Op leren-gebaseerde computationele strategieën voor plan-adaptatie in beeld-geleide radiotherapie.

Radiotherapie (RT) is één van de belangrijkste modaliteiten voor het behandelen van kankerpatiënten. Het verhogen van de dosis toegediend aan het doelvolume (de tumor) verhoogt de waarschijnlijkheid van lokale tumoronderdrukking, maar verhoogt ook het risico op stralings-geïnduceerde schade aan de omliggende weefsels. RT is gebaseerd op een behandelingsplan dat opgesteld wordt op basis van een vooraf opgenomen CT scan van de patiënt door middel van een complexe en tijdrovende planningsprocedure. Gedurende de opeenvolgende behandelingsessies kunnen zich significante anatomische veranderingen voordoen, waardoor het originele behandelingsplan niet langer optimaal is. Zulke anatomische onzekerheden worden momenteel in rekening gebracht door het eigenlijke doelvolume uit te breiden met een zekere geometrische marge, wat onvermijdelijk een verhoging van de dosis in de normale weefsels impliceert. Er is dan ook een grote klinische noodzaak aan het ontwikkelen van effectieve strategieën voor optimale aanpassing van het behandelingsplan telkens wanneer relevante anatomische veranderingen zijn opgetreden, gebaseerd op beelden die in de behandelingssessie zelf worden opgenomen. Een grote uitdaging daarbij is dat dergelijke aanpassing dient te gebeuren on-line, met de patiënt op de behandelingstafel, wat sterke tijdsbeperkingen oplegd aan het adaptatie-protocol. In dit project zullen nieuwe strategieën voor adaptieve RT ontwikkeld worden door gebruik te maken van deep learning om de rijke informatie die beschikbaar is van gelijkaardige, voorafgaande gevallen te benutten, teneinde de vereiste adaptatie rechtstreeks te voorspellen uit de beelden op een statistische manier, zonder noodzaak voor een volledige conventionele herplanning.