Breast cancer is one of the most common cancers worldwide, and radiotherapy (RT) plays an important role in its treatment. The goal of RT is to deliver the desired dose to the target defined by the oncologist while minimizing the dose to organs at risk (OARs). Traditionally, target and OAR structures are manually delineated on computed tomography images which is a laborious and time-consuming process. Furthermore, inter-observer variability of manually contoured target structures can be significant. Additionally, RT treatment planning is a complex process that requires several iterations to reach the desired goal. However, rapid development of automation is revolutionizing different areas of healthcare, introducing new automated methods into clinical practice. Automation can reduce inter-observer variability, standardize methods, and speed up the processes.
This licentiate thesis investigated the implementation of automated methods for delineation of OAR and target structures, as well as for RT treatment planning. The study focused on breast cancer patients who received RT for left breast or chest wall and lymph node regions. The thesis sections compared structures delineated by commercial auto-segmentation software to those delineated by oncologists and assessed the usability of clinical target volume auto-segmentations. Furthermore, a RapidPlan model was developed using commercial software for RT treatment plan optimization.
All compared auto-segmentation software performed similarly, and the MIM software was subsequently selected for clinical use in RT at Kymenlaakso Central Hospital. However, all auto-segmented target structures needed modifications by the oncologists. The main differences were seen in craniocaudal direction or at lymph node areas. The average mean distance between auto-segmented and oncologist-modified segmentations was 0.23 cm. The use of auto-segmentation software reduced the time needed to delineate the target structure. The mean D95% of target structure for RapidPlan-based treatment plans was 94,1±3,6% compared to 94,5±4,2% for manually created radiotherapy plans. The average of monitor units in the RapidPlan-based treatment plans was higher than in manually optimized treatment plans by 7,2 %. From the 17 knowledge-based generated treatment plans, 14 were clinically acceptable.
In conclusion, automation of RT workflow for breast cancer patients reduces the workload, but user input is still required to verify auto-segmentations and the auto-created RT plan.Rintasyöpä on yksi maailman yleisimmistä syövistä, ja sädehoito on keskeinen osa sen hoitoa. Sädehoidon tavoitteena on kohdentaa lääkärin määrittämään hoitokohteeseen haluttu annos minimoiden samalla tervekudosten annosta. Tavallisesti tervekudokset ja rintasyövän hoitokohde määritetään manuaalisesti tietokonetomografiakuviin, mikä on työläs ja aikaa vievä prosessi. Lisäksi rakenteiden määrittämisessä tiedetään olevan paljon työntekijöiden välistä vaihtelua. Annossuunnittelu puolestaan on haastava työvaihe, joka vaatii paljon manuaalista työtä ja useita eri iterointikierroksia, jotta päästään haluttuun lopputulokseen. Automaation nopea kehittyminen on kuitenkin mullistamassa terveydenhuollon eri osa-alueita tuoden uusia automaattisia menetelmiä kliiniseen työhön. Työvaiheiden automatisoinnilla voidaan vähentää työntekijöistä johtuvia vaihteluita, yhdenmukaistaa menetelmiä sekä nopeuttaa työvaiheita.
Tässä lisensiaatintyössä automatisoitiin rintasyöpäpotilaiden tervekudosten ja hoitokohteiden määrittäminen sekä sädehoitosuunnitelman optimointi. Tutkimuksessa keskityttiin rintasyöpäpotilaisiin, joilla sädehoito kohdistui vasempaan rintaan tai rintakehään sekä imusolmukealueille. Lisensiaatintyön osatöissä verrattiin kaupallisten automaattisten segmentointiohjelmistojen piirtämiä rakenteita onkologien piirtämiin rakenteisiin sekä arvioitiin automaattisesti määritettyjen hoitokohteiden käytettävyyttä kliinisessä työssä. Lisäksi kehitettiin kaupallista ohjelmistoa käyttäen malli, jonka avulla luotiin annostilavuushistogrammin ennustemalleja sädehoitosuunnitelman optimointia varten.
Kaikki vertailtavat ohjelmistot suoriutuivat lähes samankaltaisesti, ja MIM –ohjelmisto valittiin Kymenlaakson keskussairaalan sädehoitoon kliiniseen käyttöön. Onkologien täytyi muokata kaikkia MIM –ohjelmiston automaattisesti luomia hoitokohderakenteita. Suurimmat erot automaattisesti määritetyn ja korjatun hoitokohteen välillä olivat kranio-kaudaali-suunnassa sekä imusolmukealueilla. Keskiarvo automaattisten ja korjattujen rakenteiden välisten etäisyyksien keskiarvosta oli 0,23 cm. Segmentointiohjelmiston todettiin nopeuttavan onkologien työtä kohdealueen määrittämisessä. Hoitokohteen keskimääräinen D95% oli mallin avulla luoduille sädehoitosuunnitelmille 94,1±3,6 % ja manuaalisesti luoduille sädehoitosuunnitelmille 94,5±4,2 %. Mallin avulla luoduissa sädehoitosuunnitelmissa keskimääräiset monitoriyksiköt olivat 7,2 % korkeammat kuin manuaalisesti optimoiduissa suunnitelmissa. Mallin avulla luodusta 17 sädehoitosuunnitelmasta 14 oli kliinisesti hyväksyttäviä.
Vaikka rintasyöpäpotilaiden sädehoidon työnkulun eri vaiheiden automatisoinnilla vähennettiin työmäärää, työntekijää tarvitaan kuitenkin automaattisesti luotujen rakenteiden ja sädehoitosuunnitelmien tarkastamiseen.
