Automated optimisation workflow for radiotherapy using dose mimicking from deep learning predicted dose
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-06-18
Department
Major/Subject
Mathematics
Mcode
SCI3054
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
43
Series
Abstract
Intensity modulated radiotherapy (IMRT) and volumetric modulated arc therapy (VMAT) are widespread optimisation frameworks used in treatment plan generation for cancer patients today. Practitioners commonly spend a significant amount of time balancing optimisation objectives to produce clinically acceptable treatment plans. Recent work has proved machine learning predicted dose distributions used in conjunction with dose mimicking or structure objectives derived from the predicted dose to be able to produce high quality treatment plans. In this thesis, the aim was to use MVision’s deep learning predicted dose distributions and evaluate different optimisation strategies for producing dose distributions similar in quality. Pure dose mimicking approaches, an approach using dose derived structure objectives in addition to hybrid dose mimicking and structure objective approaches were explored. For the experiments, MatRad, an open source radiotherapy treatment planning toolkit was used. The toolkit provides a pencil beam dose influence matrix calculation algorithm and an interior point method optimiser package, which were used for dose optimisation. Voxel mimicking approaches were generally not able to mimic the predicted dose distributions and the optimisation dose distributions were of significantly lower quality. No optimisation method was able to consistently reproduce the quality of the predicted dose, but the structure based objectives showed most potential.Intensiteettimoduloitu sädehoito sekä kaarihoitotekniikka ovat nykyisin laajassa käytössä olevia optimointimenetelmiä syöpäpotilaiden sädehoidon suunnittelussa. Syöpälääkärit käyttävät tyypillisesti huomattavan määrän aikaa optimointitavoitteiden luomiseen sekä tasapainottamiseen laadukkaan annosjakauman tuottavan sädehoitosuunnitelman luomiseksi. Viimeaikainen tutkimus on osoittanut, että koneoppimista hyödyntävien annosennusteiden jäljittely optimoimalla voi tuottaa laadukkaita annoksia. Tässä diplomityössä tarkoituksena oli hyödyntää MVisionin syväoppimispohjaisia annosennusteita ja arvioida erilaisten optimointistrategioiden kykyä tuottaa yhtä laadukkaita annosjakaumia annosennusteen pohjalta. Tutkimuksen kohteena oli kaksi eri pelkästään annosta jäljittelevää menetelmää, annosennusteen pohjalta annostilavuustavoitteita luova menetelmä sekä kaksi hybridimenetelmää. Kokeissa oli käytössä avoimen lähdekoodin sädehoitosuunnittelukirjasto MatRad. Kirjasto tarjoaa intensiteettimodulointiin soveltuvan kernelpohjaisen pencil-beam -algoritmin ja sisäpistemenetelmää käyttävän optimoijan, joita käytettiin annosoptimointiin. Annosta jäljittelevät menetelmät eivät kyenneet jäljittelemään annosennustetta eikä tuottamaan laadukkaita annoksia kaikissa tapauksissa. Yksikään optimointimenetelmä ei tuottanut johdonmukaisesti muita menetelmiä parempia tuloksia, mutta annostilavuustavoitteet automaattisesti luova menetelmä vaikuttaa lupaavimmalta.Description
Supervisor
Oliveira, FabricioThesis advisor
Bolard, GregoryKeywords
dose mimicking, deep learning dose prediction, voxel mimicking, IMRT, VMAT