三种智慧放疗计划预测模型的性能评价

目的比较三种智慧放疗计划预测模型的精度与泛化鲁棒性,为模型选择提供依据。方法收集45例前列腺癌和25例鼻咽癌临床放疗计划,运用Z、L、S模型预测前列腺癌中膀胱和直肠、鼻咽癌中左右腮腺的剂量体积直方图(DVH)。应用预测DVH与临床DVH曲线下面积的差别(|DVH预测-DVH临床|)评价预测误差,误差越小则预测精度越高。在单个危及器官(OAR)上比较3种预测模型的精度,并在不同OAR中计算各模型预测精度的标准差以评价和比较模型的泛化鲁棒性。结果对于膀胱和直肠,L模型的预测误差(0.114和0.163)显著大于Z和S模型(≤0.071,P<0.05);对于左腮腺,S模型的预测误差(0.033)与Z和L模型相近(≤0.025,P>0.05);对于右腮腺,S模型的预测误差(0.033)显著大于Z和L模型(≤0.028,P<0.05)。在不同OAR上,S模型的预测精度标准差比Z、L模型小(分别为0.016、0.018和0.060)。结论在前列腺癌膀胱和直肠的DVH预测中Z和S模型的精度较高,而在鼻咽癌左右腮腺中Z和L模型较高,在不同OAR上S模型的泛化鲁棒性相对较好。     

扫描视野对乳腺癌调强放射治疗剂量学影响的研究

目的 研究不同扫描视野(FOV)CT图像对乳腺癌根治术后放射治疗中危及器官自动勾画及剂量计算精度的影响。方法 使用相同扫描条件在患者模拟定位CT等中心处及扩展扫描射野(eFOV)处建立50、60、70和80 cm FOV的电子密度转换曲线并比较其差异;扫描已知体积的标准模体,比较模体在不同FOV重建图像上自动勾画的差异。简单随机抽样选取2020年1月至2022年6月广东省第二人民医院乳腺癌患者30例,获取不同FOV模拟定位CT图像进行危及器官自动勾画,并与医师的勾画进行比较;基于FOV₅₀图像设计治疗计划,将计划移植到不同FOV重建图像进行剂量计算,比较剂量计算结果的差异。结果 以不同FOV重建CT图像建立的电子密度转换曲线基本一致。在等中心处,标准模体随FOV增大,模体勾画体积与实际体积差异增大,最大为6 cm³(4.8%);在自动勾画中,脊髓、气管、食管、甲状腺、健侧乳腺和皮肤的勾画精度随FOV增大而减小(t= -28.43~8.23,P＜0.05), 基于不同FOV图像的剂量计算比较中,锁骨上淋巴结区域靶区V₉₅、最大剂量和平均剂量,危及器官剂量学的差异无统计学意义(P>0.05); 计划靶区覆盖度随FOV增大而减小(最大差异为4.06%)。结论 乳腺癌根治术后放疗中危及器官自动勾画应选择FOV₅₀重建图像,电子密度转换曲线应依据eFOV区域电子密度模体影像建立,首选eFOV₈₀的重建图像进行剂量计算。     

基于不同感受野的鼻咽癌靶区和危及器官自动分割网络研究

目的:研究基于不同感受野的鼻咽癌靶区和危及器官自动分割网络。方法:收集100例鼻咽癌患者放疗数据,包含患者CT图像和医生勾画的靶区(GTV)和危及器官。随机选取90例数据作为训练集,另10例作为验证集。首先对图像进行中心裁剪、随机垂直翻转和旋转(-30°～30°)数据增强方式,输入至本文提出的MA_net网络进行训练,...     

基于多任务学习方法的单模多器官三维剂量分布预测研究

目的 构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法 收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则化多任务学习方法,建立器官间的任务关系矩阵,构建器官间几何结构与剂量分布的关联。实验以15例鼻咽癌病例的IMRT计划所涉及的危及器官脊髓、脑干和左右腮腺为研究对象建立单模多器官关联,计算其体素预测剂量与临床计划剂量的相对百分误差,研究方法的可行性。结果 10例鼻咽癌IMRT计划用于训练,5例用于测试。 测试结果显示单模多器官方法预测精度较高、数据量需求少,其中脊髓、脑干、左右腮腺的平均体素相对处方剂量百分误差分别为(2.01±0.02)%、(2.65±0.02)%、(2.45±0.02)%和(2.55±0.02)%。结论 提出一种可在同一模型中预测多个器官剂量的单模多器官模型,该模型在提高预测精度的同时避免多次的单器官建模,为实现智能计划设计奠定良好基础。     

基于神经网络学习方法的放疗计划三维剂量分布预测

目的研究利用神经网络建立患者几何解剖结构特性与对应放疗计划三维剂量分布的关联模型,用以新患者的计划剂量 学特性预测。方法收集并应用25例固定13野临床前列腺癌IMRT/SBRT计划,处方剂量为50 Gy,以体素为研究对象,提取器 官体积、射线角度、器官位置关系等信息,采用神经网络构建剂量预测模型。随机选取20例用于训练,5例用于验证,以验证预 测方法的可行性与有效性。结果实验表明,模型训练误差较小,验证样本剂量差异小,预测结果准确。模型训练误差较小,点 对点平均剂量差异不高于0.0919±3.6726 Gy,DVH差异不超过1.7%。5例验证样本,剂量差异为0.1634±10.5246 Gy,百分剂量 差异在2.5%以内,DVH差异在3%以内。三维剂量分布显示剂量差异较小,预测剂量分布合理。模型对膀胱和直肠预测性能表 现较好,股骨头次之。结论本文使用神经网络学习方法成功建立了同肿瘤类型患者几何解剖结构特性和对应计划三维剂量分 布之间的关联,不仅可以为计划提供质量标准,还为实现自动计划控制和计划设计奠定基础。     

基于生成对抗网络的鼻咽癌患者伪CT合成方法研究

目的 研究利用生成对抗网络(GAN)建立头颈部肿瘤MRI图像与CT图像的映射模型,实现MRI引导放疗中伪CT (sCT)的预测生成。方法 收集45例鼻咽癌患者治疗前影像信息与IMRT计划信息。首先对MRI (T1)和CT图像进行刚性配准、裁剪、去背景、数据增强等预处理操作;其次对病例进行GAN训练,随机选取30例作为训练集放入网络进行建模学习,另15例用于测试。比较预测sCT与真实CT的图像质量,以及后续比较预测sCT进行重计算的剂量分布与真实计划的剂量分布。结果 测试集的预测sCT与实际CT图像质量比较显示,二者误差较小,体素平均绝对误差值为(79.15±11.37) HU,结构相似性系数值为0.83±0.03。sCT重计算的剂量分布与实际剂量较为接近,不同区域水平下的MAE值相对处方剂量均<1%。在2mm/2%、3mm/3%准则下,所有病例sCT重计算剂量分布的γ通过率均>92%、>98%。结论 提出并实现了使用GAN进行鼻咽癌患者sCT的生成,为MR-IGRT实施奠定了基础。图像质量与剂量学比较均显示了方法的可行性与准确性。     

基于危及器官预测剂量分布与gEUD混合目标的调强放疗计划优化

目的 提出一种可充分利用危及器官预测剂量分布信息,同时最大限度地改善输出计划质量的调强放疗计划优化方法。方法 构建以危及器官预测剂量分布作为优化引导的新型通量分布优化模型,考虑到预测的不确定性,模型中同时耦合了危及器官的等效均匀剂量目标（gEUD）以在预测引导的基础上进一步改善最优化求解空间。为验证优化方法的有效性,实验选取8例宫颈癌调强放射治疗（IMRT）计划,利用该方法对其重新优化后比较所得计划与原始计划间在剂量分布和特定剂量学指征项上的质量差异。结果 该优化方法具有可行解且收敛快速,所得优化计划与原始计划相比,靶区内热点减少,其剂量均匀性提高;危及器官受量也均有改善,直肠V₃₀和V₄₅分别减小了（6.60±3.53）%和（17.03±7.44）%,差异有统计学意义（t=-4.954、-6.055,P<0.05）,膀胱V₃₀和V₄₅分别减小（14.74±5.61）%和（14.99±4.53）%,差异有统计学意义（t=-6.945、-8.759,P<0.05）。结论 所提出的基于预测剂量分布和gEUD混合目标的调强放疗计划优化方法可有效地利用预测剂量分布,并保障输出计划的优质性。