21 March 2018 by Liangzhao

借助UCLA教授Ke Sheng的一篇文章,总结一下目前(2018)4π技术在放射治疗计划中的应用。

4π还是延用了以往的基本思想,就是尽可能通过更多不同角度的射野来增加靶区剂量梯度和OAR的受量。我们目前常用的射野角度还是分布在一个平面上,是一个2π的环形轨迹,4π的轨迹显然在一个球形平面上,4π这个词来源于一个国际单位“球面度”,这个单位我们平时很少用,但它是标准的国际单位制导出单位,用于描述立体角,球面度之于立体角,就相当于赫兹之于频率的关系。

凡是球都有720的球面度,因此等于4π,因为一个球可以分为8个相等的三直角球面三角形,再把每个球面三角形分成90等分,每一等分就是等于1球面度。或者从另一个角度想,面积等于半径平方的球表面对球心的张角等于1球面度,由于球表面积为e1,所以球面有4π的球面度。

4π技术就是在以上的空间搜寻最佳的入射角度,非共面野有很多优势,但是为什么这么多年没有发展起来?主要有以下几个原因:

  • 一些研究对比了共面和非共面射野在“体部”肿瘤的应用,结果并不是都显示非共面野有剂量学优势;
  • 非共面射野治疗效率低,会引起部分技术员的排斥;
  • 最关键的问题是,在算法层面上还没有足够快速的射野角度优化算法,假设我们在1000个备选非共面野种挑选10个野,那么会有2种可能性,这是极其巨大的运算量;
  • 在实践中,完全避开所有OAR的射野角度是很少的,因此射野往往与OAR重叠,例如,我们如何权衡1cc的脊髓与4cc腮腺重叠两种射野情况孰重孰轻?

对于算法层面,目前有了一些进展,一种贪婪算法(Greedy Approach)利用数学最优化条件(KKT,Karush-Kuhn-Tucker)可以获得非线性优化问题的近似最优解,只要满足一定的正则化条件,而射野方向和通量图正好可以写成满足正则化条件的形式,基于预先计算好的Beamlets,这种运算量巨大的非共面优化问题首次得到解决,并在肺、肝、头颈部等区域显示了显著的剂量学优势。

还有一个需要考虑的问题,类似于VMAT,大量的射野虽然会减少高剂量区域带来的毒性,然而也会会造成低剂量区增加,那么累积剂量会增加吗?答案是否定的,这的确有点不合直觉,Nguyen等人的研究表明4π计划与常规的共面计划在累积剂量上是相似的,即使正常组织的剂量有所提高,对于控制肿瘤和降低急性反应的患者来说,是利远大于弊的。

当涉及到治疗实施,有又另一个问题,由于机架只有一个维度,要进行4π技术,就需要旋转床角,这带来碰撞的风险,因此会存在很多角度不能照射。一种解决方案是通过3D摄像机技术进行监测,以在计划设计时选择合适的角度。

现在的加速器是数字化平台,可自动切换射野并自动执行,会大大加速治疗的速度,现在很多中心在开发的动态治疗床旋转技术可以在机架旋转并出束过程中,加入治疗床的运动,这将进一步减少治疗时间。

HyperArc技术向4π治疗迈出了全新的一步,而基于机械臂的加速器系统(如CyberKnife)则可选择更多的射野角度。

计划计算时间仍然是一大障碍,虽然通过列生成(column generation)算法可以将优化时间缩短至数小时,但距离临床实践仍有一段距离,一类新的解决办法是组稀疏优化(Group Sparsity Optimization),可能会大大缩短优化时间,Beamlet的剂量计算问题也是一大挑战,减少优化与最终剂量之间的差异很重要,所以迫切需要更精确的剂量计算方法。幸运的是,剂量计算主要是并行任务,因此极为适合用GPU解决,很多研究者已经指出,通过GPU剂量计算的时间可缩短至数分钟。

值得指出的是,随着射野数量和小子野数量的增加,剂量误差更容易出现,因此小野Commissioning和剂量学非常重要,叶片端面和舌槽效应影响最终剂量的精确性,通过直接子野优化(Direct Aperture Optimization, DAO)可以在合理的计算时间内得到一个好的计划。

为提高优化结果的一致性,可以结合最近不断发展的经验知识计划(KBP, Knowledge based planning)技术,由于剂量最终分布和患者解剖结构的特征有相关性,可以利用这一点有望将4π计划完全自动化。

(完)