基于机载KV-CBCT成像系统的肿瘤运动建模与追踪研究

Lung tumor displacement is obvious along with respiration, and the individual difference of tumor movements is large. Conventional image guided radiotherapy can't meet the requirement of ‘precision radiotherapy’. At present, four-dimensional dynamic radiotherapy is getting mature in image acquisition and tumor localization, but there are still some problems need to be addressed during the treatment planning and implementation. The linac-mounted kilovoltage Cone-beam CT (KV-CBCT) imaging system has large field of view, high image resolution and flexible imaging mode. Based on this hardware system, and our early studies on the flat panel detector performance, 4DDTS reconstruction, 4DCBCT reconstruction, in this project, we propose to conduct tumor motion modeling and tracking research based on the KV-CBCT imaging system. The main contents include: (1) estimate the tumor motion information from the two-dimensional projections or four-dimensional reconstructed images that obtained during radiotherapy, and represent the motion information in a reasonable way; (2) develop new algorithm in constructing the correspondence model of the external respiration replacement signal and inner tumor motion information, and try to use the canonical correlation analysis technique to build this model; (3) conduct extensive clinical evaluation and experimental analysis on the varian EDGE system with the final purpose to track the tumor location and morphological changes.

肺部肿瘤随呼吸运动产生明显位移，且肿瘤运动的个体差异较大，临床常规手段无法很好的满足“精准放疗”的需求。目前，四维动态放疗在靶区定位和图像获取技术方面已较成熟，但是在计划和实施阶段还存在一些问题尚待解决和完善。机载KV级锥形束成像系统成像视野大，图像分辨率高，成像方式灵活；基于此硬件系统，以及前期对平板探测器性能、4DDTS重建、4DCBCT重建的大量研究的基础之上，提出了本项目“基于机载KV-CBCT成像系统的肿瘤运动建模与追踪研究”， 研究重点包括：（1）在无需金属标记物的前提下，利用放射治疗过程中获取的二维投影/四维重建图像准确估计肿瘤运动信息并对其进行合理表示；（2）进一步探讨体外呼吸替代信号与内部肿瘤运动关联模型构建新技术，并考虑不再拘泥于函数表达其相互关系，利用典型相关分析等技术构建模型；（3）基于瓦里安EDGE系统进行广泛的临床评估与实验分析，以期实现肿瘤位置和形态变化的追踪

肿瘤动态放疗作为一种实时跟踪放射技术的实施要求在放射治疗过程中准确的定位肿瘤的位置及边界，个体化测量每例肺癌患者的肿瘤运动轨迹，以便在治疗过程中精确跟踪肿瘤，提高肿瘤控制率，减少正常组织的损伤。本项目研究主要以动态肿瘤的运动建模及对其追踪与预测为主要研究内容。在肿瘤的动态成像方面，分别提出了基于鲁棒主成分分析的4DCBCT运动补偿重建算法、联合运动估计的4D-CBCT运动补偿重建框架、基于DTS投影数据的呼吸信号提取算法及4D-DTS 的优质重建并拓展性的针对心脏动态灌注成像提出了运动补偿和局部低秩张量约束的低剂量动态CT心肌灌注图像重建模型。针对CT的优质高效重建，创新性的提出了基于反投影张量建模的CT优质成像算法以及基于深度学习技术下采样成像几何建模的精准CT图像重建，有助于降低计算复杂度并加快CT成像系统的重建速度。在肿瘤的运动追踪方面，针对投影图像中肺组织或肺部病变可能会被肋骨遮挡住这一问题，提出了一种基于深度学习的骨抑制的投影图像增强算法，临床病人数据测试验证了肿瘤形状及形态在骨抑制投影图像中显示更为清晰。基于EDGE系统，提出CBCT同步Calypso电磁跟踪的肿瘤跟踪方法，提出了基于光学体表成像的自动膈肌在线追踪算法，开发了基于深度学习的膈肌自动识别模型。在肿瘤运动预测方面，提出深度学习模型来学习运动信号的时间模式特性和空间关联，进而提高预测准确性，降低肿瘤3D位置偏差。模型既可以用于内部呼吸运动的直接预测，也可以用于外部呼吸替代信号直接预测内部呼吸运动，从而实现外部呼吸替代信号与内部呼吸运动的关联-预测一体化建模。在本项目资助下，课题组发表期刊论文10篇，其中SCI论文7篇，申请国家发明专利2项，课题负责人参与获得广东省技术发明一等奖，培养/辅助培养博士研究生1名，硕士研究生5名。