Advancing Deep Learning for Automated Treatment Planning in Adaptive Radiotherapy

Abstract

Strahlentherapie ist eine wichtige Behandlungsmethode für verschiedene Krebsarten, insbesondere für Prostatakrebs, eine der weltweit am häufigsten diagnostizierten Krebserkrankungen bei Männern. Die steigende Inzidenz sowie der wachsende Bedarf an individualisierten Therapieansätzen unterstreichen die Notwendigkeit effizienterer und flexiblerer Planungsprozesse. Derzeit basiert die Therapieplanung auf der Berechnung eines Parametersatzes, der üblicherweise durch experten basierte, iterative Optimierungsverfahren in kommerziellen Planungssystemen (TPS) erfolgt. Diese Verfahren sind jedoch zeitaufwändig und unflexibel, und somit nur bedingt für moderne, online-adaptive Radiotherapie geeignet. In dieser Arbeit wurden zwei neue Ansätze implementiert und evaluiert, um ein bereits bestehendes DL-basiertes Modell zur Generierung fertiger Pläne für die Behandlung von Prostatakrebs zu verbessern. Das Modell sagt hierbei die erforderlichen Maschinenparameter für einen Linearbeschleuniger (LINAC), d.h. die Positionen der Kollimatoren (MLC) und die Monitor-Einheiten (MU), direkt auf Basis von Computertomografie (CT)-Bildern, Strukturdaten und einer vorgegebenen Dosisverteilung voraus. Aufbauend auf Erkenntnissen aus früheren Arbeiten wurden in dieser Arbeit mehrere Erweiterungen vorgenommen, um die Generalisierbarkeit des Modells sowie die Qualität der vorhergesagten Dosisverteilungen zu verbessern. Erstens wurde ein object detection-basiertes Modell implementiert und das Netzwerk entsprechend angepasst. Diese Modifikation ersetzte die zuvor verwendete Verlustfunktion, die lediglich auf der Abweichung zwischen vorhergesagten und Referenzmaschinenparametern basierte, durch eine räumlich informierte Verlustfunktion. Zweitens wurde das Netzwerk dahingehenderweitert, dass es mit einem 3D-Auschnitt der 3D-Repräsentation der Patientenanatomie arbeiten kann. Darüber hinaus wurde ein Dosisberechnungsalgorithmus implementiert, um die Qualität der vorhergesagten Dosisverteilungen zu validieren. Der ursprüngliche Datensatz bestand aus 117 Patienten, welcher durch Datenaugmentierung dieser auf 310 Trainings- und 104 Validierungsdatensätze erweitert werden konnte. Die Leistung der modifizierten Modelle wurde anschließend durch Analyse der Trainingsverläufe und dosimetrische Tests an Plänen, welche für 34 Testpatienten generiert wurden, bewertet. Die implementierten Modifikationen führten letztlich nicht zu einer Verbesserung der Modellleistung. Die Gamma-Pass-Rate (GPR) der modifizierten Modelle sank im Vergleich zum Basismodell um etwa 10 Prozentpunkte. Während alle Modelle dieselbe mittlere Dosis wie die Originalpläne im Zielvolumen der Prostata (PTV) erreichten, nahm das Volumen, das 95% der verschriebenen Dosis erhält, um 5% bzw. 23% bei den beiden neuen Modellen ab – ein Hinweis auf eine reduzierte Zielvolumenabdeckung. Besonders der object detection-basierte Ansatz zeigt jedoch Potenzial, insbesondere in einer möglichen Kombination mit weiterentwickelten Methoden und einer spezifisch angepassten Modellarchitektur. Darüber hinaus wurde beobachtet, dass das Modell bereits früh im Training keine Verbesserung der Dosisverteilung mehr erzielte und stattdessen hauptsächlich darin trainiert wurde, die ursprünglichen Maschinenparameter besser zu imitieren. Dies verdeutlicht die Limitierungen des aktuell verwendeten geometrischen Trainingsansatzes, bei dem direkt auf Maschinenparameter optimiert wird, und unterstreicht die Notwendigkeit, die Dosisverteilung selbst in den Trainingsprozess zu integrieren. Diese Arbeit leistet einen Beitrag zu laufenden Forschungsbemühungen, vollautomatisierte, KI-gestützte Planungssysteme zu entwickeln, die moderne adaptive Arbeitsabläufe in der Radioonkologie nachhaltig unterstützen können.

Radiotherapy is an important treatment modality for a variety of cancers and especiallyprostate cancer, which is one of the most commonly diagnosed malignancies in men globally. The increasing incidence, coupled with the demand for individualized treatment strategies, underscores the need for more efficient and adaptable planning workflows. Currently, treatment planning requires the calculation of a set of parameters, which ist ypically reliant on expert-driven, iterative optimization processes in commercial Treatment Planning Systems (TPSs). These are however time-consuming and inflexible, and as such ill-suited for modern online adaptive radiotherapy. In this thesis, two new strategies were implemented and tested with the goal of improving a previously developed Deep Learning (DL)-based model for generating machine-ready Volumetric Modulated Arc Therapy (VMAT) plans for prostate cancer. The model can predict the necessary machine parameters for a Linear Accelerator (LINAC), i.e. theMulti-Leaf Collimator (MLC)-sequences and the Monitor Units (MUs) directly from Computed Tomography (CT) images, structure information and a predefined dose distribution. Building upon the fundamental work and suggestions provided in previous work, this thesis introduces several modifications aimed at improving the model’sgeneralizability and the produced dose distributions. Firstly, an object detection based model was developed and the network adapted to this end. This modification replaced the previously used loss function, which was based solely on the deviation between predicted and reference machine parameters with a more spatially informed loss function. Secondly, the network was modified to work with a 3D slice of the full 3D representation of the patient obtained from medical imaging. Furthermore, a dose calculation algorithm was implemented to validate the predicted dose distributions. The initial test and validation set consisted of 117 patients and a final set of 310 training and 104 validation datasets was obtained through data augmentation. The performance of the modified models was then evaluated by analyzing the training performance and performing dosimetric tests on the generated plans for 34 patients. The proposed modifications to the model ultimately failed to improve the performance. The Gamma Passing Rate (GPR) of the modified models dropped by about 10 percentage points compared to the base model. While all models achieved the same meandose as in the ground truth in the Planning Target Volume (PTV), the volume receiving 95% of the dose decreased by 5% and 23% for the two new models respectively, indicating less coverage. However, especially the object detection based method shows great promise if paired with more advanced methods and a specifically tailored model. Furthermore, it was observed that the model stopped producing better dose distributionearly on in the training and instead focused primarily on mimicking the original machine parameters better. This shows that the current geometrical approach of training the model directly on the prediction of the machine parameters has limits to its accuracy. Furthermore, it highlights the need for a model which incorporates direct dose information in the training process. This work contributes to ongoing efforts toward fully autonomous, AI-driven planning pipelines capable of supporting modern, adaptive oncology workflows.