A carregar...
Publicação
AI-based automated applicator reconstruction for cervical cancer brachytherapy
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 44.12 MB | Adobe PDF |
Orientador(es)
Resumo(s)
O cancro cervical, ou cancro do colo do útero, é o quarto tipo de cancro mais comum nas mulheres, a
seguir ao cancro do pulmão, colorretal, e da mama. Ainda assim, é a principal causa de morte associada
ao cancro nas mulheres em todo o mundo. O tratamento recomendado para o cancro cervical é cirurgia,
com o objetivo da remoção das células cancerígenas, sendo mais eficaz na fase inicial da doença. Após
a cirurgia, o tratamento típico envolve quimioterapia e radioterapia concomitantes. A radioterapia pode
ser fornecida por duas formas: radioterapia de feixe externo ou radioterapia interna (braquiterapia). Esta
modalidade terapêutica utiliza radiação de alta energia, i.e., radiação ionizante, para danificar o DNA
das células malignas, impedindo a sua reparação e proliferação. Na braquiterapia, é colocada uma fonte
radioativa, ou várias, perto do tecido tumoral, para o irradiar através da emissão de partículas resultantes
do decaimento radioativo (partículas beta ou radiação gama), com o objetivo de induzir a morte celular.
O principal benefício da braquiterapia é que ao colocar a(s) fonte(s) perto do alvo, a dose fornecida ao
alvo é maximizada, enquanto se minimiza a dose aos órgãos-de-risco.
O Erasmus Medical Center segue o protocolo EMBRACE II para o tratamento do cancro cervical localmente avançado. Este protocolo consiste no tratamento com radioterapia de feixe externo e quimioterapia concomitante, seguido de braquiterapia guiada por imagem (IGBT). IGBT começa com a colocação
cirúrgica de um implante (aplicador e cateteres) com canais ocos, que permitem a passagem de uma fonte
radioativa que, durante o tratamento, pára em posições específicas (dwell positions) por um determinado
período de tempo (dwell times). Após a implantação, são adquiridas imagens por tomografia computorizada (CT) ou ressonância magnética (MRI). A imagem adquirida serve para simular e otimizar o plano
de tratamento num sistema de planeamento (TPS). Para o planeamento é assim necessário reconstruir no
TPS o aplicador e os cateteres. Geralmente, esta reconstrução é feita manualmente por técnicos e atualmente demora uma mediana de cerca de 75 minutos por plano. Em MRI, este processo é particularmente
moroso e exigente, uma vez que o implante não é tão visível em comparação com CT. Contudo, MRI é
o gold standard devido ao maior contraste entre tecidos moles, permitindo uma segmentação dos órgãos
e alvo mais clara. O planeamento do tratamento envolve a reconstrução do implante, segmentação do
alvo e órgãos circundantes, e otimização do mapa de dose. A otimização consiste na determinação das
posições e dos tempos de permanência ótimos de modo a alcançar a dose prescrita no alvo, enquanto
se respeitam os limites de dose nos órgãos-de-risco. Todo este processo é feito enquanto as pacientes
esperam com o implante colocado, sendo que estas reportam sentir dor, desconforto e ansiedade. Assim,
existe uma necessidade clínica de reduzir o tempo necessário para planear o tratamento. A reconstrução
dos cateteres é mais desafiante do que a do aplicador. Contudo, uma vez que a reconstrução do aplicador
é o ponto de partida, este trabalho teve como objetivo a automatização da reconstrução do aplicador em
MRI, reduzindo o tempo necessário para esta etapa do planeamento do tratamento e garantindo que a qualidade da reconstrução é preservada ou até mesmo melhorada.
Os dois tipos de aplicadores mais usados no Erasmus MC são o Venezia e o Geneva (Elekta AB,
Suécia). Ambos são constituídos por um tubo intrauterino, inserido na cavidade uterina, e dois ovoides,
colocados na vagina em contacto com o cérvix. São também usados cateteres intersticiais ligados ou não
ao aplicador. Os aplicadores são reconstruídos no TPS através do posicionamento de um modelo tridimensional dos mesmos, através de translações e rotações manuais. Estes modelos encontram-se numa
biblioteca presente no pacote do software de planeamento, em ficheiros que contêm as coordenadas de
vértices e faces que permitem representar a face externa de cada parte do aplicador. Estes ficheiros contêm também as coordenadas da linha central do lúmen dos canais, e apenas as coordenadas da primeira
dwell position, não especificando as restantes. Neste estudo foram incluídos dados de 181 tratamentos
de 100 pacientes de cancro cervical previamente tratados com braquiterapia no Erasmus MC. Por cada
tratamento, foram adquiridas as imagens de MRI e o plano de tratamento no formato DICOM. Dos 181
tratamentos, em 132 foi utilizado o aplicador Venezia, e em 49 foi utilizado o Geneva. O ficheiro do
plano de tratamento documenta as coordenadas das dwell positions e os dwell times usadas para o tratamento da paciente, no sistema de coordenadas do paciente, determinadas durante a reconstrução manual
do aplicador.
Para reproduzir esta reconstrução manual no software de investigação de forma a gerar a groundtruth, foram estimadas as dwell positions no modelo 3D do aplicador fornecido pelo fabricante. Para
isso, através das coordenadas da primeira dwell position e da linha central de cada canal, foram criados
pontos separados por 5 mm através de interpolação. Este conjunto de pontos, que corresponde aproximadamente ao conjunto de dwell positions do aplicador, foi co-registado às dwell positions presentes
no plano de tratamento de cada paciente. Ao comparar as coordenadas das dwell positions estimadas e
as clínicas, verificou-se que a precisão obtida foi sub-milimétrica. A matriz de transformação resultante
deste co-registo foi aplicada ao modelo 3D do aplicador, mimetizando a colocação manual do aplicador
na imagem da paciente. Após o posicionamento do modelo do aplicador na MRI, este foi convertido
numa máscara (imagem binária). Entretanto, foi também criada uma máscara do modelo do aplicador
fornecido pelo fabricante, i.e., nas suas coordenadas originais. Isto foi feito para os 181 tratamentos.
O sistema desenvolvido para a reconstrução automatizada do aplicador envolveu duas etapas principais: (i) segmentação automática do aplicador na MRI através de um modelo U-Net, gerado pelo método
nnU-Net e (ii) co-registo automático da máscara do aplicador derivada do modelo fornecido pelo fabricante à máscara do aplicador segmentado pela U-Net, através do pacote de co-registo Elastix. De uma
forma simplificada, um modelo U-Net treinado recebe como dados de entrada a MRI da paciente e prevê
a localização da máscara do aplicador na posição adequada. Elastix é utilizado para alinhar a máscara
do aplicador fornecido pelo fabricante à máscara do aplicador prevista na MRI pela U-Net, gerando uma
matriz de transformação. Esta matriz é posteriormente utilizada para posicionar o contorno do modelo
do aplicador, assim como as dwell positions, na MRI. Assim, é possível a reconstrução automatizada do
aplicador na MRI.
Foram utilizadas duas abordagens para a reconstrução: a primeira considera o aplicador como um
objeto rígido, com ângulos fixos entre cada parte; a segunda considera o aplicador como um objeto
constituído por partes independentes. A segunda abordagem surge para casos mais complexos, em
que pode haver desvios angulares entre partes devido à força interna da paciente, ovoides assimétricos ou, por exemplo, desconexão acidental de partes do aplicador. Foram gerados sete modelos:
W2D+Elastix, W3Dlowres+Elastix, W3Dfullres+Elastix, W3Dcascade+Elastix, WEnsemble+Elastix,
P3Dlowres+Elastix, e P3Dfullres+Elastix. Nesta nomenclatura, a primeira letra representa a abordagem,
i.e., aplicador rígido, Whole, ou de partes independentes, Parts; e as letras seguintes denotam a configuração da U-Net utilizada. A U-Net foi treinada em 145 pares MRI-máscara (105 Venezia, 40 Geneva).
Os sete modelos gerados foram testados em 36 tratamentos, de 20 pacientes (27 Venezia, 9 Geneva).
O modelo em que se obteve o melhor equilíbrio entre a qualidade de reconstrução e a eficiência computacional foi o W3Dlowres+Elastix. Para esta abordagem foi obtida uma distância média entre dwell
positions clínicas e as geradas automaticamente de 0.76 mm e um tempo médio de reconstrução de 51
segundos o que o torna viável para implementação clínica. As diferenças na qualidade de reconstrução
entre os dois tipos de aplicador (Venezia ou Geneva) não foram estatisticamente significativas. Os modelos de reconstrução por partes (P) tiveram um desempenho global significativamente inferior, sobretudo
na reconstrução do tubo intrauterino.
A automatização da reconstrução do aplicador tem um potencial significativo para melhorar o
procedimento de braquiterapia do cancro cervical. Ao reduzir o tempo necessário para a reconstrução
do aplicador durante o planeamento do tratamento, é possível diminuir a ansiedade, o desconforto e a
dor sentidos pela paciente, melhorando a experiência global do tratamento enquanto se mantém a qualidade do mesmo. Para os técnicos, a reconstrução automatizada proporciona uma redução da carga de
trabalho, contribuindo para um fluxo de trabalho mais eficiente, mantendo elevados padrões de qualidade.
Standard treatment for locally advanced cervical cancer is concomitant chemotherapy and external beam radiotherapy followed by image-guided brachytherapy (IGBT). IGBT involves implanting an applicator and needles in the vagina, where a radioactive source travels to specific dwell positions to irradiate the target. MRI or CT scans are acquired and used to plan the treatment, which is done while the patient endures discomfort and pain with the implant in place, highlighting the need to speed up the workflow. Manual applicator and needles reconstruction, taking approximately 75 minutes at Erasmus MC, is a major factor contributing to treatment quality. Therefore, it is essential to increase reconstruction speed while maintaining accuracy. The goal of this study was to develop a fast and high-quality Deep Learning-based procedure to automate applicator reconstruction for cervical cancer MRI-based IGBT. MRI and treatment plan files used for 181 treatments were included in this study, using Venezia (132) and Geneva (49) applicators. Data was split into 145 training (105 Venezia, 40 Geneva) and 36 test plans (27 Venezia, 9 Geneva). The automated workflow involved (i) applicator segmentation in the patientspecific MRI with nnU-Net, and (ii) registration of the applicator model to the predicted segmentation using Elastix. Seven models were generated: W2D+Elastix, W3Dlowres+Elastix, W3Dfullres+Elastix, W3Dcascade+Elastix, WEnsemble+Elastix, P3Dlowres+Elastix and P3Dfullres+Elastix. W or P represent the type of reconstruction: whole-applicator reconstruction (applicator as a fixed structure) or parts-applicator reconstruction (parts are reconstructed independently). The following letters represent nnU-Net configuration. The best-performing model (compromising between quality and computational efficiency) was W3Dlowres+Elastix, achieving a dwell position error of 0.76 mm and reconstruction time of 51 seconds, suitable for clinical implementation. Differences between Venezia and Geneva applicators were non-significant. Part reconstruction models performed significantly worse compared to whole-applicator models. Automating applicator reconstruction reduces manual labor, thereby decreasing the overall procedure time and discomfort for the patient, while preserving plan quality.
Standard treatment for locally advanced cervical cancer is concomitant chemotherapy and external beam radiotherapy followed by image-guided brachytherapy (IGBT). IGBT involves implanting an applicator and needles in the vagina, where a radioactive source travels to specific dwell positions to irradiate the target. MRI or CT scans are acquired and used to plan the treatment, which is done while the patient endures discomfort and pain with the implant in place, highlighting the need to speed up the workflow. Manual applicator and needles reconstruction, taking approximately 75 minutes at Erasmus MC, is a major factor contributing to treatment quality. Therefore, it is essential to increase reconstruction speed while maintaining accuracy. The goal of this study was to develop a fast and high-quality Deep Learning-based procedure to automate applicator reconstruction for cervical cancer MRI-based IGBT. MRI and treatment plan files used for 181 treatments were included in this study, using Venezia (132) and Geneva (49) applicators. Data was split into 145 training (105 Venezia, 40 Geneva) and 36 test plans (27 Venezia, 9 Geneva). The automated workflow involved (i) applicator segmentation in the patientspecific MRI with nnU-Net, and (ii) registration of the applicator model to the predicted segmentation using Elastix. Seven models were generated: W2D+Elastix, W3Dlowres+Elastix, W3Dfullres+Elastix, W3Dcascade+Elastix, WEnsemble+Elastix, P3Dlowres+Elastix and P3Dfullres+Elastix. W or P represent the type of reconstruction: whole-applicator reconstruction (applicator as a fixed structure) or parts-applicator reconstruction (parts are reconstructed independently). The following letters represent nnU-Net configuration. The best-performing model (compromising between quality and computational efficiency) was W3Dlowres+Elastix, achieving a dwell position error of 0.76 mm and reconstruction time of 51 seconds, suitable for clinical implementation. Differences between Venezia and Geneva applicators were non-significant. Part reconstruction models performed significantly worse compared to whole-applicator models. Automating applicator reconstruction reduces manual labor, thereby decreasing the overall procedure time and discomfort for the patient, while preserving plan quality.
Descrição
Tese de Mestrado, Engenharia Biomédica e Biofísica, 2025, Universidade de Lisboa, Faculdade de Ciências
Palavras-chave
Reconstrução automatizada do aplicador Braquiterapia Cancro cervical Deep learning Segmentação automática Teses de mestrado - 2025