Image guidance using in-beam real-time magnetic resonance (MR) imaging is expected to improve the targeting accuracy of proton therapy for moving tumors, by reducing treatment margins, detecting interfractional and intrafractional anatomical changes and enabling beam gating. The aim of this study is to quantitatively characterize the static magnetic field and image quality of a 0.22T open MR scanner that has been integrated with a static proton research beamline. The magnetic field and image quality studies are performed using high-precision magnetometry and standardized diagnostic image quality assessment protocols, respectively. The magnetic field homogeneity was found to be typical of the scanner used (98ppm). Operation of the beamline magnets changed the central resonance frequency and magnetic field homogeneity by a maximum of 16Hz and 3ppm, respectively. It was shown that the in-beam MR scanner features sufficient image quality and influences of simultaneous irradiation on the images are restricted to a small sequence-dependent image translation (0.1–0.7mm) and a minor reduction in signal-to-noise ratio (1.3%–5.6%). Nevertheless, specific measures have to be taken to minimize these effects in order to achieve accurate and reproducible imaging which is required for a future clinical application of MR integrated proton therapy.

In der Protonentherapie können aufgrund verschiedener Unsicherheiten Reichweitenveränderungen von Protonen auftreten. Bei der Prompt-Gamma-Ray Timing Methode wird eine Reichweitenveränderung von Protonen anhand der zeitlichen Verteilung der erzeugten prompten Gammastrahlung ermittelt. Die Eignung von neuronalen Netzen zur Reichweitenbestimmung anhand der zeitlichen und spektralen Verteilung von prompten Gammastrahlen wurde untersucht. Es wurden Modelle für die Untersuchung von 1D-Zeitspektren und 2D-Energie-Zeit-Spektren erstellt. Die entwickelten Modelle wurden auf statisch applizierten Spots hoher Intensität trainiert und auf gescannten Spots mit niedrigerer Intensität validiert. Es wurde festgestellt, dass die parallele Analyse von Energie und Zeit die beste Vorhersagekraft der Modelle erreichte. Es wurden Reichweitenveränderungen für statisch applizierte Spots mit einer Genauigkeit von 3,10 mm detektiert, während für gescannt applizierte Spots unter Verwendung von Datenakkumulation ein RMSE von 3,70 mm erreicht wurde. Im Vergleich zu vorherigen multivariaten Modellen konnte keine Verbesserung mit neuronalen Netzen demonstriert werden. Komplexere Modelle und ein umfangreicherer Datensatz könnten die Genauigkeit der Reichweitenvorhersage mittels Deep Learning noch weiter verbessern.:1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Protonentherapien 3 2.1.1 Wechselwirkungen 3 2.1.2 Behandlungsverifikation 4 2.2 Gamma-Ray-basierte Behandlungsverifikation 6 2.2.1 Prompt Gamma-Ray Timing 7 2.2.2 Prompt Gamma-Ray Spectroscopy 9 2.3 Deep Learning 9 2.3.1 Allgemeine Funktionsweise 9 2.3.2 Feedforward Neural Network 10 2.3.3 Faltendes Neuronales Netz 12 2.3.4 Regression und Klassifikation 14 3 Material und Methoden 16 3.1 Softwareumgebung und Infrastruktur 16 3.2 Datengrundlage 16 3.2.1 Datenaufnahme 16 3.2.2 Datenvorverarbeitung 18 3.2.3 Datenakkumulation 20 3.3 Dateneinteilung 21 3.4 Regression und Klassifikation 22 3.5 Modellarchitekturen 22 3.5.1 FFNN 22 3.5.2 1D-CNN 23 3.5.3 2D-CNN 24 3.6 Voruntersuchungen 25 3.6.1 Konstante Hyperparameter 26 3.6.2 Schichtanzahl von FFNN und CNN 26 3.6.3 Filtergröße von CNNs 27 3.6.4 Datennormierung 27 3.6.5 Untersuchung der Architekturen und Energie 28 3.7 Finale Vorhersage der Reichweitenverschiebung 28 4 Ergebnisse 30 4.1 Voruntersuchungen 30 4.1.1 Schichtanzahl von FFNN und CNN 30 4.1.2 Filtergröße von CNNs 31 4.1.3 Datennormierung 32 4.1.4 Untersuchung der Architektur und Energie 32 4.2 Finale Vorhersage der Reichweitenverschiebung: Regression 35 4.3 Finale Vorhersage der Reichweitenverschiebung: Klassifikation 39 5 Diskussion und Ausblick 42 6 Zusammenfassung 48 Anhang A Loss 58 Anhang B Untergrundkorrektur 60 Anhang C Leistungsparameter 61 Anhang D Ergebnistabellen Regression 63 Anhang E Ergebnistabellen Klassifikation 67 / In proton therapy, changes in the range of protons can occur due to various uncertainties. In the prompt gamma-ray timing method, a change in the range of protons is determined based on the temporal and spectral distribution of the generated prompt gamma radiation. The suitability of neural networks for range determination based on the temporal distribution of prompt gamma rays was investigated. Models were created for the investigation of 1D time spectra and 2D energy-time spectra. The developed models were trained on statically applied high intensity spots and validated on scanned spots applied with lower intensity. It was found that the parallel analysis of energy and time achieved the best predictive power of the models. Range changes for statically applied spots were detected with a root mean square error (RMSE) of 3.10 mm, and for dynamically scanned spots, a RMSE of 3.70 mm was achieved when utilizing data accumulation. Compared to previous multivariate models, no improvement could be demonstrated using simple neural networks. More complex models and a more comprehensive data set could further improve the accuracy of range prediction from Deep Learning.:1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Protonentherapien 3 2.1.1 Wechselwirkungen 3 2.1.2 Behandlungsverifikation 4 2.2 Gamma-Ray-basierte Behandlungsverifikation 6 2.2.1 Prompt Gamma-Ray Timing 7 2.2.2 Prompt Gamma-Ray Spectroscopy 9 2.3 Deep Learning 9 2.3.1 Allgemeine Funktionsweise 9 2.3.2 Feedforward Neural Network 10 2.3.3 Faltendes Neuronales Netz 12 2.3.4 Regression und Klassifikation 14 3 Material und Methoden 16 3.1 Softwareumgebung und Infrastruktur 16 3.2 Datengrundlage 16 3.2.1 Datenaufnahme 16 3.2.2 Datenvorverarbeitung 18 3.2.3 Datenakkumulation 20 3.3 Dateneinteilung 21 3.4 Regression und Klassifikation 22 3.5 Modellarchitekturen 22 3.5.1 FFNN 22 3.5.2 1D-CNN 23 3.5.3 2D-CNN 24 3.6 Voruntersuchungen 25 3.6.1 Konstante Hyperparameter 26 3.6.2 Schichtanzahl von FFNN und CNN 26 3.6.3 Filtergröße von CNNs 27 3.6.4 Datennormierung 27 3.6.5 Untersuchung der Architekturen und Energie 28 3.7 Finale Vorhersage der Reichweitenverschiebung 28 4 Ergebnisse 30 4.1 Voruntersuchungen 30 4.1.1 Schichtanzahl von FFNN und CNN 30 4.1.2 Filtergröße von CNNs 31 4.1.3 Datennormierung 32 4.1.4 Untersuchung der Architektur und Energie 32 4.2 Finale Vorhersage der Reichweitenverschiebung: Regression 35 4.3 Finale Vorhersage der Reichweitenverschiebung: Klassifikation 39 5 Diskussion und Ausblick 42 6 Zusammenfassung 48 Anhang A Loss 58 Anhang B Untergrundkorrektur 60 Anhang C Leistungsparameter 61 Anhang D Ergebnistabellen Regression 63 Anhang E Ergebnistabellen Klassifikation 67

Die Protonentherapie von Aderhautmelanomen wird vor allem für die Behandlung von Tumoren nahe kritischer Strukturen (Sehnerv) und bei großen Tumoren angewandt. Dabei ist die begrenzte Reichweite der Protonen vorteilhaft, die scharf begrenzte Dosisfelder im Auge ermöglicht, und das an den Tumor grenzende gesunde Gewebe bestmöglich schont. Daher erfolgt die Positionierung der Patienten und der Strahlenfelder in der Augentumortherapie, wie auch die regelmäßigen Konstanzprüfungen, mit einer Reichweitengenauigkeit in Wasser von 0,1 mm. Mit einem Multi-Leaf Faraday Cup (MLFC) kann die Reichweite der Protonen in kurzer Zeit sehr genau gemessen werden. Dabei misst der MLFC die differentielle Fluenz der Protonenstrahlen, also das Reichweitenprofil. Er besteht aus einem Stapel Folien, abwechselnd leitend und isolierend. Eindringende Protonen deponieren eine zusätzliche Ladung in der Folie in der sie stoppen. Durch eine gleichzeitige Strommessung an allen Folien misst der MLFC relativ schnell die Reichweite der Protonen. Aufgabe dieser Arbeit ist es, einen MLFC entsprechend den Anforderungen der Augentumortherapie zu entwickeln, aufzubauen und mögliche Anwendungspotentiale zu untersuchen. Dafür wurden Monte-Carlo-Rechnungen mit MCNPX 2.6 und SRIM durchgeführt, verschiedene Folienstapel an Luft und im Vakuum untersucht, verschiedene Messelektroniken zur gleichzeitigen Messung von Strömen im pA-Bereich in vielen Kanälen getestet, ein Absorbersystem für einen variablen Messbereich von 30 MeV bis 70 MeV aufgebaut und die entsprechende Mess- und Steuersoftware in LabVIEW 2011 entwickelt. Es wurde die Genauigkeit der Reichweitenmessungen untersucht und gezeigt, dass der MLFC durch seine Mobilität eine schnelle Energiebestimmung an unterschiedlichen Experimentierplätzen erlaubt. In der Therapie ist neben der einfachen Bestimmung der maximalen Reichweite der Protonen auch die regelmäßige Kontrolle der Modulation der ausgedehnten Bragg-Kurven möglich. / Proton therapy of uveal melanomas is primarily used for the treatment of tumors near critical structures (optic nerve) and in large tumors. The great advantage of protons is their sharply limited range in tissue, which leads to sharp defined dose fields in the eye and the dose absorbed by the healthy tissue around the tumor can be reduced. Therefore, the positioning of the patient and the radiation fields, as well as the regular control measurements in the eye tumor therapy requires an accuracy of 0.1 mm in water. A Multi-Leaf Faraday Cup (MLFC) gives the opportunity to measure the proton range relatively fast and accurate. The MLFC measures the differential fluence, which means the range profile of the proton beam. It consists of a stack of sheets, alternating conductive and insulating, and the penetrating protons bring their additional charge into the sheet in which they stop. By measuring the corresponding current in each conducting sheet at the same time, the MLFC can quickly measure the range of the protons. The task of this work is to develop a MLFC with respect to the requirements of the eye tumor therapy and to explore possible application potentials. Therefore, Monte Carlo calculations with MCNPX 2.6 and SRIM were conducted, various foil stacks were studied in air and in vacuum, different measurement electronics for measuring currents in the pA range in many channels simultaneously were tested, a system of degraders for a variable measuring range from 30 MeV to 70 MeV was developed and the corresponding measurement and control software was written in LabVIEW 2011. The accuracy of the range measurements was examined and it was shown that a quick energy measurement at different target stations can be made by the MLFC due to its mobility. In therapy, in addition to the determination of the maximum range of the proton beam, the regular monitoring of the modulation of the extended Bragg-curves is in principle possible.