逆向形变场的雅可比行列式在形变配准算法评估中的应用

目的 提出量化评估不同形变图像配准(DIR)算法的新指标,增加形变配准向临床实践进一步发展的可能。方法 首先基于正向形变场(DVF)的雅可比行列式(JD)提出雅可比行列式均值(JDM),然后引入逆向DVF的JD,提出DVF雅可比行列式误差(DJDE)。在肺癌和鼻咽癌图像上采用光流场形变配准算法(OF-DIR)和快速弹性正则化Demons形变配准算法(FD-DIR)进行配准。最后使用JDM和DJDE,以及雅可比行列式负值百分比(JDNP)、逆一致性误差(ICE)及归一化均方误差(NMSE)进行配准算法评估。对比不同评估指标在不同肿瘤图像以及不同算法上的差异,并采用受试者工作特征曲线(ROC)进行分析。结果 在肺癌中,OF-DIR的JDM、NMSE、DJDE和ICE均优于FD-DIR,差异具有统计学意义(z = -2.24、-4.84;t = 4.01、6.54,P<0.05)。在鼻咽癌中,OF-DIR的DJDE、ICE和NMSE均优于FD-DIR,差异具有统计学意义(t = 4.46、-7.49,z = -2.22, P<0.05),JDM差异无统计学意义(P>0.05)。在肺癌及鼻咽癌中,OF-DIR的JDNP均差于FD-DIR,差异具有统计学意义(z = -4.29、-4.02,P<0.01)。此外,DJDE在ROC曲线上更具特异性及敏感性(AUC=0.77),针对不同部位肿瘤图像有不同表现结果。结论 JDM及DJDE是评估形变算法的有效指标,肺癌及鼻咽癌均适合使用OF-DIR,而FD-DIR在使用时需注意器官组织动度对配准效果的影响。     

18F-FDG PET/CT预测弥漫大B细胞淋巴瘤化疗后无进展生存期

【目的】评估¹⁸F-FDG PET/CT不同代谢参数在分析弥漫性大B细胞淋巴瘤(DLBCL)治疗响应中的预测价值。【方法】回顾性地选取2015年6月至2020年10月收治¹⁸F-FDG PET/CT的81例DLBCL患者。通过多元逻辑回归分析确定DLBCL治疗反应的预测因素,并根据这些因素创建预测模型。之后,通过特性曲线和校准图验证此预测模型的性能。【结果】首次化疗后2年内,23例患者(28.3%,23/81)疾病复发,58例患者(71.7%,58/81)无进展。本文分析了PET/CT特征的二元逻辑回归模型的预测能力。结果显示,化疗后¹⁸F-FDG PET/CT的定量值是无进展生存期(PFS)的独立预后因素。其中,SUV_THR-mean2是预测DLBCL患者化疗后治疗反应的最重要因素,临界值为2.00(AUC=0.81)。【结论】我们建立的影像学特征预测模型显示出对DLBCL化疗无进展生存期的良好预测效能。其中,化疗后的影像学特征SUV_THR-mean2是DLBCL患者PSF预...     

鼻咽癌放疗中自适应再计划体积与剂量的变化

目的探讨鼻咽癌(NPC)放疗中自适应再计划的必要性和对剂量的改善。方法回顾性分析2014年7月—2017年12月中山大学肿瘤防治中心的89例NPC患者数据, 患者均接受25+7分次的自适应再计划放疗。比较第一次CT扫描设计的放疗计划(计划A, 25分次)与重新扫描CT后设计的自适应放疗计划(计划B, 7分次)之间靶区和腮腺体积的改变。比较由计划A模拟扩展成32分次放疗的一次性计划(计划Ⅰ)与由计划A和计划B配准融合叠加生成的自适应再计划(计划Ⅱ)的靶区剂量学、均匀性指数、适形指数(CI)差异和危及器官(OAR)的剂量学差异。主要采用配对t检验进行统计分析。结果与计划A相比, 计划B的大出血病变的大体肿瘤体积(GTVnx)和腮腺体积分别缩小13.14%和11.12%, 转移淋巴结的计划临床靶区(PCTVnd)增大了7.75%(均为P<0.001)。计划Ⅱ中大出血病变计划靶区(PTVnx)的Dmean、D5%、D95%和高危计划靶区(PTV1)的D5%与计划Ⅰ相比均明显增大(均为P<0.05);计划Ⅱ中PTVnx和PTV1的CI比计划Ⅰ更接近1。在所有评估的OAR中, 计划Ⅱ的...     

算法和射野设置对肺癌容积旋转调强计划的剂量学影响

目的 分析不同剂量计算算法和不同射野设置对肺癌容积旋转调强计划(VMAT)的剂量学差异,为临床计划设计提供参考。方法 选择20例肺癌患者,分别设计4组VMAT计划:基于各向异性解析算法(AAA)的2野2弧(2F2A_AAA)、基于外照射光子剂量算法(AXB)射的2野2弧 (2F2A_AXB)、基于蒙特卡罗算法(MC)的2野2弧(2F2A_MC)、基于MC算法的1野2弧(1F2A_MC)。分别对不同算法、不同射野设置的计划,在靶区覆盖、高量控制、剂量均匀性指数(HI)、适形性指数(CI),以及危及器官(OARs)受照剂量进行评估。结果 3组不同算法的2F2A计划靶区结果表明,2F2A_MC在PGTV的D_1%和V_95%(受到95%处方剂量所包绕的靶区相对体积)上均优于2F2A_AAA(D_1%:t=-2.44,P=0.03;V_95%:z=-2.04,P=0.04)和2F2A_AXB(D_1%:t=2.34, P=0.03; z=-3.21,P<0.01)。 2F2A_AXB在PGTV的CI表现上优于2F2A_AAA(z=-3.66,P<0.01),与2F2A_MC相当。就危及器官而言,2F2A_AXB和2F2A_MC全肺的V_{5 Gy}上分别较2F2A_AAA减少了0.68%(z=-2.69,P=0.01)和3.05%(z=-3.52,P<0.01)。2F2A_AXB计划在全肺D_mean为1776.44 cGy,均优于2F2A_MC(t=2.67,P=0.02)和2F2A_AAA(t=8.62,P<0.01)。2F2A_AXB的Body_5mm在V_{20 Gy}相较于2F2A_AAA和2F2A_MC分别减少了1.45%(z=-3.88,P<0.01)和2.01%(z=-3.66, P<0.01)。而不同射野设置的两组计划结果表明,1F2A_MC在PTV1的CI和PTV2的HI上均优于2F2A_MC(CI: t=2.61, P=0.02; HI: z=-2.20, P=0.03)。1F2A_MC在全肺D_mean相对于2F2A_MC增加了26.29 cGy(t=2.28,P=0.04)。结论 在进行肺癌VMAT计划设计时,MC算法适用于靶区优先,AXB算法适用于危及器官优先;而仅有MC算法的情况下,靶区优先时推荐选择1F2A,危及器官优先时推荐选择2F2A。