プロトン治療における治療偏差の発生源の分類をプロンプトガンマイメージング情報を用いて行う

Classification of the source of treatment deviation in proton therapy using prompt-gamma imaging information.

• Chirasak Khamfongkhruea
• Jonathan Berthold
• Guillaume Janssens
• Johannes Petzoldt
• Julien Smeets
• Guntram Pausch
• Christian Richter

抄録

目的:

プロンプトガンマイメージング(PGI)に基づくレンジ検証は、最近臨床陽子線治療に導入されて成功しており、治療偏差を検出するための感度が現在研究されている。治療逸脱の原因は複数の可能性があり、例えば、CTベースのレンジ予測、患者の設定、解剖学的な変化などが挙げられる。したがって、PGIに基づいた検証が治療偏差を検出するだけでなく、その最も可能性の高い原因を直接特定できるならば、それは有益であろう。ここでは、PGIスリットカメラで得られた範囲情報に基づいて、頭頸部腫瘍の陽子線ペンシルビームスキャン（PBS）治療における範囲偏差の原因を自動的に分類するために、ヒューリスティックに導出された決定木アプローチを提案する。

PURPOSE: Prompt-gamma imaging (PGI) based range verification has been successfully implemented in clinical proton therapy recently and its sensitivity to detect treatment deviations is currently investigated. The cause of treatment deviations can be multiple - e.g. CT-based range prediction, patient setup, and anatomical changes. Hence, it would be beneficial, if PGI-based verification would not only detect a treatment deviation but would also be able to directly identify its most probable source. Here, we propose a heuristically derived decision tree approach to automatically classify the sources of range deviation in proton pencil-beam scanning (PBS) treatments of head and neck tumors based on range information obtained with a PGI slit camera.

材料および方法:

決定木モデルは、5人の患者からの擬人化された頭部ファントムと患者CTデータ（計画とコントロールCT）について、異なる解剖学的複雑性のトレーニングデータセット上で反復的に生成されました。異なる範囲予測誤差、セットアップの変更、および関連する解剖学的変化と非関連する解剖学的変化をコントロールCTから導入または派生させ、合計98のトレーニングシナリオを作成した。別の7人の患者のCTデータのみから得られた98のシナリオについて、独立した検証を行った。PBSの頭頸部治療計画は名目的なシナリオについて作成された。調査されたフィールド内のすべてのPBSスポットについて、公称シナリオと異なるエラーシナリオについて、スリットカメラの専用の解析モデルを使用してPGIプロファイルをシミュレートしました。公称シナリオとエラーシナリオのPGIプロファイルの比較から、7mmシグマのカーネルを用いたスポットアグリゲーション後のスポットごとのレンジシフトが各エラーシナリオについて決定されました。ヒューリスティックなアプローチには、PGI処理の検証に最適なPBSスポットのプレフィルタリングが含まれています。検証から、モデルの精度、感度、特異度が決定された。

MATERIALS AND METHODS: The decision tree model was iteratively generated on a training dataset of different anatomical complexities, for an anthropomorphic head phantom and patient CT data (planning and control CTs) from 5 patients. Different range prediction errors, setup changes and relevant and non-relevant anatomical changes were introduced or derived from control CTs, summing up to a total of 98 training scenarios. Independent validation was performed for another 98 scenarios, derived solely from patient CT data of another 7 patients. PBS head and neck treatment plans were generated for the nominal scenario. For all PBS spots in the investigated field, PGI profiles were simulated using a dedicated analytical model of the slit camera for the nominal as well as the different error scenarios. From comparison of PGI profiles for nominal and error scenarios, a spot-wise range shift after spot aggregation with a kernel of 7 mm sigma was determined for each error scenario. The heuristic approach includes a pre-filtering of the most suitable PBS spots for PGI treatment verification. From the validation, the accuracy, sensitivity and specificity of the model were determined.

結果:

PBSスポットを事前に選択するために、5段階の連続フィルタを開発した。平均して、スポットの25％（1,044スポット）が分類モデルの入力として残った。導き出されたヒューリスティック決定木モデルは5つのパラメータに基づいている。決定係数（R）、PGIから得られたレンジシフトと調査したPBSスポットのプロトンレンジの予測値との間の線形回帰の傾きと切片、PGIから得られたシフトの平均値と標準偏差である。このアプローチにより、バリデーションでは98のエラーシナリオのうち94のエラーシナリオを正しく分類することができた（96%の精度）。感度は100％、特異度は86％に達しました。

RESULTS: A five-step consecutive filter was developed to pre-select PBS spots. On average, 25% of spots (1,044 spots) remained as input for the classification model. The derived heuristic decision tree model is based on five parameters: The coefficient of determination (R ), the slope and intercept of the linear regression between PGI-derived range shifts and the respectively predicted proton ranges for the investigated PBS spots, as well as the average and standard deviation of the PGI-derived shifts. With this approach, 94 of 98 error scenarios could be classified correctly in validation (accuracy of 96%). A sensitivity and specificity of 100% and 86% was reached.

結論:

このシミュレーション研究では、頭頸部腫瘍治療において、シミュレーションされたノイズのないPGI情報から、高感度・高特異性で治療逸脱の原因を特定できることが実証された。測定されたPGIデータ上でのアプローチの適用、改良、評価は、PGIベースの治療逸脱源分類の臨床的な実現可能性を示すための次のステップとなる。

CONCLUSIONS: In this simulation study it was demonstrated that the source of a treatment deviation can be identified from simulated noiseless PGI information in head and neck tumor treatments with high sensitivity and specificity. The application, refinement and evaluation of the approach on measured PGI data will be the next step to show the clinical feasibility of PGI-based error source classification.

This article is protected by copyright. All rights reserved.