بررسی صحت الگوریتم‌های سیستم‌های طراحی درمان رادیوتراپی با استفاده از شبیه-سازی مونت‌کارلو در ناهمگنی ریه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس‌‌‌ارشد مهندسی هسته‌ای پرتو پزشکی.گروه مهندسی هسته‌ای، دانشکدۀ فنی و مهندسی، دانشگاه آزاد‌ اسلامی واحد علوم و تحقیقات تهران، تهران، ایران

2 دکترای مهندسی هسته‌ای پرتوپزشکی.گروه فیزیک، دانشگاه مالک اشتر، تهران، ایران.

3 کارشناس‌ارشد فیزیک پزشکی.گروه فیزیک پزشکی، مرکز تحقیقات انیستیتو کانسر، دانشگاه علوم پزشکی تهران، تهران، ایران.

4 کارشناس‌ارشد فیزیک پزشکی، گروه فیزیک پزشکی، مرکز تحقیقات انیستیتو کانسر، دانشگاه علوم پزشکی تهران، تهران، ایران.

چکیده

زمینه و هدف: اختلاف میان توزیع دز ناشی از سیستم­های طراحی درمان و دز بدن بیمار وابسته به نحوۀ محاسبات الگوریتم­های این سیستم­ها می­باشد، که این اختلاف در ناهمگنی­هایی همانند ریه بیشتر به­نظر می­رسد. به دلیل پیش­بینی دقیق توزیع دز بیمار توسط روش­های مونت­کارلو، در این پروژه به مقایسۀ توزیع دز حاصل از الگوریتم­های مختلف سیستم طراحی درمان Isogray با توزیع دز حاصل از مونت­کارلو در آب و ریه پرداخته شده است.
روش بررسی: در این مطالعه، مقایسه­­­­ای میان منحنی PDD حاصل از الگوریتم­های سیستم طراحی درمان Isogray با داده­های ناشی از شبیه­سازی در بافت همگن آب صورت گرفت. در ادامه اختلاف میان توزیع دز حاصل از این الگوریتم­ها با توزیع دز ناشی از برنامه CT2MCNP را به­دست آورده و میزان دقت الگوریتم­های مختلف در ناهمگنی ریه مورد بررسی قرار گرفت.
یافته­ها: الگوریتم­های Collapsed cone، ConvolutionFFT و Superposition در ناهمگنی ریه به ترتیب دارای میزان اختلاف 5%، 6% و 7% نسبت به داده­های حاصل از شبیه­سازی می­باشند. این اختلاف در مورد بیشینه دز ارائه شده این الگوریتم­ها 7% به­دست آورده شد. در آب تفاوت قابل ملاحظه­ای میان داده­های ناشی از الگوریتم­ها و شبیه­سازی مشاهده نشد و این اختلاف کمتر از 1% به­دست آورده شد.
نتیجه­گیری: در ناهمگنی ریه، میزان خطای ناشی از نحوۀ انجام محاسبات الگوریتم­های سیستم طراحی درمان قابل توجه بوده و بایستی در امور کلینیکی مد نظر قرار داده شود در حالی که میزان این خطا در بافت همگن آب ناچیز است.

کلیدواژه‌ها


1-Constine LS, Milano MT, Friedman D. Late Effects of Cancer treatment on Normal Tissues. In: Halperin EC, Perez CA, Brady LW, (Eds.) Perez and Brady’s Principles and Practice of Radiation Oncology. 5thed. Philadelphia: Lippincott Williams & Wilkins; 2008.P. 320-55.

2-Bucci MK, Bevan A, Roach M 3rd. Advances in radiation therapy: conventional to 3D, to IMRT, to 4D, and beyond. CA Cancer J Clin 2005Mar-Apr; 55(2): 117-34.

3-Animesh. Advantages of multiple algorithm support in treatment planning system for external beam dose calculations. J Cancer Res Ther 2005Jan-Mar; 1(1): 12-20.

4-Shalek RJ. Determination of absorbed dose in a patient irradiated by beams of x or gamma rays in radiotherapy procedures. Med Phys 1977; 4(5): 461.

5-Fraas BA, Smathers J, Deye J.  Summary and recommendations of a National Cancer Institute workshop on issues limiting the clinical use of Monte Carlo dose calculation algorithms for megavoltage external beam radiation therapy. Med Phys 2003Dec; 30(12): 3206–16.

6-Lanchun Lu. Dose calculation algorithms in external beam photon radiation therapy. Int J Cancer Therapy 2013; 1(2): 01025.

7-Ahnesjo A, Aspradakis MM. Dose calculations for external photon beams in radiotherapy. Phys Med Biol 1999; 44(11): R99-155.

8- Koons T, Ahnesjo A, Nilsson P, Weber L. Limitations of a pencil beam approach to photon dose calculations in lung tissue. Phys Med Biol 1995Sep; 40(9): 1411-20.

9-Butts JR, Foster AE. Comparison of commercially available three-dimensional treatment planning algorithms for monitor unit calculations in the presence of heterogeneities. J Appl Clin Med Phys 2001; 2(1): 32-41.

10-Krieger T, ASauer O. MonteCarlo-versuspencil-beam-/collapsed-conedosecalculationinaheterogeneousmulti-layerphantom. Phys Med Biol 2005Mar; 50(5): 859-68.

11-Dobler B, Walter C, Knopf A, Fabri D, Loeschel R, Polednik M, "et al". Optimization of extracranial stereotactic radiation therapy of small lung lesions using accurate dose calculation algorithms. RadiatOncol 2006Nov; 1: 45.

12-Nisbet A, Beange I, Vollmar HS, Irvine C, Morgan A, Thwaites DI. Dosimetric verification of a commercial collapsed cone algorithm in simulated clinical situations. Radiother Oncol2004; 73(1): 79-88.

13-Hasenbalg F, Neuenschwander H, Mini R, Born EJ. Collapsed cone and analytical anisotropic algorithm dose calculations compared to VMC++ Monte Carlo simulations in clinical cases. Phys Med Biol2007Jul; 52(13): 3679-91.

14-Sharpe MB, Battista JJ. Dose calculations using convolution and superposition principles: The orientation of dose spread kernels in divergent X-ray beams. Med Phys1993Nov-Dec; 20(6): 1685-94.

15-Mackie TR, Scrimger JW, Battista JJ. A convolution method of calculating dose for 15 MV X-rays. Med Phys 1985Mar-Apr; 12 (2): 188-96.

16- Irvine C, Morgan A, Crellin A, Nisbet A, Beange I. The clinical implications of the collapsed cone planning algorithm. ClinOncol (R CollRadiol) 2004Apr; 16 (2): 148-54.

17-Woong Cho. Practical implementation of a collapsed cone convolution algorithm for a radiationtreatment planning system. J Korean Phys Soc 2012Dec; 61(12): 2073-83.

18-Mehranian A, Ay MR,  Zaidi H. CT2MCNP: an integrated package for constructing patient-specific voxel-based phantoms dedicated for MCNP(X) Monte Carlo Code. IFBM 2010; 29: 319-22.