[論文レビュー] DeepDoseNet: A Deep Learning model for 3D Dose Prediction in Radiation Therapy

Mumtaz Hussain Soomro, Victor Gabriel Leandro Alves+2 more|arXiv (Cornell University)|Oct 29, 2021

Advanced Radiotherapy Techniques被引用数 11

ひとこと要約

DeepDoseNet は、頭頸部 IMRT の 3D 剤量予測を目的とした、ResNet と Dilated DenseNet アーキテクチャを統合した深層学習モデルである。2020 AAPM OpenKBP データセットを用いて、MAE と DVH に基づく損失関数を組み合わせた結果、3D 剤量スコアが 60% 減少し、DVH スコアが 70% 減少するという最先端の性能を達成した。これはベースラインモデルを著しく上回った。

ABSTRACT

The DeepDoseNet 3D dose prediction model based on ResNet and Dilated DenseNet is proposed. The 340 head-and-neck datasets from the 2020 AAPM OpenKBP challenge were utilized, with 200 for training, 40 for validation, and 100 for testing. Structures include 56Gy, 63Gy, 70Gy PTVs, and brainstem, spinal cord, right parotid, left parotid, larynx, esophagus, and mandible OARs. Mean squared error (MSE) loss, mean absolute error (MAE) loss, and MAE plus dose-volume histogram (DVH) based loss functions were investigated. Each model's performance was compared using a 3D dose score, $\\bar{S_{D}}$, (mean absolute difference between ground truth and predicted 3D dose distributions) and a DVH score, $\\bar{S_{DVH}}$ (mean absolute difference between ground truth and predicted dose-volume metrics).Furthermore, DVH metrics Mean[Gy] and D0.1cc [Gy] for OARs and D99%, D95%, D1% for PTVs were computed. DeepDoseNet with the MAE plus DVH-based loss function had the best dose score performance of the OpenKBP entries. MAE+DVH model had the lowest prediction error (P<0.0001, Wilcoxon test) on validation and test datasets (validation: $\\bar{S_{D}}$=2.3Gy, $\\bar{S_{DVH}}$=1.9Gy; test: $\\bar{S_{D}}$=2.0Gy, $\\bar{S_{DVH}}$=1.6Gy) followed by the MAE model (validation: $\\bar{S_{D}}$=3.6Gy, $\\bar{S_{DVH}}$=2.4Gy; test: $\\bar{S_{D}}$=3.5Gy, $\\bar{S_{DVH}}$=2.3Gy). The MSE model had the highest prediction error (validation: $\\bar{S_{D}}$=3.7Gy, $\\bar{S_{DVH}}$=3.2Gy; test: $\\bar{S_{D}}$=3.6Gy, $\\bar{S_{DVH}}$=3.0Gy). No significant difference was found among models in terms of Mean [Gy], but the MAE+DVH model significantly outperformed the MAE and MSE models in terms of D0.1cc[Gy], particularly for mandible and parotids on both validation (P<0.01) and test (P<0.0001) datasets. MAE+DVH outperformed (P<0.0001) in terms of D99%, D95%, D1% for targets. MAE+DVH reduced $\\bar{S_{D}}$ by ~60% and $\\bar{S_{DVH}}$ by ~70%.

研究の動機と目的

• 放射線治療における正確な 3D 剤量予測のための深層学習モデルを開発し、治療計画の効率を向上させること。
• MSE、MAE、および MAE+DVH の異なる損失関数が、3D 剤量および DVH メトリクスの予測精度に与える影響を評価すること。
• 副腎、下顎、脊髄を含む主な臨床的構造物（PTV や OAR）におけるモデルの性能を比較すること。
• DVH に基づく損失を組み込むことで、予測された剤量分布の臨床的妥当性が向上するかどうかを検証すること。
• ハイブリッド型 ResNet および Dilated DenseNet アーキテクチャを用いて、2020 AAPM OpenKBP チャレンジで優れた性能を達成すること。

提案手法

• 多スケールの解剖的特徴および剤量沈着パターンを捉えるために、ResNet と Dilated DenseNet を統合したハイブリッド深層学習アーキテクチャを設計した。
• 2020 AAPM OpenKBP チャレンジの頭頸部患者データセット 200 例を用い、40 例を検証用、100 例をテスト用に割り当てた。
• 3 種類の損失関数を評価した：平均二乗誤差（MSE）、平均絶対誤差（MAE）、および MAE と剤量体積ヒストグラム（DVH）に基づく損失の組み合わせ。
• モデル性能を比較する主な指標として、3D 剤量スコア（$\bar{S_{D}}$）と DVH スコア（$\bar{S_{DVH}}$）を用いた。
• PTV の D99%、D95%、D1% および OAR の Mean[Gy]、D0.1cc[Gy] といった臨床的指標を算出し、モデル間で比較した。
• 予測誤差の差の有意性を検証するため、ウィルコクソン符号順位検定を用いた。

実験結果

リサーチクエスチョン

• RQ1 MAE と DVH に基づく損失を組み合わせることで、単独の MAE や MSE と比較して 3D 剤量予測の精度が向上するか？
• RQ2 DeepDoseNet モデルは、2020 AAPM OpenKBP チャレンジにおける他の参加モデルと比較して、3D 剤量スコアおよび DVH スコアの両面で優れた性能を示すか？
• RQ3 特に重要な臓器における D0.1cc[Gy] の予測誤差は、どの程度低減されるか？
• RQ4 検証データセットおよびテストデータセットにおいて、MAE+DVH、MAE、MSE の各損失バリアント間で予測精度の有意差が認められるか？
• RQ5 モデルは、標的被照射域の被照射率（D99%、D95%、D1%）および臓器障害リスクの低減（Mean[Gy]、D0.1cc[Gy]）を優れた性能で予測できるか？

主な発見

• MAE+DVH モデルはテストセットで 3D 剤量スコア（$\bar{S_{D}}$）が 2.0 Gy に低下し、MSE モデルと比較して約 60% 減少した。
• MAE+DVH モデルはテストセットで DVH スコア（$\bar{S_{DVH}}$）が 1.6 Gy に低下し、MSE モデルと比較して約 70% 減少した。
• MAE+DVH モデルは、下顎および副腎の D0.1cc[Gy] において、両方の MAE モデルおよび MSE モデルを著しく上回った（テストセットで p<0.0001）。PTV メトリクスの D99%、D95%、D1% に対しても同様に有意に優れた性能を示した（p<0.0001）。
• OAR の Mean[Gy] については、各モデル間に有意差は認められず、平均被照射量の予測は一貫していた。
• MAE+DVH モデルは、検証およびテスト両セットで予測誤差が最小であった（p<0.0001、ウィルコクソン検定）、統計的優位性が確認された。
• 本モデルは、OpenKBP チャレンジ参加モデルの中でも、特に臨床的指標の精度および剤量分布の忠実度において、最先端の性能を示した。