[論文レビュー] Deep learning-based Real-time Volumetric Imaging for Lung Stereotactic Body Radiation Therapy: A Proof of Concept Study

Yang Lei, Zhen Tian+6 more|arXiv (Cornell University)|May 24, 2020

Advanced Radiotherapy Techniques参考文献 23被引用数 7

ひとこと要約

本研究では、肺の立体的SBRTのため、1枚の2次元X線投影からリアルタイム3次元ボリュメトリックCT画像を再構築する深層学習ベースの生成的敵対ネットワーク（GAN）であるTransNetを提案する。本手法は、4つの投影角度において、平均MAEが99.3±14.1 HU、NMAEが0.032±0.007、PSNRが23.4±2.2 dB、SSIMが0.949±0.012を達成し、搭載型リアルタイムモーション管理の可能性を示した。

ABSTRACT

Due to the inter- and intra- variation of respiratory motion, it is highly desired to provide real-time volumetric images during the treatment delivery of lung stereotactic body radiation therapy (SBRT) for accurate and active motion management. In this proof-of-concept study, we propose a novel generative adversarial network integrated with perceptual supervision to derive instantaneous volumetric images from a single 2D projection. Our proposed network, named TransNet, consists of three modules, i.e., encoding, transformation and decoding modules. Rather than only using image distance loss between the generated 3D images and the ground truth 3D CT images to supervise the network, perceptual loss in feature space is integrated into loss function to force the TransNet to yield accurate lung boundary. Adversarial supervision is also used to improve the realism of generated 3D images. We conducted a simulation study on 20 patient cases, who had received lung SBRT treatments in our institution and undergone 4D-CT simulation, and evaluated the efficacy and consistency of our method for four different projection angles, i.e., 0, 30, 60 and 90 degree. For each 3D CT image set of a breathing phase, we simulated its 2D projections at these angles.Then for each projection angle, a patient's 3D CT images of 9 phases and the corresponding 2D projection data were used for training, with the remaining phase used for testing. The mean absolute error, normalized MAE, peak signal-to-noise ratio and structural similarity index metric achieved by our method are 99.3 HU, 0.032, 23.4 dB and 0.949, respectively. These results demonstrate the feasibility and efficacy of our 2D-to-3D method for lung cancer patients, which provides a potential solution for in-treatment real-time on-board volumetric imaging for accurate dose delivery to ensure the effectiveness of lung SBRT treatment.

研究の動機と目的

• 呼吸運動の変動性に起因する肺SBRT中のリアルタイムボリュメトリック画像化の課題に対処すること。
• 解剖学的重ね合わせと腫瘍の可視性が限定される2次元投影画像の限界を克服すること。
• 搭載型イメージングシステムを用いて、1枚の2次元投影から3次元ボリュメトリック画像を再構築する深層学習ベースの手法を開発すること。
• 条件付きGANフレームワークにおける感知および敵対的監視を通じて、画像の忠実性と肺境界の正確性を向上させること。
• 4つのシミュレーションスタディにおける複数の投影角度（0°、30°、60°、90°）での手法の頑健性と一貫性を検証すること。

提案手法

• 提案手法であるTransNetは、3つのモジュール（符号化、変換、復号化）を備えた条件付き生成的敵対ネットワーク（cGAN）である。
• 特徴表現の監視のために事前学習済みのSegNetを用いて、感知損失を損失関数に統合し、肺境界の正確性を向上させた。
• 生成された3次元画像が本物の3次元CTボリュームと区別できるようにするため、敵対的損失を用いて画像の現実性を向上させた。
• ネットワークは20例の患者の4次元CTデータで訓練され、1例あたり9つの呼吸フェーズを訓練に、残りの10番目のフェーズをテストに使用した。
• 訓練のため、レイトレーシングを用いて3次元CT画像から4つの角度（0°、30°、60°、90°）における模擬2次元投影を生成した。
• 本手法は、患者固有の4次元CTデータと模擬投影を活用し、1枚の2次元投影から3次元解剖学的構造を再構築できるモデルの訓練に成功した。

実験結果

リサーチクエスチョン

• RQ1 1枚の2次元X線投影を用いて、リアルタイム肺SBRTガイドラインのための正確な3次元ボリュメトリックCT画像を再構築できるか？
• RQ2 感知監視は、2次元投影からの3次元画像生成における肺境界再構築の正確性をどのように向上させるか？
• RQ3 本手法の性能は、異なる投影角度（0°、30°、60°、90°）でどのように変化するか？
• RQ4 敵対的損失の統合は、標準的なGANと比較して生成された3次元画像の現実性をどのように向上させるか？
• RQ5 呼吸運動の変動や患者の解剖学的特徴の違いに対しても、本手法は頑健性と一貫性を維持できるか？

主な発見

• 提案手法は、全投影角度において平均絶対誤差（MAE）が99.3±14.1 Hounsfield単位（HU）を達成した。
• 正規化MAE（NMAE）は0.032±0.007であり、HUレンジに対する再構築精度が優れていることを示した。
• ピーク信号対雑音比（PSNR）は23.4±2.2 dBに達し、良好な画像品質とノイズ耐性を示した。
• 構造的類似性指数（SSIM）は0.949±0.012であり、生成画像と真値3次元画像との間で高い構造的忠実度を示した。
• 前後方向投影（0°）が最も優れた性能を示し、平均NMAEが0.029、平均SSIMが0.956であった。これは、この角度で最良の画像品質が得られたことを示唆している。
• 感知監視により、肺境界の詳細に敏感になることが、視覚的および定量的比較で確認された。