Ανάλυση και επεξεργασία δεδομένων ακτινοθεραπείας κεφαλής και τραχήλου με τεχνικές ευθυγράμμισης εικόνων και  μηχανικής μάθησης

Ηλιάδου, Βασιλική; Iliadou, Vasiliki

dc.contributor.author	Ηλιάδου, Βασιλική	el
dc.contributor.author	Iliadou, Vasiliki	en
dc.date.accessioned	2022-11-24T08:13:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56234
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23932
dc.rights	Default License
dc.subject	Καρκίνος κεφαλής	el
dc.subject	Καρκίνος τραχήλου	el
dc.subject	Ευθυγράμμιση Εικόνων	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Πρώιμη πρόβλεψη	el
dc.subject	CBCT	en
dc.subject	Head Cancer	en
dc.subject	Neck Cancer	en
dc.subject	Image Registration	en
dc.subject	Machine Learning	en
dc.title	Ανάλυση και επεξεργασία δεδομένων ακτινοθεραπείας κεφαλής και τραχήλου με τεχνικές ευθυγράμμισης εικόνων και μηχανικής μάθησης	el
heal.type	doctoralThesis
heal.classification	ΙΑΤΡΙΚΗ ΦΥΣΙΚΗ	el
heal.dateAvailable	2023-11-23T22:00:00Z
heal.language	el
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2022-11-22
heal.abstract	Σε αυτή τη Διδακτορική Διατριβή ο σκοπός ήταν η ανάλυση ιατρικών δεδομένων ακτινοθεραπείας, ασθενών με καρκίνο κεφαλής και τραχήλου, με χρήση τεχνικών ευθυγράμμισης ιατρικών δεδομένων και μεθόδων Μηχανικής Εκμάθησης (Machine Learning). Στόχος ήταν να εντοπιστούν πιθανές σοβαρές ανατομικές μεταβολές κατά την διάρκεια των συνεδριών ακτινοθεραπείας των ασθενών, διότι αυτές μπορεί να οδηγήσουν σε λανθασμένη απόδοση της δόσης στον καρκινικό όγκο καθώς και σε υπερ-ακτινοβόληση των γύρω υγειών ιστών, προκαλώντας ανεπιθύμητες παρενέργειες. Προς αυτή την κατεύθυνση, σε πρώτο στάδιο ευθυγραμμίστηκαν οι εβδομαδιαίες CBCT εικόνες που λαμβάνονται κατά την καθοδηγούμενη από την εικόνα ακτινοθεραπεία ασθενών (IGRT), με την αρχική αξονική σχεδιασμού του πλάνου θεραπείας (planning CT). Η ευθυγράμμιση έγινε σε δύο στάδια, με το πρώτο να αφορά την ευθυγράμμιση με μετασχηματισμούς τύπου affine και το δεύτερο την ευθυγράμμιση με ελαστικούς μετασχηματισμούς. Οι εν λόγω μετασχηματισμοί χρησιμοποιήθηκαν για να μετασχηματιστούν οι αρχικά σχεδιασμένες, από τους κλινικούς ιατρούς, ανατομικές δομές, ώστε να συμπίπτουν με τις ανατομικές δομές του ασθενούς την ημέρα της συνεδρίας ακτινοθεραπείας. Με τον τρόπο αυτό έγινε υπολογισμός του όγκου του καρκίνου και του όγκου των παρωτίδων, καθώς και η ποσοστιαία μεταβολή αυτών μετά το πέρας κάθε εβδομάδας θεραπειών και οι ασθενείς χωρίστηκαν σε αυτούς που είχαν σοβαρές ανατομικές μεταβολές μετά την 3η εβδομάδα θεραπειών και σε αυτούς που δεν εμφάνισαν σοβαρές μεταβολές. Οι δύο κατηγορίες (κλάσεις) ασθενών χρησιμοποιήθηκαν ώστε να κατασκευαστούν προβλεπτικά μοντέλα σχετικά με πιθανή εμφάνιση ανατομικών μεταβολών σε ασθενείς από το τέλος της πρώτης εβδομάδας θεραπειών. Για τον σκοπό αυτό, υπολογίστηκαν για τις ανατομικές δομές του όγκου και των παρωτίδων, χαρακτηριστικά εικόνας από το τέλος της πρώτης εβδομάδας θεραπειών με βάση τα οποία κατασκευάστηκε προβλεπτικό μοντέλο, ικανό να προβλέπει με ακρίβεια εάν ένας ασθενής δύναται να εμφανίσει σοβαρές ανατομικές μεταβολές μετά την 3η εβδομάδα θεραπειών.	el
heal.abstract	In this Doctoral Thesis the purpose was to analyze head and neck radiotherapy data, using image registration techniques and Machine Learning methods. The aim was to detect serious anatomical changes during patients' radiotherapy treatment sessions, as these could lead to low dosage to tumor and overexposure of surrounding healthy tissues, causing adverse side effects. In this direction, the weekly CBCT images taken during image-guided patient radiotherapy (IGRT) were aligned with the initial planning CT. The alignment was completed, firstly, with affine type transformations followed by elastic transformations. These transformations were used to transform the anatomical structures designed by clinicians to coincide with the patient's anatomical structures on the day of radiotherapy. In this way, the cancer volume and the parotid volume were calculated, as well as the percentage change after the end of each week of treatment, and the patients were divided into those who had severe anatomical changes after the 3 rd week of treatment and those who did not present changes. The two patient classes were used to compute predictive models for the possible occurrence of anatomical changes in patients after the first week of treatment. For this purpose, image texture features were calculated for the anatomical structures of the tumor and the end of the first week of treatments. With those image features, a predictive model was constructed, able to accurately predict whether a patient can show severe anatomical changes after the 3 rd week of treatments.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Κουκούλιας, Βασίλειος	el
heal.committeeMemberName	Ουζουνόγλου, Νικόλαος	el
heal.committeeMemberName	Καραΐσκος, Παντελής	el
heal.committeeMemberName	Ασβεστάς, Παντελής	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false