MARC

 008250123s2024        us                              c    eng  d
■001000017160272
■00520250211150947
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382734446
■035    ▼a(MiAaPQ)AAI30992652
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aStephens,  Hunter.
■24510▼aAutomated  Intensity  Modulated  Radiation  Therapy  (IMRT)  Using  Fast  Dose  and  Fluence  Calculations  and  Reinforcement  Learning
■260    ▼a[Sl]▼bDuke  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a152  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Wu,  Q.  Jackie;Wu,  Qiuwen;Oldham,  Mark.
■5021  ▼aThesis  (Ph.D.)--Duke  University,  2024.
■520    ▼aIonizing  radiation  is  a  powerful  tool  in  the  fight  against  cancer.  Its  potentially  lethal  effect  on  cells  can  halt  or  even  irradicate  tumor  growth  by  destroying  malignant  tumor  cells.  This  is  a  positive  effect  on  unwanted  tumors,  but  a  negative  one  for  surrounding  healthy  tissue.  The  goal  of  radiation  therapy  is  to  irradiate  a  tumor  with  a  dosage  as  close  to  the  desired  amount  as  possible  while  sparing  the  healthy  surrounding  tissue.  Intensity  Modulated  Radiation  Therapy  (IMRT)  gives  the  ability  to  shape  a  dose  distribution  through  modulating  the  intensity  of  the  radiation  field  at  different  points.  This  creates  a  2D  intensity  pattern  that  is  linked  to  a  3D  dose  distribution  through  the  transport  of  radiation  through  the  patient.  Determining  this  intensity  pattern  is  a  highly  coupled  numerical  optimization  problem  that  relies  on  a  set  of  objective  inputs.  These  inputs  are  determined  by  a  human  planner  and  iteratively  updated  to  reach  an  optimal  plan  to  be  delivered  to  the  patient.  These  constraints  depend  on  the  treatment  site  and  may  vary  based  on  the  patient  anatomy.  Determining  these  constraints  is  a  time-consuming  problem  for  cases  involving  the  Pancreas  or  in  the  Head  and  Neck  region.  For  the  Pancreas,  several  gastrointestinal  (GI)  structures,  namely  the  Stomach,  Bowel,  and  C-Loop,  are  usually  nestled  closely  to  the  tumor.  This  introduces  a  tradeoff  between  providing  a  necessary  dose  to  the  target  or  completely  preserving  those  important  organs.  The  Head  and  Neck  region  also  poses  problems  in  sparing  organs  proximal  to  the  tumor  such  as  the  parotid  glands  and  oral  cavity.  Head  and  neck  tumors  can  also  be  very  large  and  asymmetric  with  large  overlaps  with  surrounding  organs  at  risk.The  goal  of  this  thesis  was  to  develop  and  to  investigate  a  framework  for  automated  treatment  planning.  This  involves  being  able  to  calculate  the  dose  and  optimal  fluence  and  developing  a  machine  learning  model  to  create  relevant  optimization  structures  and  set  constraints.  The  steps  for  the  thesis  are  as  follows.  (i)  First,  a  dose  calculation  algorithm  was  developed  that  is  computationally  cheap.  Machine  learning  algorithms  will  rely  on  numerous  calculations  of  the  dose  and  thus  it  must  be  fast  and  lightweight.  There  are  many  commercial  algorithms  available,  but  for  these  purposes  it  is  best  to  develop  a  custom  engine  specifically  for  the  task  at  hand  to  minimize  cost.  This  was  accomplished  by  using  an  analytical  definition  of  a  finite-sized  pencil  beam  model  parameterized  for  both  depth  and  off-axis  distance  and  fitted  to  the  beams  used  in  delivering  treatment.  The  addition  of  variable  kernel  width  was  added  in  to  reduce  computational  cost  in  both  the  speed  and  storage  of  the  calculation.  (ii)  Second,  an  optimization  engine  was  developed  to  quickly  find  an  optimal  fluence  map  given  a  constraint  set.  The  optimization  problem  relies  on  knowing  the  absorbed  dose  from  a  finite  sized  beamlet  to  a  specific  point  for  all  points  and  beamlets.  This  is  quite  expensive,  and  work  must  be  done  to  reduce  this  cost.  Analysis  was  performed  to  ascertain  the  effect  the  cost  reduction  techniques  introduced  into  the  dose  calculation  would  have  on  the  optimization  problem.  The  optimization  algorithm  was  then  evaluated  to  determine  the  optimal  kernel  truncation  length.  (iii)  The  problem  of  handling  overlapping  structures  with  contrasting  constraints  has  been  formulated  in  a  way  that  an  auto-planning  system  can  handle.  Pancreas  SBRT  plans  with  a  simultaneous  integrated  boost  (SIB)  are  good  example  of  this  situation.  Previous  auto-planning  frameworks  were  modified  to  specifically  deal  with  the  dose  gradient  around  these  proximal  regions.  A  reinforcement  learning  agent  was  then  trained  to  plan  for  these  scenarios.  (iv)  Finally,  the  coupling  of  plan  states  and  potential  actions  has  been  elucidated  for  determining  the  control  points  for  structure's  volume  effect  constraints.  Principal  Component  Analysis  (PCA)  along  with  geometric  properties  such  as  inflection  points  and  points  of  maximum  curvature  were  used  to  correlate  the  states  of  a  dose-volume  histogram  to  control  actions.  This  was  studied  and  implemented  into  the  beginnings  of  an  automated  treatment  planning  system  and  demonstrated  with  Head  and  Neck  cases.  The  system's  state  and  action  transition  probabilities  were  also  investigated  to  ascertain  the  stability  of  the  learning  process  and  to  ensure  the  state  definition  was  complete  and  satisfied  the  properties  of  a  Markov  decision  process.  The  automated  system  was  tested  to  ascertain  the  ability  of  the  computer  agent  to  learn  how  to  plan  with  multiple  goals  and  was  shown  to  be  capable  of  learning  techniques  providing  a  foundation  for  computer  automated  and  aided  planning.
■590    ▼aSchool  code:  0066.
■650  4▼aPhysics
■650  4▼aNuclear  physics
■650  4▼aOncology
■650  4▼aBiophysics
■653    ▼aAutomated  treatment  planning
■653    ▼aRadiation  physics
■653    ▼aReinforcement  learning
■653    ▼aModulated  Radiation  Therapy
■653    ▼aGastrointestinal
■690    ▼a0605
■690    ▼a0786
■690    ▼a0992
■690    ▼a0756
■71020▼aDuke  University▼bMedical  Physics.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0066
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160272▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서