[論文レビュー] Deep learning based CT-to-CBCT deformable image registration for autosegmentation in head and neck adaptive radiation therapy

Xiao Liang, Howard E. Morgan+2 more|arXiv (Cornell University)|Feb 1, 2021

Advanced Radiotherapy Techniques参考文献 14被引用数 7

ひとこと要約

本研究では、頭頸部オンライン適応放療における自動セグメンテーションを目的として、CBCTからpCTへの変形画像登録と同時に合成CT（sCT）を生成する深層学習フレームワークを提案する。CycleGANと5段階のVoxelmorphネットワークを組み合わせることで、平均Diceスコア0.83、95%ハウスドルフ距離2.01 mmという高い正確性を達成し、標準的手法に比べて正確性と効率性の両面で優れている。

ABSTRACT

The purpose of this study is to develop a deep learning based method that can automatically generate segmentations on cone-beam CT (CBCT) for head and neck online adaptive radiation therapy (ART), where expert-drawn contours in planning CT (pCT) can serve as prior knowledge. Due to lots of artifacts and truncations on CBCT, we propose to utilize a learning based deformable image registration method and contour propagation to get updated contours on CBCT. Our method takes CBCT and pCT as inputs, and output deformation vector field and synthetic CT (sCT) at the same time by jointly training a CycleGAN model and 5-cascaded Voxelmorph model together.The CycleGAN serves to generate sCT from CBCT, while the 5-cascaded Voxelmorph serves to warp pCT to sCT's anatommy. The segmentation results were compared to Elastix, Voxelmorph and 5-cascaded Voxelmorph on 18 structures including left brachial plexus, right brachial plexus, brainstem, oral cavity, middle pharyngeal constrictor, superior pharyngeal constrictor, inferior pharyngeal constrictor, esophagus, nodal gross tumor volume, larynx, mandible, left masseter, right masseter, left parotid gland, right parotid gland, left submandibular gland, right submandibular gland, and spinal cord. Results show that our proposed method can achieve average Dice similarity coefficients and 95% Hausdorff distance of 0.83 and 2.01mm. As compared to other methods, our method has shown better accuracy to Voxelmorph and 5-cascaded Voxelmorph, and comparable accuracy to Elastix but much higher efficiency. The proposed method can rapidly and simultaneously generate sCT with correct CT numbers and propagate contours from pCT to CBCT for online ART re-planning.

研究の動機と目的

• オンライン適応放療（ART）におけるCBCT画像の不正確で時間がかかる手動セグメンテーションの課題に対処すること。
• アーチファクトや断片化がある中でも、計画用CT（pCT）から輪郭をCBCTに迅速かつ正確に伝搬する手法を開発すること。
• 深層学習を用いて、CBCTから正確なHounsfield単位値を有する合成CT（sCT）を生成すること。
• 頭頸部がんの放射線療法におけるオンライン再計画に、リアルタイムで自動化された輪郭付けを可能にすること。

提案手法

• CBCT画像を正確なHounsfield単位値を有する合成CT（sCT）に変換するため、CycleGANを訓練する。
• 5段階のVoxelmorphネットワークを用いて、pCTから生成されたsCTへの変形画像登録を実行する。
• sCT生成と解剖学的ワープの整合性を保つために、CycleGANとVoxelmorphネットワークを同時に訓練する。
• 変形場をpCTの元の輪郭に適用することで、輪郭伝搬を実行する。
• エンドツーエンド学習を活用して、同時に登録の正確性とsCTの品質を向上させる。
• Diceスコアと95%ハウスドルフ距離の指標を用いて、18個の頭頸部構造を対象に評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの手法が、CBCTからpCTへの信頼性のある変形登録と正確な合成CT（sCT）の生成を同時に実現できるか？
• RQ2 本手法は、Elastix や標準的なVoxelmorphといった従来手法と比較して、セグメンテーションの正確性と計算効率の両面で優れているか？
• RQ3 CycleGANと段階的なVoxelmorphの共同学習が、アーチファクトや断片化を含むCBCT上での輪郭伝搬性能を向上させられるか？
• RQ4 生成されたsCTにおいて、臨床的用途に適した正確なHounsfield単位値を維持できるか？
• RQ5 本フレームワークは、頭頸部がんの放射線療法におけるオンライン適応的再計画に向け、迅速で自動化された輪郭付けを可能にするか？

主な発見

• 提案手法は、18個の頭頸部構造において平均Dice類似係数0.83を達成し、高いセグメンテーション正確性を示した。
• 95%ハウスドルフ距離は2.01 mmであり、画像アーチファクトが存在する中でも正確な境界一致を示した。
• 標準的なVoxelmorphおよび5段階のVoxelmorphと比較して、両方の指標（Diceスコアおよびハウスドルフ距離）で優れた性能を示した。
• Elastixと同等の正確性を達成したが、はるかに高い計算効率を示した。
• CycleGANと段階的Voxelmorphの共同学習により、sCT生成と輪郭伝搬の両方の整合性と品質が向上した。
• 本手法は、オンライン適応的放療における迅速で自動化可能かつ臨床的に実用可能な輪郭伝搬を可能にした。