Confronto delle distribuzioni di dose nel trattamento di tumori cerebrali mediante BNCT utilizzando immagini mediche segmentate da umani o da intelligenza artificiale

This thesis evaluates the outcome of Boron Neutron Capture Therapy (BNCT) treatment using Artificial Intelligence (AI) algorithms to contour tumor volumes. Providing accurate and precise tumor segmentation is crucial for targeted and effective treatment. However, this procedure can pose challenges that may affect the success of the treatment. The use of advanced AI algorithms, such as U-Net Convolutional Neural Networks (CNNs), could address these obstacles by enabling automatic recognition of tumor regions from Magnetic Resonance Imaging (MRI) and Computed Tomography (CT) images. This approach would not only reduce the workload of radiologists but also facilitate the segmentation process, allowing for a quicker assessment of regions of interest and optimization of the treatment plan. Additionally, the application of AI could be particularly beneficial for research, providing a large number of segmented medical images in a short period, which would be valuable in studying new therapies, including BNCT. For this work I obtained the tumor segmentation through the AI algorithm trained in the AI_MIGHT project. The dissertation focused on medical images of patients suffering from Glioblastoma Multiforme (GBM), a brain tumor characterized by high aggressiveness and recurrence propensity. Due to its resistance to conventional radiotherapy, BNCT is considered a promising therapy for GBM treatment. Medical images of patients were obtained from a public database, and images of two additional clinical cases who had undergone BNCT were also analyzed. The purpose of the work was to assess the effectiveness of these automatic segmentation algorithms through a dosimetric analysis, comparing the dose absorbed in patients where the tumor was segmented manually versus using neural network assistance. For this purpose, I used IT_STARTS, an innovative Treatment Planning System for BNCT developed in Pavia. Throughout the thesis, the results of this comparison are presented, which highlighted a correlation between the ratio of absorbed doses in the two different segmentations and the Dice coefficient, to be further explored in Chapter 4. Furthermore, conclusions on the applicability of this approach in various analyzed cases are drawn. Moreover, future work to deepen the analysis and to enlarge the methods to other tumors in BNCT treatment is outlined. This work is part of the AI_MIGHT project dedicated to implementing software for medical image segmentation to optimize BNCT treatment planning.

Questa tesi valuta l’esito del trattamento con Terapia di Cattura Neutronica del Boro (BNCT) utilizzando algoritmi di Intelligenza Artificiale (IA) per delineare i volumi tumorali. Fornire una accurata e precisa segmentazione del tumore è cruciale per un trattamento mirato ed efficace. Tuttavia, questa procedura può presentare problemi e difficoltà che possono influenzare la buona riuscita del trattamento. L’utilizzo di algoritmi avanzati di IA, come le reti neurali convoluzionali U-Net (CNNs), potrebbe compensare tali ostacoli, consentendo il riconoscimento automatico delle regioni tumorali dalle immagini di risonanza magnetica (MRI) e tomografia computerizzata (CT). Questo approccio non solo ridurrebbe il carico di lavoro dei radiologi, ma potrebbe anche facilitare il processo di segmentazione, consentendo una valutazione più rapida delle regioni di interesse e un’ottimizzazione del piano di trattamento. Inoltre, l’applicazione dell’IA potrebbe essere particolarmente utile anche per la ricerca, fornendo un elevato numero di immagini mediche segmentate in breve tempo. Questo sarebbe particolarmente prezioso nello studio di nuove terapie, compresa la BNCT, fornendo ai ricercatori un elevato numero di immagini mediche segmentate in relativamente breve tempo. Per questo lavoro di tesi ho ottenuto la segmentazione del tumore attraverso l’algoritmo di intelligenza artificiale addestrato nel progetto AI_MIGHT. La tesi è incentrata sull’applicazione di questi algoritmi su immagini mediche di pazienti affetti da Glioblastoma Multiforme (GBM), un tumore cerebrale caratterizzato da elevata aggressività e tendenza alla recidiva. A causa della resistenza alla radioterapia convenzionale, la BNCT è considerata una terapia promettente per il trattamento del GBM. Le immagini mediche dei pazienti sono state ottenute da un database pubblico, al quale sono stati aggiunti due ulteriori casi provenienti da pazienti che effettivamente sono stati sottoposti a un trattamento di BNCT. Lo scopo del lavoro è la valutazione dell’efficacia di questi algoritmi di segmentazione automatica attraverso un’analisi dosimetrica, mettendo a confronto i valori di dose assorbita nei pazienti, calcolata nel caso in cui il tumore fosse segmentato manualmente o tramite l’ausilio di rete neurale. Per simulare il trattamento ho impiegato IT_STARTS, un software innovativo per i piani di trattamento BNCT sviluppato a Pavia. Nel corso della tesi, sono mostrati i risultati di tale confronto, i quali hanno evidenziato una correlazione tra il rapporto delle dosi assorbite nelle due diverse segmentazioni e il coefficiente di Dice, che verrà approfondito nel Capitolo 4. Vengono, inoltre, tratte conclusioni riguardo l’applicabilità di questo approccio nei diversi casi analizzati. Infine, si delinea il lavoro futuro necessario per approfondire questa analisi ed estendere il metodo descritto al trattamento BNCT di altri tipi di tumore. Questo lavoro fa parte del progetto AI_MIGHT Questo lavoro fa parte del progetto AI\_MIGHT dedicato all'implementazione di software per la segmentazione automatica di immagini mediche per l'ottimizzazione del trattamento BNCT.