《Biomedical Signal Processing and Control》：DVH-guided gradnorm subsampling for optimized radiotherapy planning: Validation on the CORT liver dataset
编辑推荐：
肝肿瘤放疗中基于剂量体积直方图（DVH）和GradNorm的智能采样框架研究。通过计算体素梯度范数权重和DVH约束优化，提出优先采样高影响体素的方法，在0.08%体素量下实现与均匀采样（≥20%）相当的剂量分布（D95达标，OAR剂量降低5%），计算时间减少40%且剂量指标无显著差异。
Seema Singh | Pushpendra Singh | Alka Mishra | Santosh Kumar Mishra | Pawan Kumar Patnaik
电子与通信工程系，印度恰蒂斯加尔邦赖布尔国立技术学院，492010
摘要
背景
放射治疗的目的是向肿瘤输送最佳剂量，同时将周围健康组织的辐射暴露降至最低。然而，在强度调制放射治疗（IMRT）中，由于体素级别的优化，逆向规划通常面临较高的计算复杂性，尤其是在异质性肝肿瘤的情况下。
目的
本研究提出了一种基于剂量-体积直方图（DVH）的子采样框架，并结合了基于GradNorm的体素选择策略，以提高流量图优化的效率和准确性。
方法
所提出的框架包含了剂量-体积约束、体素级重要性评分和迭代重加权。使用公开可用的Common Optimization for Radiation Therapy（CORT）数据集进行了验证。该框架通过一致性指数（CI）、均匀性指数（HI）、剂量均匀性指数（DHI）和S指数进行了定量评估。
结果
与均匀子采样相比，基于GradNorm的方法仅需要0.08%的体素即可达到相当的剂量精度，同时保持了计划目标体积（PTV）的D95覆盖率，并将风险器官（OAR）的剂量降低了约5%。计算时间减少了约40%，且计划质量没有统计学上的显著下降（p < 0.05）。
结论
所提出的基于GradNorm的DVH子采样技术显著加速了流量图优化过程，而不会影响剂量学性能。未来的工作将集中在将该框架扩展到临床数据集，并整合基于GPU的自适应实现，以用于实时放射治疗计划。
引言
肝癌是全球癌症相关死亡的主要原因之一，对于不适合手术或移植的患者来说，放射治疗通常是关键的治疗方式[1]，[2]。放射治疗的核心目标是在向计划目标体积（PTV）输送足够的治疗剂量的同时，将邻近风险器官（OARs）如胃、肠道、肾脏和脊髓的辐射暴露降至最低[3]，[4]。由于肿瘤的异质性、呼吸引起的运动以及目标与关键结构之间的解剖学接近性，在肝癌放射治疗中实现这种平衡尤其具有挑战性[5]，[6]。
现代技术如强度调制放射治疗（IMRT）[7]和容积调制弧治疗（VMAT）采用逆向优化来计算满足预定义剂量-体积约束的射束流量图[8]。然而，这些方法中的体素级优化可能涉及数百万个体素，导致计算需求过高[9]，[10]。用于降低计算成本的均匀子采样策略往往无法捕捉PTV-OAR界面的陡峭剂量梯度，从而导致治疗计划不够理想[11]。
最近的研究强调了智能体素优先级的重要性[12]和[13]表明，基于体素重要性的自适应采样可以在不牺牲临床准确性的情况下加速优化过程。受到大规模深度学习中基于梯度范数的重要性采样的启发[14]，本研究提出了一种基于DVH的GradNorm子采样框架，该框架根据体素对剂量优化的影响对其进行优先排序。
为了解决这一挑战，研究人员提出了智能体素选择的方法[15]，证明体素重要性指标可以在保持临床准确性的同时加速优化过程。同样，[16]强调了在肝癌放射治疗中处理自适应剂量-体积约束的必要性，表明优先考虑关键体素对于平衡肿瘤控制和正常组织保护至关重要。这些发现表明，体素优先级为高效和准确的放射治疗优化提供了一条有前景的途径。
在放射治疗领域之外，基于梯度范数的重要性采样已成功应用于大规模学习问题中，以在训练早期识别最具信息量的数据点[17]。受此原理的启发，我们提出了一种基于剂量-体积直方图（DVH）的GradNorm子采样框架，用于肝癌放射治疗计划[18]。通过计算基于梯度范数的重要性分数，我们的方法优先考虑对剂量分布影响最大的体素。这允许仅使用少量体素就能准确近似PTV覆盖率和OAR保护，同时显著减少计算时间。
使用CORT基准数据集[19]，我们证明可以使用不到1%的体素实现准确的剂量分布——远低于均匀采样所需的≥20%的体素数量——同时保持临床计划质量。该方法计算时间减少了约40%，并且一致性指数和均匀性指数仍在可接受的临床范围内。
本研究通过基于模拟的概念验证表明，基于DVH的GradNorm子采样可以使用不到1%的体素实现准确的剂量估计，与均匀采样所需的≥20%的体素数量形成对比[20]。结果表明，计算效率可以提高约40%，而不会影响临床相关性。尽管仅限于模拟数据集，但该框架为未来在真实患者群体和前瞻性临床试验中的验证奠定了基础。
通过将体素重要性选择整合到基于DVH的优化过程中，本研究解决了放射治疗计划中的一个关键问题：在降低肝癌治疗计算复杂性的同时，实现高精度的治疗质量。
材料与方法
为了清晰地概述所提出的框架，本节开头提供了一个详细的流程图（图1）。该图总结了整个方法流程，从数据集选择（CORT）和预处理（射束几何设置和剂量影响矩阵计算）开始，经过体素重要性评分、子采样和优化，直到DVH约束验证和收敛性评估。最终输出包括优化的流量图、剂量分布和DVH
数据集
生物医学研究中的一个主要挑战是可用于算法评估的公开数据集稀缺，因为许多研究不共享其基础数据。为了克服这一障碍，Common Optimization for Radiation Therapy（CORT）数据集[19]是一个专门为放射治疗优化比较研究设计的公开可用基准数据集。它包括四个匿名病例：三个真实患者数据集（前列腺、头颈和肝脏）和一个IMRT模型病例
讨论
本研究证明，所提出的基于DVH的GradNorm子采样框架为肝癌放射治疗中的流量图优化提供了一种高效且临床可靠的方法。通过优先考虑对剂量分布影响最大的体素，该算法使用不到1%的总体素实现了准确的剂量估计，而均匀子采样则需要≥20%的体素才能达到类似的精度。这种选择性减少使得计算时间减少了约40%
结论
所提出的基于DVH的GradNorm子采样框架通过降低计算复杂性来改善流量图优化，同时保持了剂量精度和一致性。与均匀子采样相比，该方法使用不到1%的体素实现了相似或更好的剂量-体积性能，从而加快了收敛速度并提高了效率。这些发现突显了基于GradNorm的体素优先级作为概念验证方法的潜力
CRediT作者贡献声明
Seema Singh：形式分析。
Pushpendra Singh：可视化、方法论、形式分析、概念化。
Alka Mishra：验证、调查。
Santosh Kumar Mishra：撰写初稿、监督、项目管理。
Pawan Kumar Patnaik：撰写与编辑、监督、数据管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
