目的:研究基于联影直线加速器电子射野影像装置(EPID)在体剂量验证方法在临床中的应用。方法:选取河南省人民医院收治的68例行容积旋转调强放疗(VMAT)的肿瘤患者，其中，头颈部32例、胸部16例和腹盆部20例。每位患者均执行治疗前Arccheck剂量验证(Pre Arccheck)、治疗前EPID剂量验证(Pre EPID)，以及治疗中前3次和随后每周1次的扇形束计算机断层成像(FBCT)位置验证和在体EPID剂量验证(In vivo EPID)。当任一方向摆位误差(左右 x、头脚 y和垂直 z)均<3 mm时实施治疗，并根据 x、 y和 z计算三维摆位偏差 d；否则，执行位置校正。 结果:68例患者Pre EPID和In vivo EPID γ通过率分别为(99.97±0.1)%和(94.15±3.84)%，与Pre Arccheck的(98.86±1.48)%相比，差异有统计学意义( t＝－6.12、9.43， P<0.05)。胸部、腹盆部和头颈部的In vivo EPID γ通过率相比，差异无统计学意义( P>0.05)。Pre EPID γ通过率和首次In vivo EPID γ通过率的差值(5.56±3.72)%与对应的三维摆位偏差 d(1.46±1.51)mm之间无相关( P>0.05)。随着治疗进行，In vivo EPID γ通过率由第1周的(94.15±3.84)%逐步减小到第5周的(92.15±3.24)%；从第3周开始至第5周，In vivo EPID γ通过率与第1周的相比，差异均有统计学意义( t＝2.48、2.75、3.09， P<0.05)。 结论:3 mm内摆位误差不影响在体剂量验证的γ通过率，在体剂量验证γ通过率临床可接受阈值的确定仍需进一步的研究，同时在体剂量验证可为自适应放疗的临床应用提供一定的支持。

目的:基于卷积神经网络(convolutional neural networks, CNN)对多视角闪烁光处理，重建放射治疗中三维相对剂量分布。方法:利用互补金属氧化物半导体(CMOS)成像传感器捕获正交三视角的荧光图像，将荧光图像转化为三维图像，输入已训练的卷积神经网络中进行剂量重建，分别评估不同射野重建剂量的伽马通过率、均方误差(MSE)、百分深度剂量(PDD)曲线和横向剂量分布(CBP)曲线。卷积神经网络模型为3D-Unet，其预先在虚拟数据集上进行训练。结果:以50%最大剂量为阈值，3%/3 mm为标准，所有射野重建分布中心层面伽马通过率和立体平均伽马通过率均超过90%，均方误差维持在1%以下。所有射野重建分布的PDD曲线均方误差在1‰以下，CBP曲线均方误差在1%以下。结论:本研究实现了一种基于深度学习的三维闪烁光重建方法，完善了基于塑料闪烁体的瞬时三维相对剂量验证。

目的:采用基于放射组学的机器学习方法，探索盆腔肿瘤不同调强放疗技术下γ通过率(GPR)分类预测模型的可行性，并比较了4种集成树模型的分类性能。方法:回顾性收集了409例使用不同调强放疗技术的计划，采用基于模体测量方式的三维剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、自适应增强、极端梯度提升树和轻量级梯度提升机4种机器学习算法，并且通过计算灵敏度、特异度、 F1分数及曲线下面积(AUC)值来评估它们的分类性能。 结果:随机森林、自适应增强、极端梯度提升树、轻量级梯度提升机模型的灵敏度和特异度分别为0.96、0.82、0.93、0.89和0.38、0.54、0.62、0.62， F1分数和AUC值分别为0.86、0.81、0.88、0.86和0.81、0.77、0.85、0.83。其中极端梯度提升树模型的灵敏度达到0.93，特异度、 F1分数和AUC值均为最高，要优于其他3种模型。 结论:针对采用不同调强放疗技术的盆腔肿瘤调强计划，使用基于放射组学的机器学习方法来构建伽马通过率分类预测模型具有一定的可行性，能够为将来GPR预测的多机构合作研究提供基础。

目的:比较γ与剂量体积直方图(DVH)在宫颈癌容积调强弧形治疗(VMAT)剂量验证中的应用，并评估两者反映剂量偏差的能力。方法:选取20例宫颈癌VMAT病例，由TrueBeam投照、使用FC65-G及ArcCheck测量并与Eclipse计算点、面剂量比对。由3DVH软件重建患者剂量，比较重建靶区D mean、D 95%、D 98%、D 2%，左右股骨头V 20Gy，直肠V 40Gy，脊髓D 1cm 3及50%处方剂量包绕区(IDV) D 98%、D 2%、D 50%与计划值差异并对各器官行三维γ分析。使用皮尔森相关系数分析点剂量偏差、二维γ通过率及其平均值、各器官三维γ通过率与剂量偏差相关性。 结果:电离室实测、3DVH重建与计划计算点剂量间偏差小，二维γ比对均通过(3%/3 mm，≥90%)。靶区平均剂量、IDV各参数偏差小于3%，直肠V 40Gy偏差差异最大。左右股骨头三维γ通过率最高，脊髓差异波动最大。实测、重建点剂量偏差大都与剂量偏差呈中等强度相关，二维γ通过率与各器官剂量偏差未发现明显相关，各病例靶区三维γ通过率与自身及IDV D 50%偏差间存在极强相关，其余相关性强弱无规律。 结论:基于γ和DVH评估均能一定程度揭示剂量误差，但均存在一定局限，临床中应将两者联合应用。

目的:研究不同程度的偏中心计划对肺癌立体定向放疗(SBRT)计划质量和执行准确度的影响，为肺癌SBRT的临床计划设计提供参考。方法:首先，选取10例肺癌SBRT患者，将计划等中心置于肿瘤质心位置，设计等中心参考计划。将计划等中心置于偏离肿瘤质心1、3、5、8及10 cm位置，设计偏中心计划，共计60个，分析这些偏中心计划相对于参考计划的剂量学差异。然后，引入不同程度的位置误差(0~5 mm)，利用Octavius 4D高分辨率剂量验证系统，测量这些计划的伽马通过率(GPR)，完成240次计划验证，分析参考计划和偏中心计划的执行准确度对位置误差的鲁棒性。结果:偏中心计划的剂量梯度指标略差于等中心计划，差异无统计学意义( P>0.05)。随着偏中心距离增加，正常肺平均剂量(MLD)和 V20以及支气管 Dmax略微有升高趋势。MLD在偏中心距离1、3和10 cm，较等中心计划分别升高了0.8%、0.8%和1.9%，差异具有统计学意义( z＝－2.34~－1.99， P<0.05)， V20在偏中心距离1、5和10 cm，较等中心计划分别增加了2.0%、2.5%和3.7%，差异具有统计学意义( z＝－2.11~－1.99， P<0.05)。当位置误差达到5 mm时，偏中心距离5 cm及以上计划的GPR平均降幅在1.0%以上，最高可达3.5%，差异均具有统计学意义( z＝2.13~2.75， P<0.05)。 结论:偏中心计划的剂量学质量略差于等中心参考计划，其执行准确度对位置误差的鲁棒性变差。应尽量避免偏中心距离过大的(≥5 cm)计划设计与治疗。

目的 使用千伏级锥形束计算机断层扫描(kV-CBCT)技术测量左乳癌术后放射治疗摆位误差,探讨摆位误差对剂量分布的影响.方法 选取2021年9月至2022年12月在宣城市人民医院接受放射治疗的左乳癌术后患者30例为研究对象,提取每位患者前3次放射治疗前的kV-CBCT图像,分别与计划CT图像配准,由配准系统计算获得患者左右(X)、头脚(Y)、胸背(Z)方向摆位误差.以第1次配准结果作为校正前的误差,以第2、3次配准结果作为校正后的误差,在治疗计划系统中按校正前、后误差大小平移计划中心点,计算校正前的计划(S-Plan)和校正后的计划(C-Plan)的剂量,并与治疗计划(T-Plan)进行比较,分析3者在计划靶区(PTV)、浅表区域、危及器官方面的剂量差异,以及计划的伽马通过率差异.结果 校正前摆位误差分别为(1.85±3.76)mm、(-1.80±3.25)mm、(-2.10±3.99)mm,校正后摆位误差平均值分别为(0.04±1.59)mm、(0.10±1.55)mm、(-0.01±1.47)mm.3组计划的PTV D98、D95、Dmean、均匀性指数(HI)、适形性指数(CI)和浅表区域Dmean间差异均具有统计学意义(P<0.05),两两比较显示,S-Plan和T-Plan、C-Plan间差异均具有统计学意义(P<0.05),3组计划患侧肺的V5、V20、V30、Dmean、心脏的Dmean、V5和脊髓Dmax间差异均具有统计学意义(P<0.05),两两比较显示,S-Plan和T-Plan、C-Plan间差异均具有统计学意义(P<0.05),3组计划的伽马通过率间差异具有统计学意义(P<0.05),两两比较显示,S-Plan和T-Plan、C-Plan间差异均具有统计学意义(P<0.05).结论 使用kV-CBCT测量并校正左乳癌术后放射治疗患者摆位,能有效减少摆位误差及其对剂量分布的影响,具有良好的可靠性和可重复性.

目的 探讨基于国产联影URT-Linac 506c加速器的容积弧形调强放射治疗(Volumetric Modulated Arc Therapy,VMAT)计划复杂度参数与患者计划质量保证(Patient Specific Quality Assurance,PSQA)间的关系,并建立机器学习模型对PSQA结果进行评估和预测.方法 随机选取150例在URT-Linac 506c加速器上行VMAT治疗计划的患者为研究对象,在该加速器上对所有计划进行基于机载电子射野影像系统探测器的PSQA剂量验证.对剂量验证结果进行阈值为10%、标准为2%/2 mm的伽马通过率分析.同时对每个计划基于多叶准直器位置和跳数,提取其中的11个复杂度参数.分析复杂度参数和PSQA结果间的关系,并建立机器学习模型对PSQA结果进行预测.结果 计划复杂度参数与PSQA结果的相关性分析表明二者并不严格呈线性相关,但计划的复杂程度越高,PSQA通过率相对越低.梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型和随机森林(Random Forest,RF)模型对基于复杂度参数的PSQA结果预测水平相当,GBDT模型和RF模型的平均预测误差分别为0.55%和0.54%.由于PSQA结果分布严重不平衡,更改过权重后的模型对低通过率部分的预测能力有所提升.结论 对于国产加速器URT-Linac 506c,这2种基于决策树结构的机器学习模型对PSQA结果的预测可提供一定的帮助,建立更精准的模型需要进一步完善采集患者的样本量.

目的 研究碳纤维体位固定板对宫颈癌放疗剂量的影响.方法 在RayStation计划系统中创建碳纤维体位固定板模型,比较计划系统中模型板和实际测量中真实板2种情况下得到的衰减系数差异,验证体位固定板模型准确性;选取10例宫颈癌患者,在不添加体位固定板模型的CT图像上设计无板模型计划,计算剂量;无板模型计划完成后将此计划移植到添加体位固定板模型的CT图像上得到有板模型计划,计算剂量,比较无板模型计划、有板模型计划靶区(PTV)和危及器官(OAR)的剂量学差异;RayStation计划系统中建立2个ArcCHECK验证模体,分别为添加体位固定板模型ArcCHECK验证模体和不添加体位固定板模型Arc-CHECK验证模体,将10例宫颈癌计划分别移植到2种验证模体中进行剂量计算,在新华加速器下将Arc-CHECK 验证模体置于体位固定板上,执行验证计划,比较计划系统中体位固定板模型的添加与否,对验证计划伽马通过率的影响.结果 对于计划系统中创建的体位固定板模型准确性:计划系统和实际测量2种情况下得到的衰减系数偏差(d)＜0.3％;对于宫颈癌计划:与无板模型计划比较,有板模型计划PTV和OAR的受照剂量明显偏低,其中PTV受照剂量平均偏低1％左右,不同OAR偏低程度不同,范围在3％以内;对于宫颈癌计划验证:有板模型验证计划的伽马通过率显著高于无板模型验证计划,3 mm/3％、2 mm/2％通过率分别提高了 0.69％、1.50％左右.结论 碳纤维体位固定板对宫颈癌患者的放疗剂量有一定的影响,为确保PTV剂量准确性,建议在计划设计时加入体位固定板模型.

先进放射治疗技术使得治疗剂量能够更精准地适形患者肿瘤靶区,为患者提供精准治疗,但也出现了受照剂量在肿瘤边缘梯度越来越大的现象,对放射治疗剂量验证提出了更高的要求.该研究提出的剂量验证系统软件KylinRay-Dose4D能够进行患者治疗前计划验证、患者治疗时在体/实时剂量验证等,为物理师进行放射治疗计划修改提供重要参考,保证患者得到精确的治疗.该研究对KylinRay-Dose4D的总体设计和关键技术进行介绍,并通过临床病例对治疗前计划剂量验算、二维/三维剂量验证进行测试,测试结果显示KylinRay-Dose4D重建剂量与TPS计划剂量、实测剂量的二维/三维伽马通过率(3 mm/3%)均大于95%,表明KylinRay-Dose4D重建剂量满足临床应用需求.

目的 面向宫颈癌容积调强计划验证,基于Delta 4三维剂量验证系统,探寻在不同的伽马分析基准(百分剂量差异/一致性距离差异)下评判计划实施的最佳通过率阈值.方法 选取30例经临床批准的双弧容积调强(采用瓦里安RapidArcTM技术)宫颈癌计划,利用Delta 4对其进行伽马分析和DVH评价.根据两个准则对全部计划进行分类:①DVH上所有特定剂量学指标的绝对百分剂量差异＜5％视为临床可接受计划;②在2％/2 mm、3％/3 mm基准下伽马通过率超过90％或95％视为计划通过.基于此分类结果进行敏感性和特异性分析,并绘制受试者工作特征曲线(ROC),通过计算约登系数的方式寻找不同伽马分析基准(全局与局部2％/2 mm和3％/3 mm)条件下的最佳通过率阈值,最后通过分析敏感性和特异性来定量比较在常规阈值(90％和95％)和最佳阈值处区分计划是否能被临床接受的能力大小.结果 全局3％/3 mm和2％/2 mm基准下的最佳阈值点分别为98.3％和87.05％;局部相同基准下的最佳阈值点分别为97.55％和86.05％.在3％/3 mm测量基准下,最佳阈值相比于常规阈值(90％和95％)而言其全局和局部伽马敏感性可以达到0.93;而在2％/2mm测量基准下最佳阈值的全局伽马敏感性为0.65,特异性为0.49;局部伽马敏感性为0.70,特异性为0.46,敏感性和特异性更为平衡.结论 利用最佳阈值点判别治疗计划是否通过可让敏感性和特异性之间取得较好平衡,一定程度上减少了不可接受计划因漏判给患者带来危害机会,同时降低了可接受计划因误判而增加物理师日常工作量概率.