在癌症治疗的 “战场” 上，放射治疗（Radiation Therapy，RT）可是一位 “大将”，它利用高能量射线精准打击癌细胞，力求将其 “一举歼灭”。随着调强放射治疗（Intensity-Modulated Radiation Therapy，IMRT）和容积旋转调强放射治疗（Volumetric Modulated Arc Therapy，VMAT）等先进技术的发展，射线的 “打击精度” 有了显著提升。

然而，在这场与癌细胞的战斗中，有一个重要因素却常常被忽视，那就是患者的固定装置。想象一下，在放射治疗过程中，如果患者的身体不能被稳定地固定住，就像射击时枪不停地晃动，射线又怎么能准确地击中癌细胞呢？患者的移动和身体结构的变化，都会导致实际照射剂量与计划剂量出现偏差。而固定装置就像是给患者的身体加上了 “稳定器”，能减少这些误差，提高剂量传递的准确性。

近年来，3D 打印技术在放射肿瘤学领域迅速崛起，它就像一个神奇的 “魔法盒子”，可以根据患者的具体需求，定制出个性化的医疗设备，比如固定装置。与传统的固定装置相比，3D 打印的固定装置能更好地贴合患者的身体，不仅提高了患者的舒适度，还可能提升治疗的准确性。

但是，3D 打印材料在放射治疗中却有着复杂的 “个性”。不同材料对射线的吸收和散射能力差异很大，这主要取决于它们的化学成分、密度、有效原子序数（Zeff）和相对电子密度（RED）等。研究发现，如果在剂量计算时对材料密度不了解，随意用临床校准曲线替代，可能会导致 90% 等剂量深度偏差高达 9 毫米。而且，不同材料的 Hounsfield Unit（HU，一种用于衡量 CT 图像中组织密度的单位）值变化也很大，这些都会影响剂量分布。此外，3D 打印机的性能和参数设置也会影响固定装置的物理性质，进而影响放射衰减。

更让人头疼的是，目前的商业治疗计划系统（Treatment Planning System，TPS）在进行剂量计算时，常常把 3D 打印的固定装置 “排除在外”。在默认的 HU 设置下，TPS 自动生成的身体结构通常不包含这些固定装置。这一疏忽很容易被物理师和剂量师忽略，从而在治疗计划中忽视了固定装置对剂量分布的影响。已有研究表明，这种疏忽会严重影响治疗的准确性。比如，在头颈部 VMAT 计划中，忽略固定装置的衰减效应可能导致计划靶区（Planning Target Volume，PTV）的 V95（接受 95% 处方剂量的靶区体积百分比）出现 0.4 - 2.3% 的差异，D100（靶区接受 100% 处方剂量的点剂量）偏差高达 71.4%；在肺癌立体定向消融放疗（SABR）的 VMAT 计划中，固定装置会使关键剂量学参数出现 5 - 7% 的变化 ，还会对脊髓、食道和心脏等危及器官（Organ at Risk，OAR）的剂量产生显著影响。

为了解决这些问题，来自成都理工大学核技术与自动化工程学院以及电子科技大学四川省人民医院癌症中心的研究人员展开了深入研究。他们的研究成果发表在《BMC Cancer》期刊上，论文标题为 “Segmentation methods and dosimetric evaluation of 3D-printed immobilization devices in head and neck radiotherapy”。通过研究，他们发现 Mask2Former 深度学习模型能够自动且高精度地分割 3D 打印的头枕和多功能固定框架（Multifunctional Immobilization Frame，MFIF），为提高个性化放射治疗计划的准确性提供了新的方法。同时，研究还表明 3D 打印头枕和 MFIF 的衰减效应会降低头颈部癌症患者 PTV 的 V100%（接受 100% 处方剂量的靶区体积百分比）和平均剂量（Dmean），而 3D 打印头枕的建成效应会使皮肤剂量增加 31.3%。

在这项研究中，研究人员用到了几个关键的技术方法。首先，他们使用了深度学习网络 Mask2Former，这个模型就像一个聪明的 “图像侦探”，由编码器骨干网络、像素解码器和变压器解码器组成，能够自动对患者的 3D 打印头枕和 MFIF 进行分割。其次，他们利用了剂量 - 体积直方图（Dose-Volume Histogram，DVH）分析，通过提取 DVH 数据来评估不同计划中 PTV 和 OAR 的剂量学参数差异。此外，他们还采用了 gafchromic EBT3 胶片测量进行计划验证，用这个方法来检验剂量计算的准确性。

下面我们来看看具体的研究结果。

研究人员用 49 例头颈部放射治疗患者的 CT 定位图像训练 Mask2Former 模型。在模型训练过程中，损失函数在大约 5000 次迭代后开始收敛，验证集上的平均精度均值（mAP）在训练过程中一直保持在 0.9 左右的较高稳定水平，这说明模型的泛化能力很好，没有出现过拟合的情况。从具体的指标来看，在验证集上，模型分割 3D 打印头枕的 mAP 达到 0.898，Dice 指数为 0.956；分割 MFIF 的 Dice 指数为 0.980。在测试集上，3D 打印头枕的 mAP 为 0.895，Dice 指数为 0.939；MFIF 的 Dice 指数为 0.981。这些结果表明，Mask2Former 模型能够很好地识别出 3D 打印头枕和 MFIF 的关键特征，分割出的轮廓与实际结构的形状和位置匹配得很好，并且能自动转换为放疗结构，用于后续的剂量计算和治疗计划优化。

研究人员为每个患者创建了四种不同的身体结构集，分别是不包含 3D 打印头枕和 MFIF 的 S、包含 MFIF 的、包含 3D 打印头枕的以及两者都包含的 ，并基于这些结构集生成了相应的 VMAT 计划。通过对比不同计划的剂量分布发现，由于 MFIF 和 3D 打印头枕的衰减和补偿效应，剂量分布发生了变化。当射线穿过 MFIF 时，PTV 会出现明显的剂量不足，大约为 2Gy；穿过 3D 打印头枕时，衰减相对较小，但由于头枕与颈部皮肤贴合紧密，后颈部皮肤的剂量会增加；当射线同时穿过两者时，PTV 的剂量进一步降低，剂量不足区域增大，皮肤剂量也会上升。

从 DVH 结果可以看出，与原始计划 P 相比，、和计划中所有 PTV 的曲线都向左移动，这意味着这些计划的 V100% 和 Dmean 都显著降低。具体数据显示，计划使 PGTVnx、PGTVnd、PGTVrpn、PTV1 和 PTV2 的 V100% 分别降低了 5.99%、6.51%、5.93%、2.24% 和 1.86%；计划使这些 PTV 的 V100% 分别降低了 1.78%、2.56%、1.75%、1.16% 和 1.48% ；计划使 V100% 分别降低了 9.15%、10.18%、9.16%、3.36% 和 3.28% 。同时，这些计划中 PTV 的 Dmean 也都有不同程度的降低，且差异具有统计学意义。

在危及器官的剂量方面，计划使脑干和脊髓的 Dmax 降低；计划使脑干的剂量显著增加，这提示在使用 3D 打印头枕时要特别注意脑干的剂量控制；计划中脑干和脊髓的 Dmax 都较低。对于晶状体，大多数计划与 P 计划的剂量差异没有统计学意义。腮腺、甲状腺和下颌骨在其他三个计划中的 Dmax 和 Dmean 都比 P 计划低；垂体和视交叉的 Dmean 在三个计划中也都降低，但视神经、视交叉和垂体的 Dmax 在这三个计划中有所增加，其中计划的增加幅度最大。值得注意的是，皮肤剂量在和计划中明显增加，计划的 Dmean 增加了 355.09cGy，计划的 Dmean 增加了 359.24cGy，这可能会增加患者皮肤毒性的风险。

研究人员使用人体模型和 gafchromic EBT3 胶片对九个患者的计划进行验证，采用 3%/3mm 标准和 10% 阈值的全局 γ 通过率测试方法。结果发现，所有计划的 γ 通过率都超过了 90% 的临床可接受阈值，其中计划的 γ 通过率最高，达到 92.14%，这表明将 3D 打印头枕和 MFIF 纳入剂量计算可以提高患者剂量计算的准确性。

综合研究结果和讨论部分，这项研究意义重大。它首次将先进的深度学习技术应用于固定装置的自动分割，避免了在治疗计划中忽视 3D 打印头枕和 MFIF 剂量学效应的问题，同时也防止了因低 HU 阈值导致身体轮廓过度扩展的影响。Mask2Former 模型展现出了强大的分割能力，但也存在一些挑战，比如在处理 MFIF 的金属伪影和 3D 打印头枕的小目标时还需要进一步改进。研究还明确了 3D 打印头枕和 MFIF 对剂量分布的影响，提醒医生在制定治疗计划时一定要把固定装置考虑进去，这样才能提高剂量计算的准确性。如果皮肤剂量超过 30%，就需要调整治疗计划，并在每 10 次治疗后进行随访评估。不过，这项研究也存在一些局限性，比如数据集较小、只使用了一种 3D 打印材料等。未来的研究可以在扩大数据集、应用于其他材料的固定装置、开展多中心研究以及建立标准化质量保证流程等方面继续深入，让 3D 打印固定装置在临床应用中更加安全、有效。