自适应调强技术（A-IMRT）的仿真算法研究

邱健健，赵 俊，彭佳元

0 引言

自从1895年Wilhelm Conrad Rontgen 发现X 射线以来，放射治疗就被用来治疗癌症病人[1]。百年之后Brahm 等[2]引入了最初的调强放射治疗(IMRT)概念。从此之后，国内外多个研究团体致力于该技术作用于放射治疗方面的探讨，其中尤以优化问题的研究为甚[3-8]。

传统的调强IMRT 方式选择一定数目及一定方向的照射野来治疗肿瘤（tumor），每个方向上的照射野照射形状是由多叶准直器（MLC）动态完成。其照射野少（一般为5至9 个），但相对每个照射野所含照射子野颇多（子野总数50 至100 不等），其缺点是计算机优化较复杂，临床病人治疗时间长，效率不高。

容积弧形调强（VMAT）技术[9-10]是近几年才出现的新技术。它的特点是在整个放射治疗过程中，治疗机架围绕患者做一次等中心旋转，旋转过程中,多页准直器MLC 不断改变射野的大小和形状，因为其MLC 运动的范围和次数都低于动态叶片调强，故其具有效率较高每个方向上射野相对简单等优点。但由于其围绕患者进行360o容积照射，无形中增加患者全身散射剂量，扩大全身低剂量的照射范围，且很多射野对靶区贡献不大。本文在仿真人体模上，利用优化算法，通过增加照射野方向，简化各方向上照射野强度的应用性研究，实现并验证一种综合传统IMRT 和VMAT 技术优点，规避其缺点的自适应IMRT 新技术（A-IMRT）。

1.实验设备与流程

1.1 设备

CDP 辐照仿真人体模型(成都剂量体模)；三维CT 模拟机（Philip）；自适应优化程序AOP（由笔者团队自组研发，Microsoft Visual C++）；商业放射治疗计划系统（Pinnacle）;数据分析软件（Microsoft Excels）.

1.2 流程介绍

1.2.1 对仿真人进行腹部三维CT 扫描，图像重建，层厚5mm。图像以灰度方式读入AOP：像素大小为256x256；根据CT 值，不同结构转化成不同的灰度级在自研发软件中表示。

1.2.2 在CT 上进行常规传统IMRT 计划（本实验取7 个照射野，各方向上共30 个子野）按照常规腹部肿瘤的放射治疗计划，处方剂量P 为4500cGy

1.2.3 运行AOP，对原7 野传统IMRT 计划进行再优化，分别将照射野由7 个增加至30 个，且各方向上强度分别由1-3 变化，生成不同的旋转IMRT 计划。AOP 给出实施难易值Index，根据难易值Index 验证得到最优化计划。

1.2.4 对结果进行剂量学临床参数评估，得到最优方案。评估方式：容积直方图DVH 分析；二维CT 断层的剂量线分析。

2.AOP 算法讨论

由于肿瘤病人的被照射区域A 是一个三维的影像区域，所以我们所谓的点剂量用（p，q，r）表示。每个点剂量是每个照射野子野的三维像素值（voxel），它取决于所扫描的CT 层厚。每个点剂量可以表示成如公式（1）

对于实际接受剂量D 需要将靶区剂量尽可能的接近医师所给的处方剂量P,这两者的匹配程度至关重要。对象函数用来权衡实际接受剂量与处方剂量的匹配，不同的器官与组织根据其重要性得到其最合适的实际剂量，最理想的优化剂量分布是100%的处方剂量给予肿瘤并且零剂量给予肿瘤周围的组织与器官。遵循自然法则这个目标无法达到只能无限趋近，这其中变量权重因子w的选择至关重要且不断变化，权重因子用w 来表示（正常组织与器官权限较低，计划靶区体积较高，w 范围定义在0.1 到1 之间）。对象函数的二次方程表达式为公式（1）

近年来优化算法层出不穷[8,11-13]，这里我们使用快速-单调-下降(fast-monotonic-descent FMD)方法，以Li et al的FMD 为基础[6].采用这种方法以便快速找到一个强度向量x，使其目标函数f(x)最小化且达到优化目的，如公式（3）

MLC 多页准直器叶片生成算法很多[14-18]，我们这里采用Xia 等[16]的2 序列算法，其流程，如图1所示：

图1 2 序列算法流程图

为模拟临床，我们选取仿真体模中相对简单的腹部病兆，给予七个野照射45Gy 为参照，算法中m 被分别限定为1，2，3 且最多30 个子野（相对简单的腹部肿瘤30 个子野通常可以达到较理想的结果）。

3 仿真试验应用与研究

自研发软件中，将CT 值转化为相对应的灰度值以区分不同组织。 例如：靶区（灰度=186），靶区外扩（灰度=124），危及器官（OAR）(灰度=248)，正常组织（灰度=62），周围空气（灰度=0），如图2所示：

图2 仿真人体模灰度值转化

AOP 给出计划难易Index，其中Plan10/10(10 个照射野10 个照射子野各方向上1 个子野m=1)；Plan10/20(10 个照射野20 个照射子野，各方向上2 个子野m=2)；Plan10/30(10个照射野30 个照射子野，各方向上3 个子野m=3)；Plan20/20(20 个照射野20 个照射子野，各方向上1 个子野m=1)。与常规临床IMRT 照射计划plan7/30 比较。如表1所示：

表1 AOP 软件给出优化难易值

根据图2 软件给出的计划难以指数显示plan20/20 最容易达到，plan10/10 最难达到。Plan10/20 与Plan10/30 处于中位值附近，但与标准计划plan7/30 相比，在难易程度上差距不大。

TPS 上验证结果：各计划相关感兴趣区域DVH 比较，如图3所示：

图3 评估DVH 图：DVH 图中实粗线表示计划plan7/30，实虚线表示计划plan10/10；细实线表示计划plan10/20；细虚线表示计划plan10/30

TPS 上验证结果,CT 断层上剂量分布分析，如图4所示：

图4 评估等剂量曲线图：左上为plan7/30；右上为plan10/10；左中为plan10/20；右中为plan10/30；左下为plan20/20

由图3 图4 可见，plan10/20 和plan20/20 在剂量断层分布和各感兴趣组织DVH 图上都有较理想表现，在保证肿瘤处方剂量的基础上给予正常组织较小的剂量，有较好的保护作用。

4.实验分析

我们的研究从传统IMRT 着手，在仿真人体模上，使用计算机仿真手段，以腹部肿瘤为例，用不断增加不同方向照射野的数目（不超过30 个）的方法，自研发软件AOP，来模拟旋转IMRT,同时在程序上相应减少每个照射野的程序段（segments）数目（最多不超过3 个），这种方法具有可实现性。

在我们自研发的软件平台下，最高效的临床可接受放射治疗计划，可以迅速被找到，这一点已经为相对较简单的腹部肿瘤所证明。在保证周边正常组织接受较少的照射剂量，同时，肿瘤区又接收到足够的处方剂量的基础上，随着照射野（方向）的增加，每个照射野包含的程序段也就相对减少。最后，得到理想的综合IMRT 治疗计划，在适当增加照射野的基础上，使其总的照射野程序段数目大大小于传统IMRT（腹部病例一般不超过30 个照射子野，我们软件证明通过减少照射子野，最多可以用20 个子野完成）。这些由DVH和剂量分布数据得以体现。且当照射野数量增加到一定程度上（20 个）可以明显优化靶区且降低正常组织受量。

这一优化方式可以运用于临床，大大提高放疗计划的完成速度，用计算机仿真的方式形成逆向自动模式，提高效率。同时，相对少的照射子野可以提高放疗机的利用率，在癌症高发的当代社会节约医院资源，相同的代价服务于更多病人，且大大缩短了病人的照射时间，更趋人性化。点的新的旋转IMRT 技术并探讨其可行性。其目的在于：找到一种既可以相对节省治疗时间，又相对减少病人全身散射剂量的新的技术，以达到有效治疗肿瘤更好保护正常器官的目的。

5 结论

利用计算机仿真技术，从传统IMRT 技术着手，可实现介于IMRT 与VMAT 之间的自适应A-IMRT 技术，并得到更优化的方案。这一技术通过验证具有可行性和高效性,这一点在仿真人腹部模型上得到较理想的结果。

[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.