Floris Reinders

UMC Utrecht

Kort samengevat, behelst het fellowship van Floris Reinders het volgende:

Transfer learning for auto segmentation of individual lymph nodes in patients with head and neck cancer

De meeste patiënten met hoofd-hals (HH) kanker behandeld met radiotherapie (RT) krijgen electieve hals bestraling op unilaterale of bilaterale lymfeklier levels voor de behandeling van mogelijke, niet zichtbare (occulte) metastasen. Aangezien uit de literatuur blijkt dat occulte metastasen momenteel zeer goed worden behandeld, is het mogelijk dat de conventionele electieve hals bestraling momenteel te agressief is. Met moderne Magnetic Resonance Imaging (MRI) technieken is het mogelijk kleine individuele lymfeklieren binnen de lymfeklier levels te identificeren. Door conventionele electieve hals bestraling om te zetten in specifieke bestraling van individuele lymfeklieren kan de stralingsdosis op gezonde weefsels worden verminderd. Hierdoor kan mogelijk de hoeveelheid complicaties bij patiënten met HH kanker op lange termijn worden teruggebracht waarbij de occulte metastasen nog steeds goed worden behandeld.

Om bestraling van individuele lymfeklieren mogelijk te maken, moeten alle lymfeklieren in de CT/MRI worden ingetekend. Aangezien patiënten met HH kanker ongeveer 30 lymfeklieren aan elke kant van de hals hebben, is handmatige intekening van deze structuren zeer tijdrovend en voegt dit ongeveer 2 uur extra segmentatietijd toe. Om de extra werklast te verminderen, hebben wij in het Universitair Medisch Centrum Utrecht (UMCU) een Convolutional Neural Network (CNN) ontwikkeld voor de automatische segmentatie van individuele lymfeklieren op MRI-beelden bij HH kanker patiënten.

Hoewel de prestaties van ons CNN voldoende zijn voor klinische implementatie, verwachten we slechtere resultaten als de CNN wordt toegepast op een nieuwe set beelden in een ander medisch centrum (vanwege verschillende MRI-scanners en scanprotocollen). Voor de internationale implementatie van individuele lymfeklierbestraling moet het neurale netwerk snel en gemakkelijk kunnen worden aangepast aan de situatie in andere medische centra.

In deze studie zullen we onderzoeken of ons huidige neurale netwerk opnieuw kunnen trainen met patiënten data verkregen in Memorial Sloan Kettering Cancer Centre (MSKcc) in New York. Het doel is om een neuraal netwerk te realiseren dat werkt in MSKcc met een maximale reductie van 5% op alle evaluatieresultaten in vergelijking met het huidige neurale netwerk.