结合伪MRI信息的腹部CT危及器官自动勾画

目的:结合伪MRI（sMRI）软组织信息,提出新的腹部器官自动勾画模型,改进CT软组织的勾画效果。方法:使用两个独立的深度神经网络分步完成病人腹部危及器官的自动勾画。首先,基于CycleGAN网络构建由CT图像转换sMRI图像的模型,采用去噪判别器等改进方法,得到器官轮廓一致的高清晰度sMRI。其次,使用sMRI与手工勾画信息训练自动勾画模型Residual U-Net,在CT和sMRI上分别自动勾画危及器官轮廓,Residual U-Net的残差模块能够充分利用提取到的特征来区分不同的器官。采用戴斯相似性系数（DSC）作为自动勾画模型分割精度的评价标准,35例宫颈癌与35例前列腺癌患者用于自动勾画模型的训练和评估。结果:结合sMRI信息的自动勾画模型在直肠、膀胱、左右股骨头的平均DSC分别为0.779±0.021、0.944±0.006、0.834±0.006、0.845±0.021。结论:使用结合sMRI信息的腹部CT自动勾画方法,可以在直肠获得更精确的自动勾画结果。     

立体定向放疗计划验证模体在脑转移瘤HyperArc技术中的应用研究

目的 探究StereoPhan(SP)模体与SRS MapCHECK(SMC)半导体矩阵用于脑转移瘤患者HyperArc(HA)计划剂量验证的可行性。方法 选取16例在北京协和医院接受HA放射治疗的脑转移瘤患者为研究对象,分别将电离室和SMC半导体矩阵插入SP模体,测量患者的HA验证计划的点剂量与平面剂量,并与治疗计划系统(TPS)计算数据对比,平面剂量的γ分析标准取2 mm/3%、2 mm/2%、1 mm/3%和1 mm/2%。结果 16例患者的点剂量平均偏差是1.33%±0.84%,平面剂量γ通过率在2 mm/3%、2 mm/2%的标准下依次为99.72%±0.46%、98.93%±1.32%,在 1 mm/3% 、1 mm/2%的标准下依次为98.85%±1.79%、97.13%±3.19%。结论 SP模体与SMC半导体矩阵适合用于开展脑转移瘤患者HA计划的剂量验证工作,在进行点剂量和平面剂量验证时,可以分别采用3%和1mm/2%的分析标准。     

基于环形加速器的RapidPlan模块在宫颈癌容积调强放疗中的研究

目的 研究基于Halcyon 2.0环形医用直线加速器的RapidPlan模块在宫颈癌术后容积旋转调强(VMAT)计划设计的临床可行性及优势。方法 从数据库中选取98例临床宫颈癌病例,基于Halcyon 2.0设计VMAT人工放疗计划,导入到RapidPlan模块,训练得到优度较高的预测模型。另选取20例宫颈癌术后患者作为验证集,比较其人工计划与RapidPlan自动生成计划在剂量学、计划一致性、计划执行效率之间的差异。结果 RapidPlan自动计划能够获得与人工计划质量相当的靶区和危及器官剂量分布。对股骨头的保护略逊于人工计划,对脊髓的保护优于人工计划,两者差异具有统计学意义(t=4.71,P<0.001)。RapidPlan计划MU平均值为 687.46 MU,较人工计划的平均值815.34 MU低,两者差异具有统计学意义(t=6.09,P<0.05)。Portal Dosimetry验证1 mm/1%的γ通过率RapidPlan的平均值为89.48%,人工计划为88.22%,差异具有统计学意义(t=3.35,P<0.05)。结论 基于Halcyon 2.0平台的RapidPlan自动计划可以满足宫颈癌VMAT计划的临床需求,且具备一定优势。     

Ethos宫颈癌在线自动生成自适应放疗计划鲁棒性研究

目的评估Ethos宫颈癌在线自适应放疗(ART)基于智能优化引擎(IOE)的完全自动化自适应计划的鲁棒性。方法回顾性分析2021年6月至2022年6月于北京协和医院就诊的ⅠB期11例宫颈癌术后患者, 获取原始计划影像及每次放疗迭代锥形线束CT(iCBCT)影像, 并将所有患者数据导入Ethos模拟器。使用Ethos对11例患者进行基于IOE的9野自动计划生成, 生成的计划进行在线ART模拟, 获取每次在线ART计划(共273个分次), 并完成模拟治疗。基于在线ART计划所使用的影像及勾画结构进行手工计划设计, 采用9野均分的布野方式, 手工制作计划用于对照研究。采集剂量学参数、计划复杂性参数及Mobius质量保证(QA)通过率等, 通过配对t检验或秩和检验对比评估在线自适应放疗计划的危及器官、靶区的剂量学参数及计划复杂度等的鲁棒性。结果与手工计划相比, 在线ART计划的计划靶区(PTV)覆盖相当, 而临床靶区(CTV)D99%更高[(45.93±0.36)∶(45.32±0.31)Gy, P<0.001]。在线ART计划的PTV Dmax显著高于手工计划[(49.89±1.25)...     

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。