基于深度学习的宫颈癌放疗靶区及危及器官自动勾画研究

目的:构建基于深度学习(deep learning, DL)的卷积神经网络模型,实现宫颈癌患者放射治疗计划的临床靶区体积(clinical target volume, CTV)和危及器官(organ at risks, OARs)自动勾画。方法:回顾性分析在福建省肿瘤医院行放射治疗的宫颈癌患者99例。对患者CT图像进行预处理,作为模型输入。设计一种基于DL的自动勾画模型,使用组合损失函数训练该模型。以医师手动勾画为度量标准,计算DL自动勾画模型下CTV靶区和膀胱、直肠、乙状结肠、左右骨髓、左右股骨头的准确率,并与基于图谱的自动勾画方法(atlas-based auto segmentation, ABAS)相比较。结果:DL模型在CTV靶区和7种危及器官(膀胱、直肠、乙状结肠、左右骨髓、左右股骨头)的戴斯系数分别为(0.85±0.02、0.94±0.04、0.87±0.03、0.67±0.14、0.85±0.03、0.87±0.03、0.87±0.06和0.87±0.06),95%豪斯多夫距离(mm)分别为(3.22±0.56、1.37±0.37、1.41±0.34、27.39±35.63、1.40±0.17、1.36±0.22、6.78±7.89和6.45±7.44),平均表面距离(mm)分别为(0.25±0.05、0.12±0.06、0.19±0.05、2.29±2.71、0.16±0.04、0.15±0.03、0.36±0.33和0.38±0.37)。DL勾画模型的戴斯系数均高于ABAS勾画模型。除乙状结肠外,DL勾画模型的95%豪斯多夫距离和平均表面距离均小于ABAS勾画模型。结论:提出的DL模型能较好地实现宫颈癌放疗临床靶区和危及器官的自动勾画,可为临床医师勾画提供初步参考,节省临床靶区和危及器官勾画的时间。

基于循环生成对抗网络的鼻咽癌CBCT图像修正

目的:利用循环生成对抗网络模型(CycleGAN)进行锥形束CT(CBCT)图像迁移,生成伪CT(sCT)图像,从而实现CBCT图像的HU值矫正。方法:回顾性分析在福建省肿瘤医院行放射治疗的鼻咽癌患者39例,所有患者均接受临床CT与CBCT扫描。以CBCT图像为基准,采用刚性配准算法对临床CT和CBCT进行配准,获得重采样计划CT(pCT)。经阈值分割及形态学处理获取配对影像的外轮廓内部区域作为掩膜,对配对影像进行掩膜操作及归一化预处理。建立CycleGAN神经网络,训练sCT生成模型。基于体素点计算平均绝对误差(MAE)和平均误差(ME),用于比较测试集sCT与pCT之间的差异。结果:测试集的sCT图像与pCT图像相比较,在体外轮廓内的MAE和ME分别为(99.00±15.37)HU和(-24.00±12.64)HU;软组织区域的MAE和ME分别为(48.00±7.45)HU和(-7.00±8.96)HU。结论:CycleGAN能修正CBCT图像的HU值,迁移生成的sCT图像具有与pCT图像近似的HU值及平滑性,可用于放射治疗剂量计算。

3D打印个体化施源器在宫颈癌治疗中的探索

目的研究3D打印技术在个体化宫颈癌近距离放射治疗中运用的可行性。方法选择2019年6月至12月在福建省肿瘤医院行近距离放射治疗的ⅡB-ⅢB期宫颈癌患者20例,年龄44~76岁,中位年龄56岁;鳞癌19例,腺癌1例。将其分为3D打印组和常规插入组。根据带有导向模板的CT图像,勾画高危靶区(HRCTV)、中危靶区(IRCTV)及膀胱、直肠、乙状结肠等危及器官。于Nucletron Oncentra计划系统中设计相应的插植针道及针数、驻留点及驻留时间,逆向优化后形成预计划。两组处方剂量HRCTV为700 cGy。分别评估3D打印组和常规插入组靶区、危及器官的剂量学参数的差异。结果 HRCTV D90在3D打印组、常规插入组分别为(699.85±3.61) cGy、(703.00±2.59) cGy,二者差异有统计学意义(P<0.05)。而HRCTV D_(100)、IRCTV D90、IRCTV D_(100)两组比较,差异无统计学意义(P>0.05)。膀胱、直肠、乙状结肠的D_(5cc)、D_(2cc)、D_(1cc)、D_(0.1cc)两组比较,差异无统计学意义(P>0.05)。结论宫颈癌近距离治疗中,3D打印组与常规插入组比较,在剂量分布上合理,差异无显著性,但该方法操作简单、方便,也是一种可行的治疗方式。

基于3D打印制作放疗个性化头枕的剂量学测量研究

目的利用3D打印技术制作头颈部肿瘤放射治疗的个性化头枕,研究制作过程中的技术难点并进行剂量学测试。方法利用头颈部肿瘤患者的CT图像在Pinnacle3计划系统中生成患者人头外轮廓及个性化头枕的内外轮廓;通过计算机程序把轮廓生成STL格式的头枕文件,在Autodesk软件结合生成的类人头模型加入带有电离室平衡帽的空腔;打印出头模型和头枕,选用2019月1—5月医院收治的15例头颈部放射治疗患者的临床处方在模体中进行调强计划验证,比较标准头枕与自制3D打印头枕的剂量学差异。结果在设定40%聚乳酸(PLA)填充时,测量值与计划计算值误差在3%左右。结论利用3D打印技术可以制作个性化的高度符合的头枕,在40%PLA填充设置时可以得到与标准头枕相近似的结果,符合临床的精度要求。

基于六维摆位误差的鼻咽癌调强放疗全过程剂量评估

目的基于治疗过程中的摆位误差进行六维模拟矫正,评估鼻咽癌调强放射治疗过程中的剂量误差变化。方法选取2018年9月在福建省肿瘤医院行调强放射治疗的鼻咽癌患者5例,为每例患者在医院鼻咽癌首次摆位误差数据库(636例)中随机提取33次摆位误差;根据这组摆位误差在Pinnacle3计划系统中,利用误差六维校正方法,进行每一治疗分次的模拟,并自编程序进行剂量总合成;评估治疗分次剂量、总剂量与相应的计划剂量的差异。结果5例患者误差校正后的靶区总剂量差异较小(基本<50 cGy),危及器官中脊髓、脑干有明显的剂量增加,最大可达到254 cGy和346 cGy;腮腺除了1例有剂量减少外,其他均有增加,最大达到102 cGy。结论基于福建省肿瘤医院摆位误差数据库进行摆位误差校正后剂量合成,所有靶区总剂量的变化幅度均较小,危及器官剂量差异较大,应充分评估脊髓、脑干、腮腺的剂量,控制摆位误差,减少对危及器官的影响。

剂量预测引导的鼻咽癌放疗计划质量定量评估方法

目的:利用人工神经网络模型对鼻咽癌计划进行剂量预测,根据剂量预测值建立计划质量测度标准(PQM),实现放疗计划个性化定量评估。方法:回顾性分析于福建省肿瘤医院进行放射治疗的鼻咽癌计划114例。提取25项危及器官(OAR)与靶区之间的几何空间关系特征,训练(81例)得到基于人工神经网络的剂量预测模型并测试(23例)验证其准确性。分别用基于剂量限值建立PQM和基于剂量预测值建立PQM两种评估方法对10例临床通过计划进行定量评估,讨论两种评估方法的合理性。结果:11项鼻咽癌主要OAR剂量学指标,预测值与实际值的剂量相关总体平均差值为(-0.07±4.55)Gy,体积相关总体平均差值为-1.06%±3.80%,预测准确性可达90%。10例临床通过的鼻咽癌计划,基于剂量限值建立PQM方法对病例4评估为不合格,其余病例合格。基于剂量预测值建立PQM方法对病例9评估为不合格,其余病例合格。结论:剂量预测引导的鼻咽癌计划质量定量评估方法可以反映计划是否存在继续优化的空间,且该评估方法克服了剂量限值未考虑病例特异性的缺陷,能更科学合理地对放疗计划进行定量评估。