|
放射治疗的成功依赖于制订的治疗计划是否准确以及是否能精确地递送照射剂量至规定靶区。计划的准确性依赖于基础剂量计算的准确性。质子束的递送比光子更需要适形剂量分布，并且对解剖学变化更敏感。对于质子治疗，准确的剂量计算更关键。 除了高精度之外，质子剂量计算还需要快速。制订治疗计划时的质子剂量计算需要几分钟；在适应性放疗递送前重新计划，质子剂量计算需要几秒钟。但未来可能需要在治疗过程中引入实时适应，实时调整治疗计划，需要以毫秒为单位进行剂量计算。 目前，用于剂量计算的技术主要为笔形束(PB)算法和蒙特卡罗(MC)模拟，前者准确性较低但速度很快，后者更准确但通常要慢得多。为了满足质子剂量计算的准确性和速度，需要开发一种既快速又准确的算法。 改进的方法有以下几种：提高MC计算效率，如使用图形处理单元(GPU)加速MC代码；使用基于深度学习的去干扰来降低MC计算结果中的干扰；采用深度学习方法来提高PB算法的准确性；开发完全不同的新算法来满足这两个要求。深度学习可以帮助探索这种可能性。 使用PB或光线追踪数据作为深度学习模型，将机器参数编码并输入，精度可达到80%~90%。深度学习可以改善散射和不均匀性等影响，获得剩余20%的准确率，可以消除不可预测的灾难性失败。而这很难用分析算法实现。 MC模拟使用GPU加速在十年前已经成为可能。当时Steve Jiang在加州大学圣地亚哥分校与麻省总医院合作开发了MC软件包gPMC，将GPU应用于质子剂量计算，使得典型质子治疗计划的计算可在10~20 s内完成，不确定性为1%。随着GPU处理速度变快，gPMC可以提供更高的效率。 开发基于深度学习的MC去干扰器创建深度剂量插件，可添加到任何基于GPU的MC剂量引擎中，以实现实时MC剂量计算。去干扰器仅需39 ms即可运行，整个剂量计算仅需150 ms。该插件目前主要用于光子放射治疗，也可用于质子剂量计算中的MC去干扰。 直接使用深度学习技术进行剂量计算与剂量预测不同。剂量预测主要通过假设患者的解剖结构与最佳剂量分布之间存在关系，并据此构建预测模型，如对同一疾病部位的历史治疗数据进行模拟后，使用构建的模型预测新患者的最佳剂量分布，并使用它来指导治疗计划。而剂量计算基于患者真实解剖结构、机器参数和实际剂量分布之间的关系，实际解剖结构和具体的治疗计划都是已知的，现在只需要通过剂量计算明确剂量分布。 基于深度学习的光子放射治疗剂量计算模型已用于MC计算的剂量分布训练，包括患者的不同解剖结构和机器参数。使用患者CT扫描和追踪每个光子束流的光线剂量分布，并将机器参数编码到光线追踪中。使得整个深度学习过程更容易，在物理学中纳入深度学习是个好方法。 使用深度学习模型可以将PB剂量的准确性提高到与MC模拟准确性一致的水平。目前，已使用PB剂量分布和TOPAS MC平台的数据对290例头颈部、肝脏、前列腺和肺部癌症患者进行训练和测试。他们的训练模型从PB剂量预测MC剂量分布。在转换PB剂量和MC剂量之间实现了高水平的一致性。与笔形束相比，精度提高，且效率仍然很高。开发的模型可以添加到质子治疗计划的临床工作流程中，用来提高剂量计算的准确性。
图1. 前列腺癌深度学习模型从笔形束(PB)剂量预测蒙特卡洛(MC)剂量分布。 注：a丙烯基溴剂量分布；b转换剂量分布；c PB和MC剂量分布之间的绝对差异；d转换后的和MC剂量分布之间的绝对剂量差 目前，武汉大学的DiscoGAN，德国癌症研究中心(DKFZ)使用人工神经网络进行质子剂量计算以及代尔夫特理工大学也在开发基于深度学习的毫秒速度剂量计算算法。(质子中国 编译报道) |
|
|
