摘要
近年来，癌症治疗已成为全球公共健康领域面临的主要挑战之一。目前，癌症治疗的核心策略主要包括手术、放射治疗以及化疗。其中，放射治疗仅次于外科手术，对癌症治疗的贡献巨大，调查显示高达70%的癌症患者需要接受放射治疗。因此，开发更有效的放射治疗手段是医学领域的一项紧迫任务。重离子放射治疗因其具有高能带电粒子束(如碳离子)的独特物理性能和其高的相对生物学效应(relative biological effectiveness, RBE)而受到关注。这些高能粒子具有布拉格峰特性和较小的侧向散射，能够在体内形成高剂量的尖峰，精确地瞄准并摧毁肿瘤细胞，同时最大限度地保护周围的正常组织不受损害。 随着对重离子放疗效果的深入研究和深度学习(deep learning，DL)等人工智能(Artificial Intelligence，AI)技术的应用，研究者们已经在图像分割，靶区自动勾画等方面取得了许多突出的成果。然而，在推进此技术的应用过程中，依旧面临着不少挑战和难题。这些主要包括如何提高现有剂量计算的准确度，有效实现重离子在线自适应放疗(Online Adaptive Radiotherapy，OART)以及对放疗计划的快速质量保证(Quality Assurance，QA)等关键技术问题。 针对以上问题，本研究致力于开发和验证一种新颖的DL模型——级联分层密集连接3D U-Net(Cascaded Hierarchically Densely Connection 3D U-Net，CHD U-Net)，该模型结合了三维卷积神经网络、密集卷积模块和级联机制，旨在提高重离子放疗中蒙特卡罗(Monte Carlo，MC)剂量预测的准确性和效率。通过分析重离子放疗的优势及其现有的剂量计算方法，本研究深入探讨了DL在放疗MC剂量预测中的应用及面临的挑战，得出以下主要结果和结论： (1)本文通过多组对比实验，CHD U-Net 在计划靶区(Planning Target Volume， PTV)和整个人体体素内的剂量预测分布(Artificial Intelligence Dose，AIDose)与金标准 MC 模拟剂量分布(Monte Carlo Dose，MCDose)以 3%/3 mm 为标准进行伽马通过率(Gamma Passing Rate，GPR)计算分析，结果显示可达 99%一致性，相比其他DL模型和现有解析算法的剂量计算或预测结果有着极大提升，证明了CHD U-Net 在重离子放疗 MC 剂量预测中的高准确性，CHD U-Net 在剂量预测上表现出显著的优势。 (2)此外，本文还进一步探讨了重离子单野均匀剂量(Single Field Uniform Dose，SFUD)和调强质子治疗(Intensity-Modulated Proton Therapy，IMPT)不同治疗计划设计方案对 CHD U-Net 剂量预测准确度及泛化能力的影响，实验结果表明，在加入 PTV 区域的二值掩码图像后，以 3%/3 mm 为标准进行 GPR 分析，多组实验结果均显示，基于IMPT计划下的PTV区域剂量预测的准确性提升均超过20%，并且对于两种放疗计划的整个人体体素内的GPR均能达到95%以上，证明 CHD U-Net 能以秒量级的速度提高现有解析算法的准确度，具有较强的泛化能力，并为医师是否需要进行传统的MC模拟提供参考信息。 (3)为了实现 OART 和快速 QA，本文开发了基于 GATEv9.1/Geant4v10.7.4 MC 模拟仿真平台的独立重离子放疗 MC 剂量预测模型——通道注意力级联分层 密 集 连 接 3D U-Net(Channel Attention Cascaded Hierarchically Densely Connection 3D U-Net，CA-CHD U-Net)。该模型利用患者 CT 图像、三维能量矩阵和Ray-mask二值掩码图作为输入，从数据获取到预测MC剂量分布只需数秒，在PTV 区域，AIDose 和 MCDose的平均 GPR(3%/3 mm)能达到 99.31%，整个人体体素内的平均 GPR 达到 96.48%，极大地提高了放疗计划制定和验证的效率，为实线重离子OART和快速QA提供了新的方案。 本研究不仅展示了 CHD U-Net 及其衍生模型在重离子放疗 MCDose预测方面的卓越性能，还为放疗计划的准确性和效率提升提供了有力的技术支持。此外，本研究为DL技术在医学放射领域的应用和发展开辟了新的可能性，为未来的重离子放疗研究和临床实践提供了宝贵的参考信息。
NETL