[論文レビュー] Deep Dose Plugin Towards Real-time Monte Carlo Dose Calculation Through a Deep Learning based Denoising Algorithm

Ti Bai, Biling Wang+2 more|arXiv (Cornell University)|Nov 30, 2020

Advanced Radiotherapy Techniques参考文献 60被引用数 6

ひとこと要約

本論文では、ボクセルアンシャッフル/シャッフルおよび分解された3次元畳み込みを用いて推論を高速化する、リアルタイムのディープラーニングノイズ除去器を提案する。この手法は39 msというサブ秒未満の推論を達成し、全MC線量計算を約0.15秒で実行可能にし、リアルタイムのオンライン適応放療の実現を可能にする。

ABSTRACT

Monte Carlo (MC) simulation is considered the gold standard method for radiotherapy dose calculation. However, achieving high precision requires a large number of simulation histories, which is time consuming. The use of computer graphics processing units (GPUs) has greatly accelerated MC simulation and allows dose calculation within a few minutes for a typical radiotherapy treatment plan. However, some clinical applications demand real time efficiency for MC dose calculation. To tackle this problem, we have developed a real time, deep learning based dose denoiser that can be plugged into a current GPU based MC dose engine to enable real time MC dose calculation. We used two different acceleration strategies to achieve this goal: 1) we applied voxel unshuffle and voxel shuffle operators to decrease the input and output sizes without any information loss, and 2) we decoupled the 3D volumetric convolution into a 2D axial convolution and a 1D slice convolution. In addition, we used a weakly supervised learning framework to train the network, which greatly reduces the size of the required training dataset and thus enables fast fine tuning based adaptation of the trained model to different radiation beams. Experimental results show that the proposed denoiser can run in as little as 39 ms, which is around 11.6 times faster than the baseline model. As a result, the whole MC dose calculation pipeline can be finished within 0.15 seconds, including both GPU MC dose calculation and deep learning based denoising, achieving the real time efficiency needed for some radiotherapy applications, such as online adaptive radiotherapy.

研究の動機と目的

• 臨床的放療におけるリアルタイムのモンテカルロ（MC）線量計算のニーズに対応すること。特に、オンライン適応治療を対象とする。
• GPUアクセcelerationにもかかわらず、リアルタイム応用に不適切なほど遅延が大きいMCシミュレーションの計算ボトルネックを克服すること。
• 高精度なノイズ除去性能を維持しながら、サブ秒未塔の推論を達成するディープラーニングベースのノイズ除去器を開発すること。
• 弱教師付き学習とファインチューニングを用いて、新しい治療ビームや施設に迅速に適応可能なモデルの構築を可能にすること。
• 大規模なペaired clean/noisy MCデータセットの必要性を最小限に抑え、トレーニングのデータおよび計算負荷を軽減すること。

提案手法

• 情報損失なしに入力および出力テンソルの次元を削減するため、ボクセルアンシャッフルおよびボクセルシャッフル演算子を導入し、計算効率を向上させる。
• 3次元ボリューム畳み込みを2次元アキシャル畳み込みと1次元スライス畳み込みに分解することで、FLOPsとモデルの複雑さを低減する。
• クリーンラベルを一切使用しない、ノイズからノイズへの弱教師付き学習スキームを実装し、データ要件を削減する。
• インスタンス正規化と特徴マップのピラミッドを用いたマルチスケール融合を実現する、軸方向およびスライス方向に共有された特徴マップを有する修正されたUNetアーキテクチャを設計する。
• 2次元および1次元畳み込みヘッドをスタックし、その後に3次元ボクセルシャッフルを適用することで、低次元特徴表現から最終的な3次元線量マップを復元する。
• ネットワークの深さと幅を最適化する：バックボーンは標準UNetの6層ではなく10層の非線形層を用い、各段階で特徴マップのサイズを半分に、チャネル数を2倍に設定する。

実験結果

リサーチクエスチョン

• RQ1 3次元モンテカルロ線量マップに対して、サブ秒未塔の推論を達成できるディープラーニングベースのノイズ除去器を設計できるか？
• RQ2 3次元畳み込み演算をどのように分解・再構成すれば、ノイズ除去性能を損なわずにFLOPsを低減できるか？
• RQ3 弱教師付き学習により、大規模なペアドクリーン/ノイズMCデータセットの必要性を排除できるか？
• RQ4 ボクセルアンシャッフル/シャッフルおよび多方向畳み込み分解によって、モデルの効率をどの程度向上できるか？
• RQ5 トレーニング済みのノイズ除去器は、最小限の追加データで新しいビームタイプや臨床的施設に効率的にファインチューニング可能か？

主な発見

• 提案されたノイズ除去器は、1枚のGPU上で39 msの推論を達成し、ベースラインモデル比で11.6倍の高速化を実現した。
• GPUベースのMCシミュレーションとディープラーニングによるノイズ除去を含む、完全なMC線量計算パイプラインは約0.15秒で実行可能となった。
• マルチチャネル入力を活用することで、標準UNetの6層から5層にダウンサンプリング層を削減し、効率性を向上させた。
• 弱教師付き学習スキームにより、高履歴MCシミュレーションを真値として使用する必要がなくなり、データ要件が顕著に削減された。
• 多様なビーム設定においても高いノイズ除去性能を維持でき、最小限のターゲットドメインデータで迅速にファインチューニングが可能である。
• ボクセルアンシャッフルおよび3次元畳み込み分解によるFLOP削減は、表2で定量的に検証され、標準UNet比で顕著な効率性向上が示された。