自適應調強技術（A-IMRT）的仿真算法研究

邱健健，趙 俊，彭佳元

0 引言

自從1895年Wilhelm Conrad Rontgen 發現X 射線以來，放射治療就被用來治療癌癥病人[1]。百年之后Brahm 等[2]引入了最初的調強放射治療(IMRT)概念。從此之后，國內外多個研究團體致力于該技術作用于放射治療方面的探討，其中尤以優化問題的研究為甚[3-8]。

傳統的調強IMRT 方式選擇一定數目及一定方向的照射野來治療腫瘤（tumor），每個方向上的照射野照射形狀是由多葉準直器（MLC）動態完成。其照射野少（一般為5至9 個），但相對每個照射野所含照射子野頗多（子野總數50 至100 不等），其缺點是計算機優化較復雜，臨床病人治療時間長，效率不高。

容積弧形調強（VMAT）技術[9-10]是近幾年才出現的新技術。它的特點是在整個放射治療過程中，治療機架圍繞患者做一次等中心旋轉，旋轉過程中,多頁準直器MLC 不斷改變射野的大小和形狀，因為其MLC 運動的范圍和次數都低于動態葉片調強，故其具有效率較高每個方向上射野相對簡單等優點。但由于其圍繞患者進行360o容積照射，無形中增加患者全身散射劑量，擴大全身低劑量的照射范圍，且很多射野對靶區貢獻不大。本文在仿真人體模上，利用優化算法，通過增加照射野方向，簡化各方向上照射野強度的應用性研究，實現并驗證一種綜合傳統IMRT 和VMAT 技術優點，規避其缺點的自適應IMRT 新技術（A-IMRT）。

1.實驗設備與流程

1.1 設備

CDP 輻照仿真人體模型(成都劑量體模)；三維CT 模擬機（Philip）；自適應優化程序AOP（由筆者團隊自組研發，Microsoft Visual C++）；商業放射治療計劃系統（Pinnacle）;數據分析軟件（Microsoft Excels）.

1.2 流程介紹

1.2.1 對仿真人進行腹部三維CT 掃描，圖像重建，層厚5mm。圖像以灰度方式讀入AOP：像素大小為256x256；根據CT 值，不同結構轉化成不同的灰度級在自研發軟件中表示。

1.2.2 在CT 上進行常規傳統IMRT 計劃（本實驗取7 個照射野，各方向上共30 個子野）按照常規腹部腫瘤的放射治療計劃，處方劑量P 為4500cGy

1.2.3 運行AOP，對原7 野傳統IMRT 計劃進行再優化，分別將照射野由7 個增加至30 個，且各方向上強度分別由1-3 變化，生成不同的旋轉IMRT 計劃。AOP 給出實施難易值Index，根據難易值Index 驗證得到最優化計劃。

1.2.4 對結果進行劑量學臨床參數評估，得到最優方案。評估方式：容積直方圖DVH 分析；二維CT 斷層的劑量線分析。

2.AOP 算法討論

由于腫瘤病人的被照射區域A 是一個三維的影像區域，所以我們所謂的點劑量用（p，q，r）表示。每個點劑量是每個照射野子野的三維像素值（voxel），它取決于所掃描的CT 層厚。每個點劑量可以表示成如公式（1）

對于實際接受劑量D 需要將靶區劑量盡可能的接近醫師所給的處方劑量P,這兩者的匹配程度至關重要。對象函數用來權衡實際接受劑量與處方劑量的匹配，不同的器官與組織根據其重要性得到其最合適的實際劑量，最理想的優化劑量分布是100%的處方劑量給予腫瘤并且零劑量給予腫瘤周圍的組織與器官。遵循自然法則這個目標無法達到只能無限趨近，這其中變量權重因子w的選擇至關重要且不斷變化，權重因子用w 來表示（正常組織與器官權限較低，計劃靶區體積較高，w 范圍定義在0.1 到1 之間）。對象函數的二次方程表達式為公式（1）

近年來優化算法層出不窮[8,11-13]，這里我們使用快速-單調-下降(fast-monotonic-descent FMD)方法，以Li et al的FMD 為基礎[6].采用這種方法以便快速找到一個強度向量x，使其目標函數f(x)最小化且達到優化目的，如公式（3）

MLC 多頁準直器葉片生成算法很多[14-18]，我們這里采用Xia 等[16]的2 序列算法，其流程，如圖1所示：

圖1 2 序列算法流程圖

為模擬臨床，我們選取仿真體模中相對簡單的腹部病兆，給予七個野照射45Gy 為參照，算法中m 被分別限定為1，2，3 且最多30 個子野（相對簡單的腹部腫瘤30 個子野通常可以達到較理想的結果）。

3 仿真試驗應用與研究

自研發軟件中，將CT 值轉化為相對應的灰度值以區分不同組織。 例如：靶區（灰度=186），靶區外擴（灰度=124），危及器官（OAR）(灰度=248)，正常組織（灰度=62），周圍空氣（灰度=0），如圖2所示：

圖2 仿真人體模灰度值轉化

AOP 給出計劃難易Index，其中Plan10/10(10 個照射野10 個照射子野各方向上1 個子野m=1)；Plan10/20(10 個照射野20 個照射子野，各方向上2 個子野m=2)；Plan10/30(10個照射野30 個照射子野，各方向上3 個子野m=3)；Plan20/20(20 個照射野20 個照射子野，各方向上1 個子野m=1)。與常規臨床IMRT 照射計劃plan7/30 比較。如表1所示：

表1 AOP 軟件給出優化難易值

根據圖2 軟件給出的計劃難以指數顯示plan20/20 最容易達到，plan10/10 最難達到。Plan10/20 與Plan10/30 處于中位值附近，但與標準計劃plan7/30 相比，在難易程度上差距不大。

TPS 上驗證結果：各計劃相關感興趣區域DVH 比較，如圖3所示：

圖3 評估DVH 圖：DVH 圖中實粗線表示計劃plan7/30，實虛線表示計劃plan10/10；細實線表示計劃plan10/20；細虛線表示計劃plan10/30

TPS 上驗證結果,CT 斷層上劑量分布分析，如圖4所示：

圖4 評估等劑量曲線圖：左上為plan7/30；右上為plan10/10；左中為plan10/20；右中為plan10/30；左下為plan20/20

由圖3 圖4 可見，plan10/20 和plan20/20 在劑量斷層分布和各感興趣組織DVH 圖上都有較理想表現，在保證腫瘤處方劑量的基礎上給予正常組織較小的劑量，有較好的保護作用。

4.實驗分析

我們的研究從傳統IMRT 著手，在仿真人體模上，使用計算機仿真手段，以腹部腫瘤為例，用不斷增加不同方向照射野的數目（不超過30 個）的方法，自研發軟件AOP，來模擬旋轉IMRT,同時在程序上相應減少每個照射野的程序段（segments）數目（最多不超過3 個），這種方法具有可實現性。

在我們自研發的軟件平臺下，最高效的臨床可接受放射治療計劃，可以迅速被找到，這一點已經為相對較簡單的腹部腫瘤所證明。在保證周邊正常組織接受較少的照射劑量，同時，腫瘤區又接收到足夠的處方劑量的基礎上，隨著照射野（方向）的增加，每個照射野包含的程序段也就相對減少。最后，得到理想的綜合IMRT 治療計劃，在適當增加照射野的基礎上，使其總的照射野程序段數目大大小于傳統IMRT（腹部病例一般不超過30 個照射子野，我們軟件證明通過減少照射子野，最多可以用20 個子野完成）。這些由DVH和劑量分布數據得以體現。且當照射野數量增加到一定程度上（20 個）可以明顯優化靶區且降低正常組織受量。

這一優化方式可以運用于臨床，大大提高放療計劃的完成速度，用計算機仿真的方式形成逆向自動模式，提高效率。同時，相對少的照射子野可以提高放療機的利用率，在癌癥高發的當代社會節約醫院資源，相同的代價服務于更多病人，且大大縮短了病人的照射時間，更趨人性化。點的新的旋轉IMRT 技術并探討其可行性。其目的在于：找到一種既可以相對節省治療時間，又相對減少病人全身散射劑量的新的技術，以達到有效治療腫瘤更好保護正常器官的目的。

5 結論

利用計算機仿真技術，從傳統IMRT 技術著手，可實現介于IMRT 與VMAT 之間的自適應A-IMRT 技術，并得到更優化的方案。這一技術通過驗證具有可行性和高效性,這一點在仿真人腹部模型上得到較理想的結果。

[1]Rontgen WC.On a New Kind of Rays.[J]Science 1896;3:227-231.

[2]Brahme A,Roos JE,Lax I.Solution of an integral equation encountered in rotation therapy.[C]Phys Med Biol 1982;27:1221-1229.

[3]Bortfeld T.IMRT:a review and preview.[C]Phys Med Biol 2006;51:R363-379.

[4]Bratengeier K,Guckenberger M,Meyer J,et al.A comparison between 2‐Step IMRT and conventional IMRT planning.[C]Radiother Oncol 2007;84:298-306.

[5]De Gersem W,Claus F,De Wagter C,et al.Leaf position optimization for step‐and‐shoot IMRT.[C]Int J Radiat Oncol Biol Phys 2001;51:1371-1388.

[6]Li RP,Yin FF.Optimization of inverse treatment planning using a fuzzy weight function.[C]Med Phys 2000;27:691-700.

[7]Shepard DM,Jiang Z,Earl MA,et al.A toolbox for intensity modulated radiation therapy optimization.[C]Med Phys 2003;30:2320-2322.

[8]Zhang X,Liu H,Wang X,et al.Speed and convergence properties of gradient algorithms for optimization of IMRT.[C]Med Phys 2004;31:1141-1152.

[9]Bratengeier K.Applications of two‐step intensity modulated arc therapy.[C]Strahlenther

[10]Yu CX.Intensity‐modulated arc therapy with dynamic multileaf collimation:an alternative [C]to tomotherapy.Phys Med Biol 1995;40:1435-1449.

[11]Kirkpatrick S,Gelatt CD,Jr.,Vecchi MP.Optimization[C]by Simulated Annealing.Science 1983;220:671-680.

[12]Bortfeld T.Optimized planning using physical objectives and constraints.[J]Semin Radiat Oncol 1999;9:20-34.

[13]Romeijn HE,Ravindra KA,James FD,et al.A Column Generation Approach to Radiation Therapy Treatment Planning Using Aperture Modulation.SIAM J.[C]on Optimization 2005;15:838-862.

[14]Xia P,Hwang AB,Verhey LJ.A leaf sequencing algorithm to enlarge treatment field length [C]in IMRT.Med Phys 2002;29:991-998.

[15]Crooks SM,McAven LF,Robinson DF,et al.Minimizing delivery time and monitor units in static IMRT by leaf ‐ sequencing.[C]Phys Med Biol 2002;47:3105-3116.

[16]Xia P,Verhey LJ.Multileaf collimator leaf sequencing algorithm for intensity modulated beams with multiple static segments.[C]Med Phys 1998;25:1424-1434.

[17]Cotrutz C,Xing L.Segment‐based dose optimization using a genetic algorithm.[C]Phys Med Biol 2003;48:2987-2998.

[18]Bar W,Alber M,Nusslin F.A variable fluence step clustering and segmentation algorithm for step and shoot IMRT.[C]Phys Med Biol 2001;46:1997-2007.