Zielvolumentraining

In dieser Folge spricht Gudrun mit Alexandra Walter, die ihre
Promotion im Mai 2025 am Scientific Computing Center (SCC) des
KIT in Karlsruhe abgeschlossen hat. Ihre Arbeit hat den Titel
"Deep Learning for Radiotherapy: Target Volume Segmentation and
Dynamical Low-Rank Training".


Ihr Forschungsprojekt bewegt sich an der Schnittstelle zwischen
numerischer Mathematik und Krebsforschung. Das Thema erfordert
einen Dreiklang aus Modellverständnis, der Analyse und
Entwicklung geeigneter mathematischer Verfahren und dem sicheren
Umgang mit medizinischen Anwendungsroutinen.

Weltweit erkranken laut WHO jährlich etwa 19 Millionen Menschen
an Krebs, mehr als die Hälfte der Erkrankten überlebt diese
Krankheit nicht. Während neben ungesunden Lebensgewohnheiten, wie
Rauchen, Übergewicht und Alkoholkonsum auch das Erreichen eines
höheren Lebensalters als Risikofaktoren für Krebs zählen, treten
einige Fälle auch bereits in der Kindheit, Jugend oder während
des Erwerbslebens auf. Eine Krebsdiagnose ist für die Betroffenen
und ihre Angehörigen oft sehr belastend. Neben der verbesserten
Früherkennung muss auch die Behandlung von Krebserkrankungen
durch medizinische Forschung und Therapie kontinuierlich
weiterentwickelt werden.

Ein zentrales Verfahren in der Krebsbehandlung ist die
Strahlentherapie, bei der ionisierende Strahlen zur gezielten
Schädigung der DNA von Tumorzellen eingesetzt werden. Von einer
Bestrahlung ist oft auch das umliegende, gesunde Gewebe
betroffen. Dadurch entsteht ein grundlegender Zielkonflikt, bei
dem die vollständige Zerstörung des Tumorgewebe der Schonung des
Normalgewebes gegenübersteht. In den vergangenen Jahren haben
technische Entwicklungen erhebliche Fortschritte ermöglicht,
insbesondere in der hochpräzisen Dosierung der Strahlenbehandlung
und Lokalisierung von Tumor- und Normalgewebe. Computergestützte
Simulationen unter Berücksichtigung individueller Anatomie, die
durch Bildgebung bestimmt werden kann, spielen dabei eine
zentrale Rolle – sei es in der Planungsphase oder in der
Echtzeitüberwachung während der Behandlung.

Die Strahlentherapie erforderte schon immer eine enge
interdisziplinäre Zusammenarbeit, insbesondere zwischen Medizin
und Physik. In den letzten Jahrzehnten hat sich zudem die
Mathematik als unverzichtbare dritte Säule etabliert. Diese
Entwicklung hin zu daten- und modellgestützten Verfahren ebnete
den Weg für moderne Technologien, die über klassische Ansätze
hinausgehen und zunehmend auf intelligente Algorithmen setzen. In
diesem Kontext gewinnt Künstliche Intelligenz (KI) zunehmend an
Bedeutung und verspricht weitere Verbesserungen in der Präzision
der Behandlung, da sie in der Lage ist, komplexe Zusammenhänge
aus großen Datenmengen zu erkennen, individuelle
Therapiestrategien zu optimieren und das Wissen erfahrener
Spezialistinnen durch lernfähige Systeme abzubilden.

Künstliche neuronale Netze (Artificla Neural Networks oder ANNs)
haben sich bei einer Vielzahl von medizinischen
Bildsegmentierungsaufgaben als erfolgreich erwiesen, erfordern
jedoch einen erheblichen Rechenaufwand und Speicherplatz zur
Anpassung der Modellparameter. Die meisten dieser Parameter
werden in großen Gewichts(hyper)matrizen gespeichert, die oft
mehr als 99,98 % der Gesamtparameterzahl des Modells ausmachen.
Um dieses Problem zu lösen, wurde vor kurzem die dynamische
Low-Rank-Approximation auf die Parameteranpassung von ANN, auch
bekannt als Training, angewandt. Während sich die meisten
Forschungsarbeiten zum dynamischen Low-Rank-Training (DLRT) auf
Galerkin-Integratoren konzentrieren, untersucht Alexandra den
Einsatz einer rangadaptiven Variante des
Projector-Splitting-Integrators (PSI) im Kontext von DLRT – einer
Methode, die in anderen Anwendungsgebieten bereits häufig
verwendet wird.


Literature and further information

Webseite der CSMM-Arbeitsgruppe

Liste aller Publikationen von Alexandra Walter



Podcasts

M. Bangert, G. Thäter: Bestrahlungstherapie, Gespräch im
Modellansatz Podcast, Folge 201, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2019.

A. Sage, G. Thäter: Monte-Carlo Simulationen, Gespräch im
Modellansatz Podcast, Folge 204, Fakultät für Mathematik,
Karlsruher Institut für Technologie (KIT), 2019.