Conditional GAN for quality assurance outcome prediction of patients with brain metastases treated with radiosurgery

The effectiveness of radiotherapy relies on its ability to accurately target tumor cells by exploiting their inefficient DNA repair mechanisms. In recent years, the development of Volumetric Modulated Arc Therapy (VMAT) has significantly enhanced radiation delivery precision, enabling focused dose delivering on tumor sites while minimizing damage to surrounding healthy tissues. However, the growing complexity of VMAT has made measurement-based patient-specific quality assurance (PSQA) procesures increasingly time-consuming and resource-intensive. This work aims to enhance the efficiency of PSQA for Stereotactic Radiosurgery by incorporating Deep Learning methods, namely Conditional Generative Adversarial Networks for Image-to-Image translation tasks, in the radiotherapy care path. The objective is to automatically generate synthetic delivered dose distributions that closely reflect the optimal measurement-based ones, thereby facilitating a more efficient comparison between the planned and delivered radiation doses during pre-treatment PSQA.

L'efficacia della radioterapia è fortemente influenzata dalla capacità dei trattamenti radioterapeutici di mirare con precisione alle cellule tumorali, sfruttando la compromissione dei loro meccanismi di riparazione del DNA. Negli ultimi anni, lo sviluppo della Terapia ad Arco Modulato Volumetrico (VMAT) ha notevolmente migliorato la precisione della somministrazione di radiazioni, consentendo una concentrazione mirata delle dosi sui siti tumorali e riducendo al minimo i danni ai tessuti sani circostanti. Tuttavia, la crescente complessità della VMAT ha reso i metodi tradizionali di Assicurazione della Qualità Specifica per il Paziente (PSQA) sempre più dispendiosi in termini di tempo e risorse. Il presente lavoro si propone di migliorare l'efficienza del processo di PSQA per trattamenti di Radiochirurgia Stereotassica, altrimenti nota come Radiochirurgia, attraverso l'integrazione di metodi di apprendimento profondo nel percorso di cura radioterapeutica, facendo uso di Reti Generative Avversarie Condizionali per mansioni di traduzione immagine-per-immagine. L'obiettivo consiste nel generare automaticamente distribuzioni di dose di radiazione sintetiche che riflettano fedelmente le dosi ottimali pianificate dai fisici medici, facilitando così un confronto più efficiente tra le dosi di radiazione pianificate e quelle effettivamente somministrate durante il processo di PSQA effettuato precedentemente al trattamento.