Implantation d’un CT sur rails en radio-oncologie au nouveau CHUM

Abstract

Un nouveau système d’imagerie en salle de traitement est installé en radio-oncologie au nouveau CHUM, le CT-Linac. Celui-ci associe un tomodensitomètre (CT) monté sur des rails et un accélérateur linéaire (linac) utilisé pour le traitement à l’aide d’une table de traitement commune qui pivote pour s’aligner devant chaque appareil séparément. L’utilisation d’un CT permet d’obtenir des images avec un bon contraste des tissus mous, ce qui facilite la visualisation de certaines tumeurs lors de l’alignement du patient en salle de traitement. En améliorant la précision du traitement, on peut théoriquement augmenter la dose administrée à la tumeur et diminuer la toxicité des tissus sains. Par contre, le système CT-Linac ne permet pas d’utiliser la même procédure d’alignement du patient des modalités d’imagerie montées sur le linac puisqu’il n’y a pas de correspondance entre un isocentre d’imagerie et l’isocentre de traitement. Ainsi, une nouvelle procédure de positionnement doit être conçue. Pour ce faire, nous avons créé un prototype de logiciel de recalage d’images calculant les déplacements à appliquer pour corriger la position du patient avant le traitement. Le fonctionnement du logiciel est basé sur la localisation de marqueurs radio-opaques posés sur la peau du patient, qui identifient l’isocentre de traitement. La méthode de recalage vise à déterminer la transformation spatiale rigide qui permet d’aligner correctement le patient en comparant chaque ensemble de valeurs des paramètres de transformations à l’aide d’une métrique de similarité basée sur l’information mutuelle entre les deux images. Pour parcourir l’ensemble des valeurs de nos paramètres, nous utilisons un algorithme d’évolution et des stratégies d’optimisation et d’accélération afin que le temps de calcul et la qualité du recalage soient cliniquement acceptables. Afin de tester le logiciel, nous avons simulé la procédure de positionnement d’un patient en salle de traitement à l’aide d’un fantôme QUASAR que nous avions manuellement déplacé, puis comparé les résultats de corrections de son alignement calculés par le logiciel avec les valeurs réelles. Ainsi, on remarque que pour une qualité de recalage d’images acceptable, le nombre d’itérations de l’algorithme d’évolution, la résolution des images, le nombre de niveaux de résolutions et l’utilisation d’un masque appliqué sur nos données influencent le temps requis pour effectuer le recalage. Ainsi, le logiciel permet à l’utilisateur de modifier chacun de ces paramètres avant de démarrer le recalage d’image. On remarque qu’il n’existe pas de valeurs optimales fixes de ces paramètres, mais qu’elles varient selon les spécificités de chaque image. Pour ce qui est d’un fantôme humanoïde, on remarque que trois niveaux de résolutions, une diminution par trois de la résolution des voxels dans chaque dimension, un nombre maximal d’itérations de 250 et l’utilisation d’un masque donne les meilleurs résultats de recalage dans la région pelvienne selon chacune des métriques calculées (DICE, True Positive Rate (TPR), True Negative Rate (TNR), Positive Predictive Value (PPV) et l’information mutuelle (IM)).

A new in-room imaging system is installed in radio-oncology at the new CHUM called the CT-Linac system. It combines a CT mounted on rails and a linear accelerator (linac) using a unique treatment table that rotates on his axis to align with each device separately. CT images show good contrast for soft tissues, which makes it easier to visualize certain tumors, thus facilitate patient alignment for the treatment. By improving the accuracy of the treatment, it is theoretically possible to increase the dose administered to the tumor and reduce the toxicity of healthy tissues. On the other hand, the CT-Linac system does not allow the same alignment procedure used for the other linac-mounted CBCT imaging devices since there is no correspondence between an imaging isocenter and the treatment isocenter. Thus, a new positioning procedure must be designed. Therefore, we have created an image registration software that calculates the displacements to apply to correct the position of the patient before treatment. The displacements are based on the location of radiopaque markers placed on the patient’s skin, which identify the treatment isocenter. The registration method compares multiple sets of parameters, associated with the transformation matrix, using a similarity metric based on mutual information to find the best match between the two images. Browsing each set of parameters is done using an evolution algorithm and an optimization strategy in order to reduce the computation time while keeping a clinically acceptable registration quality. To test the software, we simulated the positioning procedure in the treatment room with a QUASAR phantom. The displacement corrections calculated by the software were compared with the actual known displacement corrections values. For an acceptable registration quality, we notice that the number of iterations of the algorithm, the images resolution, the number of resolution levels and the use of a mask applied to our images influence the time required to perform the registration. Thus, the software allows the user to change the value of these parameters before starting the image registration. There are no fixed optimal values for these parameters, but they vary according to the specificities of each image. For a humanoid phantom, we notice that three resolution levels, a decrease by three in voxel resolution in each dimension, a maximum number of iterations of 250 and the use of a mask gives the best results in the pelvic region according to every metrics (DICE, True Positive Rate (TPR), True Negative Rate (TNR), Positive Predictive Value (PPV) and Mutual Information (IM)).