Optimization of Deep Learning Algorithm for personalized adaptive radiotherapy

Abstract

Adaptive Radiation Therapy (ART) represents a transformative approach in the field of radiation oncology, designed to enhance the precision and effectiveness of cancer treatment by dynamically adjusting radiation doses based on real-time anatomical and physiological changes in patients. Unlike conventional radiation therapy, which relies on a static treatment plan, ART allows for continuous monitoring and adaptation throughout the course of treatment, ensuring that radiation is delivered more accurately to the tumor while sparing healthy tissues. This real-time adaptability is crucial for addressing variations in tumor size, shape, and position, as well as changes in surrounding organs, which can occur due to weight loss, tumor shrinkage, or other physiological shifts during treatment. However, the full clinical adoption of ART is constrained by several key challenges: 1) the labor-intensive and time-consuming nature of manual contouring for organ-at-risk (OAR) and clinical target volumes (CTV), 2) the prolonged training times of complex DL models, which impede the timely implementation of patient-specific care, 3) the limited accuracy and generalizability of existing deep learning (DL) models due to insufficient and non-personalized training datasets. This dissertation focuses on optimizing DL algorithms to overcome these challenges and enhance the efficacy of personalized ART. We begin by introducing the principles of ART and the critical role of DL used for the ART progress. We then present the development of optimized auto-contouring models applied to head and neck anatomy in veterinary medicine and breast cancer treatment, demonstrating their potential to streamline clinical workflows while maintaining high accuracy. To accelerate the training process, we propose a Progressive Deep Learning (PDL) framework that optimizes model convergence time, facilitating the rapid deployment of ART solutions in clinical settings. Further, we introduce two innovative frameworks—Personalized Hyperspace Learning (PHL-IDOL) and InterVision—designed to enhance the precision and personalization of ART. These frameworks address the limitations of traditional fine-tuning methods by generating new, patient-specific datasets through advanced interpolation techniques and leveraging prior patient information, resulting in more accurate and robust DL models. These models are validated across multiple clinical institutional dataset, demonstrating their broad applicability and effectiveness. Through these contributions, this dissertation optimizes deep learning algorithms for personalized adaptive radiotherapy, paving the way for future innovations in personalized medicine and ensuring that each patient receives the most effective and tailored treatment possible.

적응형 방사선 치료(Adaptive Radiation Therapy, ART)는 방사선 종양학 분야에서 환자의 실시간 해부학적 및 생리학적 변화를 기반으로 방사선량을 동적으로 조정함으로써 암 치료의 정밀성과 효과를 향상시키기 위해 고안된 혁신적인 접근 방식입니다. 기존의 방사선 치료는 정적인 치료 계획에 의존하지만, ART는 치료 과정 전반에 걸쳐 지속적으로 환자를 모니터링하고 치료 계획을 조정하여 방사선이 종양에 보다 정확히 전달되고 건강한 조직은 최대한 보호되도록 합니다. 이러한 실시간 적응성은 체중 감소, 종양 크기 감소 또는 치료 중 발생할 수 있는 기타 생리학적 변화로 인한 종양 크기, 모양, 위치 및 주변 장기 변화에 대처하는 데 필수적입니다. 그러나 ART의 임상적 도입은 몇 가지 주요 과제로 인해 제약을 받습니다. 첫째, 위험 기관(Organ-at-Risk, OAR)과 임상 표적 체적(Clinical Target Volumes, CTV)에 대한 수동 윤곽 작업이 노동 집약적이고 시간이 많이 소요됩니다. 둘째, 복잡한 딥러닝(DL) 모델의 훈련 시간이 길어 환자 맞춤형 치료의 적시 구현이 어렵습니다. 셋째, 기존 딥러닝 모델의 정확도와 일반화 가능성이 불충분하며 비개인화된 훈련 데이터셋에 의해 제한됩니다. 본 논문은 이러한 과제를 해결하고 개인 맞춤형 ART의 효과를 향상시키기 위해 딥러닝 알고리즘을 최적화하는 데 중점을 둡니다. 먼저, ART의 원칙과 ART 프로세스에서 딥러닝의 핵심 역할을 소개합니다. 그런 다음 수의학 분야의 머리 및 목 해부학과 유방암 치료에 적용된 최적화된 자동 윤곽 모델 개발을 제시하여 높은 정확도를 유지하면서 임상 워크플로를 간소화할 수 있는 잠재력을 입증합니다. 또한, 훈련 과정을 가속화하기 위해 모델 수렴 시간을 최적화하고 임상 환경에서 ART 솔루션의 신속한 배치를 가능하게 하는 Progressive Deep Learning(PDL) 프레임워크를 제안합니다. 결과적으로, 보다 정확하고 강력한 딥러닝 모델을 구현합니다. 이러한 모델들은 다기관 임상 데이터셋을 통해 검증되어 그 넓은 적용 가능성과 효과를 입증합니다. 이 논문은 개인 맞춤형 적응형 방사선 치료를 위해 딥러닝 알고리즘을 최적화함으로써 개인화 의료 및 환자 맞춤형 치료 계획을 위한 미래 혁신의 길을 열고, 각 환자가 가장 효과적이고 맞춤형 치료를 받을 수 있도록 합니다.