[論文レビュー] Automated Treatment Planning in Radiation Therapy using Generative Adversarial Networks

Rafid Mahmood, Aaron Babier+3 more|arXiv (Cornell University)|Jul 17, 2018

Radiomics and Machine Learning in Medical Imaging被引用数 61

ひとこと要約

この論文は、GANベースの知識ベースの計画パイプラインを提示し、contoured CT slicesから届けられる3D線量分布を予測して、口腔咽頭癌の放射線治療計画を自動化し、いくつかのベースラインを上回る。

ABSTRACT

Knowledge-based planning (KBP) is an automated approach to radiation therapy treatment planning that involves predicting desirable treatment plans before they are then corrected to deliverable ones. We propose a generative adversarial network (GAN) approach for predicting desirable 3D dose distributions that eschews the previous paradigms of site-specific feature engineering and predicting low-dimensional representations of the plan. Experiments on a dataset of oropharyngeal cancer patients show that our approach significantly outperforms previous methods on several clinical satisfaction criteria and similarity metrics.

研究の動機と目的

• 手動の労力と時間を削減するために放射線治療治療計画の自動化を促進する。
• CTデータから直接3D線量分布を学習させることにより、広範な現場固有の特徴量設計への依存を排除する。
• 生成的対向ネットワーク（GAN）が臨床的に受け入れられる線量分布を予測し、それを最適化した後に届けられる計画を生み出すことを示す。
• 最先端のベースラインとGANベースのKBPを比較して、臨床基準の満足度と臨床標準に対する計画の類似性を評価する。
• 自動化された治療計画のためのサイト独立性が実現可能であることを示すパイプラインと証拠を提供する。

提案手法

• 線量予測を条件付きGAN（pix2pixスタイル）で解決される画像着色問題として扱う。
• 着色CTスライスを入力として、線量スライスを出力するU-netジェネレータを使用する；敵対的識別器とL1ペナルティで訓練する。
• 各3D CTを2Dスライスに分割する；130人の患者（15,657枚の画像）を訓練に、87人の患者をテストに使用。
• 予測された3D線量分布を逆最適化（IO）パイプラインに渡して、9つの等距離の同一平面ビームと65項目の目的関数で届けられる計画を生成。
• Adamオプティマイザ（lr=0.0002、betas 0.5 および 0.999）で25エポック訓練；L1ペナルティのλを90に設定。
• ベースライン手法にはBagging Query、generalized PCA、Random Forest、CNNベースのボクセル線量予測を含む；すべて同じIOパイプラインに入力し、公正な比較を行う。

実験結果

リサーチクエスチョン

• RQ1 GANは、手作りの特徴量設計を用いず、着色CT画像から臨床的に受け入れられる3D線量分布を直接予測できるか？
• RQ2 GANベースのKBPアプローチは、臨床基準を満たし、臨床計画により近い届けられる治療計画を生み出すか、ベースラインKBP手法よりも近いか？
• RQ3 アウトオブサンプルの患者にも堅牢か、gamma passing rateと基準満足度の点で臨床計画とどのように比較されるか？
• RQ4 KBPパイプラインは他の癌部位に拡張でき、最小限の現場特有の調整で前処理を自動化できるか？

主な発見

• GAN計画は、KBP手法の中で、臓器受容体(OAR)保護と標的被覆に関する臨床基準を満たす総合的パフォーマンスで最も優れていた。
• GAN計画は特定の基準で臨床計画を上回ることが多く、ベースラインと比較して高いgamma passing rateを得た。
• CNN計画はGAN計画に最も近いパフォーマンスで、特に標的周辺で臨床線量分布への類似性において、GANは小さいが一貫した優位性を維持した。
• IO最適化ステップの後、GANベースの予測は届けられる計画を再現でき、反復的なプランナー-オンコロジストのワークフローをモデル化した。
• 予測は217例の口腔咽頭癌患者データセットから生成され（訓練用130例、テスト用87例）、線量最適化には9本の共平面ビームを使用した。