Algoritmo de dosimetría interna basada en aprendizaje automático

SCARINCI, I.; PÉREZ, P.; VALENTE, M.

CORDOBA

Congreso; RAFA 2020; 2020

AFA

Los avances en la medicina de precisi ́on en los tratamientos de c ́ancer abren nuevos caminos para el desarrollo de la medicina nuclear. En particular, los procedimientos denominados Teragn ́osticos que combinan el diagn ́ostico con el tratamiento terap ́eutico, representando avances significativos en los procedimientos m ́edicos, los que posibilitan la planificaci ́on, administraci ́on y seguimiento del procedimiento. Durante la planificaci ́on se requiere estimar la actividad ́optima que debe administrarse para alcanzar los niveles dosim ́etricos de la terapia, y proteger los ́organos y tejidos considerados de riesgo. Para ello, existen procedimientos de dosimetr ́ıa interna para estimar la cantidad de radiof ́armaco que debe ser administrada, segu ́n la dosis que se requiere entregar a la zona de tratamiento (target). Debido a las propiedades inherentemente paciente-espec ́ıfico de la biocin ́etica, se requiere del seguimiento de la biodistribuci ́on del radiof ́armaco para evaluar la eficacia del tratamiento.Existen diferentes abordajes para realizar dosimetr ́ıa interna, por ejemplo c ́alculos por Monte Carlo, Valores S o DPK. Dada la naturaleza de los tratamientos teragn ́osticos para cada paciente se obtienen im ́agenes metab ́olicas (PET o SPECT) e im ́agenes anat ́omicas (TAC o RM), las cuales pueden ser utilizadas para el c ́alculo dosim ́etrico a nivel paciente-espec ́ıfico.Este trabajo presenta un algoritmo heur ́ıstico de segmentaci ́on de im ́agenes PET/CT no supervisada utilizando t ́ecnicas de clustering, junto a las correspondientes distribuciones espaciales de dosis a nivel paciente-espec ́ıfico obtenidas por c ́alculos Monte Carlo contemplando la segmentaci ́on como t ́ermino fuente y la informaci ́on anat ́omi- ca como distribuci ́on de masa.