Dosimetric Driven Evaluation of AI-based GTV Segmentation in BNCT Treatment Planning for Head and Neck Cancer

Boron Neutron Capture Therapy (BNCT) is a binary, cell-level-selective radiotherapy modality, increasingly investigated for recurrent and local advanced head and neck (H&N) squamous cell carcinoma, for which conventional re-irradiation is often precluded by cumulative normal-tissue toxicity. Dose calculation in BNCT depends on many factors, one being the individuation of the target volume treatment. Errors in the delineation of the Gross Tumor Volume (GTV) propagate directly into errors in the estimated absorbed dose, motivating interest in automatic, deep-learning-based segmentation as an aid to manual, observer-dependent contouring. Building on a precedent study on glioblastoma, this thesis extends the comparison between manual and automatic GTV contouring to the anatomically more complex H\&N district: a patient cohort, selected to span the full range of achievable segmentation agreement, is processed through a Monte Carlo BNCT treatment-planning pipeline, comparing manual and automatic contours under identical conditions. The analysis shows that automatic and manual contouring are dosimetrically comparable at the cohort level, but that this conceals substantial patient-specific discordance, driven largely by repositioning rather than by the segmentation mask alone. Segmentation accuracy correlates with dosimetric agreement and the resulting radiobiological figures of merit require careful, non-literal clinical interpretation. These results indicate that automated contouring is a viable component of a H\&N BNCT planning pipeline, but that its reliability is inseparable from the broader workflow in which it is embedded.

La Boron Neutron Capture Therapy (BNCT) è una modalità di radioterapia binaria, selettiva a livello cellulare, sempre più studiata per il carcinoma squamocellulare del distretto testa-collo recidivo e localmente avanzato, per il quale la re-irradiazione convenzionale è spesso preclusa dalla tossicità cumulativa sui tessuti sani. Il calcolo della dose in BNCT dipende da numerosi fattori, tra cui l'individuazione del volume bersaglio del trattamento. Errori nella delineazione del Gross Tumor Volume (GTV) si propagano direttamente in errori nella dose assorbita stimata, motivando l'interesse verso la segmentazione automatica basata su deep learning come ausilio alla contornazione manuale, dipendente dall'operatore. Basandosi su uno studio precedente condotto sul glioblastoma, questa tesi estende il confronto tra contornazione manuale e automatica del GTV al distretto testa-collo, anatomicamente più complesso: una coorte di pazienti, selezionata per coprire l'intero intervallo di accordo di segmentazione raggiungibile, viene processata attraverso una pipeline di treatment planning BNCT basata su Monte Carlo, confrontando contorni manuali e automatici in condizioni identiche. L'analisi mostra che la contornazione automatica e quella manuale sono dosimetricamente comparabili a livello di coorte, ma che questo risultato nasconde una discordanza sostanziale a livello di singolo paziente, guidata in larga misura dal riposizionamento piuttosto che dalla sola maschera di segmentazione. L'accuratezza della segmentazione correla con l'accordo dosimetrico, e le figure di merito radiobiologiche risultanti richiedono un'interpretazione clinica attenta, non letterale. Questi risultati indicano che la contornazione automatica è una componente praticabile di una pipeline di treatment planning BNCT per il distretto testa-collo, ma che la sua affidabilità è inseparabile dal più ampio flusso di lavoro in cui è inserita.