AIR TALKS

Desbloqueando la planificación de tratamientos en BNCT usando aprendizaje automático

En la Terapia por Captura Neutrónica en Boro (BNCT), una planificación precisa es particularmente desafiante debido a la interacción entre el campo de neutrones, la distribución de boro y la anatomía del paciente. A diferencia de la radioterapia convencional, la dosis depende de múltiples contribuciones asociadas a reacciones nucleares y de la distribución espacial del boro, lo que permite un efecto terapéutico altamente localizado, pero hace que el cálculo dosimétrico sea fuertemente dependiente del paciente y de la configuración de irradiación. Para planificar un tratamiento se simulan mediante métodos de Monte Carlo (MC) mapas de distribución de dosis a partir de la tomografía computada (CT), las concentraciones de boro estimadas y la configuración de la fuente de neutrones. Si bien estas simulaciones permiten obtener cálculos precisos, su elevado costo computacional limita la evaluación de múltiples configuraciones y, por lo tanto, la optimización del tratamiento. En esta charla se presentarán distintas propuestas basadas en aprendizaje automático para reducir drásticamente estos tiempos de cálculo sin perder precisión. Se analizarán modelos para reducir el ruido estadístico de simulaciones MC no convergidas mediante redes U-Net 3D, aproximaciones de bajo rango de los mapas de dosis mediante familias de funciones aprendidas para su predicción multiescala y, finalmente, el problema inverso de encontrar configuraciones de fuentes de neutrones que satisfagan determinados criterios dosimétricos. En conjunto, estas estrategias buscan facilitar una planificación más rápida, exhaustiva y paciente-específica en BNCT.