《International Journal of Particle Therapy》:Angle-dependent dose transformer algorithm for fast proton therapy dose calculations
编辑推荐:
背景:笔束扫描质子治疗(Pencil Beam Scanning Proton Therapy, PBSPT)中精确的三维剂量计算通常采用蒙特卡洛(Monte Carlo, MC)剂量引擎完成。尽管MC在剂量精度方面仍是金标准,但其高昂的计算成本限制了其在自适
背景:笔束扫描质子治疗(Pencil Beam Scanning Proton Therapy, PBSPT)中精确的三维剂量计算通常采用蒙特卡洛(Monte Carlo, MC)剂量引擎完成。尽管MC在剂量精度方面仍是金标准,但其高昂的计算成本限制了其在自适应工作流及其他需要重复重算的任务中的应用。近年来,深度学习方法已成为快速、精确质子剂量计算的有前景的替代方案。
目的与方法:研究人员针对现有深度学习质子剂量引擎的一个主要局限——即每个束流(beamlet)均需在射束视角(beam's-eye-view)下采样,且质子束方向需与横向图像平面正交,这要求对每个束流的计算机断层扫描(CT)补丁进行局部射束视角重采样——提出角度依赖剂量Transformer算法(Angle-dependent Dose Transformer Algorithm, ADoTA)。该算法通过增加一个编码快速解析束流形状投影的额外输入通道来克服上述限制。该投影提供明确的束流方向信息,使得仅需一次场级CT变换:CT在每个照射野中旋转并重采样至各向同性2×2×2 mm3网格,随后每个束流通过从该共享网格裁剪相关子体积获得。模型基于108例患者的CT数据训练,用于预测初始能量范围为70至150 MeV(胸部)及70至270 MeV(腹部/盆腔)、照射野大小为80×110 mm2的束流剂量分布,并在包含50例患者的独立非重叠测试队列上评估。
结果:在独立测试集上,ADoTA在Γ(1%, 3 mm, 0.1%)判据下,胸部及腹部/盆腔病例的伽马通过率分别达到99.40±0.86%和99.87±0.23%。批量推理在批大小为200时实现等效于每束流3.14±0.31 ms的有效吞吐量,而单束流处理需14.1 ms。通过将每个照射野重采样至2×2×2 mm3网格后仅裁剪每个束流的相关子体积,ADoTA避免了先前方法所需的束流特异性局部射束视角重采样。在两种路径均于图形处理器(GPU)上优化的5640点前列腺计划基准测试中,解析束流形状投影在计算上每束流便宜3–4倍,计入主机-设备传输后便宜约6–7倍,较批量局部射束视角采样使计划的剂量方向编码成本降低9.6倍,总计算时间降低1.48倍。对于完整治疗计划,Γ(2%, 2 mm, 10%)通过率在肺计划中平均为95.1%,前列腺计划中为96.1%,而靶区近最小剂量D98%在前列腺计划中被系统性低估处方剂量的1.8–2.5%,在胸部计划中被低估4.2–5.9%。
结论:ADoTA是一种束流角度感知的深度学习质子剂量引擎,避免了束流特异性局部射束视角重采样,仅保留单次场级CT变换。该算法在束流级别达到接近蒙特卡洛的精度,在完整计划级别达到高精度,但胸部计划中存在临床相关的靶区欠剂量。
论文解读:基于角度依赖剂量Transformer算法的快速质子治疗剂量计算
一、研究背景与问题
质子治疗因其独特的布拉格峰物理特性,在放射治疗中具有精确的剂量沉积优势,尤其在笔束扫描质子治疗(Pencil Beam Scanning Proton Therapy, PBSPT)中,陡峭的剂量梯度和射程敏感性要求对质子能量沉积进行精确建模。临床工作流中,基于CT的患者几何和优化目标定义候选质子斑点(位置和能量层),计算剂量影响矩阵,并通过逆向计划优化非负斑点权重,使最终剂量为斑点级束流的加权叠加。质子剂量对解剖异质性以及射程和摆位误差高度敏感,因此三维剂量计算的精度至关重要。
蒙特卡洛(Monte Carlo, MC)模拟作为参考标准,通过显式建模患者特异性介质中的随机质子相互作用实现高精度,但其计算成本高昂——每束流107粒子模拟需43.6秒——难以满足在线/自适应再计划以及多种不确定性场景下的鲁棒计划和评估需求。临床上广泛使用的笔束算法(Pencil Beam Algorithm, PBA)虽为快速剂量引擎,但在异质解剖结构(如胸部和头颈部)中精度下降。尽管GPU加速的PBA和类MC剂量引擎已显著缩短计算时间,但亚秒级重复束流重算方法仍是自适应和鲁棒工作流所期望的,这促使了深度学习方法的兴起。
早期深度学习研究多处理替代任务,如MC剂量去噪或从CT和结构预测临床可接受计划剂量。近年来的工作聚焦于束流级剂量引擎,代表性方法包括Neishabouri等人提出的基于长短期记忆(LSTM)网络的单能束流剂量序列建模、Pastor-Serrano和Perkó提出的基于Transformer的剂量Transformer算法(DoTA)、Pang等人提出的多能量剂量LSTM(MED-LSTM)以及Neishabouri等人后续提出的CC-LSTM。然而,现有束流级深度学习剂量引擎均要求每个束流在输入补丁中居中且垂直于采样网格,这意味着对于离轴斑点,需在预测前对每个束流的CT补丁进行局部射束视角(beam's-eye-view)重采样,随后将预测剂量重映射以进行累积。这一束流特异性步骤显著增加了计算负担。
二、研究目的与创新
为克服上述局限,研究人员提出角度依赖剂量Transformer算法(Angle-dependent Dose Transformer Algorithm, ADoTA)。该算法的核心创新在于通过额外的输入通道编码快速解析束流形状投影,该投影提供明确的束流方向信息,从而使唯一的几何变换仅为单次场级CT重采样——每个照射野将CT旋转并重采样至各向同性2×2×2 mm3网格,每个束流通过从该共享网格裁剪相关子体积获得,完全避免了束流特异性局部射束视角重采样。
三、关键技术方法
研究人员构建了包含70,285条记录的训练数据集,每条记录由三维CT体积、束流轨迹的快速投影、平均质子束流能量及对应的MC剂量组成。数据来源于癌症影像档案库(The Cancer Imaging Archive, TCIA)的两个公开数据集:92例胸部扫描(LUNG-PET-CT-Dx)和16例腹部/盆腔扫描(Stage II Colorectal CT),按患者级别80/20分层划分训练与验证集。束流采样中,等中心位置在患者体内随机采样,网格绕患者z轴按机架角度旋转,虚拟源位置按束流数据文库(BDL)的喷嘴-等中心距离放置,斑点位置在等中心平面采样,偏转角约束在±2.5°以内。每个束流使用MCsquare模拟107粒子,统计不确定度低于0.5%。独立束流级测试集包含20例额外胸部扫描和30例额外腹部/盆腔扫描,共3,500个束流;完整计划测试集使用前列腺解剖边缘病例和NSCLC放射组学数据集,计划在OpenTPS中采用标准化调强质子治疗(IMPT)流程生成,靶区剂量为60 Gy(RBE)。
四、研究结果
束流级精度评估:在独立测试集上,ADoTA在Γ(1%, 3 mm, 0.1%)判据下,胸部病例伽马通过率为99.40±0.86%,腹部/盆腔病例为99.87±0.23%,表明束流级剂量预测接近MC精度。
计算效率评估:批量推理在批大小为200时实现等效于每束流3.14±0.31 ms的有效吞吐量,单束流处理需14.1 ms。在5640点前列腺计划基准测试中,解析束流形状投影在GPU上计算每束流较批量局部射束视角采样便宜3–4倍,计入主机-设备传输后便宜约6–7倍,使方向编码成本降低9.6倍,总计算时间降低1.48倍。
完整计划级评估:对于完整治疗计划,Γ(2%, 2 mm, 10%)通过率在肺计划中平均为95.1%,前列腺计划中为96.1%。然而,靶区近最小剂量D98%在前列腺计划中被系统性低估处方剂量的1.8–2.5%,在胸部计划中被低估4.2–5.9%,提示胸部计划存在临床相关的靶区欠剂量问题。
五、讨论与结论
ADoTA通过解析束流形状投影编码束流方向信息,成功避免了束流特异性局部射束视角重采样,仅保留单次场级CT变换,显著简化了深度学习质子剂量引擎的预处理流程。该算法在束流级别达到接近MC的精度,在完整计划级别达到高精度,同时大幅提升计算效率,为自适应再计划和鲁棒评估等需要重复剂量计算的工作流提供了实用解决方案。胸部计划中观察到的靶区欠剂量现象提示模型在异质解剖结构中的剂量预测存在系统性偏差,需在后续工作中进一步优化。总体而言,ADoTA代表了一种高效且准确的束流角度感知深度学习质子剂量引擎,具有临床转化潜力。