Detektion von Bestrahlungsfehlern durch elektronische Portalbildgeräte (EPID) zur in vivo-Dosimetrie in der Strahlentherapie

Intensitätsmodulierte Strahlentherapie (IMRT) und stereotaktische Körperstrahlentherapie (SBRT) gehören zu den fortgeschrittenen Techniken in der Krebsbehandlung, die eine akribische Qualitätssicherung (QA) erfordern, um präzise Dosisapplikationen zu gewährleisten. Während patientenspezifische Vorbehandlungs-QA (PSQA) Routine ist, erfordern anatomische Veränderungen, Positionierungsungenauigkeiten des Patienten und gerätebedingte Fehler während der Behandlung eine Echtzeitüberwachung der applizierten Dosis. Die in vivo-Dosimetrie (IVD) adressiert diese Anforderung durch Verifizierung der tatsächlich verabreichten Strahlendosis. Unter den IVD-Systemen haben sich elektronische Portalbildgeräte (EPIDs) aufgrund ihrer schnellen Bildaufnahme, hohen räumlichen Auflösung und Kompatibilität mit digitalen Workflows als vielseitige Lösung etabliert. Dieser Artikel beleuchtet die Rolle EPID-basierter IVD-Systeme in der Fehlerdetektion, ihre technische Umsetzung und Fortschritte im maschinellen Lernen (ML) zur Fehlerklassifizierung.

Technische Grundlagen EPID-basierter IVD

EPID-Systeme, insbesondere solche mit amorphen Silizium-Detektoren (a-Si), erfassen Transitbilder während der Bestrahlung. Wenn hochenergetische Photonen mit der Szintillatorschicht des EPIDs interagieren, wird sichtbares Licht emittiert und durch eine Photodiodenmatrix in elektrische Signale umgewandelt. Diese Signale werden zu digitalen Bildern verarbeitet, die dosimetrische Informationen enthalten. Allerdings müssen EPID-Messungen korrigiert werden, um Effekte wie Aufbaustörungen, optische Streuung und Ghosting-Artefakte zu kompensieren.

Zwei methodische Ansätze dominieren die EPID-basierte IVD:

Vorwärtsprojektion: Dieser Ansatz nutzt Monte-Carlo-Simulationen oder analytische Modelle, um Transitdosisverteilungen auf dem EPID vorherzusagen. Gemessene Bilder werden anschließend mit den Vorhersagen verglichen.
Rückwärtsprojektion: Gemessene EPID-Bilder werden mithilfe von Dosisdepositionskernen auf den CT-Datensatz des Patienten rückprojiziert. Dies ermöglicht die Rekonstruktion der 2D- oder 3D-Dosisverteilung im Patienten und den direkten Vergleich mit dem Bestrahlungsplan.

Fehlerdetektionsfähigkeiten EPID-basierter IVD-Systeme

Offline-Systeme

Offline-Systeme analysieren EPID-Daten nach der Behandlung. Eine wegweisende Studie von Mans et al. (2010) identifizierte 17 kritische Fehler bei 4.337 überprüften Bestrahlungsplänen, was den klinischen Nutzen der EPID-IVD unterstreicht. Folgestudien bestätigten die Detektion von Fehlern durch MLC-Fehlerstellungen (multileaf collimator), Monitor-Unit(MU)-Abweichungen und Aperturungenauigkeiten. So wurden MLC-Blattenversätze von nur 1–2 mm mittels Gamma-Index-Kriterien (3%/2 mm) detektiert. Gantry-Winkelfehler und Patientenverschiebungen erwiesen sich hingegen aufgrund von Integrationseffekten in den EPID-Bildern als weniger sensitiv.

Kommerzielle Systeme wie SunCHECK, EPIgray und Dosimetry Check haben breite Anwendung gefunden. Diese ersetzen häufig die phantombasierte PSQA, da sie direkt die applizierte Dosis bewerten.

Online-Systeme

Online-Systeme ermöglichen Echtzeit-Fehlererkennung während der Bestrahlung. Das Niederländische Krebsinstitut entwickelte ein rückprojektionsbasiertes System, das 3D-Dosisverteilungen schneller als die EPID-Bildrate (typisch 5–10 Hz) rekonstruiert, um kritische Fehler durch sofortigen LINAC-Stopp zu unterbinden. Woodruff et al. (2015) implementierten ein Online-System mit zeitaufgelösten EPID-Bildern, das Alarme bei Gamma-Passraten (3%/3 mm) unter 40% über vier aufeinanderfolgende Frames auslöst. Katastrophale Fehler wie MLC-Bankenverschiebungen wurden innerhalb von 0,1 Sekunden erkannt.

Das uRT-LINAC 506c-System kombiniert EPID-IVD mit Cone-Beam-CT (CBCT), um tägliche Anatomieupdates und adaptive Dosisrekonstruktionen zu ermöglichen. Studien mit dieser Plattform erreichten 95% Sensitivität bei der Detektion intentionaler 5-mm-MLC-Fehler und 3% MU-Abweichungen.

Wichtige Erkenntnisse zur Fehlerdetektion

MLC-Fehler: Detektierbar ab 1–2 mm mittels Gamma-Analyse. Zeitaufgelöste EPID-Moden verbessern die Erkennung durch Zuordnung zu spezifischen Steuerpunkten in der volumenmodulierten Arc-Therapie (VMAT).
MU-Fehler: Nachweisgrenzen bis 3%, abhängig von der Komplexität des Bestrahlungsfelds.
Patientenlagerungsfehler: Schlechter detektierbar (5–10 mm), bedingt durch den begrenzten EPID-Kontrast für Weichteilabweichungen.
Gantry-Winkelfehler: Erkennung erst bei Abweichungen >2–3° zuverlässig.

Maschinelles Lernen zur Fehlerklassifizierung

Aktuelle Studien integrieren ML und Deep Learning (DL) in EPID-IVD-Systeme zur automatisierten Fehlerklassifikation:

Faltungsneuronale Netze (CNNs): Wolfs et al. (2020) trainierten ein CNN zur Unterscheidung anatomischer Veränderungen (z. B. Tumorschrumpfung), Patientenverschiebungen und MLC-Fehler an simulierten EPID-Bildern. Bei 3% MU-Fehlern oder 3-mm-MLC-Versätzen lag die Klassifikationsgenauigkeit über 90%.
Recurrent Neural Networks (RNNs): Bedford und Hanson (2022) setzten ein RNN ein, um zeitliche EPID-Daten während VMAT-Bestrahlungen zu analysieren. Das Modell detektierte MLC-Fehler 30% schneller als konventionelle Gamma-Analysen und reduzierte die Bestrahlungszeit fehlerhafter Fraktionen.
Hybride Ansätze: Chen et al. (2022) kombinierten tägliche CBCT-Daten mit EPID-Messungen, um anatomische Veränderungen (z. B. Rektumfüllungsänderungen) von Gerätefehlern zu unterscheiden. DVH-Abweichungen >5% im Planungszielvolumen (PTV) oder Risikoorganen (OAR) lösten eine Neubestrahlungsplanung aus.

Grenzen ML-basierter Systeme

Abhängigkeit von simulierten Daten: Aktuelle Modelle nutzen simulierte Fehler, vernachlässigen jedoch reale Unsicherheiten wie EPID-Kalibrationsdrifts oder Bewegungsartefakte.
Einzelfehler-Bias: Die meisten Systeme sind auf isolierte Fehler trainiert, während klinische Szenarien oft kombinierte Fehler beinhalten (z. B. MLC-Fehler mit anatomischen Veränderungen).
Interpretierbarkeitsdefizite: ML-„Blackbox“-Modelle erschweren die Nachvollziehbarkeit der Fehlerkategorisierung und damit die klinische Akzeptanz.

Herausforderungen und zukünftige Entwicklungen

Klinische Validierung: Prospektive Studien müssen die Fehlerdetektionsraten in diversen Patientenkohorten validieren. Bei Lungen-SBRT mit ausgeprägter Atembewegung könnten adaptive Schwellenwerte für MLC-Fehler erforderlich sein.
Integration in adaptive Strahlentherapie: Die Kombination von EPID-IVD mit MR- oder CT-geführten Systemen könnte Echtzeitplananpassungen ermöglichen. Das uRT-LINAC 506c-System zeigt dies durch tägliche CBCT-gestützte Konturupdates.
Standardisierung von Alarmkriterien: Optimale Gamma-Kriterien (z. B. 3%/2 mm vs. 5%/3 mm) und Interventionsschwellen erfordern institutionsspezifische Anpassungen zur Balance von Falschpositiv- und Falschnegativraten.
Verbesserte zeitliche Auflösung: Hochgeschwindigkeits-EPIDs (≥20 Hz) und GPU-beschleunigte Rekonstruktionsalgorithmen werden die Echtzeit-Fehlerdetektion für ultra-hypofraktionierte Behandlungen verbessern.

Fazit

EPID-basierte IVD-Systeme haben die Fehlerdetektion in der Strahlentherapie revolutioniert, indem sie sowohl offline als auch in Echtzeit Überwachungsmöglichkeiten bieten. Während MLC- und MU-Fehler zuverlässig erkannt werden, bleiben Patientenlagerungs- und Gantry-Winkelfehler herausfordernd. Die Integration von ML-Modellen zeigt Potenzial für automatisierte Fehlerklassifizierung, bedarf jedoch rigoroser klinischer Validierung. Zukünftige Fortschritte in Bildgebungs-Hardware, adaptiven Algorithmen und multi-institutioneller Standardisierung werden EPID-IVD als Eckpfeiler präziser und sicherer Strahlentherapie etablieren.

DOI: 10.1097/CM9.0000000000002665

Detektion von Bestrahlungsfehlern durch EPID zur in vivo-Dosimetrie