Methods and algorithms for image guided adaptive radio- and hadron- therapy

In Radiation Therapy (RT), the main goal of achieving a high local selectivity implies the necessity of accurately locate and monitor the lesion. The current strategy for Head and Neck Image Guided Adaptive RT (IGART) includes manual initial images acquisition, structures of interest delineation and irradiation scheme definition, together with one or more in-room imaging sessions both for positioning and changes tracking prior to proper treatment delivery. Non-rigid modifications are generally detected with a combination of macroscopic observations and in-room imaging, such as Cone Beam Computed Tomography (CBCT). If changes are beyond an empirically established threshold, a completely manual replanning is done on a new CT. Technological basis of my work is Deformable Image Registration, which models deformations occurring at a different time points of the treatment or between different patients. Investigated topics include performance comparison of a non-parametric (demons) and of a parametric (B-Splines), ranking of robust stopping conditions and development of automatic feature extraction method for registration validation. This work aims at developing a fully automatic multi-atlas based segmentation algorithm, for Head and Neck simulation CT and at sparing replanning CT scans to the patient by modeling the inter-fractional deformations, thus avoiding any delay in the therapy as well as reducing the clinical workload. For the automatic segmentation, winning strategies were the percentile based selection and the fusion strategy based on Gaussian weighted fusion. A reduction in segmentation accuracy can be seen as the number of patients is reduced to selecting just the most similar one. The algorithm accuracy is comparable to inter-observer variability, thus it can be adopted for clinical use. We generated on-line virtualCT scans for ART cancer treatment on the basis of a new CBCT volume, thus dropping the need of a new replanning CT. Dosimetric evaluation will be needed to compare virtualCT and replanning CT distributions and introduction of virtualCT concept into the clinic.

In radioterapia, l’obiettivo di ottenere una elevata selettività locale implica la necessità di individuare e monitorare la lesione con precisione. Per i tumori testa-collo, il protocollo di radioterapia adattativa guidata da immagini include l’acquisizione di un’immagine iniziale, il contornamento di strutture d’interesse e la definizione del piano di trattamento, parallelamente a una o più acquisizioni di immagini in-room per il posizionamento e il monitoraggio dei cambiamenti prima della seduta di trattamento vera e propria. Le modificazioni non-rigide vengono generalmente individuate combinando osservazioni macroscopiche e immagini in-room, quali Cone Beam Computed Tomography (CBCT). Se i cambiamenti superano una soglia clinica empirica, si procede ripianificando manualmente il trattamento su una nuova CT. La base tecnologica di questo lavoro è la registrazione non-rigida di immagini, che modella le deformazioni in istanti diversi del trattamento o tra diversi pazienti. Sono stati quindi studiati un algoritmo non parametrico (demons) e uno parametrico (B-Splines), classificando e confrontando diverse condizioni d’uscita, parallelamente allo sviluppo di un algoritmo per l’estrazione automatica di features per la validazione della registrazione stessa. Obiettivo di questo lavoro è lo sviluppo di un metodo di segmentazione automatico basato su atlante per la CT di simulazione e la modellazione delle modificazioni non-rigide inter-frazione al fine di evitare la CT di replanning, continuare il corso normale della terapia senza ritardi e carichi aggiuntivi per la clinica. La selezione percentuale del database di pazienti-atlanti e la fusione dei vari contributi pesati con Gaussiane hanno fornito i migliori risultati di segmentazione automatica. L’accuratezza della segmentazione diminuisce però progressivamente al diminuire degli atlanti selezionati, fino allo scegliere soltanto il più simile al paziente test. L’accuratezza ottenuta è confrontabile con la variabilità inter-operatore e il metodo potrebbe quindi essere utilizzato in clinica. Sulla base delle immagini CBCT in-room, sono state generate virtualCT on-line per l’adattamento della terapia, eliminando la necessità di una nuova CT di replanning. Al fine d’introdurre la virtualCT nella pratica clinica, è necessario però procedere alla valutazione delle distribuzioni di dose ottenute su di essa con le corrispondenti sulla CT di replanning.