Deep learning for automatic tumor delineation of anal cancer based on MRI, PET and CT images

Presis inntegning av tumorer ansees som det svakeste leddet og den største kilden til usikkerhet ved planlegging av strålebehandling. Formålet med denne avhandlingen er å utforske mulighetene for automatisk inntegning av kreftsvulster i medisinske bilde data av analkreft fra Oslo Universitets sykehus. Bruk av et auto-inntegnings dataprogram kan potensielt spare tid, tilføre konsistens og gi leger muligheten til å fokusere mer på andre utfordringer. Datasettet består av MRI, PET og CT bilder fra 85 pasienter med analkreft, som var planlagt for strålebehandling eller kjemoradioterapi i perioden 2013 til 2016. Tre erfarne onkologer har forsynt datasettet med definisjoner av målvolum av primær tumor, som ble ansett som den grunnleggende sannheten. Datasette ble delt inn i et trenings, et validerings og et testset, stratifisert med hensyn til volumet av målvolumene. Auto-inntegningen av primær tumor i medisinske bilder ble gjennomført ved bruk av en dyplærings tilnærming av sentimental bildesegmentering (sentiment image segmentation), ved en U-Net arkitektur. Ti eksperimenter basert på ulike bildemodaliteter, eller kombinasjoner av dem, ble gjennomført. For å øke treningsdata ble det tatt nytte av bilderedigeringsteknikker under preprosesseringen av dataene. Videre ble datarensing utført for å ekskludere defekte bilderskiver. Til slutt ble eksperimentenes Dice prestasjoner sammenlignet og effekten av regularisering og datarensing ble utforsket. Det benyttede rammeverket, sammen med kodene som er brukt for preprosesseringen er tilgjengelig på https://github.com/christinekaush/ANCARAD_autodel. Ved å bruke PET og CT bilder sammen som inngangslag til segmenteringsprogrammet med dyplæring ser mest lovende ut for et formål om auto-inntegning av kreftsvulster hos analkreft pasienter, med en Dice verdi på 0,885 på valideringssettet. Datarensing og rydding av bildeskiver uten inntegning gitt av en onkolog, synes å ha hatt den største innvirkningen på Dice prestasjonen til modellen. Eksperimentene som benyttet seg av CT og T2W bilder individuelt som inngang til dyplæringsmodellen viste i tillegg lovende Dice koeffisienter på henholdsvis 0,877 og 0,861. Auto-innegning av primær tumor i medisinske bilder fra analkreft pasienter ved bruk av dyplæring viser et lovende potensial, ved å tilby sammenlignbare resultater av overlappingen forventet mellom onkologer. Tumorene i dette datasettet er lokalisert i mer eller mindre samme region, som gjør det enklere for en modell å lære seg hvordan den skal finne potensielle kreftvev hos analkreft pasienter. Videre utforsking av auto-inntegning bør gjennomføres ved å inkludere bildeskiver som representerer regioner uten analkreft tumorer