Breathing motion prediction using a patient specific transformer network

Ziel dieser Masterarbeit ist die Entwicklung und Bewertung von maschinellen Lernmodellen zur Vorhersage der Atembewegung im Kontext der Strahlentherapie von Lungentumoren. Im Fokus steht der Vergleich der Leistungsfähigkeit von Long Short-Term Memory (LSTM) und Transformer-Architekturen sowie die Bewertung der Vorteile einer patientenspezifischen Modellfeinabstimmung. Es wird untersucht, ob individuell angepasste Modelle allgemeine Modelle übertreffen und somit zu personalisierteren und wirksameren Krebsbehandlungsstrategien beitragen können. Die Forschungsmethodik umfasst Datenerhebung, Vorverarbeitung, Modelltraining und -bewertung und mündet in eine detaillierte Analyse der experimentellen Ergebnisse. Dabei liegt der Fokus der Analyse auf der Vorhersage der äußeren Atembewegung, die als Surrogat für die interne Tumorbewegung dient, und stützt sich auf eine begrenzte klinische Datenbasis. Die Ergebnisse der Experimente zeigten, dass es keinen erkennbaren Vorteil gab, Transformer-Architekturen gegenüber der LSTM-Architektur in Bezug auf die Leistung zu verwenden. Die Studie stellte jedoch fest, dass die spezifische Anpassung des Modells an jeden Patienten zu einer signifikanten Verbesserung der Vorhersagegenauigkeit führte. Diese Feinabstimmung der Modelle resultierte in einer geschätzten Verringerung des durchschnittlichen Fehlers um 30%, und übertraf damit die allgemeineren Modelle deutlich. Des weiteren zielt dieArbeit darauf ab, die Lücke zwischen fortgeschrittenen Rechentechniken und klinischer Radioonkologie zu überbrücken, um die Präzision und Wirksamkeit von Krebsbehandlungen zu verbessern. Durch die Anwendung von maschinellen Lernmodellen auf die Herausforderung der Tumor-Bewegungsvorhersage wird dazu beigetragen, den Weg für eine genauere, effizientere und personalisierte Strahlentherapie zu ebnen.