Automatic radiotherapy treatment planning using Particle Swarm Optimization

DSpace Repository


Dateien:

URI: http://hdl.handle.net/10900/117039
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-1170394
http://dx.doi.org/10.15496/publikation-58414
Dokumentart: PhDThesis
Date: 2021-07-09
Language: English
Faculty: 4 Medizinische Fakultät
Department: Medizin
Advisor: Thorwarth, Daniela (Prof. Dr.)
Day of Oral Examination: 2021-05-12
DDC Classifikation: 530 - Physics
610 - Medicine and health
Keywords: Strahlentherapie , Automation , Bestrahlungsplan , Optimierung
Other Keywords:
radiotherapy
automatic planning
particle swarm optimization
License: http://tobias-lib.uni-tuebingen.de/doku/lic_ohne_pod.php?la=de http://tobias-lib.uni-tuebingen.de/doku/lic_ohne_pod.php?la=en
Show full item record

Inhaltszusammenfassung:

Strahlentherapeutische Behandlungen werden für jeden Patienten individuell ge- plant, um den bestmöglichen Plan zu gewährleisten. Moderne VMAT-Behandlungen werden heute standardmäßig invers geplant, dabei werden Planungszielvorgaben und -beschränkungen genutzt, um die Dosis im Zielvolumen und im umliegenden gesunden Gewebe zu charakterisieren. Je nach individueller Patientenanatomie muss unterschiedlich viel Dosis im gesunden Gewebe akzeptiert werden, um die Abdeckung des Tumors mit der benötigten Dosis zu gewährleisten. In der manuellen Planung müssen dafür unterschiedliche Kombinationen von Zielvorgaben und Beschränkungen erprobt werden. Damit hängt der Planungsprozess maßgeblich von der Erfahrung des Planers und der zur Verfügung stehenden Zeit ab. In den letzten Jahren wurden daher verschiedene automatische Planungsansätze vorgeschlagen, für die Anwendbarkeit und Nutzen bereits gezeigt wurden. Alle bisher vorgeschlagenen Ansätze nutzen differentielle Informationen als Grundlage für die Optimierung, was ihre Anwendung auf einen Suchraum, der durch konvexe Beschränkungen beschrieben wird, begrenzt. Statistische Optimierungen stellen eine vielversprechende Möglichkeit dar, dieses Problem zu beheben, da sie den Suchraum zufällig erkunden. Die Partikelschwarmoptimierung (PSO) ist ein solches naturanaloges, statistisches, iteratives und kollektives Optimierungsverfahren, welches sich am Verhalten von Vogelschwärmen oder Fischgruppen orientiert. Ein Schwarm setzt sich dabei aus In- dividuen, auch Partikel genannt, zusammen, welche den Suchraum zufällig erkunden. Indem die Partikel Informationen über die Güte der von ihnen besuchten Positio- nen austauschen, verändert jeder Partikel seine Position im Suchraum iterativ und versucht dabei, sich dem globalen Optimum anzunähern. In dieser Arbeit wurde ein automatischer Planungsansatz beruhend auf einer PSO implementiert und erfol- greich für post-operative Prostatakrebsfälle getestet. Für die strahlentherapeutische Planung entspricht dabei jeder Partikel einem Plan, dessen Position im Suchraum durch einen Vektor von Planungsbeschränkungen definiert wird. Die PSO verändert die Beschränkungen iterative. Dies wurde in dieser Doktorarbeit in Python 2.7.3 realisiert. In Verbindung mit dem Bestrahlungsplanungssystem Hyperion, das zur Planberechnung genutzt wurde, konnte ein automatischer Planungsansatz realisiert und getestet werden. Im ersten Teil der Arbeit wurde die Implementierung analysiert, dafür wurde die Fähigkeit des Algorithmus untersucht, den gesamten Suchraum zu erforschen und einen kleineren Suchraum genauer zu erkunden. Dies wurde durch die Wahl des Trägheitsgewicht ω umgesetzt. Weiterhin wurde das Konvergenzverhalten untersucht, wofür der mittlere Wert der drei Planungsbeschränkungen zwischen aufeinanderfolgenden Generation und der Abstand zwischen höchster und niedrigster Beschränkung untersucht wurden. Dabei zeigte sich, dass die Implementierung geeignet ist, um als automatischer Bestrahlungsplanungsansatz verwendet zu werden. Dennoch sollte die Implementierung in Zukunft weiter verbessert werden, vor allem in Hinblick auf die Rechenzeit. Ein wichtiger Punkt für alle automatischen Planungsansätze ist der faire und reproduzierbare Vergleich von zwei konkurrierenden Plänen. Vor allem für Optimierungsalgorithmen ist es wichtig, einen optimalen Plan zu definieren, da diese Information genutzt wird, um die weitere Suchrichtung festzulegen. In dieser Ar- beit wurde ein ‚plan quality score‘ (PQS) eingeführt, der auf bereits bekannten Dosis-Volumen-Histogramm (DVH)-Parametern beruht. Dafür wurden die DVH-Parameter, die in der hausinternen ‚standard operating procedure‘ (SOP) definiert sind, verwendet. Der PQS spiegelt damit den klinischen Standard wieder. Das Prinzip des PQS beruht darauf, die Einhaltung der DVH-Parameter zu belohnen und deren Verletzung zu bestrafen. In der Studie wurde ein PQS für post-operative Prostatabestrahlungen implementiert. Dafür wurden 10 Fälle automatisch mit der implementierten PSO geplant und im zweiten Teil der Arbeit mit den manuell erstellten Plänen verglichen. Die manuellen und automatischen PSO-Pläne waren hinsichtlich ihrer allgemeinen Planqualität vergleichbar, aber die PSO-Pläne erreichten eine signifikant bessere Schonung des Rektums im Bereich hoher Dosen. Dafür musste eine etwas schlechtere Schonung der Blase akzeptiert werden. Dieser unterschiedliche Kompromiss zwischen Rektum- und Blasenschonung spiegelt die Definition des PQS wieder, es wären aber auch andere Kompromisse möglich. Damit wurde in dieser Arbeit die Anwendbarkeit der PSO als automatischer Planungsansatz gezeigt. Da der PQS spezifisch für jede Tumorentität und das Behandlungskonzept definiert werden muss, muss die Übertragbarkeit auf weiter Prostatabestrahlungen und andere Tumorlokalisationen in zukünftigen Studien untersucht werden.

This item appears in the following Collection(s)