基于人工神經網絡多葉準直器葉片位置偏差預測

張麗媛，賈楠，鄭曉娜，張博，李松麗，韓全鄉

鄭州市中心醫院放射治療科，河南鄭州450052

前 言

動態調強放療（dIMRT）依賴多葉準直器（Multileaf Collimator, MLC）產生高度適形靶區劑量分布，治療過程中MLC 偏離預期位置會導致劑量偏差，給患者治療帶來潛在風險。研究表明0.3 mm 葉片位置誤差會導致計劃靶區2%劑量學錯誤［1］，MLC 位置精度檢測是直線加速器質量保證的重要內容。加速器日志文件包含計劃執行時MLC 預期及實際位置，通過日志分析可進行MLC 位置偏差研究。由于MLC位置對劑量照射精度的直接影響，提前預測并在劑量計算中考慮這些誤差影響有利于提高計劃執行準確性和更有效的MLC質控。有研究基于動態日志文件使用神經網絡方法對千禧MLC 位置進行預測［2］，但是TrueBeam 系列軌跡日志文件和高分辨率MLC預測性能卻沒有相關研究。本文基于人工神經網絡結合動態日志和軌跡日志預測千禧MLC和高分辨率MLC dIMRT 計劃位置偏差，為劑量驗證、MLC 質控等應用提供方法和工具。

1 資料與方法

1.1 數據資料

選取Trilogy 50 例dIMRT 計劃，TrueBeam 和Edge 各30 例dIMRT 計劃，平均5～9 野，頭頸部、胸部及腹部病例大致相等，數據收集期無MLC相關故障。Trilogy 和TrueBeam 配備千禧MLC（Millennium MLC, M-MLC），Edge 配備高分辨率MLC（High Definition MLC, HD-MLC）。治療計劃基于Eclipse 13.5 光子優化，6 MV 均整模式，2.5 mm 計算網格，各向異性解析算法。MLC質量控制依據AAPM TG-142號報告執行。

Trilogy 動態日志（DynaLog）采樣間隔0.05 s，TrueBeam 和Edge 軌跡日志（Trajectory）采樣間隔0.02 s。日志記錄加速器執行過程中機械信息（如機架、準直器及MLC位置等）及劑量信息（如劑量率、機器跳數及射束狀態等）。Python編程解析日志文件獲取采樣點信息。

1.2 特征參數

日志提取14個參數為模型輸入（表1），日志記錄葉片實際位置為模型輸出。14 個特征除采樣點葉片位置外分為7 類，其對MLC 位置誤差影響分別予以描述：（1）控制點劑量：控制點劑量會影響MLC速度，從而影響葉片位置誤差，研究表明IMRT 劑量率達到600 MU/min 時，23% MU 照射超過MLC 設定±1 mm容差限值［3］；（2）機架角度：MLC 附件重量過大，機架旋轉時可能發現漂移，研究表明瓦里安機器不同機架角葉片最大漂移0.7 mm［4］；（3）鉛門位置：TrueBeam和Edge具有鉛門跟隨功能，LoSasso等［5］發現鉛門位置與MLC位置誤差有一定相關性；（4）葉片托架：葉片托架與MLC 控制器通信延遲可能會導致葉片位置錯誤，MLC 校準過程也可能發生錯誤，是葉片系統錯誤主要原因［6］；（5）葉片間距：葉片間距影響劑量照射準確性和空間分布，特別間距較小射野［5］。葉片間距（Leaf Gap, LG）計算方法為葉片對位置之差絕對值：

表1 特征與葉片位置誤差皮爾森相關系數Tab.1 Pearson correlation coefficient of features and multileaf collimator(MLC)leaf positional deviations

其中，pl和pr代表左右葉片位置；（6）葉片速度：dIMRT 為出束時葉片運動照射技術，研究表明葉片速度對MLC 位置誤差影響至關重要，速度越大MLC位置誤差也越大［7］。葉片速度計算方法為當前采樣點與上一采樣點位置之差絕對值除以采樣點時間：

其中，Posi和Posi-1分別代表當前與上一采樣點位置，ti為采樣間隔；（7）葉片運動狀態：葉片運動狀態會影響位置準確性，研究表明靜息葉片位置誤差小于運動葉片位置誤差［8］，Park 等［9］證明葉片加速度會影響位置準確性。葉片啟動狀態（Leaf Starting Status,LSS）定義上一采樣點葉片速度為0，當前采樣點葉片速度大于0；葉片靜息狀態（Leaf Resting Status,LRS）定義為上一采樣點與當前采樣點葉片速度均為0；葉片加速狀態（Leaf Accelerating Status,LAS）定義為當前采樣點速度大于上一采樣點且上一采樣點速度大于0：

其中，vab(t) 、vbc(t)分別代表上一采樣點和當前采樣點葉片速度。

1.3 人工神經網絡

人工神經網絡（Artificial Neural Network,ANN）由多層神經元組成，神經元通過權重決定其重要性，每一層從上一層接受輸入，計算結果通過非線性函數轉換后傳遞至下一層。研究表明神經網絡優于傳統機器學習模型［10］。為單個MLC 葉片建立一個3 層ANN，隱藏層22 個神經元，輸入層14 個神經元，輸出層1 個神經元。模型輸入為日志提取14 個特征參數（表1），輸出為日志記錄葉片實際位置。使用萊文貝格－馬夸特（Levenberg-Marquardt）優化算法更新權重和偏置系數，代價函數為預測與實際葉片位置均方誤差（Mean Square Error, MSE），算法實現基于MATLAB 2019a，隱藏層神經元個數通過綜合考慮模型性能及優化時間得到。

1.4 模型訓練、驗證和測試

數據隨機分為3 個部分，70%數據用于訓練，15%數據用于驗證，剩下15%數據用于測試。通過訓練集和驗證集調整模型超參數獲得最佳泛化性能，得到的最優模型在測試集上預測葉片位置并與實際位置比較，統計模型預測結果（圖1）。均方誤差、誤差直方圖和平均絕對誤差（Mean Absolute Error,MAE）等指標評估模型性能及預測準確性。

圖1 技術驗證流程圖Fig.1 Technical verification flowchart

1.5 特異性測試

測試當前葉片模型能否用于其它序號葉片位置預測，對其進行特異性測試，如30號葉片模型預測30號葉片為當前葉片，預測1～29 和31～120 號葉片為其它序號葉片，比較模型預測結果MAE中位數。

1.6 統計學方法

統計分析基于SPSS 25 軟件，由于MAE 非正態分布，使用秩和（Mann-WhitneyU）檢驗對其進行顯著性分析，P<0.05為差異有統計學意義。

2 結果

2.1 特征參數

表1 總結60 對葉片特征與位置誤差皮爾遜（Pearson）相關系數。M-MLC 和HD-MLC 具有類似性質，葉片速度為相關系數最大特征達0.7 以上，Trilogy甚至接近0.9。葉片靜息狀態呈中等程度負相關，相關系數-0.4～-0.7。機架角度相關系數0.2～0.3，Y 方向鉛門相關系數0.1～0.2。Trilogy 葉片間距、加速狀態相關系數0.4～0.5，與位置誤差有一定相關性；而TrueBeam 和Edge 這兩項相關系數只有0.2 左右，與位置誤差相關性較弱。采樣點葉片位置、劑量，X方向鉛門位置，MLC 托架和啟動狀態與位置誤差相關系數接近0。

2.2 模型性能

本文基于MSE 評估模型預測性能，圖2a、圖2c和圖2e 顯示M-MLC（Trilogy 和TrueBeam）及HDMLC（EDGE）90 號葉片訓練、驗證及測試集MSE。MSE隨著訓練進行快速下降，Trilogy MSE 20次迭代后降至9×10-5內，而TrueBeam 和Edge 20 次迭代降至3×10-5內。通常機器學習模型隨訓練進行，訓練集上出現過擬合導致模型驗證集上誤差增大，本文ANN模型MSE 達到收斂后不再下降，驗證集和測試集MSE 與訓練集幾乎重合，訓練過程沒有出現過擬合。預測誤差直方圖為模型性能評估另一個指標，圖2b、圖2d和圖2f為M-MLC及HD-MLC某計劃26號葉片預測誤差直方圖，預測位置誤差類似于峰值為0正態分布，說明預測位置與實際位置達到極好一致性，結果也顯示Trilogy預測誤差大于TrueBeam和Edge。

圖2 均方誤差和統計直方圖評估模型性能Fig.2 Mean square error and statistical histogram to evaluate model performance

2.3 MLC位置偏差

圖3 為MLC 中間21 個葉片（葉片編號25～45）實際位置減去計劃位置絕對值及實際位置減去預測位置絕對值偏差箱圖。每個箱代表一個葉片位置偏差，中間線代表偏差中位數，不一定在箱中間，體現樣本偏度，底部和頂部線代表偏差1/4 和3/4 分位數。圖3表明預測位置均比計劃位置更接近于實際位置，Trilogy 位置偏差由0～0.30 mm 降至0～0.02 mm，TrueBeam 位置偏差由0～0.05 mm 降至0～0.01 mm，EDGE位置偏差由0～0.07 mm降至0～0.01 mm。

圖3 MLC絕對位置偏差箱圖Fig.3 MLC absolute positional deviation box diagrams

2.4 運動與靜息葉片位置偏差

圖4為運動與靜息葉片MAE 柱狀圖。Trilogy 運動葉片計劃位置絕對偏差（實際位置減去計劃位置）平均值0.175 mm，模型預測位置絕對偏差（實際位置減去預測位置）平均值0.009 mm，MAE 減小了19倍；TrueBeam 運動葉片計劃與預測位置MAE 為0.019 和0.004 mm，減小了5 倍；Edge 運動葉片計劃與預測位置MAE 為0.021 和0.003 mm，減少了7 倍。Trilogy、TrueBeam 及Edge 靜息葉片計劃位置MAE 為0.017、0.010和0.011 mm，靜息葉片預測位置MAE為0.006、0.003和0.003 mm，MAE減少3倍左右。

2.5 模型特異性

模型預測當前葉片和其它序號葉片MAE具有顯著性差異（P<0.001），Trilogy、TrueBeam 和Edge 預測當前葉片MAE中位數為0.007、0.003和0.003 mm，預測其它序號葉片MAE 中位數0.100、0.014 和0.014 mm，該數值近似葉片計劃位置偏差，說明當前葉片模型不能用于其它序號葉片位置預測具有特異性。

3 討論

MLC 位置偏差是影響劑量投照準確性關鍵因素之一。表1列出對位置偏差具有預測能力參數，多數參數與葉片位置偏差相關，如葉片速度、間距、機架角度等。特征與位置偏差相關性有強有弱，其中葉片速度相關性最強，相關系數達0.7 以上，但僅考慮葉片速度的模型預測性能不如組合許多其它參數（如葉片間距、葉片狀態等）模型，表明還存在跟速度無關的特征會導致計劃與實際位置間差異，例如葉片靜息狀態，包含葉片靜息狀態模型可以區分運動和靜息葉片，而運動與靜息葉片位置偏差具有明顯差異（圖4）從而提高模型預測準確性。

圖4 運動和靜息葉片計劃與預測位置平均絕對誤差Fig.4 Average absolute deviation between planned and predicted positions of the moving and resting leaves

Carlson 等［8］基于機器學習方法使用DICOM-RT計劃文件和DynaLog日志文件預測MLC 位置偏差，發現某些葉片運動參數對模型沒有明顯影響，例如葉片加速度和相鄰葉片運動，包含這些參數會導致訓練數據過擬合，降低驗證集上模型均方根誤差，妨礙模型的通用性，但在計劃復雜度對γ驗證通過率影響研究論文中，葉片加速度對MLC 誤差有影響［9］。綜合考慮，本文沒有量化葉片加速度數值對位置偏差的影響，但是以加速狀態信息作為特征輸入。

Olasolo-Alonso 等［6］研究Clinac 和TrueBeam 系列設備MLC 位置誤差影響因素，發現動態日志記錄葉片實際位置與計劃位置存在一個采樣間隔通信延遲，意味著對于給定的控制周期，日志記錄實際值是當前葉片實際位置而計劃值是下一控制周期計劃位置。Clinac設備延遲效應導致MLC平均誤差0.306 mm，消除延遲后平均誤差0.030 mm，延遲效應與葉片最大速度及平均速度相關［6］。由于延遲效應，動態日志MLC 位置誤差統計信息中包含與葉片速度成正比系統誤差分量，這也跟表1中Trilogy葉片速度與位置誤差相關系數（0.894）要大于TrueBeam 及EDGE（分別是0.708和0.735）現象相一致。由于延遲效應具有固定模式，神經網絡可充當系統濾波器消除動態日志記錄中延遲效應的影響，使得沒有被延遲效應掩蓋因素研究得以進行。動態日志記錄間隔為0.05 s，葉片最大速度為25 mm/s，延遲誤差最大可達1.25 mm，而MLC 0.3 mm 位置偏差能導致計劃靶區2%劑量誤差［1］。本研究Trilogy 運動葉片MAE 為0.175 mm，而TrueBeam 和Edge 運 動 葉 片MAE 小 于0.03 mm，Trilogy 運動葉片MAE 顯著大于其它兩臺設備，因此基于動態日志的MLC 故障預測［11-12］，劑量驗證通過率預測等研究需要通過技術手段消除通信延遲的影響。

MLC 位置誤差對調強放療劑量分布準確性產生不利影響［13-14］。Rangel 等［1］研究MLC 位置誤差對dIMRT 靶區和危及器官劑量影響發現2 mm 內隨機誤差對劑量分布影響可以忽略，但0.3 mm 系統誤差能導致靶區2%或危及器官2 Gy 劑量變化。李成強等［15］研究MLC位置誤差對鼻咽癌調強放療劑量的影響得到類似結論。Kim等［16］研究MLC位置誤差對肺癌SBRT VMAT 計劃影響，發現葉片外擴或內收對肺、心臟及脊髓影響較大，0.5 mm 外擴能導致雙肺V12增加33.1%。程燕銘等［17］研究鼻咽癌IMRT 和VMAT 對MLC 位置誤差劑量學敏感度發現MLC 偏移誤差敏感度最小，分別為-0.26%/mm和-0.65%/mm，其次是外擴誤差4.87%/mm 和8.68%/mm，最大是內收誤差-6.04%/mm 和-9.88%/mm，偏移、外擴和內收誤差VMAT 引起的劑量學敏感度均大于IMRT［17］。因此放療計劃實施前預測MLC位置誤差可對劑量分布偏差大小進行估計，直接計劃臨床相關參數（如DVH），方便臨床決策是否調整計劃。

Agnew 等［18-19］和Neal 等［20］通過分析非晶硅平板影像設備（EPID）圖像評估日志文件可靠性，發現日志文件可檢測加速器平均MLC 誤差為0.03 mm，但是放療實施MLC位置誤差取決于跟患者相關的計劃特征，廣義的結果對特定放療計劃適用性有限。由于MLC位置差異對特定患者計劃整個放療實施期間是一致的，因此本研究預測方法適用于患者整個治療過程中MLC質控，如回顧性分析計劃實施魯棒性，回顧性評估各病種計劃魯棒性，比較機器性能和模型預測能力。還可以通過日志文件和預測模型跟蹤特定葉片的MLC 錯誤以判斷加速器是否需要維護，如某加速器MLC 誤差具有很大的隨機性，而神經網絡模型無法預測超出目標響應原始范圍的MLC 錯誤，因此預測模型性能變差表明MLC可能需要維護，而不是對預測模型進行修改。

葉片模型不能用于其它序號葉片位置預測，每個葉片需單獨訓練建立模型，表明當前MLC 位置預測局限性。日志記錄數據不包含計劃系統版本、劑量計算模型、MLC臨床參數（如葉片漏射、DLG）等信息，不同機構這些參數可能并不相同會導致預測結果差異，因此將葉片模型用于其它機器MLC 位置預測需根據該機器數據重新訓練，收集不同機器日志文件建立更為通用模型是下一步工作目標。

4 結論

本研究基于加速器日志文件實現并驗證人工神經網絡模型，該模型以極高精度對瓦里安千禧MLC和高分辨率MLC 動態調強計劃進行葉片位置預測，為劑量驗證、MLC 質控等應用提供必要的方法和工具。