[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 69

ひとこと要約

本論文は、境界が描かれたCTスライスから直接3D線量分布を予測し、オーフォラング喉頭がんの放射線治療計画を自動化するGANベースの知識ベース計画パイプラインを提案し、治療計画を実現可能な形にするための最適化段階を行う。

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

• 放射線治療計画の自動化を動機づけ、手作業の労力を減らし一貫性を高める。
• 特徴エンジニアリングを大量に行わず、CTデータから直接線量分布を学習する知識ベースの計画パイプラインを開発する。
• GANベースのアプローチが臨床基準を満たす実現可能な計画を作成できることを示す（OARとターゲットを含む）。

提案手法

• pix2pix風GANとU-netジェネレーターを用いた画像着色問題としてKBP線量予測を再定式化する。
• 130人の患者の境界が描かれたCTスライスを用いて2D線量スライスを予測し、3D線量分布を組み立てる。
• 生成された線量分布を批評する識別ネットワークを用い、腫瘍専門医の評価を模倣する。
• GAN予測を逆最適化パイプラインに通して臨床的制約を満たす実現可能な計画を作成する。
• 前方モデルを用いてOARとターゲット全体で65の目的関数を最小化する最適化をGurobiで行う。
• 臨床基準とガンマ通過率を用いてBQ、gPCA、RF、CNNなどのベースラインと比較評価する。

実験結果

リサーチクエスチョン

• RQ1 GANは特徴エンジニアリングなしでCT解剖学から直接臨床的に受け入れられる3D線量分布を予測できるか。
• RQ2 GAN生成の線量予測が逆最適化されると、臨床基準を満たす実現可能な治療計画を生み出し、既存のKBP手法と同等以上か。
• RQ3 GANベースのKBPは従来の特徴ベースおよびボクセルベースのアプローチと比較して計画品質と導入可能性にどのような差をもたらすか。
• RQ4 GANベースKBPパイプラインはオーフォラング喉頭がん以外の癌部位にも一般化可能か。
• RQ5 逆最適化段階の導入が計画の実現性と臨床基準の満足度に与える影響は何か。

主な発見

• GANの計画は臨床基準の満足度に関してベースラインKBP手法（BQ、gPCA、RF、CNN）を上回った。
• GAN計画は評価された手法の中でOAR節約とターゲット被覆の総合的なバランスが最も良かった。
• Gamma通過率の分析では、GAN計画は特にターゲット周辺で臨床線量分布に最も近いことを平均的に示した。
• GAN計画はときに臨床計画よりもOAR線量を低く抑え、OAR基準の満足度を改善した。
• CNNはGANに最も接近した競合であり、GANは小さくても一貫した優位性を維持した。