Over half a million individuals are diagnosed with head and neck cancer each year globally. Radiotherapy is an important curative treatment for this disease, but it requires manual time to delineate radiosensitive organs at risk. This planning process can delay treatment while also introducing interoperator variability, resulting in downstream radiation dose differences. Although auto-segmentation algorithms offer a potentially time-saving solution, the challenges in defining, quantifying, and achieving expert performance remain.Adopting a deep learning approach, we aim to demonstrate a 3D U-Net architecture that achieves expert-level performance in delineating 21 distinct head and neck organs at risk commonly segmented in clinical practice.The model was trained on a data set of 663 deidentified computed tomography scans acquired in routine clinical practice and with both segmentations taken from clinical practice and segmentations created by experienced radiographers as part of this research, all in accordance with consensus organ at risk definitions.We demonstrated the model's clinical applicability by assessing its performance on a test set of 21 computed tomography scans from clinical practice, each with 21 organs at risk segmented by 2 independent experts. We also introduced surface Dice similarity coefficient, a new metric for the comparison of organ delineation, to quantify the deviation between organ at risk surface contours rather than volumes, better reflecting the clinical task of correcting errors in automated organ segmentations. The model's generalizability was then demonstrated on 2 distinct open-source data sets, reflecting different centers and countries to model training.Deep learning is an effective and clinically applicable technique for the segmentation of the head and neck anatomy for radiotherapy. With appropriate validation studies and regulatory approvals, this system could improve the efficiency, consistency, and safety of radiotherapy pathways.

Purpose: The aim of this study was to evaluate the appropriateness of using computed tomography (CT) to cone‐beam CT (CBCT) deformable image registration (DIR) for the application of calculating the “dose of the day” received by a head and neck patient. Methods: NiftyReg is an open‐source registration package implemented in our institution. The affine registration uses a Block Matching‐based approach, while the deformable registration is a GPU implementation of the popular B‐spline Free Form Deformation algorithm. Two independent tests were performed to assess the suitability of our registrations methodology for “dose of the day” calculations in a deformed CT. A geometric evaluation was performed to assess the ability of the DIR method to map identical structures between the CT and CBCT datasets. Features delineated in the planning CT were warped and compared with features manually drawn on the CBCT. The authors computed the dice similarity coefficient (DSC), distance transformation, and centre of mass distance between features. A dosimetric evaluation was performed to evaluate the clinical significance of the registrations errors in the application proposed and to identify the limitations of the approximations used. Dose calculations for the same intensity‐modulated radiation therapy plan on the deformed CT and replan CT were compared. Dose distributions were compared in terms of dose differences (DD), gamma analysis, target coverage, and dose volume histograms (DVHs). Doses calculated in a rigidly aligned CT and directly in an extended CBCT were also evaluated. Results: A mean value of 0.850 in DSC was achieved in overlap between manually delineated and warped features, with the distance between surfaces being less than 2 mm on over 90% of the pixels. Deformable registration was clearly superior to rigid registration in mapping identical structures between the two datasets. The dose recalculated in the deformed CT is a good match to the dose calculated on a replan CT. The DD is smaller than 2% of the prescribed dose on 90% of the bodyˈs voxels and it passes a 2% and 2 mm gamma‐test on over 95% of the voxels. Target coverage similarity was assessed in terms of the 95%‐isodose volumes. A mean value of 0.962 was obtained for the DSC, while the distance between surfaces is less than 2 mm in 95.4% of the pixels. The method proposed provided adequate dose estimation, closer to the gold standard than the other two approaches. Differences in DVH curves were mainly due to differences in the OARs definition (manual vs warped) and not due to differences in dose estimation (dose calculated in replan CT vs dose calculated in deformed CT). Conclusions: Deforming a planning CT to match a daily CBCT provides the tools needed for the calculation of the “dose of the day” without the need to acquire a new CT. The initial clinical application of our method will be weekly offline calculations of the “dose of the day,” and use this information to inform adaptive radiotherapy (ART). The work here presented is a first step into a full implementation of a “dose‐driven” online ART.

Primary soft tissue sarcoma (STS) is rare, with many tumors occurring in extremities. Local management is limb-sparing surgery and preoperative/postoperative radiation therapy (RT) for patients at high risk of local recurrence. We prospectively investigated late normal tissue toxicity and limb function observed after intensity modulated RT (IMRT) in extremity STS.

Abstract Objective. Computational anatomical models have many applications in paediatric radiotherapy. Age-specific computational anatomical models were historically developed to represent average and/or healthy individuals, where cancer patients may present with anatomical variations caused by the disease and/or treatment effects. We developed RT-PAL, a library of computational age-specific voxelized anatomical models tailored to represent the paediatric radiotherapy population. Approach. Data from patients undergoing craniospinal irradiation (CSI) were used (n = 74, median age 7.3y, range: 1–17y). The RT-PAL phantoms were generated using groupwise deformable image registration to spatially normalize and average a sub-set of twenty clinical CTs and contours (n = 74, median age 7.7y, range: 3–14 y). To assess their anatomical and age-dependency plausibility, the RT-PAL models were compared against clinical cancer patient data and two healthy population based libraries of phantoms: the International Commission on Radiological Protection (ICRP) pediatric reference computational phantoms (n = 8, median age 7.5y, range: 1–15y) and a range of 4D paediatric extended cardiac torso (XCAT) phantoms (n = 75, median age 9.1y, range: 1–18y). For each dataset, nineteen organs were segmented on all age models to determine their volume. Each set was evaluated through a linear fit of organ volume with age, where comparisons were made relative to the linear fit of the clinical data. Main Results. Overall good anatomical plausibility was found for the RT-PAL phantoms. The age-dependency reported was comparable to both the clinical data and other phantoms, demonstrating their efficacy as a library of age-specific phantoms. Larger discrepancies with the clinical, ICRP and XCAT organ data were attributable to differences in organ filling, segmentation strategy and age distribution of the datasets, limitations of RT-PAL generation methodology, and/or possible anatomical differences between healthy and cancer populations. Significance. The RT-PAL models showed potential in representing the paediatric radiotherapy cohort, who are most likely to benefit from dedicated, age-specific anatomical phantoms.