Deep learning for radiotherapy treatment planning
- Reference number
- SM25-0022
- Project leader
- Eklund, Anders
- Start and end dates
- 260101-271231
- Amount granted
- 1 313 000 SEK
- Administrative organization
- Linköping University
- Research area
- Life Science Technology
Summary
Approximately one out of three persons in Sweden will get cancer at some point in their life, and about half of these patients will be treated using radiotherapy. Radiotherapy treatment planning takes considerable time, as it is necessary to collect medical images, to segment (manually draw) the tumor and several organs at risk in these images, and from the segmentations generate a treatment plan which will kill the tumor while not damaging the organs at risk. While AI models can be trained to automatically perform segmentation and treatment plan generation in a few minutes, and thereby save several hours per patient in the clinical workflow, they require large datasets for training. As clinical guidelines differ between hospitals and countries, manual segmentations from different hospitals cannot be combined directly as it would confuse the segmentation network. We will therefore develop novel segmentation methods, such that data from different hospitals can easily be combined. The first expected outcome is that automatic segmentation of tumor and organs at risk can be performed using MRI instead of CT volumes, which will be beneficial for patients as MRI does not require any radiation. The second expected outcome is that segmentation networks can be trained with existing manual segmentations from clinical workflows, which will save a lot of manual labor consisting of re-doing all manual segmentations.
Popular science description
Var tredje svensk får cancer någon gång i livet, och ca hälften av dessa patienter behandlas med strålterapi. Strålterapi är en viktig och kostnadseffektiv behandlingsform där Sverige har framgångsrika företag (bland annat RaySearch och Elekta). Planering av strålterapi tar dock ganska mycket tid, eftersom man måste samla in medicinska bilder, manuellt rita ut (segmentera) tumör och riskorgan, samt ta fram en optimal behandlingsplan som strålar bort tumören men inte skadar viktiga riskorgan. Pandemin har gjort effektiv sjukvård ännu mer viktigt, eftersom en vårdskuld behöver betas av utan att anställa ny personal. Eftersom livslängden ständigt ökar kommer även fler och fler patienter att behöva vård för cancer. AI-modeller kan tränas att automatiskt rita ut tumör och riskorgan på några få minuter, och även automatiskt ta fram en behandlingsplan från dessa segmenteringar. AI-modeller kan därmed spara mycket tid i sjukvården, flera timmar per patient, men ett generellt problem är att dessa AI-modeller kräver stora tränings-dataset för att prestera bra för så många patienter som möjligt. Kvalitén på strålterapi-behandling skiljer sig en del runtom i Sverige, och är speciellt lägre i utvecklingsländer som inte har så stor andel erfarna läkare. AI-modeller kan göra behandlingen med jämlik, eftersom en AI-modell ska leverera bra resultat för alla patienter. Kliniska riktlinjer för strålterapi skiljer sig dock mellan sjukhus och länder, och det är därför inte möjligt att direkt kombinera olika dataset för att träna AI-modeller. Vi kommer därför att utveckla nya metoder så att olika dataset enklare kan kombineras. Projektet kommer att leda till att automatisk utritning av tumör och riskorgan kan utföras med MR-bilder istället för CT-bilder, vilket är bra för patienterna eftersom MR inte kräver någon strålning. Projektet kommer även att leda till att det blir lättare att direkt kombinera dataset från olika sjukhus, istället för att lägga mycket tid på att göra om mycket av det manuella arbetet (rita ut tumörer och riskorgan) för alla patienter. Detta kommer i sin tur leda till att AI-modellerna presterar bra för ett större antal patienter.