中华放射医学与防护杂志  2018, Vol. 38 Issue (10): 751-755   PDF    
引用本文
王雪桃, 肖江洪, 赵建玲, 王强, 宋莹, 柏森. 基于RayStation计划系统的宫颈癌容积旋转调强自动计划设计[J]. 中华放射医学与防护杂志, 2018, 38(10): 751-755, DOI: 10.3760/cma.j.issn.0254-5098.2018.10.006.
基于RayStation计划系统的宫颈癌容积旋转调强自动计划设计
王雪桃 , 肖江洪 , 赵建玲 , 王强 , 宋莹 , 柏森     
610064 成都, 四川大学华西医院放射物理技术中心
收稿日期: 2018-04-12
通信作者: 柏森, Email:Baisen@scu.edu.cn
[摘要] 目的 研究在RayStation 4.7计划系统平台上实现基于预测模型和自动优化算法的宫颈癌容积旋转调强（VMAT）全自动计划设计。方法 选取40例宫颈癌VMAT专家计划进行分析，使用主成分回归分析方法建立危及器官的体积剂量直方图（DVH）预测模型，运用IronPython编程语言在RayStation 4.7计划系统平台上实现基于预测模型的宫颈癌VMAT计划的自动创建和自动优化，并通过与手动计划的比较来评估自动计划的质量和效率。另外选取10例专家计划用于验证模型的准确性和自动计划的可行性。结果 10例宫颈癌VMAT计划测试结果显示预测模型能够很好地预测直肠、膀胱和小肠的剂量体积参数；自动计划与专家计划相当，而与原始手动计划相比，靶区的均匀性和适形性差异无统计学意义（P> 0.05），膀胱平均V40和V50下降4.3%和1.6%，（t=2.75、5.26，P < 0.05），直肠平均V30、V40和V50下降6.8%、5.8%和2.1%（t=2.26、3.55、5.19，P < 0.05），左右股骨头平均剂量分别下降380和322 cGy（t=5.55、7.25，P < 0.05），小肠平均剂量差异无统计学意义（P> 0.05）。自动计划和手动计划平均用时分别为36和53 min。结论 RayStation计划系统平台上基于IronPython语言并结合预测模型的自动计划程序能够快速高效地完成高质量的宫颈癌VMAT计划。
[关键词] 自动计划     DVH预测     RayStation计划系统     IronPython语言    
Evaluation of fully automated volumetric modulated arc therapy planning of cervical cancer in RayStation treatment planning system
Wang Xuetao, Xiao Jianghong, Zhao Jianling, Wang Qiang, Song Ying, Bai Sen     
Radiation Physics Center, West China Hospital, Sichuan University, Chengdu 610064, China
Corresponding author: Bai Sen, Email:Baisen@scu.edu.cn
[Abstract] Objective To evaluate the feasibility of an in-room automated volumetric arc therapy (VMAT) planning engine based on dose volume histogram (DVH) prediction model in RayStation treatment planning system. Methods A total of 40 VMAT plans of cervix cancer, planned by experts, were chosen to build DVH estimation model by principal component regression analytic method. An in-room automated VMAT planning program based on IroPython scripting language combined with DVH prediction model was performed in RayStation treatment planning system. The DVH estimation model was applied to Another 10 testing cases of cervical cancer and the feasibility was evaluated by comparing the automatic plans with manual plans. Results The predicted DVH of organs at risk showed a good fit with real DVH in the ten testing cases. There were no statistically significant differences between manual and automatic plans in PTV conformal index (CI) and homogeneity index (HI) (P> 0.05). V40 and V50 of bladder were significantly decreased by 4.3% and 1.6% in automatic plans (t=2.75, 5.26, P < 0.05). V30, V40 and V50 of rectum were also decreased by 6.8%, 5.8% and 2.1%(t=2.26, 3.55, 5.19, P < 0.05). Both left and right femoral heads were better spared in automatic plans with average doses decreased by 380 and 322 cGy(t=5.55, 7.25, P < 0.05). The time of creating a treatment plan was 36 min for automatic plan and 53 min for manual plan. Conclusions The fully automated VMAT treatment plan program can create a VMAT plan of cervix cancer with high efficiency and good quality.
[Key words] Automatic planning     DVH estimation     RayStation TPS     IronPython language    

容积旋转调强放射治疗(VMAT)能够获得与静态调强放射治疗(IMRT)相当甚至更优的剂量分布，但其治疗时间显著缩短，因此越来越广泛地应用于各部位肿瘤的治疗[1-3]。在VMAT计划设计过程中，初始优化目标函数的设置对优化结果有着重要影响，合理的优化目标可以有效提高计划的质量和效率，但是在开始优化之前，靶区和危及器官(OAR)所能达到的最佳剂量分布是未知的，通常的做法是计划设计者根据经验设置一组优化目标，然后在优化过程中不断调整，经过多轮优化后获得临床可接受的结果。这种做法依赖于计划设计者的经验和技巧以及投入的时间和精力。随着现代放射治疗计划系统的发展，自动计划已经成为当前研究的热点[4-10]，美国瓦里安公司的Eclipse计划系统和飞利浦公司的Pinnacle计划系统分别推出的Rapid-Plan和Auto-Plan也在临床应用中显示出了自动计划的优势[4-7, 10]。本研究在瑞典Raysearch公司的RayStation 4.7计划系统平台上，结合Rapid-Plan和Auto-Plan的特点，使用IronPython编程语言并结合.net框架，实现宫颈癌VMAT计划的全自动化设计，并比较自动计划与手动计划，评估自动计划的质量和效率。

资料与方法

1.病例选择:从患者数据库中选择50例已执行的宫颈癌VMAT计划，由经验丰富的剂量师对这50例计划继续执行优化，在保证靶区适形性和均匀性指数变化不超2%的前提下尽量降低危及器官的受量，最终生成50例专家计划。其中40例用于建立危及器官剂量预测模型，10例用于验证预测模型的准确性和全自动计划设计的可行性。这50例病例均为宫颈癌术后放疗，具有相同的处方和照射方式，计划靶体积(PTV)处方量为5 040 cGy/28次，靶区勾画以RTOG-0418号报告[11]为依据，OAR的剂量限值分别为：直肠、膀胱：V40 < 60%, V50 < 50%；小肠：V30 < 40%, V50 < 5%；股骨头：V50 < 5%。所有计划均采用双全弧射野，6 MV X射线，在瑞典医科达公司的Versa HD加速器上执行。

2.建立危及器官剂量预测模型：已有文献报道OAR所接受的剂量与距离靶区的远近和靶区体积相关[12]，文献也证明了宫颈癌患者OAR和靶区之间的空间位置关系与OAR的DVH指数相关[13]。本研究通过回归分析方法提取OAR剂量与Rv-d的关系，建立OAR的DVH预测模型。其中Rv-d定义为靶区外扩d mm后包含的OAR体积占OAR总体积的份额。为简化分析过程，本研究只对OAR的有限几个DVH指数V30、V40和V50(即危及器官接受30、40和50 Gy剂量的百分体积)进行预测，d分别取值0、3、8、15、25、35和45 mm，这时Rv-d可表示成Rv-0，Rv-3，Rv-8，Rv-15，Rv-25，Rv-35和Rv-45, OAR的DVH与Rv-d的关系可用矩阵形式表达为VD=BRV-D, B为回归系数，求出B即可得到OAR的V30、V40和V50预测模型，为消除Rv-0，Rv-3，…，Rv-45之间的共线性，使用主成分回归分析方法，通过降维的方式将B中多个相关的原始变量转换为几个独立的综合指标，在本研究中保留特征值大于1的主成分。

共有40例宫颈癌VMAT专家计划用于模型的训练，各OAR的V30、V40和V50的拟合优度列于表 1。

表 1 危及器官DVH剂量学参数V30、V40和V50的拟合优度 Table 1 Fit goodness of V30, V40 and V50 for OAR′ s DVH

3.自动计划程序：RayStation 4.7计划系统提供了强大的脚本编辑功能, 用户可通过调用内置函数访问数据库执行各种操作，其脚本语言IronPython是一种基于Microsoft.Net的Python语言，与.Net Frame Work具有良好的兼容性，本研究使用IronPython V 2.7编程语言并结合.net框架，设计标准的可视化自动计划程序，用户仅需输入靶区及处方即可实现一键式的计划设计，该程序的主要模块包括创建辅助器官，计算Rv-d，预测OAR的DVH，添加计划和射野，添加优化目标和设置优化参数，自动优化，根据优化结果自动调整优化参数。

各模块调用的主要内部函数和变量见表 2。在添加优化目标时，靶区和辅助环的优化目标直接调用模板，而直肠、膀胱和小肠则使用预测值。自动调整优化参数的实现方法与之前提出的方法类似[9]，即针对危及器官，程序会根据每次优化完成后危及器官的函数值收紧或放松限制条件，直至该目标的函数值位于0.002~0.004之间。

表 2 各模块调用的主要函数和变量 Table 2 The main functions and variables called in the program

4.统计学处理：数据符合正态分布，以x±s表示。使用SPSS 19.0软件进行分析。专家计划和原始手动计划分别与自动计划采用配对样本t检验进行比较。P＜0.05为差异有统计学意义。

结果

1.预测模型：将预测模型应用于验证组的10例患者，各OAR的DVH参数预测值和专家计划的真实值的平均差别见表 3。从表中数据可看到该预测模型可以很好地预测直肠、膀胱和小肠的V30、V40和V50，这几个指数的平均最大差别 < 2%。

表 3 危及器官DVH实际值与预测值比较(%，x±s) Table 3 Comparison between real and predicted DVH of OARs(%, x±s)

2.自动计划：运行自动计划程序，实现10例测试患者的全自动VMAT计划，并分别与专家计划和原始手工计划使用配对t检验进行比较。3组计划均归一至95%的靶体积达到处方5 040 cGy，结果列于表 4。适形性指数(CI)定义为CI=(Vt, ref/Vt)×(Vt, ref/Vref)，其中Vt为靶区体积，Vt, ref为参考等剂量线包绕的靶区体积，Vref为参考等剂量线包绕的全部体积。均匀性指数(HI)定义为HI=(D2/D98)/D50，其中D2、D50和D98分别表示2%、50%和98%靶区体积接受的最小剂量。从表 4可看到，自动计划的各个剂量学指标与专家计划相当，膀胱、直肠的V30和V40甚至低于专家计划。而自动计划与原始手工计划相比，两组计划的靶区适形性和均匀性差异无统计学意义(P > 0.05)，膀胱平均V40和V50下降4.3%和1.6%(t=2.75、5.26，P < 0.05)，直肠平均V30、V40和V50下降6.8%、5.8%和2.1%(t=2.26、3.55、5.19，P < 0.05)，左右股骨头平均剂量分别下降380和322 cGy(t=5.55、7.25，P < 0.05)，小肠平均剂量稍有下降，但差异无统计学意义(P> 0.05)。在对工作效率进行评估时，平均每完成1例自动计划用时36 min，而完成1例手动计划用时53 min。

表 4 自动计划与手动计划剂量学参数比较(x±s) Table 4 Dosimetry comparison of automatic and manual plans(x±s)

讨论

近年来随着现代放射治疗计划系统的发展，自动计划已经成为研究的热点[4-6, 8-9, 14]。目前比较成熟的自动计划包括美国瓦里安公司基于Eclipse V 13.5平台的RapidPlan[5]和美国飞利浦公司基于Pinnacle V 9.10平台的Auto-Plan[6]，Auto-Plan模拟经验丰富的计划设计师，在优化过程中自动添加目标参数、限制条件和权重，使用迭代算法在优化过程中自动调整优化参数或权重来实现计划的不断优化。Rapid-Plan是基于先验知识的优化引擎，需要通过建立计划数据库来建立和训练DVH预测模型，在建立和训练DVH预测模型时，OAR会被分割为射野外、射野内、射野内与靶区重合等不同区域，计算这些不同区域的体积、DVH和GED(geometry-based expected dose)，由这些数据建立DVH预测模型[5]。本研究提出的自动计划基于瑞典Raysearch公司的Raystation 4.7计划系统平台，结合了RapidPlan和Auto-Plan的优点，即既在优化前预测危及器官的剂量，又在优化过程中通过算法调整优化目标函数。

准确的剂量预测模型可以提供合理的初始优化目标，从而提高计划优化的质量和效率，本研究所使用的预测模型与Wu等[8]的OVH-KBP预测模型类似，都是基于危及器官所接受的剂量与距离靶区表面远近相关的假设。在计划评估过程中，医生通常会关注直肠、膀胱和小肠的V30、V40和V50指标，在本研究中，对DVH进行预测的目的是为了得到危及器官比较合理的初始优化目标，因此，为简化分析过程，本研究将OAR的DVH离散化为有限几个参数即V10、V20、V30、V40和V50，但低剂量区几乎覆盖OAR，V10、V20与Rv-d的相关性不大，最终只对V30、V40和V50进行预测，并将预测值设置为初始优化条件。

10例验证组的自动计划结果显示，两组计划靶区CI和HI指数差异无统计学意义。危及器官中，膀胱和直肠的平均剂量稍有降低，小肠剂量无明显差异，但股骨头剂量明显降低，这是由于股骨头剂量限值相对宽松，优化过程中很容易满足要求，手动计划在条件满足之后没有刻意去降低其剂量，而自动计划在优化过程中会依据函数值自动收紧限制条件从而进一步降低股骨头的剂量。

基于先验信息的自动计划程序简单高效，但建立剂量预测模型时对数据的要求比较严格，用于建模的数据质量以及数据规模可能会影响模型的质量。Li等[15]研究了数据库大小对直肠癌VMAT计划DVH预测模型的影响，对形状相似的靶区，样本大小选择30例、60例或90例计划对预测模型的影响并不明显。本研究为得到可靠的预测模型，严格挑选了40例用于建模的数据，另外10例测试例的验证结果也表明了该预测模型的可靠性。即使存在“劣持经验导致劣质模型(rubbish in, rubbish out)”的可能性，在优化过程中程序仍会依据目标函数值自动收紧或放宽优化目标。但该模型的局限性在于对不同的处方剂量模式、不同的加速器模型需要重新建模。

利益冲突 本研究接受四川大学优秀青年教师科研启动基金(2017SCU11020)资助，由署名作者按以下贡献声明独立开展，未接受有关公司的任何赞助，不涉及各相关方的利益冲突，在此对研究的独立性和科学性予以保证
作者贡献声明 王雪桃负责采集数据，论文撰写，对结果进行统计和分析；肖江洪、赵建玲、王强、宋莹负责计划优化和数据处理；柏森设计实验，指导论文的撰写和修改
参考文献
[1]
Holt A, van Vliet-Vroegindeweij C, Mans A, et al. Volumetric-modulated arc therapy for stereotactic body radiotherapy of lung tumors:a comparison with intensity-modulated radiotherapy techniques[J]. Int J Radiat Oncol Biol Phys, 2011, 81(5): 1560-1567. DOI:10.1016/j.ijrobp.2010.09.014
[2]
Cozzi L, Dinshaw KA, Shrivastava SK, et al. A treatment planning study comparing volumetric arc modulation with RapidArc and fixed field IMRT for cervix uteri radiotherapy[J]. Radiother Oncol, 2008, 89(2): 180-191. DOI:10.1016/j.radonc.2008.06.013
[3]
Palma D, Vollans E, James K, et al. Volumetric modulated arc therapy for delivery of prostate radiotherapy:comparison with intensity-modulated radiotherapy and three-dimensional conformal radiotherapy[J]. Int J Radiat Oncol Biol Phys, 2008, 72(4): 996-1001. DOI:10.1016/j.ijrobp.2008.02.047
[4]
Buergy D, Sharfo AW, Heijmen BJ, et al. Fully automated treatment planning of spinal metastases-a comparison to manual planning of volumetric modulated arc therapy for conventionally fractionated irradiation[J]. Radiat Oncol, 2017, 12(1): 33. DOI:10.1186/s13014-017-0767-2
[5]
Fogliata A, Belosi F, Clivio A, et al. On the pre-clinical validation of a commercial model-based optimisation engine:application to volumetric modulated arc therapy for patients with lung or prostate cancer[J]. Radiother Oncol, 2014, 113(3): 385-391. DOI:10.1016/j.radonc.2014.11.009
[6]
Krayenbuehl J, Norton I, Studer G, et al. Evaluation of an automated knowledge based treatment planning system for head and neck[J]. Radiat Oncol, 2015, 10: 226. DOI:10.1186/s13014-015-0533-2
[7]
Petit SF, Wu B, Kazhdan M, et al. Increased organ sparing using shape-based treatment plan optimization for intensity modulated radiation therapy of pancreatic adenocarcinoma[J]. Radiother Oncol, 2012, 102(1): 38-44. DOI:10.1016/j.radonc.2011.05.025
[8]
Wu B, Ricchetti F, Sanguineti G, et al. Data-driven approach to generating achievable dose-volume histogram objectives in intensity-modulated radiotherapy planning[J]. Int J Radiat Oncol Biol Phys, 2011, 79(4): 1241-1247. DOI:10.1016/j.ijrobp.2010.05.026
[9]
何垠波, 张隆彬, 肖江洪, 等. 鼻咽癌自动调强放疗计划设计的可行性[J]. 生物医学工程学杂志, 2015, 32(6): 1288-1293.
He YB, Zhang LB, Xiao JH, et al. Feasibility of automatic treatment planning in Intensity-modulated radiotherapy of nasopharyngeal carcinoma[J]. J Biomed Eng, 2015, 32(6): 1288-1293. DOI:10.7507/1001-5515.20150229
[10]
Ruan D, Shao W, Demarco J, et al. Evolving treatment plan quality criteria from institution-specific experience[J]. Med Phys, 2012, 39(5): 2708-2712. DOI:10.1118/1.4704497
[11]
Small W, Mell LK, Anderson P, et al. Consensus guidelines for the delineation of the clinical target volume for intensity modulated pelvic radiotherapy in the postoperative treatment of endometrial and cervical cancer[J]. Int J Radiat Oncol Biol Phys, 2007, 71(2): 428-434. DOI:10.1016/j.ijrobp.2007.09.042
[12]
Zhu X, Ge Y, Li T, et al. A planning quality evaluation tool for prostate adaptive IMRT based on machine learning[J]. Med Phys, 2011, 38(2): 719-726. DOI:10.1118/1.3539749
[13]
王强, 李光俊, 宋莹, 等. 宫颈癌VMAT计划中OAR的DVH预测价值[J]. 中华放射肿瘤学杂志, 2016, 25(8): 839-842.
Wang Q, Li GJ, Song Y, et al. Predictive value of dose-volume histograms of organs at risk in volumetric modulated arc therapy plans for cervical cancer[J]. Chin J Radiat Oncol, 2016, 25(8): 839-842. DOI:10.3760/cma.j.issn.1004-4221.2016.08.010
[14]
Wu B, Kusters M, Kunze-Busch M, et al. Cross-institutional knowledge-based planning (KBP) implementation and its performance comparison to auto-planning engine (APE)[J]. Radiother Oncol, 2017, 123(1): 57-62. DOI:10.1016/j.radonc.2017.01.012
[15]
Li K, Zhou L, Chen Z, et al. SU-F-T-348:The impact of model library population on rapid plan based dose volume histograms (DVHs) prediction for rectal cancer patients treated with volumetric modulated radiotherapy (VMAT)[J]. Med Phys, 2016, 43(6): 3543-3543. DOI:10.1118/1.4956533