基于Mask2Former的3D打印头颈固定装置自动分割及剂量学评估研究

本研究针对放射治疗计划系统(TPS)中固定装置剂量计算不准确的问题，采用Mask2Former深度学习模型实现3D打印头枕和多功能固定架(MFIF)的自动分割，并通过49例头颈VMAT计划验证发现：固定装置的衰减效应使PTV的V100%降低1.86-10.18%，3D打印头枕导致皮肤剂量增加31.3%。该研究为个性化放疗计划精度提升提供了新方法，成果发表于《BMC Cancer》。

　　

在精准放疗时代，头颈肿瘤治疗面临一个常被忽视的"隐形干扰源"——患者固定装置。传统治疗计划系统(TPS)默认排除固定装置的剂量计算，就像在黑暗房间射击时忽略了挡在靶子前的玻璃。这种疏忽可能导致剂量偏差高达10%，而国际辐射单位与测量委员会(ICRU)指出，3-5%的剂量差异就足以影响疗效。更棘手的是，新兴的3D打印个性化固定装置虽提升患者舒适度，但其复杂材料特性带来的剂量扰动仍属未知领域。

电子科技大学附属四川省人民医院癌症中心的研究团队开展了一项创新研究。他们巧妙地将计算机视觉领域的Mask2Former模型引入放疗领域，对49例使用3D打印头枕和碳纤维多功能固定架(MFIF)的头颈癌患者CT图像进行自动分割，创建四种体部结构集(S、S_MF、S_3D、S_3D+MF)进行VMAT计划比较。研究采用的关键技术包括：1)基于Transformer架构的Mask2Former模型训练(34例训练/7例验证/8例测试)；2)四种体部结构集的剂量计算对比；3)EBT3胶片剂量验证(9例随机样本)；4)统计分析方法评估PTV的V_100%、HI和D_mean等参数差异。

Segmentation results

模型在测试集达到mAP 0.895，3D打印头枕和MFIF的Dice指数分别为0.939和0.981。值得注意的是，MFIF金属紧固件产生的伪影会降低分割精度，而小目标识别仍是3D打印头枕分割的挑战。

Dose distribution differences

剂量差异图显示，MFIF造成约2Gy的PTV欠剂量区，3D打印头枕则因紧密贴合颈部皮肤导致明显剂量积聚效应。当两者同时存在时，欠剂量区域扩大至超过2Gy。

PTVs dose differences

数据表明：P_MF计划使PGTVnd的V_100%降低6.51%(p<0.001)，P_3D+MF计划进一步使PGTVnd的V_100%降低10.18%。引人注目的是，3D打印头枕虽仅使PTV剂量降低1.16-2.56%，却导致皮肤D_mean暴增355.09cGy(31.3%)，这种"保靶伤肤"现象在联合MFIF时更为显著。

OAR dose differences

固定装置改变了危险器官的剂量分布：P_3D计划使脑干D_max增加10.82cGy(p<0.018)，而P_MF计划使脊髓D_max降低19.24cGy。视神经和垂体的剂量波动提示需要特别关注这些敏感结构。

Plan verification results

EBT3胶片验证显示，考虑固定装置的P_3D+MF计划gamma通过率(92.14%)最高，证实其剂量计算更符合实际照射情况。

这项研究揭示了固定装置在放疗中"双刃剑"效应：一方面，Mask2Former模型的高精度分割(Dice>0.939)为自动纳入固定装置计算提供了可靠工具；另一方面，3D打印头枕虽个性化适配患者解剖结构，但其31.3%的皮肤剂量增幅可能增加放射性皮炎风险。研究创新性地证明，忽略MFIF会导致更严重的PTV欠剂量(6.51% vs 2.56%)，这为AAPM TG176报告强调的"所有剂量扰动因素都应纳入计算"提供了实证支持。未来需扩大样本量并探索更多3D打印材料，而当前临床建议对皮肤剂量增幅>30%的病例调整射野角度或使用皮肤保护剂。该成果不仅解决了TPS剂量计算盲区问题，更为AI驱动的精准放疗计划优化树立了新范式。