[論文レビュー] A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning

Dan Nguyen, Troy Long+5 more|arXiv (Cornell University)|Sep 26, 2017

Advanced Radiotherapy Techniques参考文献 53被引用数 12

ひとこと要約

本研究では、患者の解剖および輪郭データから直接、前立腺がん患者の最適な強度調制放射線治療（IMRT）線量分布を予測するための深層学習手法を提案する。修正されたU-Netアーキテクチャを用いた手法は、高精度を達成しており、平均絶対線量差が処方線量の5%未満、等線量体積のDice類似係数が0.91である。限られた学習データでも実現可能であることが示された。

ABSTRACT

With the advancement of treatment modalities in radiation therapy for cancer patients, outcomes have improved, but at the cost of increased treatment plan complexity and planning time. The accurate prediction of dose distributions would alleviate this issue by guiding clinical plan optimization to save time and maintain high quality plans. We have modified a convolutional deep network model, U-net (originally designed for segmentation purposes), for predicting dose from patient image contours of the planning target volume (PTV) and organs at risk (OAR). We show that, as an example, we are able to accurately predict the dose of intensity-modulated radiation therapy (IMRT) for prostate cancer patients, where the average Dice similarity coefficient is 0.91 when comparing the predicted vs. true isodose volumes between 0% and 100% of the prescription dose. The average value of the absolute differences in [max, mean] dose is found to be under 5% of the prescription dose, specifically for each structure is [1.80%, 1.03%](PTV), [1.94%, 4.22%](Bladder), [1.80%, 0.48%](Body), [3.87%, 1.79%](L Femoral Head), [5.07%, 2.55%](R Femoral Head), and [1.26%, 1.62%](Rectum) of the prescription dose. We thus managed to map a desired radiation dose distribution from a patient's PTV and OAR contours. As an additional advantage, relatively little data was used in the techniques and models described in this paper.

研究の動機と目的

• 放射線治療における治療計画時間の短縮を図るため、深層学習を用いて最適な線量分布を予測すること。
• 患者の解剖および臓器障害リスク領域の輪郭から学習することで、迅速かつ高品質な治療計画最適化を可能にすること。
• 小さなデータセットでも、深層ニューラルネットワークを用いて正確な線量予測が可能かどうかを評価すること。
• 複数の構造に対して、修正されたU-Netモデルの線量分布予測性能を評価すること。

提案手法

• 元来はセグメンテーションを目的としていたU-Netベースの畳み込みニューラルネットワークを、患者のCT画像および構造輪郭から3次元線量分布を予測する目的に適合させた。
• 入力特徴には、計画的標的体積（PTV）および臓器障害リスク（OAR）の輪郭に加え、CTスキャンからのHounsfield単位（HU）値を含めた。
• モデルは、平均二乗誤差損失関数を用いて、線量分布の回帰をエンドツーエンドで学習した。
• ネットワークアーキテクチャには、空間分解能および解剖的詳細を保持するためのスキップ接続とエンコーダ-デコーダブロックを採用した。
• 学習には、前立腺がん患者の相対的に小さなデータセットを用い、データ要件を最小限に抑えた。
• 予測線量分布は、定量的指標（Dice類似係数や絶対線量差）を用いて、臨床的に承認された計画と比較した。

実験結果

リサーチクエスチョン

• RQ1 患者の解剖および輪郭データから、深層学習モデルが最適なIMRT線量分布を正確に予測できるか？
• RQ2 修正されたU-Netは、複数の臓器およびPTVにおける線量分布予測において、どの程度の性能を示すか？
• RQ3 限られた学習データでも、モデルの一般化性能はどの程度達成できるか？
• RQ4 最大線量および平均線量といった予測線量指標の正確性は、臨床計画と比べてどの程度か？

主な発見

• 予測線量と実際の等線量体積との間で、処方線量の0–100%の範囲で平均Dice類似係数が0.91であった。
• PTVの平均線量について、平均絶対線量差は1.03%であり、処方線量の5%未満であった。体の平均線量についても0.48%であり、同様に5%未満であった。
• 臓器障害リスクについて、膀胱では平均絶対線量差が4.22%、左大腿骨頭では1.79%であった。
• 右大腿骨頭では、平均線量差が2.55%であり、最大で5.07%であった。
• 直腸については、平均線量差が1.62%と、良好な性能を示した。
• 結果から、最小限のデータと解剖的入力のみで、深層学習が臨床的に関連する線量分布を効果的に予測可能であることが示された。