Modelowanie struktur anatomicznych dla potrzeb planowania leczenia w procesie radioterapii nowotworu prostaty

W pracy przedstawiono problematykę modelowania struktur anatomicznych zobrazowanych w danych tomograficznych na przykładzie pacjentów z nowotworem prostaty. Modele wiedzy a priori umożliwiają znaczące zwiększenie skuteczności segmentacji dla potrzeb planowania leczenia radioterapeutycznego pacjentów z chorobą nowotworową. Opisane i przebadane metody wykorzystywały informację o położeniu pacjenta zapisaną w formacie DICOM, transformację afiniczną oraz jednoczesne deformowalne dopasowanie wielu obrazów wykorzystujące funkcję B-sklejane. Metodologia została przetestowana na rzeczywistych danych tomograficznych. Otrzymane wyniki potwierdzają skuteczność zaprezentowanego rozwiązania z wykorzystaniem połączenia globalnej transformacji i deformowalnego modelowania.

In developed countries, prostate cancer is one of the most often tumors in male population. Radiotherapy is a very important treatment in prostate cancer therapy. The most important, difficult and time-consuming part of radiation therapy planning is precise, manual anatomical organ delineation by medical doctors. For this reason development of special, fast, data-robust, automatic or semi-automatic CT data segmentation methods is a crucial and challenging research topic in image-guided radiother-apy. In a solution of this kind a priori knowledge of segmentation algo-rithms can improve the effectiveness considerably. In the paper there is proposed a method for construction of a geometrical and value model of anatomical structures for prostate, bladder, femoral heads and rectum from the CT data making use of groupwise registration. A short state of the art of model building (Section 2) for medical images is shown. The main idea of the described method is average 3D image creation from training images using combination of an affine transform and B-Spline Free Form Deformation in the groupwise framework [17]. As a result, the algorithm provides 3D deformation fields which can be used for mapping manual outlines of anatomical structures connected to training data made by a medical doctor. The model was built using CT data of real patients with prostate cancer. Exemplary results are shown in Fig. 3. This kind of model can be used as a priori knowledge in segmentation algorithms like deformable models or level sets. The proposed solution was compared with the affine transform and mapping based on the patient position provided with CT images in DICOM format (Section 3) in a qualitative (Fig. 1) and quantitative (Tab. 1) way. The obtained results are presented and discussed in the paper.