Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata
Proyecto Integrador (I.Biom.)--FCEFN-UNC, 2023
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
2024
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11086/552888 |
| _version_ | 1806012166826885120 |
|---|---|
| author | Sadir, Inés |
| author2 | Garrigó, Edgardo |
| author_facet | Garrigó, Edgardo Sadir, Inés |
| author_sort | Sadir, Inés |
| collection | Repositorio Digital Universitario |
| description | Proyecto Integrador (I.Biom.)--FCEFN-UNC, 2023 |
| format | bachelorThesis |
| id | rdu-unc.552888 |
| institution | Universidad Nacional de Cordoba |
| language | spa |
| publishDate | 2024 |
| record_format | dspace |
| spelling | rdu-unc.5528882024-07-26T06:21:46Z Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata Sadir, Inés Garrigó, Edgardo Descamps, Caroline Rulloni, Valeria Soledad Proyecto Integrador (I.Biom.) Proyecto Integrador IB Ingeniería biomédica Inteligencia artificial Redes neuronales (Informática) Diagnóstico por imagen Patología Cáncer Arquitectura U-Net Aprendizaje automatico Proyecto Integrador (I.Biom.)--FCEFN-UNC, 2023 Fil: Sadir, Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina. El propósito particular de este trabajo es construir y probar métodos de predicción de distribución 3D de dosis para tratamiento de cáncer de próstata con SBRT, utilizando modelos de aprendizaje profundo entrenados con datos históricos de pacientes tratados en el Centro de Radioterapia Dean Funes. La finalidad general es abrir paso al desarrollo de una herramienta capaz de predecir la dosis a partir de la anatomía del paciente, que se pueda integrar al proceso de creación de planes clínicos, y así, se exija menos tiempo y trabajo manual por parte de los físicos médicos. Se crearon tres modelos de aprendizaje profundo basados en la arquitectura U-Net, para predecir las distribuciones 3D de dosis para planes de tratamiento de SBRT. Se incluyeron 135 casos de cáncer de próstata, de los cuales 120 fueron seleccionados aleatoriamente como conjunto de entrenamiento-validación y el resto como conjunto de prueba. Los datos de cada paciente eran 3 contornos: PTV, vejiga y recto. La base de datos inicial se duplicó generando copias con “espejado” sagital. Las redes propuestas parten de la arquitectura de Ronneberger et al. reemplazando las operaciones 2D con su versión 3D, agregando estrategias para mejorar la predicción (como dropout, reflection-pad and batch-normalization) y aplicando transfer learning con 3D-ResNet18. En todos los modelos, las entradas fueron cuatro canales de arreglos 3D de estructuras contorneadas, uno para PTV (próstata) y los otros para OAR (vejiga y recto) y fondo, y la salida el arreglo 3D de distribuciones de dosis. La precisión se evaluó con el índice de Dice y el coeficiente Intersection over Union (IoU) de los diferentes volúmenes. Para cada arquitectura se realizaron varios entrenamientos, modificando el número de épocas y la función de pérdida, para seleccionar una versión final y realizar un entrenamiento largo. La U-Net Mejorada superó ampliamente a los otros dos modelos construidos, logró un índice de Dice para los intervalos de dosis hasta un 5% más altos que U-Net Básica y alrededor de un 10% mayor que el modelo de aprendizaje por transferencia, la ResU-Net. Todos los modelos dan los mejores resultados para vóxeles en las regiones de dosis baja y alta, sin embargo, las tres redes fracasan en predecir las dosis muy altas y son regulares para dosis intermedias. Finalmente, la U-Net Mejorada mostró un comportamiento consistente en todo el dataset de prueba, mientras que la U-Net Básica funcionó muy bien (incluso mejor que la Mejorada) con los ejemplos que tenían una "forma de próstata promedio", pero dio resultados muy pobres con ejemplos atípicos. En conclusión, se desarrollaron y compararon tres modelos de Deep learning y se logró una predicción 3D de dosis en cáncer de próstata tratado con SBRT. Sin embargo, para obtener una potencial implementación clínica, estas tecnologías necesitan un mayor desarrollo para mejorar los resultados y finalmente obtener una planificación del tratamiento más precisa y eficiente. Este trabajo utilizó recursos computacionales del CCAD de la Universidad Nacional de Córdoba (https://ccad.unc.edu.ar/), que forman parte del SNCAD del MinCyT de la República Argentina. The particular purpose of this work is to build and test methods to predict 3D-voxel- wise dose distributions for prostate cancer treatment with SBRT using deep learning models trained on historical data from patients treated at the Centro de Radioterapia Dean Funes. The overall goal is to pave the way for the development of a tool capable of predicting dose from patient anatomy, which can be used to create clinically acceptable plans that require less time and manual labor on the part of medical physicists. Three deep learning models based on the U-Net architecture were created to predict 3D dose distributions for SBRT treatment plans. A total of 137 cases of prostate cancer were included, of which 120 cases were randomly selected as a training-validation set and the rest as a test set. Each patient’s data contains 3 contours: PTV, bladder and rectum. The initial dataset was duplicated by data augmentation with sagittal reflections. The proposed networks extend the architecture from Ronneberger et al. by replacing 2D operations with their 3D counterparts, adding strategies to improve the network (as dropout, reflection-pad and batch normalization) and introducing transfer learning with the pre-trained 3D-ResNet18. The inputs were four channels of 3D arrays of contoured structures, one for PTV (prostate) and the others for OARs (bladder and rectum) and background, and the 3D array of dose distributions was taken as output for training in all the models. The predicted precision was evaluated with the Dice coefficient and the Intersection over Union coefficient (IoU) of different isodose volumes. For each architecture several training processes were performed, modifying the number of epochs and the loss functions, in order to select a final version and perform a long training. The U-Net Mejorada model outperformed the other two models, it achieved Dice scores for isodose volumes as much as 5% higher than the U-Net Básica and about 10% than the transfer learning model, the ResU-Net. All the models give the best results for voxels in the low and the high dose regions however the three networks fall through predict the very high doses. Finally, the U-Net Mejorada showed consistent behavior across the entire dataset test, while the U-Net Básica performed very well (even better than the Mejorada) with the “regular prostate shape" samples but gave very poor results with atypical examples. In conclusion, three deep learning models were developed and compared, achieving a dose prediction in 3D voxels for SBRT-treated prostate cancer. Nevertheless, to get a potentially clinical implementation, these technologies need further development to improve outcomes and ultimately obtain more accurate and efficient treatment planning. This work used computational resources from CCDA – Universidad Nacional de Córdoba (https://ccad.unc.edu.ar/), which are part of SNCAD MinCyT, República Argentina. Fil: Sadir, Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina. 2024-07-25T16:34:28Z 2024-07-25T16:34:28Z 2023 bachelorThesis http://hdl.handle.net/11086/552888 spa Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| spellingShingle | Proyecto Integrador (I.Biom.) Proyecto Integrador IB Ingeniería biomédica Inteligencia artificial Redes neuronales (Informática) Diagnóstico por imagen Patología Cáncer Arquitectura U-Net Aprendizaje automatico Sadir, Inés Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata |
| title | Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata |
| title_full | Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata |
| title_fullStr | Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata |
| title_full_unstemmed | Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata |
| title_short | Predicción de distribución de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales : aplicación en cáncer de próstata |
| title_sort | prediccion de distribucion de dosis para tratamientos de radioterapia utilizando redes neuronales convolucionales aplicacion en cancer de prostata |
| topic | Proyecto Integrador (I.Biom.) Proyecto Integrador IB Ingeniería biomédica Inteligencia artificial Redes neuronales (Informática) Diagnóstico por imagen Patología Cáncer Arquitectura U-Net Aprendizaje automatico |
| url | http://hdl.handle.net/11086/552888 |
| work_keys_str_mv | AT sadirines predicciondedistribuciondedosisparatratamientosderadioterapiautilizandoredesneuronalesconvolucionalesaplicacionencancerdeprostata |