论文部分内容阅读
基于逆向计划设计的调强放射治疗(Intensity-modulated radiation therapy,IMRT)技术已成为肿瘤放射治疗的主要技术手段。临床物理师通过调整多个参数(如射野数量、射野角度、靶区和危及器官的剂量约束等)来确定目标函数后进行逆向优化,反复试错直至达到临床要求后经过正向剂量计算完成治疗计划方案设计,总体目的是在给予肿瘤致死剂量的同时,尽可能减少周围正常组织的受量。临床实践中,逆向优化作为治疗计划设计的核心环节,物理师需要耗费大量时间寻找靶区和危及器官剂量体积限值、权重等多参数作用下的最优化目标函数,而且,受限于个人的临床经验和技巧,治疗计划方案的质量和一致性在不同物理师和不同医院之间存在较大的差异。因此,实现逆向优化过程的自动调整,在简化优化过程、减少人为和院际之间的差异,提高治疗计划质量和效率,实现同质化放疗等方面有着重要的意义。针对上述问题,本项工作利用美国瓦里安公司的Eclipse(Varian Medical Systems,Palo Alto,CA,US)治疗计划系统(Treatment Planning System,TPS)及其脚本应用程序接口(Eclipse Scripting Application Programming Interface,ESAPI)实现交互式的数据读出与写入,沿着两条思路针对IMRT自动计划展开研究:1、本文提出了一种优化参数树搜索算法(Optimization Parameter Tree Search Algorithm,OPTSA),利用迭代优化的方式模拟物理师在逆向优化中的试错过程,以寻找最理想的优化目标参数集。借助ESAPI脚本工具,OPTSA在实现与TPS数据交互的同时,自动完成计划创建、参数设置、逆向优化、正向剂量计算等环节,最终生成完整的计划方案。实验结果表明,基于OPTSA所创建的自动计划在直肠癌和宫颈癌临床计划评估中,均可满足临床要求,自动计划质量可以达到与人工计划相当,甚至更好的水平。相比于人工计划,基于OPTSA的自动计划在节约人力成本方面独具优势。2、基于深度强化学习(Deep Reinforcement Learning,DRL)框架,本文提出一种优化调整决策网络(Optimization Adjustment Policy Network,OAPN)实现治疗计划优化过程的自动化。OAPN借助ESAPI实现与TPS之间数据交互,并利用治疗计划数据进行网络参数训练,根据学习到的行为价值策略对优化目标参数进行高效率调整,实现高质量计划方案的自动化。实验结果表明,OAPN经过训练学习到的调整优化目标参数策略与人为计划优化思路相类似,并具有提升计划质量的潜力。此外,OAPN在所有测试案例进行计划设计的平均耗时约为4分钟,大幅提升了临床工作效率。本项研究利用ESAPI完成人工智能模块化程序的编写,在实现基于优化参数人工智能搜索的IMRT自动计划的同时,可以有效地降低人力时间,缩小院际和人为因素带来的差异性,提高放射治疗计划质量,并且有望给肿瘤患者带来疗效及生存质量的提升。