基于优化参数树搜索算法的直肠癌调强放疗自动计划

目的针对调强放疗(IMRT)计划大量耗费人工及计划质量高度依赖物理师临床经验且差异较大等问题,探讨一种可实现无监督调强放疗自动计划的方案。方法采用Varian Eclipse 15.6治疗计划系统(TPS)自带的脚本应用程序接口(ESAPI)和优化参数树搜索算法(OPTSA)模拟,实现整个计划设计过程。通过ESAPI进行交互,自动输入输出相关参数;利用OPTSA对靶区和危及器官(OAR)的剂量学参数进行评估,并迭代调整优化目标参数来逐步改善,最终获得满足临床需求的IMRT计划。为验证自动计划的有效性,从临床数据库中选取20例既往已完成治疗的直肠癌病例,比较基于OPTSA算法的自动计划和临床人工计划在剂量分布和特定剂量学参数上的差异。结果所有的自动计划均满足临床要求。90%的自动计划质量超过既往人工计划,10%的自动计划则与人工计划质量基本一致。PTV平均适形指数(CI)在自动计划和人工计划中分别为0.88和0.80。与人工计划相比,自动计划OAR剂量学指标平均降低11%。自动计划和人工计划平均运行时间分别为(28.15±3.61)和(36.7±4.6)min。结论利用ESAPI所创建的OPTSA自动计划质量不劣于人工计划。在保证计划质量和一致性的情况下,OPTSA自动计划可缩短计划设计中所耗费的人力时间。     

一种关于RPM放疗呼吸门控系统束流时间延迟性能的参考质控方法

目的：提出一种关于RPM放疗呼吸门控系统束流时间延迟性能的参考质控方法,给出参考条件下VB与EDGE加速器的时间延迟测量结果。方法：首先设计梯形质控呼吸曲线并加载运动模体,利用定位CT扫描由运动模体驱动的W-L模体,然后设计用于束流出束和截止延迟测量的两类质控计划,最后在加速器上执行质控计划,使用EPID采集模体的静态参考图像与运动测量图像,通过分析致密金属球在运动图像和参考图像中的位置差,反推束流的时间延迟,分别在VB与EDGE两台加速器上做方法验证。结果：VB与EDGE加速器的束流出束时间延迟均小于100 ms,截止时间延迟基本一致,VB加速器约为14 ms,EDGE约为22 ms。10FFF各剂量率的出束时间延迟基本一致,而6FFF、6 MV和10 MV则随剂量率的变化略有增加。4个能量各剂量率的束流截止时间延迟均较小且相对一致,部分能量有随剂量率变大而延迟缩小的趋势。结论：本研究提出的RPM束流时间延迟参考质控方法和条件具有较高的测量可信度和较强的临床实操性,测量结果表明RPM呼吸门控系统响应灵敏,研究结果为呼吸门控系统的时间延迟质控提供了重要的方法学指导与数据参考。     

基于MRI图像的自动勾画技术在宫颈癌放疗中的应用研究

目的:研究AccuLearning和AccuContour软件在宫颈癌患者MRI图像上进行模型构建和自动勾画的可行性和准确性.方法:随机选取某院放疗科的40例宫颈癌患者,并随机选取其中30例宫颈癌患者的MRI图像,在Accu-Learning中按照推荐参数进行模型训练、验证和测试,统计训练模型和测试病例的平均相似性系数...     

基于结构相似性指数评估放疗计划质量的可行性研究

目的 利用结构相似性指数（structural similarity index,SSIM）对放疗计划的三维剂量分布进行评价,比较SSIM相对现有常用质量评价指数的优缺点,同时构建以SSIM为基础的多处方剂量计划的评估方法。方法 引入SSIM来分析实际与理想三维剂量数据并结合其空间位置信息给出各体素质量评分,进而计算感兴趣区域（ROI）内的平均值作为该区域的质量评分。选取2018年1月至2020年5月北京大学肿瘤医院既往已实施治疗的53例临床同步推量放疗计划,抽取两例计划分别引入两种质量缺陷（局部高量、剂量跌落）与正常计划进行对比实验来表征SSIM指数的响应,展示SSIM指数评价结果的图像模式。分析53例放疗计划各ROI的均匀性指数（HI）、适形性指数（CI）与SSIM的相关性,评估SSIM反映均匀性和适形性的能力。结果 SSIM指数的图像模式能够反馈剂量分布存在质量缺陷的位置信息。HI与SSIM在转移与可疑淋巴结（PGTVnd）中由于HI敏感性降低导致未表现出相关性,在计划靶区（PTV）去除PGTVnd后的区域中存在显著负相关（R=-0.86,P<0.01）,CI与SSIM指数在PGTVnd中存在显著正相关（R=0.83,P<0.01）。结论 SSIM指数在改善以往评价参数缺陷的基础上,能够结合均匀性与适形性对计划进行质量评价,同时精准反馈存在质量缺陷的空间位置。     

放疗质控信息管理系统的本地化部署和初步应用

目的介绍开源放疗质控信息管理系统(QA Track+系统)及其本地化部署流程和初步应用情况。方法基于质控服务器软硬件系统配置,制定满足本中心需求的本地化部署策略,利用防火墙设置和分级设置确保服务器与各网络信息交互时的数据安全,利用Python语言编制个性化的质控管理序列。回顾性分析2019年11月至2020年7月美国瓦里安公司EDGE加速器日检质控数据,并以图表形式展示分析周期内日检指标的分布情况。结果QA Track+开源软件平台具有软硬件兼容性好,质控序列可编辑性强,数据网络结构安全性强等特点。结论可用于放疗中心质控项目的记录、批量存储与分析,以及基于先验知识为输入项的加速器性能指标趋势预测与分析等工作,可为其他放疗中心开展相关质控工作提供数据参考和技术支持。     

深度强化学习在直肠癌IMRT自动计划的应用

目的:对于调强放疗（IMRT）计划,优化过程较为耗时,且计划的质量取决于计划人员的经验和时间,本文探讨并实现一种无监督IMRT自动优化的方案,使其能够模拟人工操作方式进行治疗计划优化。方法:本研究基于深度强化学习框架,提出一种优化调整决策网络（OAPN）自动化计划优化的方法。利用Varian Eclipse 15.6 TPS的脚本应用程序接口（ESAPI）实现OAPN与TPS之间的交互,以剂量体积直方图作为信息输入,通过强化学习的训练方式,OAPN学习TPS中目标参数的调整策略,从而逐步改善并获得较高质量的计划。实验从临床数据库中选取18例既往已完成治疗的直肠癌病例,其中5例计划案例用于OAPN网络训练,其余13例计划案例用于评估训练后OAPN的可行性与有效性,引入第三方计划评分工具来衡量计划质量。结果:用于测试的13例直肠癌计划,使用统一的初始优化目标参数（OOPs）所获得的平均得分为（45.53±4.58）分（计划得分上限值为110）,经过OAPN对OOPs调整后计划所获得的平均得分为（88.67±6.74）分。结论:OAPN借助ESAPI实现与TPS之间数据交互,通过深度强化学习的方式形成行为价值策略,经过训练后的OAPN可以对目标参数进行高效率的调整,同时获得较高质量计划。     

剂量预测联合参数迭代优化算法的VMAT全自动计划研究

目的 设计一种联合深度学习剂量预测和参数迭代优化算法的容积调强放射治疗（VMAT）全自动计划方法。方法 选取2018年6月至2021年1月北京大学肿瘤医院既往165例直肠癌患者的VMAT计划开展研究,其中145例用于训练和验证深度学习模型,该模型用于预测危及器官的剂量,20例用于研究比对自动计划和人工计划的质量。该方法从危及器官的预测剂量分布中提取关键的剂量体积直方图（DVH）值作为初始优化参数（IOPs）,利用治疗计划系统可编程接口自动创建VMAT计划,通过设计迭代优化算法自动调节优化参数（OPs）。结果 剂量预测模型训练后能有效预测出20例测试计划危及器官的关键DVH值,与参考值相比差异均无统计学意义（P>0.05）。20例VMAT自动计划均能满足临床处方剂量要求,对于PTV和PGTV的适形性指数（CI）,人工计划与自动计划比较差异均无统计学意义（P>0.05）;而PGTV的D₁和均匀性指数（HI）,自动计划均高于人工计划,分别为0.6 Gy和0.01,两者比较差异均有统计学意义（t=-7.05、-6.92,P<0.05）。自动计划比人工计划的膀胱平均V₃₀下降2.7%（t=3.37,P<0.05）,股骨头和危及器官辅助结构（Avoidance）的平均V₂₀分别下降8.37%和15.95%（t=5.65、11.24,P<0.05）,并且膀胱、股骨头、Avoidance的平均剂量分别降低了1.91、4.01和3.88 Gy（t=9.29、2.80、10.23,P<0.05）。测试的20例直肠癌患者病例的自动计划平均时间为（71.82±25.48）min。结论 本研究利用直肠癌病例验证了一种联合剂量预测和参数迭代优化算法的VMAT自动计划方法的可行性。相比于人工计划,VMAT自动计划无需人工干预,在提高计划设计效率、计划质量和临床资源利用率等方面有很大的应用潜力。