مقایسه‌ی الگوریتم‌های کوکو چندهدفه و ژنتیک در بهینه‌سازی پرتودرمانی با شدت متغیر

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی دکترا تخصصی گروه مهندسی هسته‌ای، مهندسی پرتوپزشکی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

2 استاد، گروه مهندسی هسته‌ای، مهندسی پرتوهای پزشکی، دانشگاه آزاد اسلامی، واحد تهران مرکز، تهران، ایران

3 استادیار، گروه مهندسی هسته‌ای، مهندسی پرتوهای پزشکی، دانشگاه آزاد اسلامی، واحد تهران مرکز، تهران، ایران

10.48305/jims.v43.i834.1284

چکیده

مقاله پژوهشی




مقدمه: پرتودرمانی با شدت متغیر (Intensity-Modulated Radiation Therapy)  IMRTروش پیشرفته‌ای برای درمان سرطان است که دوز بالای پرتودرمانی را به تومور هدف می‌رساند و آسیب به اندام‌های حیاتی (OARs) را کاهش می‌دهد. پیچیدگی این روش، استفاده از بهینه‌سازی چندمعیاره (Multi-criteria optimization) MCO را برای تعادل بین پوشش تومور و محافظت از OARs ضروری می‌کند. این مطالعه عملکرد الگوریتم کوکو چندهدفه (Multi-objective cuckoo algorithm) MOCA و الگوریتم ژنتیک (Genetic algorithm)  GAرا در بهینه‌سازی برنامه‌ریزی IMRT مقایسه کرد.
روش‌ها: داده‌های 20 بیمار مبتلا به سرطان سر و گردن تحت درمان IMRT، مورد بررسی قرار گرفت. برنامه‌ریزی با الگوریتم‌های MOCA و GA انجام شد و عملکرد آن‌ها بر اساس هیستوگرام‌های حجم دوز (DVH)، شاخص تطابق (CI)، شاخص یکنواختی (HI) و زمان محاسباتی ارزیابی گردید. داده‌ها با آزمون‌های آماری تحلیل و مقایسه شدند.
یافته‌ها: نتایج نشان داد که الگوریتم  MOCAعملکرد بهتری نسبت به GA داشت. الگوریتم MOCA میانگین پوشش تومور (D95%)  را به میزان 5/98 درصد نسبت به 2/97 درصد GA بهبود داد (0/01 > P). همچنین، الگوریتم MOCA دوز متوسط اندام‌های حیاتی را به میزان 8 درصد کاهش داد (0/05 > P) و زمان محاسباتی را 25 درصد سریع‌تر از GA انجام داد. شاخص تطابق (CI) در الگوریتم MOCA بالاتر بود، اما شاخص یکنواختی (HI) بین دو الگوریتم تفاوت معناداری نداشت.
نتیجه‌گیری: الگوریتم MOCA در مقایسه با GA در بهینه‌سازی برنامه‌ریزی IMRT عملکرد برتری نشان داد. این الگوریتم توانایی بهبود پوشش تومور، کاهش دوز اندام‌های حیاتی و افزایش کارآیی محاسباتی را داراست. با این حال، بررسی بیشتر برای تأیید تعمیم‌پذیری و کاربرد بالینی آن در انواع دیگر سرطان‌ها ضروری است.

تازه های تحقیق

مهدی صالحی باروق: Google Scholar 

نوشین بنایی رضاییه: Google Scholar 

الهام صنیعی: Google Scholar 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Comparison of Multi-Objective Cuckoo Search Algorithm and Genetic Algorithm in Optimization of Intensity-Modulated Radiation Therapy (IMRT)

نویسندگان [English]

  • Leili Nekozad 1
  • Mehdi Salehi barogh 2
  • Noushin Benaei Rezaieh 3
  • Elham Sanei 3
1 PhD Student, Department of Nuclear Engineering-Medical Radiation Engineering, Islamic Azad University, Central Tehran Branch, Tehran, Iran
2 Professor, Department of Nuclear Engineering-Medical Radiation Engineering, Islamic Azad University, Central Tehran Branch, Tehran, Iran
3 Assistant Professor, Department of Nuclear Engineering-Medical Radiation Engineering, Islamic Azad University, Central Tehran Branch, Tehran, Iran
چکیده [English]

Background: Intensity-modulated radiation therapy (IMRT) is an advanced cancer treatment method that delivers high radiation doses to the target tumor while reducing damage to organs at risk (OARs). Given the complexity of this approach, multi-criteria optimization (MCO) is essential for balancing tumor coverage and reducing OAR doses. This study compared the performance of the multi-objective cuckoo algorithm (MOCA) and the genetic algorithm (GA) in optimizing IMRT treatment planning.
Methods: This study utilized data from 20 patients with head and neck cancer who underwent IMRT. Treatment planning was performed using MOCA and GA, and their performance was assessed based on dose-volume histograms (DVH), conformity index (CI), homogeneity index (HI), and computational time. Statistical tests were applied to analyze the data and compare the results between the two algorithms.
Findings: Results indicated that the MOCA algorithm performed better than GA. MOCA improved the mean tumor coverage (D95%) to 98.5% compared to 97.2% for GA (P < 0.01). Additionally, MOCA reduced the mean dose to OARs (Dmean) by 8% (P < 0.05) and performed computations 25% faster than GA. The conformity index (CI) was higher in MOCA, while the homogeneity index (HI) showed no significant difference between the two algorithms
Conclusion: Compared to GA, MOCA demonstrated superior performance in optimizing IMRT treatment planning. This algorithm enhances tumor coverage, reduces OAR dose exposure, and improves computational efficiency. However, further studies are required to validate its generalizability and clinical applicability for other cancer types. The findings of this study provide a foundation for improving therapeutic strategies in radiation oncology.

کلیدواژه‌ها [English]

  • Radiotherapy
  • Multi-criteria decision making
  • Algorithms
  • Head and neck neoplasms
  • Treatment planning

مراجع

  1. Wang K, Tepper JE. Radiation therapy‐associated toxicity: Etiology, management, and prevention. CA Cancer J Clin 2021; 71(5): 437-54.
  2. Samarasinghe G, Jameson M, Vinod S, Field M, Dowling J, Sowmya A, et al. Deep learning for segmentation in radiation therapy planning: a review. J Med Imaging Radiat Onco 2021; 65(5): 578-95.
  3. Ghaheri A, Shoar S, Naderan M, Hoseini SS. The applications of genetic algorithms in medicine. Oman Med J 2015; 30(6): 406-16.
  4. Holland DE, Olesen RJ, Bevins JE. Multi-objective genetic algorithm optimization of a directionally sensitive radiation detection system using a surrogate transport model. Eng Appl Artif Intell 2021; 104: 104357.
  5. Nazareth DP, Brunner S, Jones MD, Malhotra HK, Bakhtiari MJJoMP. Optimization of beam angles for intensity modulated radiation therapy treatment planning using genetic algorithm on a distributed computing platform. J Med Phys 2009; 34(3): 129-32.
  6. Cotrutz C, Xing LJPiM, Biology. Segment-based dose optimization using a genetic algorithm. Phys Med Biol 2003; 48(18): 2987-98.
  7. Fallahi A, Mahnam M, Akhavan Niaki ST. Direct aperture optimization for intensity modulated radiation therapy: Two calibrated metaheuristics and liver cancer case study. IJIEPR 2022; 33(2): 1-14.
  8. Haupt A, Christoffersen P, Damani M, Hadfield-Menell DJAA, Systems M-A. Formal contracts mitigate social dilemmas in multi-agent reinforcement learning. Auton Agent Multi-Agent Syst 2024; 38(2): 1-38.
  9. Murad SF. Optimization of radiation therapy techniques for improved patient outcomes. EIMJE (2994-9521). 2024; 2(5): 529-42.
  10. Narasimham N, Prasad AR. Metaheuristic algorithm for constrained optimization in radiation therapy treatment planning: design and performance comparison. Adv Artif Intell Mach Learn 2025; (3):4034-52.
  11. Pepin MD, Penoncello GP, Brom KM, Gustafson JM, Long KM, Rong Y, et al. Assessment of dose‐volume histogram precision for five clinical systems. Med Phys 2022; 49(10): 6303-18.
  12. Harden SV, Chiew KL, Millar J, Vinod SK. Quality indicators for radiation oncology. J Med Imaging Radiat Oncol 2022; 66(2): 249-57.
  13. Hörner-Rieber J, Forster T, Hommertgen A, Haefner MF, Arians N, König L, et al. Intensity modulated radiation therapy (IMRT) with simultaneously integrated boost shortens treatment time and is noninferior to conventional radiation therapy followed by sequential boost in adjuvant breast cancer treatment: results of a large randomized phase III trial (IMRT-MC2 trial). International Journal of Radiation Oncology* Biology* Physics 2021; 109(5): 1311-24.
  14. Wang S, Tang W, Luo H, Jin F, Wang Y. The role of image-guided radiotherapy in prostate cancer: A systematic review and meta-analysis. Clin Transl Radiat Oncol 2023; 38: 81-9.
  15. Kargar N, Zeinali A, Molazadeh M. Impact of dose calculation algorithms and radiobiological parameters on prediction of cardiopulmonary complications in left breast radiation therapy. J Biomed Phys Eng 2024; 14(2): 129-40.
  16. Singh P, Mishra A, Mishra SK. A comprehensive analysis of the challenges and potential side effects of radiation therapy for palliative cancer treatment. Médecine Palliative 2024; 23(2): 75-91.
  17. Benedick T, Galvan J, Alshehri WAA, Fue R, Asbach J, Le AH, et al. Data-mining and machine learning for knowledge-based treatment planning support in radiation therapy of head and neck cancer using anatomical structure and tumor position. Medical Imaging 2024: Imaging Informatics for Healthcare, Research, and Applications; 2024: SPIE.
  18. Vasudevan SS, Deeb H, Katta A, Olinde L, Pang J, Asarkar AA, et al. Efficacy and safety of proton therapy versus intensity‐modulated radiation therapy in the treatment of head and neck tumors: A systematic review and meta‐analysis. Head Neck 2024; 46(10): 2616-31.
  19. Ocaña-Tienda B, León-Triana O, Pérez-Beteta J, Jiménez-Sánchez J, Pérez-García VM. Radiation necrosis after radiation therapy treatment of brain metastases: A computational approach. PLOS Comput Biol 2024; 20(1): e1011400.
مجله دانشکده پزشکی اصفهان
دوره 43، شماره 834
هفته 2، آذر
آذر و دی 1404
صفحه 1284-1293

فایل ها

سابقه مقاله

  • تاریخ دریافت: 13 بهمن 1403
  • تاریخ پذیرش: 07 دی 1404

هم رسانی

ارجاع به این مقاله

آمار