Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio2.unb.br/jspui/handle/10482/44064
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2021_JoséEduardoVazNascimento.pdf3,59 MBAdobe PDFVisualizar/Abrir
Título: Knowledge-based planning para automação de planejamentos de radioterapia hipofracionada de próstata
Autor(es): Nascimento, José Eduardo Vaz
Orientador(es): Ladeira, Marcelo
Assunto: Radioterapia
Arco volumétrico
Aprendizado de máquina
Data de publicação: 1-Jul-2022
Referência: NASCIMENTO, José Eduardo Vaz. Knowledge-based planning para automação de planejamentos de radioterapia hipofracionada de próstata. 2021. xii, 62 f., il. Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Brasília, 2021.
Resumo: Radioterapia envolve o uso de radiação ionizante para tratamento de tumores. Uma etapa importante, prévia à entrega de dose de radiação, é o planejamento do tratamento, o qual varia em complexidade conforme a técnica utilizada e a região a ser irradiada. Uma abordagem que tem se consolidado na radioterapia de próstata em regime hipofracionado é a utilização de arcos volumétricos modulados, pois possibilita alta conformidade da dose de prescrição nos volumes alvos e um tempo de tratamento encurtado, quando comparado com outras técnicas que utilizam modulação do feixe. No entanto, a etapa de planejamento, em geral, é a que mais demanda tempo de profissionais não médicos e a sua qualidade depende da habilidade do planejador, de modo que pode haver variação da qualidade do tratamento entregue em função do grau de experiência do planejador. Neste trabalho criou-se uma aplicação acoplada ao sistema de planejamento que, tendo-se um conjunto de imagens de tomografia computadorizada com os contornos dos volumes alvos e os volumes de órgãos sadios, automatiza a etapa de planejamento de próstata com o uso de aprendizado de máquina. Baseados em Knowledge-Based Planning, os algoritmos, quando aplicados ao histogramas de dose-volume dos casos utilizados para treinamento, predizeram novos histogramas com correlação de Pearson de 0.999, tendo-se as áreas dos histogramas como parâmetro. O aplicativo foi testado em 10 novos casos e comparado com o planejamento de 4 físicos especialistas, sendo que em 9 dos 10 casos apresentou qualidade semelhante aos planejamentos dos especialistas e atingiu os objetivos definidos. Assim, este aplicativo torna o fluxo de um Departamento de Radioterapia mais eficiente, o que aumenta a capacidade de planejamento sem a necessidade de novos investimentos; e, ao padronizar e automatizar esta etapa, auxilia na manutenção de um padrão institucional de planejamentos.
Abstract: Radiotherapy involves the use of ionizing radiation to treat malignant tumors. An important step prior to the delivery of radiation dose, is the treatment planning, which varies in complexity according to the technique used and the region to be irradiated. One approach that has been consolidated in prostate radiotherapy in a hypofractionated regimen is the use of modulated volumetric arcs, as it enables high conformity of the prescription dose in target volumes and a shortened treatment time, when compared to other techniques that use beam intensity modulation. However, the planning stage, in general, is time consuming and the one that demands more time from non-medical professionals. Also, its quality is planner-dependent, so that there may be variation in the quality of the treatment delivered depending on the planner’s level of experience. In this work, an application integrated to the treatment planning system was created that, having a volume of computed tomography images with the contours of the target volumes and the volumes of adjacent healthy organs, automates the prostate planning stage with the use of machine learning. Made from Knowledge-Based Planning, the algorithm, when applied to the dose-volume histograms of the cases used for training, predicted new histograms with a Pearson correlation of 0.999, using the areas of the histograms as parameters. The application was tested in 10 new cases and compared with the plans of 4 specialist physicists, where in 9 of the 10 cases it had similar quality to the specialists’ plans and achieved the given plan objectives. Thus, this application makes the workflow of a Radiation Oncology Department more efficient, which increases the planning capacity without the need for new investments; and, by standardizing and automating this step, it helps to maintain an institutional planning pattern.
Unidade Acadêmica: Instituto de Ciências Exatas (IE)
Departamento de Ciência da Computação (IE CIC)
Informações adicionais: Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Brasília, 2021.
Programa de pós-graduação: Programa de Pós-Graduação em Computação Aplicada, Mestrado Profissional
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.