RayStation治疗计划系统综述

点击次数:   更新时间:2020-02-17 03:24     来源:澳门威尼斯人网址

  Raysearch China高级物理师,产品专家,培训专家,中国科学院大学博士生

  RaySearch实验室是世界领先的放疗软件领域的创造者和引领者,公司生产的治疗计划系统RayStation提供了无与伦比的用户体验及领先功能。它既包括基于深度学习技术的轮廓勾画及自动计划,多目标优化,鲁棒性优化,TCP/NTCP生物优化,后备计划,4D自适应计划等先进功能,也支持市场上所有粒子加速器治疗系统的各种治疗方式,例如: 双散射(Double scattering)、Wobbling、均匀扫描(Uniform scanning)、点扫描(spot scaning)、线扫描(line scaning)等。本文介绍了一些功能的原理及临床意义。

  关键词:治疗计划系统,多目标优化,鲁棒性优化,深度学习,后备计划,4D自适应计划

  自2000年,RaySearch实验室就有一个明确的目标,通过创新性的软件算法提高患者的生存机会,改善患者的生活品质。实际上,Raysearch与放疗软件的故事很早就开始了。1994年,创始人约翰.洛夫在瑞典的卡罗林斯卡医学院完成了关于运动肿瘤研究的硕士学位论文,这标志RayStation这款产品开启了漫长的开发征程。约翰和他的团队首先选择他们擅长的领域进行挖掘,2001年,他们开发了调强放射治疗(IMRT)模块,并随后把这一模块融合到飞利浦的软件平台中,成功的推向市场。紧接着与Varian,Elekta和IBA公司展开了更深入的合作,而这些成果也先后应用到全球数千家临床单位。从2008年开始,RaySearch实验室开始研发自己的治疗计划系统平台,并在2011年进行市场发布。RaySearch认为放疗软件平台需要快速,灵活以满足临床的具体需求,在实际开发中,公司也是按照这一目标进行实施。这篇文章的目的就是介绍RayStaion产品中的一些革新性的技术,从患者轮廓勾画、形变配准、自适应治疗到一些高级应用模块(多目标优化,计划优选和质子计划),如图1所示。

  MBS 的模型随着 CT 数据保存在数据库中,临床调用过程中,系统使用基于灰度的配准算法把 MBS 的模型置于临床图像上,然后根据当前患者的解剖结构进一步调整,直到最佳匹配。 另外一个自动勾画的方法就是多套专家库的自动分割方法MABS, 这种方法就是基于刚性配准和形变算法实现的。 首先,基于以前勾画的轮廓,使用RaySation 创建多套专家库。 创建专家库时,需要对已勾画的感兴趣区进行标准化:例如统一器官库中的轮廓颜色和名称。当调用专家库时,系统会根据当前患者的信息,从专家库中选择一个与当前最相似的患者进行刚性配准,然后在使用形变配准算法对挑选的患者进行形变配准,系统会根据形变配准网格,把专家库轮廓形变到目标图像上。RayStation 6.0 版本中,对 MABS 算法做了进一步更新,在调用专家库时,系统可以同时从专家库选择几副最相似的专家库,系统使用一种融合算法把这些相似的图集融合为一幅图集,然后再映射到目标图像上,这种方法可以大大的改进勾画的精度。 另外,RayStation 8B 版本增加了基于深度学习技术的轮廓自动勾画功能。 RaySearch 和加拿大玛格丽特公主医院 PMH 合作训练了前列腺、头颈和肺部的学习模型,已经集成到 RayStation 系统中,临床使用中调用相应的模型即可完成轮廓的自动勾画。 需要注意的是,目前调用深度学习模型时对硬件系统的GPU 显卡要求较高,至少要 Nvdia P4000 显卡才可以支持。 8B 版本中,目前用户还无法基于临床数据离线训练深度模型,如果想得到模型,需要把数据发到 RaySearch 机器学习部门以完成模型的离线训练工作。

  此外,RayStation同样包含用于患者勾画的一系列手动工具,包括画刷,智能画刷,自由勾画,基于阈值的勾画等,针对某一特定部位的患者,使用其中的一种或者几种功能可以提高轮廓勾画的效率。例如,进行乳腺癌勾画时,使用画刷功能可以快捷的勾画患者的乳房,使用基于阈值的勾画,可以快速勾画肺部器官。同时,RayStation还提供了强大的轮廓布尔代数逻辑运算功能,方便快捷的实现轮廓布尔代数运算。对做过布尔代数的轮廓进行修改时,可通过update功能,对衍生的器官进行更新,临床使用非常方便。此外,RayStation支持4DCT图像的导入及重建,基于4DCT图像序列,可以创建最大密度投影,最小密投影和平均密度投影。RayStation的勾画工具令人惊叹,致力于提高效率,医生可以在很短的时间内完成靶区以及危及器官的勾画工作。亚利桑那州凤凰城癌症中心放射肿瘤学家Aaron Ambrad博士说:“我最近有一个病人同时被诊断为肝癌和结肠癌。两个部位非常的接近,由于身体虚弱,不能进行手术治疗,两个部位都需要放疗。RayStation使我们能够使用不同的CT数据集进行形变配准,并对剂量进行变形,这样就可以方便的完成2副CT剂量的叠加和评估,辅助我们完成治疗方案的定制,以防止局部剂量超出限制,引起患者副反应。

  RayStation 提供了三种刚性配准方法,用于CT和CT,CT和MR,CT和PET 以及CT和CBCT图像的配准。同时,它还提供了两种形变配准方法,第一种形变算法为解剖结构约束形变算法,简称ANACONDA,也叫杂交算法。之所以如此命名,是由于这一算法由图像特征数据和感兴趣轮廓同时进行控制的。简言之,用户可以通过操控某一感兴趣区启动形变配准功能。RayStation这一独特的功能,即使在某一局部图像不太可靠的地方,也可以保持轮廓结构的整体完整性。单纯依靠图像特征算法是有限的,因为图像信息仅可以被用来进行形变矢量场的规则化。很多论文已证明,该算法取的良好的效果,具体详细的结束参考RaySearch的官方网站。

  第二种形变算法是Morfeus算法,这是由加拿大玛格丽特公主医院PHM开发的一种弹性力学形变配准算法, 目前已经集成到Raystation的系统中,应用前提就是要对进行形变配准的图像勾画相同的轮廓结构,以这些轮廓结构驱动形变配准,建立形变场。算法支持轮廓的平滑,这使得它对胸腔等区域非常有用。意味着它考虑到了呼吸过程中肺部沿着肋骨的运动,防止了肋骨或解剖结构的不正确延伸。总之,不管使用何种形变算法,操作者最终都要对形变结果予以检查和确认。RayStation提供了几种形变定性和定量的评估办法,首先可以定性的评估形变网格,形变矢量场以及形变后的融合视图;同时,还可以根据映射的轮廓和人工勾画轮廓之间的差异进数以及感兴趣点的目标距离TER等(图3)。通过脚本也可以检索行间接评估形变结果。此外,系统还提供了点评估功能,即在融合图像上添加一些感兴趣点,系统就可以显示出这些点的矢量位移值。系统界面上提供了感兴趣区和感兴趣点的统计数据,如感兴趣区的Dice指额外的信息,包括图像相似性、雅可比矩阵的行列式以及位移向量场和变形目标图像的导出。

  患者每天治疗时产生的CBCT治疗图像导入RayStation系统中,并标定相应的治疗次数。这样就可以把治疗计划基于导入的CBCT图像进行重新剂量计算,然后再根据上述提到的形变算法把基于CBCT得到的治疗剂量映射到初始计划CT上进行叠加、比较,这个过程包括图像的形变配准,剂量追踪(图4)。基于这一过程,可以评估患者每天治疗剂量与计划剂量在某些器官指标的统计差异,为临床提供参考方案。临床上,一旦发现治疗剂量和计划剂量在某个DVH指标的偏差超出临床许可范围,计划设计者就可以激活再计划模块,启动患者再计划方案。使用再计划时,需要把初始CT的计划及剂量根据映射到新的CT图像上,这样再启动新的计划,患者体内每个体素的剂量不再为零,而是有一个初始值,这个初始值就是再次计划的背景剂量,它在优化中是不可以被更改的。对再程计划进行优化时,可以考虑把背景剂量设置为总的目标优化函数,也可以仅针对新射束设置优化目标函数。使用总剂量目标函数的优点就是,可以实时评估某个器官的总剂量指标,以免超出临床要求。随着患者治疗的精细化程度越来越高,自适应计划是放疗发展的一个趋势。正如田纳西州诺克斯维尔质子治疗供应中心的首席医学物理学家Niek Schreuder说:“适应性计划有时是不可避免的,特别是患者进行质子治疗的情况下,质子射线对身体的密度和解剖结构变化很敏感。如果没有诸如形变配准和自适应治疗等先进技术,就不可能以有效的和或安全的方式进行质子治疗。

  当患者的轮廓在治疗进展过程中发生形变,需要再次扫描CT图像对患者进行二程治疗,或者通过患者治疗CBCT影像对患者治疗过程做剂量追踪,这些过程都会使用到形变配准算法。临床首次使用时,新的CT图像导入进RayStation的治疗计划系统内,并且标记为主CT图像,然后使用形变配准算法把计划CT与新的CT做配准,这样计划CT的轮廓以及剂量分布就会映射到新的CT图像上。如果需要基于此剂量分布为背景剂量做再程计划,则只需要启动Adaption模块。基于多次导入的CBCT图像,选择相应的照射次数,就可以启动剂量追踪了。首先基于CBCT图像创建图像HU到质量密度的刻度表,针对医科达和瓦里安的CBCT图像,系统会提供默认的图像阈值6段刻度法,这6段包括空气,肺,脂肪、肌肉、骨组织等(图5)。

  同时,用户也可以基于CBCT创建属于自己机器的CBCT密度表,或者采用CT赋值的方法对CBCT图像进行刻度。完成CBCT刻度后,就可以基于CBCT进行剂量计算了。临床实际操作过程中,可能无法保证患者每天都获取CBCT图像,这样在对患者进行剂量追踪的过程中,可以选择与当天最近似的图像进行剂量计算,然后再映射到计划CT上执行剂量的叠加工作。对应的计划剂量与累计剂量进行比较时,可以观察到两者之间的剂量差异,以及这些差异可能会影响患者的某个器官,基于此差异,临床决策者可以评估整个计划,决定是否需要对患者执行再治疗方案。另外,RayStation还可以导入主流第三方TPS设计的治疗计划和剂量分布,例如Tomo/Pinnacle/Monaco等第三方计划系统,或者是一些标准DicomRT接口的内照射计划系统。基于RaySation的形变配准工具,可以实施剂量的相互叠加,也可以实现以导入的剂量分布作为背景剂量分布,对患者的后续治疗提供计划方案。

  多标准优化是RayStation治疗计划系统的一个独特的模块,与常规的优化方法比较,这种优化方法有较大的临床优势。一方面,使用MCO功能可以缩短计划时间;另一方面,使用MCO可以提供给临床医生和物理师一个直观的平台,通过这个平台医生和物理师可以权衡患者靶区和危及器官之间的矛盾关系,这样可以大幅度的提高计划质量,减轻患者的副反应。MCO优化原理基于帕累托最优化理论提出的,这个理论是指一种最佳的平衡状态,对于处于矛盾的多个目标而言,如果不降低其它目标的要求,则也无法提高其中一个目标的状态。帕累托最优表面是所有无法支配解集映射到目标函数空间中所形成的一个曲面,这个曲面只是理论上存在,对于像调强放射治疗这么复杂的多目标优化问题,很难正在的求解到。RaySataion通过向量求和的方式,把每一个目标和一个矢量权重系数建立了关系,且规定所有向量权重的和为1,这样就可以分别赋予每个权重的系数,找到帕累托曲面的某些点,进而通过一些数学算法再近似找到其它点,最终实现近似得到多个目标函数的最优表面。该最优表面一旦建立,就可以通过向量组合的方式,实时导航各目标的权衡关系,临床上可以直观的找到目标之间的取舍关系(图6)。

  波士顿麻省总医院放射肿瘤科助理教授David Craft说:“传统的处理优化问题的方法就是试图猜测目标之间的矛盾关系,采用试错的方法得到临床目标要求,但多目标优化方法则简化了上述过程。一组滑块允许方便的导航各目标的权重,并快速准确的平衡各目标,”荷兰放射治疗研究所(RISO)的放射剂量学家Ellen Loeters说,MCO是一个非常直观的工具,可以方便的帮助放射肿瘤学专家参与治疗计划的设计和评估。“在常规的逆向优化过程中,放射肿瘤学专家只有两个选择来批准或拒绝计划,但是应用MCO之后,这种状况改变了,肿瘤专家使用MCO可以方便的权衡患者的肿瘤和危及器官的矛盾关系”。MCO的临床使用过程和常规的优化方法流程相似:首先,计划设计者基于医生勾画的轮廓做特定的处理,例如勾画辅助器官、合并同类器官等。接着,就选择何种治疗方式,何种治疗机器模型,接着添加射野,所有这些步骤和常规计划方案都是一样的,当进行到计划优化时,系统提供两种优化方式供计划设计者选择,一种是常规优化方法,另外一种就是MCO优化方法。当我们选择MCO的优化方法时,首先需要分清约束函数和目标函数的差异,根据当前患者的处方要求及空间的几何结构,那些目标需要放置在约束栏目中,哪些需要放置于目标函数中。MCO进行临床应用需要诸多技巧需要考虑,为了快速的应用MCO到日常的计划工作中,简要描述一下使用的技巧:

  1.使用MCO做计划的时候,Constraint更重要一些,它限定了解的可行性区域,意思也就是说在某个特定区域求解出来的解才是有临床意义的。但是,限制太多、太严格,可能无法得到Pareto解,因此,要充分考虑约束项的设定。

  2.目标函数设置的时候,根据临床要求设置A值,危及器官的目标用EUD=0来表示,A值一般取2,这样目标为凸函数,存在单个目标的最小值。

  3.临床中对于过多目标要求的不推荐使用MCO优化方法。例如一个NPC计划,临床需要考察30多个目标,那么系统会默认生成60个以上的帕累托计划,由于同时考察的计划数目太多,临床计划评估很复杂。

  4.MCO 导航出来的计划还需要使用Dose-Mimic的工具生成临床可执行的计划, 剂量模仿算法会在下个模块详细介绍,本模块就不赘述。需要强调的时,最终成的计划同意可以当作常规计划来处理,对计划进行微调,以达到临床的最佳结果。

  总之,MCO是临床非常有用的模块,它不仅可以应用于光子的各治疗模式中,例如静态调强、动态调强、容积调强、Tomotherapy治疗等方式,也可以用于质子笔形束调强的治疗模式中。

  后备计划是RayStation系统另外一个独特的功能模块。一个治疗中心经常拥有多种品牌的加速器,例如医科达,瓦里安,安科锐,或者质子治疗设备,临床治疗中,经常会有一台治疗机器出现故障而导致患者中断治疗的情况发生。如果重新设计患者的计划,一方面会占用物理师时间,降低工作效率;另一方面,也无法保证再次设计的计划与之前已治疗的计划具有相同的剂量分布。RayStation的后备计划目的就是为了解决临床这一疼点就设计开发的。

  后备计划是一个用于在患者需要使用不同的机器治疗的情况下,以及可能使用不同的方法和/或治疗技术的情况下,创建额外的计划的工具。根据先前创建的协议,计划批准后生成后备计划。这个过程是完全自动化的,不需要用户交互。后备计划使用一种剂量模仿功能来复制给定计划的DVH,但使用不同的机器或治疗技术(图7)。

  • 在生成后备计划过程中的目标函数是参考DVH函数的加权和,该目标函数在DVH曲线误差上施以一个单向的二次罚分;

  • 危险器官相关的函数被给予单位权重而靶区相关函数给予用户指定的目标优先级;

  • 在优化引擎自动创建后备过程中,与危及器官相关连的DVH函数对过高剂量全部体积罚分,使之剂量符合目标DVH,而与靶区相关联的DVH函数对过高剂量区的相对体积(0,0.5)区间内和过低剂量体积(0.5,1)区间进行罚分。

  经过这样处理优化后,得到的后备计划剂量分布与原计划剂量分布相近,具体的差别可以在计划评估中量化比较,如果其差异经评估后为可接受的差异,则可将后备计划用于后续治疗,如其差异不可以接受,则可转入计划优化界面,手动调整优化函数,进一步优化得到满足治疗要求的计划。

  2015年,RayStation 5.0版本引入了计划优选这个模块。使用计划优选功能,治疗中心根据医生确定的临床目标条件,根据现有的治疗机器和治疗技术组合自动生成大量的治疗计划。它还提供了一种有效的方法来过滤和浏览这些备选计划,以找适合患者治疗的最佳方案。当使用计划优选功能时,治疗中心需要预先定义对该患者需要制定怎样的计划实施组合。例如:可以创建一个协议,为每个前列腺患者规定三种类型的计划:机器A实现VMAT计划,机器B实现动态调强计划,机器C实现一个静态调强计划。对这些机器及治疗方式进行组合,以临床定义的靶区和危及器官目标为评价目标,采用顺序优化的方法自动生成多种计划。当导入一个新患者,危及器官和正常器官勾画完成,定义临床目标条件,基于这些目标条件,系统会自动创建多个计划组合。最后,计划设计者浏览所有计划的组合并根据计划过滤器选择最理想的计划,同时为了直观的显示计划各DVH指标的性能,雷达图可以形象的表达这一结果。雷达图上(图8),每条线代表先前确定的剂量目标。当目标完成时,一个绿色区域完全覆盖它。如果没有达到目标,则显示红色。通过计划过滤器,操作人员可以轻松地浏览计划。过滤器的选项包括不同机器,不同的治疗方式,例如静态调强、动态调强、VMAT或者总计划的MU数目,同时也包括同一种治疗类型下不同的射野数目。

  当选择计划过滤器的某些选项,不满足要求的计划就会被隐藏起来。理想状态下,最后会保留2个计划作为备选计划和竞争计划。如果需要回顾计划库,可以在传统工作区中打开这些计划,以便进行进一步的评估和操作。计划优选功能带来一个全新的视角来评估计划设计工作。根据所选择的参数,系统会自动生成多个不同的机器和治疗技术组合的计划。目前,它可用于RayStation中的SMLC、DMLC和VMAT模块。在未来,这项技术将扩展到Tomo、Cyberknife和质子治疗功能。

  RayStation通过Protocols协议可以自动的完成计划创建,轮廓勾画,射束设置,目标函数定义、临床目标评估定义等工作。另外一个自动化的工具就是Python脚本功能,脚本的编程语言为IronPython和Cpython。IronPython是一个台上的Python实现,包括了完整的编译器、执行引擎与运行时能够与.NET已有的库无缝整合到一起(图9)。

  例如,可以实现编写文件、启动进程、与其它系统通信以及控制其它应用程序,例如Microsoft Office。其在RayStation的临床应用范围也比较广,从轮廓布尔代数运算到机器模型的试运行都可以通过脚本进行实现。它可以处理物理师设计计划过程中任何一个环节,同时也可以作为数据统计、分析的有利工具。在RayStation学习脚本的功能也比较简单,开始通过录制,播放的功能进行程序的学习。基本上,RayStation的每一步操作过程都会对应相应的函数操作,而且可以通过提供的函数库查找脚本,方便的了解函数的使用规则及例句。其他有用的特性包括在脚本中处理工作暂停的能力。例如,使用脚本导入一个病人的案例并加载一个MBS模型库,该库将适应病人的解剖结构,在进行进一步轮廓的布尔运算时,可以让脚本设置一个暂停操作,这样,临床使用者就可以评估系统勾画的轮廓,然后决定是否修改。如需要修改,对轮廓做简单的修改之后,脚本可以继续进行计划设计、射束放置、计划目标函数设置及优化方面的工作。RayStation的科研版本包括额外的能力,例如提供接口,集成用户自定义的目标函数,或者调用外部的剂量引擎功能,还可以导出计划的中间结果,改变一些默认的选择。RayStation用户报告说,脚本功能是他们研究工作的基础。RayStation作为一个很好的工具用来处理大量的数据,保持数据一致性,交叉引用外部数据库或自动填充数据以及检查转移到肿瘤信息系统的流程。通过编写脚本,可以实现临床流程的自动化。另外,RayStation的脚本还提供了图形用户界面函数库,用户可以自定义灵活的界面。

  目前,粒子治疗是RaySearch重点关注的一个领域,截止到2019年6月份,全球18个国家,53个临床单位应用RayStation的治疗计划系统作为系统解决方案,这其中包括31家IBA系统,3家Varian系统,3家Mevion系统,3家Mitsubishi,2家Hitachi,2家Pronova,2家西门子,2家BNCT中子,1家Toshiba等,占全球份额的60%以上,质子中心具体使用分布图如图10所示:

  被动散射系统可以通过计算来实现,仅需要教少的测量调试。需要考虑的参数主要是质子的能量、流强和治疗头的物理参数。计划设计时需要考虑肿瘤的治疗半径,深度和调制深度等还要考虑的参数包括剂量率和剂量分布的半影等因素。双散射技术DS通过设置档块满足肿瘤横向适形的要求,通过增加射程补偿展开布拉格峰实现肿瘤纵向肿瘤的适形要求。均匀扫描US,是三菱Mitsubishi质子加速器一种单散射照射技术,通过调控磁铁扫描方向实现肿瘤横向的适形,纵向通过能量粗调和喷嘴的二进制射程调节器相结合的方式实现肿瘤纵向肿瘤的适形要求。摆动Wobbling,是住友Sumitomo公司特有的实现被动散射照射的一种技术,通过散射片和电磁扫描结合实现射束的展宽实现肿瘤横向的剂量均匀,纵向通过二进制的脊形滤波器实现SBOP的展宽,其中脊形滤波器的射程范围在1-18cm,这种系统结合了DS和US的照射特点,是一种杂交照射技术。与DS照射技术相比,单散射提供较小的侧向半影,但随着进入患者体内这一影响逐渐减弱。双散射系统可以有效的利用射束流强和能量,所以用于更大和更深的肿瘤治疗(图11)。

  主动扫描也成为笔形束扫描,通过磁场控制偏转束流的方法使铅笔状的质子束从不同的位置进入患者体内对靶区进行照射。笔形束扫描使用许多细小的铅笔状单元质子束,安装某种特定的顺序扫描和重叠后投射到肿瘤位置。这种技术可以实现对肿瘤三维形状及剂量均匀性的调制,临床一般称之为IMPT,与光子的IMRT形成对照(图12)。

  通常,束流扫描不需要照射野专用挡块,从而减少单个准直器和补偿器的制造、储存及安装所需的基础设备和人力成本。束流传递工作是在计算机控制下自动进行,减少放疗工作人员为了更换挡块进入治疗室的次数,缩短治疗时间。

  束流扫描可以产生真实的三维适形剂量分布,并沿着笔形束的轴调整扩展Bragg峰(SOBP)的调制宽度,以符合靶区的要求。束流扫描将100%的剂量区严格限制在靶区内。从有效的束流利用角度看,采用扫描法时,传递系统中几乎每一个质子都进入患者体内,由于不需要专用挡块,减少了质子与患者周围物体的相互作用,进入患者体内的不必要的中子明显减少,可以明显减少儿童患者第二原发肿瘤的发生率。

  IMPT照射技术主要分为静态扫描和动态扫描。静态扫描也叫点扫描(Spot Scaning)是指治疗时每一个能量层各spot点分步按顺序进行,在实施治疗过程中,spot运动到第一个规定的位置停下,加速器出束,达到规定的MU停下,然后再运动到下一个规定位置停下后加速器再出束;如此进行下去,直到完成一整个能量层的照射,然后切换能量,再进行下一个能量层的照射,照射的时候,一般是从高能量层向低能量层过度。与光子进行强度调制不同,质子通过改变spot所在位置的照射时间进行调制的。动态扫描也叫栅扫描,在进行指定能量层的照射时,一个spot运动到下一个spot点,射束不用关闭,可以通过改变笔形束的电流强度或者扫描速度完成调制。与点扫描方式比较,栅扫描模式具有扫描效率高,稳健性好优势。

  质子调强与光子调强方式相类似,按治疗方式又可以分为静态扫描和动态扫描。静态扫描也叫点扫描(Spot Scaning)是指治疗时每一个能量层各spot点分步按顺序进行,在实施治疗过程中,spot运动到第一个规定的位置停下,加速器出束,达到规定的MU停下,然后再运动到下一个规定位置停下后加速器再出束;如此进行下去,直到完成一整个能量层的照射,然后切换能量,再进行下一个能量层的照射,照射的时候,一般是从高能量层向低能量层过度。与光子进行强度调制不同,质子通过改变spot所在位置的照射时间进行调制的。动态扫描也叫栅扫描,在进行指定能量层的照射时,一个spot运动到下一个spot点,射束不用关闭,可以通过改变笔形束的电流强度或者扫描速度完成调制。与点扫描方式比较,栅扫描模式具有扫描效率高,稳健性好优势。

  临床治疗时,相比于 IMRT 和质子散射技术,质子调强更容易受到 CT 密度变化,摆位不确定度及肿瘤运动的影响,因而对于治疗计划设计和质量控制有更高的要求。研究表明,三维稳健性优化技术可以缓解患者因范围不确定度及摆位不确定度造成的影响,尤其对于固定或者运动幅度较小的肿瘤具有良好的治疗效果。在质子点扫描照射过程中,肺部肿瘤和扫描点的移动会产生 interplay 效应,尤其对于运动幅度较大的肺部中下叶肿瘤,放疗方案的设计需要谨慎对待。临床通常使用患者的 4DCT 图像计算4D 静态剂量和 4D 动态剂量,以评估 interplay 效应。其中,4D 静态剂量,是假设肿瘤是处于静止状态,不存在 interplay 效应的情况下的累计剂量;4D 动态剂量,是假设肿瘤进行某种特定模式的运动,存在interplay效应的情况下的累计剂量。临床执行过程中,我们通过比较 4D静态剂量和 4D动态剂量在靶区分布的差异是否大于 3%,来判断患者是否适合质子调强治疗。对于靶区剂量分布的差异大于 3%的患者,我们采用重扫描技术来缓解 interplay 效应,改善靶区剂量分布。常见的重扫描技术主要有两种,层重复扫描(layer repainting)和体重复扫描技术(volume repainting)技术。

  Raystation支持光子与质子联合治疗的模式,前面提到的后备计划模块还可以将质子计划转换为光子计划。如果质子机器发生故障,患者可以转移到光子加速器上进行治疗,而不会中断治疗进程。RayStation的评估模块可以很容易地根据每种技术分次输运的情况来计算总剂量。

  质子计划模块同样具有高效的计划优化和剂量计算功能以及前面描述的自适应功能。Robust优化是质子计划的基本工具,并且从一开始就存在于RayStation质子模块中。后面将更详细的讨论鲁棒性。RayStation包含用于spot点编辑的工具以及为主动扫描的笔形光束设计光圈的功能。Niek Schreuder,田纳西州诺克斯维尔质子治疗中心的首席医学物理学家谈到:2014年1月,诺克斯维尔的Provision质子治疗中心是第一个使用Raystation 用于临床质子治疗的单位。从那以后,RaySearch能够紧跟质子治疗的快速发展,确保RayStation仍是业内的最佳选择。RayStation使我们能够将铅笔束扫描的临床应用扩展到身体中的大多数癌症部位,而质子在这些部位提供了优势。

  RayStation V7版本在质子PBS计划的基础上引入了蒙特卡罗(MC)剂量计算引擎,可与现有的笔形束剂量计算引擎并行使用(图13)。

  两种剂量引擎可以以相同的方式使用并共享相同的束流模型,因此可以计算点剂量分布作为优化的输入以及计算现有PBS计划的剂量。用户可以在优化剂量计算时自由包含孔径或者在原PBS计划中增加一个光圈。该算法及其在MC剂量引擎中的实现是为了满足治疗计划中剂量计算的准确性和速度要求。

  MC剂量计算引擎为质子PBS计划增加了额外的精确度。它在速度和精确的物理建模之间实现了最佳平衡,使其在临床工作中非常有效。MC和笔形束剂量计算引擎可以并行使用,以确保所有质子PBS计划所需的有效和准确的剂量计算。RaySearch实验室研究员Erik Traneus说到:质子MC剂量计算有几个优点。在解剖结构复杂的情况下,例如具有空气的肺部或鼻部区域,MC优于笔形束算法。对于有射程调节器的射束建模或对患者具有大气隙的摆位情况,MC算法也更准确。这种情况下,铅笔束算法通常会高估了浅层的剂量,而MC则能准确的计算出来。 最近,在临床中,使用档块来缩小射束半影技术已经得到了广泛的应用。这是因为MC剂量计算已经使计划者和临床医生直接获得剂量分布,该剂量分布准确地解释了档块孔径的几何形状和来自档块材料的二次质子散射。用户可以比较使用和不使用档块准直的PBS计划,以查看档块使用是否合理。应该注意的是,MC优于PB的优势取决于MC算法的正确实施。“有关RayStation MC算法验证的论文已经发表,本文最后列出了参考文献。

  碳离子计划使用笔形束剂量引擎模型来计算物理剂量,同时使用局部效应模型LEM模型计算生物剂量的分布。计划进行优化时,可以把物理目标函数结合生物目标函数一起进行优化,其中用于计划的LEM参数可以预先定义。优化后的方案可以直接在同步加速器上交付使用,因为优化时考虑了最小点权值,以及优化过程中考虑到同步加速器的机器参数约束条件。碳离子治疗包括包含以下特征:基于GPU的快速剂量计算,考虑摆位和射程不确定度的鲁棒性优化,多野和单野的优化,计划直接可交付,与其它粒子混合计划等。RayStation同时支持LEM和MKM模型(图14),可以方便的在患者的物理剂量和生物剂量切换。

  另外,RayStation还支持中子俘获治疗计划设计,中子的机器的物理模型以及RBE生物模型可以预先设定,同时计划界面设定血液中硼元素的浓度,由于硼元素附着于患者肿瘤的表明,当中子外照射机器与硼元素发生相互作用后,产生四种成分物质的物理剂量和生物剂量。

  患者摆位误差,射程不确定度和呼吸运动等扰动场景对质子调强治疗计划剂量有严重影响。对于光子调强治疗而言, 这些扰动场景可以通过设置靶区一定的几何边界,利用计划靶区PTV的概念来解决。PTV的概念考虑到患者执行过程中一些不确定度的因素,例如治疗机器的机械性能,患者摆位复位,肿瘤运动等。但由于肿瘤治疗类型及定位技术的差异,由CTV生成PTV需要外放多大边界范围争议较大。尤其对于肺癌的质子治疗而言,CT密度变化大,肿瘤运动幅度明显,质子治疗射程易受到影响,研究表明PTV的概念已经不适合质子的治疗计划方案。针对治疗中的不确定度,RayStation采用鲁棒性优化方案的来解决。RayStation的鲁棒性优化技术是采用最小最大优化方法,即在优化的目标函数中考虑最差的场景,这些场景可能是由患者摆位误差、CT密度刻度等不确定度所引起的。同时该鲁棒性优化功能还支持基于4DCT的鲁棒性优化方法,可以在优化过程中考虑肿瘤随时间的变化,研究表明该方法可以缓解肿瘤随呼吸运动引起的Interplay效应。另外,RayStation还提供了多种鲁棒性优化的工具,例如DVH bands,最差场景下的剂量分布等(图15)。

  RaySearch的机器学习部门成立于2017年5月份,最初由10位机器学习算法,数据分析和大数据专家组成,目的是和临床中心以及研究所紧密合作,为RaySearch的产品开发机器学习算法和学习框架。目前,主要和4家临床中心建立了深度合作,和加拿大PMH医院合作开发自动计划模块,和UMCG合作开发头颈部的自动计划模块,不久将会开发质子计划的自动计划。和iridium合作开发危及器官的自动勾画,和MGH合作开发靶区的自动勾画等功能。目前集成到RayStation的基于深度学习的计划模块是和PMH合作开发的,模型的训练过程如图16。

  Deep Learning Planning DLP是RayStation(Ver.8B,RaySearchlabs)一个自动计划设计模块,基于深度学习算法实现。具体而言,首先,采用基于随机森林算法(Random Forests RF)批量训练患者图像、结构轮廓及其剂量分布之间的关系,建立模型;其次,应用模型预测新患者空间的三维剂量分布;最后,考虑机器限制参数,调用剂量模仿算法(Dose Mimic DM)得到可执行计划。其中,RF和DM算法是自动计划实现的核心部件:模型训练时,寻找患者体内某一体素剂量的影响因子,得到剂量精度预测RF;剂量预测时,基于剂量精度预测RF,得到剂量推断RF,应用剂量推断RF即可预测患者的三维空间每个体素的剂量分布,进而以三维空间每个体素的剂量为目标函数,调用计划系统剂量引擎(collapsed cone convolution CCC),使用优化算法最小化每一个体素剂量计算值和预测值差异,得到可执行计划。目前,RayStation集成了加拿大玛格丽特公主医院(Princess Margaret Hospital PMH)前列腺癌患者训练模型,该模型中的计划数据均采用单弧的VMAT计划,≥95%PTV体积60Gy的处方剂量,3Gy/次。医院也可基于数据使用TensorFlow(Ver.1, Google)训练自己的模型。

  对于任何一款治疗计划系统软件,其优化算法和剂量计算都是比较有挑战意义的。根据治疗计划系统实施的效率及其所依赖的硬件,计算时间可以从几分钟到半个多小时不等。 RaySearch相信高性能的计划系统既要速度快又要设计出高质量的计划,满足临床各人员的需求。为了达到这一目的,公司组织了现场测试,这次测试由20个有计划经验的人员组成,专门测试RayStation在IMRT和VMAT计划性能。测试主要包括标准的系统和较标准版本慢4到5倍的低配系统。主要使用两种类型的病例,一个复杂的前列腺癌患者病例和一个复杂的头颈部患者病例。两个病例都使用双弧的VMAT技术,基于临床目标的得分系统对测试结果进行评分。在第一个环节2个小时内,所有参与者都设计了第一例计划,其中一半参与者使用了标准的系统,另一半参与者使用了较慢版本的系统。在第二个环节的2个小时,所有参与者都设计了第二例计划,不过把使用的系统进行了调换,即使用标准系统的参与者换成了较慢系统,而较慢系统的参与者换成了一般的系统。这样,所有参与者都使用不同的系统参与了两种计划的设定。参与者没有被告知这两种系统之间的区别,只知道有两种不同的类型.结果表明,计划的速度直接影响计划的结果。将VMAT计划优化和剂量计算时间从10~17分钟减少到2-4分钟左右,计划的结果显著提高了。使用标准的系统的计划设计者,计划结果得分都显著的提高。这个测试实验说明,计划系统的计算的速度明显影响计划的质量。标准配准下,RayStation计划效率测试如图17所示。

  荷兰放射治疗研究所(RISO)的放射治疗学家Jenneke Jacobs说:“ 我最喜欢RayStation友好的用户界面和剂量计算的速度。” 认识到计算速度对计划质量的影响,Raysearch开发团队通过版本升级不断的优化各个模板。RayStation同样使用GPU显卡技术来提高形变配准的速度以及剂量计算的速度。对于一般IMRT计划,基于GPU技术,优化和剂量计算的时间可以控制在10s以内,对于复杂的9野头颈部肿瘤,在2*2*2mm剂量网格的前提下,其优化和剂量计算的时间也控制30s以内。这些速度指标依赖于系统所使用的硬件,不过上述统计的时间是raysearch提供的官方硬件配置。由于能够快速设计治疗方案,因而RayStation可以从根本上改变治疗计划的过程。

  2016年,在RayStation的6版本中,增加了断层螺旋扫描技术,同时Tomo计划也支持之前提到的一些高级模块功能,例如基于TOMO的多目标优化,基于TOMO的自适应计划等。临床应用方面,TOMO计划设计特别适合用MCO多目标优化工具,因为使用导航滑块得到的导航剂量于可执行计划剂量基本一致。在预先计算的计划中,相应的叶片打开时间加权平均将导航剂量完美的复制出来,导航剂量是可以实现的,所以基于TOMO的多目标优化方案具有“所见即所得”的优势。“结合RayStation的模板和脚本功能,使用基于tomo的多目标优化模块,设计的计划能让我们拥有更好的计划质量,我们仅需要很短的时间内就可以设计出高质量的计划方案,” 法国里尔大学奥斯卡·兰布雷特中心的医学物理师A. Wagner说。

  Tomotherapy的优化能力包括支持动态光阑,执行时间的限制以及设定避免照射的保护区域。另外,TomoTherapy的计划可以顺利的整合到临床的工作流程中,其计划可以传输到安科锐公司的数据管理系统(idMS)中用于计划执行. RayStation是第一个也是唯一一个既支持常规加速器又支持TomoTherapy治疗机器的计划系统,如图18。

  RayStation还包括其它的一些模块功能,例如基于MRI图像的计划,乳腺癌的自动计划,射束集的协同优化和基于TCP和NTCP的生物优化。由于MR提供高清的软组织对比度及无辐射损伤,基于MR图像执行光子计划是个理想选择,但因MR图像不存在CT密度值,基于常规CT电子密度剂量算法不再适合于MR图像。目前,针对这一挑战,可以对CT和MR进行配准,然后采用CT体密度赋值的方法来处理MR的计划。射束集的协调优化技术可用于需要增量照射的患者放疗需求。之前,计划设计者独立优化这些射束集,优化时可以考虑初始剂量,也可以单独选择优化增加量。协同优化技术这一新的功能可以使得两套射束进行协调优化,两套射束集共享一套目标函数,但计划设计者需要在目标函数列表中设定哪些目标是针对两套射束的,哪些是针对一套射束的,目前支持静态调强、动态调强和容积调强三种照射技术协调优化方式(图19)。

  另外一个功能就是乳腺癌的自动计划:自动乳腺计划模块提供了使用启发式优化自动生成乳房切向调强计划的工具。在RayStation中引入的自动乳腺计划模块是基于玛格丽特公主医院(PMH)开发的Pinnacle脚本。其基本原理是利用脚本使用启发式优化对切向乳腺调强放射治疗进行自动计划。脚本中的算法被转换为CorePlatform的c#代码,并开发了一个新的模块,帮助用户运行和评估算法的差异(图20)。

  1.感兴趣点探测,病人必须在乳房组织周围准备四个放射标记物。第一步检测标记并从中创建POIs。

  2.自动勾画轮廓,使用基于图集的MBS、ROI代数和阈值方法为心脏、肺和其他辅助器官创建ROIs。

  3.射束设置以及机架/准直器/角度优化,使用派生的POIs创建默认射束。

  优化机架和准直器的角度,角度迭代,评估射束内的平均和最大正常组织距离,直到达到临床可接受的目标。使用从起始值开始的查找表来设置目标。

  使用生成的ROIs和用户指定的屏蔽边缘在射束中创建皮肤分段。使用等剂量线计算剂量并创建目标ROIs。

  4.SMLC优化,基于用户定义的处方,建立目标函数和临床目标。使用靶区体积中的查找表设置分割和优化设置。运行SMLC优化,获得最终治疗计划。

  最初的Pinnacle脚本已经通过PMH进行了评估。RayStation中的该功能已经被PMH在临床计划上进行了测试,结果与他们自己的脚本一致。

  RayBiology是RayStation基于TCP和NTCP的生物优化模型库(图21)。RayStation系统提供了默认的生物模型的参数,生物模型可用于生物优化和评价。

  RayBiology主要使用了三种生物模型,包括:LKB-NTCP模型,即正常组织并发症概率LKB模型;Poisson-LQ NTCP模型,即正常组织并发症概率Poisson-LQ模型;Poisson-LQ TCP模型,即肿瘤控制概率Poisson-LQ模型。针对这些生物模型,临床研究者发布了针对不同肿瘤类型、分期以及不同正常器官的研究资料,总结了一些列的生物效应模型参数,RayStation中出厂默认生物模型参数均来这些已发布的临床和临床前研究,在每个模型参数后面,也都标记了该模型参数所参考的文献。

  此外,RayStation还提供一些计划设计的小技巧,在临床计划过程中也比较有效。剂量画刷、削减危及器官剂量、跌落函数等(如图22)。

  这篇关于RayStation的摘要简要地解释了系统中使用的一些先进技术,但它并不是对RayStation中所有特性的详尽描述。系统不仅包括光子的三维计划的设计和优化,而且还包括电子线的蒙卡剂量计算。同时,它还提供了广泛的计划评估功能,用户可以选择评估模块最多可以一次评估三个竞争性的计划。如果患者新扫描了CT,基于形变配准技术,还可以方便的把患者不同CT图像的剂量进行叠加。

  RaySearch的工作人员致力于为世界各地癌症中心每天遇到的具有挑战性的临床病例寻找解决方案。RayStation被设计成可以在任何地方使用,无论是小型还是大型医疗机构,通过网络配置和思杰Citrix 桌面虚拟化交付的方式,可以实现机构的远程访问。今天,RaySation为电子,光子,质子和碳离子提供了成熟的计划解决方案。新版本已支持更多的粒子治疗,例如快中子和中子俘获,氦粒子。在2019年6月份,发布的9A版本,RaySation已经支持瓦里安最新halcyon的双层多叶准直系统,详细在未来将会支持更多的治疗系统,例如后装治疗等方式。

  在2017年的12月份, RaySearch公司发布了新的一代的肿瘤信息系统-—RayCare.这个产品的目的就是全面的提供肿瘤治疗护理,同时和RayStation形成无缝对接。RayCare 将对癌症的治疗产生重大影响,使一种跨学科的肿瘤综合治疗方法成为可能。它将为临床中心带来全面的癌症治疗,并创造的提出肿瘤治疗方案的可能性。RayCare集成患者肿瘤治疗的所有方式,例如手术治疗、放疗、化疗,对患者进行全面的呵护,并可植入深度学习技术,预测患者的疗效。RayCare 将会为计划优选模块提供智能化方案,使用临床资源和患者特征来优选最佳的肿瘤治疗解决方案。展望未来,机器学习将成为RayStation和RayCare的关键组成部分,实现计划设计的自动化已经临床经验数据的共享。机器学习已经在8B版本中成功的应用于特定部位的肿瘤及危及器官的勾画,例如前列腺、肺和头颈部等。随着模型训练功能的进一步开发,用户可以方便使用RayStation提供的模型训练工具完成本地化数据的训练,使深度学习技术造福于肿瘤的综合治疗。RaySearch新建的机器学习部门在探索和发展这一领域。这个团队的目的与RaySearch的总体目标相呼应:通过软件创新为患者推进癌症治疗。返回搜狐,查看更多

澳门威尼斯人网址
CopyRight 澳门威尼斯人网址 ALL Rights Reserved