Novel multiparametric imaging strategies for precision radiation therapy

Abstract

Moderne Behandlungskonzepte und hochentwickelte Technologien ermöglichen heutzutage eine präzise Strahlentherapie (RT) von Patienten mit Krebserkrankung. Dennoch sind verschiedene Tumorarten wie Kopf-Hals-Tumoren (KHT) noch immer mit relativ hohen Rezidivraten assoziiert. Moderne medizinische Bildgebungsmethoden wie die Positronen-Emissions-Tomographie (PET) und die Magnetresonanz-Tomographie (MRT) haben großes Potential, Krebspatienten mit schlechtem Therapieansprechen zu identifizieren und dazubeizutragen, das Ansprechen zu verbessern. Gerade bei KHT bieten PET und MRT sowie abgeleitete Bildparameter die Möglichkeit, sowohl die Abgrenzung des Tumors von Normalgewebe zu verbessern, als auch den Tumor biologisch-physiologisch zu charakterisiseren, potentielle strahlenresistente Areale zu ermitteln und die RT-Behandlung gezielt anzupassen. Diese Arbeit adressierte drei zentrale Aspekte einer präzisen Einbindung funktioneller PET/MR Bilddaten in die RT. Der erste betraf eine Bildgebungslösung für die kombinierte PET/MRT von KHT-Patienten in RT-spezifischer Lagerung. Diese erforderte eine PET-Photonen Schwächungskorrektur bezüglich der RT-Lagerungshilfen und des MR Radiofrequenzspulenaufbaus. Im Rahmen einer Patientenstudie wurde die Bildqualität verschiedener PET/MR Aufnahmetechniken bei Anwendung dieses experimentellen Setups untersucht. Es konnte anhand quantitativer Methoden gezeigt werden, dass die Bildqualität den RT Anforderungen genügt. Der zweite Teil der Arbeit betraf die Bildqualität Diffusionsgewichteter MRT in KHT in Bezug auf geometrische Genauigkeit. Diese ist kritisch bei Diffusionswichtung kombiniert mit echoplanarer Bildgebung, da diese Auslesetechnik empfindlich für Magnetfeldinhomogenitäten ist, was zu Verzerrungsartefakten führt. Zur Verzerrungskorrektur wurde ein Verfahren basierend auf wiederholter Datenakquisition mit invertierter Phasenkodierrichtung implementiert und erfolgreich getestet. Ziel des dritten Teils dieser Arbeit war es, im Rahmen einer Kleintierstudie einen Satz MR abgeleiteter Bildparameter zu ermitteln, der als Werkzeug zur Charakterisierung intra-tumoraler Strahlenresistenz dienen kann. Der Ansatz war hier das überwachte Lernen von Tumorhypoxie gemessen mittels dynamischer 18F-FMISO-PET Bildgebung, ein gut untersuchter Indikator für RT-Resistenz. Verschiedene maschinelle Lernmodelle wurden trainiert, die PET-abgeleitete Hypoxieinformation aus multiparametrischen MR Daten zu lernen und das beste Modell wurde auf ungesehenen Daten erfolgreich getestet. Die neuen Bildgebungsstrategien und Ergebnisse dieser Arbeit zeigen daher hohes Potenzial zukünftig zu einer Optimierung der RT-Behandlung von Krebspatienten und somit zu einem besseren Therapieerfolg beizutragen.

Today’s technology allows for a highly flexible and precise treatment of cancer with radiation therapy (RT). However, RT in advanced head-and-neck cancer, among other cancer types, is still associated with a high rate of tumor recurrence. One reason is that in general, patients with similar cancer type and stage receive similar treatment even though they may respond differently. The concept of precision medicine in cancer treatment is to take individual factors for different treatment response into account and to tailor the treatment accordingly to improve the outcome. In this context, modern imaging modalities like positron emission tomography (PET) and magnetic resonance imaging (MRI) have great potential to help identify cancer patients with recurrence or poor response to RT as well as to serve as a basis for RT treatment adaptation. This potential is even further expanded with the availability of combined PET/MRI. However, this hybrid imaging technology also comes with new challenges in terms of adapting the imaging to the specific needs of RT. In this thesis, three different imaging strategies were presented to address these challenges and to leverage precision RT. First, a novel hardware setup was developed which allows to examine head and neck cancer patients with hybrid PET/MRI in RT specific treatment position. Here, PET photon attenuation correction of the hardware setup was implemented and image quality was assessed. Second, a correction method for image distortions was implemented for diffusion-weighted MRI such that according image information can be more accurately integrated into radiation treatment planning. And third, a novel strategy was developed based on supervised Machine Learning of multiparametric MRI data. This strategy allowed to predict PET information on hypoxic tumor regions, i.e., tumor subregions deprived of adequate oxygen supply and indicating poor response to RT. In future, the presented PET/MRI based imaging strategies may help adapt RT in cancer patients on an individual patient level and thus help to improve treatment outcome.