硼中子俘获治疗(BNCT)头颈部肿瘤中实用高速深度学习剂量计算模型的开发

《MEDICAL PHYSICS》：Development of a practical and high-speed deep learning-based dose calculation model in boron neutron capture therapy for head and neck cancer

　　

摘要：背景：在硼中子俘获治疗(Boron Neutron Capture Therapy, BNCT)中，由于复杂的中子反应通常采用蒙特卡洛(Monte Carlo, MC)剂量计算，但MC计算通常耗时较长。近年来基于深度学习(Deep Learning, DL)的剂量预测/计算受到关注，但DL模型在BNCT中的应用有限且尚未深入研究，尚无可用于BNCT临床实践的实用DL模型。目的：研究人员提出一种用于头颈部肿瘤的实用DL模型，采用商用BNCT治疗计划系统(Treatment Planning System, TPS)，将粗网格尺寸和高统计不确定度下MC计算的BNCT各剂量分量转换为细设置下的剂量分量以提高速度。方法：研究纳入研究中心114例接受加速器型BNCT的头颈部肿瘤患者，随机分为102例训练/验证集和12例测试集。使用商用BNCT TPS计算所有患者的BNCT剂量分量（即硼(10B)剂量、氮(N)剂量、氢(H)剂量及伽马(γ)剂量）。研究人员采用层级密集U型网络(Hierarchically Dense U-net, HD U-net)，将粗设置（网格尺寸/不确定度＝5 mm/10%）计算的BNCT剂量分量转换为细设置（2 mm/5%）计算的剂量分量，并在DL输入中加入物理密度图以提高转换精度。以细网格剂量为真值，评估粗剂量与DL预测剂量各分量在不同判据下的γ通过率(γ-passing rate)，并测量细、粗及DL剂量的计算时间。结果：硼剂量方面，DL剂量在1%/2 mm（剂量差异/距离符合性）判据下γ通过率≥95%，显著高于粗剂量；氮和氢剂量DL预测在5%/2 mm判据下γ通过率分别达95.3%和94.7%；密度图对氢和氮剂量改善有效；伽马剂量在3%/2 mm判据下DL平均γ通过率达96.2%。精细设置平均计算时间为984.2±470.2 min，粗设置为11.0±2.9 min，DL模型平均转换时间为0.091±0.020 min。结论：研究人员开发的DL模型可将粗设置计算的各BNCT剂量分量转换为细网格剂量，转换速度快且精度高，可提供准确的BNCT剂量分布，有助于提升BNCT治疗计划质量。

论文解读：头颈部肿瘤硼中子俘获治疗(BNCT)中基于深度学习(Deep Learning, DL)的高速蒙特卡洛(Monte Carlo, MC)剂量计算模型开发

一、研究背景与意义

硼中子俘获治疗(Boron Neutron Capture Therapy, BNCT)是一种基于热中子与¹⁰B发生¹⁰B(n,α)⁷Li反应的细胞选择性放射治疗方式，主要用于难治性肿瘤如胶质母细胞瘤和复发性头颈部癌。目前临床BNCT逐渐采用加速器型中子源，治疗计划系统(Treatment Planning System, TPS)普遍采用通用蒙特卡洛(Monte Carlo, MC)代码（如MCNP或PHITS）进行剂量计算以考虑复杂中子相互作用，但达到足够统计精度所需的计算成本高昂。商用BNCT TPS（RayStation + NeuCure Dose Engine）中细网格（2 mm/5%统计不确定度）MC计算常需数小时至十余小时，临床实践中先用粗网格（5 mm/10%）优化射束方向，再通宵运行细网格计算最终剂量，严重影响射束方向试错优化及患者通量。虽有卷积/叠加算法、MC与移除-扩散理论结合等方法尝试加速，但基于深度学习(Deep Learning, DL)的剂量预测在BNCT中报道较少，尤其缺乏针对头颈部异质区域及临床可集成至商用TPS的实用模型。因此，研究人员开展本研究，拟通过DL模型将粗设置MC计算的BNCT各剂量分量快速转换为细设置等效剂量，以解决BNCT计划中的计算瓶颈。本文发表于《Medical Physics》。

二、主要关键技术方法

研究人员回顾性纳入日本Southern Tohoku BNCT Research Center行加速器型BNCT的114例头颈部肿瘤患者（口腔、下咽/喉、淋巴结转移、鼻腔等），按102例训练验证、12例测试划分。使用RayStation 9A与NeuCure Dose Engine（PHITS 3.20，JENDL 4.0核数据库）分别计算粗设置（网格5 mm/统计不确定度10%）与细设置（2 mm/5%）的四种BNCT剂量分量——硼(¹⁰B)剂量(D_b)、氮剂量(D_n)、氢剂量(D_h)、伽马剂量(D_γ)。DL模型采用层级密集U型网络(Hierarchically Dense U-net, HD U-net)，输入为粗剂量分量双线性插值至2 mm及各区域均匀物理密度图，输出为对应细剂量分量；训练采用MSE损失、Adam优化器、三重交叉验证及96×96×96体素块(Patch)训练策略，并在测试中对比有无密度图输入的预测效果，以细剂量为真值行γ分析(γ-analysis)（阈值10%最大细剂量，判据1%/3%/5%剂量差配2 mm距离符合）及器官剂量学指标(D_98%、D_95%、D_50%、D_2%、D_mean)评价，记录计算时间。

三、研究结果

3.1 Dose difference（剂量差异/γ通过率结果）

研究人员对各BNCT剂量分量进行γ分析发现：加物理密度图的DL预测剂量在硼剂量1%/2 mm判据下中位γ通过率达97.5%（粗剂量83.2%），氮剂量5%/2 mm下达95.3%（粗73.1%→DL显著改善），氢剂量5%/2 mm达94.7%，伽马剂量3%/2 mm达96.2%；不加密度图的DL预测对硼与伽马改善有限，但对氮与氢剂量显著低于加密度图组（p<0.05），说明密度图对依赖材料组分及密度的氮、氢分量转换尤为关键。粗剂量各分量γ通过率均最低。

3.2 Dose metrics for each organ（各器官剂量学指标）

研究人员对比大体肿瘤区(Gross Tumor Volume, GTV)、口腔黏膜及脑的剂量体积参数误差，DL预测（尤其含密度图）缩小GTV各指标（D_98%、D_95%、D_50%、D_2%）误差离散度；口腔黏膜D_mean与D_2%误差范围在含密度图DL预测下最小，脑指标略有改善。表明DL模型可更准确评估危及器官受量，辅助射束方向选择以降低口腔黏膜损伤风险。

3.3 Calculation time（计算时间）

细设置MC平均计算时间984.2±470.2 min（范围521.0–2517.4 min），粗设置为11.0±2.9 min（5.3–17.1 min）。DL模型（含或不含密度图）将粗剂量转换为细等效剂量平均仅需约0.091–0.093 min（≈5.5 s）。即临床可用"粗MC(～11 min)+DL转换(＜0.1 min)"替代通宵细MC计算获得近似细网格剂量分布。

四、讨论与结论总结

讨论部分指出：①加入物理密度图显著改善氮、氢等依赖组织组分与密度的BNCT剂量分量预测，与X线治疗DL模型中加入CT图像思路类似；②DL模型虽对以硼剂量为主的GTV总剂量改善相对有限，但对危及器官（尤其口腔黏膜）中非硼分量占比较大部分改善明显，具临床价值；③头颈部肿瘤解剖异质性强且BNCT患者体位多样（坐位/侧卧位/仰卧位），此DL模型通过粗→细映射克服直接端到端预测难点；④此为首个面向头颈部BNCT、基于商用TPS数据训练且可经RayStation脚本集成的多输入多输出DL剂量换算模型；⑤局限性包括细设置本身存MC统计噪声、氢剂量深部γ通过率略低(94.7%)、仅限头颈部需拓展至脑瘤等其他部位。

结论(Conclusions)：研究人员开发了用于将BNCT粗设置计算的各剂量分量转换为细网格剂量的深度学习(Deep Learning, DL)模型，以提升头颈部BNCT商用蒙特卡洛(Monte Carlo, MC)剂量计算速度。粗剂量至精细等效剂量的转换极为迅速且精度高。所提DL模型基于商用治疗计划系统(Treatment Planning System, TPS)的BNCT剂量分量训练，可快速嵌入临床BNCT治疗计划工作流程，能提供准确快速的BNCT剂量分布，有助于提高BNCT治疗计划质量。