23442

MAN3 179

دكتري

مديريت صنعتي- تحقيق در عمليات

علوم اداري و اقتصاد

دي ماه 1402

124 ص.

سعيده كتابي

پرتودرماني , پرتودرماني با شدت تنظيم شده , برنامه ريزي درمان , برنامه ريزي دانش بنيان

سالانه ميليون ها نفر در سراسر دنيا به انواع سرطان مبتلا مي‌شوند. پرتودرماني، يكي از روش‌هاي درمان است كه نيمي از مبتلايان به سرطان در طول دوره درمان خود با آن سروكار دارند. پرتودرماني با شدت تنظيم شده يك تكنيك دقيق است كه با استفاده از تابش پرتو تحت زوايا و شدت‌هاي تنظيم شده، سلولهاي تومور سرطاني را از بين مي‌برد. فرايند برنامه ريزي درمان بطور باليني مستلزم صرف زمان زياد و نيازمند افراد خبره و باتجربه است. هدف اصلي مساله برنامه ريزي درمان، تعيين شدت بهينه بيملت ها براي دستيابي به دوز تجويز شده براي تومور و همچنين محافظت از ارگان‌هاي در معرض خطر و بافت‌هاي سالم است. مساله برنامه ريزي درمان در پرتودرماني با شدت تنظيم شده، يك مساله رياضي در ابعاد بسيار بزرگ است كه حل آن با چالش‌هاي زيادي همراه مي‌باشد. طي سالهاي اخير با پيشرفت هايي كه در حوزه هوش مصنوعي و بطور خاص، يادگيري عميق به وقوع پيوست، رويكردي جديد با عنوان «برنامه ريزي دانش بنيان» در حوزه برنامه ريزي پرتودرماني سرطان معرفي شده است. در اين رويكرد، برنامه ريزي درمان بيمار جديد، با استفاده از دانش حاصل از درمان بيماران مشابه قبلي صورت مي‌گيرد. در اين رساله با رويكرد ارائه فرايند برنامه ريزي درمان خودكار، اقدام به بهينه سازي برنامه ريزي دانش بنيان شده است. بر اين اساس، ابتدا يك مدل رياضي نوين (QuadLin) كه از تركيب عبارات خطي و درجه دوم تشكيل شده، جهت بهينه سازي برنامه درمان دانش بنيان، طراحي و ارائه گرديده است. سپس مدل رياضي جهت تنظيم خودكار وزن جملات تابع هدف QuadLin پياده سازي شده است. در ادامه، مبحث مهم بهبود كارايي محاسباتي مورد توجه قرار گرفته و الگوريتم ابتكاري و نوين خوشه بندي وكسل ها مبتني بر مفهوم بيملت غالب ارائه گرديده است. اين الگوريتم منجر به خوشه بندي نظام مند وكسل ها و كاهش زمان حل مساله، و در عين حال، حفظ كيفيت برنامه درمان شده است. در پايان نيز مدل رياضي با حضور محدوديت‌هاي مربوط به هيستوگرام دوز-حجم، طراحي و اجرا شده كه نشان دهنده نحوه تاثير يك نقطه دوز-حجم خاص به عنوان محدوديت سخت، بر روي نتايج برنامه درمان مي‌باشد. مدل‌هاي رياضي و الگوريتم‌هاي ارائه شده، بر روي داده‌هاي 30 بيمار مبتلا به سرطان در ناحيه سر و گردن (مربوط به مجموعه داده Open-KBP) اجرا گرديده است. لازم به ذكر است كه تمركز اين رساله بر بهينه سازي برنامه ريزي دانش بنيان بوده است و فاز پيش بيني توزيع دوز سه بعدي بر اساس برنامه درمان بيماران قبلي مشابه، در چارچوب اين رساله قرار ندارد. مقايسه نتايج با تحقيقات قبلي، حاكي از بهبود معنادار معيارهاي باليني و در عين حال، كاهش معنادار زمان حل مساله مي‌باشد.

1403/02/17

همدم نوروزي

: Radiotherapy , Intensity Modulated Radiotherapy (IMRT , , Knowledge , based planning

Optimization of Knowledge-Based Planning in Cancer Radiotherapy

مديريت

Millions of people around the world are diagnosed with various types of cancer every year. Radiation therapy is one of the treatment methods that half of cancer patients deal with during their treatment period. Intensity Modulated Radiation Therapy (IMRT) is a very precise technique that hurts cancer tumor cells by using radiation beams at controlled angles and intensities. The clinical treatment planning process requires spending a lot of time and requires expert and experienced people. The main goal of the treatment planning problem is to determine the optimal intensity of beamlets to achieve the prescribed dose for the tumor and also to protect the organs at risk and healthy tissues. The IMRT treatment planning problem is a very large scale mathematical problem, the solution of which is associated with many challenges. In recent years, with the progress made in the field of artificial intelligence and in particular, deep learning, a new approach called "knowledge-based planning" has been introduced in the field of cancer radiation therapy planning. In this approach, planning the treatment of a new patient is done using the knowledge obtained from the treatment of previous similar patients. In this thesis, with the approach of presenting the automatic treatment planning process, optimization of knowledge-based planning has been done. Based on this, at first a new mathematical model (QuadLin) which consists of a combination of linear and quadratic expressions has been designed and presented to optimize the knowledge-based treatment plan. Then, a mathematical model was implemented to automatically adjust the weights of the QuadLin objective function terms. In the following, the important topic of improving computational efficiency was discussed and an innovative voxel clustering algorithm based on the dominant beamlet concept was presented. This algorithm led to the systematic clustering of voxels and reducing the problem solving time, and at the same time, maintaining the quality of the treatment plan. At the end, the mathematical model with the presence of DVH constraints was designed and implemented, which shows how a specific DVH point affects the results of the treatment plan as a hard constraint. The presented mathematical models and algorithms were implemented on the data of 30 patients with head and neck cancer (related to the Open-KBP dataset). Comparison of the results with previous research indicates a strong significant improvement in clinical criteria and at the same time, a significant reduction in problem solving time.

5

ايرج عابدي