[論文レビュー] Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans

Navdeep Dahiya, Gourav Jhanwar+3 more|arXiv (Cornell University)|Jun 7, 2021

Advanced Radiotherapy Techniques参考文献 26被引用数 4

ひとこと要約

本研究では、自動プランニングシステム（ECHO）によって生成された一貫性があり偏りのないプランを用いて、従来の肺IMRTにおける深層学習3次元線量予測モデルを提案する。この手法により、予測精度と適応性が著しく向上した。手動で作成されたばらつきのあるプランではなく、ECHOが生成するプランを訓練データとして用いることで、0.4秒の推論時間という優れた性能を達成し、臨床的変化への迅速な適応と動的放射線治療環境における高い耐障害性を実現した。

ABSTRACT

Deep learning (DL) 3D dose prediction has recently gained a lot of attention. However, the variability of plan quality in the training dataset, generated manually by planners with wide range of expertise, can dramatically effect the quality of the final predictions. Moreover, any changes in the clinical criteria requires a new set of manually generated plans by planners to build a new prediction model. In this work, we instead use consistent plans generated by our in-house automated planning system (named ``ECHO'') to train the DL model. ECHO (expedited constrained hierarchical optimization) generates consistent/unbiased plans by solving large-scale constrained optimization problems sequentially. If the clinical criteria changes, a new training data set can be easily generated offline using ECHO, with no or limited human intervention, making the DL-based prediction model easily adaptable to the changes in the clinical practice. We used 120 conventional lung patients (100 for training, 20 for testing) with different beam configurations and trained our DL-model using manually-generated as well as automated ECHO plans. We evaluated different inputs: (1) CT+(PTV/OAR)contours, and (2) CT+contours+beam configurations, and different loss functions: (1) MAE (mean absolute error), and (2) MAE+DVH (dose volume histograms). The quality of the predictions was compared using different DVH metrics as well as dose-score and DVH-score, recently introduced by the AAPM knowledge-based planning grand challenge. The best results were obtained using automated ECHO plans and CT+contours+beam as training inputs and MAE+DVH as loss function.

研究の動機と目的

• 深層学習ベースの肺IMRTにおける3次元線量予測のための訓練データとして、手動で作成されたプランの品質にばらつきが生じる問題に対処すること。
• ECHOという一貫性があり自動化されたプランニングシステムを用いて訓練データを生成することで、プランナーの経験依存性やプランのばらつきを低減すること。
• 新たな手動プランニングを必要とせずに、臨床基準の変更に迅速にモデルを適応可能にするために、深層学習モデルの迅速な適合を可能にすること。
• ECHOの制約付き最適化フレームワークを活用して高品質で均一な訓練データを生成することで、予測精度と耐障害性を向上させること。
• 入力特徴量（CT、構造 contour、ビーム設定）および損失関数（MAE、MAE+DVH）がモデル性能に与える影響を調査すること。

提案手法

• 120例の肺がん患者に対して、自社開発の自動プランニングシステムECHO（Expedited Constrained Hierarchical Optimization）を用いて、一貫性があり高品質なIMRTプランを生成した。
• CT画像、OAR/PTVのcontour、ビーム設定データを入力とし、ECHOが生成したプランを教師データとして、3次元畳み込みニューラルネットワーク（CNN）を訓練した。
• 2種類の損失関数（平均絶対誤差（MAE）とMAE + 剤量体積曲線（DVH）損失のハイブリッド）を用いてモデル性能を比較した。
• 訓練データに100例、テストデータに20例を用い、AAPM KBPグランドチャレンジで定義されたDVH指標、線量スコア、DVHスコアを用いて性能を評価した。
• DLモデルの高速性を活かして、1ケースあたり0.4秒という高速な推論を実現した一方で、ECHOの制約付き最適化フレームワークにより臨床的プラン品質を維持した。
• DL予測結果がECHOの最適化を支援する協調的ワークフローを提案した。具体的には、DL予測が高線量領域を特定し、アダプティブボクセル解像度と制約の削減によって計算複雑性を低減する。

実験結果

リサーチクエスチョン

• RQ1 ECHOが生成する一貫性があり自動化されたプランを用いることで、肺IMRTにおける深層学習ベースの3次元線量予測の精度と耐障害性はどのように向上するか？
• RQ2 ECHOプランと手動プランの両方を用いて訓練する場合、ビーム設定とDVHベースの損失関数がモデル性能に与える相対的寄与度は何か？
• RQ3 ECHOが生成したデータで訓練されたDLモデルは、臨床基準（例：線量制限）が変更された場合に、迅速に再訓練または適合可能か？
• RQ4 入力データ構成（CT + contour と CT + contour + ビーム設定）が予測精度に与える影響はどの程度か？
• RQ5 DL予測結果をECHOの制約付き最適化と統合することで、IMRTプラン作成の効率性と品質はどの程度向上するか？

主な発見

• 最も優れた性能を示したモデルは、ECHOが生成したプランを訓練データとして用い、CT、contour、ビーム設定を入力とし、MAE+DVH損失関数を適用したもので、予測精度が最も高かった。
• テストセットにおいて、平均線量スコアは0.926、DVHスコアは0.931を達成し、すべてのDVH指標で臨床的プランと強い一致を示した。
• ECHOのプランを用いることで、手動プランと比較して予測誤差のばらつきが減少し、解剖的変動に対して優れた一般化性能と耐障害性を示した。
• 推論時間は1ケースあたりたった0.4秒であり、ECHOの1～2時間/プランに比べて顕著に高速で、リアルタイム臨床統合の可能性を示した。
• 入力にビーム設定データを含めることで、すべてのプランタイプにおいて予測性能が向上し、特に複雑な症例で顕著な向上が見られた。
• MAE + DVHのハイブリッド損失関数は、MAE単体よりも優れた性能を示した。特にECHOプランを用いた訓練では、DVH制約が構造別線量精度を向上させていることが示唆された。