通过网络120访问存储在辐射设备110、终端130、成像设备160和/或存储设备150中的信息和/或数据。作为另一示例，处理设备140可以直接连接到辐射设备110、终端130、成像设备160和/或存储设备150，以访问存储的信息和/或数据。在一些实施例中，处理设备140可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、跨云、多云等，或其任意组合。在一些实施方案中，处理设备140可以在本公开内容中的图2中图解说明的一个或多个组件的计算设备200上实现。

存储设备150可以存储数据和/或指令。在一些实施例中，存储设备150可以存储从终端130和/或处理设备140获得的数据。例如，存储设备150可以存储从成像设备160获得的一个或多个图像。作为另一示例，存储设备150可以存储片段形状估计模型。在一些实施例中，存储设备150可以存储数据和/或指令，处理设备140可以执行或使用这些数据和/或指令来执行本公开内容中描述的示例性方法。例如，存储设备150可以存储指令，处理设备140可以执行或使用这些指令来基于片段形状估计模型确定治疗计划的片段形状。在一些实施例中，存储设备150可以包括大容量存储设备、可移动存储设备、易失性读写内存、只读存储器(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)、零电容随机存取存储器(Z-RAM)等。示例性ROM可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)、数字多功能盘只读存储器ROM等。在一些实施例中，存储设备150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、跨云、多云等，或其任意组合。

在一些实施例中，存储设备150可以连接到网络120以与医疗辐射系统100的一个或多个组件(例如，辐射设备110、成像设备160、终端130、处理设备140)通信。医疗辐射系统100的一个或多个组件可以通过网络120访问存储在存储设备150中的数据或指令。在一些实施方案中，存储设备150可以直接连接到医疗辐射系统100的一个或多个组件(例如，终端130、处理设备140)或与之通信。在一些实施例中，存储设备150可以是处理设备140的一部分。

图2是根据本公开内容一些实施例所示的示例性计算设备的硬件和/或软件组件的示意图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。在一些实施例中，处理设备140和/或终端130可以被实现在计算设备200上。

处理器210可以执行计算机指令(程序代码)并且在执行该指令时，使处理设备140根据本文所述技术执行处理设备140的功能。例如，计算机指令可以包括执行本文所述特定功能的例程、程序、对象、组件、信号、数据结构、过程、模块和函数。在一些实施方案中，处理器210可以处理从辐射设备110、终端130、存储设备150、成像设备160和/或医疗辐射系统100的任何其他组成部分获得的数据和/或图像。例如，处理设备140可以基于片段形状估计模型确定治疗计划的片段形状。在一些实施例中，处理器210可以包括一个或多个硬件处理器，例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理器(CPU)、图形处理器(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件(PLD)以及能够执行一个或以上功能的任何电路和处理器等，或其任意组合。

仅为了说明，在计算设备200中描述了一个处理器。然而，应该注意到本公开内容中的计算设备200也可以包括多个处理器。因此，如本公开内容中所述由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如，如果在本公开内容中，计算设备200的处理器同时执行进程A和进程B，那么应该理解，在计算设备200中，进程A和进程B也可以由两个或多个不同的处理器共同或分别执行(例如，第一个处理器执行进程A，第二个处理器执行进程B，或者第一和第二处理器共同执行进程A和进程B)。

存储器220可以存储从辐射设备110、终端130、存储设备150或医疗辐射系统100的任何其他组件获得的数据/信息。在一些实施例中，存储设备150可以包括大容量存储设备、可移动存储设备、易失性读写内存、只读存储器(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取存储器(RAM)。示例性RAM可以包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)、零电容随机存取存储器(Z-RAM)等。示例性ROM可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)、数字多功能盘只读存储器ROM等。在一些实施例中，存储器220可以存储一个或多个程序和/或指令以执行本公开内容中描述的示例性方法。例如，存储设备150可以存储指令，处理设备140可执行或使用该指令，以基于片段形状估计模型确定治疗计划的片段形状。

输入/输出(I/O)230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O230可以使用户能够与处理设备140进行交互。在一些实施例中，I/O 230可以包括输入设备和输出设备。示例性输入设备可以包括键盘、鼠标、触摸屏、麦克风等或其组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等或其组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)等，或其组合。

通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以建立处理设备140与辐射设备110、终端130或存储设备150之间的连接。该连接可以是能够进行数据传输和接收的有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆、电话线等，或其任意组合。无线连接可以包括蓝牙连接、Wi-Fi连接、WiMax连接、WLAN连接、ZigBee连接、移动网络连接(例如，3G、4G、5G)等，或其任意组合。在一些实施例中，通信端口240可以是标准化的通信端口，例如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，通信端口240可以根据医学数字成像和通信(DICOM)协议设计。

图3是根据本公开内容一些实施例所示的示例性移动设备的硬件和/或软件组件的示意图。在一些实施例中，处理设备140和/或终端130可以在计算设备200上实现。如图3所示，移动设备300可以包括显示器310、通信平台320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(图中未示出)，也可以被包括在移动设备300中。在一些实施例中，移动操作系统370(例如，iOS、Android、Windows Phone等)和一个或多个应用程序380可以从存储器390加载到内存360中，以便由CPU340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收和渲染与图像处理相关的信息或来自处理设备140的其他信息。用户与信息流的交互可以通过I/O 350实现并且通过网络120提供给医疗辐射系统100的处理设备140和/或其他组件。

为了实现本公开内容中描述的各种模块、单元及其功能，计算机硬件平台可以用作本文中所描述的一个或多个元件的(多个)硬件平台。此类计算机的硬件元件、操作系统和编程语言本质上是常规的，并且推测，本领域技术人员已充分熟悉该技术以采用这些技术控制如本文中所描述的医疗辐射中的辐射。具有用户界面元素的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备，但如果适当编程，计算机也可以充当服务器。本领域的技术人员熟悉这种计算机设备的结构、编程和一般操作，因此，附图应该是不言自明的。

放射疗法可以用于治疗例如生物(例如，人和动物)组织中的癌症和其他疾病。可以使用辐射设备(例如，图1中的辐射设备110)来提供示例性放射治疗，由此目标(例如，肿瘤)可以被高能粒子(例如，电子、光子、离子等)辐射。在辐射治疗中，多条放射线可以从不同角度指向目标。目标(例如，病灶)可以被称为计划目标体积(PTV)。紧邻目标周围的正常组织可以称为危及器官(OAR)。治疗计划可以是涉及确定和/或更新特定放射治疗参数以实现治疗目标的过程。治疗计划的结果可以是治疗计划。治疗计划过程可以包括从患者的一个或多个医学图像描绘一个或多个目标和一个或多个OAR，并且基于描绘结果指定放射治疗参数。

以图1中的辐射设备110对对象(例如，患者)的目标(例如，病灶)执行的目标治疗对应的目标治疗计划为例，目标治疗计划的放射治疗参数可以包括目标治疗的总时间、总时间内的总剂量、在总时间内的多个目标控制点(也称为目标控制时间点)、对应于多个目标控制点或类似的每一个的目标辐射信息或其任何组合。

在一些实施例中，对应于多个目标控制点中的每一个的目标辐射信息可以包括剂量输出率、每次脉冲的剂量输出、输出剂量、目标中的剂量分布、目标位置组合、片段形状等，或其任意组合。

在一些实施例中，对应于目标控制点的目标中的剂量分布可以指在目标控制点结束的时间段期间目标中的剂量分布。在一些实施例中，对应于目标控制点的剂量输出率可以指在目标控制点结束的时间段期间的剂量输出率。在一些实施例中，对应于目标控制点的每次脉冲剂量输出可以指在目标控制点结束的时间段期间每次脉冲的剂量输出。在一些实施例中，对应于目标控制点的输出剂量可以指在目标控制点结束的时间段期间的输出剂量。例如，时间段可以是从总时间的开始(例如，多个目标控制点中的第一个控制点)到目标控制点。作为另一示例，时间段可以在目标控制点和目标控制点之前的控制点之间。

在一些实施例中，与目标控制点对应的目标位置组合或片段形状可以指示辐射设备110在目标控制点上的位置。

在一些实施例中，对应于目标控制点的目标位置组合可以指示MLC 115相对于目标控制点处的目标的位置。

在一些实施例中，对应于目标控制点的目标位置组合可以包括辐射设备110的一个或多个组件在目标控制点处操作的一个或多个位置的组合。例如，目标控制点对应的目标位置组合可以包括目标控制点处放射源112的机架角度。作为另一示例，对应于目标控制点的目标位置组合可以包括辐射源112的机架角度和MLC 115在目标控制点的准直器角度的组合(也称为机架-准直器角度组合)。作为又一示例，目标控制点对应的目标位置组合可以包括辐射源112的机架角度、MLC 115的准直器角度和诊台113在目标控制点的诊台位置的组合。

在一些实施例中，在目标治疗期间，辐射源112可以围绕图1所示的Z轴旋转并且从不同角度向目标发射辐射线。目标控制点对应的机架角度(也称为光束角度)可以指示辐射设备110中的辐射源112在目标控制点处的位置。例如，当辐射源112旋转到目标控制点的位置时，对应的机架角度可以指该位置的辐射源112发射的辐射射线的中心线与参考方向之间的角度(例如，垂直于地面的方向)。

仅作为示例，图4是根据本公开内容一些实施例所示的示例性机架角度示意图。图4中所示的辐射设备110是从面向辐射设备110前部的方向(例如，沿着图1和4中所示的负Z方向)看到的辐射设备110的视图。图4中的X轴、Y轴和Z轴对应于图1中的X轴、Y轴和Z轴。在图4中，正Z方向表示为垂直于纸张并指向外部的方向。

如图4所示，辐射源112可以沿着轨迹116围绕Z轴旋转。MLC 115可以与辐射源112一起围绕Z轴旋转。辐射源112可以发射辐射线(或称为辐射束)440。辐射线440的中心线430由图4中的虚线表示。垂直于地面的虚线420(沿图1和图4所示的Y方向)可以指定为参考线。当辐射源112旋转至位置410时，辐射线440的虚线420和中心线430之间的角度为90°。辐射源112在位置410处的机架角度为90°。

在一些实施例中，辐射设备110的MLC 115可以围绕与辐射源112的Z轴旋转并且围绕MLC 115的中心线(例如，与从辐射源112发射的辐射线440的中心线430重合)旋转。对应于目标控制点的准直器角度可以指示MLC 115相对于辐射源112在目标控制点的位置。例如，当MLC 115围绕其中心线旋转到目标控制点的位置时，对应的准直器角度可以指该位置与MLC 115的初始位置之间的角度。

仅作为示例，图5是根据本公开内容一些实施例所示的示例性准直器角度的示意图。图5中所示的MLC 115是垂直于MLC 115的中心线(例如，与图4中所示的辐射线440的中心线430重合)的MLC 115的横截面。MLC 115可以围绕其中心线(例如，图4中所示的辐射线440的中心线430)旋转(例如，沿着图5中的方向R旋转)。

MLC 115的位置520(例如，在图5中表示为虚线)可以被指定为初始位置。当MLC115沿方向R旋转至位置510(例如，图5中以实线表示)时，初始位置520与位置510之间的角度为90°。MLC 115在位置510处的准直器角度是90°。

在一些实施例中，诊台113可以沿图1所示的X方向、Y方向和Z方向平移。在一些实施例中，诊台113可以绕图1所示的Y方向、X方向或Z方向旋转。诊台113的诊台位置可以指示诊台113沿X方向的平移、诊台113沿Y方向的平移、诊台113沿Z方向的平移、诊台113围绕Y方向旋转、诊台113围绕Z方向旋转、诊台113围绕X方向旋转中的至少一个。

在一些实施例中，MLC 115可以包括多个叶片对，每个叶片对包括相对设置的两个叶片。在一些实施例中，在目标控制点处，多个叶片对可以单独地移动到各自的目标叶片位置，从而形成特定形状的孔径以建立近似于目标形状的治疗束。在目标控制点处的MLC115的孔径的形状可以称为在目标控制点处的MLC115的目标片段形状。

在一些实施例中，目标控制点处的MLC 115的目标片段形状可以包括多个叶片对中的每一个的目标叶片位置。例如，叶片对的目标叶片位置可以包括由叶片对形成的开口位置(例如，开口的中心位置)和开口宽度。作为另一示例，叶片对可以包括第一叶片和第二叶片。叶片对的目标叶片位置可以包括第一叶片的第一目标位置和第二叶片的第二目标位置。在一些实施例中，第一叶片的第一目标位置可以表示为第一叶片的末端的中心点的位置。第一叶片的末端可以正对着第二叶片。第二叶片的第二目标位置可以表示为第二叶片的末端的中心点的位置。第二叶片的末端可以正对着第一叶片。在一些实施例中，多个叶片对中的每一个都可以被编号。叶片对的目标叶片位置信息还可以包括叶片对的序号。

例如，图6是根据本公开内容一些实施例所示MLC 115的示例性片段形状的示意图。图6中所示的MLC 115是垂直于MLC 115的中心线(例如，图4中所示的辐射线440的中心线430)的横截面。如图所示，MLC 115包括7个叶片对(例如，图6中的阴影块)，其可以沿着图6中的方向L移动。7对叶片的编号分别为N

如图所示请参考图6，基于MLC 115建立坐标系。坐标系包括沿方向L的坐标轴620。坐标轴620的正方向为从左到右。虚线630被指定为坐标系的原点。

在一些实施例中，MLC 115的叶片对在目标控制点的目标叶片位置可以表示为(N，c，w)，其中N是指叶片对的序号，c是指位置，例如在坐标系中，由叶片对形成的开口中心点(例如，片段形状610的一部分)，并且w指的是开口沿方向L的宽度。在一些实施例中，宽度w可以通过将叶片对相对于该叶片对的中心c对称定位形成。

例如，叶片对N

在一些实施例中，7个叶片对中的一对可以包括第一叶片和第二叶片。叶片对在目标控制点的目标叶片位置可以表示为(N，p

例如，由于叶片对N

在一些实施例中，本公开内容提供一种训练过程(例如，结合图7-10的描述)以确定片段形状估计模型，该片段形状估计模型用于确定与目标治疗计划的多个目标控制点中的每个点上的每个目标位置组合对应的目标片段形状。在一些实施例中，本公开内容还提供了一种过程(例如，结合图12的内容)，用于使用片段形状估计模型确定目标治疗计划的多个目标控制点中的每个目标位置组合对应的目标片段形状。

图7是根据本公开内容一些实施例所示的生成片段估计模型的示例性训练过程的流程图。在一些实施例中，图7所示的流程700的一个或多个操作可以在图1所示的医疗辐射系统100或第三方(例如，外部设备)中实现。例如，图7中所示的流程700可以指令的形式存储在医疗辐射系统100的存储设备(例如，存储设备150和/或存储器220)中，并由处理设备140(例如，如图2所示的计算设备200的处理器210、如图3所示的移动设备300的CPU340、或者图3所示的处理设备140的一个或多个模块(例如，图11中所示的处理设备140的模型获取模块1120))。下文呈现的图示过程的操作旨在说明。在一些实施例中，流程700可以通过未描述的一种或多种附加操作和/或未讨论的一种或多种操作来完成。另外，图7中所示的流程700的操作顺序是相同的。图7中的说明和下文描述的流程700的操作的顺序不是限制性的。

步骤710，可以构建初始模型。在一些实施例中，可以基于位置通用集和距离通用集构建初始模型的框架，使得所得的片段形状估计模型可以用于在该位置通用集的多个离散候选位置组合内输出多个目标位置组合，以及与多个目标位置组合对应且在距离通用集内的多个目标片段形状。

在一些实施例中，位置通用集可以包括多个离散的候选位置组合。在一些实施例中，可以获得多个候选机架角度、多个候选诊台位置或多个候选准直器角度。可以基于多个候选机架角度、多个候选准直器角度或多个诊台位置获得位置通用集。例如，位置通用集中的多个候选位置组合中的每一个可以包括多个候选机架角度中的一个。作为另一示例，位置通用集中的多个候选位置组合中的每一个可以包括多个候选机架角度和多个候选准直器角度中的一个。作为另一示例，位置通用集中的多个候选位置组合中的每一个可以包括来自多个候选机架角度、多个候选准直器角度和多个候选诊台位置中的一个的组合。

在一些实施例中，位置通用集中的元素类型可以基于期望应用的片段形状估计模型的治疗计划的类型来确定。例如，如果需要生成一个片段形状估计模型，以确定与机架-准直器角度组合相对应的片段形状，那么位置通用集可以包括多个候选机架角和多个候选准直器角度的组合。

以机架-准直器角度组合为例，可以获得候选机架角度范围和候选准直器角度范围。从候选机架角度范围和候选准直器角度范围可以分别得到多个离散的候选机架角度和多个离散的候选准直器角度。例如，可以基于第一角度分辨率从候选机架角度的范围中选择多个离散的候选机架角度。多个候选机架角度中任意两个相邻的候选机架角度之间的差值可以等于第一角度分辨率。作为另一个示例，可以基于第二角度分辨率从候选准直器角度的范围中选择多个离散的候选准直器角度。多个候选准直器角度中的任意两个相邻的候选准直器角度之间的差值可以等于第二角度分辨率。第一角度分辨率和第二角度分辨率可以相同或不同。

仅作为示例，候选机架角度的范围和候选准直器角度的范围可以设置为360°。可以从候选机架角度的范围中选择多个离散的候选机架角度，每个角度间隔0.5°(第一角度分辨率)。例如，多个候选机架角度可以表示为{0°，0.5°，1.0°，…，359.5°}。可以从候选准直器角度的范围中选择多个离散的候选准直器角度，每个角度间隔0.5°(第二角度分辨率)。例如，多个候选准直器角度可以表示为{0°，0.5°，1.0°，…，359.5°}。位置通用集可以包括720个候选机架角度和720个候选准直器角度的720*720个机架准直器角度组合。

在一些实施例中，较大的候选机架角度范围和候选准直器角度范围，较小的第一和第二角度分辨率值(如较高的第一和第二角度分辨率)可以增加所得到的片段形状估计模型的输出量，从而增加所得到的片段形状估计模型的应用和精度。例如，如果位置通用集中候选机架角度的范围小于360°，则生成的片段形状估计模型可以不适用于单弧治疗计划和多弧治疗计划。再例如，如果位置通用集的第一个角度分辨率为5°，而目标治疗计划中的机架角度精确到0.5°，则使用获取的片段形状估计模型为目标治疗计划确定的目标片段形状可以不准确。再例如，如果位置通用集的第一个角度分辨率是0.5°，所得到的片段形状估计模型可以准确地确定目标治疗计划的目标段形状，其中，机架角度可以精确到0.5°、1°、2°、5°等。

在一些实施例中，距离通用集可以包括多个离散的候选叶片位置。假设多个候选叶片位置中的每一个都包括一个候选开口位置和一个候选开口宽度，为了得到距离通用集，可以得到多个候选开口位置和多个候选开口宽度。多个候选叶片位置中的每一个可以包括多个候选开口位置中的一个和多个候选开口宽度中的一个。在一些实施例中，可以获得一系列候选开口位置和一系列候选开口宽度。可以分别从候选开放位置的范围和候选开放宽度的范围获得多个候选开放位置和多个候选开放宽度。例如，可以基于第一距离分辨率从候选开口位置的范围中选择多个候选开口位置。多个候选开口位置中的任意两个相邻的候选开口位置之间的差值可以等于第一距离分辨率。作为另一示例，可以基于第二距离分辨率从候选开口宽度的范围中选择多个候选开口宽度。多个候选开口宽度中的任意两个相邻的候选开口宽度之间的差值可以等于第二距离分辨率。

例如，候选开口位置的范围可以设置为-200mm至+200mm，候选开口宽度的范围可以设置为0-150mm。可以从候选开口位置的范围中选择多个离散的候选开口位置，每个间隔0.5mm(第一距离分辨率)。例如，多个候选开口位置可以表示为{-200，-199.5，..0，0.5，…，200}。可以从候选开口宽度的范围中选择多个离散的候选开口宽度，每个间隔0.5mm(第二距离分辨率)。例如，多个候选开口宽度可以表示为{0，0.5，1.0，…150}。

在一些实施例中，较大的候选开口位置的范围和候选开口宽度的范围，以及较小的第一和第二距离分辨率的值(例如，较高的第一和第二距离分辨率)可以增加所得到的片段形状估计模型的应用和精度。例如，如果距离通用集中的候选开口位置和候选开口宽度的范围较窄，则所得的片段形状估计模型可以不适用于治疗较大病灶的治疗方案。再例如，如果距离通用集中的第一和第二距离分辨率相对较高，则使用所得片段形状估计模型为目标治疗计划确定的目标片段形状可以更准确地近似目标的形状。

在一些实施例中，可以进一步基于叶片对的数量构建初始模型，使得获取的片段形状估计模型可以用于输出每个叶片对对应于多个候选位置组合的叶片位置，并且应用于具有相同数量(或计数)叶片对的MLC。例如，可以基于等于60个叶片对的数量和包括720*720个候选位置组合的位置通用集来构建初始模型，将获取的片段形状估计模型应用于具有60个叶片对的MLC，并配置为总共输出720*720*60，共31104000个对应于720*720个候选位置组合的叶片位置。

在一些实施例中，可以基于离散有限位置通用集和离散有限距离通用集来构建初始模型的框架，以便可以将所得的片段形状估计模型配置为从位置通用集和距离通用集估计多个目标位置组合和相应的目标片段形状。将机架角度、准直器角度、诊台、叶片位置在位置通用集和距离通用集中的空间进行“离散化”(如0.5度或1mm)，使得位置通用集和距离通用集的总体集合较大，但仍然是有限集，这使得使用片段形状估计模型对目标位置组合和目标片段形状的预测具有可控的操作量、高效的操作速度和准确的操作结果。例如，位置通用集可以包括720*720个机架-准直器角度，其是720个离散候选机架角度{0°，0.5°，1.0°，…，359.5°}和720个离散候选准直器角度{0°，0.5°，1.0°，…，359.5°}的组合。距离通用集可以包括801*301个叶片位置，它们是801个离散候选开口位置{-200，-199.5，..0，0.5，…，200}和301个离散候选开口宽度{0，0.5，1.0，…150}的组合。位置通用集和距离通用集的整体集合很大，但仍然是有限集。

步骤720，可以基于初始模型获取训练数据。在一些实施例中，训练数据可包括多个训练集。在一些实施方案中，可以基于先前数据为样本(例如，患者的病灶，也称为样本)生成的历史治疗计划的信息来获得多个训练数据中的一个。与获得训练数据有关的细节可在本公开内容的其他地方找到(例如，与图8有关内容)。

步骤730，可以通过基于训练数据训练初始模型，来确定片段形状估计模型。

在一些实施例中，训练过程可以是脱机过程，在脱机过程中组装具有地面真实值测量的训练数据数据库。例如，可以构建先前治疗不同患者生成的治疗计划的数据库。在这个数据库中，训练数据可以用特征的数量(或计数)来表示。然后，通过在一部分或整个训练数据库中实现预测和基础真值之间的最佳拟合，训练过程可以学习或训练特征和基础真实值之间的映射。

在训练过程中，可以将训练数据(包括训练输入和相应的已知输出)输入到构建的初始模型中，使构建的初始模型学习如何将训练过程中学习到的信息从训练数据中泛化，为新的输入数据提供输出。

在一些实施例中，初始模型可以包括多个参数。初始模型中的参数值可以通过执行迭代反向传播训练程序(例如，随机梯度下降反向传播训练技术)来更新，以确定片段形状估计模型。也就是说，为了调整初始模型的参数，初始模型可以反向传播初始模型的输出确定的误差。

在一些实施例中，片段形状估计模型可以是机器学习模型。在一些实施例中，片段形状估计模型可以是深度学习模型。在一些实施例中，片段形状估计模型可以是深度卷积-反卷积(例如，编码器-解码器)网络，例如，U形卷积神经网络(U-Net)、V形卷积神经网络(V-Net)、残差网络(Res-Net)或残差密集网络(Red-Net)等。

与用于确定片段形状估计模型的训练过程相关的细节可以参考本公开内容的其他内容(例如，结合图10内容)。

在一些实施例中，随着收集更多数据，包含训练数据的训练数据库的大小可以会增加。更新后的数据库可用于重新训练片段形状估计模型，例如，定期或不定期。训练数据库中的新样本可以来自未见过的治疗计划(例如，过去未用于训练或预测的治疗计划)，也可以来自过去用于预测，但现在已更新的治疗计划。

在一些实施方案中，片段形状估计模型可以由医疗辐射系统100(例如，处理设备140、图11中的处理设备140的模型获取模块1120)或第三方(例如，外部设备)来确定和/或更新。在一些实施方案中，医疗辐射系统100可以离线确定和/或更新片段形状估计模型并将片段形状估计模型存储在存储设备(例如，存储设备150、存储器220或存储器390)中。在一些实施例中，片段形状估计模型可以由例如辐射设备110的制造商或供应商确定和/或更新(或维护)。例如，制造商或供应商可以在辐射设备110和/或处理设备140的安装之前或期间，将片段形状估计模型加载到医疗辐射系统100或其一部分(例如，处理设备140)中，并且不时地(定期或不定期)维护或更新片段形状估计模型。维护或更新可以通过安装存储在存储设备(例如，光盘、USB驱动器等)上的程序来实现，或者通过网络120从外部来源(例如，由制造商或供应商维护的服务器)检索的程序来实现。该程序可以包括新的片段形状估计模型，或替代或补充片段形状估计模型的相应部分的模型的一部分。

需要说明的是，上述描述仅为说明目的而提供，并不旨在限制本公开内容的范围。对于本领域的普通技术人员来说，可以在本公开内容的教导下做出多种变化和修改。然而，这些变化和修改并不脱离本公开内容的范围。

图8是根据本公开内容一些实施例所示的获取训练数据的示例性过程的流程图。在一些实施方案中，图8中所示的流程800的一个或多个步骤可以在图1中所示的医疗辐射系统100或第三方(例如，外部设备)中实施。例如，图8中所示的流程800可以指令的形式存储在医疗辐射系统100的存储设备(例如，存储设备150和/或存储器220)中，并且由处理设备140(例如，如图2中所示的计算设备200的处理器210、如图3中所示的移动设备300的CPU340)或一个或多个模块(例如，图11中所示的处理设备140的模型获取模块1120)处理。下面呈现的图示过程的步骤旨在是说明性的。在一些实施例中流程800可以用一个或多个未描述的附加步骤和/或一个或多个未讨论的步骤来完成。另外，图8中所图解说明的和下文所描述的流程800的步骤的顺序并不打算加以限制。在一些实施例中，图7中流程700的步骤720可以基于流程800执行。

在一些实施例中，训练数据可以包括多个训练集。可以基于流程900获得多个训练集中的其中一个。在一些实施例中，多个训练集中的其余部分也可以基于流程800获得。

步骤810，可以获取先前基于病灶样本(例如，样本)生成的历史治疗计划。在一些实施例中，可以从存储设备(例如，存储设备150、存储器220、存储器390等)获得历史治疗计划。在一些实施例中，历史治疗计划的类型可以对应于初始模型。例如，历史治疗计划对应的MLC的叶片对的数量(或计数)可以等于初始模型对应的叶片对的数量(或计数)。又例如，如果用于构建初始模型的位置通用集包括多个机架-准直器角度组合，则历史治疗计划中的位置组合(也称为样本位置组合)可以是机架-准直器角度组合。又例如，历史治疗计划中样本位置组合的范围可以在用于构建初始模型的位置通用集中的候选位置组合的范围内。

步骤820，可以获取历史治疗计划相对应病灶样本的一个或多个第一样本图像。在一些实施例中，历史治疗计划是基于样本的一个或多个第一样本图像先前生成的。在一些实施例中，一个或多个第一样本图像可以包括样本的标识。例如，可以在一个或多个第一样本图像中标注样本的轮廓。在一些实施例中，样本的识别可以由用户(例如，医生)手动执行或修改。在一些实施例中，可以使用图像分割算法或图像分割模型自动执行样本的识别。

步骤830，可以获取与历史治疗计划中多个样本控制点中的每个对应的样本位置组合和样本片段形状。

步骤840，可以基于历史治疗计划的第一样本图像、样本位置组合和样本片段形状获取训练集。在一些实施例中，可以基于位置通用集和距离通用集对多个样本控制点中的每个对应的样本位置组合和样本片段形状进行处理，获取训练集。与获得训练数据有关的细节可以参考本公开内容的其他内容(例如，结合图9内容)。

在一些实施例中，可以获取样本周围正常组织的一个或多个第二样本图像、一个或多个第三样本图像以及历史治疗计划的样本辐射信息。训练集还可以通过包括一个或多个第二样本图像、一个或多个第三样本图像和/或样本辐射信息来获得。在一些实施例中，可以通过扫描样本获取样本的一个或多个第一样本图像。例如，第一样本图像可以包括单模态图像和/或多模态图像。例如，单模态图像可以包括磁共振(MR)图像、CT图像、PET图像、SPECT图像、超声图像、X射线图像等。例如，多模态图像可以包括计算机断层扫描-磁共振成像(MRI-CT)系统、PET-MR图像、SPECT-MR图像、DSA-MR图像、PET-CT图像、SPECT-CT图像等。在一些实施例中，第一样本图像可以是重建图像，例如，三维(3D)渲染图像、多平面重建(MPR)图像、曲面重建(CPR)图像等。

在一些实施例中，样本周围的正常组织的第二样本图像可以是与一个或多个第一样本图像中的至少一个分离的周围正常组织的掩码图像。在一些实施例中，样本的第三样本图像可以是从一个或多个第一样本图像中的至少一个分离的样本的掩码图像。在一些实施例中，样本辐射信息可以包括样本输出剂量、样本剂量输出率、样本中的样本剂量分布、每次脉冲的样本剂量输出、样本周围正常组织的可接受剂量、样品的最小剂量等中的至少一项，或其任何组合。在一些实施例中，可以基于一个或多个第一样本图像、一个或多个第二样本图像和/或一个或多个第三样本图像来确定样本辐射信息。在一些实施例中，样本辐射信息可以使用剂量预测模型来确定。

需要说明的是，上述描述仅为说明目的而提供，并不旨在限制本公开内容的范围。对于本领域的普通技术人员来说，可以在本公开内容的教导下做出多种变化和修改。然而，这些变化和修改并不脱离本公开内容的范围。

图9是根据本公开内容一些实施例所示的获取训练数据的示例性过程的流程图。在一些实施方案中，图9中所示的流程900的一个或多个步骤可以在图1中所示的医疗辐射系统100或第三方(例如，外部设备)中实施。例如，图9中所示的流程900可以指令的形式存储在医疗辐射系统100的存储设备(例如，存储设备150和/或存储器220)中，并且由处理设备140(例如，如图2中所示的计算设备200的处理器210、如图3中所示的移动设备300的CPU340)或一个或多个模块(例如，图11中所示的处理设备140的模型获取模块1120)处理。下面呈现的图示过程的步骤旨在是说明性的。在一些实施例中，流程900可以用一个或多个未描述的附加步骤和/或一个或多个未讨论的步骤来完成。另外，图9中所图解说明的和下文所描述的流程900的步骤的顺序并不打算加以限制。在一些实施例中，图8中流程800的步骤840可以基于流程900执行。

步骤910，可以获取位于位置通用集内的处理后的样本位置组合。在一些实施例中，可以通过基于位置通用集对步骤830中获得的历史治疗计划的样本位置组合进行处理，得到处理后的样本位置组合。

仅作为示例，可以基于包括720*720ge机架-准直器角度组合的位置通用集来构建初始模型。可以基于720个候选机架角度{0°，0.5°，1.0°，…，359.5°}和720个候选准直器角度{0°，0.5°，1.0°，…，359.5°}确定720*720个机架-准直器角度组合。样本机架-准直器角度组合的样本机架角度和样本准直器角度可以被建模到它们各自最近的0.5°点，包括样本机架角度和样本准直器角度。例如，样品机架角度40.1°可以被处理设置为40°。

步骤920，可以获取位于距离通用集内的处理后的样本片段形状。在一些实施例中，可以基于距离通用集对步骤830中获得的历史治疗计划的样本片段形状进行处理，获取处理后的样本片段形状。仅作为示例，初始模型可以建立在一个包含候选开放位置{-200，-199.5，..0，0.5，…，200}和候选开放宽度{0，0.5，1.0，…150}的距离通用集上。样本片段形状的样本开口位置和样本开口宽度可以模拟到各自最近的0.5mm点，该点包括样本开口位置和样本开口宽度。例如，样品开口宽度10.6mm可以被处理设置为10.5mm。

步骤930，获取包含处理后的样本片段形状和封闭片段形状的样本集，与封闭片段形状对应的候选位置组合不包括处理后的样本位置组合。在一些实施例中，MLC的封闭片段形状可以指示MLC的所有叶片对都是闭合的。在样本集中，多个候选位置组合中的每一个可以具有对应的片段形状。在一些实施例中，历史治疗计划中可以有180-240个样本控制点。如果位置通用集包括720*720个候选位置组合，则样本集中的大部分片段形状可以是封闭片段形状。由于片段形状是闭合的，样本集可以被视为具有稀疏性。

步骤940，可以通过包含样本位置组合和历史治疗计划的样本集，获取训练集。

在一些实施例中，步骤910-930中的至少一个可以在初始模型之外执行。在一些实施例中，步骤910-930中的至少一个可以由初始模型执行。例如，可以将样本位置组合或样本片段形状输入到初始模型中。处理后的样本片段形状或处理后的样本位置组合可以由初始模型对样本片段形状或样本位置组合进行处理得到。或者，初始模型可以基于处理后的样本片段形状和处理后的样本位置组合获得样本集。

需要说明的是，上述描述仅为说明目的而提供，并不旨在限制本公开内容的范围。对于本领域的普通技术人员来说，可以在本公开内容的教导下做出多种变化和修改。然而，这些变化和修改并不脱离本公开内容的范围。

图10是根据本公开内容一些实施例所示的确定片段形状估计模型的示例性过程的流程图。在一些实施方案中，图10中所示的流程1000的一个或多个步骤可以在图1中所示的医疗辐射系统100或第三方(例如，外部设备)中实施。例如，图10中所示的流程1000可以指令的形式存储在医疗辐射系统100的存储设备(例如，存储设备150和/或存储器220)中，并且由处理设备140(例如，如图2中所示的计算设备200的处理器210、如图3中所示的移动设备300的CPU340)或一个或多个模块(例如，图11中所示的处理设备140的模型获取模块1120)处理。下面呈现的图示过程的步骤旨在是说明性的。在一些实施例中，流程1000可以用一个或多个未描述的附加步骤和/或一个或多个未讨论的步骤来完成。另外，图10中所图解说明的和下文所描述的流程1000的步骤的顺序并不打算加以限制。在一些实施例中，图7中流程700的步骤730可以基于流程1000执行。

步骤1010，可以初始化初始模型。在一些实施例中，构建的初始模型可以包括多个参数。多个参数中的每一个都可以被赋一个初始值。可以使用训练数据来训练初始化的初始模型以确定多个参数的训练值。即对初始化的初始模型进行训练，将初始值的多个参数更新为训练值，从而生成片段形状估计模型。

在一些实施例中，可以通过使用包括多次迭代的迭代过程更新初始化的初始模型来确定片段形状估计模型。迭代过程的多次迭代中的至少一次可以包括步骤1020-1060。

步骤1020，可以获取多个训练集中的一个。在一些实施例中，可以从训练集中提取一组特征。在一些实施例中，根据训练集中数据的来源和类型，提取的特征可以是二进制的、数值的、分类的、有序的、二项式的、区间的、基于文本的或其任意组合。

除了上述特征之外，还可以从提取的特征中确定一个或多个衍生特征。例如，(多个)衍生特征可以表示为提取的特征的线性或非线性组合。

在一些实施例中，从训练集中提取特征可以是全自动、半自动、手动或其组合。例如，在全自动特征提取方法中，一个或多个图像处理算法可以首先检测一个或多个第一样本图像中与样本对应的区域，然后从检测到的区域中提取特征。在半自动化方法下，可以自动提取一些特征，而其他特征和/或自动提取的特征可以由用户注释、编辑或更正。在手动方法下，特征可以由用户注释或测量。

在一些实施例中，初始模型可以学习特征作为训练的一部分。例如，初始模型可以是深度学习模型。深度学习(例如，深度结构化学习、分层学习或深度机器学习)可以通过使用具有由多个非线性变换组成的结构的多个处理层来对数据中的高级抽象进行建模，其中输入数据特征没有明确设计。深度神经网络可以通过多层特征提取来处理输入，以产生用于输出的特征。在学习要使用的特征以及如何对给定的训练样本(例如，特征向量)进行分类时，机器训练可以是无监督的。使用深度学习，机器学习所需的输入特征不是由用户明确设计的。

步骤1030，通过将训练集的第一样本输入中间模型中，生成与多个候选位置组合对应的估计片段形状。在一些实施例中，还可以将训练集中的一个或多个第二样本图像、一个或多个第三样本图像和/或样本辐射信息输入到中间模型中。在一些实施例中，中间模型可以是在迭代过程的多次迭代中的第一次迭代中初始化的初始模型，或者是在迭代过程中的上一次迭代中生成的先前更新的模型。在一些实施例中，输入到初始模型中的训练集中的数据可以是步骤1020中所示的提取特征的形式。

在一些实施例中，中间模型可以基于输入选择多个候选位置组合中的一些，并从距离通用集中估计具有真实形状的相应片段形状。其余多个候选位置组合的片段形状可以确定为闭合形状。由中间模型输出的估计片段形状可以包括具有真实形状并且对应于所选择的候选位置组合的片段形状，以及对应于多个候选位置组合中的其余部分的封闭片段形状。

步骤1040，基于估计片段形状和训练集中的样本集，确定损失函数的值。

在一些实施例中，损失函数的值(也称为损失)可以通过比较处理的样本片段形状(例如，由治疗计划系统(TPS)确定的片段形状)和对应于候选位置组合的估计片段形状来确定。在一些实施例中，损失函数的值可以通过比较样本集中的所有片段形状和所有输出估计片段形状来确定。

在一些实施例中，当将估计片段形状与样本集中对应的片段形状进行比较时，估计片段形状的每个叶片位置(c

在一些实施例中，可以选择适合于样本集的稀疏性的损失函数来确定估计片段形状和样本集之间的损失。

在一些实施例中，估计辐射信息可以基于估计片段形状来确定。在一些实施例中，估计辐射信息可以对应于多个样本控制点中的每一个。在一些实施例中，估计辐射信息可以包括估计输出剂量、估计剂量输出率、样本中的估计剂量分布、每个脉冲的估计剂量输出等中的至少一个，或者其任意组合。在一些实施例中，可以使用治疗计划算法或模型基于估计片段形状来确定估计辐射信息。在一些实施例中，可以将估计辐射信息与训练集中的样本辐射信息(例如，由治疗计划系统(TPS)确定的辐射信息)进行比较。损失可以基于比较来确定。损失可以反向传播回训练过程，以更新中间模型。

步骤1050，可以确定是否满足终止条件。在一些实施例中，终止条件可以与损失函数的值或已执行的迭代过程的迭代计数中的至少一个有关。

在一些实施例中，示例性的终止条件可以是损失函数的值小于阈值。其他示例性终止条件可以包括迭代已经执行了最大次数(或计数)，和/或在先前迭代中获得的损失函数的值与当前迭代(或在连续迭代的一定数量或计数内的损失函数的值之间)之间的差异小于特定阈值。

响应于在步骤1050中不满足终止条件，流程1000可以进行到步骤1060，并且进一步重复步骤1020-1050直到满足终止条件。响应于步骤1050确定满足终止条件，迭代过程可以终止。流程1000可以进行到步骤1070，其中可以将当前迭代中的中间模型作为片段形状估计模型存储和/或输出。

步骤1060，可以通过基于损失函数的值更新中间模型，生成更新后的模型。

在训练过程中，可以将训练数据输入到中间模型中，使得中间模型可以学习如何基于新的输入数据(例如，病灶和/或周围组织的几何形状，和/或信息)来确定)，从位置通用集确定目标位置组合，从距离通用集确定相应的目标片段形状。

需要说明的是，上述描述仅为说明目的而提供，并不旨在限制本公开内容的范围。对于本领域的普通技术人员来说，可以在本公开内容的教导下做出多种变化和修改。然而，这些变化和修改并不脱离本公开内容的范围。

图11是根据本公开内容一些实施例所示的处理设备的框图。处理设备140可以包括输入获取模块1110、模型获取模块1120和形状估计模块1130。

输入获取模块1110可以获得与使用辐射设备对目标进行放射治疗的目标治疗计划有关的输入数据。在一些实施例中，目标治疗计划可以包括多个目标控制点。

在一些实施例中，输入数据可以包括目标的一个或多个第一目标图像。在一些实施例中，输入数据还可以包括目标周围的正常组织的一个或多个第二目标图像、目标的一个或多个第三目标图像和/或目标治疗计划的目标辐射信息。在一些实施例中，可以通过使用成像设备(例如，医疗辐射系统100的成像设备160)扫描目标来获取第一目标图像。例如，第一目标图像可以包括单模态图像和/或多模态图像。单模态图像可以包括例如磁共振(MR)图像、CT图像、PET图像、SPECT图像、超声图像、X射线图像等。多模态图像可以包括例如计算机断层扫描-磁共振成像(MRI-CT)系统、PET-MR图像、SPECT-MR图像、DSA-MR图像、PET-CT图像、SPECT-CT图像等。在一些实施例中，第一目标图像可以是重建图像，例如，三维(3D)渲染图像、多平面重建(MPR)图像、曲面重建(CPR)图像等。

在一些实施例中，第二目标图像可以是与一个或多个第一目标图像中的至少一个分离的周围正常组织的掩码图像。在一些实施例中，第三目标图像可以是与一个或多个第一目标图像中的至少一个分离的目标的掩码图像。在一些实施例中，目标辐射信息可以包括输出剂量、剂量输出率、每次脉冲辐射输出、目标中的剂量分布、目标周围正常组织的可接受剂量、目标的最小剂量等，或其任意组合。在一些实施例中，可以基于一个或多个第一目标图像、一个或多个目标样本图像和/或一个或多个第三目标图像来预测目标辐射信息。在一些实施例中，可以使用剂量预测模型来预测目标辐射信息。

在一些实施例中，目标治疗计划的类型可以对应于片段形状估计模型。例如，与目标治疗计划相对应的MLC的叶片对数(或计数)可以等于与片段形状估计模型相对应的叶片对数(或计数)。又例如，如果用于确定片段形状估计模型的位置通用集包括多个机架-准直器角度组合，则目标治疗方案中的目标位置组合可以是机架-准直器角度组合。又例如，目标治疗方案中的目标位置组合的范围可以在用于确定片段形状估计模型的位置通用集中的候选位置组合的范围内。

模型获取模块1120可以获取片段形状估计模型。在一些实施例中，片段形状估计模型可以是机器学习模型。在一些实施例中，片段形状估计模型可以是深度学习模型。在一些实施例中，片段形状估计模型可以是深度卷积-反卷积(例如，编码器-解码器)网络，例如，U形卷积神经网络(U-Net)、V形卷积神经网络(V-Net)、残差网络(Res-Net)或残差密集网络(Red-Net)等。

在一些实施例中，模型获取模块1120可以被配置为通过基于训练数据迭代地训练初始模型来确定片段形状估计模型。

形状估计模块1130可以基于片段形状估计模型和输入数据来估计目标治疗计划的多个目标位置组合和辐射设备的准直器的多个目标片段形状。多个目标段形状中的每一个可以对应于多个目标位置组合中的一个。

在一些实施例中，片段形状估计模型可以基于输入数据，选择位置通用集合中的一些候选位置组合作为多个目标位置组合，并且从距离通用集合中估计每个都近似于目标位置组合之一的目标形状的片段形状。在一些实施例中，片段形状估计模型可以输出多个候选片段形状，其中对应于目标位置组合的片段形状具有真实形状，并且其余片段形状是闭合形状。具有真实形状的输出候选片段形状可以被指定为目标片段形状。对应于片段形状的候选位置组合可以被指定为目标位置组合。在一些实施例中，片段形状估计模型可以直接输出多个目标位置组合和相应的目标片段形状。

需要说明的是，上述描述仅为说明目的而提供，并不旨在限制本公开内容的范围。对于本领域的普通技术人员来说，可以在本公开内容的教导下做出多种变化和修改。然而，这些变化和修改并不脱离本公开内容的范围。例如，处理设备140还可以包括存储模块(图4中未示出)。存储模块可以被配置为存储在由处理设备140中的任何组件执行的任何过程期间产生的数据。作为另一个示例，处理设备140的每个组件可以包括存储设备。附加地或备选地，处理设备140的组件可以共享公共存储设备。

图12是根据本公开内容一些实施例所示的基于片段形状估计模型估计MLC的片段形状的示例性过程的流程图。在一些实施方案中，图12中所示的流程1200的一个或多个步骤可以在图1中所示的医疗辐射系统100中实施。例如，图10中所示的流程1000可以指令的形式存储在医疗辐射系统100的存储设备(例如，存储设备150和/或存储器220)中，并且由处理设备140(例如，如图2中所示的计算设备200的处理器210、如图3中所示的移动设备300的CPU340)或一个或多个模块(例如，图11中所示的处理设备140的模型获取模块1120)处理。下面呈现的图示过程的步骤旨在是说明性的。在一些实施例中，流程1200可以用一个或多个未描述的附加步骤和/或一个或多个未讨论的步骤来完成。另外，图12中所图解说明的和下文所描述的流程1200的步骤的顺序并不打算加以限制。

步骤1210，处理设备140(例如，输入获取模块1110)可以获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据。在一些实施例中，目标治疗计划可以包括多个目标控制点。

在一些实施例中，输入数据可以包括目标的一个或多个第一目标图像。在一些实施例中，输入数据还可以包括目标周围的正常组织的一个或多个第二目标图像、目标的一个或多个第三目标图像和/或目标治疗计划的目标辐射信息。在一些实施例中，可以通过使用成像设备(例如，医疗辐射系统100的成像设备160)扫描目标来获取第一目标图像。例如，第一目标图像可以包括单模态图像和/或多模态图像。单模态图像可以包括例如磁共振(MR)图像、CT图像、PET图像、SPECT图像、超声图像、X射线图像等。多模态图像可以包括例如计算机断层扫描-磁共振成像(MRI-CT)系统、PET-MR图像、SPECT-MR图像、DSA-MR图像、PET-CT图像、SPECT-CT图像等。在一些实施例中，第一目标图像可以是重建图像，例如，三维(3D)渲染图像、多平面重建(MPR)图像、曲面重建(CPR)图像等。

在一些实施例中，第二目标图像可以是与一个或多个第一目标图像中的至少一个分离的周围正常组织的掩码图像。在一些实施例中，第三目标图像可以是与一个或多个第一目标图像中的至少一个分离的目标的掩码图像。在一些实施例中，目标辐射信息可以包括输出剂量、剂量输出率、每次脉冲辐射输出、目标中的剂量分布、目标周围正常组织的可接受剂量、目标的最小剂量等，或其任意组合。在一些实施例中，可以基于一个或多个第一目标图像、一个或多个目标样本图像和/或一个或多个第三目标图像来预测目标辐射信息。在一些实施例中，可以使用剂量预测模型来预测目标辐射信息。

在一些实施例中，目标治疗计划的类型可以对应于片段形状估计模型。例如，对应于目标治疗计划的MLC的叶片对的数量(或计数)可以等于对应于片段形状估计模型的叶片对的数量(或计数)。又例如，如果用于确定片段形状估计模型的位置通用集包括多个机架-准直器角度组合，则目标治疗方案中的目标位置组合可以是机架-准直器角度组合。又例如，目标治疗方案中的目标位置组合的范围可以在用于确定片段形状估计模型的位置通用集中的候选位置组合的范围内。

步骤1220，处理设备140(例如，模型获取模块1120)可以获取片段形状估计模型。在一些实施例中，片段形状估计模型可以是机器学习模型。在一些实施例中，片段形状估计模型可以是深度学习模型。在一些实施例中，片段形状估计模型可以是深度卷积-反卷积(例如，编码器-解码器)网络，例如，U形卷积神经网络(U-Net)、V形卷积神经网络(V-Net)、残差网络(Res-Net)或残差密集网络(Red-Net)等。

在一些实施例中，可以基于流程700-1000获取片段形状估计模型。在一些实施例中，片段形状估计模型可以被认为已经学会如何基于新的输入数据(例如，病灶和/或周围组织的几何形状，和/或信息)，从位置通用集确定目标位置组合，从距离通用集确定相应的目标片段形状。

步骤1230，处理设备140(例如，形状估计模块1130)可以基于片段形状估计模型和输入数据，估计目标治疗计划的多个目标位置组合和辐射设备的准直器的多个目标片段形状。多个目标片段形状中的每一个对应于多个目标位置组合中的一个。在一些实施例中，多个目标位置组合可以在片段形状估计模型的位置通用集内。通用集可以包括多个离散的候选位置组合。多个目标片段形状可以在片段形状估计模型的距离通用集内。距离通用集可以包括多个离散的候选叶片位置。

在一些实施例中，片段形状估计模型可以基于输入数据，选择位置通用集合中的一些候选位置组合作为多个目标位置组合，并且从距离通用集合中估计每个都近似于目标位置组合之一的目标形状的片段形状。在一些实施例中，片段形状估计模型可以输出多个候选片段形状，其中对应于目标位置组合的片段形状具有真实形状，并且其余片段形状是闭合形状。具有真实形状的输出候选片段形状可以被指定为目标片段形状。对应于片段形状的候选位置组合可以被指定为目标位置组合。在一些实施例中，片段形状估计模型可以直接输出多个目标位置组合和相应的目标片段形状。

在一些实施例中，辐射信息可以不用于训练或片段形状的预测。在一些实施例中，片段形状估计模型可以在没有剂量分布估计的情况下预测片段形状。在一些实施例中，可以从一个或多个第一目标图像中的片段结构的几何形状与片段形状之间的关系推断片段形状。辐射信息等信息的添加将进一步为片段形状估计模型提供推断剂量学关系的可能性，而不需要剂量计算算法来估计，也不需要额外的元素(如神经网络)来更明确地进行此类推断。

需要说明的是，上述描述仅为说明目的而提供，并不旨在限制本公开内容的范围。对于本领域的普通技术人员来说，可以在本公开内容的教导下做出多种变化和修改。然而，这些变化和修改并不脱离说明书开的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本申请的各方面可以完全以硬件、完全以软件(包括固件、常驻软件、微代码等)或通过组合软件和硬件的实现方式来实现，这些实现方式在本文中通常都统称为“单元”、模块”或“系统”。此外，本申请的各方面可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有体现在其上的计算机可读程序代码。

计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如，在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。

用于执行本公开方面操作的计算机程序代码可以用一种或多种编程语言的任何组合编写，包括面向对象的编程语言，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等常规程序编程语言，如“C”编程语言，Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP、动态编程语言，如Python、Ruby和Groovy，或其他编程语言。程序代码可以完全在用户计算机上，部分在用户计算机上，作为独立软件包，部分在用户计算机上，部分在远程计算机上或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局部网络(LAN)或广域网络(WAN)，或者可以连接到外部计算机(例如，通过互联网使用互联网服务提供商)或在云计算环境中或作为服务提供，例如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。

在一些实施例中，用于描述和要求保护本申请的某些实施例的表示数量或性质的数字应理解为在某些情况下被术语“大约”、“近似”或“基本上”修饰。例如，除非另外说明，否则“大约”、“近似”或“基本上”可以指示其所描述的值的±20％变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

本文中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入本文以达到所有目的，与上述文件相关的任何起诉文档记录、与本文件不一致或冲突的任何上述文件或对迟早与本文件相关的权利要求书的广泛范畴有限定作用的任何上述文件除外。举例来说，如果在描述、定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突，则描述、定义和/或在本文件中使用的术语以本文件为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可以属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

附加发明陈述

发明陈述1

一种系统，包括：

至少一个存储设备，包括一组指令；以及

至少一个处理器，被配置为与至少一个存储设备通信，其中，当执行指令时，至少一个处理器被配置为指示系统执行的操作包括：

获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据，输入数据包括病灶的第一目标图像；

获取片段形状估计模型；以及

基于片段形状估计模型和输入数据，估计目标治疗计划的多个目标位置组合和辐射设备的准直器的多个目标片段形状，多个目标位置组合中的一个指示准直器相对于病灶的位置，多个目标片段形状中的每一个对应于多个目标位置组合中的一个。

发明陈述2

根据发明1所述的系统，其中，目标治疗计划包括多个控制点，多个目标位置组合或多个目标片段形状中的每一个对应于多个控制点中的一个。

发明陈述3

根据发明1或2所述的系统，其中，输入数据包括病灶周围正常组织的第二目标图像、病灶的第三目标图像或目标治疗计划的目标辐射信息中的至少一个，目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或病灶中的剂量分布中的至少一个。

发明陈述4

根据发明3所述的系统，其中，基于病灶的第一目标图像、病灶周围正常组织的第二目标图像和病灶的第三目标图像预测目标辐射信息。

发明陈述5

根据发明1-4中任一项所述的系统，其中，多个目标位置组合中的一个包括辐射设备的一个或多个组件操作的一个或多个位置的组合。

发明陈述6

根据发明5所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度。

发明陈述7

根据发明5所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度和辐射设备的准直器的准直器角度的组合。

发明陈述8

根据发明5所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度、辐射设备的准直器的准直器角度和辐射设备的诊台位置的组合。

发明陈述9

根据发明1-8中任一项所述的系统，其中，

准直器包括多对叶片；以及

准直器的多个目标片段形状中的一个包括多对叶片中每一对叶片的叶片位置。

发明陈述10

根据发明书9所述的系统，其中，多对叶片中每一对叶片的叶片位置包括一对叶片的开口的中心位置和一对叶片的开口宽度。

发明陈述11

根据发明1-10中任一项所述的系统，其中，多个目标位置组合在位置通用集的多个离散的候选位置组合内。

发明陈述12

根据发明11所述的系统，其中，通过执行训练过程获取片段形状估计模型，包括：

获取包含多个候选位置组合的位置通用集；以及

基于位置通用集迭代训练初始模型，确定片段形状估计模型。

发明陈述13

根据发明12所述的系统，其中，获取包含多个候选位置组合的位置通用集，包括：

获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及

基于多个候选机架角度、多个候选准直器角度或多个候选诊台位置获取位置通用集。

发明陈述14

根据发明12或13所述的系统，其中，多个目标片段形状在包含多个离散的候选叶片位置的距离通用集内。

发明陈述15

根据发明14所述的系统，其中，训练过程包括：

获取包含多个候选叶片位置的距离通用集；以及

基于距离通用集迭代训练初始模型，确定片段形状估计模型，使与片段形状估计模型所输出的多个候选位置组合中的每一个对应的候选片段形状都在距离通用集中。

发明陈述16

根据发明15所述的系统，其中，多个候选叶片位置包括多个候选开口位置和多个候选开口宽度。

发明陈述17

根据发明15或16所述的系统，其中，训练过程包括：

获取包括多个训练集的训练数据。

发明陈述18

根据发明17所述的系统，其中，获取训练数据包括：

对于多个训练集中的一个，

获取先前基于病灶样本生成的历史治疗计划；

获取与历史治疗计划相对应的病灶样本的第一样本图像；

获取历史治疗计划中样本位置组合及对应的样本片段形状；以及

基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集。

发明陈述19

根据发明18所述的系统，其中，基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集，包括：

获取位于位置通用集内的处理后的样本位置组合，处理后的样本位置组合通过基于位置通用集处理样本位置组合获得；

获取位于距离通用集内的处理后的样本片段形状，处理后的样本片段形状通过基于距离通用集处理样本片段形状获得；

获取包含处理后的样本片段形状和封闭片段形状的样本集，封闭片段形状对应的候选位置组合不包括处理后的样本位置组合；以及

通过包含第一样本图像、处理后的样本位置组合和历史治疗计划的样本集，获取训练集。

发明陈述20

根据发明19所述的系统，其中，训练过程包括：

初始化初始模型；以及

通过使用包括多次迭代的迭代过程更新初始化的初始模型，获取片段形状估计模型，迭代过程的多次迭代中的至少一次迭代包括：

获取多个训练集中的一个；

通过将训练集的第一样本图像输入中间模型中，生成与多个候选位置组合对应的估计片段形状，中间模型为迭代过程的多次迭代中的第一次迭代中初始化的初始模型或迭代过程中前一次迭代中生成的先前更新的模型；

基于估计片段形状和训练集中的样本集，确定损失函数的值；

确定是否满足终止条件；

响应于不满足终止条件，

基于损失函数的值更新中间模型，生成更新后的模型；以及

启动下一次迭代；以及

将迭代过程的多次迭代中的最后一次迭代中的中间模型指定为片段形状估计模型。

发明陈述21

根据发明20所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

响应于确定出满足终止条件，终止迭代过程。

发明陈述22

根据发明20或21所述的系统，其中，损失函数的值基于样本集的稀疏性确定，样本集的稀疏性与样本集的封闭片段形状相关。

发明陈述23

根据发明20-22中任一项所述的系统，其中，终止条件与损失函数的值或已经执行的迭代过程的迭代次数中的至少一个相关。

发明陈述24

根据发明20-23中任一项所述的系统，其中，训练集包括病灶样本周围正常组织的第二样本图像、病灶样本的第三样本图像或历史治疗计划的样本辐射信息，样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或病灶样本中的样本剂量分布中的至少一个。

发明陈述25

根据发明24所述的系统，其中，基于病灶样本的第一样本图像、病灶样本周围正常组织的第二样本图像和病灶样本的第三样本图像，预测样本辐射信息。

发明陈述26

根据发明24或25所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

通过将第二样本图像、第三样本图像或训练集的样本辐射信息中的至少一个输入中间模型中，生成估计片段形状。

发明陈述27

根据发明24或25所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

基于估计片段形状确定估计辐射信息；

比较估计辐射信息和样本辐射信息；以及

基于比较更新中间模型，生成更新后的模型。

发明陈述28

一种系统，包括：

至少一个存储设备，包括一组指令；以及

至少一个处理器，被配置为与至少一个存储设备通信，其中，当执行指令时，至少一个处理器被配置为指示系统执行的操作包括：

获取初始模型；

获取训练数据；以及

基于训练数据训练初始模型，获得片段形状估计模型，片段形状估计模型被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，目标位置组合用于使用辐射设备和辐射设备的准直器的多个目标片段形状对病灶进行放射治疗，输入数据包括病灶的第一目标图像，多个目标片段形状中的每一个对应于多个目标位置组合中的一个，多个目标位置组合中的一个指示准直器相对病灶的位置。

发明陈述29

根据发明28所述的系统，其中，目标治疗计划包括多个控制点，多个目标位置组合或多个目标片段形状中的每一个对应于多个控制点中的一个。

发明陈述30

根据发明28或29所述的系统，其中，输入数据包括病灶周围正常组织的第二目标图像、病灶的第三目标图像或目标治疗计划的目标辐射信息中的至少一个，目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或病灶中的剂量分布中的至少一个。

发明陈述31

根据发明30所述的系统，其中，基于病灶的第一目标图像、病灶周围正常组织的第二目标图像和病灶的第三目标图像预测目标辐射信息。

发明陈述32

根据发明28-31中任一项所述的系统，其中，多个目标位置组合中的一个包括辐射设备的一个或多个组件操作的一个或多个位置的组合。

发明陈述33

根据发明32所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度。

发明陈述34

根据发明32所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度和辐射设备的准直器的准直器角度的组合。

发明陈述35

根据发明32所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度、辐射设备的准直器的准直器角度和辐射设备的诊台位置的组合。

发明陈述36

根据发明28-35中任一项所述的系统，其中，

准直器包括多对叶片；以及

准直器的多个目标片段形状中的一个包括多对叶片中每一对叶片的叶片位置。

发明陈述37

根据发明36所述的系统，其中，多对叶片中每一对叶片的叶片位置包括一对叶片的开口的中心位置和一对叶片的开口宽度。

发明陈述38

根据发明28-37中任一项所述的系统，其中，多个目标位置组合在位置通用集的多个离散的候选位置组合内。

发明陈述39

根据发明38所述的系统，其中，获取初始模型包括：

获取包含多个候选位置组合的位置通用集；以及

基于位置通用集获取初始模型。

发明陈述40

根据发明39所述的系统，其中，获取包含多个候选位置组合的位置通用集，包括：

获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及

基于多个候选机架角度、多个候选准直器角度或多个候选诊台位置获取位置通用集。

发明陈述41

根据发明39或40所述的系统，其中，多个目标片段形状在包含多个离散的候选叶片位置的距离通用集内。

发明陈述42

根据发明41所述的系统，其中，获取初始模型包括：

获取包含多个候选叶片位置的距离通用集；以及

基于距离通用集获取初始模型，使与片段形状估计模型所输出的多个候选位置组合中的每一个对应的候选片段形状都在距离通用集中。

发明陈述43

根据发明42所述的系统，其中，多个候选叶片位置包括多个候选开口位置和多个候选开口宽度。

发明陈述44

根据发明42或43所述的系统，其中，获取训练数据包括：

对于多个训练集中的一个，

获取先前基于病灶样本生成的历史治疗计划；

获取与历史治疗计划相对应的病灶样本的第一样本图像；

获取历史治疗计划中样本位置组合及对应的样本片段形状；以及

基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集。

发明陈述45

根据发明44所述的系统，其中，基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集，包括：

获取位于位置通用集内的处理后的样本位置组合，处理后的样本位置组合通过基于位置通用集处理样本位置组合获得；

获取位于距离通用集内的处理后的样本片段形状，处理后的样本片段形状通过基于距离通用集处理样本片段形状获得；

获取包含处理后的样本片段形状和封闭片段形状的样本集，封闭片段形状对应的候选位置组合不包括处理后的样本位置组合；以及

通过包含第一样本图像、处理后的样本位置组合和历史治疗计划的样本集，获取训练集。

发明陈述46

根据发明45所述的系统，其中，基于训练数据训练初始模型，获取片段形状估计模型，包括：

初始化初始模型；以及

通过使用包括多次迭代的迭代过程更新初始化的初始模型，获取片段形状估计模型，迭代过程的多次迭代中的至少一次迭代包括：

获取多个训练集中的一个；

通过将训练集的第一样本图像输入中间模型中，生成与多个候选位置组合对应的估计片段形状，中间模型为迭代过程的多次迭代中的第一次迭代中初始化的初始模型或迭代过程中前一次迭代中生成的先前更新的模型；

基于估计片段形状和训练集中的样本集，确定损失函数的值；

确定是否满足终止条件；

响应于不满足终止条件，

基于损失函数的值更新中间模型，生成更新后的模型；以及

启动下一次迭代；以及

将迭代过程的多次迭代中的最后一次迭代中的中间模型指定为片段形状估计模型。

发明陈述47

根据发明46所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

响应于确定出满足终止条件，终止迭代过程。

发明陈述48

根据发明46或47所述的系统，其中，损失函数的值基于样本集的稀疏性确定，样本集的稀疏性与样本集的封闭片段形状相关。

发明陈述49

根据发明46-48中任一项所述的系统，其中，终止条件与损失函数的值或已经执行的迭代过程的迭代次数中的至少一个相关。

发明陈述50

根据发明46-49中任一项所述的系统，其中，训练集包括病灶样本周围正常组织的第二样本图像、病灶样本的第三样本图像或历史治疗计划的样本辐射信息，样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或病灶样本中的样本剂量分布中的至少一个。

发明陈述51

根据发明50所述的系统，其中，基于病灶样本的第一样本图像、病灶样本周围正常组织的第二样本图像和病灶样本的第三样本图像，预测样本辐射信息。

发明陈述52

根据发明50或51所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

通过将第二样本图像、第三样本图像或训练集的样本辐射信息中的至少一个输入中间模型中，生成估计片段形状。

发明陈述53

根据发明52所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

基于估计片段形状确定估计辐射信息；

比较估计辐射信息和样本辐射信息；以及

基于比较更新中间模型，生成更新后的模型。

发明陈述54

一种在包括一个或多个处理器和一个或多个存储设备的机器上实现的方法，包括：

获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据，输入数据包括病灶的第一目标图像；

获取片段形状估计模型；以及

基于片段形状估计模型和输入数据，估计目标治疗计划的多个目标位置组合和辐射设备的准直器的多个目标片段形状，多个目标位置组合中的一个指示准直器相对于病灶的位置，多个目标片段形状中的每一个对应于多个目标位置组合中的一个。

发明陈述55

根据发明54所述的方法，其中，目标治疗计划包括多个控制点，多个目标位置组合或多个目标片段形状中的每一个对应于多个控制点中的一个。

发明陈述56

根据发明54或55所述的方法，其中，输入数据包括病灶周围正常组织的第二目标图像、病灶的第三目标图像或目标治疗计划的目标辐射信息中的至少一个，目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或病灶中的剂量分布中的至少一个。

发明陈述57

根据发明56所述的方法，其中，基于病灶的第一目标图像、病灶周围正常组织的第二目标图像和病灶的第三目标图像预测目标辐射信息。

发明陈述58

根据发明54-57中任一项所述的方法，其中，多个目标位置组合中的一个包括辐射设备的一个或多个组件操作的一个或多个位置的组合。

发明陈述59

根据发明58所述的方法，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度。

发明陈述60

根据发明58所述的方法，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度和辐射设备的准直器的准直器角度的组合。

发明陈述61

根据发明58所述的方法，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度、辐射设备的准直器的准直器角度和辐射设备的诊台位置的组合。

发明陈述62

根据发明54-61中任一项所述的方法，其中，

准直器包括多对叶片；以及

准直器的多个目标片段形状中的一个包括多对叶片中每一对叶片的叶片位置。

发明陈述63

根据发明书62所述的方法，其中，多对叶片中每一对叶片的叶片位置包括一对叶片的开口的中心位置和一对叶片的开口宽度。

发明陈述64

根据发明54-63中任一项所述的方法，其中，多个目标位置组合在位置通用集的多个离散的候选位置组合内。

发明陈述65

根据发明64所述的方法，其中，通过执行训练过程获取片段形状估计模型，包括：

获取包含多个候选位置组合的位置通用集；以及

基于位置通用集迭代训练初始模型，确定片段形状估计模型。

发明陈述66

根据发明65所述的方法，其中，获取包含多个候选位置组合的位置通用集，包括：

获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及

基于多个候选机架角度、多个候选准直器角度或多个候选诊台位置获取位置通用集。

发明陈述67

根据发明65或66所述的方法，其中，多个目标片段形状在包含多个离散的候选叶片位置的距离通用集内。

发明陈述68

根据发明67所述的方法，其中，训练过程包括：

获取包含多个候选叶片位置的距离通用集；以及

基于距离通用集迭代训练初始模型，确定片段形状估计模型，使与片段形状估计模型所输出的多个候选位置组合中的每一个对应的候选片段形状都在距离通用集中。

发明陈述69

根据发明68所述的方法，其中，多个候选叶片位置包括多个候选开口位置和多个候选开口宽度。

发明陈述70

根据发明68或69所述的方法，其中，训练过程包括：

获取包括多个训练集的训练数据。

发明陈述71

根据发明70所述的方法，其中，获取训练数据包括：

对于多个训练集中的一个，

获取先前基于病灶样本生成的历史治疗计划；

获取与历史治疗计划相对应的病灶样本的第一样本图像；

获取历史治疗计划中样本位置组合及对应的样本片段形状；以及

基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集。

发明陈述72

根据发明71所述的方法，其中，基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集，包括：

获取位于位置通用集内的处理后的样本位置组合，处理后的样本位置组合通过基于位置通用集处理样本位置组合获得；

获取位于距离通用集内的处理后的样本片段形状，处理后的样本片段形状通过基于距离通用集处理样本片段形状获得；

获取包含处理后的样本片段形状和封闭片段形状的样本集，封闭片段形状对应的候选位置组合不包括处理后的样本位置组合；以及

通过包含第一样本图像、处理后的样本位置组合和历史治疗计划的样本集，获取训练集。

发明陈述73

根据发明72所述的方法，其中，训练过程包括：

初始化初始模型；以及

通过使用包括多次迭代的迭代过程更新初始化的初始模型，获取片段形状估计模型，迭代过程的多次迭代中的至少一次迭代包括：

获取多个训练集中的一个；

通过将训练集的第一样本图像输入中间模型中，生成与多个候选位置组合对应的估计片段形状，中间模型为迭代过程的多次迭代中的第一次迭代中初始化的初始模型或迭代过程中前一次迭代中生成的先前更新的模型；

基于估计片段形状和训练集中的样本集，确定损失函数的值；

确定是否满足终止条件；

响应于不满足终止条件，

基于损失函数的值更新中间模型，生成更新后的模型；以及

启动下一次迭代；以及

将迭代过程的多次迭代中的最后一次迭代中的中间模型指定为片段形状估计模型。

发明陈述74

根据发明73所述的方法，其中，迭代过程的多次迭代中的至少一次包括：

响应于确定出满足终止条件，终止迭代过程。

发明陈述75

根据发明73或74所述的方法，其中，损失函数的值基于样本集的稀疏性确定，样本集的稀疏性与样本集的封闭片段形状相关。

发明陈述76

根据发明73-75中任一项所述的方法，其中，终止条件与损失函数的值或已经执行的迭代过程的迭代次数中的至少一个相关。

发明陈述77

根据发明73-76中任一项所述的方法，其中，训练集包括病灶样本周围正常组织的第二样本图像、病灶样本的第三样本图像或历史治疗计划的样本辐射信息，样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或病灶样本中的样本剂量分布中的至少一个。

发明陈述78

根据发明77所述的方法，其中，基于病灶样本的第一样本图像、病灶样本周围正常组织的第二样本图像和病灶样本的第三样本图像，预测样本辐射信息。

发明陈述79

根据发明77或78所述的方法，其中，迭代过程的多次迭代中的至少一次包括：

通过将第二样本图像、第三样本图像或训练集的样本辐射信息中的至少一个输入中间模型中，生成估计片段形状。

发明陈述80

根据发明77或78所述的方法，其中，迭代过程的多次迭代中的至少一次包括：

基于估计片段形状确定估计辐射信息；

比较估计辐射信息和样本辐射信息；以及

基于比较更新中间模型，生成更新后的模型。

发明陈述81

一种在包括一个或多个处理器和一个或多个存储设备的机器上实现的方法，包括：

获取初始模型；

获取训练数据；以及

基于训练数据训练初始模型，获取片段形状估计模型，片段形状估计模型被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，目标位置组合用于使用辐射设备和辐射设备的准直器的多个目标片段形状对病灶进行放射治疗，输入数据包括病灶的第一目标图像，多个目标片段形状中的每一个对应于多个目标位置组合中的一个，多个目标位置组合中的一个指示准直器相对病灶的位置。

发明陈述82

根据发明81所述的方法，其中，目标治疗计划包括多个控制点，多个目标位置组合或多个目标片段形状中的每一个对应于多个控制点中的一个。

发明陈述83

根据发明81或82所述的方法，其中，输入数据包括病灶周围正常组织的第二目标图像、病灶的第三目标图像或目标治疗计划的目标辐射信息中的至少一个，目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或病灶中的剂量分布中的至少一个。

发明陈述84

根据发明83所述的方法，其中，基于病灶的第一目标图像、病灶周围正常组织的第二目标图像和病灶的第三目标图像预测目标辐射信息。

发明陈述85

根据发明81-84中任一项所述的方法，其中，多个目标位置组合中的一个包括辐射设备的一个或多个组件操作的一个或多个位置的组合。

发明陈述86

根据发明85所述的方法，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度。

发明陈述87

根据发明85所述的方法，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度和辐射设备的准直器的准直器角度的组合。

发明陈述88

根据发明85所述的方法，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度、辐射设备的准直器的准直器角度和辐射设备的诊台位置的组合。

发明陈述89

根据发明81-88中任一项所述的方法，其中，

准直器包括多对叶片；以及

准直器的多个目标片段形状中的一个包括多对叶片中每一对叶片的叶片位置。

发明陈述90

根据发明书89所述的方法，其中，多对叶片中每一对叶片的叶片位置包括一对叶片的开口的中心位置和一对叶片的开口宽度。

发明陈述91

根据发明81-90中任一项所述的方法，其中，多个目标位置组合在位置通用集的多个离散的候选位置组合内。

发明陈述92

根据发明91所述的方法，其中，通过执行训练过程获取片段形状估计模型，包括：

获取包含多个候选位置组合的位置通用集；以及

基于位置通用集迭代训练初始模型，确定片段形状估计模型。

发明陈述93

根据发明92所述的方法，其中，获取包含多个候选位置组合的位置通用集，包括：

获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及

基于多个候选机架角度、多个候选准直器角度或多个候选诊台位置获取位置通用集。

发明陈述94

根据发明92或93所述的方法，其中，多个目标片段形状在包含多个离散的候选叶片位置的距离通用集内。

发明陈述95

根据发明94所述的方法，其中，训练过程包括：

获取包含多个候选叶片位置的距离通用集；以及

基于距离通用集迭代训练初始模型，确定片段形状估计模型，使与片段形状估计模型所输出的多个候选位置组合中的每一个对应的候选片段形状都在距离通用集中。

发明陈述96

根据发明95所述的方法，其中，多个候选叶片位置包括多个候选开口位置和多个候选开口宽度。

发明陈述97

根据发明95或96所述的方法，其中，获取训练数据包括：

对于多个训练集中的一个，

获取先前基于病灶样本生成的历史治疗计划；

获取与历史治疗计划相对应的病灶样本的第一样本图像；

获取历史治疗计划中样本位置组合及对应的样本片段形状；以及

基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集。

发明陈述98

根据发明97所述的方法，其中，基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集，包括：

获取位于位置通用集内的处理后的样本位置组合，处理后的样本位置组合通过基于位置通用集处理样本位置组合获得；

获取位于距离通用集内的处理后的样本片段形状，处理后的样本片段形状通过基于距离通用集处理样本片段形状获得；

获取包含处理后的样本片段形状和封闭片段形状的样本集，封闭片段形状对应的候选位置组合不包括处理后的样本位置组合；以及

通过包含第一样本图像、处理后的样本位置组合和历史治疗计划的样本集，获取训练集。

发明陈述99

根据发明98所述的方法，其中，训练过程包括：

初始化初始模型；以及

通过使用包括多次迭代的迭代过程更新初始化的初始模型，获取片段形状估计模型，迭代过程的多次迭代中的至少一次迭代包括：

获取多个训练集中的一个；

通过将训练集的第一样本图像输入中间模型中，生成与多个候选位置组合对应的估计片段形状，中间模型为迭代过程的多次迭代中的第一次迭代中初始化的初始模型或迭代过程中前一次迭代中生成的先前更新的模型；

基于估计片段形状和训练集中的样本集，确定损失函数的值；

确定是否满足终止条件；

响应于不满足终止条件，

基于损失函数的值更新中间模型，生成更新后的模型；以及

启动下一次迭代；以及

将迭代过程的多次迭代中的最后一次迭代中的中间模型指定为片段形状估计模型。

发明陈述100

根据发明99所述的方法，其中，迭代过程的多次迭代中的至少一次包括：

响应于确定出满足终止条件，终止迭代过程。

发明陈述101

根据发明99或100所述的方法，其中，损失函数的值基于样本集的稀疏性确定，样本集的稀疏性与样本集的封闭片段形状相关。

发明陈述102

根据发明99-101中任一项所述的方法，其中，终止条件与损失函数的值或已经执行的迭代过程的迭代次数中的至少一个相关。

发明陈述103

根据发明99-102中任一项所述的方法，其中，训练集包括病灶样本周围正常组织的第二样本图像、病灶样本的第三样本图像或历史治疗计划的样本辐射信息，样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或病灶样本中的样本剂量分布中的至少一个。

发明陈述104

根据发明103所述的方法，其中，基于病灶样本的第一样本图像、病灶样本周围正常组织的第二样本图像和病灶样本的第三样本图像，预测样本辐射信息。

发明陈述105

根据发明103或104所述的方法，其中，迭代过程的多次迭代中的至少一次包括：

通过将第二样本图像、第三样本图像或训练集的样本辐射信息中的至少一个输入中间模型中，生成估计片段形状。

发明陈述106

根据发明103或104所述的方法，其中，迭代过程的多次迭代中的至少一次包括：

基于估计片段形状确定估计辐射信息；

比较估计辐射信息和样本辐射信息；以及

基于比较更新中间模型，生成更新后的模型。

发明陈述107

一种系统，包括：

输入获取模块，用于获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据，输入数据包括病灶的第一目标图像；

模型获取模块，用于获取片段形状估计模型；并且

形状估计模型，用于基于片段形状估计模型和输入数据，估计目标治疗计划的多个目标位置组合和辐射设备的准直器的多个目标片段形状，多个目标位置组合中的一个指示准直器相对于病灶的位置，多个目标片段形状中的每一个对应于多个目标位置组合中的一个。

发明陈述108

根据发明107所述的系统，其中，目标治疗计划包括多个控制点，多个目标位置组合或多个目标片段形状中的每一个对应于多个控制点中的一个。

发明陈述109

根据发明107或108所述的系统，其中，输入数据包括病灶周围正常组织的第二目标图像、病灶的第三目标图像或目标治疗计划的目标辐射信息中的至少一个，目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或病灶中的剂量分布中的至少一个。

发明陈述110

根据发明109所述的系统，其中，基于病灶的第一目标图像、病灶周围正常组织的第二目标图像和病灶的第三目标图像预测目标辐射信息。

发明陈述111

根据发明107-110中任一项所述的系统，其中，多个目标位置组合中的一个包括辐射设备的一个或多个组件操作的一个或多个位置的组合。

发明陈述112

根据发明111所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度。

发明陈述113

根据发明111所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度和辐射设备的准直器的准直器角度的组合。

发明陈述114

根据发明111所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度、辐射设备的准直器的准直器角度和辐射设备的诊台位置的组合。

发明陈述115

根据发明107-114中任一项所述的系统，其中，

准直器包括多对叶片；以及

准直器的多个目标片段形状中的一个包括多对叶片中每一对叶片的叶片位置。

发明陈述116

根据发明书115所述的系统，其中，多对叶片中每一对叶片的叶片位置包括一对叶片的开口的中心位置和一对叶片的开口宽度。

发明陈述117

根据发明107-116中任一项所述的系统，其中，多个目标位置组合在位置通用集的多个离散的候选位置组合内。

发明陈述118

根据发明117的系统，其中，通过执行训练过程获取片段形状估计模型，包括：

获取包含多个候选位置组合的位置通用集；以及

基于位置通用集迭代训练初始模型，确定片段形状估计模型。

发明陈述119

根据发明118所述的系统，其中，获取包含多个候选位置组合的位置通用集，包括：

获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及

基于多个候选机架角度、多个候选准直器角度或多个候选诊台位置获取位置通用集。

发明陈述120

根据发明118或119所述的系统，其中，多个目标片段形状在包含多个离散的候选叶片位置的距离通用集内。

发明陈述121

根据发明120所述的系统，其中，训练过程包括：

获取包含多个候选叶片位置的距离通用集；以及

基于距离通用集迭代训练初始模型，确定片段形状估计模型，使与片段形状估计模型所输出的多个候选位置组合中的每一个对应的候选片段形状都在距离通用集中。

发明陈述122

根据发明121所述的系统，其中，多个候选叶片位置包括多个候选开口位置和多个候选开口宽度。

发明陈述123

根据发明121或122所述的系统，其中，训练过程包括：

获取包括多个训练集的训练数据。

发明陈述124

根据发明123所述的系统，其中，获取训练数据包括：

对于多个训练集中的一个，

获取先前基于病灶样本生成的历史治疗计划；

获取与历史治疗计划相对应的病灶样本的第一样本图像；

获取历史治疗计划中样本位置组合及对应的样本片段形状；以及

基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集。

发明陈述125

根据发明124所述的系统，其中，基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集，包括：

获取位于位置通用集内的处理后的样本位置组合，处理后的样本位置组合通过基于位置通用集处理样本位置组合获得；

获取位于距离通用集内的处理后的样本片段形状，处理后的样本片段形状通过基于距离通用集处理样本片段形状获得；

获取包含处理后的样本片段形状和封闭片段形状的样本集，封闭片段形状对应的候选位置组合不包括处理后的样本位置组合；以及

通过包含第一样本图像、处理后的样本位置组合和历史治疗计划的样本集，获取训练集。

发明陈述126

根据发明125所述的系统，其中，训练过程包括：

初始化初始模型；以及

通过使用包括多次迭代的迭代过程更新初始化的初始模型，获取片段形状估计模型，迭代过程的多次迭代中的至少一次迭代包括：

获取多个训练集中的一个；

通过将训练集的第一样本图像输入中间模型中，生成与多个候选位置组合对应的估计片段形状，中间模型为迭代过程的多次迭代中的第一次迭代中初始化的初始模型或迭代过程中前一次迭代中生成的先前更新的模型；

基于估计片段形状和训练集中的样本集，确定损失函数的值；

确定是否满足终止条件；

响应于不满足终止条件，

基于损失函数的值更新中间模型，生成更新后的模型；以及

启动下一次迭代；以及

将迭代过程的多次迭代中的最后一次迭代中的中间模型指定为片段形状估计模型。

发明陈述127

根据发明126所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

响应于确定出满足终止条件，终止迭代过程。

发明陈述128

根据发明126或127所述的系统，其中，损失函数的值基于样本集的稀疏性确定，样本集的稀疏性与样本集的封闭片段形状相关。

发明陈述129

根据发明126-128中任一项所述的系统，其中，终止条件与损失函数的值或已经执行的迭代过程的迭代次数中的至少一个相关。

发明陈述130

根据发明126-129中任一项所述的系统，其中，训练集包括病灶样本周围正常组织的第二样本图像、病灶样本的第三样本图像或历史治疗计划的样本辐射信息，样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或病灶样本中的样本剂量分布中的至少一个。

发明陈述131

根据发明130所述的系统，其中，基于病灶样本的第一样本图像、病灶样本周围正常组织的第二样本图像和病灶样本的第三样本图像，预测样本辐射信息。

发明陈

发明130或131所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

通过将第二样本图像、第三样本图像或训练集的样本辐射信息中的至少一个输入中间模型中，生成估计片段形状。

发明陈述133

根据发明130或131所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

基于估计片段形状确定估计辐射信息；

比较估计辐射信息和样本辐射信息；以及

基于比较更新中间模型，生成更新后的模型。

发明陈述134

一种系统，包括一个模型获取模块，配置为：

获取初始模型；

获取训练数据；以及

基于训练数据训练初始模型，获取片段形状估计模型，片段形状估计模型被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，目标位置组合用于使用辐射设备和辐射设备的准直器的多个目标片段形状对病灶进行放射治疗，输入数据包括病灶的第一目标图像，多个目标片段形状中的每一个对应于多个目标位置组合中的一个，多个目标位置组合中的一个指示准直器相对病灶的位置。

发明陈述135

根据发明134所述的系统，其中，目标治疗计划包括多个控制点，多个目标位置组合或多个目标片段形状中的每一个对应于多个控制点中的一个。

发明陈述136

根据发明134或135所述的系统，其中，输入数据包括病灶周围正常组织的第二目标图像、病灶的第三目标图像或目标治疗计划的目标辐射信息中的至少一个，目标辐射信息包括输出剂量、剂量输出率、每次脉冲剂量或病灶中的剂量分布中的至少一个。

发明陈述137

根据发明136所述的系统，其中，基于病灶的第一目标图像、病灶周围正常组织的第二目标图像和病灶的第三目标图像预测目标辐射信息。

发明陈述138

根据发明134-137中任一项所述的系统，其中，多个目标位置组合中的一个包括辐射设备的一个或多个组件操作的一个或多个位置的组合。

发明陈述139

根据发明138所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度。

发明陈述140

根据发明138所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度和辐射设备的准直器的准直器角度的组合。

发明陈述141

根据发明138所述的系统，其中，多个目标位置组合中的一个包括辐射设备的机架的机架角度、辐射设备的准直器的准直器角度和辐射设备的诊台位置的组合。

发明陈述142

根据发明134-141中任一项所述的系统，其中，

准直器包括多对叶片；以及

准直器的多个目标片段形状中的一个包括多对叶片中每一对叶片的叶片位置。

发明陈述143

根据发明142所述的系统，其中，多对叶片中每一对叶片的叶片位置包括一对叶片的开口的中心位置和一对叶片的开口宽度。

发明陈述144

根据发明141-143中任一项所述的系统，其中，多个目标位置组合在位置通用集的多个离散的候选位置组合内。

发明陈述145

根据发明144所述的系统，其中，通过执行训练过程获取片段形状估计模型，包括：

获取包含多个候选位置组合的位置通用集；以及

基于位置通用集迭代训练初始模型，确定片段形状估计模型。

发明陈述146

根据发明145所述的系统，其中，获取包含多个候选位置组合的位置通用集，包括：

获取多个候选机架角度、多个候选准直器角度或多个候选诊台位置；以及

基于多个候选机架角度、多个候选准直器角度或多个候选诊台位置获取位置通用集。

发明陈述147

根据发明145或146所述的系统，其中，多个目标片段形状在包含多个离散的候选叶片位置的距离通用集内。

发明陈述148

根据发明147所述的系统，其中，训练过程包括：

获取包含多个候选叶片位置的距离通用集；以及

基于距离通用集迭代训练初始模型，确定片段形状估计模型，使与片段形状估计模型所输出的多个候选位置组合中的每一个对应的候选片段形状都在距离通用集中。

发明陈述149

根据发明148所述的系统，其中，多个候选叶片位置包括多个候选开口位置和多个候选开口宽度。

发明陈述150

根据发明148-149所述的系统，其中，获取训练数据包括：

对于多个训练集中的一个，

获取先前基于病灶样本生成的历史治疗计划；

获取与历史治疗计划相对应的病灶样本的第一样本图像；

获取历史治疗计划中样本位置组合及对应的样本片段形状；以及

基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集。

发明陈述151

根据发明150所述的系统，其中，基于第一样本图像、历史治疗计划中的样本位置组合以及样本片段形状，获取训练集，包括：

获取位于位置通用集内的处理后的样本位置组合，处理后的样本位置组合通过基于位置通用集处理样本位置组合获得；

获取位于距离通用集内的处理后的样本片段形状，处理后的样本片段形状通过基于距离通用集处理样本片段形状获得；

获取包含处理后的样本片段形状和封闭片段形状的样本集，封闭片段形状对应的候选位置组合不包括处理后的样本位置组合；以及

通过包含第一样本图像、处理后的样本位置组合和历史治疗计划的样本集，获取训练集。

发明陈述152

根据发明151所述的系统，其中，训练过程包括：

初始化初始模型；以及

通过使用包括多次迭代的迭代过程更新初始化的初始模型，获取片段形状估计模型，迭代过程的多次迭代中的至少一次迭代包括：

获取多个训练集中的一个；

通过将训练集的第一样本图像输入中间模型中，生成与多个候选位置组合对应的估计片段形状，中间模型为迭代过程的多次迭代中的第一次迭代中初始化的初始模型或迭代过程中前一次迭代中生成的先前更新的模型；

基于估计片段形状和训练集中的样本集，确定损失函数的值；

确定是否满足终止条件；

响应于不满足终止条件，

基于损失函数的值更新中间模型，生成更新后的模型；以及

启动下一次迭代；以及

将迭代过程的多次迭代中的最后一次迭代中的中间模型指定为片段形状估计模型。

发明陈述153

根据发明152所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

响应于确定出满足终止条件，终止迭代过程。

发明陈述154

根据发明152或153所述的系统，其中，损失函数的值基于样本集的稀疏性确定，样本集的稀疏性与样本集的封闭片段形状相关。

发明陈述155

根据发明152-154中任一项所述的系统，其中，终止条件与损失函数的值或已经执行的迭代过程的迭代次数中的至少一个相关。

发明陈述156

根据发明152-155中任一项所述的系统，其中，训练集包括病灶样本周围正常组织的第二样本图像、病灶样本的第三样本图像或历史治疗计划的样本辐射信息，样本辐射信息包括样本输出剂量、样本剂量输出率、每次脉冲样本剂量或病灶样本中的样本剂量分布中的至少一个。

发明陈述157

根据发明156所述的系统，其中，基于病灶样本的第一样本图像、病灶样本周围正常组织的第二样本图像和病灶样本的第三样本图像，预测样本辐射信息。

发明陈述158

根据发明156或157所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

通过将第二样本图像、第三样本图像或训练集的样本辐射信息中的至少一个输入中间模型中，生成估计片段形状。

发明陈述159

根据发明156或157所述的系统，其中，迭代过程的多次迭代中的至少一次包括：

基于估计片段形状确定估计辐射信息；

比较估计辐射信息和样本辐射信息；以及

基于比较更新中间模型，生成更新后的模型。

发明陈述160

一种非暂时性计算机可读介质，包含至少一组指令，其中，当由计算设备的一个或多个处理器执行时，至少一组指令使计算设备执行一种方法，该方法包括：

获取与使用辐射设备对病灶进行放射治疗的目标治疗计划有关的输入数据，输入数据包括病灶的第一目标图像；

获取片段形状估计模型；以及

基于片段形状估计模型和输入数据，估计目标治疗计划的多个目标位置组合和辐射设备的准直器的多个目标片段形状，多个目标位置组合中的每一个指示准直器相对于病灶的位置，多个目标片段形状中的每一个对应于多个目标位置组合中的一个。

发明陈述161

一种非暂时性计算机可读介质，包括至少一组用于识别道路特征的指令，其中，当由计算设备的一个或多个处理器执行时，至少一组指令使计算设备执行一种方法，该方法包括：

获取初始模型；

获取训练数据；以及

基于训练数据训练初始模型，获取片段形状估计模型，片段形状估计模型被配置为基于输入数据估计目标治疗计划中的多个目标位置组合，目标位置组合用于使用辐射设备和辐射设备的准直器的多个目标片段形状对病灶进行放射治疗，输入数据包括病灶的第一目标图像，多个目标片段形状中的每一个对应于多个目标位置组合中的一个，多个目标位置组合中的一个指示准直器相对病灶的位置。