基于循环一致性生成对抗网络的盆腔伪CT生成方法

目的:基于循环一致性生成对抗网络（CycleGAN）,利用非配对患者盆腔部位数据,实现MRI和CT图像之间的相互转换,并对基于该模型生成的盆腔伪CT（sCT）进行精度和剂量性能的评估。方法:该CycleGAN网络包含两个生成器和两个判别器。先基于全卷积网络（FCNs）构建两个生成器,一个将2D盆腔MRI转换为2D盆腔sCT图像,另一个将CT图像转换为伪MRI（sMRI）图像。再基于FCNs构建两个判别器,用于对真实图像和生成的伪图像进行判别,提升生成图像的质量。为保证sCT图像与MRI图像的一致性,引入归一化互信息作为相似性约束损失项,对模型进行改进。训练集包括35例患者盆腔部位的T1-MRI图像和另外36例患者盆腔部位的CT图像,测试集包括10例盆腔部位患者的MRI和CT图像,评估方法包括sCT与CT图像的误差和放疗剂量伽马通过率。结果:对于测试集中所有病例,生成的sCT与真实CT图像之间的平均绝对误差（MAE）为35.537（±4.537） HU;基于体素的平均剂量差异最大为0.49%;以3%/3 mm、2%/2 mm和1%/1 mm为标准的平均伽马通过率分别高于99%、98%和95%。结论:使用CycleGAN网络和非配对患者训练数据可以生成准确且符合临床剂量精度要求的盆腔部位sCT图像。     

基于三维预测剂量的自调节调强放疗自动计划方法

目的 开发一种基于预测剂量的自调节调强放射治疗自动计划方法,以增强自动计划的鲁棒性。方法 利用3D U-Res-Net_B网络预测出三维剂量分布后,在直接子野优化的每次迭代中先基于上次迭代结果计算当前剂量,再联合预测剂量计算目标剂量,然后以此为目标进行优化。完成所有迭代或满足循环退出条件后,得到最终的治疗计划。在30例直肠癌病例上进行测试,验证算法的效果。结果 临床计划治疗靶区的V_100%均值和标准差为（95.03±0.91）%,自动计划为（94.67±1.96）%,接近临床值（P>0.05）,而预测值为（92.90±2.13）%,与临床计划的差异具有统计学意义（t=29.0,P<0.05）;自动计划在小肠V₃₅、膀胱V₄₀、股骨头的V₂₀~V₄₀等多项指标上低于预测值和临床值,且差异具有统计学意义（t=4.5~118.0,P<0.05）,在其他危及器官的指标上与临床值的差异无统计学意义（P>0.05）。结论 本方法增强了自动计划的鲁棒性,提高了其应对复杂情况的能力。     

放疗计划系统DeepPlan光子放疗剂量计算的临床可行性验证

目的:评估DeepPlan放疗计划系统患者计划剂量计算的准确性和临床应用的可行性。方法:剂量算法准确性评估主要是针对YY 0775号和YY/T 0889号报告中的例题内容进行测量验证。临床病例验证是基于Pinnacle计划系统设计的前列腺肿瘤患者9例、胸部肿瘤患者13例和头颈部肿瘤患者5例，试验将各病例原计划优化的子野等信息直接导入DeepPlan进行重新剂量计算，比较不同计划系统得到的靶区和危及器官剂量分布，并用PTW VeriSoft软件对两组计算结果进行全空间剂量γ分析。结果:DeepPlan光子剂量算法通过了剂量计算准确性验证，YY 0775号报告中所有测试例题误差均在2%以内。YY/T 0889号报告中所有患者计划的γ通过率均在96.8%以上，复合野的γ通过率平均值为98.1%。在病例验证中，前列腺肿瘤病例的等中心层面2D γ通过率平均值为97.6%，3D γ通过率平均值为96.9%。胸部肿瘤病例的等中心层面2D γ通过率平均值为98.7%，3D γ通过率平均值为98.3%。头颈部肿瘤病例的中间层面2D γ通过率为98.6%，3D γ通过率平均值为98.8%。结论:通过模体实际测量和临床病例测试，验证了DeepPlan光子放疗剂量计算的准确性和临床应用的可行性。     

针对射程不确定性的质子调强放疗鲁棒优化方法

目的 因治疗精度高、副作用小,质子调强放疗(IMPT)成为放疗领域的研究热点,但其精度对射程变化非常敏感。本研究提出一种针对射程不确定性的IMPT鲁棒优化方法用于减小射程偏差对放疗计划的影响。方法 首先建立鲁棒优化模型,目标函数采用二次型函数表达式,其中包含3种射程:射程增加、射程正常、射程缩短;每种射程对应的器官剂量贡献矩阵采用质子笔形束算法计算得到。对射程偏差进行离散化,每个射程的发生概率基于高斯分布函数得到。最后采用共轭梯度法优化出最优解,最优解使得靶区和危及器官实际剂量分布在射程偏差内尽量达到期望剂量。结果 采用AAPM TG-119号报告的3套模拟例题测试本研究方法的有效性:鼻咽癌病例、前列腺病例和“C”型病例。与常规IMPT优化结果对比,发现该方法对射程不确定性的敏感性更低。射程发生偏差时,鼻咽癌病例和前列腺病例的靶区和危及器官基本达到期望剂量,“C”型病例的靶区高剂量覆盖率和危及器官保护都有了提高。结论 针对射程不确定性,该方法可得到更高的靶区覆盖率,同时降低危及器官剂量。     

基于剂量预测的个性化放射治疗计划质量的定量评价方法

目的:提出一种基于剂量预测的放射治疗计划质量定量评价方法,并验证该方法的临床可行性和临床价值。方法:基于45例5年以上从业经验的物理师制定的直肠癌病例,训练3D U-Net网络。利用3D U-Net网络预测得到三维剂量分布后,基于剂量预测的剂量-体积直方图(DVH)指标,建立调强放射治疗(IMRT)直肠癌计划质量评估标...     

DeepPlan系统中快速直接子野优化在临床中的应用研究

目的 通过与Pinnacle计划系统在临床静态调强放疗（intensity modulated radiation therapy,IMRT）病例上的对比,研究自主研发的DeepPlan计划系统的快速直接子野优化模块的临床应用性能。方法 选取安徽省肿瘤医院25例肿瘤患者资料（其中6例头颈部、10例胸部和9例盆腔）,分别使用DeepPlan和Pinnacle制定静态调强放疗计划,比较两个计划系统优化后的靶区适形度和均匀性、机器跳数、子野数的差异,并针对宫颈癌病例比较剂量学参数差异。结果 两个系统中所有病例均满足临床剂量要求,DeepPlan的平均优化时间为86 s,平均剂量计算时间为8.36 s。与Pinnacle相比,DeepPlan优化出的放疗计划具有更小的机器跳数、更多的子野和更大的靶区适形度指数（conformity index,CI）,差异具有统计学意义（t=-3.208、2.912、2.875,P<0.05）;靶区均匀性指数（homogeneity index,HI）的差异无统计学意义（P>0.05）。在宫颈癌病例中,DeepPlan优化后的膀胱V₄₀低于Pinnacle （t=-5.498,P<0.05）,小肠V₂₀高于Pinnacle （t=2.581,P<0.05）。结论 DeepPlan通过图形处理器（graphics processing unit,GPU）加速能够在较短时间内完成直接子野优化,得到满足临床要求的静态调强放疗计划。与Pinnacle相比,DeepPlan系统有更好的靶区适形度和更小的机器跳数,但子野数更多,对宫颈癌病例中膀胱的保护略好,对小肠的保护略差。     

实时MRI引导放射治疗中边缘磁场对电子枪束流特性的影响

目的 观察实时MRI引导放射治疗（MRIgRT）系统中MR边缘磁场对电子枪束流特性的影响。方法 以电磁场仿真软件模拟平行配置MRIgRT系统中1.5T MR不同边缘磁场下Varian 600C电子枪和Litton L2087电子枪的束流特性。结果 2款电子枪在磁场中的整体表现一致。随磁感应强度增大，Litton L2087和Varian 600C电子枪电流分别缓慢增加至无磁场时的2.72%和1.93%。电子枪阳极出口处电流在经历初始稳定水平后开始减少，达到最小值后电流缓慢增加，电流损失最大分别可达80.25%和73.48%；高场强处，束流半径出现周期性变化；束流均方根发射度存在波动。结论 平行配置的MRIgRT系统中，边缘磁场会对电子枪束流轨迹产生影响，导致大量电流损失，均方根发射度变化巨大。     

基于级联3D U-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 U-Net）组成,实验使用了60例患者头颈部CT图像及MRI图像（T1和T2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。     

基于临床质子加速器的DeepPlan笔形束模型构建

目的:基于佛罗里达大学质子放疗中心（University of Florida Health Proton Therapy Institute, UFHPTI）质子加速器在笔形束扫描模式下的临床实验数据,在DeepPlan中构建相应模型,验证模型构建的准确性并初步应用于临床前列腺癌的剂量计算。方法:在DeepPlan质子模块中建立UFHPTI质子加速器的笔形束计算模型,并将剂量计算结果与临床实验数据进行对比,包括30组积分深度剂量（Integrated Depth Dose, IDD）、30组空气中质子束斑发散大小、1组多能量多点照射下的纵向扩展布拉格峰（Spread Out Bragg Peak, SOBP）和横向剂量分布,以此验证模型构建的准确性。最后以UFHPTI的两个前列腺癌临床放疗计划为指导,将DeepPlan计算结果与商用放疗计划系统RayStation计算结果通过PTW公司的VeriSoft软件进行gamma分析。结果:DeepPlan质子模块计算产生的30组IDD与UFHPTI加速器的临床实验数据平均相对误差为0.01%,最大相对误差为0.23%;30组空气质子束斑发散大小与临床实验数据平均相对误差为0.15%,最大相对误差为1.14%。在多能量多点照射下,DeepPlan质子模块计算产生的SOBP与临床实验数据平均相对误差为1.07%,最大相对误差为3.91%;横向剂量分布和临床实验数据平均相对误差为1.92%,最大相对误差为4.09%。针对两个前列腺癌的放疗计划,DeepPlan质子模块与RayStation计算的三维剂量结果在以3 mm/3%的标准下每个子野的gamma通过率都达到95%以上,其中病例1两个子野（270°和90°方向）的gamma通过率分别为96.4%和97.5%,病例2两个子野（270°和90°方向）的gamma通过率分别为99.3%和98.9%。结论:在DeepPlan中构建了与UFHPTI质子加速器相匹配的笔形束模型,该模型可初步应用于临床前列腺癌的剂量计算。     

基于U-net的心脏自动勾画模型的临床应用及改进

目的:拟分析基于不同医院数据的心脏自动勾画模型在临床应用中的适用性及其改进方法。方法:首先,建立基于U-net和Inception模块的心脏自动勾画网络。其次,收集不同治疗中心的患者数据:中国科学技术大学附属第一医院65例（数据1）、MICCAI2019比赛数据50例（数据2）、数据1和2的混合数据（数据3）、郑州大学第一附属医院50例（数据4）和郑州大学第一附属医院100例（数据5）,分别训练得到模型1～5。然后,以郑州大学第一附属医院59例患者作为测试集,使用形状相似性系数（DSC）评估该测试集在不同模型上的分割精度,比较模型之间的差别。最后,将模型3作为心脏预训练模型,采用数据5进行模型再训练,分别测试3组实验（20例/次×5次、10例/次×10次、5例/次×20次）对心脏预训练模型的改进情况。结果:测试集在模型1~5中的平均DSC为0.926、0.932、0.939、0.941和0.950。在再训练过程中,模型在20例/次×5次的实验中表现更稳定。结论:基于不同医院的数据训练模型在心脏自动勾画的临床应用上表现存在差异,使用本地医院数据进行训练的模型预测精度更高。对于非本地数据训练的模型,基于本地数据再训练可以有效提高模型预测的精度,其中以20例/次的再训练方式效果较好。