Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients

Detalhes bibliográficos
Autor(a) principal: Alves, Natalia Bortolami Colaco
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/92596
Resumo: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
id RCAP_8805534893575db83d555268ca0f9b8e
oai_identifier_str oai:estudogeral.uc.pt:10316/92596
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patientsAvaliar e prever a necessidade de radioterapia adaptativa em doentes de cabeça e pescoçoRadioterapiaRadioterapia AdaptativaCabeça e PescoçoRadiomicsMachine LearningRadiotherapyAdaptive RadiotherapyHead and NeckRadiomicsMachine LearningTrabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e TecnologiaHoje em dia a grande maioria de doentes com cancro da cabeça e pescoço localmente avançado requerem radioterapia, sendo a radioterapia de intensidade modulada (IMRT) o padrão para tratamento. As distribuições de dose altamente conformacionais obtidas com IMRT originam gradientes de dose acentuados nas margens dos volumes alvo, que por sua vez são extremamente sensíveis a erros posicionais e mudanças anatómicas, especialmente em casos de cabeça e pescoço uma vez que existem várias estruturas críticas muito próximas dos volumes alvo.Vários fatores podem contribuir para alterações anatómicas tanto nos volumes alvo como nos órgãos de risco (OAR) durante tratamentos de radioterapia, que podem originar discrepâncias na administração de dose, nomeadamente subdosagem dos volumes alvos e/ou sobredosagem dos órgãos de risco, potencialmente originando efeitos secundários não esperados.Uma possível solução para este problema é Radioterapia Adaptativa. Recentemente muita atenção tem sido direcionada a este tópico, devido aos seus encorajadores potenciais benefícios, no entanto, questões acerca do seu impacto dosimétrico e da identificação dos doentes com maior probabilidade de beneficiar de adaptação ainda permanecem por responder. O objetivo desta dissertação é abordar estes dois problemas.Na primeira parte da dissertação, a necessidade de radioterapia adaptativa é avaliada numa amostra de trinta doentes de cabeça e pescoço do IPOCFG. Recorreu-se a uma ferramenta de planeamento automático para gerar planos que simulam os cenários com e sem adaptação. Diferenças dosimétricas estatisticamente significativas foram encontradas para os volumes alvo, que apresentaram doses quase mínimas inferiores no cenário não adaptativo, e para a espinal medula, que apresentou uma dose máxima significativamente maior no cenário não adaptativo.A segunda parte da dissertação concentra-se no desenvolvimento de modelos de machine learning para prever, antes do início do tratamento, que doentes vão necessitar de radioterapia adaptativa. Foram desenvolvidos três modelos de support vector machine: 1) considerando apenas dados clínicos pré-tratamento; 2) considerando apenas atributos radiómicos extraídos de imagens de tomografia computorizada pré-tratamento. 3) considerando uma combinação de 1 e 2. Os melhores resultados foram obtidos considerando 6 atributos (4 semânticos e 2 radiómicos) com precisão e área abaixo da curva ROC de 0.821 e 0.843 respetivamente.Currently the majority of patients with locally advanced head and neck (H&N) cancer require radiotherapy, with intensity modulated radiation therapy (IMRT) being the gold standard for treatment. The highly conformal dose distributions produced by IMRT lead to steep dose gradients in the borders of the target volumes, which are extremely sensitive to positional errors and anatomic changes, especially in H&N cases, since there are many critical structures close to the target volumes.Several factors can lead to anatomic alterations of both the target volumes and organs at risk (OAR) during radiotherapy treatments which may originate discrepancies in dose delivery, namely underdosage of the target volume and/or to overdosage of the normal structures, potentially originating unexpected side effects. A possible solution to this problem is Adaptive Radiotherapy (ART). Recently a great deal of scientific attention has been drawn to this topic due to its encouraging potential benefits, but questions remain about whether patients benefit from a dosimetric improvement by ART, and about the identification of the patients that are more likely to need it. The purpose of this dissertation is to address these two issues.In the first part of this dissertation, the need for ART is assessed in a cohort of thirty patients from IPOCFG. This was done by using an automatic planning tool to generate plans simulating the scenarios with and without adaptation. Statistically significant dosimetric differences were reported for the target volumes, which presented lower near minimum dose in the non-adaptive scenario, and for the spinal cord, that showed a significant larger maximum dose in the non-adaptive scenario.The second part of the dissertation focuses on developing machine learning models to predict which patients will require adaptive radiotherapy prior to the beginning of treatment. Three support vector machine models were developed: 1) considering only pre-treatment clinical data from the patient; 2) considering only radiomic features extracted from pre-treatment computed tomography images; 3) using a combination of features from 1 and 2. The best classification results were obtained considering 6 features (4 semantic and 2 radiomic) with median accuracy and area under the receiver operating characteristic curve of 0.821 and 0.843, respectively.2020-07-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/92596http://hdl.handle.net/10316/92596TID:202520382engAlves, Natalia Bortolami Colacoinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-05-25T05:58:47Zoai:estudogeral.uc.pt:10316/92596Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:11:39.543810Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
Avaliar e prever a necessidade de radioterapia adaptativa em doentes de cabeça e pescoço
title Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
spellingShingle Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
Alves, Natalia Bortolami Colaco
Radioterapia
Radioterapia Adaptativa
Cabeça e Pescoço
Radiomics
Machine Learning
Radiotherapy
Adaptive Radiotherapy
Head and Neck
Radiomics
Machine Learning
title_short Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
title_full Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
title_fullStr Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
title_full_unstemmed Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
title_sort Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
author Alves, Natalia Bortolami Colaco
author_facet Alves, Natalia Bortolami Colaco
author_role author
dc.contributor.author.fl_str_mv Alves, Natalia Bortolami Colaco
dc.subject.por.fl_str_mv Radioterapia
Radioterapia Adaptativa
Cabeça e Pescoço
Radiomics
Machine Learning
Radiotherapy
Adaptive Radiotherapy
Head and Neck
Radiomics
Machine Learning
topic Radioterapia
Radioterapia Adaptativa
Cabeça e Pescoço
Radiomics
Machine Learning
Radiotherapy
Adaptive Radiotherapy
Head and Neck
Radiomics
Machine Learning
description Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
publishDate 2020
dc.date.none.fl_str_mv 2020-07-23
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/92596
http://hdl.handle.net/10316/92596
TID:202520382
url http://hdl.handle.net/10316/92596
identifier_str_mv TID:202520382
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134013501210624

Registros relacionados