Deep learning based prediction of deliverable treatment plans in radiation oncology

Abstract

Die Krebsbehandlung mit Strahlentherapie, insbesondere die volumetric modulated arc therapy (VMAT), erfordert die Berechnung eines Behandlungsplans, in dem die genauen Geräteparameter die während der Behandlungssitzungen eines Patienten zu verwenden sind, spezifiziert werden müssen. Das ist ein zeitaufwändiger Prozess, der beschleunigt werden kann, indem Teile des Berechnungsprozesses durch Vorhersagen von neuronalen Netzen ersetzt werden, wie z. B. die Vorhersage der optimalen Dosis und der Fluenz. In einem neuen Deep-Learning-Ansatz von [Pee21] wurde ein Konzeptnachweis erbracht in welchem nicht nur einige Teile, sondern der gesamte Behandlungsplanungsprozess für VMAT-Prostatabehandlungspläne durch eine von einem neuronalen Netz generierte Vorhersage ersetzt wurde. Die vorliegende Arbeit baut auf diesem Konzeptnachweis auf, indem sie Verbesserungen an der Datenqualität, Modellarchitektur und des Modell-trainings vornimmt, mit dem Ziel die Qualität der vorhergesagten Pläne näher an die klinischen Standards heranzuführen.Mit den implementierten Verbesserungen konnte der durchschnittliche Fehler der Mulit-lamellenkollimator-, Blenden- und Monitoreinheiten-Vorhersagen um 40,2%, 16% und 14,4% gesenkt werden. Die Gamma-Passierraten wurden um 62,6% für 2%/2mm und 58,8% für 3%/3mm verbessert. Bei dem geplanten Zielvolumen wurde D98% um durchschnittlich 60% verbessert, der V95% -Fehler wurde bei lokalen Plänen um 41% gesenkt und ein medianer Fehler V95%med von -17% und -17,4% wurde bei Plänen mit Lymphknoten und lokalen Plänen erreicht. Die Qualität der vorhergesagten Pläne wurde deutlich verbessert, doch weitere Fortschritte sind erforderlich, um die verbleibende Lücke zu klinischen Standards zu schließen und die Anwendung eines solchen Ansatzes in der medizinischen Praxis zu ermöglichen.

Cancer treatment with radiation therapy, specifically volumetric modulated arc therapy(VMAT), requires the calculation of a treatment plan specifying the exact machine parameters to use during a patient’s treatment sessions. This is a time-consuming process which has been shown to be improvable by replacing parts of the calculation process with predictions from neural networks, such as optimal dose prediction and fluence map prediction networks.One recent deep learning approach by [ Pee21 ] implemented a proof of concept, showing the possibility of replacing not only some parts, but the entire treatment planning process for VMAT prostate treatment plans with a prediction generated by a neural network.This thesis builds upon this proof of concept by making improvements to the data quality,model architecture and model training process, with the goal of bringing the quality of the predicted plans closer to clinical standards.With the implemented improvements, the average error of MLC, jaw and MU predictions were lowered by 40.2%, 16% and 14.4% respectively. Gamma passing rates were improved by 62.6% for 2%/2mm and 58.8% for 3%/3mm. On the planning target volume D98%was improved by an average of 60%, the V95% error was lowered by 41% on local plans and a median error V95%med of -17% and -17.4% was achieved on plans with lymph nodes and local plans respectively. While these improvements brought the quality of the predicted plans significantly closer to clinical standards, further work will be necessary to bridge the remaining gap and enable the employment of such an approach in a medical setting.