[논문 리뷰] A deep learning-based framework for segmenting invisible clinical target volumes with estimated uncertainties for post-operative prostate cancer radiotherapy

Anjali Balagopal, Dan Nguyen외 10명|arXiv (Cornell University)|2020. 04. 28.

Advanced Neural Network Applications참고 문헌 44인용 수 12

한 줄 요약

이 논문은 수술 후 정자세선암 방사선 치료에서 시각적으로 확인할 수 없는 임상적 표적부위(CTV)를 분할하기 위해 먼저 주변 기관을 분할하고 그 해부학적 관계를 활용해 CTV 분할을 안내하는 딥러닝 프레임워크를 제안한다. 모델은 50명의 환자로 구성된 보류 세트에서 평균 DSC 0.87을 달성하고, 의료진 검토를 지원하기 위해 불확실성 추정 기능을 제공하며, 전문가 수작업 분할 수준의 임상적 품질을 입증한다.

ABSTRACT

In post-operative radiotherapy for prostate cancer, the cancerous prostate gland has been surgically removed, so the clinical target volume (CTV) to be irradiated encompasses the microscopic spread of tumor cells, which cannot be visualized in typical clinical images such as computed tomography or magnetic resonance imaging. In current clinical practice, physicians segment CTVs manually based on their relationship with nearby organs and other clinical information, per clinical guidelines. Automating post-operative prostate CTV segmentation with traditional image segmentation methods has been a major challenge. Here, we propose a deep learning model to overcome this problem by segmenting nearby organs first, then using their relationship with the CTV to assist CTV segmentation. The model proposed is trained using labels clinically approved and used for patient treatment, which are subject to relatively large inter-physician variations due to the absence of a visual ground truth. The model achieves an average Dice similarity coefficient (DSC) of 0.87 on a holdout dataset of 50 patients, much better than established methods, such as atlas-based methods (DSC<0.7). The uncertainties associated with automatically segmented CTV contours are also estimated to help physicians inspect and revise the contours, especially in areas with large inter-physician variations. We also use a 4-point grading system to show that the clinical quality of the automatically segmented CTV contours is equal to that of approved clinical contours manually drawn by physicians.

연구 동기 및 목표

• 시각적 종양 기준값이 존재하지 않는 수술 후 정자세선암 방사선 치료에서 시각적으로 확인할 수 없는 임상적 표적부위(CTV)를 분할하는 데 도전하는 것.
• 임상적으로 승인된 레이블을 기반으로 딥러닝을 활용해 자동 분할을 통해 의사 간 변동성을 줄이는 것.
• 기존 앤라스 기반 방법(성능 DSC < 0.7)을 초월해 분할 정확도를 향상시키는 것.
• 의사 검토를 안내하기 위해 자동 CTV 분할의 불확실성을 추정하는 것, 특히 관찰자 간 변동성이 높은 영역에서의 활용을 목적으로 함.
• 4점 평가 체계를 적용해 자동 분할된 CTV 분할 결과가 임상 기준을 충족하는지 검증하는 것.

제안 방법

• 두 단계로 구성된 딥러닝 프레임워크: 첫 번째 단계에서 U-Net 기반 아키텍처를 사용해 방광, 직장 등의 방사선 위험 기관(OARs)을 분할함.
• 두 번째 단계에서 분할된 OAR 간의 공간적 관계와 알려진 해부학적 제약 조건을 활용해 CTV를 예측함. 이 과정에서 임상 지침에서 유래한 사전 지식을 활용함.
• 고도로 관찰자 간 변동성이 있는 임상적으로 승인된 의료진 레이블을 기반으로 학습함. 이때 임상 실무와의 일致를 유도하는 손실 함수를 사용함.
• 추론 과정에서 몬테카를로 드롭아웃을 활용해 불확실성 추정을 수행함. 이로써 예측 분산을 정량화하는 다수의 예측 결과를 생성함.
• 자동 분할 결과의 품질을 전문가 수작업 분할과 비교하기 위해 4점 임상 평가 체계를 적용함.
• CT 및 MRI 영상이 포함된 50명의 수술 후 정자세선암 환자로 구성된 보류 세트를 대상으로 프레임워크를 평가함.

실험 결과

연구 질문

• RQ1 시각적 종양 기준값이 존재하지 않는 수술 후 정자세선암에서 딥러닝 모델이 시각적으로 확인할 수 없는 CTV를 정확하게 분할할 수 있는가?
• RQ2 방사선 위험 기관 분할과 해부학적 관계를 활용하면 앤라스 기반 방법에 비해 CTV 분할 성능이 향상되는가?
• RQ3 딥러닝 모델에서 도출된 불확실성 추정이 관찰자 간 변동성이 높은 영역에서 의사의 주의를 환기하는 데 효과적으로 기여하는가?
• RQ4 자동으로 생성된 CTV 분할 결과의 임상 품질이 전문가 수작업 분할과 유사한가?
• RQ5 관찰자 간 변동성이 있는 임상적으로 승인된 레이블을 기반으로 학습된 딥러닝 프레임워크가 강력하고 신뢰할 수 있는 분할 결과를 도출할 수 있는가?

주요 결과

• 제안된 딥러닝 프레임워크는 수술 후 정자세선암 환자 50명으로 구성된 보류 세트에서 평균 DSC 0.87을 달성하였으며, 기존의 앤라스 기반 방법(DSC < 0.7)을 크게 능가함.
• 모델가 생성한 자동 CTV 분할 결과는 전문가 수작업 분할과 동일한 4점 임상 평가 점수를 획득하여 임상적으로 수용 가능함을 시사함.
• 모델가 생성한 불확실성 맵은 관찰자 간 변동성이 높은 영역을 명확히 드러내어 의사의 집중 검토를 가능하게 함.
• 모델는 임상적으로 승인된 레이블을 기반으로 학습되었으며, 이 레이블에 알려진 관찰자 간 차이가 존재하더라도 강건한 성능을 보임.
• 기관 분할과 해부학적 사전 지식의 통합이 직접 분할 접근 방식에 비해 CTV 분할 정확도를 크게 향상시킴.
• 결과적으로, 시각적 기준값이 없는 상황에서도 임상 레이블을 기반으로 딥러닝 모델을 효과적으로 학습시켜, 비시각적 표적 부위 분할의 자동화를 실현할 수 있음.