|
| Titre : |
Study of artificial intelligence approaches for VMAT plan complexity and feasibility analysis |
| Type de document : |
document électronique |
| Auteurs : |
Manel Bouhafs, Auteur ; Seif eddine Chouaba, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2024 |
| Importance : |
1 vol (52 f.) |
| Format : |
29 cm |
| Langues : |
Anglais (eng) |
| Catégories : |
Thèses & Mémoires:Physique
|
| Mots-clés : |
Volumetric Modulated Arc Therapy (VMAT)
Comlexity indices
Artificial Intelligence (AI)
Machine Learning |
| Index. décimale : |
530 - Physique |
| Résumé : |
Purpose: This study aims to evaluate the complexity and exploring feasibility of Volumetric
Modulated Arc Therapy (VMAT) plans using Artificial Intelligence (AI). The objective is to
analyze VMAT plans quantitatively and qualitatively, considering parameters such as arc
segments, dose modulation, and organ-at-risk doses. Additionally, the study compares the
performance of AI models with traditional methods in evaluating VMAT plan quality.
Materials and Methods: The study utilized Monaco, a treatment planning software by
Elekta, incorporating Monte Carlo and collapsed cone methods for dose calculations. A total of
22 VMAT plans were generated using Elekta Versa HD, Infinity 1, and Infinity 2 accelerators.
Dosimetric measurements were conducted with the Delta4 phantom and analyzed using
Scandidos software for gamma index evaluations. Complexity indices such as PMU, MFA, MD
and MU/Degree, were computed to assess plan intricacy.
Results: PMU, MFA, and MU/Degree effectively assess radiotherapy plan complexity. While
MD shows potential, further research is needed to fully utilize these metrics and improve patient
outcomes.
Conclusion: This study underscores the utility of AI in enhancing VMAT planning, providing
insights into plan complexity and feasibility while maintaining high dosimetric accuracy. Further
advancements in AI applications hold promise for optimizing radiotherapy workflows and
improving patient outcomes in oncological treatments. |
| Note de contenu : |
Sommaire
General Introduction xiii
1 Radiotherapy 1
1.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Evolution of radiotherapy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 The types of radiotherapy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Workflow patient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4 The techniques of radiotherapy . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.5 3D Conformational Radiotherapy (3D-CRT) or 3D Conformational Radiotherapy:
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.6 Intensity Modulated Radiation Therapy (IMRT) . . . . . . . . . . . . . . . 8
1.1.7 Volumetric modulated arc therapy (VMAT) . . . . . . . . . . . . . . . . . . 9
1.2 The complexity indices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Artificial intelligence 13
2.1 Evolution of artificial intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1 Deep learning models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Materials and Methods 23
3.1 Materials: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Treatment planning system: . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Detector: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.3 Scandidos software: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Methods: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 Vmat plans: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.2 Complexity indices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.3 Evalution metrics: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.4 Machine learning application: . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Results and Discussion: 30
4.1 Gamma Passing Rate: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Complexity indices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Plan Normalized MU (PMU) . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Mean Field Area (MFA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.3 Modulation degree(MD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.4 The gantry angle per MU (Degree/MU) . . . . . . . . . . . . . . . . . . . . 36
4.2.5 Pearson correlation coefficient: . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.6 Random forest results: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 Conclusion 39
Bibliography 42
A The Anti-Cancer Center of the martyr Hamdan Mohamed Mouloud: 43
B VMAT planning with Monaco TPS 44
B.1 Calculations in Monaco: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
B.1.1 Stage 1 - Fluence Optimization: . . . . . . . . . . . . . . . . . . . . . . . . . 45
B.1.2 Stage 2 - Aperture Optimization and Dose Calculation: . . . . . . . . . . . 46
C Python: 51
C.1 Definition: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
C.2 Python libraries: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
C.2.1 NumPy: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
C.2.2 Matplotlib: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
C.2.3 Sklearn: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
C.2.4 Pandas: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
C.2.5 Seaborn : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
|
| Côte titre : |
MAPH/0633 |
Study of artificial intelligence approaches for VMAT plan complexity and feasibility analysis [document électronique] / Manel Bouhafs, Auteur ; Seif eddine Chouaba, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (52 f.) ; 29 cm. Langues : Anglais ( eng)
| Catégories : |
Thèses & Mémoires:Physique
|
| Mots-clés : |
Volumetric Modulated Arc Therapy (VMAT)
Comlexity indices
Artificial Intelligence (AI)
Machine Learning |
| Index. décimale : |
530 - Physique |
| Résumé : |
Purpose: This study aims to evaluate the complexity and exploring feasibility of Volumetric
Modulated Arc Therapy (VMAT) plans using Artificial Intelligence (AI). The objective is to
analyze VMAT plans quantitatively and qualitatively, considering parameters such as arc
segments, dose modulation, and organ-at-risk doses. Additionally, the study compares the
performance of AI models with traditional methods in evaluating VMAT plan quality.
Materials and Methods: The study utilized Monaco, a treatment planning software by
Elekta, incorporating Monte Carlo and collapsed cone methods for dose calculations. A total of
22 VMAT plans were generated using Elekta Versa HD, Infinity 1, and Infinity 2 accelerators.
Dosimetric measurements were conducted with the Delta4 phantom and analyzed using
Scandidos software for gamma index evaluations. Complexity indices such as PMU, MFA, MD
and MU/Degree, were computed to assess plan intricacy.
Results: PMU, MFA, and MU/Degree effectively assess radiotherapy plan complexity. While
MD shows potential, further research is needed to fully utilize these metrics and improve patient
outcomes.
Conclusion: This study underscores the utility of AI in enhancing VMAT planning, providing
insights into plan complexity and feasibility while maintaining high dosimetric accuracy. Further
advancements in AI applications hold promise for optimizing radiotherapy workflows and
improving patient outcomes in oncological treatments. |
| Note de contenu : |
Sommaire
General Introduction xiii
1 Radiotherapy 1
1.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Evolution of radiotherapy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 The types of radiotherapy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Workflow patient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4 The techniques of radiotherapy . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.5 3D Conformational Radiotherapy (3D-CRT) or 3D Conformational Radiotherapy:
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.6 Intensity Modulated Radiation Therapy (IMRT) . . . . . . . . . . . . . . . 8
1.1.7 Volumetric modulated arc therapy (VMAT) . . . . . . . . . . . . . . . . . . 9
1.2 The complexity indices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Artificial intelligence 13
2.1 Evolution of artificial intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1 Deep learning models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Materials and Methods 23
3.1 Materials: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Treatment planning system: . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Detector: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.3 Scandidos software: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Methods: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 Vmat plans: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.2 Complexity indices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.3 Evalution metrics: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.4 Machine learning application: . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Results and Discussion: 30
4.1 Gamma Passing Rate: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Complexity indices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Plan Normalized MU (PMU) . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Mean Field Area (MFA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.3 Modulation degree(MD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.4 The gantry angle per MU (Degree/MU) . . . . . . . . . . . . . . . . . . . . 36
4.2.5 Pearson correlation coefficient: . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.6 Random forest results: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Conclusion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 Conclusion 39
Bibliography 42
A The Anti-Cancer Center of the martyr Hamdan Mohamed Mouloud: 43
B VMAT planning with Monaco TPS 44
B.1 Calculations in Monaco: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
B.1.1 Stage 1 - Fluence Optimization: . . . . . . . . . . . . . . . . . . . . . . . . . 45
B.1.2 Stage 2 - Aperture Optimization and Dose Calculation: . . . . . . . . . . . 46
C Python: 51
C.1 Definition: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
C.2 Python libraries: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
C.2.1 NumPy: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
C.2.2 Matplotlib: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
C.2.3 Sklearn: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
C.2.4 Pandas: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
C.2.5 Seaborn : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
|
| Côte titre : |
MAPH/0633 |
|
Ajouter le résultat dans votre panier Affiner la rechercheStudy of artificial intelligence approaches for VMAT plan complexity and feasibility analysis / Manel Bouhafs
