Details

Title Оценка возможностей прогнозирования дозы с целью повышения качества протонной терапии: выпускная квалификационная работа магистра: направление 16.04.01 «Техническая физика» ; образовательная программа 16.04.01_13 «Медицинская физика»
Creators Аврясов Илья Сергеевич
Scientific adviser Алексеев Игорь Евгеньевич
Other creators Андреев Г. И.
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт биомедицинских систем и биотехнологий
Imprint Санкт-Петербург, 2024
Collection Выпускные квалификационные работы; Общая коллекция
Subjects прогнозирование дозового распределения; машинное обучение; рак предстательной железы; рак молочной железы; dose distribution prediction; machine learning; prostate cancer; breast cancer
Document type Master graduation qualification work
File type PDF
Language Russian
Level of education Master
Speciality code (FGOS) 16.04.01
Speciality group (FGOS) 160000 - Физико-технические науки и технологии
DOI 10.18720/SPBPU/3/2024/vr/vr24-4141
Rights Доступ по паролю из сети Интернет (чтение, печать)
Record key ru\spstu\vkr\30696
Record create date 7/19/2024

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

Работа посвящена оценке эффективности использования модели, задачей которой является прогнозировать дозовое распределение на основании обученного алгоритма. Цель работы: повысить качество лечебных планов для проведения протонной терапии. Было обучено две модели на 30 пациентах с раком предстательной железы и 33 для локализации рак молочной железы. Затем проведена валидация на основании 10 пациентов для каждого случая. Модели были проверены путём сравнительного анализа и оценки дозиметрических параметров. По результатам исследования при помощи моделей были получены клинически одобренные планы. Время планирование было снижено на 50%. Для первой модели было отмечено повышение нагрузки на прямую кишку - среднее значение увеличилось на 0.490.57 Гр.  Для структуры CTV изменения составили: V103.5 % и HI уменьшились на 1.17±1.14 %, 0.3±0.3 %, соответственно, что свидетельствует о лучшей гомогенности и меньших высокодозовых областей. С помощью второй модели была снижена нагрузка на левое лёгкое – V4 Гр и V8 Гр уменьшились на 1.13±1.3 % и 1.08±1.35 %, соответственно, и реализована лучшее покрытия для CTV: Dсредняя уменьшилось на 0.730.48 % и V95 % увеличилось на 0.05±0.13 %. Выводы: планы, полученные при помощи алгоритма RPP за более короткое время, имеют сравнимое качество с результатами экспертов. Однако, перед использованием пользователю стоит ознакомиться для каких структур наблюдалась большая нагрузка по дозе.

The work is devoted to evaluating the effectiveness of using a model whose task is to predict the dose distribution based on a trained algorithm. The purpose of the work is to improve the quality of treatment plans for proton therapy. Two models were trained on 30 patients with prostate cancer and 33 for breast cancer localization. Validation was then performed based on 10 patients for each case. The models were verified by comparative analysis and evaluation of dosimetric parameters. According to the results of the study, clinically approved plans were obtained using models. The planning time has been reduced by 50%. For the first model, an increase in the load on the rectum was noted - the average value increased by 0.49±0.57 Gy. For the CTV structure, the changes were: V103.5% and HI decreased by 1.17±1.14 %, 0.3±0.3 %, accordingly, this indicates better homogeneity and smaller high-dose areas. With the help of the second model, the load on the left lung was reduced – V4 Gy and V8 Gy decreased by 1.13±1.3% and 1.08±1.35%, respectively, and the best coverage for CTV was implemented: Dmean decreased by 0.73±0.48% and V95% increased by 0.05±0.13%. Conclusions: the plans obtained using the RPP algorithm in a shorter time have comparable quality with the results of experts. However, before use, the user should familiarize himself with which structures a large dose load was observed.

Network User group Action
ILC SPbPU Local Network All
Read Print
Internet Authorized users SPbPU
Read Print
Internet Anonymous
  • СПИСОК СОКРАЩЕНИЙ
  • ВВЕДЕНИЕ
  • ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ
    • 1.1. Современная протонная терапия
    • 1.2. Инструменты автоматизации процесса планирования
      • 1.2.1. Многопараметрическая оптимизация
      • 1.2.2. Автоматическая интерактивная оптимизация
      • 1.2.3. Планирование на основе знаний
  • ГЛАВА 2. МАТЕРИАЛ И МЕТОДЫ
    • 2.1. Нелинейный универсальный алгоритм оптимизации протонной терапии
    • 2.1. Алгоритм оценки DVH Rapid Proton Planning
      • 2.1.1. Фаза извлечения данных
      • 2.1.2. Обучение модели
      • 2.1.3. Статистические выбросы
      • 2.1.4. Генерация оценочного интервала и целевых значений
    • 2.2. Критерии для отбора планов в обучаемый набор
    • 2.3. Когорта пациентов и конфигурация интенсивно-модулированной протонной терапии
      • 2.3.1. Планирование РПЖ
      • 2.3.2. Когорта пациентов с РПЖ для обучения модели
      • 2.3.3. Планирование лРМЖ с региональными узлами
      • 2.3.2. Когорта пациентов с лРМЖ для обучения модели
    • 2.4. Валидация моделей
  • ГЛАВА 3. РЕЗУЛЬТЫ И ОБСУЖДЕНИЕ
    • 3.1. Результаты обучения моделей
      • 3.1.1. Результаты обучения модели для РПЖ
      • 3.1.2. Результаты обучения модели для лРМЖ
    • 3.2. Результаты валидации моделей
      • 3.2.1. Результаты валидации модели для РПЖ
      • 3.2.1. Результаты валидации модели для лРМЖ
    • 3.3. Обсуждение
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ЛИТЕРАТУРЫ
  • ПРИЛОЖЕНИЕ А. Заданные цели оптимизации для расчета алгоритмом RPP для планов с лРМЖ
  • ПРИЛОЖЕНИЕ Б. Дозиметрическое сравнение планов RPP и экспертов для РПЖ
  • ПРИЛОЖЕНИЕ В. Результаты регрессионного анализа для модели РПЖ
  • ПРИЛОЖЕНИЕ Г. Результаты регрессионного анализа для модели лРМЖ
  • ПРИЛОЖЕНИЕ Д. Дозиметрическое сравнение планов RPP и экспертов для лРМЖ
  • ПРИЛОЖЕНИЕ Е. Диаграмма нагрузок на OAR и распределение DVH для планов лРМЖ

Access count: 4 
Last 30 days: 0

Detailed usage statistics