Dokument: Anwendungsnutzen und Evaluation des Programms „Atlas based Autosegmentation“ in Bezug auf Mammatumoren in der Strahlentherapie

Titel:	Anwendungsnutzen und Evaluation des Programms „Atlas based Autosegmentation“ in Bezug auf Mammatumoren in der Strahlentherapie
Weiterer Titel:	Application and evaluation of the program „Atlas based Autosegmentation“ for breast cancer at radiotherapie
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=43870
URN (NBN):	urn:nbn:de:hbz:061-20171018-105543-4
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Hartmann, Dana [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 3,01 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 13.10.2017 / geändert 13.10.2017
Beitragende:	Prof. Dr. Bölke, Edwin [Gutachter] PD Dr. med. Kröpil, Patric [Gutachter]
Stichwörter:	Atlas based autosegmentation
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Zusammenfassung Einleitung: Im Rahmen dieser Arbeit wird der Anwendungsnutzen der Atlas basierten Autosegmentierung (ABAS) für die Konturierung beim Mammakarzinom durch die Software ABAS 2.00.00 an 70 Patientinnen untersucht. Da die Konturierung in der Bestrahlungsplanung einen wesentlichen Zeitfaktor darstellt, besteht großes Interesse darin, diese durch die Anwendung einer Konturierungssoftware zu verkürzen. Es wird untersucht wie hoch die Korrekturzeit der von ABAS vorgeschlagenen Konturierung ist und ob eine manuelle Korrektur erforderlich ist. Zudem wird analysiert, wie exakt die Software ABAS das Zielvolumen, die Risikoorgane und die Außenkontur erfasst. Methodik: Um Aussage über die Erfassung der Volumina durch die Software zu treffen, wird das manuell konturierte Volumen mit dem von ABAS vorgeschlagenen Volumen verglichen. Hieraus wird der Dice Similarity Coefficient (DSC) errechnet, welcher die Übereinstimmung der beiden Volumina wiedergibt. Um die craniocaudale Verschiebung zu evaluieren, werden die Schichtabweichungen der Einzelorgane durch die Software ABAS analysiert. Um die Frage zu beantworten, ob die Software zu einer Zeitersparnis führt, wurde die Korrekturzeit, welche benötigt wird, um die durch ABAS erzeugten Konturen zu korrigieren, für die jeweiligen Organkonturierungen gemessen. Ergebnisse: Im Durchschnitt werden 27:06 min für die manuelle Korrektur aller von ABAS vorgeschlagenen Strukturen benötigt. Die Korrekturzeit für adipöse Patientinnen ist hierbei am höchsten. Für die Mamma zeigt sich ein DSC mit einer Übereinstimmung von 80,08 %. Den besten DSC mit 83,67 % besitzen hierbei Patientinnen mit einem mittelkleinen Mammavolumen. Die Analyse der Schichtabweichung zeigt, dass das Volumen der Mamma durch ABAS insgesamt zu tief konturiert wird. Auch hier steigt die Schichtabweichung und auch die Korrekturzeit mit der Zunahme des Mammavolumens. Diskussion: Die exakte Erkennung des Zielvolumens, der Risikoorgane und der Außenkontur sowie eine Zeitersparnis durch ABAS werden als die beiden wichtigsten Ansprüche an die Software nicht erfüllt. Eine inkorrekte Bestrahlung als Folge der fehlerhaften Konturierung ist nicht tolerabel. Die manuelle Korrektur eines Strahlen- therapeuten der von ABAS vorgeschlagenen Strukturen ist zwingend erforderlich. Die klinische Integration der Software ist in ihrer jetzigen Form somit nicht möglich. Abstract Introduction: The application benefits of Atlas -based auto segmentation (ABAS) are still under discussion. The two main requirements for the software are the reduction of contouring time in comparison to manual contouring in combination with a precise definition of clinical target volumes. Within this thesis it was analysed, if the software ABAS fulfils this issues. Up to now only a few studies provide information about the benefits of auto contouring software. Method: The times for contouring the organs at risk and the clinical target volume for 70 patients were measured manually and with the use of ABAS. In order to evaluate the conformity of the two contoured volumes for each structure the Dice Similarity Coefficient (DSC) was calculated. Therefore, the difference of each contour in every single layer was compared with our gold standard as well as the amount of layer for each volume. Moreover, the craniocaudal displacemet (the difference of the single layers of each structure) contoured by ABAS was analysed. Result: An average time of 27:06 minutes is necessary to correct all organs at risk and the clinical target volume, contoured by the software ABAS. For obese patients the manual correction time was significant higher (p<0,05). The DSC of the breast as the clinical target volume shows an accordance of 80,08 %. Patients with a medium breast volume reached the most exact DSC with 83,67%. The heart, the lung and the external contour achieved poor results. The analysis of the layer differences of the clinical target volume showed a caudal mismatch. This difference also increases from small volumes to large volumes. Discussion: The economy of time as well as the exact identification of the target volume, the organs at risk and the external contour as the two main requirements to a contouring software are not fulfilled satisfactorily at this time. A deficient radiation as a consequence of the deficient contouring of the software is not acceptable. The manual correction of the ABAS contours by a radiation oncologist is still mandatory. The integration of the software ABAS into the routine clinical work is currently not recommendable. 
Quelle:	AWMF, Deutschen Krebsgesellschaft e.V. und Deutschen Krebshilfe e.V. 2012. Interdsziplinäre S3-Leitlinie für die Diagnostik, Therapie und Nachsorge des Mammakarzinoms. Langversion 3.0, . Blank, Dr E. u. a. 2012. Evaluation of time, attendance of medical staff, and resources during radiotherapy for breast cancer patients. Strahlentherapie und Onkologie 188, 2, 113–119. Carmel, R J & Kaplan, H S 1976. Mantle irradiation in Hodgkin’s disease. An analysis of technique, tumor eradication, and complications. Cancer 37, 6, 2813–2825. Commowick, Olivier, Grégoire, Vincent & Malandain, Grégoire 2008. Atlas-based delineation of lymph node levels in head and neck computed tomography images. Radiotherapy and Oncology 87, 2, 281–289. Cuzick, J. u. a. 1994. Cause-specific mortality in long-term survivors of breast cancer who participated in trials of radiotherapy. Journal of Clinical Oncology 12, 3, 447–453. Dunst u. a. The QUIRO Study (assurance of quality and innovation in radiooncology): methodology, instruments and practices - Springer. Early Breast Cancer Trialists’ Collaborative Group (EBCTCG) 2011. Effect of radiotherapy after breast-conserving surgery on 10-year recurrence and 15-year breast cancer death: meta-analysis of individual patient data for 10 801 women in 17 randomised trials. The Lancet 378, 9804, 1707–1716. Early Breast Cancer Trialists’ Collaborative Group (EBCTCG) 2005. Effects of radiotherapy and of differences in the extent of surgery for early breast cancer on local recurrence and 15-year survival: an overview of the randomised trials. The Lancet 366, 9503, 2087–2106. 72 Early Breast Cancer Trialists’ Collaborative Group (EBCTCG) 2000. Favourable and unfavourable effects on long-term survival of radiotherapy for early breast cancer: an overview of the randomised trials. The Lancet 355, 9217, 1757–1770. Electa CMS Software, Atlas-Based Autosegmentation Technical Reference. 2010 ELEKTA CMS Software. 5-16. Electa CMS Software, Atlasbasierte automatische Segmentierung, Benutzerhandbuch ABAS, Version 2.00.00. 2010, ELEKTA CMS Software, 1-3. Fritscher, Karl D. u. a. 2014. Automatic segmentation of head and neck CT images for radiotherapy treatment planning using multiple atlases, statistical appearance models, and geodesic active contours. Medical Physics 41, 5, 051910. Haas, B. u. a. 2008. Automatic segmentation of thoracic and pelvic CT images for radiotherapy planning using implicit anatomic knowledge and organ-specific segmentation strategies. Physics in Medicine and Biology 53, 6, 1751–1771. Hu, K. u. a. 2008. Timesavings for Contour Generation in Head and Neck IMRT: Multi- institutional Experience with an Atlas-based Segmentation Method. International Journal of Radiation Oncology*Biology*Physics 72, 1, Supplement, S391. Hurkmans, Coen W u. a. 2001. Variability in target volume delineation on CT scans of the breast. International Journal of Radiation Oncology*Biology*Physics 50, 5, 1366–1372. Hwee, Jeremiah u. a. 2011. Technology assessment of automated atlas based segmentation in prostate bed contouring. Radiation oncology (London, England) 6, 110. Isambert, Aurélie u. a. 2008. Evaluation of an atlas-based automatic segmentation software for the delineation of brain organs at risk in a radiation therapy clinical context. Radiotherapy and Oncology 87, 1, 93–99. 73 Kaatsch, Dr. P. u. a. 2013. Krebs in Deutschland 2009/2010. Robert Koch Institut, Gesellschaft der epidemiologischen Krebsregister in Deutschland e.V., 18-25, 74-77. Kwa, Stefan L. S. u. a. 1998. Radiation pneumonitis as a function of mean lung dose: an analysis of pooled data of 540 patients. International Journal of Radiation Oncology*Biology*Physics 42, 1, 1–9. Liu, Feng u. a. 2014. Assessment and management of interfractional variations in daily diagnostic-quality-CT guided prostate-bed irradiation after prostatectomy. Medical Physics 41, 3, 031710. Macchia, Mariangela La u. a. 2012. Systematic evaluation of three different commercial software solutions for automatic segmentation for adaptive therapy in head-and- neck, prostate and pleural cancer. Radiation Oncology 7, 1, 160. Van Mourik, Anke M. u. a. 2010. Multiinstitutional study on target volume delineation variation in breast radiotherapy in the presence of guidelines. Radiotherapy and Oncology 94, 3, 286–291. O A 2005. Effects of radiotherapy and of differences in the extent of surgery for early breast cancer on local recurrence and 15-year survival: an overview of the randomised trials. The Lancet 366, 9503, 2087–2106. Qazi, Arish A u. a. 2011. Auto-segmentation of normal and target structures in head and neck CT images: a feature-driven model-based approach. Medical physics 38, 11, 6160–6170. Reed, Valerie K. u. a. 2009. Automatic segmentation of whole breast using atlas approach and deformable image registration. International Journal of Radiation Oncology, Biology, Physics 73, 5, 1493–1500. 74 Rutqvist, Lars Erik, Rose, Carsten & Cavallin-Ståhl, Eva 2003. A systematic overview of radiation therapy effects in breast cancer. Acta oncologica (Stockholm, Sweden) 42, 5-6, 532–545. Sharp, Gregory u. a. 2014. Vision 20/20: Perspectives on automated image segmentation for radiotherapy. Medical Physics 41, 5, 050902. Simmat, I. u. a. 2012. Assessment of accuracy and efficiency of atlas-based autosegmentation for prostate radiotherapy in a variety of clinical conditions. Strahlentherapie und Onkologie 188, 9, 807–815. Sims, Richard u. a. 2009. A pre-clinical assessment of an atlas-based automatic segmentation tool for the head and neck. Radiotherapy and Oncology 93, 3, 474– 478 Stapleford, Liza J. u. a. 2010. Evaluation of Automatic Atlas-Based Lymph Node Segmentation for Head-and-Neck Cancer. International Journal of Radiation Oncology*Biology*Physics 77, 3, 959–966. Struikmans, Henk u. a. 2005. Interobserver variability of clinical target volume delineation of glandular breast tissue and of boost volume in tangential breast irradiation. Radiotherapy and Oncology 76, 3, 293–299. Teguh, David N. u. a. 2011. Clinical Validation of Atlas-Based Auto-Segmentation of Multiple Target Volumes and Normal Tissue (Swallowing/Mastication) Structures in the Head and Neck. International Journal of Radiation Oncology*Biology*Physics 81, 4, 950–957. Theuws, Jacqueline C. M. u. a. 1998. Prediction of overall pulmonary function loss in relation to the 3-D dose distribution for patients with breast cancer and malignant lymphoma. Radiotherapy and Oncology 49, 3, 233–243. 75 Voet, Peter W. J. u. a. 2011. Does atlas-based autosegmentation of neck levels require subsequent manual contour editing to avoid risk of severe target underdosage? A dosimetric analysis. Radiotherapy and Oncology 98, 3, 373–377. Wöckel, A. u. a. 2014. The impact of adjuvant radiotherapy on the survival of primary breast cancer patients: a retrospective multicenter cohort study of 8935 subjects. Annals of Oncology 25, 3, 628–632. Young, Amy V. u. a. 2011. Atlas-based segmentation improves consistency and decreases time required for contouring postoperative endometrial cancer nodal volumes. International Journal of Radiation Oncology, Biology, Physics 79, 3, 943–947. Zhang, Tiezhi u. a. 2007. Automatic delineation of on-line head-and-neck computed tomography images: toward on-line adaptive radiotherapy. International Journal of Radiation Oncology, Biology, Physics 68, 2, 522–530.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	18.10.2017
Dateien geändert am:	18.10.2017
Promotionsantrag am:	27.03.2017
Datum der Promotion:	10.10.2017