基于神经网络学习方法的放疗计划三维剂量分布预测

目的研究利用神经网络建立患者几何解剖结构特性与对应放疗计划三维剂量分布的关联模型,用以新患者的计划剂量学特性预测。方法收集并应用25例固定13野临床前列腺癌IMRT/SBRT计划,处方剂量为50 Gy,以体素为研究对象,提取器官体积、射线角度、器官位置关系等信息,采用神经网络构建剂量预测模型。随机选取20例用于训练,5例用于验证,以验证预测方法的可行性与有效性。结果实验表明,模型训练误差较小,验证样本剂量差异小,预测结果准确。模型训练误差较小,点对点平均剂量差异不高于0.0919±3.6726 Gy,DVH差异不超过1.7%。5例验证样本,剂量差异为0.1634±10.5246 Gy,百分剂量差异在2.5%以内,DVH差异在3%以内。三维剂量分布显示剂量差异较小,预测剂量分布合理。模型对膀胱和直肠预测性能表现较好,股骨头次之。结论本文使用神经网络学习方法成功建立了同肿瘤类型患者几何解剖结构特性和对应计划三维剂量分布之间的关联,不仅可以为计划提供质量标准,还为实现自动计划控制和计划设计奠定基础。

CT扫描电压与CT值-相对电子密度值转换曲线不匹配对放疗计划剂量的影响

目的:探讨选取不同放疗定位CT扫描电压和CT值-相对电子密度值(CT-RED)转换曲线对放疗计划剂量计算的影响。方法:利用大孔径CT模拟定位机在80、100、120和140 kV电压下对CIRS 062M模体进行扫描,分别建立不同电压下的CT-RED转换曲线;在均匀石蜡模体中心嵌入高密度材料,通过选择不同CT扫描电压与CT-RED转换曲线的组合条件,在计划系统(TPS)设计不同照射角度的放疗计划。分别在高密度材料前、材料中和材料后选取3个兴趣点I_(1)、I_(2)、I_(3),统计高密度材料的D_(mean)、D_(2)、D_(98),分析CT扫描电压与CT-RED转换曲线不匹配时对以上3个兴趣点剂量(D_(I1)、D_(I2)、D_(I3))和高密度材料D_(mean)、D_(2)、D_(98)的影响。结果:CT扫描电压与CT-RED转换曲线不匹配的组合条件下,放疗计划剂量有较大差异,其中D_(mean)、D_(98)、D_(I2)、D_(I3)影响较大,差异具有统计学意义(均P<0.05)。结论:放疗患者CT定位的扫描电压需要与TPS计划设计时选取的CT-RED转换曲线匹配,否则会造成高密度组织中的剂量和射野出口处的剂量计算有较大差异,从而影响放疗计划的准确性。

基于约束优先级列表的调强放疗自动多目标优化方法

本研究提出一种可将临床偏好量化为优先级列表,并在此基础上建立自动调整约束并生成该条件下优化解的IMRT多目标优化方法。本优化方法由计划剂量学约束自动调整机制和约束下的基于体素权重因子的自动FMO模型嵌套组成。剂量约束的自动调整需首先根据临床对各感兴趣区域剂量约束的重视程度提炼为约束优先级列表,后以列表为依据,分步对剂量约束进行调整,使各约束随迭代进行时逐步达到最佳设置状态。剂量约束每调整1次,紧随调用基于体素权重因子的FMO模型,解得满足当前约束的全局最优计划。为验证本优化方法的可行性与有效性,临床收集6例已治宫颈癌IMRT计划,使用本文方法对其重新自动生成优化的计划,并比较原始(临床)计划和优化计划的质量,含计划DVH曲线和临床关注的剂量约束指征项的具体数值,查看其计划质量提高成效。6例临床IMRT计划表明,使用本文方法生成的优化计划较原始计划可得到相当PTV覆盖率、均匀性的同时,有效减少OAR受量,提高计划质量。其中,优化计划直肠的平均V45从原始计划的(41.99±13.31)%降到(32.55±22.27)%;膀胱的平均V45从(44.37±4.08)%降到(28.99±15.25)%。计划优化过程可实现基本自动化。

二维电离室矩阵不同采样深度对调强验证γ通过率的影响

选取质量保证(QA)计划中MatriXX电离室矩阵不同层面深度剂量与测量层面的剂量对比分析,探讨不同层面深度剂量对γ通过率的影响。选取21例鼻咽癌调强计划,将MatriXX和Miniphantom模体的CT影像导入计划系统作为QA模体。把调强放射治疗计划移植到QA模体重新进行剂量计算,选取从电离室腔顶部到底部5 mm高度内以1 mm等间距6个剂量层面的平面剂量,导出相应平面的剂量分布文件到MatriXX系统中和测量剂量结果进行分析,得到6组结果,记录3 mm/3%、2 mm/2%和2 mm/2%评估标准下的γ通过率。结果表明:3 mm/3%标准在Compare4、Compare5和Compare6剂量层面的γ通过率大于95.00%,均达到临床要求;3 mm/2%在Compare6剂量层面的通过率均大于95.00%,达到临床要求;3 mm/3%从Compare1的81.45%到Compare6的98.08%,提高了16.63%;3 mm/2%从Compare1的74.27%到Compare6的95.40%,提高了21.13%;2 mm/2%从Compare1的55.15%到Compare6的84.71%,提高了29.56%;Compare3层面为MatriXX侧面十字标记线高度对应的层面,将该层面剂量作为参照组,其余各组结果与该层面剂量比较均具有统计学意义(p<0.05)。在进行调强计划二维剂量分布验证,二维矩阵平行板电离室腔最底部层面深度的剂量平面作为调强放射治疗计划γ通过率验证的参考剂量平面与实际测量值对比的通过率最高。

基于Edose系统的鼻咽癌调强放疗三维剂量验证

目的:探讨Edose系统在鼻咽癌调强放疗三维剂量验证中的应用。方法:随机选取17例鼻咽癌患者的调强放疗计划,将计划传输至Edose系统中,使用Edose系统在CT中重建三维剂量分布并将剂量计算结果标记为R,Edose系统实测剂量标记为E,并计算绝对百分剂量偏差D%。统计各计划的计划靶区(planning target volume,PTV)和危及器官的R和E,并分析Gamma通过率。采用SPSS 22.0软件进行统计学分析。结果:各PTV的D%都在2%以内。危及器官的D%较PTV的差异大,最大的为小体积的晶体,为(12.47±7.43)%,其次是眼球,为(10.29±7.74)%,其余各危及器官的D%均在5%以内。3%/3 mm、3%/2 mm和2%/2 mm的Gamma通过率分别为(99.20±0.63)%、(98.61±0.86)%和(96.39±1.89)%,均符合临床要求。结论:仅依靠Edose系统的Gamma通过率比较有时并不能完全反映治疗计划是否符合临床治疗的要求,需要全面评估基于三维影像解剖结构的剂量误差对临床计划执行的影响,从而为临床放疗计划的三维剂量验证提供依据。

俯卧盆腔固定装置在妇科肿瘤调强放疗计划中的剂量学影响

目的研究俯卧盆腔固定装置对妇科肿瘤调强放射治疗剂量学的影响。方法回顾性分析2020年8月至2021年6月在中山大学附属第三医院接受放疗的宫颈癌和子宫内膜癌患者共20例,每位患者均采取两种方法勾画外轮廓,第1种仅包含患者轮廓,第2种包含患者轮廓和固定装置。每例患者在放疗计划系统(TPS)中分别用两组轮廓计算相同的7野调强计划,通过剂量体积直方图(DVH)和计划相减来比较不带固定装置计划Planwithout和带固定装置计划Planwith间剂量学差异。在仿真人模体中使用EBT3胶片验证实际点剂量,并分别比较其与上述两个计划剂量的差异。结果Planwith的靶区100%、98%处方剂量的覆盖体积V50 Gy、V49 Gy和均值Dmean分别下降了19.75%、7.99%和2.54%(t=8.96、10.49、22.09,P<0.01);皮肤的V40Gy、V30Gy、V20Gy、V15Gy和Dmean分别上升了51.79%、51.05%、45.72%、33.63%和10.80%(t=-2.54、-5.63、-15.57、-24.06、-13.88,P<0.01);其他危及器官无显著性变化。仿真人模体中EBT3胶片点剂量测量结果提示,腹盆部皮肤剂量约增高了37.24%(t=10.86,P<0.01)。结论俯卧盆腔固定装置可以有效降低小肠的低剂量,但其引起的射线衰减会使得放疗计划靶区的覆盖下降、腹盆部皮肤剂量陡增,尤其是需要照射腹股沟和会阴区的患者。

基于危及器官预测剂量分布与gEUD混合目标的调强放疗计划优化

目的提出一种可充分利用危及器官预测剂量分布信息,同时最大限度地改善输出计划质量的调强放疗计划优化方法。方法构建以危及器官预测剂量分布作为优化引导的新型通量分布优化模型,考虑到预测的不确定性,模型中同时耦合了危及器官的等效均匀剂量目标(gEUD)以在预测引导的基础上进一步改善最优化求解空间。为验证优化方法的有效性,实验选取8例宫颈癌调强放射治疗(IMRT)计划,利用该方法对其重新优化后比较所得计划与原始计划间在剂量分布和特定剂量学指征项上的质量差异。结果该优化方法具有可行解且收敛快速,所得优化计划与原始计划相比,靶区内热点减少,其剂量均匀性提高;危及器官受量也均有改善,直肠V30和V45分别减小了(6.60±3.53)%和(17.03±7.44)%,差异有统计学意义(t=-4.954、-6.055,P<0.05),膀胱V30和V45分别减小(14.74±5.61)%和(14.99±4.53)%,差异有统计学意义(t=-6.945、-8.759,P<0.05)。结论所提出的基于预测剂量分布和gEUD混合目标的调强放疗计划优化方法可有效地利用预测剂量分布,并保障输出计划的优质性。

基于多任务学习方法的单模多器官三维剂量分布预测研究

目的构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则化多任务学习方法,建立器官间的任务关系矩阵,构建器官间几何结构与剂量分布的关联。实验以15例鼻咽癌病例的IMRT计划所涉及的危及器官脊髓、脑干和左右腮腺为研究对象建立单模多器官关联,计算其体素预测剂量与临床计划剂量的相对百分误差,研究方法的可行性。结果10例鼻咽癌IMRT计划用于训练,5例用于测试。测试结果显示单模多器官方法预测精度较高、数据量需求少,其中脊髓、脑干、左右腮腺的平均体素相对处方剂量百分误差分别为(2.01±0.02)%、(2.65±0.02)%、(2.45±0.02)%和(2.55±0.02)%。结论提出一种可在同一模型中预测多个器官剂量的单模多器官模型,该模型在提高预测精度的同时避免多次的单器官建模,为实现智能计划设计奠定良好基础。