Cancer is a group of diseases that are characterized by abnormal cell growth and is considered a leading cause of death globally. There are a number of different cancer treatment modalities, one of which is radiation therapy. In radiation therapy treatment planning, it is important to make sure that enough radiation is delivered to the tumor and that healthy organs are spared, while also making sure to account for uncertainties such as misalignment of the patient during treatment. To reduce the workload on clinics, data-driven automated treatment planning can be used to generate treatment plans for new patients based on previously delivered plans. In this thesis, we propose a novel method for robust automated treatment planning where a deep learning model is trained to deform a dose in accordance with a set of potential scenarios that account for the different uncertainties while maintaining certain statistical properties of the input dose. The predicted scenario doses are then used in a robust optimization problem with the goal of finding a treatment plan that is robust to these uncertainties. The results show that the proposed method for deforming doses yields realistic doses of high quality and that the proposed pipeline can potentially generate doses that conform better to the target than the current state of the art but at the cost of dose homogeneity. / Cancer är ett samlingsnamn för sjukdomar som karaktäriseras av onormal celltillväxt och betraktas som en ledande dödsorsak globalt. Det finns olika typer av cancerbehandling, varav en är strålterapi. Inom strålterapiplanering är det viktigt att säkerställa att tillräckligt med strålning ges till tumören, att friska organ skonas, och att osäkerheter som felplacering av patienten under behandlingen räknas med. För att minska arbetsbelastningen på kliniker används data-driven automatisk strålterapiplanering för att generera behandlingsplaner till nya patienter baserat på tidigare levererade behandlingar. I denna uppsats föreslår vi en ny metod för robust automatisk strålterapiplanering där en djupinlärningsmodell tränas till att deformera en dos i enlighet med en mängd potentiella scenarion som motsvarar de olika osäkerheterna medan vissa statistiska egenskaper bibehålls från originaldosen. De predicerade scenariodoserna används sedan i ett robust optimeringsproblem där målet är att hitta en behandlingsplan som är robust mot dessa osäkerheter. Resultaten visar att den föreslagna metoden för dosdeformation ger realistiska doser av hög kvalitet, vilket i sin tur kan leda till robusta doser med högre doskonformitet än tidigare metoder men på bekostnad av doshomogenitet.

In radiation therapy treatment planning, recent works have used machine learning based on historically delivered plans to automate the process of producing clinically acceptable plans. Compared to traditional approaches such as repeated weighted-sum optimization or multicriteria optimization (MCO), automated planning methods have, in general, the benefits of low computational times and minimal user interaction, but on the other hand lack the flexibility associated with general-purpose frameworks such as MCO. Machine learning approaches can be especially sensitive to deviations in their dose prediction due to certain properties of the optimization functions usually used for dose mimicking and, moreover, suffer from the fact that there exists no general causality between prediction accuracy and optimized plan quality.In this thesis, we present a means of unifying ideas from machine learning planning methods with the well-established MCO framework. More precisely, given prior knowledge in the form of either a previously optimized plan or a set of historically delivered clinical plans, we are able to automatically generate Pareto optimal plans spanning a dose region corresponding to plans which are achievable as well as clinically acceptable. For the former case, this is achieved by introducing dose--volume constraints; for the latter case, this is achieved by fitting a weighted-data Gaussian mixture model on pre-defined dose statistics using the expectation--maximization algorithm, modifying it with exponential tilting and using specially developed optimization functions to take into account prediction uncertainties.Numerical results for conceptual demonstration are obtained for a prostate cancer case with treatment delivered by a volumetric-modulated arc therapy technique, where it is shown that the methods developed in the thesis are successful in automatically generating Pareto optimal plans of satisfactory quality and diversity, while excluding clinically irrelevant dose regions. For the case of using historical plans as prior knowledge, the computational times are significantly shorter than those typical of conventional MCO. / Inom strålterapiplanering har den senaste forskningen använt maskininlärning baserat på historiskt levererade planer för att automatisera den process i vilken kliniskt acceptabla planer produceras. Jämfört med traditionella angreppssätt, såsom upprepad optimering av en viktad målfunktion eller flermålsoptimering (MCO), har automatiska planeringsmetoder generellt sett fördelarna av lägre beräkningstider och minimal användarinteraktion, men saknar däremot flexibiliteten hos allmänna ramverk som exempelvis MCO. Maskininlärningsmetoder kan vara speciellt känsliga för avvikelser i dosprediktionssteget på grund av särskilda egenskaper hos de optimeringsfunktioner som vanligtvis används för att återskapa dosfördelningar, och lider dessutom av problemet att det inte finns något allmängiltigt orsakssamband mellan prediktionsnoggrannhet och kvalitet hos optimerad plan. I detta arbete presenterar vi ett sätt att förena idéer från maskininlärningsbaserade planeringsmetoder med det väletablerade MCO-ramverket. Mer precist kan vi, givet förkunskaper i form av antingen en tidigare optimerad plan eller en uppsättning av historiskt levererade kliniska planer, automatiskt generera Paretooptimala planer som täcker en dosregion motsvarande uppnåeliga såväl som kliniskt acceptabla planer. I det förra fallet görs detta genom att introducera dos--volym-bivillkor; i det senare fallet görs detta genom att anpassa en gaussisk blandningsmodell med viktade data med förväntning--maximering-algoritmen, modifiera den med exponentiell lutning och sedan använda speciellt utvecklade optimeringsfunktioner för att ta hänsyn till prediktionsosäkerheter.Numeriska resultat för konceptuell demonstration erhålls för ett fall av prostatacancer varvid behandlingen levererades med volymetriskt modulerad bågterapi, där det visas att metoderna utvecklade i detta arbete är framgångsrika i att automatiskt generera Paretooptimala planer med tillfredsställande kvalitet och variation medan kliniskt irrelevanta dosregioner utesluts. I fallet då historiska planer används som förkunskap är beräkningstiderna markant kortare än för konventionell MCO.