左侧乳腺癌患者根治术后靶区分割式计划和常规调强计划的剂量学比较研究

目的比较左侧乳腺癌患者根治术后靶区分割式放射治疗计划(target segmented plan,TSP)、与TSP优化参数相同但未分割靶区计划(Non-TSP)与常规8野调强计划(8fields IMRT,8F-IMRT)的剂量学差异。方法选择2017年6月至2018年11月于武汉大学人民医院放疗科收治的30例左侧乳腺癌根治术后患者资料,所有胸壁靶区两侧后界连线切肺最大深度均>2 cm。将连线切肺最大深度按照<3 cm、3~4 cm、>4 cm分组。所有患者均采用美国Varian Eclipse治疗计划系统设计3种(TSP、Non-TSP和8F-IMRT)治疗计划,然后对比分析3种方式计划的剂量学参数差异。结果所有患者的治疗计划都达到了处方剂量要求。TSP的D98%明显低于Non-TSP和8F-IMRT(Z=-3.294,-3.266,P<0.05);3种计划的均匀指数(HI)和适形指数(CI)比较,差异均无统计学意义(P>0.05);Non-TSP的加速器治疗的跳数(monitor unit,MU)明显高于TSP和8F-IMRT(Z=-3.04,-2.669,P<0.05)。TSP的Dmean高于8F-IMRT(Z=-3.181,P<0.05)。对于危及器官(Organs at risk,OARs),TSP较Non-TSP和8F-IMRT计划明显降低了所有患者患侧肺和心脏的V5 Gy、V10 Gy、V20 Gy和Dmean(肺:V5 Gy:Z=-3.408、-3.408,V10 Gy:Z=-3.408、-3.408,V20 Gy:Z=-3.408、-3.124,Dmean:Z=-3.408、-3.408,P<0.05;心脏:V5 Gy:Z=-3.408、-3.408,V10 Gy:Z=-3.408、-3.408,V20 Gy:Z=-2.499、-3.067,Dmean:Z=-3.408、-3.408,P<0.05)。Non-TSP健侧乳腺的Dmean明显高于TSP和8F-IMRT(Z=-2.954、-2.215,P<0.05),但Dmax的比较差异无统计学意义(P>0.05)。3种计划的脊髓Dmax差异无统计学意义(P>0.05);8F-IMRT肱骨头Dmean明显高于TSP和Non-TSP(Z=-3.01、-2.442,P<0.05)。分组的患侧肺V5 Gy、V10 Gy、V20 Gy和心脏的V5 Gy、V10 Gy、Dmean的Non-TSP和8F-IMRT计划与TSP的幅度差均值均满足D(N-T,A)<D(N-T,B)<D(N-T,C)和D(8F-T,A)<D(8F-T,B)<D(8F-T,C)。结论TSP能在保持原有靶区剂量充分的同时,在不增加高剂量照射体积的前提下,有效地减小左侧乳腺癌患者根治术后放疗患侧肺和心脏的低剂量区照射体积;随着靶区后界连线切肺最大深度的增加,TSP对患侧肺和心脏的低剂量保护优势愈明显。

基于MR灌注成像进行脑转移瘤亚靶区分割的研究

目的探讨MR灌注成像进行脑转移瘤(BMs)亚靶区分割的可行性,为BMs患者基于血流灌注异质性引导个体化放疗提供参考。方法选取96例BMs放疗患者,肿瘤内部有坏死组55例,无坏死组41例,每位患者放疗前行CT模拟定位及MR模拟定位。应用MIM Maestro6.8.8软件分别在强化T_(1)WI图像和T_(2) Propeller图像中勾画大体肿瘤体积(GTV)及肿瘤坏死区(GTV_(N)),二者相减得肿瘤实性区(GTV_(S))。应用三维动脉自旋标记(3D-ASL)灌注成像的脑血流量图确定高灌注区(GTV_(H))与低灌注区(GTV_(L))。比较有、无坏死组亚靶区体积、占比及各亚靶区相关性。结果有、无坏死组GTV分别为19.56、7.34 cm^(3),GTV与坏死的ROC曲线AUC达0.749。有坏死组GTV_(N)、GTV_(S)、GTV_(H)、GTV_(L)占GTV比分别为20.47%、79.53%、33.03%、46.50%(P<0.05),其中GTVS与GTV的r值达0.963,GTV_(L)与GTV、GTV_(S)的r值分别达0.849、0.840,高于GTV_(H)与GTV、GTV_(S)的r值0.683、0.764(均P<0.05)。无坏死组GTV_(H)占GTV比高于有坏死组(58.95%∶33.03%,P<0.05),GTV_(L)占GTV比略低于有坏死组(41.05%∶46.50%,P>0.05)。GTV_(H)与GTV的r值高于GTV_(L)与GTV的(0.776∶0.574,P<0.05)。结论MR-3D-ASL可以定量分析BMs肿瘤靶区内异质性血流灌注,可用于指导亚靶区分割及肿瘤局部亚靶区剂量提升。

基于卷积神经网络模型乳腺癌靶区自动分割的研究

目的:分别基于生物图像分割体系结构U-net和V-net的卷积神经网络模型训练乳腺癌靶区,并评价其临床适用性和准确性。方法:选取医院收治的60例左侧乳腺癌保乳术后患者,按照随机数表法将其分为模型组和测试组,每组30例。所有患者的CT图像数据集均由同1位放射治疗医师参照肿瘤放射治疗协作组织(RTOG)标准勾画临床靶区(CTV),并由经验丰富的高级职称医师二次审查。模型组患者分别基于U-net和V-net的卷积神经网络两种模型训练CTV;测试组患者的CT影像用于测试两种模型CTV自动分割的准确性。采用配对t检验分析比较两种模型分割的形状Dice相似性系数(DSC)、豪斯多夫距离(HD)及平均最小距离(MDA)。结果:基于U-net模型自动分割的乳腺癌靶区的DSC值(0.918)大于基于V-net模型分割的DSC(0.899),且差异有统计学意义(t=5.883,P<0.001)。两种模型分割的乳腺癌靶区的HD分别为18.360 mm、20.408 mm,差异有统计学意义(t=-1.800,P<0.05)。两种模型勾画结果的MDA分别为1.393 mm、1.815 mm,差异有统计学意义(t=-5.354,P<0.001)。结论:两种自动分割模型的结果均能满足临床应用需要,可提高医师的工作效率以及靶区勾画的一致性。基于U-net训练的左侧乳腺癌保乳靶区勾画模型更加接近医师的勾画,更准确地实现了CTV的自动勾画。

深度学习在子宫内膜癌术后临床靶区自动分割中的应用

目的评估3种深度学习(DL)算法在子宫内膜癌(EC)术后患者高剂量率近距离放射治疗(high-dose-rate brachytherapy,HDR BT)中,自动分割临床靶区(CTV)的应用结果。方法数据集由306名子宫内膜癌术后患者的计算机断层扫描(CT)图像组成,按比例分为训练集(246例)、验证集(30例)和测试集(30例)。比较3种深度卷积神经网络模型(3D U-Net、3D Res U-Net和V-Net)在CTV分割上的性能。采用定量指标分别为戴斯相似性系数(DSC)、豪斯多夫距离(HD)、豪斯多夫距离第95百分位数(HD95%)和交并比(IoU)。结果在测试阶段中,3D U-Net、3D Res U-Net和V-Net分割CTV得到的DSC平均值分别为0.90±0.07、0.95±0.06和0.95±0.06;HD平均值(mm)分别为2.51±1.70、0.96±1.01和0.98±0.95;HD95%平均值(mm)分别为1.33±1.02、0.65±0.91和0.40±0.72,IoU平均值分别为0.85±0.11、0.91±0.09和0.92±0.09。其中,V-Net分割结果与高级临床医生勾画结果更接近,CTV的分割时间<3.2 s,节省了临床医生的工作时间。结论V-Net在CTV分割方面表现最佳,定量指标和临床评估均优于其他模型。该方法与基准真实值高度一致,有效减少医生间差异,缩短治疗时间。

基于深度学习多模态风格迁移技术CBCT图像肺癌靶区自动分割方法研究

目的针对CBCT图像中肿瘤与周围组织对比度低的缺点, 研究一种适合于CBCT图像中中心型肺癌的自动分割方法。方法收集221例中心型肺癌患者, 其中176例行CT定位, 45例行强化CT定位。将强化CT图像分别设置为肺窗和纵隔窗, 并与首次CBCT验证图像进行弹性配准获得配对数据集;然后将配对数据集传入cycleGAN网络进行风格迁移, 使得CBCT图像可分别转化为肺窗和纵隔窗下的"强化CT";最后经风格迁移后的图像被载入UNET-attention网络对大体肿瘤体积进行深度学习。通过戴斯相似性系数(DSC)、豪斯多夫距离(HD)和受试者工作特征曲线下面积(AUC)对分割结果进行评价。结果经风格迁移后肿瘤与周围组织对比度明显增强, 采用cycleGAN+UNET-attention网络的DSC值为0.78±0.05, HD值为9.22±3.42, AUC值为0.864。结论采用cycleGAN+UNET-attention网络可有效对CBCT图像中中心型肺癌进行自动分割。

基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的对比研究

目的:探究基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的优劣性及应用价值。方法:采集34例鼻咽癌患者的PET-CT数据,比较医生分别在增强CT和PET-CT图像上勾画靶区的差异性,以CSCO指南在PET-CT双模态融合图像上手动勾画的靶区作为金标准,应用Matlab软件计算单一标准摄取值(SUV)阈值分割法和MIM软件自带的PET-EDGE分割法两者的重叠率Dice和豪斯多夫距离HD值,并采用t检验进行统计学分析。结果:基于增强CT图像的手动勾画法、基于PET-CT图像的单一SUV阈值法以及PET-EDGE自动勾画法,3者靶区分割结果的Dice值分别为0.706、0.736、0.806,HD值分别为12.601、11.631、6.143mm。以PET-CT双模态图像作为参考的靶区手动勾画法与基于增强CT的手动勾画存在差异(Dice:P=8.33×10^(-7);HD:P=1.065×10^(-18));MIM软件自带的PET-EDGE靶区分割法Dice和HD值高于单一SUV阈值法,差异具有统计学意义(Dice:P=0.0198;HD:P=0.0137)。结论:在鼻咽癌肿瘤靶区的分割性能上,基于PET-CT图像的自动勾画优于基于增强CT图像的手动勾画,MIM软件自带的PET-EDGE分割法优于单一SUV阈值分割法。