📚 BÀI 15 – TẠI SAO TPS CÓ THỂ TÍNH ĐƯỢC LIỀU?
Đây là một trong những bài quan trọng nhất của cả chuỗi học về LINAC.
Ở Bài 14, chúng ta đã thấy:
CT → HU → mô hình bệnh nhân → beam → TPS → Dose 3D → DVH
Nhưng một câu hỏi rất sâu vẫn còn đó:
Làm sao một phần mềm có thể nhìn vào CT rồi tính ra “60 Gy sẽ nằm ở đâu”?
Câu trả lời nằm ở sự kết hợp của vật lý bức xạ + dữ liệu đo thực tế của LINAC + mô hình toán học + thuật toán tính liều.
1. Trước hết: Gy thực chất là gì?
Ta bắt đầu từ đơn vị Gray (Gy).
Định nghĩa:
1 Gy = 1 joule năng lượng được hấp thụ trong 1 kg vật chất.
Về toán học:
[
D=\frac{dE}{dm}
]
Trong đó:
- (D): absorbed dose
- (dE): năng lượng hấp thụ
- (dm): khối lượng vật chất
Ví dụ đơn giản:
Nếu một vùng mô có khối lượng:
[
m=1,kg
]
và hấp thụ:
[
E=1,J
]
thì:
[
D=1,Gy
]
2. Nhưng LINAC không “bắn Gy”
Đây là một hiểu lầm rất dễ gặp.
LINAC tạo ra photon beam.
Nó không bắn ra những “hạt Gy”.
Quá trình thực tế gần giống:
LINAC
│
▼
Photon
│
▼
Tương tác với vật chất
│
▼
Electron thứ cấp
│
▼
Electron truyền năng lượng
│
▼
Ionization / excitation
│
▼
Năng lượng được hấp thụ
│
▼
DOSE
│
▼
GyĐây chính là chìa khóa để hiểu TPS.
3. Photon 6 MV đi vào cơ thể như thế nào?
Hãy lấy ví dụ một photon beam năng lượng danh định 6 MV.
LINAC
│
│ photon
▼
┌───────────┐
│ PATIENT │
│ │
│ →→→→→ │
│ →→→→→ │
│ →→→→→ │
└───────────┘Photon đi vào cơ thể.
Nhưng photon không trực tiếp “đốt” mô theo cách đơn giản.
Nó tương tác với vật chất và tạo ra các electron thứ cấp.
4. Electron mới là nhân vật cực kỳ quan trọng
Có thể hình dung:
Photon
│
│ tương tác
▼
Electron thứ cấp
│
├────► ionization
│
├────► excitation
│
└────► truyền năng lượng
│
▼
tissue
│
▼
DOSEVì vậy:
Photon tạo ra các electron, và các electron truyền năng lượng cho vật chất.
Đây là một trong những ý tưởng nền tảng của vật lý xạ trị.
5. Ba cơ chế tương tác photon quan trọng
Trong vùng năng lượng dùng cho xạ trị, ba quá trình thường được nhắc đến là:
① Photoelectric effect
Photon truyền năng lượng và bật electron ra khỏi nguyên tử.
Photon
↓
Atom
↓
electron bị bật ra② Compton scattering
Photon tương tác với electron.
Sau tương tác:
Photon ban đầu
\
\
\→ photon tán xạ
/
/
electron recoilĐây là cơ chế rất quan trọng trong mô mềm ở vùng năng lượng MV.
③ Pair production
Ở năng lượng đủ cao:
Photon
│
▼
electron + positronPositron sau đó có thể gặp electron và xảy ra annihilation.
6. Nhưng TPS không mô phỏng từng photon theo cách đơn giản
Hãy tưởng tượng một treatment plan có số lượng photon cực kỳ lớn.
Nếu TPS phải theo dõi:
Photon 1
Photon 2
Photon 3
...
Photon 10^15
...thì việc tính toán trực tiếp từng photon sẽ cực kỳ tốn tài nguyên.
Do đó TPS sử dụng các mô hình vật lý và thuật toán tính liều.
7. TPS thực sự cần biết những gì?
Nó cần hai nhóm thông tin lớn.
A. Thông tin về bệnh nhân
Từ CT:
CT
↓
HU
↓
density / material informationB. Thông tin về LINAC
Ví dụ:
Energy
Beam profile
Output
Depth dose
Scatter
MLC
Jaw
GeometrySau đó TPS kết hợp hai thứ:
LINAC MODEL
│
▼
CT ───────────► TPS
│
▼
DOSE CALCULATION8. TPS không tự “đoán” LINAC
Đây là điểm rất quan trọng.
Một TPS không thể chỉ cài phần mềm xong rồi nói:
“Tôi biết máy LINAC này hoạt động thế nào.”
Nó cần được commissioning bằng dữ liệu đo từ chính máy hoặc hệ thống beam tương ứng.
9. Commissioning là gì?
Sau khi TPS được cấu hình cho một LINAC, vật lý y khoa sẽ thu thập rất nhiều dữ liệu beam.
Ví dụ:
Depth dose
Đo dose theo độ sâu.
Beam profile
Đo dose theo vị trí ngang.
Output factor
Đo thay đổi output theo field size.
MLC data
Đặc tính của MLC.
Các thông số khác
Tùy hệ thống và thuật toán.
Sau đó dữ liệu được đưa vào hệ thống TPS.
10. Hãy tưởng tượng một “phòng thí nghiệm đo beam”
Ví dụ:
LINAC
│
▼
┌─────────────┐
│ PHANTOM │
│ │
│ ● │
│ │
└─────────────┘
│
▼
Detector
│
▼
MeasurementPhantom thường được sử dụng để đo đặc tính beam.
Detector đo tín hiệu liên quan đến dose.
11. PDD – một dữ liệu rất quan trọng
Một trong những khái niệm đầu tiên cần hiểu là:
PDD = Percentage Depth Dose
Nó cho biết dose thay đổi như thế nào theo độ sâu.
Ví dụ minh họa:
Dose
100% │ ●
│ / \
80% │ / \
│ / \
60% │ / ●
│ /
40% │ /
│
20% │
└────────────────
0 5 10 15 20
DepthĐây là một phần thông tin để TPS hiểu beam biến đổi thế nào khi đi sâu vào phantom/patient.
12. Tại sao dose không lớn nhất ngay tại bề mặt?
Đối với photon beam MV, có hiện tượng:
Build-up region
Có thể hình dung:
Surface
│
│ dose tăng
▼
●
\
●
● ← maximum dose
\
\
\ giảm dầnPhoton tạo electron thứ cấp.
Các electron này tiếp tục truyền năng lượng.
Do đó dose có thể tăng từ bề mặt đến vùng dmax rồi sau đó giảm dần theo độ sâu.
13. Đây là một đặc điểm rất quan trọng của photon MV
Một cách đơn giản:
Dose
^
| ● dmax
| /\
| / \
| / \
| / \
|___/______________\______> depth
surfaceTPS phải mô tả được đường cong này.
14. Beam profile là gì?
Nếu PDD nói:
dose thay đổi theo độ sâu
thì beam profile nói:
dose thay đổi theo vị trí ngang của beam.
Ví dụ:
Dose
^
| ┌──────────┐
| │ │
|_______│ │_______
|
└─────────────────────────> XThực tế profile phức tạp hơn, đặc biệt ở vùng:
- field edge
- penumbra
- ngoài field
15. Penumbra là gì?
Đây là vùng chuyển tiếp ở mép beam.
Field
████████████████████
████████████████████
████████████████████
\
\
\
\Không có một đường biên vật lý hoàn toàn sắc nét.
Dose chuyển từ cao xuống thấp trong một vùng hữu hạn.
Vùng này gọi là:
Penumbra
16. Tại sao penumbra quan trọng?
Nếu khối u nằm gần một cơ quan quan trọng:
TUMOR
█████████
█████████
█████████
│
│ vài mm
▼
SPINAL CORDthì việc kiểm soát gradient dose rất quan trọng.
Đặc biệt trong:
- IMRT
- VMAT
- SRS/SBRT
17. Output factor
Một câu hỏi khác:
Nếu field size thay đổi, output có thay đổi không?
Có.
Ví dụ:
Field 5 × 5
↓
Output A
Field 10 × 10
↓
Output B
Field 20 × 20
↓
Output CDo có sự thay đổi của:
- scatter từ phantom
- scatter từ head
- geometry
nên output không đơn giản là:
field lớn gấp đôi → dose gấp đôi.
TPS cần mô hình hóa những hiệu ứng này.
18. Vì vậy TPS có một “bộ não vật lý”
Ta có thể hình dung:
┌────────────────────┐
│ TPS PHYSICS │
│ │
CT ──────────►│ Density model │
│ Beam model │
LINAC ───────►│ Scatter model │
│ MLC model │
│ Dose algorithm │
└─────────┬──────────┘
│
▼
Dose 3D19. Có những thuật toán tính dose nào?
Ở mức tổng quan, bạn sẽ gặp:
Pencil Beam
Nhanh, đơn giản hơn.
Convolution/Superposition
Mô hình hóa đóng góp năng lượng từ nhiều thành phần.
Collapsed Cone
Một dạng thuật toán convolution/superposition hiệu quả.
Monte Carlo
Mô phỏng xác suất tương tác của hạt.
Các thuật toán hiện đại
Có thể sử dụng các phương pháp giải tích hoặc Monte Carlo cải tiến tùy TPS.
20. Pencil Beam – hãy tưởng tượng một bó tia nhỏ
Beam
↓
│
│
│
▼
█
█
█TPS chia beam thành nhiều thành phần nhỏ.
Sau đó tính dose của từng thành phần và cộng lại.
Beam
│
├── pencil beam 1
├── pencil beam 2
├── pencil beam 3
├── pencil beam 4
└── ...21. Convolution/Superposition
Ý tưởng cơ bản là:
Một điểm tương tác không chỉ tạo dose đúng tại điểm đó.
Năng lượng còn được phân bố xung quanh.
Có thể hình dung:
dose
↙ ↓ ↘
●─────●─────●
↖ ↑ ↗
│
interactionTPS sử dụng các kernels hoặc mô hình tương tự để mô tả sự phân bố năng lượng.
Sau đó:
cộng đóng góp của rất nhiều interaction.
22. Monte Carlo – cách nhìn cực kỳ trực quan
Monte Carlo có thể hiểu đơn giản là:
dùng xác suất để mô phỏng đường đi và tương tác của các hạt.
Ví dụ:
Photon
│
├──────►
│
├──►
│ electron
│ └────►
│
└────────►Lặp lại rất nhiều lịch sử hạt:
History 1
History 2
History 3
...
History Nrồi thống kê:
năng lượng được hấp thụ ở đâu?
23. Monte Carlo rất mạnh trong môi trường không đồng nhất
Đây là lý do nó đặc biệt thú vị.
Ví dụ:
PHỔI
░░░░░░░░░░░░░
XƯƠNG
█████████████
MÔ MỀM
─────────────Beam đi qua các môi trường khác nhau.
Sự vận chuyển electron và photon có thể trở nên phức tạp.
Các thuật toán chính xác hơn có thể mô hình hóa những hiệu ứng này tốt hơn.
24. Nhưng TPS phải cân bằng “chính xác” và “nhanh”
Đây là một bài toán kỹ thuật rất hay.
Nếu:
Monte Carlo rất chi tiết
→ có thể cần nhiều thời gian tính toán hơn.
Nếu:
thuật toán đơn giản
→ tính nhanh hơn nhưng có thể có giới hạn trong một số điều kiện.
Do đó các TPS hiện đại sử dụng những thuật toán được thiết kế để:
đủ chính xác + đủ nhanh cho lâm sàng.
25. Bây giờ ghép tất cả lại
Ta có:
CT
│
▼
HU
│
▼
Density model
│
│
LINAC ──────► Beam model
│
▼
Dose algorithm
│
▼
┌────────────────┐
│ Dose(x,y,z) │
└────────────────┘
│
┌─────┴─────┐
▼ ▼
Dose map DVH26. Vậy TPS “biết” dose bằng cách nào?
Câu trả lời đầy đủ là:
Bước 1
CT cho biết cấu trúc giải phẫu.
Bước 2
HU cung cấp thông tin liên quan đến mật độ vật chất.
Bước 3
Commissioning cung cấp đặc tính beam thực tế của LINAC.
Bước 4
TPS có mô hình beam.
Bước 5
Thuật toán vật lý mô phỏng sự truyền năng lượng.
Bước 6
TPS tính dose tại từng voxel.
Bước 7
Các voxel tạo thành:
3D dose distribution
27. Có một khái niệm còn sâu hơn: Dose ≠ Energy fluence
Đây là bước chúng ta bắt đầu đi vào vật lý thật sự.
Beam đi qua một voxel có thể mang một lượng năng lượng nhất định.
Nhưng điều chúng ta quan tâm là:
bao nhiêu năng lượng cuối cùng được hấp thụ trong voxel?
Không phải toàn bộ năng lượng của photon đi qua đều được hấp thụ tại đó.
Vì vậy:
Energy carried by beam
│
▼
Interaction
│
▼
Energy transferred
│
▼
Energy deposited
│
▼
Absorbed dose28. Một voxel có thể nhận năng lượng từ nhiều hướng
Ví dụ một voxel:
Beam 1
↘
↘
●
↗
↗
Beam 2Dose tại voxel đó là tổng đóng góp của nhiều beam.
Nếu có 5 beam:
Beam 1 ──────►
Beam 2 ────►
Beam 3 ─────► VOXEL
Beam 4 ────►
Beam 5 ──────►thì:
[
D_{total}
D_1+D_2+D_3+D_4+D_5
]
Đây là một ý tưởng nền tảng của lập kế hoạch đa beam.
29. Và đây chính là lý do IMRT/VMAT mạnh
Thay vì chỉ có:
1 beamta có:
Beam 1
Beam 2
Beam 3
...
Beam Nvới:
- góc khác nhau
- MLC khác nhau
- MU khác nhau
- intensity khác nhau
TPS tìm cách phối hợp chúng.
Beam 1
↓
│
Beam 2 ↘ │ ↙ Beam 3
\ │ /
\│/
[ TUMOR ]
/\
/ \
Beam 4 Beam 5Mục tiêu:
dose hội tụ vào target, trong khi giảm dose ở OAR.
30. Nhưng còn một vấn đề cực lớn: bệnh nhân không phải là phantom nước
Đây là lý do CT cực kỳ quan trọng.
Nếu TPS chỉ giả định:
PATIENT = WATERthì tính toán sẽ đơn giản hơn.
Nhưng thực tế:
Không khí
Phổi
Mỡ
Cơ
Xương
Máu
...có tính chất vật lý khác nhau.
Vì vậy:
CT cung cấp thông tin để TPS biến “hình ảnh” thành “môi trường vật lý”.
31. Đây chính là cầu nối CT → Physics
Một cách nhìn rất đẹp:
CT IMAGE
│
▼
HU MAP
│
▼
MATERIAL / DENSITY MAP
│
▼
RADIATION TRANSPORT
│
▼
ENERGY DEPOSIT
│
▼
DOSE32. Một ví dụ tưởng tượng
Giả sử có một beam:
LINAC
│
▼
↓
↓
↓
┌──────────────┐
│ PHỔI │
│ ░░░░░░░░░░░░ │
├──────────────┤
│ U │
│ █████ │
├──────────────┤
│ XƯƠNG │
│ ████████████ │
└──────────────┘TPS không chỉ tính:
beam đi được bao xa.
Nó phải tính sự thay đổi của quá trình truyền năng lượng khi beam đi qua các vùng khác nhau.
33. Và bây giờ chúng ta hiểu một điều rất quan trọng
Khi nhìn một hình ảnh TPS như:
và thấy:
🔴 60 Gy
🟠 50 Gy
🟡 40 Gy
🟢 30 Gy
thì những màu đó không phải là ảnh chụp dose trực tiếp.
Chúng là:
kết quả của một phép tính vật lý trên mô hình bệnh nhân và mô hình LINAC.
Đây là điểm cực kỳ quan trọng.
34. Vì vậy câu hỏi tiếp theo sẽ là…
Nếu TPS tính toán dose:
Làm sao chúng ta biết phép tính đó đúng?
Đây chính là vấn đề của:
🧪 DOSIMETRY & QUALITY ASSURANCE
Ta sẽ phải lấy một kế hoạch từ TPS:
TPS
│
│ "Dose = X"
▼
Phantom
│
▼
Detector
│
▼
Đo dose thực tế
│
▼
So sánhNếu:
TPS prediction ≈ Measurement→ tăng độ tin cậy của hệ thống.
🎯 35. Tóm tắt Bài 15
Hãy nhớ chuỗi này:
PHOTON
│
▼
INTERACTION
│
▼
SECONDARY ELECTRONS
│
▼
ENERGY DEPOSITION
│
▼
ABSORBED DOSE
│
▼
GyVà TPS:
CT
↓
HU
↓
Density/material model
LINAC measurements
↓
Beam model
Both
↓
Dose algorithm
↓
Dose(x,y,z)
↓
3D dose map
↓
DVH⭐ Câu quan trọng nhất của Bài 15:
TPS không “nhìn màu trên CT rồi đoán ra liều”. Nó sử dụng dữ liệu CT để xây dựng mô hình vật chất của bệnh nhân, sử dụng dữ liệu commissioning để mô hình hóa beam của LINAC, sau đó dùng các thuật toán vật lý để tính sự vận chuyển và lắng đọng năng lượng trong từng voxel.
🔜 BÀI 16 – “TỪ 6 MV ĐẾN 60 Gy: LINAC ĐƯỢC HIỆU CHUẨN LIỀU NHƯ THẾ NÀO?”
Ở Bài 16, chúng ta sẽ bước vào phần vật lý máy thực tế:
LINAC → Monitor Chamber → MU → Output → Calibration → cGy/MU
và tìm hiểu một câu hỏi cực kỳ quan trọng:
Làm thế nào người ta biết rằng khi LINAC phát ra một số MU nhất định, bệnh nhân thực sự nhận được đúng lượng dose mà TPS đã tính?
Đây chính là nơi Monitor Chamber, ionization chamber, phantom nước, reference conditions, calibration và QA xuất hiện.