- Titel
- Automated evaluation of prompt gamma imaging data for treatment verification in adaptive proton therapy
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-1046421
- Erstveröffentlichung
- 2026
- Datum der Einreichung
- 17.12.2025
- Datum der Verteidigung
- 30.04.2026
- Abstract (DE)
- Die online-adaptive Protonentherapie (OAPT) ist ein vielversprechender Ansatz, um gesundes Gewebe von Patienten effektiver zu schonen, indem Behandlungsunsicherheiten der Protonentherapie minimiert werden. Hierbei könnten in-vivo-Reichweiteverifikationsmethoden als unabhängiges Qualitätskontrollinstrument zur Triggerung und Überprüfung von Behandlungsanpassungen eine zentrale Rolle spielen. Als Voraussetzung hierfür wurde in dieser Arbeit die automatische Auswertung von Prompt-Gamma-Imaging (PGI) Daten mithilfe von künstlicher Intelligenz (AI) untersucht. Zu diesem Zweck wurden AI-Modelle unterschiedlicher Komplexität auf Basis realistisch simulierter PGI-Daten entwickelt, um Behandlungsabweichungen zu detektieren und zu klassifizieren, mit dem Ziel die Modelle auf reale Patientendaten eines klinisch genutzten PGI-Detektorsystems zu überführen. Für simulierte PGI-Daten zweier Tumorentitäten wurden exzellente Ergebnisse erreicht. Bei realen klinischen PGI-Daten erreichte das beste Modell eine Testgenauigkeit von 0.75, was das Potential von PGI als Verifikationssystem in einem OAPT-Workflow verdeutlicht. In einer ersten Machbarkeitsstudie konnte zudem gezeigt werden, dass die PGI-Daten der ersten Behandlungsschichten von Prostatakrebs-Patienten bereits genügend Informationen enthalten, um den Großteil der Behandlungsabweichungen zu detektieren.
- Abstract (EN)
- Online adaptive proton therapy (OAPT) is a promising approach to spare healthy tissue of patients more effectively by minimizing treatment uncertainties in proton therapy. In such adaptive workflows, in-vivo range verification methods might play an integral part by acting as an independent quality control tool to trigger and verify treatment adaptations. As a prerequisite, this thesis investigated the automatic evaluation of prompt gamma imaging (PGI) range verification data using artificial intelligence (AI). For this purpose, AI-based approaches of varying complexity were developed to detect and classify treatment deviations based on realistically simulated PGI data and then translated to real-world patient data from a clinically used PGI detector system. Excellent performance was reached for simulated PGI data of two tumor entities. For real-world clinical PGI data, the best performing model achieved a test accuracy of 0.75 indicating that the current PGI system could already be used as a verification system in an OAPT workflow. Additionally, a proof of concept investigation suggested that PGI data of the first few treatment layers of prostate cancer patients already contained sufficient information to detect the majority of treatment deviations.
- Freie Schlagwörter (DE)
- Protonentherapie, Prompt-Gamma-Imaging, Behandlungsverifikation, Machinelles Lernen, adaptive Therapie
- Freie Schlagwörter (EN)
- proton therapy, prompt gamma imaging, treatment verification, machine learning, adaptive therapy
- Klassifikation (DDC)
- 610
- Klassifikation (RVK)
- XH 3304
- WC 2800
- GutachterIn
- Prof. Dr. Steffen Löck
- Prof. Dr. Thomas Bortfeld
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-1046421
- Veröffentlichungsdatum Qucosa
- 08.07.2026
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY-NC-ND 4.0- Inhaltsverzeichnis
1 Introduction 2 Background 2.1 Proton therapy 2.2 In-vivo range and treatment verification in proton therapy 2.3 Prompt gamma imaging (PGI) for treatment verification 2.4 Investigated classification approaches 3 Simulated PGI data of head & neck cancer patients: Feasibility of AI-based treatment verification 3.1 Study design 3.2 Patient and ground truth data 3.3 Classification approaches 3.4 Results 3.5 Discussion 4 Clinical PGI data of prostate cancer patients: First-in-human AI-based treatment verification 4.1 Study design 4.2 Patient and ground truth data 4.3 Classification approaches 4.4 Results 4.5 Discussion 5 Clinical PGI data of prostate cancer patients: AI-based treatment verification in real time? 5.1 Study design 5.2 Patient and ground truth data 5.3 Classification approaches 5.4 Results 5.5 Discussion 6 Summary 7 Zusammenfassung 8 Bibliography 9 Supplement