[論文レビュー] MRI-based Material Mass Density and Relative Stopping Power Estimation via Deep Learning for Proton Therapy

Yuan Gao, Chih‐Wei Chang+11 more|arXiv (Cornell University)|Oct 11, 2022

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本研究では、プロトン線治療計画のためのMRIオンリー手法を実現するべく、MRIスキャンから物質の質量密度および相対的停止能（RSP）を推定する深層学習フレームワークを提案する。T1、T2およびゼロエコー時間（ZTE）MRIシーケンスを用いて、軟部組織では1%未満の平均絶対誤差率（MAPE）、皮質骨の代替物質では0.3%未満のMAPEを達成し、MRIオンリーのプロトン線治療計画において高い精度を示した。

ABSTRACT

Magnetic Resonance Imaging (MRI) is increasingly incorporated into treatment planning, because of its superior soft tissue contrast used for tumor and soft tissue delineation versus computed tomography (CT). However, MRI cannot directly provide mass density or relative stopping power (RSP) maps required for proton radiotherapy dose calculation. To demonstrate the feasibility of MRI-only based mass density and RSP estimation using deep learning (DL) for proton radiotherapy. A DL-based framework was developed to discover underlying voxel-wise correlation between MR images and mass density and RSP. Five tissue substitute phantoms including skin, muscle, adipose, 45% hydroxyapatite (HA), and spongiosa bone were customized for MRI scanning based on material composition information from ICRP reports. Two animal tissue phantoms made of pig brain and liver were prepared for DL training. In the phantom study, two DL models were trained: one containing clinical T1 and T2 MRIs and another incorporating zero echo time (ZTE) MRIs as input. In the patient application study, two DL models were trained: one including T1 and T2 MRIs as input, and one incorporating synthetic dual-energy computed tomography (sDECT) images to provide bone tissue information. In the phantom study, DL model based on T1 and T2 MRI demonstrated higher accuracy mass density and RSP estimation in skin, muscle, adipose, brain, and liver with mean absolute percentage errors (MAPE) of 0.42%, 0.14%, 0.19%, 0.78% and 0.26% for mass density and 0.30%, 0.11%, 0.16%, 0.61% and 0.23% for RSP, respectively. DL model incorporating ZTE MRI improved the accuracy of mass density and RSP estimation in 45% HA and spongiosa bone with MAPE at 0.23% and 0.09% for mass density and 0.19% and 0.07% for RSP, respectively. Results show feasibility of MRI-only based mass density and RSP estimation for proton therapy treatment planning using DL method.

研究の動機と目的

• MRIスキャンからの物質の質量密度および相対的停止能（RSP）を推定する深層学習ベースの手法を開発し、MRIオンリーのプロトン線治療計画を可能にする。
• プロトン線の線量計算に必要なホンズフィールド単位に相当する情報がMRIで直接得られないという制限を克服する。
• T1、T2およびゼロエコー時間（ZTE）MRIを含むさまざまなMRIシーケンスを用いた深層学習モデルの性能を、アンブレラおよび患者データにおいて評価する。
• 合成デュアルエネルギーCT（sDECT）画像の統合が、骨組織のRSP推定精度を向上させる影響を評価する。

提案手法

• マルチコントラストMRIシーケンス（T1、T2、ZTE）とアンブレラからの真値の質量密度およびRSP値とのボクセル単位の相関関係を学習する深層学習フレームワークを訓練した。
• 皮膚、筋肉、脂肪、45%ヒドロキシアpatサイト（HA）、海綿状骨を模した5つの組織同等アンブレラおよびブタの脳・肝臓を用いた2つの動物組織アンブレラをスキャンし、学習データを生成した。
• 2種類の異なる深層学習モデルを訓練した：1つはT1およびT2 MRI入力のみを用い、もう1つはZTE MRIまたは合成デュアルエネルギーCT（sDECT）画像を組み込んで、骨組織の特徴を高精度に捉えることを目的とした。
• モデルはアンブレラデータで検証され、患者データに適用され、質量密度およびRSPの平均絶対誤差率（MAPE）を用いて性能が評価された。
• ZTE MRIは、従来のT1/T2シーケンスで対照が薄い高密度組織（皮質骨など）の推定を向上させるために用いられた。
• フレームワークはアンブレラおよび患者研究の両方でテストされ、臨床応用において高吸収率骨構造を模倣する目的でsDECTが代替として使用された。

実験結果

リサーチクエスチョン

• RQ1 T1およびT2 MRIシーケンスのみを用いて、深層学習が軟部組織および骨の代替物質において、質量密度および相対的停止能（RSP）を正確に推定できるか？
• RQ2 ゼロエコー時間（ZTE）MRIの導入により、皮質骨などの高密度組織におけるRSPおよび質量密度推定精度はどのように向上するか？
• RQ3 合成デュアルエネルギーCT（sDECT）画像の統合により、患者のMRIスキャンにおける骨構造のRSP予測能力はどの程度向上するか？
• RQ4 臨床的患者データにおける深層学習ベースのMRIオンリーRSP推定の達成可能な精度は、アンブレラ研究と比べてどの程度か？
• RQ5 提案された深層学習フレームワークは、多様な組織タイプにおいて質量密度およびRSPの平均絶対誤差率（MAPE）を1%未満に抑えることができるか？

主な発見

• T1およびT2 MRIのみを用いた深層学習モデルは、皮膚、筋肉、脂肪、脳、肝臓を含む軟部組織において、質量密度で0.42%、RSPで0.30%の平均絶対誤差率（MAPE）を達成した。
• ZTE MRIを組み込むことで、45%ヒドロキシアパタイト（HA）骨の代替物質において、MAPEが質量密度で0.23%、RSPで0.19%に低下し、T1/T2のみのモデルに比べて顕著に精度が向上した。
• 海綿状骨では、ZTEを強化したモデルが、質量密度で0.09%、RSPで0.07%のMAPEを達成し、びまん性骨のモデリングにおいて高い精度を示した。
• 合成デュアルエネルギーCT（sDECT）画像を統合したモデルは、特に皮質骨構造において、患者データにおけるRSP推定精度が向上した。
• 全体として、本フレームワークは、高密度骨を含むすべてのテスト組織タイプで1%未満のMAPEを達成し、MRIオンリーのプロトン線治療計画の実現可能性を示した。