Titelaufnahme

Titel
Automated analysis of PET based in-vivo monitoring in ion beam therapy / submitted by Peter Kuess
Verfasser / VerfasserinKuess, Peter
Begutachter / BegutachterinGeorg, Dietmar
Erschienen2014
Umfang120 S. : Ill., graph. Darst.
HochschulschriftWien, Med. Univ., Diss., 2014
Anmerkung
Zsfassung in dt. Soprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Partikeltherapie-PET / Ionentherapie / Bildverarbeitung / Pearsons Korrelationskoeffizient /
Schlagwörter (EN)particle therapy PET / ion beam therapy / image processing / Pearson correlation coefficient
URNurn:nbn:at:at-ubmuw:1-6637 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Automated analysis of PET based in-vivo monitoring in ion beam therapy [3.21 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Partikeltherapie(PT)-PET ist bis dato die einzige klinisch erprobte und angewendete in-vivo Methode, um in der PT die Strahlapplikation zu verifizieren. Aufgrund von nuklearen Fragmentierungsprozessen im Patientengewebe, sowie der Strahlprojektile, ist es möglich, während und kurz nach der Bestrahlung eine Positronen Aktivitätsverteilung (AV) zu messen. Diese AV kann allerdings nur mittels einer Monte Carlo (MC) Simulation mit der Dosisverteilung verglichen werden. Um jede Behandlungsfraktion eines Patienten zu verifizieren, ist es nötig, die berechnete Vorhersage der AV mit der aktuellen Messung zu vergleichen. Dies wird derzeit visuell von speziell geschultem Personal durchgeführt. Diese Prozedur ist zeitaufwendig und verlangt ein hohes Maß an Erfahrung. In der hier vorliegenden Doktorarbeit wird ein Verfahren vorgestellt, das es ermöglicht, AV automatisiert und objektiv auszuwerten. Dieses Evaluierungsverfahren (EV) basiert auf dem Pearsons Korrelationskoeffizienten (PCC), welcher in eine Software zum Vergleich von AV implementiert wurde. Die verwendeten Patientendaten stammen von der Forschungseinrichtung GSI, an welcher mehr als 400 Patienten mit 12C behandelt wurden. Die AV wurde hierbei mit einem in-beam PET Prototyp gemessen. Die gemessenen Daten wurden mit künstlich veränderten AV-Simulationen ergänzt. Die Software wurde für Patienten mit Kopf-Hals (H&N)-, Prostata-, Lungen- und Hirntumoren getestet. Zur Erzeugung der 12C-Behandlungspläne wurde die Planungssoftware TRiP98 verwendet. Zusätzlich zur Detektierung von Reichweitenunterschieden mittels PT-PET wurden auch Positionierungsungenauigkeiten der Patienten untersucht. Obwohl alle gemessenen AV während der Bestrahlung aufgenommen wurden (in-beam), sind auch andere Szenarien eingehend untersucht worden, welche eine PET Aufnahme kurz nach der Bestrahlung annehmen (in-room). Um die erreichbare Genauigkeit anhand von experimentellen Daten zu analysieren, wurden zwei Phantome mit 12C bestrahlt und die AV mit dem in-beam PET Prototyp am GSI gemessen. Diese experimentellen Daten wurden außerdem dazu verwendet, die PCC basierte Methode mit einem Reichweitenvergleichsalgorithmus, welcher an der TU Dresden entwickelt wurde, zu vergleichen. Als unteres Limit für die Erkennung von Reichweitenunterschieden konnte bei Patienten mit H&N-Tumoren 4mm erreicht werden. Derselbe Wert wurde auch für die Erkennung von Patientenfehlpositionierungen bei H&N-Indikationen erzielt. Für kleinere Läsionen in heterogenem Gewebe konnte eine Abweichung von 2mm detektiert werden. Das Erkennen von Abweichungen in homogenem Gewebe erwies sich als problematisch, da fast idente Gewebekompositionen zu fast identen AV führen. In den Phantomstudien konnten Unterschiede von 2mm automatisch erkannt werden. Eine gefüllte Kavität wurde erfolgreich detektiert, wenn deren Radius mindestens 5mm betrug. Die Resultate ergaben, dass ein automatischer Vergleich der AV hinsichtlich Sensitivität und Spezifiziät ähnliche Ergebnisse liefert wie ein visueller Abgleich. Die Möglichkeit, Patientenfehlpositionierungen automatisch auf PT-PET Bildern zu detektieren, demonstriert die weitreichende Anwendbarkeit dieser Methode. Untersuchungen in verschiedenen Gewebearten zeigten sowohl die Möglichkeiten, aber auch die Grenzen der automatischen Evaluierung auf. Mit dem Design und der anschließenden Bestrahlung der Verifikationsphantome, sowie der Messung der AV, wurde ein objektives Messverfahren für automatisierte EV abschließend geprüft. Die entwickelte Software ermöglicht es, den Arbeitsaufwand, welcher mit der Implementierung von PT-PET in der klinischen Routine einhergeht, zu vermindern und somit die Umsetzung von PT-PET zu erleichtern. Um das EV weiterzuentwickeln, wäre es nötig, es in einem PT-Zentrum im klinischen Bereich anzuwenden und an größeren Patientengruppen zu testen.

Zusammenfassung (Englisch)

Particle Therapy (PT)-PET is currently the only clinically approved in-vivo method for monitoring PT. Due to fragmentation processes in the patients' tissue and the beam projectiles, a beta plus activity distribution (BAD) can be measured during or shortly after the irradiation. The recorded activity map can not be directly compared to the planned dose distribution. However, by means of a Monte Carlo (MC) simulation it is possible to predict the measured BAD from a treatment plan (TP). Thus to verify a patient's treatment fraction the actual PET measurement can be compared to the respective BAD prediction. This comparison is currently performed by visual inspection which requires experienced evaluators and is rather time consuming. In this PhD thesis an evaluation tool is presented to compare BADs in an automated and objective way. The evaluation method was based on the Pearson's correlation coefficient (PCC) - an established measure in medical image processing - which was coded into a software tool. The patient data used to develop, test and validate the software tool were acquired at the GSI research facility where over 400 patient treatments with 12C were monitored by means of an in-beam PET prototype. The number of data sets was increased by artificially altering BAD to simulate different beam ranges. The automated detection tool was tested in head and neck (H&N), prostate, lung, and brain. To generate carbon ion TPs the treatment planning system TRiP98 was used for all cases. From these TPs the respective BAD predictions were derived. Besides the detection of range deviations by means of PT-PET also the automated detection of patient setup uncertainties was investigated. Although all measured patient data were recorded during the irradiation (in-beam) also scenarios performing PET scans shortly after the irradiation (in-room) were considered. To analyze the achievable precision of PT-PET with the automated evaluation tool based on experimental data two dedicated phantoms were irradiated with 12C-beams and subsequently monitored with the in-beam PET prototype at GSI. Additionally these experimental data were used to compare the PCC based algorithm with a range comparison algorithm developed at the TUD Dresden. The lower limit of detecting range uncertainties for H&N patients was 4mm. The same value was found for the detection of setup uncertainties for H&N cases. Regarding smaller lesions in heterogeneous tissue (e.g. lung) a detection down to 2mm was possible. A deviation detection in homogeneous tissue (e.g. pelvic area) remained challenging, especially due to very similar tissue components the PT-PET images for such anatomic regions are too much alike. The testing of the PCC based algorithm in dedicated phantoms revealed that a range deviation of 2mm and more could be detected automatically. Filled cavities could be successfully detected if their diameter was at least 5mm. The obtained results demonstrated that the automated comparison of BADs provides similar results as visual inspections. The capability of automatically detecting patient setup errors using PT-PET demonstrates the wide applicability of this technique. The investigations performed in different anatomic regions with different tissue compositions demonstrated both the potential and the limitations of PT-PET in general and of the automated evaluation tool in particular. With the design of dedicated phantoms and the subsequent acquired experimental PT-PET data an objective measure is given to test the evaluation software. In conclusion the developed software tool has the potential to reduce the clinical workload essentially so that the implementation of PT-PET in the clinical routine becomes a promising verification option for future PT treatments. Further development of the software tool has to be performed in a clinical environment with the possibility to test the automated comparison for larger cohorts with similar patient characteristics.