Entwicklung eines Deep Learning Toolkits für die MRT-geführte online adaptive Strahlentherapie

• Antragsteller: Professor Dr. Shadi Albarqouni; Dr. Christopher Kurz; Professor Dr. Guillaume Landry; Professor Dr. Nassir Navab
• Fachliche Zuordnung: Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 469106425

In Deutschland erhalten jedes Jahr fast 500.000 Patienten die Diagnose Krebs. Mehr als die Hälfte von ihnen wird im Rahmen ihrer Behandlung einer Strahlentherapie unterzogen. Die in-room Bildgebung, in Kombination mit modernen Strahlentherapietechniken, ermöglicht eine genaue Anpassung der applizierten Dosis an das Zielvolumen. Das Potenzial dieser Techniken wird jedoch derzeit nicht ausgeschöpft. Einer der Gründe ist das Vorhandensein anatomischer Veränderungen. Für die Mehrheit der Patienten werden diese heutzutage nur durch die Einführung von Sicherheitsmargins um das Tumorvolumen während der Behandlungsplanung berücksichtigt, welche das bestrahlte Volumen und die Dosisbelastung für Risikoorgane erhöhen und letztlich die anwendbare Dosis limitieren.Eine verbesserte Behandlung kann durch die online-adaptive Strahlentherapie realisiert werden: Anstatt während des gesamten Behandlungsverlaufs den gleichen Bestrahlungsplan anzuwenden, wird die Behandlung bei jeder Fraktion auf Grundlage der täglichen Anatomie in Behandlungsposition optimiert, welche durch in-room Bildgebung erfasst wird. Es wurden große Anstrengungen unternommen, um die Integration der MRT als in-room-Bildgebungsmodalität zu realisieren, aber erst in den letzten Jahren wurden integrierte MR-Linacs an wenigen akademischen Einrichtungen klinisch verfügbar. Der überlegene Weichteilkontrast ermöglicht eine genaue Visualisierung von Zielstrukturen und Risikoorganen, wodurch einfache online-adaptive Strahlentherapie-Workflows implementiert werden konnten. Der Zeitaufwand, der mit der Generierung sogenannter synthetischer CTs aus den MRTs und einer erneuten Segmentierung der Patientenanatomie zur Optimierung des Behandlungsplans verbunden ist, schränkt die Anwendung auf eine große Zahl von Patienten jedoch stark ein.Ziel dieses Projekts ist es, die Hauptengpässe der online Planadaption zu beheben: synthetische CT Generierung und Organ-Segmentierung. Durch die Kombination unserer jeweiligen Expertise in der Strahlentherapie und der künstlichen Intelligenz, wollen wir auf der Basis von Deep Learning ein Toolkit entwickeln, das diese Herausforderungen bewältigt. Im Falle der synthetischen CT Generierung werden wir die neuesten generative adversarial networks mit hybriden paired-unpaired Trainingsmethoden und neuartigen embedding-loss Kostenfunktionen nutzen um deren geometrische Genauigkeit sicherzustellen. Als Alternative wird ein disentangled respresentation learning Ansatz untersucht. Für die Segmentierung wollen wir die Informationen aus vorherigen Fraktionen nutzen, indem wir die räumlich-zeitliche Segmentierung mit Hilfe von longitudinal spatial memory networks durchführen. Schließlich werden die Vorteile dieser Ansätze untersucht indem ihr klinischer Einfluss auf die Planoptimierung ausgewertet, ihre Qualität von Ärzten beurteilt und ihre Robustheit analysiert wird. Mögliche Zeiteinsparungen werden ebenfalls quantifiziert.

• DFG-Verfahren: Sachbeihilfen