Tumor Segmentierung und Tumor Probability Analyse mit Convolutional Neural Networks: Neue Strategien für die individualisierte Strahlentherapie von Kopf-Hals-Tumoren

• Antragsteller: Professor Dr. Michael Bock; Professor Dr. Nils Henrik Nicolay
• Fachliche Zuordnung: Nuklearmedizin, Strahlentherapie, Strahlenbiologie ; Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 443978314

Die manuelle Segmentierung von Tumorläsionen in der Strahlentherapieplanung ist langwierig und benutzerabhängig. Als Alternative wurden daher automatische Segmentierungsalgorithmen vorgeschlagen, unter denen convolutional neural networks (CNN) die beste Segmentierungsleistung zeigen, wenn eine ausreichende Menge unabhängiger Eingangsbilddaten verfügbar ist. Bei der Strahlentherapieplanung von Kopf-Hals-Tumoren wird die multimodale und Multi-Kontrast-Bildgebung mit MRI, PET und CThäufig mit bis zu 9 verschiedenen Kontrasten pro Untersuchung durchgeführt. Diese Bilder werden verwendet, um die Tumorränder abzugrenzen und hypoxische Unterregionen im Tumor zu identifizieren, die für eine effiziente Behandlung eine höhereStrahlendosis benötigen. In diesem Forschungsprojekt sollen CNNs mit vorhandenen Bilddaten einer prospektivenStudie zur Behandlung von Kopf- und Halstumoren trainiert werden. Da für CNNs weder die optimale Architektur noch die beste Einstellung für die internen Parameter bekannt ist, werden mehrere CNNs trainiert und anhandvorhandener Bestrahlungspläne verglichen. Darüber hinaus werden Vorverarbeitungsmethoden entwickelt, um die systematische Bildheterogenität (z.B. von MRI-Systemen mit unterschiedlicher Feldstärke) zu korrigieren, so dass mehr Daten in der Studie verwendet werden können. Hierzu werden die bekannten MR-Signalgleichungenverwendet, um die Signalintensitäten für jeden Gewebetyp individuell zu modifizieren. Grundsätzlich ist es zeitaufwändig, Bilder in verschiedenen Modalitäten und mit unterschiedlichen Kontrasten aufzunehmen. Um die Eingabebilddaten zu identifizieren, die die Segmentierungsleistung nicht verbessern, werden CNNs mit unterschiedlichen Eingabedaten unter Verwendung einer Auslaufstrategie trainiert und die CNNs werden mit einer vollständigen CNN-Implementierung verglichen. Als Ergebnis dieser Optimierung wird das Bildgebungsprotokoll optimiert und ein CNN mit optimaler Leistung realisiert. Mit der resultierenden CNN-Konfiguration wird eine automatische Tumor- undLymphknotensegmentierung durchgeführt, mit etablierten biologischen Markern aus der Histologie korreliert, um zu beurteilen, ob CNN-abgeleitete Bildgebungsmerkmale die individuelle Tumorbiologie vorhersagen können. Das Ergebnis dieses Projekts wird ein optimiertes CNN für die automatische Segmentierung von Kopf-Hals-Tumoren sein, das zusätzliche Radiomics-Informationen liefert sowohl über Möglichkeiten zur Beschleunigung der Diagnostik als auch über hypoxie-bedingte Tumorheterogenität, was zu neuen Strategien für die Minimierung der Tumorrezidivwahrscheinlichkeit führen kann.

• DFG-Verfahren: Sachbeihilfen