实时3D光束眼视图图像引导的前列腺立体定向放射治疗（SBRT）的实验研究

《MEDICAL PHYSICS》：Experimental investigation of real-time 3D beam's eye view image-guided radiotherapy for prostate SBRT

实时三维视场图像引导放射治疗系统开发及验证，结合深度学习分割与3D运动预测，在人体 pelvis 骨骼模型上验证系统误差（SI±0.1mm，AP±0.1mm，LR±0.1mm）及延迟（300ms），通过失效模式分析优化临床流程。

　　

摘要

背景

实时图像引导放疗（IGRT）在立体定向体部放疗（SBRT）过程中对于精确的剂量输送至关重要。束流眼视图（BEV）成像具有独特优势，它能够在最符合剂量学要求的参考框架内报告患者运动情况，且不会增加额外的成像剂量。然而，由于其对比度噪声比较低以及治疗束流孔径可能会遮挡标记物，因此其临床应用受到限制。深度学习技术能够快速识别低对比度图像中不明显的标记物特征，从而实现实时的BEV-IGRT。为了与标准配备的直线加速器集成，精确的3D定位至关重要——这就需要开发一个3D BEV-IGRT系统。

目的

本研究旨在开发并实验评估一种新型的实时3D BEV-IGRT系统，以用于前列腺SBRT的临床应用。

方法

通过将基于深度学习的2D MV标记物分割方法与3D IGRT框架相结合，开发出了实时3D BEV-IGRT系统。利用卷积神经网络（CNN）对MV图像中的标记物位置进行分割，并通过高斯最大似然估计方法预测3D运动。多学科团队进行了失效模式与效应分析（FMEA），针对高风险失效模式制定了缓解策略，并重新计算了风险优先数（RPN）。

实验系统的评估基于FMEA识别的失效模式。一个装有三个金标记物的人体模型骨盆模型被安装在一个可编程运动的3D平台上。在静态和动态条件下评估了系统性能，治疗计划从简单开放野逐渐过渡到代表患者实际情况的体积调制弧形治疗计划。动态性能评估使用了四个患者实际的运动轨迹数据。通过将系统报告的位置与已知运动轨迹或静态位移得出的真实位置进行比较，来评估定位精度（平均误差±1标准差）。计算了第5百分位数和第95百分位数误差。系统延迟是指从运动开始到系统报告位移之间的时间延迟。临床可接受的精度定义为在上下（SI）、前后（AP）和左右（LR）方向上的误差不超过±2毫米，且延迟时间不超过500毫秒。

结果

通过FMEA识别出46种失效模式。高风险失效原因包括算法限制、算法错误、人为失误以及标记物被遮挡。通过实施缓解策略（包括资格筛查、员工培训和工作流程规范化），前十种高风险失效模式的平均RPN降低了43%。设计了一个基于风险的质量保证计划以支持临床应用。

整体而言，3D BEV-IGRT系统的精度分别为：上下方向0.1±0.7毫米（SI）、前后方向-0.1±0.8毫米（AP）和左右方向0.1±0.7毫米（LR）。在所有单独的测试中，所有方向的精度均保持在±2毫米范围内。整体第5百分位数和第95百分位数误差分别为：[-1.0, 1.3]毫米（SI）、[-1.2, 0.9]毫米（AP）和[-0.9, 1.0]毫米（LR）。系统延迟时间为300±100毫秒。

结论

3D BEV-IGRT系统经过实验验证，显示出临床可接受的定位精度和延迟时间，证明了其在临床应用中的可行性。综合的风险缓解策略有效降低了工作流程风险，并提高了对系统漏洞的认识。计划将该系统应用于前列腺SBRT的临床试验中。

利益冲突声明

D T Nguyen和P Keall是专利US12059580B2的发明人，该专利在本研究中得到了应用。D T Nguyen和P Keall同时也是SeeTreat Pty Ltd公司的股东，该公司拥有上述专利。