| Lizenz: Creative Commons Namensnennung-KeineBearbeitung 4.0 International (7MB) |
- URN zum Zitieren dieses Dokuments:
- urn:nbn:de:bvb:355-epub-444145
- DOI zum Zitieren dieses Dokuments:
- 10.5283/epub.44414
| Dokumentenart: | Hochschulschrift der Universität Regensburg (Dissertation) |
|---|---|
| Open Access Art: | Primärpublikation |
| Datum: | 10 Februar 2021 |
| Begutachter (Erstgutachter): | Prof. Dr.-Ing Bernd Ludwig und Prof. Dr. Elmar Wolfgang Lang und PD Dr. David Elsweiler |
| Tag der Prüfung: | 11 Dezember 2020 |
| Institutionen: | Sprach- und Literatur- und Kulturwissenschaften > Institut für Information und Medien, Sprache und Kultur (I:IMSK) > Lehrstuhl für Informationswissenschaft (Prof. Dr. Udo Kruschwitz) |
| Stichwörter / Keywords: | Neural Network, Lu-177 Therapy, Nuclear medicine, dose estimation |
| Dewey-Dezimal-Klassifikation: | 000 Informatik, Informationswissenschaft, allgemeine Werke > 004 Informatik |
| Status: | Veröffentlicht |
| Begutachtet: | Ja, diese Version wurde begutachtet |
| An der Universität Regensburg entstanden: | Ja |
| Dokumenten-ID: | 44414 |
Zusammenfassung (Englisch)
In nuclear medicine, two frequent applications of 177-Lu therapy exist: DOTATOC therapy for patients with a neuroendocrine tumor and PSMA thearpy for prostate cancer. During the therapy a pharmaceutical is injected intravenously, which attaches to tumor cells due to its molecular composition. Since the pharmaceutical contains a radioactive 177Lu isotope, tumor cells are destroyed through ...
Zusammenfassung (Englisch)
In nuclear medicine, two frequent applications of 177-Lu therapy exist: DOTATOC therapy for patients with a neuroendocrine tumor and PSMA thearpy for prostate
cancer. During the therapy a pharmaceutical is injected intravenously, which attaches to tumor cells due to its molecular composition. Since the pharmaceutical contains a radioactive 177Lu isotope, tumor cells are destroyed through irradiation. Afterwards the substance is excreted via the kidneys. Since the latter are very sensitive to high energy radiation, it is necessary to compute exactly how much radioactivity can be administered to the patient without endangering healthy organs. This calculation is called dosimetry and currently is made according to the state of the art MIRD method. At the beginning of this work, an error assessment of the established method is presented, which has determined an overall error of 25% in the renal dose value. The presented study improves and personalizes the MIRD method in several respects and reduces individual error estimates considerably. In order to be able to estimate of the amount of activity, first a test dose is injected to the patient. Subsequently, after 4h, 24h, 48h and 72h SPECT images are taken. From these images the activity at each voxel can be obtained a specified time points, i. e. the physical decline and physiological metabolization of the pharmaceutical can be followed in time. To calculate the amount of decay in each
voxel from the four SPECT registrations, a time activity curve must be integrated. In this work, a statistical method was developed to estimate the time dependent activity and then integrate a voxel-by-voxel time-activity curve. This procedure
results in a decay map for all available 26 patients (13 PSMA/13 DOTATOC). After the decay map has been estimated, a full Monte Carlo simulation has been carried out on the basis of these decay maps to determine a related dose distribution. The simulation results are taken as reference (“Gold Standard”) and compared with methods for an approximate but faster estimation of the dose distribution. Recently, a convolution with Dose Voxel Kernels (DVK) has been established
as a standard dose estimation method (Soft Tissue Scaling STS). Thereby a radioactive Lutetium isotope is placed in a cube consisting of soft tissue. Then radiation interactions are simulated for a number of 10^10 decays. The resulting Dose Voxel Kernel is then convolved with the estimated decay map. The result is a dose distribution, which, however, does not take into account any tissue density differences. To take tissue inhomogeneities into account, three methods are described
in the literature, namely Center Scaling (CS), Density Scaling (DS), and Percentage Scaling (PS). However, their application did not improve the results of the STS method as is demonstrated in this study. Consequently, a neural network
was trained finally to estimate DVKs adapted to the respective individual tissue density distribution. During the convolution process, it uses for each voxel an adapted DVK that was deduced from the corresponding tissue density kernel.
This method outperformed the MIRD method, which resulted in an uncertainty of the renal dose between -42.37-10.22% an achieve a reduction in the uncertainty to a range between -26.00%-7.93%. These dose deviations were calculated for
26 patients and relate to the mean renal dose compared with the respective result of the Monte Carlo simulation. In order to improve the estimates of dose distribution even further, a 3D 2D neural network was trained in the second part of the work. This network predicts the dose distribution of an entire patient. In combination with an Empirical Mode Decomposition, this method achieved deviations of only -12.21%-2.13% . The mean deviation of the dose estimates is in the range of the statistical error of the Monte Carlo simulation. In the third part of the work, a neural network was used to automatically segment the kidney, spleen and tumors. Compared to an established segmentation algorithm, the method developed in this work can segment tumors because it uses not only the CT image as input, but also the SPECT image.
Übersetzung der Zusammenfassung (Deutsch)
In der Nuklearmedizin gibt es zwei Anwendungen einer 177-Lu-Therapie, zum einen die DOTATOC-Therapie für Patienten mit einem neuroendokrinen Tumor und zum anderen die PSMA-Thearpie für Prostatakrebs. Bei dieser Therapieform wird intravenös ein Stoff gespritzt, welcher sich aufgrund der molekularen Zusammensetzung an Tumorzellen anlagert. Da an die Moleküle ein radioaktives Lu-Isotope gekoppelt ...
Übersetzung der Zusammenfassung (Deutsch)
In der Nuklearmedizin gibt es zwei Anwendungen einer 177-Lu-Therapie, zum einen die DOTATOC-Therapie für Patienten mit einem neuroendokrinen Tumor und zum anderen die PSMA-Thearpie für Prostatakrebs. Bei dieser Therapieform wird intravenös ein Stoff gespritzt, welcher sich aufgrund der molekularen Zusammensetzung an Tumorzellen anlagert. Da an die Moleküle ein radioaktives Lu-Isotope gekoppelt ist, werden so Tumorzellen durch die Bestrahlung getötet. Mit der Zeit wird der Stoff über die Nieren ausgeschieden. Da es sich bei den Nieren um ein strahlen-sensitives Organ handelt, muss vor der Injektion genau berechnet werden, wie viel Aktivität dem Patienten gespritzt werden kann, ohne die gesunden Organe zu gefährden. Diese Berechnung nennt man Dosimetrie und wird laut Stand der Technik mittels MIRD Verfahren durchgeführt. Zu Beginn dieser Arbeit wird eine Fehlerabschätzung der etablierten Methode vorgestellt, welche
einen Gesamtfehler von 25% beim Nierendosiswert ermittelt hat. Um eine Abschätzung der Aktivitätsmenge treffen zu können, wird dem Patienten zunächst eine Testdosis gespritzt. Anschließend werden nach 4h, 24h, 48h und 72h SPECT-Bilder aufgenommen. Aus den Bildern kann die Aktivität pro Voxel zu einen gewissen Zeitpunkt abgelesen werden. Um nun aus den vier Momentaufnahmen zu berechnen, wie viel Zerfälle pro Voxel stattgefunden haben, muss über eine Zeit-Aktivitätskurve integriert werden. In dieser Arbeit wurde
ein statistisches Verfahren entwickelt, um eine voxelweise Zeit-Aktivitätskurve abzuschätzen und anschließend zu integrieren. Resultat dieses Verfahrens ist eine Zerfallskarte für jeden der 26 vorhandenen Patienten (13 PSMA/13 DOTATOC). Nachdem die Zerfallskarte berechnet wurde, kann anhand dieser eine volle Monte Carlo Simulation erfolgen, welche eine Dosisverteilung ermittelt. Diese wird als Gold Standard angenommen und mit den Verfahren zur schnelleren Abschätzung der Verteilung verglichen. Als Standard Methode (Soft Tissue Scaling STS) wurde eine Faltung mit einem Dose Voxel Kernel (DVK) publik. Dabei wird in einem Würfel bestehend aus Weichteilgewebe ein Lutetium-Isotope platziert, anschließend werden 10^10 Zerfälle simuliert. Der resultierende Dose Voxel Kernel wird dann mit der Zerfallskarte gefaltet. Resultat ist eine Dosisverteilung,
welche jedoch keine Dichteunterschiede berücksichtigt. Um Letztere zu berücksichtigen, existieren in der Literatur drei Methoden, nämlich Center Scaling (CS), Density Scaling (DS) und Percentage Scaling (PS). Diese erzielten jedoch in dem
in der Arbeit durchgeführten Vergleich keine Verbesserung zur STS Methode. Um auf die jeweilige Dichteverteilung angepasste DVKs abzuschätzen, wurde ein neuronales Netz trainiert. Dieses verwendet während des Faltungsprozess
für jeden Voxel einen anderen DVK, der für diesen Dichtekernel vorhergesagt wurde. Durch diese Methode konnte statt -42.37% -10.22% Abweichung in der Nierendosis eine reduzierte Range von -26.00%-7.93% erzielt werden. Die
Abweichungen sind ein Mittelwert über 26 Patienten und betreffen die mittlere Nierendosis im Vergleich mit der Monte Carlo Simulation. Um die Schätzungen der Dosisverteilung noch zu verbessern, wurde im zweiten Teil der Arbeit ein 3D-
2D-Neural-Network trainiert. Dieses Netz sagt die Ganzkörper-Dosisverteilung eines gesamten Patienten vorher. In Kombination mit einer Empirical Mode Decomposition
erzielte diese Methode Abweichungen von nur -12.21% - 2.13%. Diese mittlere Abweichung der Dosisschätzungen liegt im Bereich des statistischen Fehlers der Monte Carlo Simulation. Im dritten Teil der Arbeit wurde ein Neuronales Netz verwendet um automatisiert die Niere, Milz und Tumore zu segmentieren. Im Vergleich zu einem etablierten Segmentierungsalgorithmus kann die in dieser Arbeit entwickelte Methode Tumore segmentieren, da sie nicht nur das CT Bild als Eingabe verwendet, sondern auch das SPECT Bild.
Metadaten zuletzt geändert: 10 Feb 2021 11:19
Nur für Besitzer und Autoren: Kontrollseite des Eintrags
Downloadstatistik