MARC

 008260126s2025        us                              c    eng  d
■001000017358390
■00520260202104654
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280770447
■035    ▼a(MiAaPQ)AAI32115687
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aTie,  Xin.
■24510▼aArtificial  Intelligence  in  Lymphoma  Imaging:  Incorporating  Longitudinal  Awareness
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a143  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Bradshaw,  Tyler  J.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aHodgkin  lymphoma  is  the  most  commonly  diagnosed  cancer  in  adolescents.  Over  the  past  decades,  significant  advances  in  combined  modality  therapy,  risk  stratification,  and  response-adapted  therapy  have  dramatically  improved  patient  outcomes.  In  pediatric  populations,  five-year  overall  survival  exceeds  90%,  with  even  higher  rates  observed  in  patients  at  the  early  stage  of  the  disease.  As  a  result,  the  therapeutic  focus  has  shifted  from  maximizing  cure  to  minimizing  late  effects  from  treatment-related  toxicities.Effective  lymphoma  management  relies  on  integrating  clinical  and  imaging  data  across  multiple  time  points  to  guide  treatment  strategies.  In  practice,  this  involves  complex  and  time-intensive  analysis,  such  as  comparing  baseline  and  interim  18F-fluorodeoxyglucose  (18F-FDG)  PET/CT  scans  to  assess  therapeutic  response.  Despite  the  availability  of  rich  longitudinal  data,  most  existing  artificial  intelligence  (AI)  algorithms  are  designed  to  analyze  single-time-point  images,  overlooking  the  temporal  evolution  of  the  disease.  To  address  this  gap,  this  dissertation  systematically  investigates  the  integration  of  longitudinal  awareness  into  AI  models  for  image-guided  lymphoma  management.  Specifically,  it  explores  how  leveraging  imaging  data  across  different  phases  of  treatment  can  improve  disease  quantification,  prognostic  modeling,  and  radiation  treatment  planning.In  the  first  study,  we  developed  a  longitudinally  aware  segmentation  network  (LAS-Net)  for  automatic  quantification  of  serial  PET/CT  images  in  high-risk  pediatric  Hodgkin  lymphoma.  The  algorithm  utilized  longitudinal  cross-attention  to  jointly  analyze  baseline  and  interim  PET  scans.  The  model  was  trained  and  evaluated  on  a  retrospective  dataset  of  200  patients  from  the  Children's  Oncology  Group  AHOD1331  clinical  trial.  Results  demonstrated  that  LAS-Net  achieved  significant  improvements  in  residual  lesion  detection  on  interim  PET  compared  to  other  methods,  without  sacrificing  segmentation  accuracy  on  baseline  PET.  In  PET  quantification,  LAS-Net's  measurements  of  several  key  baseline  and  interim  PET  metrics  (e.g.,  total  metabolic  tumor  volume  or  TMTV,  and  percentage  difference  between  baseline  and  interim  maximum  standardized  uptake  value  or  ∆SUVmax)  were  strongly  correlated  with  physician  measurements.  These  results  highlight  the  potential  of  LAS-Net  to  deliver  rapid  and  consistent  assessment  of  PET  tumor  burden  and  response.In  the  second  study,  we  evaluated  outcome  prediction  for  high-risk  pediatric  Hodgkin  lymphoma  using  imaging  features  derived  from  both  baseline  and  interim  PET  scans.  LAS-Net  was  applied  to  the  remaining  unlabeled  cases  in  the  AHOD1331  trial  to  generate  tumor  segmentations,  which  were  then  reviewed  and  corrected  by  nuclear  medicine  physicians  to  ensure  accuracy.  This  process  yielded  a  large,  multi-institutional  cohort  of  559  pediatric  patients.  We  assessed  the  prognostic  value  of  common  clinical  risk  factors,  conventional  PET  metrics,  and  radiomics  features.  Among  these,  the  model  incorporating  conventional  PET  metrics,  particularly  baseline  TMTV  and  interim  qPET  (peak  lesion  SUV  divided  by  mean  liver  SUV),  demonstrated  the  highest  prognostic  performance,  significantly  outperforming  models  based  solely  on  clinical  variables.  Furthermore,  we  evaluated  the  prognostic  utility  of  PET  metrics  extracted  from  deep  learning  (DL)-based  segmentations  and  found  that  models  using  DL-derived  features  could  achieve  performance  comparable  to  those  built  on  physician-derived  features.  This  study  represents  one  of  the  most  comprehensive  survival  analyses  conducted  in  pediatric  Hodgkin  lymphoma,  offering  valuable  insights  for  enhancing  risk  stratification.The  third  study  focused  on  automatic  delineation  of  clinical  target  volume  (CTV)  in  involved-site  radiation  therapy  (ISRT)  for  Hodgkin  lymphoma.  ISRT  targets  initially  involved  lymph  nodes  and  tissues  while  accounting  for  anatomical  changes  following  chemotherapy.  In  clinical  practice,  radiation  oncologists  rely  on  FDG  PET  imaging,  especially  baseline  PET/CT,  for  CTV  delineation.  In  this  work,  we  investigated  various  DL  architectures  and  evaluated  the  impact  of  incorporating  baseline  and  interim  PET  images  alongside  the  planning  CT.  Comparative  analysis  showed  that  models  incorporating  PET/CT  images  significantly  improved  CTV  segmentation  accuracy  compared  to  models  based  on  planning  CT  alone.  Evaluation  against  inter-observer  variability  and  independent  clinical  review  supported  that  DL-generated  contours  were  of  comparable  quality  to  those  manually  created  by  radiation  oncologists.  Importantly,  over  half  of  the  DL-generated  CTVs  were  considered  clinically  acceptable  with  minor  or  no  changes  needed, highlighting  the  model's  real-world  potential  to  facilitate  ISRT  planning  by  providing  high-quality  initial  contours  for  radiation  oncologists  to  review  and  refine.The  final  study  broadened  the  scope  of  this  dissertation  by  applying  the  longitudinally  aware  segmentation  framework  to  MR-guided  adaptive  radiation  therapy  in  head  and  neck  cancer.  Specifically,  we  focused  on  improving  the  segmentation  accuracy  of  mid-treatment  gross  tumor  volume  (GTV)  on  MR  images  by  incorporating  pre-treatment  GTV  information.  Consistent  with  earlier  findings,  the  integration  of  prior  imaging  significantly  enhanced  model  performance,  achieving  segmentation  accuracy  comparable  to  the  inter-observer  variability  among  expert  radiation  oncologists.  These  results  demonstrate  the  strong  potential  of  our  model  to  streamline  clinical  workflows  in  radiation  oncology  and,  more  importantly,  validate  the  broader  applicability  of  the  proposed  framework  beyond  lymphoma.Collectively,  the  studies  presented  in  this  dissertation  highlight  the  importance  of  integrating  longitudinal  imaging  data  into  AI  model  development.  These  findings  lay  the  foundation  for  future  research  and  provide  a  compelling  case  for  the  prospective  clinical  integration  and  evaluation  of  longitudinally  aware  AI  tools  to  advance  personalized  cancer  care.
■590    ▼aSchool  code:  0262.
■650  4▼aMedical  imaging
■650  4▼aPhysics
■653    ▼aDeep  learning
■653    ▼aLymphoma
■653    ▼aNuclear  medicine
■653    ▼aOutcome  analysis
■653    ▼aRadiation  therapy
■653    ▼aSegmentation
■690    ▼a0574
■690    ▼a0800
■690    ▼a0605
■71020▼aThe  University  of  Wisconsin  -  Madison▼bMedical  Physics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358390▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서