Microbeams - quick and dirty

Abstract

Microbeam radiation therapy (MRT) is a promising yet preclinical radiotherapy treatment for several tumour diagnosis such as gliosarcoma and radioresistant melanoma for which even modern clinical treatments such as intensity-modulated radiation therapy (IMRT) and volumetric modulated arc therapy (VMAT) yield poor outcome perspectives. The dose prediction during MRT treatment planning, as for most other novel radiotherapies, is mostly performed with very time-consuming Monte Carlo (MC) simulations. This slows down preclinical research processes and renders treatment plan optimization infeasible. In this thesis, several milestones for the introduction of a fast machine learning (ML) dose calculation method for MRT are presented. First, a 3D U-Net-based ML dose engine is developed using MC training data obtained with Geant4 simulations of a synchrotron broadbeam incident on different bone slab models and a simplified human head phantom as a proof of concept. The developed model is shown to produce dose predictions within less than 100ms which is substantially faster than the used MC simulations with up to 20hours and also the currently fastest approximative MRT dose prediction approach, called HybridDC, with approximately 30minutes. The model is also shown to be superior to a dose prediction approach using generative adversarial networks (GANs) and also a novel transformer-based ML model called Dose Transformer (DoTA), with which it is compared for application in proton minibeam radiation therapy (pMBRT) in a subsequent study. Secondly, the developed ML model and the MC simulations for data generation are extended to account for the spatially fractionated nature of MRT. For this, a novel MC scoring method is developed which is able produce separate dose estimations for the high-dose peak regions where the microbeams traverse the phantoms and the low-dose valley regions in-between those beams. Finally, the developed ML model and the MC scoring method are deployed in a first application of an ML dose prediction method in a preclinical MRT study in collaboration with the University of Wollongong, Australia, conducted at the Imaging and Medical Beamline (IMBL) at the Australian Synchrotron which aimed at treating rats after implanting gliosarcoma cells. It is shown that the ML model can be trained to provide unbiased dose estimations in complex target phantoms even when trained on high-noise MC data, in important finding for the acceleration of future developments of ML models as such datasets can be produced significantly faster. The ML predictions in the rat phantoms deviate at most 10% from the MC simulations, rendering the proposed model a suitable candidate for fast dose predictions during treatment plan optimization in the future.

C (MRT) ist eine vielversprechende vorklinische Strahlentherapie für einige Tumordiagnosen, wie beispielsweise Gliosarcome und radioresistente Melanome, für die auch moderne Therapiemethoden wie intensity-modulated radiation therapy (IMRT) und volumetric modulated arc therapy (VMAT) schlechte Therapieaussichten haben. Die Dosisvorhersage während der Behandlungsplanung für MRT, ebenso wie für viele andere neue Strahlentherapien, wird meistens mit sehr zeitaufwändigen Monte Carlo (MC) Simulationen durchgeführt. Dies zieht die Forschungsschritte in vorklinischen Studien in die Länge und verhindert vor allem die Optimierung von Behandlungsplänen. In dieser Arbeit werden mehrere Meilensteine für die Einführung einer schnellen MRT-Dosisberechnungsmethode auf der Basis von ML präsentiert. Zuerst wird ein machine learning (ML)-Dosisberechnungsmodell auf der Grundlage eines 3D U-Nets entwickelt. Dazu werden zunächst MC Trainingsdaten mithilfe von Geant4 Simulationen erzeugt, die die Dosisverteilung in verschiedenen Knochenscheibenphantomen und einem vereinfachten Kopfphantom nach Bestrahlung mit einem sogenannten Synchrotron broadbeam vorhersagen. Das entwickelte Modell erzeugt Dosisvorhersagen innerhalb von weniger als 100ms, was signifikant schneller als die Laufzeit der verwendeten MC Simulationen (bis zu 20Stunden) und ebenfalls die zur Zeit schnellsten MRT Dosisberechnungsmethode mithilfe von Approximationen, der sogenannten HybridDC Methode (ca. 30Minuten). Darüber hinaus wird gezeigt, dass das vorgestellte Modell sowohl bessere Vorhersageergebnisse als ein alternativer ML-Ansatz auf Basis von generative adversarial networks (GANs), als auch ein neues Transformer-basiertes ML-Modell namens Dose Transformer (DoTA) erreicht. Der Vergleich mit dem DoTA-Modell erfolgt in einer Studie zur Dosisvorhersage einer anderen neuen Strahlentherapiemethode, der proton minibeam radiation therapy (pMBRT). Anschließend wird das entwickelte ML-Modell und die MC Simulationen weiterentwickelt, um der räumlich fraktionierten Natur von MRT gerechnet zu werden. Dazu wird eine neue MC Scoringmethode entwickelt, welche separate Dosisverteilungen für den Peakbereich, in dem die Microbeams die Phantome durchqueren und eine hohe Dosis deponieren, und für den Valleybereich mit deutlich geringeren Dosisdepositionen dazwischen erstellt. Abschließend werden das entwickelte ML-Modell und die neue MC Scoringmethode in einer ersten Anwendung von ML-Dosisvorhersagemethoden in einer vorklinischen MRT-Studie einer Forschungsgruppe der University of Wollongong angewendet, in der mit Gliosarcomen implantierte Ratten an der Imaging and Medical Beamline (IMBL) am Australian Synchrotron bestrahlt wurden. Es wird gezeigt, dass das ML-Modell nach dem Training Dosisvorhersagen ohne Bias erzeugen kann, obwohl es mithilfe von MC Simulationen mit einer hohen statistischen Unsicherheit trainiert wird. Dies ist eine wichtige Erkenntnis für die beschleunigte Entwicklung zukünftiger ML-Modelle, da solche Daten deutlich schneller erzeugt werden können. Die produzierten Dosisvorhersagen weichen zumeist höchstens 10% von den MC Simulationen ab, daher wird das entwickelte Modell als geeigneter Kandidat für zukünftige schnelle Dosisvorhersagen für die Planungsoptimierung von MRT-Bestrahlungen eingeordnet