基于蒙特卡罗方法的核磁共振引导放疗快速计划优化系统研究

MRI-LINAC can provide high soft-tissue contrast image during radiation treatment(namely MRI-guided radiotherapy), which has great advantage on on-line and real-time adaptive radiotherapy. Monte Carlo (MC) method is needed to calculate the dose distribution in magnetic field for MRI-guided radiotherapy, however, the traditional MC-based intensity modulated radiotherapy (IMRT) plan optimization method is less efficient and requires a lot of memory storage. It is therefore difficult to expand to volume modulated arc therapy (VMAT) to complete fast and on-line plan optimization. This project is based on the applicant's previous study on GPU-MC based fast IMRT plan optimization system, the following studies are to be carried out: 1)Implement the electron transportation physics under magnetic field into the previous GPU-MC code and investigate the fast variance reduction implementation method which is suitable for the GPU-MC code to further improve the efficiency. 2)Design a new GPU-MC based rapid IMRT/VMAT plan optimization system and some key algorithms for MRI-guided radiotherapy to improve the plan optimization quality and efficiency, and to provide a powerful tool for the clinical application of online adaptive radiotherapy.

核磁共振(MRI)加速器能够在放疗过程中提供无电离辐射的高软组织对比度患者影像(即MRI引导放疗)，对于开展在线以及实时自适应放疗具有极大的优势。MRI引导放疗的计划优化需要采用蒙特卡罗(MC)方法计算磁场下的剂量分布，传统的基于MC剂量计算的调强放疗(IMRT)计划优化方法计算效率较低，且需要耗费大量的存储空间，难以实现快速以及在线容积旋转调强放疗(VMAT)计划优化。本项目以申请人前期基于GPU-MC的快速IMRT放疗计划优化系统研究为基础，拟开展以下研究：1)在先前GPU-MC程序中扩展磁场下带电粒子的输运物理，并研究适用于GPU-MC程序的快速减方差植入方法以进一步提高GPU-MC计算效率；2)设计全新的基于GPU-MC的快速放疗计划优化系统及关键算法，提高计划优化质量和效率，以期实现MRI引导放疗快速以及在线IMRT/VMAT计划优化，为在线自适应放疗技术的临床应用提供有力工具。

磁共振（MRI）加速器能够在患者每分次治疗前获取高质量的软组织对比度影像，实现更准确的靶区勾画及定位，通过对患者分次治疗计划进行在线调整或再优化，从而实现在线自适应放疗，能够最大化患者的治疗增益比，具有非常重要的临床价值。然而，MRI 引导放疗的在线计划优化存在以下困难：1、剂量沉积过程受磁场影响，如电子返回效应，目前放疗计划系统普遍采用的解析剂量计算方法不能准确地考虑上述磁场的影响。蒙特卡罗(MC)方法虽然可以准确计算位于磁场中的介质内部剂量分布，但传统MC方法计算较慢，无法满足在线计划优化的事件需求；2、在线MRI影像无法提供电子密度信息，不能直接用于剂量计算；3、传统计划优化过程需要手动调节目标权重因子，自动化程度低，制约了计划优化效率。本项目针对以上问题，分别开展了以下研究：1、采用商业计划系统中的卷积/叠加算法评估了其在磁场下的剂量计算准确度。在先前GPU-MC程序gDPM基础上扩展了带电粒子在磁场中的输运物理，并进一步植入了减方差技术，实现了磁场下的快速精准剂量计算引擎。2、采用深度学习技术建立了MRI影像合成伪CT图像的转换模型，为计划优化过程中的剂量计算提供了准确的电子密度信息。采用机器学习技术建立了患者个体化剂量学目标的预测模型，为分次在线计划优化设定初始剂量目标值并引导放疗计划的自动优化。此外，在优化过程中耦合gEUD目标进一步减少危及器官的剂量。本项目实现的快速磁场下GPU-MC剂量计算引擎，能够在40s以内完成剂量计算，并实现剂量计算统计误差小于1%。通过优化并植入减方差技术，进一步提高了GPU-MC剂量计算效率。本项目构建的患者个体化三维剂量分布预测模型能够准确地预测患者的剂量学目标，通过耦合gEUD优化目标函数，形成了智能快速在线计划优化的有效解决方案，在保证计划质量的同时提高了计划优化效率。本项目取得的研究成果有望为磁共振加速器的快速在线计划优化这一临床需求提供有力的手段，从而提高磁共振加速器的临床服务能力。