探测临床质子碳离子布拉格峰声信号的初步研究

目的 验证一种高灵敏度宽频声学探测器测量临床质子碳离子布拉格峰声信号可行性。方法 将该声学探测器紧贴在圆柱状水箱后方。水箱水等效深度使用寻峰设备（Peakfinder，PTW，德国西门子）经高能质子测定。通过固定总离子数，分别改变离子流强和布拉格峰到探测器前表面距离来研究布拉格峰声信号强度与探测器到布拉格峰距离和流强关系；改变束流与探测器侧向位置来研究测量布拉格峰横向半高宽可行性。结果 束流开始或束流结束产生的声脉冲幅度可间接表示声信号强度。质子布拉格峰声信号强度与探测器到布拉格峰深度距离呈反比，与流强呈正比，125.43 MeV质子布拉格峰横向半高宽与治疗计划系统模拟值最大偏差11.7%（取束流开始或结束测量数据中最大值）。碳离子呈相似规律，但178.89 MeV/u碳离子布拉格峰横向半高宽比治疗计划系统模拟值偏大45.6%（束流结束测量值），探测器到布拉格峰深度距离可显著增加至67.7 mm。结论 该声学探测器可有效探测质子碳离子布拉格峰声信号，但需进一步降低噪声影响。     

肺鳞癌成纤维细胞生长因子受体分子改变及其治疗对策

肺癌是发病率和死亡率最高的恶性肿瘤。针对肺癌尤其是非鳞非小细胞肺癌的分子靶向治疗发展迅速,取得了较好的治疗效果。研究发现,成纤维细胞生长因子受体(fibroblast growth factor receptor,FGFR)信号通路通过不同的机制促进肿瘤血管生成和支持癌细胞增殖,在多种肿瘤的发生发展中起作用。这提示阻断FGFR信号通路,有可能抑制肿瘤的增殖。研究观察到FGFR途径失调发生于多个恶性肿瘤,其中包括肺鳞癌(lung squamous cell carcinoma,LUSC)。这使得FGFR有希望成为LUSC潜在的药物治疗靶点。本文就该通路在LUSC中的基因改变、作用及其抑制剂作一综述。     

基于Auto-Planning技术直肠癌VMAT计划评估

目的 与当前手工试错方式设计的直肠癌VMAT计划(Manual-VMAT)相比,基于Auto-Planning技术的直肠癌VMAT计划(Auto-VMAT)能否在保证放疗计划质量同时,提高计划设计效率。方法 选取10例Ⅱ-Ⅲ期直肠癌经腹前切除(Dixon手术)术后患者,采用飞利浦 Pinnacle 9.10计划系统分别设计完成Manual-VMAT和Auto-VMAT计划。比较两种计划剂量分布和HI与CI,不同OAR的Dmean或ROI剂量体积,记录和比较两种放疗计划设计总时间和人工参与时间。配对t检验差异。结果 两种治疗计划均能满足临床剂量要求,Auto-VMAT和Manual-VMAT的HI和CI分别为0.058、0.921和0.058、0.940(P=0.972、0.115),与Manual-VMAT计划相比,Auto-VMAT的膀胱V40、Dmean和D50%分别降低25.6%、11.5%和8.9%(P=0.004、0.016、0.001),小肠V40、Dmean和D50%分别降低12.1%、5.4%和6.8%(P=0.023、0.001、0.001),左右股骨头在V30、Dmean和D50%上有所降低。Auto-VMAT和Manual-VMAT计划设计的总时间和人工参与时间分别为50.38、4.47和36.81、16.94 min (P=0.000、0.000)。结论 与Manual-VMAT计划相比,Auto-VMAT计划大大降低计划设计中人工参与时间,提高了计划设计效率。     

闪烁体探测器在质子重离子治疗质控中的应用

目的 采用自制二维闪烁体探测器对主动式点扫描质子重离子加速器放疗系统进行质控检测,为质子重离子束的质量(束斑位置、束斑大小、虚源、深度分布曲线及射程等)提供快速检测方法和参考。方法 探测系统由硫氧化钆闪烁体荧光屏、不锈钢板和光学数码相机组成。将质子重离子束垂直入射到闪烁体荧光屏转化为可见光,经不锈钢镜面反射至相机成像仪上形成图像信号,通过对信号分析处理,获取质控参数。结果 多丝正比室和闪烁体探测测得量束斑位置偏差<1mm。多丝正比室测得束斑大小与用闪烁体探测系统器测得量值之间差值:质子为(1.40±0.59)mm,碳离子为(0.5±0.08)mm。429.25MeV/u碳离子的x、y轴虚源分别为751.8、805.6cm,与物理距离差值<1%。测得287.5MeV/u碳离子的射程为160mm。结论 自制闪烁体探测器可以测量束斑位置、束斑大小、虚源、深度分布曲线及射程等。该探测器可作为一项质子重离子治疗质控的有效工具。     

基于深度学习方法的乳腺癌调强放疗自动计划研究

目的 开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法,并评估将其用于自动计划的可行性。方法 从复旦大学附属肿瘤医院选取 240例左侧乳腺癌患者,200例作为训练集,20例作为验证集,另外 20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系,达到预测新患者剂量分布的目的,并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果 临床治疗计划的剂量分布和预测的剂量分布相比,靶区(除同步加量的PTV48Gy)和危及器官的剂量值相近,且基于预测的剂量分布生成的治疗计划与预测结果基本相同。结论 本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法,有助于进一步实现自动设计治疗计划的目标。