机器人放射治疗计划智能优化设计研究

Robotic radiotherapy is inherently more suitable for stereotactic radiosurgery (SRS) and stereotactic body radiation therapy (SBRT) due to its multi-isocenter and non-coplaner characteristic. It has been widely used in a broad range of treatment sites with excellent local tumor control. However, robotic radiotherapy is a relatively novel technique and the treatment planning system (TPS) is a relatively closed system. The research on treatment planning optimization is rather limited, which greatly hinders the possibility to fully exploit its advantage. In order to address this issue, this project aims to develop an automatic treatment planning optimization technique of robotic radiotherapy. The research plan is to first initialize a set of beams to cover search space as completely as possible, if not exhaust; then interpret the clinical demands from the mathematical perspective, and model them as solvable terms; and finally simplify the model based on its physical meaning and accelerate the optimization. Furthermore, this study also aims to develop a dose distribution prediction model via deep learning to achieve automatically planning and reduce the dependence on clinical experience. The ultimate goal of this project is to be able to perform automatic, intelligent, uniform and rapid planning of radiation treatment, and lay a solid foundation to bring the domestic robotic radiotherapy to the advanced world level.

机器人放射治疗系统灵活的多等中心非共面聚焦的治疗方式更加适用于立体定向放射外科手术和体部立体定向放射治疗，在临床上取得了很好的治疗效果。由于机器人放射治疗技术相对比较新颖，治疗计划系统也比较封闭，针对治疗计划优化设计的研究比较欠缺，远远没有发挥出机器人放疗系统的硬件设计优势。针对这一问题，本项目拟开展机器人放射治疗智能计划优化设计的研究。具体的研究思路是：首先根据机器人放疗的特点初始化尽可能完备的搜索空间；从数学角度深入理解临床需求，在此基础上建立合理的优化模型；从优化模型的物理意义出发，从根本上解决优化的简化和加速问题。在此基础上，利用深度学习技术手段建立剂量分布和优化目标预测模型，从根本上减少对物理师经验的依赖度，提高治疗计划设计的标准化程度。通过本项目的研究最终实现自动化、智能化、标准化和快速化治疗计划设计，为机器人放疗设备的自主研发打下坚实的基础。

项目针对机器人放射治疗计划优化设计智能方法开展研究。针对机器人放射治疗系统灵活的多等中心非共面聚焦的治疗方式，项目提出了一种模拟移动射野等效光锥覆盖靶区的机制，在不引入过多冗余的前提下，充分利用治疗空间；项目通过理论分析和实验手段证明，初始化射野的密度为射野的边缘正好处于相邻射野的中心时，能取得优化速度和优化结果的最佳平衡。项目提出了一种压缩感知的优化模型，通过射野权重l1范数和Node权重l2范数(group lasso)正则项分别减少射束和节点的个数，并通过全局最优的l0范数正则混合整形规划模型进行验证；实验结果表明压缩感知优化模型与混合整形规划的优化结果基本一致，但是优化速度提高了近50倍。项目从数学和物理角度分析了剂量矩阵退化的原因，提出了利用随机奇异值分解的方法将优化变量投射到低维度空间，完成优化在反投影回原空间，优化速度提高了5倍。项目提出利用深度卷积网络预测治疗计划的剂量分布，从而得出相应的剂量体积直方图（DVH）用于指导治疗计划的优化设计，实验结果表明通过网络预测得到的结果与经验丰富的物理师设计得到的治疗计划具有基本一致的剂量分布，相应的DVH满足用于治疗计划设计的要求。此外，项目完成了具有用户交互界面的实验平台，具有治疗计划设计与评估等相关功能。最后，通过复杂程度不同的病例与现有的商用治疗计划设计系统，进行了对比：项目提出的治疗计划优化方法得到的治疗计划能够更好地保护了危及器官，同时靶区剂量分布的适形度更好。综上所述，通过本项目的研究基本实现自动化、智能化、标准化和快速化的治疗计划设计，为机器人放疗设备的自主研发打下坚实的基础。