German Title: Integrative multimodale Bildgebungsanalyse mit physikalischen Modellen zur Charakterisierung von Hirntumoren in der Strahlentherapie

Preview

PDF, English Download (18MB) | Terms of use

Abstract

Therapy failure with subsequent tumor progress is a common problem in radiotherapy of high grade glioma. Definition of treatment volumes with CT and MRI is limited due to uncertainties concerning tumor outlines. The goal of the presented work was to enable assessment of tumor physiology and prediction of progression patterns using multi-modal image analysis and thus, improve target delineation. Physiological imaging modalities, such as 18F-FET PET, diffusion and perfusion MRI were used to predict recurrence patterns. The Medical Imaging Interaction ToolKit together with own software implementation enabled side-by-side evaluation of all image modalities. These included tools for PET analysis and a module for voxel wise fitting of dynamic data with pharmacokinetic models. Robustness and accuracy of parameter estimates were studied on synthetic perfusion data. Parameter feasibility for progression prediction was investigated on DCE MRI and 18F-FET PET data. Using the developed software tools, a pipeline for prediction of tumor progression patterns based on multi-modal image classification with a random forest machine learning algorithm was established. Exemplary prediction analysis was applied on a small patient set for illustration of workflow functionality and classification results.

Translation of abstract (German)

Fortschreitendes Tumorwachstum aufgrund von Therapieversagen ist ein häufiges Problem bei der Bestrahlung von hochgradigen Gliomen. Die Definition der Bestrahlungsvolumina mithilfe der Bildgebungsverfahren CT und MRT ist aufgrund von Unsicherheiten über die Tumorbegrenzung limitiert. Ziel der vorgestellten Arbeit war es, Messmethoden der Tumorphysiologie zu untersuchen und die Progression der Tumore durch multimodale Bildanalysen vorherzusagen, um die Zielvolumendefinition zu verbessern. Physiologische Bildgebungsmodalitäten, wie 18F-FET PET, Diffusions- und Perfusions-MRT, wurden zur Vorhersage von Rekurrenzmustern verwendet. Das Medical Imaging Interaction ToolKit wurde mit eigenen Implementierungen erweitert, um eine gleichzeitige Auswertung aller relevanten Bilder zu ermöglichen. Dabei wurde Software zur Auswertung von PET-Bildern, sowie ein Modul für voxelbasiertes Fitten von dynamischen Daten mit pharmakokinetischen Modellen entwickelt. Robustheit und Genauigkeit der pharmakokinetischen Modellierung in der Perfusions-MRT wurde an synthetischen Daten untersucht. Studien zu Nutzung von Parametern aus Perfusions-MRT und 18F-FET PET wurden zur Vorhersage von Progressionsmustern durchgeführt. Mithilfe der entwickelten Software wurde eine Pipeline zur Vorhersage von Tumorwachstumsmustern implementiert, die auf Klassifikation mittels maschinellen Lernens durch Random Forest Algorithmen basiert. Eine exemplarische Analyse wurde anhand eines kleinen Patientenkollektivs durchgeführt, um Funktionalität und Ergebnisse der Auswerteroutine zu illustrieren.