基于肺癌患者真实呼吸运动参数的调强放射治疗剂量验证

回顾性分析在上海市胸科医院已接受调强放射治疗(IMRT)的27例肺癌患者,根据四维CT(4DCT)图像获取患者自由呼吸运动状态下肿瘤在三维方向上的运动幅度及周期。基于以上呼吸运动参数,借助呼吸运动平台测量肿瘤在头脚和左右方向上呼吸运动状态下的剂量分布,采用二维γ分析方法比较呼吸运动状态和静止状态的剂量分布差异,并分析呼吸运动对患者实际治疗时剂量验证的影响。患者平均呼吸运动周期为3.3 s,头脚方向上平均肿瘤运动幅度(5.6 mm)大于左右方向(2.1 mm)和前后方向(2.3 mm),且最大为18 mm。头脚和左右方向的呼吸运动状态下的γ通过率都低于静止状态的γ通过率(p<0.001),且都随肿瘤运动幅度的增加呈逐渐减小趋势,当肿瘤运动幅度大于3 mm时,绝大多数γ通过率小于95%。按呼吸周期中位数分组后,左右方向上的运动状态下两组的γ通过率差异具有统计学意义。肿瘤运动幅度是影响肺癌IMRT剂量验证的主要因素,呼吸运动周期也影响剂量验证。对于呼吸运动幅度较大的患者建议采用呼吸运动管理技术以提高靶区剂量递送的准确性。

基于级联3DU-Net的CT和MR视交叉自动分割方法

目的:基于级联3D U-Net,利用配对患者头颈部数据[CT和磁共振图像(MRI)],取得比仅CT数据更高分割精度的视交叉自动分割结果。方法:该级联3D U-Net由一个原始3D U-Net和改进的3D D-S U-Net(3D Deeply-Supervised UNet)组成,实验使用了60例患者头颈部CT图像及MRI图像(T_(1)和T_(2)模态),其中随机选取15例患者数据作为测试集,并使用相似性系数(DSC)评估视交叉的自动分割精度。结果:对于测试集中的所有病例,采用多模态数据(CT和MRI)的视交叉的DSC为0.645±0.085,采用单模态数据(CT)的视交叉的DSC为0.552±0.096。结论:基于级联3D U-Net的多模态自动分割模型能够较为准确地实现视交叉的自动分割,且优于仅利用单模态数据的方法,可以辅助医生提高放疗计划制定的工作效率。

人工智能在调强放射治疗/容积旋转调强放射治疗个体化质量保证中的应用进展

调强放射治疗(intensity modulated radiotherapy,IMRT)/容积旋转调强放射治疗(volume modulated radiotherapy,VMAT)个体化质量保证(quality assurance,QA)作为放射治疗安全性和准确性的有力保障,可实现精准放射治疗。临床中个体化QA是一项繁重的工作,人工智能中的机器学习和深度学习的发展有助于提高其效率。本文对机器学习和深度学习在放射治疗个体化QA中的应用进行了总结,分析其目前存在的局限性,并进行展望,以期为国内开展相关研究提供参考,为机器学习和深度学习更好地应用于临床提供借鉴。