[论文解读] Efficient uncertainty quantification for Monte Carlo dose calculations using importance (re-)weighting

Pia Stammer, Lucas Burigo+3 more|arXiv (Cornell University)|Jun 22, 2021

Radiation Therapy and Dosimetry参考文献 53被引用 4

一句话总结

该论文提出了一种新颖的、非侵入式的重要性（再）加权方法，用于蒙特卡罗（MC）剂量计算，通过从单组MC粒子历史中估计期望剂量和方差，实现了强度调制质子治疗（IMPT）中高效的风险量化（UQ）。通过利用多变量正态分布不确定性模型和重加权技术，该方法将CPU时间减少了超过一个数量级，同时在γ指数比较中实现了高精度（对于摆位不确定性≥99.99%，对于范围不确定性下的剂量方差≥91.69%）。

ABSTRACT

The high precision and conformity of intensity-modulated particle therapy (IMPT) comes at the cost of susceptibility to treatment uncertainties in particle range and patient set-up. Dose uncertainty quantification and mitigation, which is usually based on sampled error scenarios, however becomes challenging when computing the dose with computationally expensive but accurate Monte Carlo (MC) simulations. This paper introduces an importance (re-)weighting method in MC history scoring to concurrently construct estimates for error scenarios, the expected dose and its variance from a single set of MC simulated particle histories. The approach relies on a multivariate Gaussian input and uncertainty model, which assigns probabilities to the initial phase space sample, enabling the use of different correlation models. Exploring and adapting bivariate emittance parametrizations for the beam shape, accuracy can be traded between that of the uncertainty or the nominal dose estimate. The method was implemented using the MC code TOPAS and tested for proton IMPT plan delivery in comparison to a reference scenario estimate. We achieve accurate results for set-up uncertainties ($\gamma_{3mm/3\%} \geq 99.99\%$) and expectedly lower but still sufficient agreement for range uncertainties, which are approximated with uncertainty over the energy distribution ($\gamma_{3 mm/3\%} \geq 99.50\%$ ($E[\boldsymbol{d}]$), $\gamma_{3mm/3\%} \geq 91.69\%$ ($\sigma(\boldsymbol{d})$) ). Initial experiments on a water phantom, a prostate and a liver case show that the re-weighting approach lowers the CPU time by more than an order of magnitude. Further, we show that uncertainty induced by interplay and other dynamic influences may be approximated using suitable error correlation models.

研究动机与目标

• 解决强度调制粒子治疗（IMPT）中蒙特卡罗（MC）剂量计算的高计算成本问题，尤其是当与风险量化（UQ）结合时。
• 克服传统UQ方法的局限性，即需要为每个误差情景单独运行MC模拟，这在计算上不可行。
• 开发一种最小侵入性的、基于重加权的方法，能够从单次MC模拟中同时估计名义剂量、期望剂量和剂量方差。
• 通过使用具有灵活相关结构的多变量正态分布输入模型，在真实束流和摆位不确定性下实现精确的风险量化。
• 在临床IMPT计划中验证该方法的可行性与效率，包括水模体、前列腺和肝脏病例。

提出的方法

• 利用在名义条件下模拟的单组蒙特卡罗粒子历史，通过重要性（再）加权技术计算多个误差情景下的剂量估计。
• 通过将粒子历史剂量乘以基于输入不确定性（如摆位和范围误差）的多变量正态分布概率密度函数所得权重，实现重加权。
• 使用双变量发射度参数化方法对束流和笔形束不确定性进行建模，以控制名义剂量与不确定性估计精度之间的权衡。
• 将期望剂量和方差表述为名义剂量矩阵的加权矩，从而实现无需额外模拟的直接计算。
• 在TOPAS蒙特卡罗代码中实现该方法，利用高效的矩阵-向量运算对所有粒子历史进行重加权。
• 使用γ指数分析（3 mm/3%）验证重加权剂量估计与参考情景采样结果的一致性。

实验结果

研究问题

• RQ1 是否可以使用单次蒙特卡罗模拟，高效估计IMPT中多个不确定性情景下的期望剂量及其方差？
• RQ2 与参考情景采样相比，重加权剂量估计在摆位和范围不确定性下的精度如何？
• RQ3 通过束流参数化，能否在名义剂量精度与不确定性估计质量之间实现可控的权衡？
• RQ4 该方法是否能显著降低计算成本，同时保持临床可接受的风险量化精度？
• RQ5 在不确定性框架中，是否可以通过适当的关联模型近似动态效应（如交错效应）？

主要发现

• 该重加权方法相比传统的基于情景的MC模拟，将所需CPU时间减少了超过一个数量级。
• 对于摆位不确定性，与参考情景采样相比，该方法在γ3 mm/3%下的通过率≥99.99%，表明结果高度一致。
• 对于范围不确定性，期望剂量（E[d]）的γ3 mm/3%通过率≥99.50%，而标准差（σ(d)）的通过率≥91.69%，证明其在临床风险量化中具有足够的精度。
• 该方法通过重加权单次名义模拟，实现了精确的不确定性传播，消除了对多次完整MC运行的需求。
• 该方法通过双变量发射度参数化，支持对束流和笔形束相关性的灵活建模，允许在名义剂量与不确定性估计精度之间进行权衡。
• 初步的临床病例研究（水模体、前列腺、肝脏）证实了该方法在解剖结构和束流输送复杂性方面的鲁棒性与可扩展性。