Breathing motion prediction using a patient specific transformer network

Abstract

Ziel dieser Masterarbeit ist die Entwicklung und Bewertung von maschinellen Lernmodellen zur Vorhersage der Atembewegung im Kontext der Strahlentherapie von Lungentumoren. Im Fokus steht der Vergleich der Leistungsfähigkeit von Long Short-Term Memory (LSTM) und Transformer-Architekturen sowie die Bewertung der Vorteile einer patientenspezifischen Modellfeinabstimmung. Es wird untersucht, ob individuell angepasste Modelle allgemeine Modelle übertreffen und somit zu personalisierteren und wirksameren Krebsbehandlungsstrategien beitragen können. Die Forschungsmethodik umfasst Datenerhebung, Vorverarbeitung, Modelltraining und -bewertung und mündet in eine detaillierte Analyse der experimentellen Ergebnisse. Dabei liegt der Fokus der Analyse auf der Vorhersage der äußeren Atembewegung, die als Surrogat für die interne Tumorbewegung dient, und stützt sich auf eine begrenzte klinische Datenbasis. Die Ergebnisse der Experimente zeigten, dass es keinen erkennbaren Vorteil gab, Transformer-Architekturen gegenüber der LSTM-Architektur in Bezug auf die Leistung zu verwenden. Die Studie stellte jedoch fest, dass die spezifische Anpassung des Modells an jeden Patienten zu einer signifikanten Verbesserung der Vorhersagegenauigkeit führte. Diese Feinabstimmung der Modelle resultierte in einer geschätzten Verringerung des durchschnittlichen Fehlers um 30%, und übertraf damit die allgemeineren Modelle deutlich. Des weiteren zielt dieArbeit darauf ab, die Lücke zwischen fortgeschrittenen Rechentechniken und klinischer Radioonkologie zu überbrücken, um die Präzision und Wirksamkeit von Krebsbehandlungen zu verbessern. Durch die Anwendung von maschinellen Lernmodellen auf die Herausforderung der Tumor-Bewegungsvorhersage wird dazu beigetragen, den Weg für eine genauere, effizientere und personalisierte Strahlentherapie zu ebnen.

This master’s thesis is dedicated to developing and evaluating machine learning models for predicting respiratory motion in the context of radiotherapy of lung cancer. The study focuses on comparing the performance of Long Short-Term Memory (LSTM) and Transformer architectures and assessing the benefits of patient-specific model fine tuning. It investigates whether tailored models can outperform generalized models and thus contribute to more personalized and effective cancer treatment strategies. The research methodology includes data collection, preprocessing, model training, and evaluation, culminating in a detailed analysis of the experimental results. This analysis is specifically focused on predicting external respiratory motion, which serves as a surrogate for internal tumor motion, and is based on a limited clinical data set. The findings from the experiments indicated that there was no noticeable advantage in using Transformer Architectures over the LSTM architecture in terms of performance. However, the study did find that tailoring the model specifically to each patient led to a significant enhancement in the accuracy of predictions. This fine-tuning of the models resulted in an estimated 30% decrease in mean error, thus significantly outperforming the more general models. The thesis aimes to bridge the gap between advanced computational techniques and radiation oncology to enhance the precision and efficacy of cancer treatments. By applying machinelearning models to the challenge of tumor motion prediction, this research contributes to pave the way for more accurate, efficient, and personalized radiation therapy.