[論文レビュー] Male pelvic synthetic CT generation from T1-weighted MRI using 2D and 3D convolutional neural networks

Jie Fu, Yingli Yang+4 more|arXiv (Cornell University)|Feb 28, 2018

Advanced X-ray and CT Imaging参考文献 50被引用数 44

ひとこと要約

本論文は、T1強調MRIから骨盤の合成CTを生成する2Dおよび3D CNNモデルを開発・比較し、20名の男性患者に対して体素-wiseおよび骨特異的指標で精度を評価している。

ABSTRACT

To achieve magnetic resonance (MR)-only radiotherapy, a method needs to be employed to estimate a synthetic CT (sCT) for generating electron density maps and patient positioning reference images. We investigated 2D and 3D convolutional neural network (CNN) methods to generate a male pelvic sCT using a T1-weighted MR image. A retrospective study was performed using CTs and T1-weighted MR images of 20 prostate cancer patients. The proposed 2D CNN model, which contained 27 convolutional layers, was modified from the SegNet for better performance. 3D version of the CNN model was also developed. Both CNN models were trained from scratch to map intensities of T1-weighted MR images to CT Hounsfield Unit (HU) values. Each sCT was generated in a five-fold-cross-validation framework and compared with the corresponding CT using voxel-wise mean absolute error (MAE), and dice similarity coefficient (DSC), recall, and precision for bony structures. Wilcoxon signed-rank tests were performed to evaluate the differences between the both models. The MAE averaged across all patients were 40.5 $\pm$ 5.4 HU and 37.6 $\pm$ 5.1 HU for the 2D and 3D CNN models, respectively. The DSC, recall, and precision of the bony structures were 0.81 $\pm$ 0.04, 0.85 $\pm$ 0.04, and 0.77 $\pm$ 0.09 for the 2D CNN model, and 0.82 $\pm$ 0.04, 0.84 $\pm$ 0.04, and 0.80 $\pm$ 0.08 for the 3D CNN model, respectively. P values of the Wilcoxon signed-rank tests were less than 0.05 except for recall, which was 0.6. The 2D and 3D CNN models generated accurate pelvic sCTs for the 20 patients using T1-weighted MR images. The evaluation metrics and statistical tests indicated that the 3D model was able to generate sCTs with better MAE, bone DSC, and bone precision. The accuracy of the dose calculation and patient positioning using generated sCTs will be tested and compared for the two models in the future.

研究の動機と目的

• MRのみ放射線治療の実現可能性を、骨の手動セグメンテーションや追加シーケンスなしにMR画像からsCTを生成することで示す。
• T1-weighted MRIから骨盤sCT生成のための2Dおよび3D CNNアーキテクチャを比較する。
• 体素レベルのMAE、体内全体・軟部組織・骨領域での精度と、骨に対するDSC・recall・precisionを用いてsCT精度を評価する。
• 骨盤でMRのみワークフローを実装する際のトレーニング効率と実務的考慮事項を評価する。

提案手法

• SegNetをベースに改良した2Dおよび3D CNNをゼロから訓練し、T1-weighted MRI強度をCTのHounsfield Unitへマッピングする。
• 2Dモデルではインスタンス正規化、残差ショートカット、分数ストライド卷積を使用し、同じアーキテクチャを3Dに拡張する。
• N4バイアス補正とヒストグラム標準化で前処理を行い、監視用として変形CTをMRIに対して deformable Registration することで作成する。
• 5-fold cross-validationで訓練し、体マスク内で計算された平均絶対誤差(loss)を用いてAdamで最適化する。
• 一般化を改善するためにオンザ-flyデータ拡張（シフト/回転）を適用する。
• 全身・軟組織・骨領域でのMAE、および骨のDSC/recall/precisionで評価する。
• Wilcoxon符号付き順位検定を用いて2Dと3Dモデルを比較する。

実験結果

リサーチクエスチョン

• RQ1 標準的なT1-weighted MR画像だけから、CTや手動骨セグメンテーションなしで骨盤の合成CTを正確に生成できるか。
• RQ2 2Dと3D CNNアーキテクチャは、特に骨と軟組織領域で骨盤sCT生成の精度に差があるか。
• RQ3 これらのCNN手法を用いた場合、MAEと骨描出指標が許容範囲内のMR-only放射線治療計画が実現可能か。

主な発見

Metric	2Dモデル	3Dモデル	P value
MAE [HU] 全身	40.5 ± 5.4	37.6 ± 5.1	3.90 × 10^-4
MAE [HU] 軟組織	28.9 ± 4.7	26.2 ± 4.5	2.54 × 10^-4
MAE [HU] 骨	159.7 ± 22.5	154.3 ± 22.3	0.010
DSC	0.81 ± 0.04	0.82 ± 0.04	0.048
recall	0.85 ± 0.04	0.84 ± 0.04	0.60
precision	0.77 ± 0.09	0.80 ± 0.08	1.7 × 10^-3

• 2Dおよび3Dの両方のモデルは、20名の患者に対してT1強調MR画像から正確な骨盤sCTを生成した。
• 3DモデルはMAEがより良く（37.6 ± 5.1 HU対2Dの40.5 ± 5.4 HU）、骨DSC/precisionがわずかに高い。
• 全身の最大MAEは2Dで56.5 HU、3Dで53.1 HUだった。
• 骨領域DSCは2Dで0.81 ± 0.04、3Dで0.82 ± 0.04；recallは2Dで0.85 ± 0.04、3Dで0.84 ± 0.04；precisionは2Dで0.77 ± 0.09、3Dで0.80 ± 0.08。
• Wilcoxon検定はMAEと骨指標に有意差を示し（p < 0.05）、recallを除き（p = 0.60）その他は有意。
• sCT体積あたりの生成時間は両モデルとも約5.5秒。