[論文レビュー] Automated Dose-Based Anatomic Region Classification of Radiotherapy Treatment for Big Data Applications

Justin Hink, Yasin Abdulkadir+2 more|arXiv (Cornell University)|Feb 26, 2026

Advanced Radiotherapy Techniques被引用数 0

ひとこと要約

本研究は、ディープラーニングでセグメンテーションした構造を用いて体積-線量の重なりから解剖学的領域を推定し、ビッグデータ解析のための放射線治療計画のラベリング精度を高く達成する bulk DICOM ワークフローを開発した。

ABSTRACT

Curation is a significant barrier to using 'big data' radiotherapy planning databases of 100,000+ patients. Anatomic site stratification is essential for downstream analyses, but current methods rely on inconsistent plan labels or target nomenclature, which is unreliable for multi-institutional data. We developed software to automate labeling by inferring anatomic regions directly from dose-volume overlap with deep-learning segmentations, eliminating metadata reliance. The software processes DICOM files in bulk, utilizing deep learning to segment 118 structures (organs, glands, and bones) categorized into six regions: Cranial, Head and Neck, Pelvis, Abdomen, Thorax, Extremity. The 85% and 50% isodose lines are converted to structures to compute organ-specific dose-overlap metrics. Plans are assigned ranked regional labels based on these intersections. The algorithm was refined using 109 expert-labeled cases and validated on 100 consecutive clinical plans. On the 100-plan test dataset, the algorithm achieved 91% Exact Accuracy (matching all expert labels and order), 94% Top-2 Accuracy (matching the top two expert regions regardless of order), and 95% Top-1 Accuracy (matching the primary expert label). The automated workflow demonstrated high accuracy and robustness. The 95% Top-1 Accuracy is particularly significant, as it enables reliable querying of plans based on the primary treatment site. Detailed analysis of the few mismatched cases showed most were treated areas at the border between anatomic regions and were ambiguous between these two regions in a common-sense interpretation. This algorithm provides a scalable, standardized solution for curating the large, multi-institutional datasets required for 'big data' in radiotherapy and provides an important complement to text-based approaches.

研究の動機と目的

• 大規模な多機関放射線治療データベースにおけるキュレーションのボトルネックを緩和するため、一貫性のない計画ラベルへの依存を削減する。
• ディープラーニングセグメンテーションにより線量-体積の重なりから解剖学的領域を推定し、治療計画を自動的にラベル付けする。
• ビッグデータ解析を支えうる、スケーラブルで標準化されたキュレーションを放射線治療計画に適用可能にする。

提案手法

• bulk で DICOM ファイルを処理する。
• ディープラーニングを用いて 118 構造物（臓器、腺、骨）を六つの領域にセグメンテーションする。
• 85% および 50% 等線を構造物に変換して、臓器別の線量-重なり指標を計算する。
• 線量の重なりとセグメンテーションの交差に基づいて、計画に対してランク付きの領域ラベルを割り当てる。

実験結果

リサーチクエスチョン

• RQ1 自動化された線量ベースの重なり指標は、複数機関のデータにまたがる放射線治療計画に解剖学的領域ラベルを信頼性高く割り当てられるか。
• RQ2 専門家がラベル付けしたリファレンスと比較して自動領域ラベリングの精度はどうか。
• RQ3 境界領域のケースはラベリング性能および領域間の曖昧性にどのように影響するか。

主な発見

Metric	Value
Exact Accuracy	91%
Top-2 Accuracy	94%
Top-1 Accuracy	95%

• 100 件の連続臨床計画で、本手法は 91% の Exact Accuracy（全ての専門家ラベルと順序が一致）を達成した。
• Top-2 Accuracy は 94%（上位二つの専門家領域が一致、順序は問わず）を達成。
• Top-1 Accuracy は 95%（主要な専門家ラベルが一致）を達成。
• 大半の不一致は治療領域が解剖学的領域の境界に位置する場合に生じ、曖昧さを生じさせた。
• このワークフローはビッグデータ放射線治療のキュレーションに対するスケーラビリティと堅牢性を示す。