Automatizace procesu konturování při plánování radioterapie

Abstract

Tato práce se zabývá rychle se rozvíjející umělou inteligencí (AI) a jejím potenciálem revolučních změn v oblasti radioterapie díke vysoce automatizovaným postupům. Teoretická část práce popisuje proces plánování radioterapie a zdůrazňuje důležitost konturace kritických orgánů pro zajištění efektivního a bezpečného ozařování. Praktická část práce je zaměřena na automatizaci procesu konturování. Popisuje fungování softwarů pro autosegmentace, konkrétně se zaměřuje na srovnání tří přístupů: manuální konturae, atlas-based autokonturace a Deep Learning autokonturace. Výzkum a analýzy byly prováděny na onkologické klinice Fakultní nemocnice Královské Vinohrady. Výsledky ukazují, že každý z těchto přístupů má své specifické výhody a neýhody. Manuální konturace poskytuje vysokou přesnost, ale je časově náročná. Atlas-based metoda zkracuje potřebou dobu procesu, avšak může vykazovat variabilní přesnost v závislosti na kvalitě atlasu. Deep Learning metoda využívá hluboké učení nabízí vysokou automatizaci a konzistenci, přesto může být omezen dostupností kvalitních tréninkových dat. Výsledky práce jsou prezentovány v přehledných tabulkách a grafech, které ilustrují srovnání jednotlivých metod z hlediska přesnosti. Celkově práce přináší pohled na možnosti a omezení současných technologií pro automatizaci konturace v radioterapii.

This bachelor thesis explores the rapidly developing artificial intelligence (AI) and its potential to revolutionise radiotherapy through highly automated procedures. The theoretical part of the thesis describes the radiotherapy planning process and highlights the importance of critical organ contouring to ensure effective and safe radiation treatment. The practical part of the thesis focuses on the automation of the contouring process. It describes the operation of autosegmentation software, specifically focusing on a comparison of three approaches: manual contouring, atlas-based autocontouring and Deep Learning autocontouring. The research and analyses were performed at the Oncology Clinic of the University Hospital of Královské Vinohrady. The results show that each of these approaches has its specific advantages and disadvantages. Manual contouring provides high accuracy but is time consuming. The atlas-based method reduces the time required for the process, but may show variable accuracy depending on the quality of the atlas. Deep Learning method uses deep learning offers high automation and consistency, yet may be limited by the availability of good quality training data. The results of this work are presented in clear tables and graphs that illustrate the comparison of the different methods in terms of accuracy. Overall, the work provides insight into the capabilities and limitations of current technologies for contour automation in radiotherapy.