Adaptive Strahlentherapie: Deep Learning für die Analyse der täglichen Bildgebung

In der bildgestützten Strahlentherapie steht seit jeher die patientenindividuell-geplante Bestrahlung und die akkurate Dosisdeposition im Patienten im Vordergrund. Bei der adaptiven Strahlentherapie wird der Fokus auf die interfraktionellen, anatomischen Veränderungen des Patienten gelegt, um eine täglich optimierte Dosisapplikation zu ermöglichen. In den meisten Fällen findet eine konventionelle Strahlentherapie fraktioniert über mehrere Wochen statt, sodass z.B. eine Gewichtsabnahme einen signifikanten Einfluss auf die optimierte Dosisverteilung haben kann. Tägliche Cone-Beam-CTs (CBCT) dienen der Patientenpositionierung und liefern Daten über die tagesaktuelle Anatomie und damit auch die Dosisverteilung im Patienten. Bei interfraktionellen Änderungen kann man zwischen sich täglich ändernder Anatomie durch eine Änderung der Füllstände von z.B. Blase oder Darm und einer kontinuierlichen Änderung wie eine Gewichtsabnahme oder einer Abnahme des Tumorvolumens unterscheiden.

Das Ziel des Projekts ist die Entwicklung und Validierung von neuronalen Netzen der künstlichen Intelligenz, um unabhängig und schnell beurteilen zu können, ob aufgrund anatomischer Veränderungen eine Neuberechnung und Neuoptimierung der Dosisverteilung erforderlich ist. Dies soll die Sicherheit im Bestrahlungsplanungsprozess verbessern und möglicherweise zu einer Reduktion des Sicherheitssaums um das zu bestrahlende Zielvolumen führen, was wiederum die Wahrscheinlichkeit von Nebenwirkungen reduzieren könnte. Medizinischem Personal soll durch die Ergebnisse des Projekts eine fundierte Entscheidungshilfe für die tägliche Bestrahlungsplanung geboten werden, um sicherzustellen, dass die patientenindividuelle Dosisverteilung korrekt in der aktuellen Anatomie des Patienten appliziert wird.