多元的放射線治療データに基づく患者統計的変動を考慮した放射線治療予後予測法の開発

开发基于多维放射治疗数据考虑患者人口统计变化的放射治疗预后预测方法

• 批准号: 18J00599
• 负责人: 仲本 宗泰
• 金额: $ 2.33万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2018
• 资助国家: 日本
• 起止时间: 2018-04-25 至 2021-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-18J00599/
• 关键词: 医学物理学; 多元的医用画像データベース; MPSFモデル; 予後予測; 特徴量マップ; TCIA; MR画像; 機械学習; 神経膠腫; 画像特徴量; スパースモデリング

本年度は，放射線治療計画を目的として取得されるcomputed tomography (CT) 画像および治療期間中に位置合わせを目的として取得されるcone-beam CT (CBCT) 画像を収集し，放射線治療における患者統計的変動を含んだ多元的医用画像データベースへの構築を行なった．また画像データベースに加えて治療計画データである肉眼的腫瘍体積 (gross tumor volume: GTV) 輪郭情報および全生存期間(overall survive: OS)や無病生存期間 (disease-free survival: DFS) などの予後に関するデータの収集を行なった．そして多元的医用画像データベース内の症例毎のCBCT画像シリーズから治療計画CT画像およびGTV輪郭情報を用いて腫瘍内の統計的変動を含んだ画像特徴量を抽出した．さらに，腫瘍内の局所領域毎に画像特徴量を計算し腫瘍内の特徴量分布を直感的に把握できる特徴量マップ作成法の開発を行なった．今後，CBCT画像から抽出した患者変動を含んだ画像特徴量と予後データに基づいて多元的潜在構造・因子 (multi-disciplinary potential structure and factor: MPSF) モデルを構築し治療期間中の患者統計変動を考慮した予後予測法について検討する．また特徴量マップで腫瘍内において相対的に特徴量の値が高い (もしくは低い) 領域のみで特徴量を抽出し，最終的に予後予測精度の向上へ繋がるか検討を行なう必要がある．そして，得られた研究成果を原著論文としてまとめ，海外の学術雑誌に投稿する予定である．

This year, radiation therapy planning objectives include acquisition of computed tomography (CT) profiles and location during treatment, acquisition of cone-beam CT (CBCT) profiles, collection of radiation therapy patient statistics, and construction of multi-dimensional medical profiles. The gross tumor volume (GTV) of the treatment plan is added to the treatment plan, and the overall survival period (OS) and disease-free survival period (DFS) of the treatment plan are added to the treatment plan. Multi-dimensional medical imaging, including CBCT imaging, treatment planning, CT imaging, GTV imaging, and statistical changes in tumor selection. In this paper, the development of feature generation method is carried out by calculating the feature quantity distribution in the local area of the tumor and grasping the feature quantity distribution directly. From now on, CBCT images include multi-disciplinary potential structure and factor (MPSF), which is the basis of image feature and prediction. The characteristic quantity of the field is extracted from the characteristic quantity of the field, and the final prediction accuracy is determined from the upward direction. The original research results were obtained and submitted to overseas academic journals.

项目成果

Prediction of Uterus Volume Shrinkage for Cervical Cancer Patients During Radiotherapy Using Machine-Learning Approach with Treatment Planning-CT Radiomic Features

使用机器学习方法和治疗计划-CT 放射组学特征预测宫颈癌患者放疗期间子宫体积萎缩

• 发表时间: 2020
• 作者: M. Nakano;T. Nakamoto;Y. Kumai;Y. Koizumi;M. Sumi;K. Nawa;T. Imae;Y. Yoshioka and M. Oguchi
• 通讯作者: Y. Yoshioka and M. Oguchi

Prediction of EGFR mutation status in lung adenocarcinomas through brain metastases using an MRI-based radiomics

使用基于 MRI 的放射组学通过脑转移预测肺腺癌的 EGFR 突变状态

• 发表时间: 2019
• 作者: Nakamoto T;Takahashi W;Amano Y;Nawa K;Ohta T;Ozaki S;Nozawa Y;Yamashita H;Nakagawa K
• 通讯作者: Nakagawa K

MRI画像に基づくラディオミクスによる神経膠腫1p/19q共欠失の非侵襲的解析

使用基于 MRI 图像的放射组学对神经胶质瘤 1p/19q 共缺失进行非侵入性分析

• 发表时间: 2018
• 作者: 高橋渉;仲本宗泰;芳賀昭弘;高橋慧;田中将太;山下英臣;中川恵一
• 通讯作者: 中川恵一

Imaging biomarker analysis for grading malignant gliomas based on a few conventional magnetic resonance imaging sequences

基于一些常规磁共振成像序列的恶性胶质瘤分级的成像生物标志物分析

• 发表时间: 2020
• 作者: Nakamoto T;Takahashi W;Haga A;Takahashi S;Kiryu S;Nawa K;Ohta T;Ozaki S;Nozawa Y;Tanaka S;Mukasa A;Nakagawa K
• 通讯作者: Nakagawa K

Pseudo-CBCT Image Prediction of Head and Neck Cancer Patient Using Principal Component Vector Fields of Early Treatment Fractions.

使用早期治疗分数的主成分向量场对头颈癌患者进行伪 CBCT 图像预测。

• 发表时间: 2019
• 作者: M Nakano;T Imae;T Nakamoto;A Haga;K Nawa;Y Nomura;R Chhatkuli;K Demachi;W Takahashi;K Yamamoto;K Nakagawa;M Hashimoto;Y Yoshioka;M Oguchi,
• 通讯作者: M Oguchi,