Projekt 03FMTHH21

PEEK- Entwicklung eines Phantoms zur „end-to-end“ Verifikation einer Kleintierbestrahlung

Ausgangssituation

In der präklinischen Strahlenforschung wird auf Tierversuche, vorrangig an Kleintieren, wie Mäusen oder Ratten, zurückgegriffen, damit neue Behandlungskonzepte untersucht und verifiziert werden können, bevor diese in die Klinik umgesetzt werden. Eine präzise Bestrahlung wird mit Hilfe von individuellen Computertomographie (CT)-Bildern geplant, um die Verteilung der Strahlendosis im Tumor sowie im gesunden Gewebe zu berechnen. Als weiteres bildgebendes Verfahren in der präklinischen Forschung bietet die Biolumineszenz (BL)-Bildgebung mehrere Vorteile, vor allem um die Tumorausdehnung zu erfassen, das Ansprechen des Tumors auf die Bestrahlung zu untersuchen, oder die Bildung von Metastasen nachzuweisen, da diese Informationen nur bedingt durch die CT zu gewinnen sind. Ein Bestrahlungsgerät mit integrierter BL-Bildgebung ermöglicht deshalb eine biologische Anpassung des Behandlungskonzepts unmittelbar vor einer Bestrahlung, ohne das Tier weiter zu bewegen oder mit zusätzlichen Untersuchungen zu belasten.

Zielsetzung

Künstliche Modelle, sogenannte Phantome, bieten eine gute Möglichkeit zur Verringerung oder Ersetzung von Tierversuchen, indem diese für die Kalibrierung und Qualifizierung der zunehmend komplexeren Verläufe sowie für die technische Optimierung der Behandlungstechniken eingesetzt werden. Während in den letzten Jahren immer mehr Phantome für die CT-geführte Berechnung und die Messung der Strahlendosis entwickelt worden sind, gibt es noch Bedarf für anatomisch korrekte Modelle, welche eine Verifikation des gesamten Prozesses, von der kombinierten CT-BL-Bildgebung bis zur Bestrahlung, ermöglichen. Daher ist das Ziel des Projekts PEEK die Entwicklung eines Kleintier-Phantoms zur „end-to-end“ Verifizierung einer Kleintierbestrahlung mit integrierter CT- und BL-Bildgebung.

Abbildung 1: Eine Maus mit einem mit Biolumineszenz markierten Tumor wird mit Biolumineszenz-Bildgebung und Computertomographie untersucht. Der Tumor kann in der Computertomographie nur bedingt nachgewiesen werden, sodass eine Bildfusionierung eine präzisere Lokalisierung und Ausdehnung der zu bestrahlenden Region ermöglicht.

Vorgehensweise

Das zu entwickelnde Phantom soll zunächst die Möglichkeit bieten, eine Untersuchung und Kalibrierung an der präklinische Plattform SmART+ der Firma Precision X-Ray so durchzuführen, dass zur präzisen Lokalisierung und Ausdehnung des Tumors und/oder der Metastasen die BL-Bilder mit den CT-Bildern miteinander fusioniert werden können (s. Abbildung 1). Zu diesem Zweck sollen verschiedenen Materialien untersucht werden, welche sowohl bezüglich der Absorption von Röntgenstrahlen als auch der Ausbreitung der BL-Signale biologisches Gewebe nachahmen. Mittels additiver Fertigung und durch Integration von geeigneten Gewebesurrogaten sollen vorhandene Phantom-Prototypen optimiert werden. Des Weiteren sollen Zellen oder ex-vivo Gewebeproben untersucht und integriert werden. Monte Carlo Simulationen sollen zusätzlich die Genauigkeit der Bestimmung der Tumorlokalisation und -Ausdehnung sowie der dafür vorgesehenen Berechnungsalgorithmen untersuchen.


Beteiligte

Dr. rer. nat. Sabrina Köcher
Projektleitung
Labor für Strahlenbiologie und Experimentelle Radioonkologie

UKE

Dr. Elisabetta Gargioni
Medizinphysikerin
Klinik für Strahlentherapie und Radioonkologie

UKE


Publikationsliste

2021

  • S. Latus, J. Sprenger, M. Neidhardt, J. Schadler, A. Ron, A. Fitzek, M. Schlüter, P. Breitfeld, A. Heinemann, K. Püschel, A. Schlaefer (2021). Rupture detection during needle insertion using complex OCT data and CNNs. IEEE Transactions on Biomedical Engineering. 68 (10), 3059-3067.
  • M. Neidhardt, S. Gerlach, M.-H. Laves, S. Latus, C. Stapper, M. Gromniak, A. Schlaefer (2021). Collaborative robot assisted smart needle placement. Current Directions in Biomedical Engineering. 7. (2), 472-475
  • S. Latus, P. Breitfeld, M. Neidhardt, W. Reip, C. Zöllner, A. Schlaefer (2020). Boundary prediction during epidural punctures based on OCT relative motion analysis. EUR J ANAESTH. 2020 (Volume 37 | e-Supplement 58 | June 2020)
  • L. Bargsten, A. Schlaefer (2020). SpeckleGAN: a generative adversarial network with an adaptive speckle layer to augment limited training data for ultrasound image processing. International Journal of Computer Assisted Radiology and Surgery. 15 (9), 1427-1436.