Deep neural networks per la segmentazione automatica di CT di tumori testa-collo: studio preliminare per la personalizzazione del Piano di Trattamento per la BNCT

Treatment Planning Systems (TPS) in Boron Neutron Capture Therapy (BNCT) are evolving more and more toward a precise and individualized treatment, and a more efficient calculation of in-patient dosimetry. However, organs and tumors manual segmentation is a very slow process and it introduces human-induced variability in the model reconstruction. In this thesis a preliminary study is carried out, aimed at using Deep Learning methods for Head and Neck (H&N) tumors automatic segmentation on CT images. This imaging modality and type of tumor where chosen because CT scans are the gold standard for treatment planning (TP) in radiotherapy and H&N tumor is the target most treated with BNCT nowadays. An automatic segmentation method would be helpful for radi- ologists in reducing their workload and the time they need to devote to manually segment images. On the other hand, especially in BNCT, it could also be helpful to researchers. In fact, it would allow comparing different treatment plans per- formed on different images of the same patient and made by different research groups. The compared dosimetry would be independent from the segmentation on which the specific TP is based, thus allowing to improve or test new BNCT TPS or new imaging systems quality. Moreover, fine tuning TPS parameters to achieve better performances needs a great amount of data for testing, hence the presence of a large database of images easily and quickly segmentable with an automatic tool would make the task much easier. The first step was the creation of a standardized database composed only of those CT images useful for the study. Then the images were cropped so only the H&N area would remain. This reduces the computational weight and retains only the useful image information. Subsequently, the database was used to trained the neural network (NN). The neural network used was the nnU-Net, a deep learning-based segmentation method that automatically configures itself to the specific database. This DL method is the state-of-the-art in medical automatic segmentation. After the nnU-Net training on our database, its performance was tested and it provided excellent results. Therefore, a method for automatically segmenting ROIs in H&N cancer CT images was achieved, and it will be used as reference standard for the following studies. Moreover, a preliminary test was made on the dosimetry calculated in one patient using the true volume and the segmented one. Preliminary results are encouraging and future work will be de- voted to deepen this aspect, using the DL tool developed in this thesis as an input.

I Treatment Planning Systems (TPS) in Boron Neutron Capture Therapy (BNCT) si stanno evolvendo sempre pi`u verso un trattamento preciso e individualizzato, e un calcolo pi`u efficiente della dosimetria nel paziente. Tuttavia, la segmen- tazione manuale di organi e tumori `e un processo molto lento e introduce una variabilit`a indotta dall’uomo nella ricostruzione del modello. In questa Tesi `e realizzato uno studio preliminare, che mira all’uso di metodi di Deep Learning per la segmentazione automatica di tumore testa e collo (H&N) su immagini CT. La tipologia di immmagine diagnostica e di tumore sono scelti rispettivamnete perch`e la CT `e il golden standard per i piani di trattamento (TP) in radioter- apia e i tumori H&N oggigiorno sono i pi`u trattati con la BNCT. Un metodo di segmentazione automatica sarebbe utile ai radiologi per ridurre il loro carico di lavoro e il tempo che devono dedicare alla segmentazione manuale delle immagini. D’altra parte, soprattutto nella BNCT, potrebbe essere utile anche ai ricercatori. Infatti, permetterebbe di confrontare diversi piani di trattamento eseguiti su im- magini diverse dello stesso paziente e realizzati da diversi gruppi di ricerca. La dosimetria confrontata sarebbe indipendente dalla segmentazione su cui si basa lo specifico TP, consentendo cos`ı di migliorare o testare la qualit`a di nuovi TPS per la BNCT o di nuovi sistemi di imaging. Inoltre, la messa a punto dei parametri del TPS per ottenere prestazioni migliori richiede una grande quantit`a di dati per i test, quindi la presenza di un ampio database di immagini facilmente e rapida- mente segmentabili con uno strumento automatico renderebbe il compito molto pi`u semplice. Il primo passo `e stato la creazione di un database standardizzato composto solo dalle immagini CT utili per lo studio. Quindi le immagini sono state ritagliate in modo da mantenere solo l’area della testa e del collo. In questo modo si riduce il peso computazionale e si conservano solo le informazioni utili dell’immagine. Successivamente, il database `e stato utilizzato per addestrare la rete neurale (NN). La rete neurale utilizzata `e la nnU-Net, un metodo di seg- mentazione basato sul Deep Learning che si configura automaticamente in base al database specifico. La nnU-Net rappresenta lo stato dell’arte della segmen- tazione automatica in campo medico. Dopo l’addestramento della nnU-Net sul nostro database, le sue prestazioni sono state testate e hanno fornito risultati ec- cellenti. Pertanto, `e stato ottenuto un metodo per la segmentazione automatica delle ROI nelle immagini CT del tumore H&N, che sar`a utilizzato come standard di riferimento per gli studi successivi. Inoltre, `e stato effettuato un test prelim- inare sulla dosimetria calcolata in un paziente utilizzando il volume vero e quello segmentato. I risultati preliminari sono incoraggianti e il lavoro futuro sar`a ded- icato ad approfondire questo aspetto, utilizzando come base lo strumento basato sul Deep Learning sviluppato in questa tesi.