论文部分内容阅读
肿瘤放射治疗(RadiationTherapy)是肿瘤治疗的三大手段之一,其基本目标是实现治疗增益比的最大化,即保证靶区在接受处方剂量照射达到一定覆盖率的同时,使周围正常组织免受或少受不必要的照射。然而受客观所限,临床患者实际被执行的放疗计划往往难以达到同质化最优,原因是当前计划设计过程采用人工试错(trial-and-error)方法来不断调整计划优化目标/约束,计划质量取决于计划设计人员的经验丰富程度和所付诸的时间与精力开销;且临床计划设计多以满足相关规范为基准,因个体差异存在,满足基本规范并不意味着达到个体化最优。因此,在计划设计前准确预测患者对应的质优计划剂量学目标,并充分体现患者的特异性,不仅可以为个体化计划设计质量控制提供精准的度量,还可为智能计划优化提供良好的开端。本文针对放疗计划剂量学特征的预测进行深入研究,针对不同的放疗计划剂量学特征的主流预测方法,分别介绍了不同方法的核心思想与实现步骤。其中预测的剂量学特征有,剂量学指征项(Dosimetric Endpoints,DEs)、DVH(dose-volume histogram)和三维剂量分布。DEs 通过建立 dDTH(OVH 或 DTH的差分形式)与DEs值之间的线性关联模型进行预测。DVH预测方法有三种,分别是基于估计sub-DVH概率建立模型,基于估计剂量影响因素概率分布与剂量概率分布建立模型,基于支持向量回归(support vector regression,SVR)方法建立模型。三维剂量分布预测方法为支持向量回归(SVR)与人工神经网络(artificial neural network,ANN),两种预测方法均为构建从放疗计划中提取的信息与剂量分布之间的关联模型。本文详细对比分析了各种剂量学特征的预测方法的优劣情况,并根据对比分析情况,分别利用SVR与ANN学习方法建立放疗计划三维剂量分布预测模型。为验证剂量预测方法,本文收集了若干前列腺癌IMRT/SBRT计划,并从临床数据中提取了相应的空间位置信息、体积信息和体素剂量等特征,用于建立剂量预测模型。应用SVR学习方法和核函数构造模型,训练集百分剂量差异值不超过1%,预测集百分剂量差异值不超过5%,模型预测效果较好。应用前馈反向传播神经网络构建三维剂量预测模型,模型训练集的百分剂量差异在1.7%以内,训练样本的剂量差异较小。模型预测DVH与临床计划DVH相比差异较小,DVH差异在2%以内,数据拟合效果理想。验证样本中,剂量差异在5%以内,DVH差异在3%以内。三维剂量分布显示剂量差异较小,预测剂量分布合理,误差分布集中在0值附近,呈现对称分布,模型预测效果较好。其中膀胱模型预测效果最佳,直肠和股骨头模型次之。本文应用SVR与ANN学习方法成功建立了同肿瘤类型患者几何解剖结构特性和对应计划三维剂量分布之间的关联,该关联模型的建立不仅可以为计划提供质量标准,还可作为后续优化的良好初值,为实现自动计划控制和计划设计奠定基础。