摘要：目的 通过设计4种碳离子点扫描优化策略,对非小细胞肺癌（NSCLC）的靶区剂量覆盖和危及器官（OARs） 受量变化来评估各策略。方法 10例NSCLC粒子治疗患者,于治疗期间采集多组四维CT （4DCT）用于剂量评估。4种优化策略为单纯调强优化（IMCT-NoAS）、调强优化结合肿瘤内靶区（IGTV）组织密度设定（IMCT-ASM）、单纯单射野优化（SBO-NoAS）、单射野优化结合靶区组织密度设定（SBO-ASM）。初始计划在复查4DCT数据上重新计算后与初始计划做剂量比较。结果 初始计划在复查CT数据上重新计算后各策略间靶区覆盖相近,仅IMCT-NoAS有较大剂量分布差异。而OARs剂量相对于初始计划患侧肺V20生物有效剂量（RBE）最大增加约2.0 Gy;IGTV组织密度设定计划,心脏V30最大增加RBE约1.0 Gy,而IGTV未设定的计划则最大降低RBE约0.2 Gy;脊髓的RBE最大值约有2.5 Gy差异。结论 碳离子治疗对射束路径上的肿瘤内运动变化敏感。当肿瘤在头脚方向的运动幅度〉8 mm时,SBO-ASM 策略有较好的靶区覆盖,但潜在导致剂量分布过冲到比初始计划剂量分布更深的位置。

摘要：目的通过对聚甲基丙烯酸甲酯(PMMA)模体行离线模式下PET/CT显像,探讨PET-边界验证方法(PET-RV)用于定量分析质子放疗精准性的可行性。方法在PMMA模体上分别给予2 Gy和4 Gy的照射剂量,对每个剂量组根据临床靶区(CTV)的不同,以2.5 cm为步进分别设计7个照射深度组(5.0、7.5、10.0、12.5、15.0、17.5、20.0 cm),共14个照射计划(14组照射野)。以能量在48~221 MeV之间的质子束照射,照射结束后10 min左右进行PET/CT显像。对PET/CT数据分别进行图像配准、平滑和约化等预处理,然后利用Raystation PET-RV软件对图像进行感兴趣区(ROI)的确定和采样线的抽提,通过生成的预测感生放射性活度与实际采集感生放射性活度采样线计算ΔR50,即2条曲线末端在最大预测感生放射性活度最大值下降一半(V50)处对应的空间位置差异。结果每个照射野的ROI均为5.0 cm×5.0 cm×2.5 cm的立方体,采样线在其内间隔3 mm均匀分布,共得到289组采样线。14组数据经分析后得到的ΔR50(深度差异)均值都处于-1~1 mm之间。结论离线模式下PET/CT显像示PET-RV算法对PMMA模体质子放疗空间位置差异的验证精度在1 mm之内,可以满足后期对临床病例分析的精度要求。

摘要：目的开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法,并评估将其用于自动计划的可行性。方法从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者,200例作为训练集,20例作为验证集,另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系,达到预测新患者剂量分布的目的,并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果临床治疗计划的剂量分布和预测的剂量分布相比,靶区(除同步加量的PTV48Gy)和危及器官的剂量值相近,且基于预测的剂量分布生成的治疗计划与预测结果基本相同。结论本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法,有助于进一步实现自动设计治疗计划的目标。

摘要：目的 与当前手工试错方式设计的直肠癌VMAT计划（Manual-VMAT）相比,基于Auto-Planning技术的直肠癌VMAT计划（Auto-VMAT）能否在保证放疗计划质量同时,提高计划设计效率。方法 选取10例Ⅱ—Ⅲ期直肠癌经腹前切除（Dixon手术）术后患者,采用飞利浦 Pinnacle 9.10计划系统分别设计完成Manual-VMAT和Auto-VMAT计划。比较两种计划剂量分布和HI与CI,不同OAR的Dmean或ROI剂量体积,记录和比较两种放疗计划设计总时间和人工参与时间。配对t检验差异。结果 两种治疗计划均能满足临床剂量要求,Auto-VMAT和Manual-VMAT的HI和CI分别为0.058、0.921和0.058、0.940（P=0.972、0.115）,与Manual-VMAT计划相比,Auto-VMAT的膀胱V40、Dmean和D50%分别降低25.6%、11.5%和8.9%（P=0.004、0.016、0.001）,小肠V40、Dmean和D50%分别降低12.1%、5.4%和6.8%（P=0.023、0.001、0.001）,左右股骨头在V30、Dmean和D50%上有所降低。Auto-VMAT和Manual-VMAT计划设计的总时间和人工参与时间分别为50.38、4.47和36.81、16.94 min （P=0.000、0.000）。结论 与Manual-VMAT计划相比,Auto-VMAT计划大大降低计划设计中人工参与时间,提高了计划设计效率。