Segmenteringsosäkerheter för förbättrad strålbehandling av barn
Segmenteringsosäkerheter för förbättrad strålbehandling av barn
Protonbaserad strålbehandling kan leverera stråldos till en tumör med mycket hög precision och samtidigt låga doser till omgivande organ jämfört med konventionell strålbehandling. Det här gör tekniken mycket attraktiv för behandling av barncancer då det kraftigt minskar risken för långtidsbiverkningar som exempelvis sekundära cancrar. För att till fullo kunna utnyttja teknikens potential är det viktigt att man noggrant kan rita ut exakt var tumörer och känsliga organ befinner sig i bilder av patienten. Med nya AI-baserade tekniker för den här typen av utritningar har det nu blivit möjligt att korrigera utritningarna under behandlingens gång, vilket tidigare varit svårt då det krävt för mycket manuellt arbete. Detta kan öka precisionen hos behandlingen ytterligare då rörelser eller t.ex. en viktförändring hos ett barn kan göra tidigare utritningar inaktuella.
Att exakt markera var tumörer och riskorgan ligger i en bild är svårt, ibland till och med omöjligt. Det innebär att såväl mänskliga som AI-baserade metoder alltid är förknippade med osäkerheter, och är osäkerheterna stora riskerar man att träffa fel med strålningen. Men även här öppnar AI-utritningar för en lösning då de kan berätta hur säkra utritningarna de producerar är, men hur väl detta fungerar om de tillämpas på strålbehandling är idag okänt.
Syftet med det föreslagna projektet är därför att utreda: hur väl AI-metoder för att rapportera osäkerheter i utritningar fungerar i praktiken, om de kan användas för att varna för undermåliga utritningar, om de kan identifiera exempel som AI-systemet behöver träna mer på, och om osäkerheterna kan användas för att med statistiska metoder tillverka mer tillförlitliga leveranser av strålning till patienten.
Projektet förväntas öka kunskapen om hur AI-baserade osäkerhetsuppskattningar kan användas och möjliggöra mer precis behandlingar som ger färre biverkningar för barncancerpatienter.