Peter van Ooijen

University of Groningen, University Medical Center Groningen

Kort samengevat, behelst het onderzoek van Peter van Ooijen het volgende:

'Detection and Prediction of Radiation Toxicity and Tumor Response using Deep Learning - Towards Personalized Adaptive Radiotherapy

With the increased survival rate of cancer patients because of successful treatment with (chemo)radiation, the risk of toxicity and related side effects also increased. Prediction or early detection of toxicity is of utmost importance to allow adaptation of the treatment to avoid toxicity related problems. In addition, the early identification of patients that exhibit a lower expected tumor response allows to choose a more aggressive treatment regime for those patients.

Aim of this project is to facilitate personalized adaptive radiotherapy to improve treatment outcome. We will investigate determination of treatment efficacy (tumor response) and detection and prediction of side effect severity (toxicity) of radiation therapy for head-and-neck cancer using deep learning techniques to identify predictive image features. Ultimately, the goal is to facilitate personalized adaptive radiotherapy, where the treatment plan is adjusted on-the-go based on both the daily anatomical changes and the predictions of the models for toxicity and tumor response.'

Korte samenvatting van de eindresultaten van dit onderzoek januari 2024

Bij hoofd-hals kanker werden vier deelprojecten uitgevoerd op het gebied van automatische segmentatie en twee op het gebied van uitkomstvoorspelling. In het eerste manuscript (gepubliceerd) werden deep learning-modellen ontwikkeld en getest op externe gegevens. In het tweede manuscript (gepubliceerd) stelden we een DL-gebaseerde methode voor om zogenaamde probability maps (waarschijnlijkheidskaarten) te genereren die bedoeld zijn om de modelonzekerheid in de segmentatietaak vast te leggen.

We hebben aangetoond dat de tumor probability maps kunnen worden gebruikt door radiotherapie-oncologen voor adaptieve tumorsegmentatie (derde manuscript in beoordeling) en als invoergegevens, samen met CT- en PET-beelden, voor de voorspelling van tumor gebonden eindpunten (vierde manuscript gepubliceerd). We pasten de methodologie uiteengezet in het tweede manuscript toe om segmentatie uit te voeren op zowel primaire tumoren als pathologische lymfeklieren. Deze aanpak toonde uitstekende prestaties op interne en externe tests. Bovendien toonde de kwantificering van onzekerheid afgeleid van probability maps een robuuste negatieve correlatie met maten die worden gebruikt om de nauwkeurigheid van de segmentatie te evalueren, zoals uitgewerkt in het vijfde manuscript dat momenteel intern wordt beoordeeld. Om de uitkomstvoorspellingsmodellen te verbeteren, hebben we ruimtelijke informatie van pathologische lymfeklieren opgenomen in CT- en PET-gegevens, samen met de handmatig gesegmenteerde structuur van de primaire tumor. Deze integratie leidde tot een waarneembare verbetering in de voorspellende prestaties voor bepaalde tumorgebonden eindpunten.

Bij longkanker werden twee deelprojecten uitgevoerd op het gebied van automatische segmentatie. Het eerste project betrof het verifiëren van het vermogen van het deep learning-netwerk om de tumor te detecteren en te segmenteren in eerder ongeziene ademhalingsfasen van de 4DCT, waardoor een nauwkeurigere contour werd gecreëerd. Dit eerste manuscript is momenteel in interne beoordeling. Het tweede project omvat een combinatie van PET- en 4DCT-beeldvorming voor een nauwkeurigere segmentatie van de tumor in latere stadia, inclusief deep learning-algoritmen en vervormbare registratie als vergelijking van methoden met de 'waarheid'. Dit project bevindt zich nog in de experimentele fase en het manuscript zal tegen het einde van het jaar worden ingediend. Dit werk vormt de basis voor volgende projecten voor de voorspelling van tumoreindpunten, gebruikmakend van dezelfde uitgebreide database.

Korte samenvatting van voortgang / resultaten januari 2023

Bij hoofd-halskanker werden drie deelprojecten uitgevoerd op automatische segmentatie en één op uitkomstvoorspelling. In het eerste manuscript (gepubliceerd) werden deep learning modellen ontwikkeld en getest op externe data. In het tweede manuscript, dat onder review is, stellen we een DL-gebaseerde methode voor het genereren van zogenaamde probability maps voor, gericht op het inzicht geven in de modelonzekerheid in de segmentatie. We toonden aan dat de probability maps door radiotherapeuten kunnen worden gebruikt voor adaptieve tumorsegmentatie (derde manuscript geschreven en onder interne revisie) en als invoergegevens, samen met CT- en PET-beelden, voor tumorgerelateerde eindpunt voorspelling (vierde manuscript geschreven en onder interne revisie).

Bij longkanker wordt tumor segmentatie geconfronteerd met extra uitdagingen, zoals de ademhalingsbeweging. Tegenwoordig worden in de klinische praktijk op de beeldinformatie van 2 posities van de ademhaling gebaseerde methodes gebruikt om de geschatte tumorlocatie tijdens de ademhalingsbeweging te verkrijgen. Deep learning-algoritmen kunnen echter worden getraind om alle
informatie van elke ademhalingsfase te beoordelen en een nauwkeurig tumorbewegingstraject te bieden.
De eerste resultaten van een 4D-segmentatie op reeds verzamelde lokale gegevens bleken veelbelovend en kunnen in de toekomst ingezet worden om de tumor op te sporen en nauwkeurig af te bakenen gedurende de gehele ademhalingscyclus.

Korte samenvatting van voortgang / resultaten januari 2022

Het afbakenen van de tumor is een belangrijke stap in de behandeling van de patient. Het is echter een lastige taak, en het resultaat is sterk afhankelijk van de individuele keuzes van radiotherapeut. Daarom lag de focus in het eerste deel van dit project op de automatische tumorafbakening op PET/CT-beelden van hoofd-halskankerpatiënten met behulp van kunstmatige intelligentie. Het eerste onderzoekspaper werd geaccepteerd en wordt binnenkort gepubliceerd in Lecture Notes in Computer Science (LNCS) Challenges (2022). Het tweede manuscript is geschreven en moet nog worden ingediend bij een tijdschrift voor medische beeldvorming. In het vervolg van het project zal de focus liggen op de klinische implementatie van de methode die is geïmplementeerd voor het tweede artikel en zullen gegevens worden verzameld die nodig zijn voor de voorspelling van tumor gerelateerde eindpunten.

Korte samenvatting van voortgang / resultaten jaar 1

In de eerste maanden van het project is een gedetailleerde planning gemaakt waarbij verschillende deelprojecten zijn gedefinieerd elk met hun eigen complexiteit en risico. Daarnaast is gestart met het bepalen van de benodigde data en de verzameling daarvan. Op dit moment zijn de eerste modellen op basis van kunstmatige intelligentie geïmplementeerd en zijn wij gestart met het trainen van deze modellen op de al verzamelde data. Het doel van deze modellen is om automatisch de omlijning van hoofd-hals tumoren te herkennen op de beelden en deze in te tekenen. De eerste resultaten zien er veelbelovend uit.