Till innehåll på sidan
Till KTH:s startsida

Probabilistic machine learning methods for automated radiation therapy treatment planning

Tid: On 2021-12-15 kl 14.00

Plats: Sal F3 och , Lindstedtsvägen 26

Videolänk: https://kth-se.zoom.us/j/68119542297

Språk: Engelska

Ämnesområde: Tillämpad matematik och beräkningsmatematik, Matematisk statistik

Respondent: Tianfang Zhang , Matematisk statistik

Opponent: Professor Steve Jiang, UT Southwestern Medical Center

Handledare: Professor Jimmy Olsson, Matematisk statistik

Exportera till kalender

Abstract

I denna avhandling studeras olika delar av en automatiserad process för strålterapiplanering från ett matematiskt och beräkningsmässigt perspektiv. Medan traditionell inversplanering är arbetsintensiv och ofta kräver upprepade iterationer mellan planerare och läkare, har mycket forskning på senare tid fokuserat på utvecklandet av datadrivna tillvägagångssätt baserade på inlärning från historiskt levererade planer. En sådant automatiserat arbetsflöde delas ofta upp i en första del av att först predicera uppnåeliga värden av dosrelaterade storheter och i en andra del av att bestämma de instruktioner till behandlingsmaskinen som bäst rekonstruerar de predicerade värdena. Emellertid finns utmaningar kopplade till denna typ av prediktion–rekonstruktion-flöde – exempelvis är patientdata i typiska tillämpningar högdimensionell, sällsynt och har relativt lågt signal--brus-förhållande, och väsentlig information kan gå förlorad i övergången mellan prediktion och rekonstruktion.

Vi föreslår att hantera dessa utmaningar genom förbättrade probabilistiska prediktionsmodeller för dosrelaterade storheter och ökad noggrannhet hos de optimeringsfunktioner som används vid dosrekonstruktion. Med utgång i diskrepansen mellan konventionella planeringsmålfunktioner och evalueringsmått etablerar vi i den första artikeln ett ramverk för att hantera dosstatistikor som beståndsdelar i optimeringsfunktioner. Vi presenterar sedan i den andra och den fjärde artikeln sätt att predicera spatial dos respektive dosstatistikor på ett probabilistiskt rigoröst sätt, varav det senare genom den likhetsbaserade mixture-of-experts-modell som utvecklas i den tredje artikeln. Som en ickeparametrisk bayesiansk regressionsmodell, försedd med tillhörande medelfälts- och stokastisk variationsinferensalgoritm, är denna mixture-of-experts-modell väl lämpad för att hantera komplexa indata–utdata-relationer och skeva eller multimodala fördelningar. Den andra och den fjärde artikeln introducerar också dosrekonstruktionsmålfunktioner som kan dra nytta av prediktiva fördelningar av spatial dos och dosstatistikor. I den femte artikeln bygger vi vidare på den probabilistiska paradigmen och förenar flermålsoptimering med automatisk planering för att skapa ett semiautomatiskt alternativt arbetsflöde, där viss manuell interaktion är möjlig. Slutligen presenterar vi i den sjätte artikeln ett sätt att ta hänsyn till robusthet med avseende på geometriska osäkerheter i ett automatiskt planeringsflöde.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-305188