Dosimetric comparison and validation of scatter correction methods for limited Field-of-View CBCT via a Monte Carlo generated dataset

Hadrontherapy is a type of radiation therapy that uses charged particles to treat tumors, providing higher doses to the target and less to surrounding organs; however, requires higher precision and any anatomo-pathological variation in the patient may cause the unsuccess of the therapy. To overcome this, image guided radiation therapy (IGRT) can be used to obtain up-to-date in-room images of the patient and adjust the treatment plan prior to dose delivery. Cone Beam CT is a type of X-ray imaging technique that can be used for this purpose, since is faster than CT and provide lower doses, but is affected by scatter artifacts. In literature, different scatter correction methods are proposed, but require large computational time and cannot be used for online adjustment. Deep Learning (DL) scatter correction, based on convolutional neural networks, allows to obtain corrected CBCT in a faster way but needs to be validated for clinical use. The goal of this work is to compare DL scatter correction with two literature methods, both in terms of HU comparison and dose analysis, to evaluate the correction and investigate the feasibility of DL approaches in treatment planning. The results showed that DL approaches, although showing some visual defects in the corrected images, present lower HU difference and higher doses provided to the target with respect to the other corrective methods, while keeping the same dosage of the reference CT to the organs at risk.

L’adroterapia è una forma di radioterapia che usa particelle ionizzanti per il trattamento dei tumori, fornendo maggiori dosi alle cellule cancerogene rispetto che ai tessuti che le circondano; in questo tipo di trattamenti, però, è richiesta una maggiore precisione e ogni tipo di variazione in ambito anatomo-patologico può compromettere il successo della terapia. Per risolvere questa problematica, si può usare la radioterapia guidata da immagini (IGRT) per ottenere immagini aggiornate del paziente e correggere il piano di trattamento prima della somministrazione della terapia. La tomografia computerizzata cone beam (CBCT) è una tecnica di imaging a raggi X che può essere usata per questo scopo, in quanto più veloce di una normale scansione CT e per questo permette di somministrare una dose inferiore al paziente; è però soggetta ad artefatti scatter che peggiorano la qualità delle immagini. In letteratura sono proposti diversi metodi di correzione scatter, ma richiedono lunghi tempi computazionali, rendendoli quindi non efficaci in ambito di un aggiornamento immediato del piano. La correzione scatter tramite approccio deep learning (DL), basato su reti neurali convoluzionali, permette di ottenere CBCT corrette più velocemente, ma richiede una validazione per uso clinico. L’obiettivo di questa tesi è la comparazione di un approccio di correzione scatter tramite DL con due metodi già dimostrati in letteratura, sia in termini di comparazione HU che in termini di analisi di dose, per investigare la possibilità di utilizzo della metodologia DL nella pianificazione della terapia. I risultati mostrano che il metodo DL, pur presentando difetti visivi, ha una minore differenza in HU e fornisce una dose maggiore al tumore se comparata agli altri metodi, mentre la dose agli organi a rischio è simile alla CT usata come riferimento.