DW-MRI som et værktøj til beslutningstagning i et online, MRI-vejledt stråleterapi-workflow

Ph.D. studerende Anne Bisgaard, OUH.

Lægmandsbeskrivelse af Ph.D. projekt:

Titel: DW-MRI som et værktøj til beslutningstagning i et online, MRI-vejledt stråleterapi-workflow. (Engelsk titel: DW-MRI as a decision making tool in the in-room, MRI guided radiotherapy pipeline).

Beskrivelse:

I planlægning af strålebehandling af kræftpatienter spiller CT-skanning (computer tomografi) en afgørende rolle, da billederne bruges til beregning af den strålingsdosis, som gives til patienterne. Der er dog ofte brug for andre typer af medicinske billeder for at identificere det syge område, fx MR-billeder (magnetisk resonans). Sammenlignet med CT har MR-billeder en større kontrast mellem forskelligt blødt væv, hvilket gør det nemmere at skelne mellem kræftsvulst og normal-væv.

I næsten et årti har forskere og industri arbejdet sammen på at udvikle en kombineret lineær accelerator og MR-skanner, kaldet en hybrid MRI lineær accelerator (MR-linac). Det lykkedes i 2018, og Odense Universitetshospital var det femte center i verden, der tog en høj-felts MR-linac i brug1,2,3, hvilket var en stor strategisk investering fra Region Syddanmark på 70 mio. kroner. 

En MR-linac gør det muligt at optage MR-billeder ved hver behandlingsfraktion, uden at afsætte ekstra tid til skanning. I et online MRI-vejledt stråleterapi-workflow kan man tilpasse behandlingen til ”dagens anatomi”, som man kan se på MR-billederne.  Dette muliggør en mere præcis behandling med færre bivirkninger for patienterne.

Det fulde potentiale af en MR-linac er dog ikke begrænset til gode anatomiske billeder. Det er også muligt at opnå biologisk information ved hjælp af avancerede MR-billeddannelsesteknikker som fx diffusions-vægtet MRI (DWI)4. Denne teknik kvantificerer bevægelsen af vandmolekyler i kroppen gennem parameteren ”apparent diffusion coefficient”, ADC. En lav grad af bevægelighed hænger ofte sammen med en høj celletæthed, hvilket kan indikere en høj grad af celledeling og dermed levende kræftceller5. Dermed kan DWI bruges til at identificere under-områder i kræftsvulsten med øget celletæthed. Denne information kan potentielt bruges til at individualisere behandlingen til patienterne. For det første kan man øge strålingsdosen til det særligt celletætte område, for at opnå bedre kontrol med kræftsvulsten (såkaldt ”dose-painting”)6. For det andet har DWI parametre som fx ADC vist et lovende potentiale for at forudsige respons til behandlingen7,8,9,10,11. På baggrund af sidstnævnte kan man beslutte at bruge alternative behandlingsmetoder til patienter, der responderer dårligt på behandlingen, og dermed optimere chancen for helbredelse og/eller minimere bivirkninger af strålebehandlingen for den enkelte patient.

For at gøre det muligt at evaluere det kliniske potentiale af DWI i et MR-linac workflow, er det nødvendigt at sikre ensartet dataanalyse af DWI data. Analyse af DWI data består typisk af to dele, nemlig indtegning af et relevant område og beregning af parametre. Manuel indtegning er tidskrævende og kan være behæftet med inter- og intra- observatør-usikkerhed12,13,14. Både indtegnings-usikkerhed og variation i beregnings-metoder kan føre til usikkerhed af de beregnede parametre.

I dette Ph.D. projekt adresseres de ovenstående udfordringer i tre del-projekter:

1: Udvikling af computer-baserede indtegningsværktøjer til DWI med det formål at opnå større konsistens i beregningen af parametre.

2: Undersøgelse af den tekniske og kliniske gennemførlighed af løbende tilpasset strålebehandling baseret på DWI og DWI-indtegningsværktøjer i et online, MRI-vejledt stråleterapi-workflow.

3: Forudsigelse af lokal kontrol ved hjælp af en ny, data-dreven analysemetode for beregning af DWI parametre anvendt på gentagne DWI skan.

 

  1. Raaymakers BW, Lagendijk JJW, Overweg J, et al. Integrating a 1.5 T MRI scanner with a 6 MV accelerator: proof of concept. Phys Med Biol. 2009;54(12):N229--N237. doi:10.1088/0031-9155/54/12/n01
  2. Raaymakers BW, Jürgenliemk-Schulz IM, Bol GH, et al. First patients treated with a 1.5 T MRI-Linac: Clinical proof of concept of a high-precision, high-field MRI guided radiotherapy treatment. Phys Med Biol. 2017;62(23):L41-L50. doi:10.1088/1361-6560/aa9517
  3. Bertelsen AS, Schytte T, Møller PK, et al. First clinical experiences with a high field 1.5 T MR linac. Acta Oncol (Madr). 2019;58(10):1352-1357. doi:10.1080/0284186X.2019.1627417
  4. Stejskal EO, Tanner JE. Spin diffusion measurements: Spin echoes in the presence of a time-dependent field gradient. J Chem Phys. 1965;42(1):288-292. doi:10.1063/1.1695690
  5. Koh DM, Collins DJ. Diffusion-weighted MRI in the body: Applications and challenges in oncology. Am J Roentgenol. 2007;188(6):1622-1635. doi:10.2214/AJR.06.1403
  6. Lips IM, van der Heide UA, Haustermans K, et al. Single blind randomized Phase III trial to investigate the benefit of a focal lesion ablative microboost in prostate cancer (FLAME-trial): Study protocol for a randomized controlled trial. Trials. 2011;12(December). doi:10.1186/1745-6215-12-255
  7. Monguzzi L, Ippolito D, Bernasconi DP, Trattenero C, Galimberti S, Sironi S. Locally advanced rectal cancer: Value of ADC mapping in prediction of tumor response to radiochemotherapy. Eur J Radiol. 2013;82(2):234-240. doi:10.1016/j.ejrad.2012.09.027
  8. Schurink NW, Lambregts DMJ, Beets-Tan RGH. Diffusion-weighted imaging in rectal cancer: Current applications and future perspectives. Br J Radiol. 2019;92(1096):20180655. doi:10.1259/bjr.20180655
  9. Tsien C, Cao Y, Chenevert T. Clinical Applications for Diffusion Magnetic Resonance Imaging in Radiotherapy. Semin Radiat Oncol. 2014;24(3):218-226. doi:https://doi.org/10.1016/j.semradonc.2014.02.004
  10. King AD, Chow KK, Yu KH, et al. Head and neck squamous cell carcinoma: Diagnostic performance of diffusion-weighted MR imaging for the prediction of treatment response. Radiology. 2013;266(2):531-538. doi:10.1148/radiol.12120167
  11. Mahmood F, Johannesen HH, Geertsen P, Hansen RH. Repeated diffusion MRI reveals earliest time point for stratification of radiotherapy response in brain metastases. Phys Med Biol. 2017;62(8):2990-3002. doi:10.1088/1361-6560/aa5249
  12. Burbach JPM, Kleijnen JPJ, Reerink O, et al. Inter-observer agreement of MRI-based tumor delineation for preoperative radiotherapy boost in locally advanced rectal cancer. Radiother Oncol. 2016;118(2):399-407. doi:10.1016/j.radonc.2015.10.030
  13. Rischke HC, Nestle U, Fechter T, et al. 3 Tesla multiparametric MRI for GTV-definition of Dominant Intraprostatic Lesions in patients with Prostate Cancer - an interobserver variability study. Radiat Oncol. 2013;8(1):1-12. doi:10.1186/1748-717X-8-183

  14. Intven M, Reerink O, Philippens MEP. Repeatability of diffusion-weighted imaging in rectal cancer. J Magn Reson Imaging. 2014;40(1):146-150. doi:10.1002/jmri.24337

  • Anne Louise Højmark Bisgaard

    PhD student