Évaluation du Machine Learning pour la planification de traitement dans RayStation
Kammegne Kamdem, Bertrant
Promotor(s) : Baart, Véronique ; PONTE, Stephan
Date of defense : 6-Sep-2021/7-Sep-2021 • Permalink : http://hdl.handle.net/2268.2/12712
Details
Title : | Évaluation du Machine Learning pour la planification de traitement dans RayStation |
Translated title : | [en] Machine Learning evaluation for raystation treatment planning |
Author : | Kammegne Kamdem, Bertrant |
Date of defense : | 6-Sep-2021/7-Sep-2021 |
Advisor(s) : | Baart, Véronique
PONTE, Stephan |
Committee's member(s) : | Nguyen, Ngoc Duy
MATHOT, Michel NICOLAS, Sophie |
Language : | French |
Number of pages : | 52 |
Keywords : | [fr] Planification de traitement [fr] Machine Learning [fr] RayStation [fr] Radiothérapie [fr] Indice de conformité [fr] Indice d'homogénéité [fr] Métriques [fr] Indice gamma |
Discipline(s) : | Physical, chemical, mathematical & earth Sciences > Physics |
Target public : | Researchers Professionals of domain |
Institution(s) : | Université de Liège, Liège, Belgique |
Degree: | Master en sciences physiques, à finalité spécialisée en radiophysique médicale |
Faculty: | Master thesis of the Faculté des Sciences |
Abstract
[fr] L’objectif de ce mémoire est de faire une évaluation de la qualité des plans de traitement
VMAT optimisés avec l’intelligence artificielle notamment le Machine Learning/Deep Learning
par rapport aux plans classiques dans RayStation pour une intégration en routine clinique.
La qualité des plans a été évaluée en terme de conformation au PTV et de la protection de
tissus sains grâce aux indices de conformité et d’homogénéité. La complexité des plans pour les
deux modalités de planification est examinée à partir de la précision du calcul de dose à l’aide
de la métrique LOIC et de la délivrabilité du traitement par la machine grâce à la métrique
MCSv. Les plans sont répartis en trois groupes selon la prescription. L’analyse statistique des
plans est effectué avec le test signé de Wilcoxon.
La conformation au PTV est presque équivalente pour les deux modalités de planification
du groupe 1 (20 x 300 cGy) avec pour valeur moyenne 0,84 et non significative. Par contre,
la planification automatisée est plus conforme que la planification manuelle pour le groupe 2
(25 x 263 cGy). Les valeurs obtenues sont respectivement 0,839 +/- 0,066 et 0,826 +/- 0,033. Le plan automatisé est aussi plus conforme dans le groupe 3 (25 x 275 cGy). Par ailleurs, ces
plans sont plus homogènes que les plans classiques pour les trois groupes. La valeur du MCSv
est en moyenne plus faible pour les plans automatisés et le LOIC est en moyenne plus élevé
par rapport à la valeur du plan original. Ceci montre que les plans optimisés avec Machine
Learning sont plus modulés, induisant une augmentation des unités moniteurs. Les mesures
réalisées avec l’ArcCHECK ont permis de déterminer l’indice. Les résultats du groupe 1 ont
revélé que les différences n’étaient pas statistiquement significatives pour le critère 3%/3mm
mais significatives pour le critère 3%/2mm. Par contre, pour le groupe 2, le test de Wilcoxon a
démontré que la différence de valeur moyenne était statistiquement significative pour le critère
3%/3mm et non significative pour le critère 3%/2mm.
L’introduction de la planification automatisée en routine clinique est favorable puisqu’on
obtient une meilleure conformation et une meilleure homogénéité de la dose au PTV bien que les
métriques donnent des valeurs moins bonnes mais restent acceptables. Néanmoins, les mesures avec l’ArcCHECK montrent que la machine n’aura aucune difficulté à délivrer le traitement. De plus, la durée pour réaliser un plan de traitement acceptable avec ML reste très inférieure à la durée pour un plan optimisé manuellement.
Cite this master thesis
The University of Liège does not guarantee the scientific quality of these students' works or the accuracy of all the information they contain.