放射治疗是恶性肿瘤的主要治疗手段之一,有超过50%的恶性肿瘤患者需要接受放射治疗,因而促进放射治疗技术的发展,研究如何提高放射治疗的质量有着重要的意义。放射治疗的目的是在杀死肿瘤细胞的同时尽可能少地影响正常细胞,即最大限度的将放射线的剂量集中到病变(靶区)内,杀灭肿瘤细胞,从而使周围正常组织和器官少受或免受不必要的照射。当前临床上最常用的放射治疗技术主要包括常规的三维适形放射治疗(Three-Dimensional Conformal Radiation Therapy,3DCRT)和调强放射治疗(Intensity Modulated Radiation Therapy, IMRT)。3DCRT采用多个方向的均匀强度照射野,并在照射野方向上保证照射野形状与靶区投影相一致。而IMRT则除了满足前面的条件外,还可以通过在射束剖面上产生非均匀的辐射强度分布,达到剂量分布的三维适形,同时使剂量强度在肿瘤部位均匀分布,并且周边的非靶区组织能够尽可能地避免不必要的辐射,明显提高治疗精度。相比3DCRT, IMRT的最大特点是在计划靶区(Planning Target Volume, PTV)边缘剂量陡峭下降,从而能够有效的保护与PTV近邻的危及器官(Organ At Risk,OAR),具有靶区内照射剂量大、分布均匀；靶区外周围正常组织受照射剂量小；靶区的定位和照射准确等优点。虽然IMRT能使剂量分布在靶区边缘陡峭下降,形成较高剂量梯度,在理论上提高了肿瘤的处方剂量,同时减少关键正常器官的受照剂量。但是,该高剂量梯度也使IMRT对摆位误差、呼吸运动和器官变形等因素更加敏感,较小的器官运动或者变形将会导致靶区遗漏,或使关键器官卷入高剂量区,导致肿瘤局部未控或是关键器官受到过量照射。近年来,锥形束CT(Cone Beam CT, CBCT)技术广泛应用于图像引导放射治疗(Image Guided Radiotherapy Treatment,IGRT)的病人摆位校正过程中,该方法在一定程度上可以提高放射治疗的准确性。但是,由于在传统的肿瘤放射治疗过程中,通常采用分次治疗方式,而治疗计划的模拟引导设计是基于肿瘤患者治疗前的解剖影像完成的,并在随后的分次治疗过程中使用同一个治疗计划。随着治疗过程的进行,患者的解剖结构和靶区位置形状会发生变化,与治疗前不再一致,这样必定会影响治疗计划的质量。为了解决这一问题,越来越多的科研人员开始研究自适应放射治疗(Adaptive Radiation Therapy, ART)。ART的概念由美国Yan等,于1997年首次提出,它是以放射治疗机和各种成像设备的结合为基础发展起来的,在治疗前,甚至治疗整个治疗过程中采集患者的有关的图像信息,得到治疗靶区和危及器官的位置、运动和形变情况,在需要时根据病人当前的解剖影像对初始计划进行重新优化或修改,生成新的计划再对病人实施放疗。由此可见,ART较好的弥补了传统放疗的局限性,大大提高了放疗实施的准确性和精确性。当前ART的实现方式可分为离线ART和在线ART,对于两种实现方式,放射治疗计划的修改或再优化都是其中最重要的组成部分。传统的放射治疗计划的逆向设计是一个多目标优化问题,即需要对靶区高剂量,关键器官和正常组织低剂量进行合理权衡。当前常用的解决方法是通过线性加权使其变成单目标优化问题,即在优化之前给各目标函数以相应的权重因子来表示计划者对其重要程度的权衡。由于权重因子在治疗前的未知性,使得治疗计划的优化成为一个需要计划制定者参与的反复迭代试错的过程,因而传统治疗计划的优化设计是一个相当耗时耗力的过程。对于在线ART,由于患者躺在治疗床上等待治疗的进行,治疗计划必须实时的完成修改或再优化,从而使当前治疗计划的优化设计方法不再适用。另外,虽然离线ART对治疗计划的再优化的速度没有如此严格的限制,但在实际应用中若采用当前治疗计划的优化方法必然会影响效率,阻碍ART的临床实践。因而,如何快速的进行治疗计划的自动重新优化,成为了ART用于临床的关键所在。由以上分析可以看出,虽然IMRT技术已经广泛应用于临床,但作为其核心的治疗计划设计方式仍存在着许多问题。当前所采用的手工试错方式,严重限制了医院的工作效率和计划的完成成本,增加了医院和病人的负担。更重要的是,以这样一种计划制定方式所得到的治疗计划,其计划质量存在着很大的不确定性,很大程度上依赖于计划设计者的经验以及设计治疗计划所花费的时间。同时根据不同治疗中心的研究报告可以发现,无论是治疗中心内部还是治疗中心之间,所做的治疗计划的质量和计划设计时间都有相当大的差别,这种差别的存在,也给计划质量的评价比较,不同中心间的合作,经验交流,数据共享等造成了困难。因而,研究如何自动的调整优化参数,实现治疗计划的快速自动优化,对于改变当前调强放射治疗计划设计中所存在的,治疗计划设计时间长,难度大,人力成本高,计划质量难以保证等问题,均有重要意义。本论文根据自适应放射治疗技术对快速自动再优化算法的需求,针对当前放射治疗计划设计方法所存在的问题,以美国加州大学圣迭戈分校CART实验室设计开发的放射治疗再优化系统(Super Computer On-line Re-planning Environment, SCORE)为研究平台,对自适应放射治疗中的自动再优化算法和放射治疗计划设计过程的自动化问题展开了深入的研究。所做的主要工作如下：(1)综述国内外对放射治疗计划设计方法及再优化方法的研究现状；阐述当前广泛应用于临床的射野强度分布优化(Fluence Map Optimization)方法,并以此为基础,介绍本研究中所涉及的剂量计算模型,优化模型及所采用的优化算法；简单介绍本研究得以实现的研究平台SCORE,为后续研究奠定基础。(2)根据ART技术对快速自动再优化算法的需求,成功地提出一种的以重现或改善原始计划的剂量体积直方图(Dose-Volume Histogram,DVH)为目的的自动再优化算法。该算法采用基于剂量的二次体素模型作为目标函数,利用原始计划中的DVH做为先验信息和计划质量评价标准,根据当前DVH与目标DVH的差别自动修改目标函数中的器官或体素权重因子,并通过常规的射野强度分布优化的方法,寻找当前权重因子下的最优治疗计划。然后以自动迭代的方式重复以上过程,从而得到相似于或优于原始计划DVH的治疗计划,完成治疗计划的重新优化。为了验证算法的有效性,利用3个真实的头颈肿瘤(HN)患者病例进行验证。在所有的测试病例中,均得到了较好的结果,即与原始治疗计划相比,由所提出算法得到的再优化计划在保持相似PTV适形度的同时,提高了PTV的剂量均匀性,减少了OAR的受照剂量。同时,由于整个算法基于并行计算的图像处理单元(Graphics Processing Unit, GPU)编程实现,大大提高了重新优化的速度,对于多数头颈肿瘤病例,30秒便可完成治疗计划的再优化,满足了ART对再优化算法效率的要求。与当前的其他再优化算法比,本算法有以下优势：首先该方法采用体素模型,即给同一器官的各体素以不同的权重因子。根据美国斯坦福大学的研究和实验,证明采用体素模型,可以在更大的搜索空间寻找最优解,因而有可能找到更好权衡的计划。同时我们的研究发现,体素模型使得目标函数形式的选择变得不再重要,即使利用简单的二次凸函数,也可搜索整个Pareto平面,同时简单二次凸函数的应用,使得求解变得更加简单。另外,以原始计划的DVH作为重新优化的最终目标和先验信息来引导权重因子的自动调整,具有以下优势：第一,DVH是临床上评价治疗计划治疗的重要指标,原始计划已经通过了医生的认可并且包含了医生对于各器官受照和保护的权衡,若新计划可以得到类似或更优的DVH,理论上应该可以得到医生的认可。第二,由于DVH不包含任何剂量点的空间位置信息,因而比利用剂量分布作为先验信息有了更大的自由度,使得可以在更大的搜索空间寻找最优质量计划。最后,该方法是完全的再优化过程,而不是简单的修改治疗计划。通过模拟传统的治疗计划优化过程,以DVH作为先验信息引导权重因子的自动调整,并利用并行计算的GPU编程实现,大大提高了重新优化的速度,使其满足了ART对再优化算法的效率要求。(3)针对当前治疗计划设计时间长,难度大,人力成本高,计划质量难以保证等问题,我们提出一种基于GPU再优化平台和治疗计划数据库的快速自动优化方法。该方法通过收集100例前列腺癌病人的调强治疗计划建立治疗计划数据库,以DVH引导的自动再优化算法为基础,通过利用数据库中每一个治疗计划做为引导,为一位待治疗患者生成一系列具有不同权衡考虑的治疗计划,构成待选计划集。再通过设计界面友好的计划选择工具,辅助医生从待选计划集中快速的选择符合其要求的最终治疗计划。为验证算法的可行性,本章利用数据库中的治疗计划进行留一交叉验证。实验结果表明,100例所得计划中,其DVH优于,相似,劣于原始计划的个数分别是44,45,11。同时,所得治疗计划的平均质量得到了提高,即在保证PTV覆盖率的同时,改善了PTV的剂量均匀性,减少了关键器官剂量。另外,在提高治疗计划质量的同时,该算法还极大的降低了计划制定所需要的时间和人力。在留一交叉验证实验中,对一位待治疗的前列腺癌患者,通过自动反复调用SCORE生成99个待选择治疗计划的时间通常在40到100分钟之间,其平均时间为82分钟。之后利用治疗计划选择工具,在一分钟内,便可从99个待选计划中选出最终满意的治疗计划。由于待选治疗计划集的生成过程,是不需要任何人力干预的完全自动的过程,因而计划制定者实际花在一位患者身上的时间便可极大的降低,可高效的完成治疗计划制定。本论文根据自适应放射治疗技术对快速自动再优化算法的需求,针对当前放射治疗计划设计方法所存在的问题,分别对自适应放射治疗中的自动再优化算法和放射治疗计划设计过程的自动化问题进行了系统研究。由于所有算法基于GPU编程实现,并通过利用DVH作为先验信息引导权重因子自动调整,克服了传统调强放射治疗计划设计中存在的：治疗计划时间长、人力成本高、计划质量难以保证等问题,实现了治疗计划的快速自动再优化以及计划设计过程的自动化,提高了实时性,减少了对医务人员时间和精力的依赖,从而使治疗计划的设计方法由传统的耗时试错方式向自动化,智能化的方向迈进了一步。另外,再优化方法也满足了ART对于算法效率的要求,为ART技术中再优化问题提供了良好的解决方法,具有重要的研究意义和临床价值。