[論文レビュー] A Method of Rapid Quantification of Patient-Specific Organ Dose for CT Using Coupled Deep Multi-Organ Segmentation Algorithms and GPU-accelerated Monte Carlo Dose Computing Code

Zhao Peng, Xi Fang+8 more|arXiv (Cornell University)|Aug 1, 2019

Advanced X-ray and CT Imaging被引用数 3

ひとこと要約

本研究では、CTスキャンにおける迅速かつ患者固有の臓器線量推定のためのディープラーニングおよびGPUアクセceleratedモンテカルロ法を提示する。CNNを用いて自動的に臓器をセグメンテーションし、GPU上で実行されるARCHERモンテカルロコードを用いることで、集団平均の体形ホモモルファスと比較して線量推定誤差を顕著に低減した。臓器ごとの相対的線量誤差（RDE）は、-4.3% から 1.5% の範囲に収まった。

ABSTRACT

Purpose: This paper describes a new method to apply deep-learning algorithms for automatic segmentation of radiosensitive organs from 3D tomographic CT images before computing organ doses using a GPU-based Monte Carlo code. Methods: A deep convolutional neural network (CNN) for organ segmentation is trained to automatically delineate radiosensitive organs from CT. With a GPU-based Monte Carlo dose engine (ARCHER) to derive CT dose of a phantom made from a subject's CT scan, we are then able to compute the patient-specific CT dose for each of the segmented organs. The developed tool is validated by using Relative Dose Error (RDE) against the organ doses calculated by ARCHER with manual segmentation performed by radiologists. The dose computation results are also compared against organ doses from population-average phantoms to demonstrate the improvement achieved by using the developed tool. In this study, two datasets were used: The Lung CT Segmentation Challenge 2017 (LCTSC) dataset, which contains 60 thoracic CT scan patients each with 5 segmented organs, and the Pancreas-CT (PCT) dataset, which contains 43 abdominal CT scan patients each with 8 segmented organs. Five-fold cross-validation of the new method is performed on both datasets. Results: Comparing with the traditional organ dose evaluation method that based on population-average phantom, our proposed method achieved the smaller RDE range on all organs with -4.3%~1.5% vs -31.5%~33.9% (lung), -7.0%~2.3% vs -15.2%~125.1% (heart), -18.8%~40.2% vs -10.3%~124.1% (esophagus) in the LCTSC dataset and -5.6%~1.6% vs -20.3%~57.4% (spleen), -4.5%~4.6% vs -19.5%~61.0% (pancreas), -2.3%~4.4% vs -37.8%~75.8% (left kidney), -14.9%~5.4% vs -39.9% ~14.6% (gall bladder), -0.9%~1.6% vs -30.1%~72.5% (liver), and -23.0%~11.1% vs -52.5%~-1.3% (stomach) in the PCT dataset.

研究の動機と目的

• CT画像における迅速かつ自動化された患者固有の臓器線量推定手法の開発を目的とする。
• 集団平均の体形ホモモルファスを用いる場合に生じる解剖学的ばらつきに起因する線量推定の不確実性および誤差を低減することを目的とする。
• ディープラーニングベースの臓器セグメンテーションとGPUアクセceleratedモンテカルロ線量計算を統合し、臨床応用の可能性を検証することを目的とする。
• 放射線科医による手動セグメンテーションと比較し、従来手法と比較して精度が向上することを検証することを目的とする。

提案手法

• 3次元畳み込みニューラルネットワーク（CNN）を、3次元CT画像からの放射線感受性臓器の自動セグメンテーションに訓練する。
• セグメンテーションされた患者の解剖学的構造を、GPUアクセceleratedモンテカルロ線量エンジンARCHERの入力として用い、臓器固有の線量を計算する。
• 2つのデータセット（LCTSC：60例の胸部スキャン、5つの臓器；PCT：43例の腹部スキャン、8つの臓器）を用いて5分割交差検証を実施する。
• 放射線科医による手動セグメンテーションからの基準線量と比較して、相対的線量誤差（RDE）を用いて線量精度を評価する。
• 患者固有の線量を集団平均ホモモルファスに基づく線量と比較し、精度向上の度合いを定量化する。
• ディープラーニングによるセグメンテーションと高性能モンテカルロシミュレーションを統合することで、迅速かつ自動的かつ正確な線量計算を実現する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの臓器セグメンテーションモデルは、CTにおける患者固有の線量推定に十分な精度を達成できるか？
• RQ2 本研究で提案する手法による臓器線量推定のRDEは、放射線科医による手動セグメンテーションと比較してどの程度の差があるか？
• RQ3 患者固有の線量推定は、集団平均ホモモルファスに基づく手法と比較して、どの程度誤差を低減するか？
• RQ4 GPUアクセceleratedモンテカルロシミュレーションは、臨床的に実用可能な計算時間で患者固有の線量推定を可能にするか？
• RQ5 本研究で提案する手法を用いることで、複数の臓器において線量推定誤差の低減はどの程度の範囲に達するか？

主な発見

• 提案手法では、全臓器において相対的線量誤差（RDE）が-4.3% から 1.5% の範囲に収まり、集団平均ホモモルファスを用いた場合の肺の-31.5% から 33.9% の範囲と比較して著しく狭くなった。
• 心臓に関しては、提案手法によるRDEは-7.0% から 2.3% であったのに対し、集団ホモモルファスを用いた場合のRDEは-15.2% から 125.1% であった。
• PCTデータセットでは、脾臓のRDEが提案手法で-5.6% から 1.6% にまで低減されたが、集団ホモモルファスを用いた場合のRDEは-20.3% から 57.4% であった。
• 胃に関しては、提案手法によるRDEが-23.0% から 11.1% であったのに対し、集団平均ホモモルファスでは-52.5% から -1.3% であった。これは顕著な改善を示している。
• 肝臓に関しては、提案手法によるRDEが-0.9% から 1.6% であったが、集団ホモモルファスを用いた場合のRDEは-30.1% から 72.5% であった。
• 全体として、本手法は複数の臓器において、従来の集団平均ホモモルファス手法と比較して最大で80%の誤差の大きさの低減を達成した。