Robotics and generative artificial intelligence for Cone Beam CT processing in image-guided radiotherapy

The successful utilization of advanced techniques for precise dose delivery in external beam radiotherapy relies on the combination of highly accurate in-room imaging. In image-guided radiotherapy, daily images are obtained to guide adjustments in patient position and orientation, specifically addressing issues like weight loss, tumor shrinkage, and air bubbles that can affect the reliability of the treatment plan. Achieving stable patient immobilization and precise positioning during setup is necessary for optimal results. Various factors contribute to the different designs observed in the literature, including cost-effectiveness, choice of projector (gantry vs. fixed beams), number of treatment rooms, and patient throughput optimization. Cone-beam CT (CBCT) is an imaging technique commonly employed for anatomical evaluation before fraction delivery. However, CBCT imaging introduces challenges such as scattered radiations, leading to artifacts like shading, cupping, reduced contrast, and beam-hardening. Additionally, pixel values in CBCT images may fluctuate due to these artifacts, requiring correction methods to calibrate them to CT scanner Hounsfield Unit values for dose calculation. Moreover, the limited field of view (FOV) in CBCT also presents challenges in particle therapy, affecting the measurement of the complete particle beam path. Starting in 2013, the Centro Nazionale di Adroterapia Oncologica (CNAO) employed a custom cone-beam CT (CBCT) imaging system in one of its three treatment rooms. This system involved a robotic manipulator that supported a rotating C-arm with imaging equipment and a fixed field of view (FOV). In 2019, CNAO commissioned the development of a new customized robotic CBCT imaging system with the goal of enhancing patient throughput. This manuscript presents a feasibility study exploring the potential extension of CBCT in image-guided radiotherapy, aiming to address the known challenges associated with this imaging technique. This ambition was addressed by implementing a new robotic system and developing an innovative framework for image processing based on deep learning. This framework aims to process the CBCT images by calibrating the Hounsfield Unit (HU) values, removing artifacts caused by the conical geometry acquisition, and addressing the limitations of the narrow FOV. The ultimate aim is to explore the possibility of utilizing the existing limited FOV CBCT systems not only for patient positioning but also for dosimetric evaluation without requiring additional hardware modifications. A comprehensive description of the technological innovation of this system is given, including the design, technical commissioning, and quality assurance protocols necessary to develop a custom in-room volumetric imaging system intended for radiation treatments using accelerated particles. Regarding methodological advancements, we explored the potential of employing deep learning to overcome the intrinsic limitations of CBCT imaging. In a first exploratory study, we confirmed that deep convolutional neural networks could generate precise synthetic CT scans from CBCT images. We also provided guidelines for selecting the most suitable training technique between supervised and unsupervised. Furthermore, we introduced techniques to address the limitations of deep learning-based CBCT correction by leveraging the transfer learning paradigm in a novel two-step approach. We demonstrated that preconditioning the network with synthetic data significantly improved the quality of corrected CBCT when working with limited datasets. Additionally, employing transfer learning with real data proved effective in enhancing performance when dealing with clinical data from real practice. Moreover, we tested the deep learning framework's applicability to treatment planning updates, specifically addressing the issue of limited FOV in CBCT and evaluating the consistency of proton dosimetry compared to the original planning CT. The calibration of CBCT scans yielded promising results, with less than a 2% difference in proton dosimetry compared to the planning CT. The potential impact of organ toxicity on organs at risk decreased from approximately 50% (without calibration) to 2% (with calibration). The gamma pass rate at 3%/2mm demonstrated a substantial improvement, accurately reproducing the prescribed dose with a 37% increase before and after calibration (53.78% vs. 90.26%). The results obtained combining the technological and methodological advancements proposed in this dissertation brings the use of narrow FOV CBCT scans incrementally closer to clinical translation in proton therapy planning updates.

L'utilizzo efficace di tecniche avanzate per la somministrazione precisa della dose nella radioterapia a fasci esterni si basa sulla combinazione con un'immagine altamente accurata ottenuta in sala di trattamento. Nella radioterapia guidata dalle immagini, vengono acquisiti quotidianamente dei volumi per guidare gli aggiustamenti nella posizione e nell'orientamento del paziente, affrontando specificamente problemi come la perdita di peso, il restringimento del tumore e le bolle d'aria e che possono influire sull’affidabilità del piano di trattamento. Per ottenere risultati ottimali nel trattamento è necessario ottenere un'immobilizzazione stabile del paziente e una posizione precisa e ripetibile. Diversi fattori contribuiscono ai vari design osservati in letteratura, tra cui la convenienza economica, la scelta del proiettore (gantry vs. fasci fissi), il numero di sale trattamento disponibili e l'ottimizzazione del flusso dei pazienti. La tomografia computerizzata a fascio conico (cone beam CT, CBCT) è una tecnica di imaging comunemente utilizzata per l'analisi anatomica prima della somministrazione delle frazioni. Tuttavia, l'immagine CBCT introduce problemi come lo scattering, che causa artefatti di shading, cupping, contrasto ridotto e beam hardening. Inoltre, questi artefatti causano un’oscillazione nei valori dei pixel nelle immagini CBCT. Questo comporta la necessità di sviluppare metodi di correzione per riportare le CBCT ai valori di Hounsfield Unit (HU) standardizzati degli scanner CT per il corretto calcolo della dose. Inoltre, il field of view (FOV) limitato nelle CBCT presenta sfide nella terapia con particelle, poichè ha un'infuenza diretta sulla misurazione del percorso completo del fascio di particelle. A partire dal 2013, il Centro Nazionale di Adroterapia Oncologica (CNAO) ha utilizzato un sistema di imaging CBCT customizzato in una delle sue tre sale di trattamento. Questo sistema è costituito da un manipolatore robotizzato che supporta un braccio a C rotante con installate attrezzature di imaging (tubo radiogeno, collimatore e flat panel detector) e un FOV fisso. Nel 2019, il CNAO ha commissionato lo sviluppo di un nuovo sistema custom di imaging CBCT robotizzato con l'obiettivo di aumentare la capacità di trattamento dei pazienti. Questo manoscritto presenta uno studio di fattibilità che esplora l'estensione potenziale delle CBCT nella radioterapia guidata dalle immagini, mirando ad affrontare le sfide conosciute associate a questa tecnica di imaging. Questa ambizione è stata affrontata attraverso l'implementazione di un nuovo sistema robotizzato e lo sviluppo di un innovativo framework per l'elaborazione delle immagini basato sul deep learning. Questo framework mira a processare i volumi CBCT calibrandone i valori HU, rimuovendo gli artefatti causati dall'acquisizione con geometria conica e affrontando le limitazioni imposte dal FOV limitato. L'obiettivo finale è quello di esplorare la possibilità di utilizzare i sistemi CBCT esistenti con un FOV limitato non solo per il posizionamento del paziente, ma anche per la valutazione dosimetrica senza richiedere modifiche hardware aggiuntive. Viene fornita una descrizione completa dell'innovazione tecnologica di questo sistema, compresi il design, la messa in servizio tecnica e i protocolli di qualità necessari per sviluppare un sistema di imaging volumetrico personalizzato in sala di trattamento destinato ai trattamenti radioterapici con particelle accelerate. Per quanto riguarda gli avanzamenti metodologici, è stato esplorato il potenziale dell'utilizzo del deep learning nel superare le limitazioni intrinseche dell'imaging CBCT. In uno studio esplorativo iniziale, abbiamo confermato che le reti neurali convoluzionali profonde sono in grado di generare scansioni CT sintetiche precise partendo dalle immagini CBCT. Sono state inoltre fornite delle linee guida per la selezione della tecnica di addestramento più adatta tra supervisionato e non supervisionato. Inoltre, sono state introdotte tecniche per affrontare le limitazioni della correzione CBCT basata sul deep learning sfruttando il paradigma del transfer learning in un innovativo approccio a due fasi. Abbiamo dimostrato che il precondizionamento della rete con dati sintetici ha migliorato significativamente la qualità delle CBCT corrette quando si lavora con dataset di dimensione ridotta. Inoltre, l'utilizzo del transfer learning con dati reali si è dimostrato efficace nel migliorare le prestazioni quando si tratta di dati clinici provenienti dalla pratica reale. Infine, è stata testata l'applicabilità del framework di deep learning per gli aggiornamenti della pianificazione del trattamento, affrontando specificamente il problema del FOV limitato nelle CBCT e valutando la coerenza della dosimetria basata su protoni rispetto alla CT di pianificazione originale. La calibrazione delle scansioni CBCT ha prodotto risultati promettenti, con una differenza di meno del 2% nella dosimetria protonica rispetto alla CT di pianificazione. L'impatto potenziale della tossicità sugli organi a rischio è diminuito dal circa 50% (senza calibrazione) al 2% (con calibrazione). Il gamma pass rate al 3%/2 mm ha mostrato un notevole miglioramento, riproducendo accuratamente la dose prescritta con un aumento del 37% prima e dopo la calibrazione (53.78% vs 90.26%). I risultati ottenuti combinando i progressi tecnologici e metodologici proposti in questa tesi contribuiscono ad avvicinare in modo incrementale l'utilizzo delle scansioni CBCT con ridotto FOV nella pratica clinica degli aggiornamenti della pianificazione della terapia protonica.