Bildgestützte nicht-invasive Bewegungsverfolgung in der Strahlentherapie mit maschinellem Lernen

Patientenbewegung während der Behandlung von Tumoren verursacht eine unvermeidliche Unsicherheit, welche die Genauigkeit der Strahlentherapie reduziert. Bildstützung durch Magnetresonanztomographie oder Ultraschall, ergänzt durch anspruchsvolle Bildverarbeitungsalgorithmen, wird in Zukunft eine entscheidende Rolle für die Bereitstellung von zuverlässigen, genauen Echtzeitinformationen der Tumorbewegung spielen.Das Ziel dieses Projektes ist eine Verbesserung des derzeitigen Stand-der-Technik für intra-operative Bewegungsschätzung durch die Entwicklung neuer methodischer Ansätze unter Verwendung von maschinellen Lernen und patientenspezifischen Trainingsdaten aus der hochgenauen Registrierung von Merkmalspunkten. Entgegen geläufiger Praxis, welche auf statistischen Bewegungsmodellen basiert, planen wir einen nichtlinearen mehrstufigen Regressor für die Schätzung von Bewegungsvektoren aus Bildmerkmalen zu lernen. Eine initiale Bildsequenz, welche mit typischen Bewegungsmustern zu Beginn der Strahlentherapie aufgenommen wird, dient zur Erzeugung von zeitlichen Korrespondenzen für Merkmals- und Oberflächenpunkte des Tumors und Risikoorganen durch klassische Bildregistrierung. Aufbauend auf neuen Erkenntnissen aus dem Bereich Computer Vision und dem maschinellen Lernen sollen sowohl repräsentative Bildmerkmalen für jede Modalität, mit Hilfe zusätzlicher Trainingsdaten, als auch ein nichtlineares Modell zur Schätzung und Vorhersage von Bewegungen gelernt werden. Durch die Verwendung von Datenaugmentationen, der Verwendung von Populationsdaten sowie adaptiven Lernschritten soll die Anzahl der benötigten Trainingsbilder stark reduziert werden.Die Integration von Vorwissen aus zuvor aufgenommenen Bildern in die trainierten Modelle wird ermöglichen, dass die Position des Tumors, die Bewegung wichtiger Gefäßstrukturen und der Oberflächen von benachbarten Organen genau bestimmt werden kann. Dadurch können die Nebenwirkungen durch die Bestrahlung von gesundem Gewebe reduziert werden. Das gelernte Modell soll weiterhin robust gegenüber zeitweisen Abschattungen der Zielstrukturen sein. Durch den geringen Rechenzeitaufwand der vorgeschlagenen Regressionsmodelle werden echtzeitfähige Laufzeiten von wenigen Millisekunden pro Bildframe erwartet.