[論文レビュー] Dose Prediction with U-net: A Feasibility Study for Predicting Dose Distributions from Contours using Deep Learning on Prostate IMRT Patients.

Dan Nguyen, Troy Long+5 more|arXiv (Cornell University)|Sep 26, 2017

Advanced Radiotherapy Techniques参考文献 35被引用数 45

ひとこと要約

本研究では、計画的的病変部（PTV）および放射線感受性臓器（OAR）の患者輪郭から、強度調制放射線治療（IMRT）の線量分布を直接予測する修正U-netディープラーニングモデルを提案する。少量のデータのみを用いても、等線量体積の平均Dice係数が0.91に達し、全構造において処方線量の5%未満の絶対線量差を示すなど、治療計画の高速化に実現可能であることを示している。

ABSTRACT

With the advancement of treatment modalities in radiation therapy for cancer patients, outcomes have improved, but at the cost of increased treatment plan complexity and planning time. The accurate prediction of dose distributions would alleviate this issue by guiding clinical plan optimization to save time and maintain high quality plans. We have modified a convolutional deep network model, U-net (originally designed for segmentation purposes), for predicting dose from patient image contours of the planning target volume (PTV) and organs at risk (OAR). We show that, as an example, we are able to accurately predict the dose of intensity-modulated radiation therapy (IMRT) for prostate cancer patients, where the average Dice similarity coefficient is 0.91 when comparing the predicted vs. true isodose volumes between 0% and 100% of the prescription dose. The average value of the absolute differences in [max, mean] dose is found to be under 5% of the prescription dose, specifically for each structure is [1.80%, 1.03%](PTV), [1.94%, 4.22%](Bladder), [1.80%, 0.48%](Body), [3.87%, 1.79%](L Femoral Head), [5.07%, 2.55%](R Femoral Head), and [1.26%, 1.62%](Rectum) of the prescription dose. We thus managed to map a desired radiation dose distribution from a patient's PTV and OAR contours. As an additional advantage, relatively little data was used in the techniques and models described in this paper.

研究の動機と目的

• IMRTの治療計画時間を短縮し、患者の解剖学的特徴と輪郭から迅速な線量予測を可能にする。
• 計画の複雑化が進むIMRTにおいて、計画作業負荷と時間の増加に対処する。
• ディープラーニングが、限定的なトレーニング例と輪郭データのみを用いて、線量分布を正確に予測できるかを検討する。
• 臨床的放射線治療における線量予測に、セグメンテーション指向のU-netモデルを適用する可能性を評価する。

提案手法

• 医療画像セグメンテーションに当初設計されたU-netアーキテクチャを、患者の輪郭を入力として用いて線量予測に再トレーニングした。
• 入力データは、CT画像やHounsfield単位を含まず、PTVおよびOARの輪郭のみで構成された。
• モデルは、線量精度を最適化した損失関数を用いて、患者ボリューム全体の3次元線量分布を予測するように訓練された。
• データ効率を重視し、前立腺IMRT症例の比較的小さなデータセットを用いてトレーニングを行った。
• 空間解像度と解剖学的詳細を保持するために、スキップ接続とエンコーダ・デコーダアーキテクチャを採用した。
• モデルの性能は、主な構造におけるDice係数と絶対線量差を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 U-netベースのディープラーニングモデルは、患者の輪郭データのみを用いて、IMRT線量分布を正確に予測できるか？
• RQ2 線量分布の類似性と絶対線量差の観点から、臨床的計画と比較して、モデルの性能はどの程度か？
• RQ3 臨床現場において、最小限のトレーニングデータで線量予測をどの程度達成できるか？
• RQ4 前立腺がん患者の異なるOARおよびPTVに対して、モデルの一般化性能はどの程度か？
• RQ5 セグメンテーションに特化したネットワークであるU-netは、妥当な精度で線量予測に効果的に再利用できるか？

主な発見

• 予測線量と実際の等線量体積との間で、処方線量の0～100%範囲で平均Dice係数が0.91を達成した。
• PTVでは、平均線量差が処方線量の1.03%であり、最大差は1.80%であった。
• 膀胱では、平均線量差が処方線量の4.22%、最大差が1.94%であった。
• ボディ構造では、平均線量差が処方線量の0.48%、最大差が1.80%であった。
• 左大腿骨頭は平均線量差が1.79%、最大差が3.87%であり、右大腿骨頭はそれぞれ2.55%と5.07%であった。
• 直腸では、平均線量差が処方線量の1.62%、最大差が1.26%であった。