KI basiertes Bewegungsmonitoring für die gegatete CBCT-geführte adaptive Strahlentherapie (AIM-CBCT-ART)

• Antragstellerinnen / Antragsteller: Professorin Dr. Stefanie Corradini; Privatdozent Dr. Florian Kamp; Privatdozent Dr. Christopher Kurz; Professor Dr. Guillaume Landry
• Fachliche Zuordnung: Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556864757

Die adaptive Strahlentherapie (ART) ermöglicht durch tägliche Anpassung der Strahlendosis an die aktuelle Patientenanatomie eine hochkonforme Tumorbestrahlung unter bestmöglicher Schonung gesunden Gewebes. Neben der Adaptation aufgrund interfraktioneller anatomischer Veränderungen, müssen auch intrafraktionelle Bewegungen, besonders durch Atmung, adressiert werden. In der modernen Cone-Beam Computertomographie (CBCT)-geführten Strahlentherapie erfolgt dies durch eine gegatete Bestrahlung: Der Strahl wird nur dann appliziert, wenn sich der Tumor in einer vorbestimmten Position befindet. Die Tumorposition selbst wird aktuell jedoch lediglich von externen Surrogaten abgeleitet, deren Korrelation mit der tatsächlichen, internen Tumorbewegung oft fraglich ist. Unser Projekt zielt darauf ab, eine signifikante Verbesserung der Genauigkeit des markerlosen Tumortrackings zu erzielen, indem wir während der Bestrahlung aufgenommene CBCT-Projektionen nutzen um auf ihnen direkt die interne Tumorbewegung mittels Künstlicher Intelligenz (KI) zu verfolgen. Basierend auf einer großen externen Datenbank (LIDC) werden wir zunächst das erforderliche KI-Basismodel (BM, Retina Unet) trainieren. Ziel ist es den Tumor millimetergenau für alle CBCT Projektionswinkel (360°) vollautomatisch zu detektieren. In einem zweiten Schritt werden, basierend auf einer LMU-internen Datenbank von Lungenkrebspatienten, Patienten-spezifische (PS) Modelle durch das Finetuning des BMs erstellt. Hierzu dienen die vor der Behandlung aufgenommenen CT-Daten inklusive Expertenkonturen des Tumors als Input um die BMs Patienten-individuell zuzuschneiden. Um die Robustheit gegenüber Domain-Shifts zwischen digital rekonstruierten Röntgenbildern und Röntgenprojektionen sicherzustellen, wird optional ein Training basierend auf einem initialen CBCT-Scan durchgeführt. Ausgewertet wird die Genauigkeit der PS-Modelle klinisch realistisch anhand vorhandener CBCT-Projektionsdaten inklusive Ground-Truth Tumorkonturen. Nachdem die Modelle mit internen Daten etabliert wurden, werden wir die Modelle auf externe Daten der Uniklinik Köln übertragen, an der ein konzeptionell anderer CBCT-Scanner betrieben wird. Somit soll sichergestellt werden, dass möglichst viele Institute, und damit Patienten, von den geplanten Entwicklungen profitieren werden. Auch adressieren wir in unserem Projekt den kritischen Punkt der Bildgebungsdosis indem wir zeigen, dass vorhandene KI-basierte Super-Resolution Algorithmen ein Tracking des Tumors mit einem Bruchteil der Dosis erlauben, ohne Einbußen bei der Genauigkeit. Zum Abschluss ist eine ausführliche experimentelle Validierung der entwickelten Modelle mit Lungenphantomen am LMU Klinikum München und der MAASTRO Klinik in Maastricht (gleicher CBCT-Scanner wie Uniklinik Köln) geplant. Langfristig lassen sich die entwickelten KI-Modelle einfach in die heutigen klinischen Workflows integrieren und damit die Genauigkeit des Trackings bewegter Tumore und deren Behandlung verbessern.

• DFG-Verfahren: Sachbeihilfen