Die Protonentherapie zeichnet sich durch steile Dosisgradienten und damit einen gut lokalisierbaren Energieübertrag aus. Um dieses Potential voll ausschöpfen zu können, werden weltweit Möglichkeiten erforscht, die Dosisdeposition und insbesondere die Reichweite der Protonen im Patienten zu verifizieren. Eine vielversprechende, erst im letzten Jahrzehnt entdeckte Methode ist das Prompt Gamma-Ray Timing (PGT), das auf der Abhängigkeit der detektierten Flugzeitverteilung prompter Gammastrahlung von der Transitzeit der Protonen im Patienten beruht. In dieser Arbeit wird eine Geant4-Simulation zur Vorhersage der PGT-Spektren bei Bestrahlung eines PMMA-Phantoms entwickelt und durch den Vergleich mit experimentellen Daten validiert. Sowohl die Emissionsausbeute prompter Gammastrahlung im Phantom als auch die Detektionsrate werden abhängig von der Protonenenergie analysiert. Zur Vergleichbarkeit mit den gemessenen Spektren wird eine mehrschrittige Prozessierung der Simulationsergebnisse vorgestellt. Schließlich wird die Simulation genutzt, um die Sensitivität der PGT-Methode auf Reichweitenänderungen zu demonstrieren. Dafür können in das Phantom Cavitäten unterschiedlicher Dicke und verschiedenen Materials eingefügt werden. Für geeignet gewählte Verteilungsparameter der simulierten PGT-Spektren wird deren detektierte Änderung mit der bekannten induzierten Reichweitenänderung ins Verhältnis gesetzt. Die so bestimmte Sensitivität ist mit früheren Ergebnissen für gemessene Spektren im Rahmen der Unsicherheiten in Übereinstimmung.:1 Einleitung und Motivation 1 2 Theoretische Grundlagen 5 2.1 Wechselwirkung von Protonen mit Materie 5 2.1.1 Bethe-Bloch-Gleichung 6 2.1.2 Reichweite im CSDA-Modell 9 2.1.3 Tiefendosiskurve und Bragg-Peak 10 2.2 Prompt Gamma-Ray Timing 11 2.2.1 Emission prompter Gammastrahlung 11 2.2.2 Korrelation zur Protonen-Reichweite und Dosisdeposition 11 2.2.3 Idee des Prompt Gamma-Ray Timings 14 3 Material und Methoden 17 3.1 Dresdner IBA-Protonentherapie 17 3.1.1 Beschleunigungsprinzip des Isochronzyklotrons 17 3.1.2 Zeitliche Struktur der Protonen-Pakete 18 3.2 Teilchentransportrechnungen mit Geant4 20 3.3 PLD-Format für Pencil-Beam-Scanning-Pläne 21 3.3.1 Geometrische Definition der Spots 21 3.3.2 Dosimetrische Definition der Spots 23 3.3.3 Verwendete Bestrahlungspläne 24 3.4 Messaufbau zur experimentellen Validierung 26 3.4.1 Target – PMMA-Phantom mit verschiedenen Cavitäten 27 3.4.2 Detektoren – CeBr3-Szintillatoren mit Photomultipliern 27 4 Ergebnisse und Diskussion 29 4.1 Simulierte Emission prompter Gammastrahlung 29 4.1.1 Simulierte Emissionsspektren 29 4.1.2 Simulierte Emissionsprofile 30 4.1.3 Totale Emissionsausbeute 31 4.2 Simulierte Detektion prompter Gammastrahlung 33 4.2.1 Detektionsrate und Raumwinkeleffekt 33 4.2.2 Simulierte PGT-Spektren 35 4.2.3 Simulierte Energiespektren 37 4.3 Vergleich simulierter und gemessener Spektren 39 4.3.1 Nachverarbeitung der Simulationsergebnisse 40 4.3.2 Auswahl des Energiefensters 45 4.3.3 Empirisches Modell zur Beschreibung der Zeitspektren 47 4.3.4 Diskussion systematischer Abweichungen 49 4.4 Sensitivität der Simulation gegenüber induzierten Reichweitenänderungen 51 5 Zusammenfassung und Ausblick 59 Anhang 61 A Parameter des Messaufbaus 61 B Angepasste Modellparameter aus Abbildung 4.12 62 C Sensitivität auf Reichweitenänderung bei 162 MeV 63 Literaturverzeichnis 69 / Proton therapy is characterized by steep dose gradients and thus a well-localizable energy transfer. To fully harness this potential, possibilities are being explored worldwide to verify the dose deposition and especially the range of protons in the patient. A promising method discovered only in the last decade is prompt gamma-ray timing (PGT), which relies on the dependence of the detected time-of-flight distribution of prompt gamma radiation on the transit time of protons in the patient. In this study, a Geant4 simulation is developed to predict PGT spectra during irradiation of a PMMA phantom and validated by comparison with experimental data. Both the emission yield of prompt gamma radiation in the phantom and the detection rate are analyzed depending on the proton energy. For comparability with the measured spectra, a multi-step processing of the simulated results is presented. Finally, the simulation is used to demonstrate the sensitivity of the PGT method to changes in range. For this purpose, cavities of different thicknesses and materials can be inserted into the phantom. For appropriately chosen distribution parameters of the simulated PGT spectra, their detected change is compared to the known induced change in range. The sensitivity determined in this way is consistent with previous results for measured spectra within the uncertainties.:1 Einleitung und Motivation 1 2 Theoretische Grundlagen 5 2.1 Wechselwirkung von Protonen mit Materie 5 2.1.1 Bethe-Bloch-Gleichung 6 2.1.2 Reichweite im CSDA-Modell 9 2.1.3 Tiefendosiskurve und Bragg-Peak 10 2.2 Prompt Gamma-Ray Timing 11 2.2.1 Emission prompter Gammastrahlung 11 2.2.2 Korrelation zur Protonen-Reichweite und Dosisdeposition 11 2.2.3 Idee des Prompt Gamma-Ray Timings 14 3 Material und Methoden 17 3.1 Dresdner IBA-Protonentherapie 17 3.1.1 Beschleunigungsprinzip des Isochronzyklotrons 17 3.1.2 Zeitliche Struktur der Protonen-Pakete 18 3.2 Teilchentransportrechnungen mit Geant4 20 3.3 PLD-Format für Pencil-Beam-Scanning-Pläne 21 3.3.1 Geometrische Definition der Spots 21 3.3.2 Dosimetrische Definition der Spots 23 3.3.3 Verwendete Bestrahlungspläne 24 3.4 Messaufbau zur experimentellen Validierung 26 3.4.1 Target – PMMA-Phantom mit verschiedenen Cavitäten 27 3.4.2 Detektoren – CeBr3-Szintillatoren mit Photomultipliern 27 4 Ergebnisse und Diskussion 29 4.1 Simulierte Emission prompter Gammastrahlung 29 4.1.1 Simulierte Emissionsspektren 29 4.1.2 Simulierte Emissionsprofile 30 4.1.3 Totale Emissionsausbeute 31 4.2 Simulierte Detektion prompter Gammastrahlung 33 4.2.1 Detektionsrate und Raumwinkeleffekt 33 4.2.2 Simulierte PGT-Spektren 35 4.2.3 Simulierte Energiespektren 37 4.3 Vergleich simulierter und gemessener Spektren 39 4.3.1 Nachverarbeitung der Simulationsergebnisse 40 4.3.2 Auswahl des Energiefensters 45 4.3.3 Empirisches Modell zur Beschreibung der Zeitspektren 47 4.3.4 Diskussion systematischer Abweichungen 49 4.4 Sensitivität der Simulation gegenüber induzierten Reichweitenänderungen 51 5 Zusammenfassung und Ausblick 59 Anhang 61 A Parameter des Messaufbaus 61 B Angepasste Modellparameter aus Abbildung 4.12 62 C Sensitivität auf Reichweitenänderung bei 162 MeV 63 Literaturverzeichnis 69

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