[논문 리뷰] A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning

Dan Nguyen, Troy Long외 5명|arXiv (Cornell University)|2017. 09. 26.

Advanced Radiotherapy Techniques참고 문헌 53인용 수 12

한 줄 요약

이 연구는 환자의 해부학적 구조와 영역 표기 데이터로부터 직접 최적의 강도 조절 방사선 치료(IMRT) 선량 분포를 예측하기 위해 수정된 U-Net 아키텍처를 사용한 딥러닝 접근법을 제안한다. 이 방법은 훈련 데이터가 제한된 상황에서도 높은 정확도를 달성하였으며, 평균 절대 선량 차이가 처방 선량의 5% 이하이고, 등선량 부피에 대한 Dice 유사도 계수는 0.91로 나타나, 제한된 훈련 데이터로도 실현 가능함을 보여준다.

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.

연구 동기 및 목표

• 방사선 치료의 치료 계획 시간을 줄이기 위해 딥러닝을 사용하여 최적의 선량 분포를 예측하는 것.
• 환자의 해부학적 구조와 기관 위험 영역의 윤곽을 기반으로 학습하여 더 빠르고 고품질의 치료 계획 최적화를 가능하게 하는 것.
• 작은 데이터셋으로도 딥 네트워크를 사용하여 정확한 선량 예측이 가능한지 평가하는 것.
• 다양한 구조에서 수정된 U-Net 모델의 선량 분포 예측 성능을 평가하는 것.

제안 방법

• 원래는 분할 목적으로 사용되던 U-Net 기반의 컨volution 신경망을 수정하여 환자의 CT 영상과 구조 윤곽에서 3차원 선량 분포를 예측하도록 활용하였다.
• 입력 특징으로는 계획 대상 부위(PTV)와 기관 위험 영역(OAR) 윤곽, CT 스캔에서의 Hounsfield 단위(HU) 값이 포함되었다.
• 모델는 평균 제곱오차 손실 함수를 사용하여 선량 분포를 회귀 예측하도록 종합적으로 훈련되었다.
• 스킵 연결과 인코더-디코더 블록을 사용하여 공간 해상도와 해부학적 세부 정보를 유지하는 아키텍처를 구현하였다.
• 훈련은 상대적으로 작은 전립선암 환자 데이터셋을 사용하여 데이터 요구량을 최소화하였다.
• 예측된 선량 분포는 Dice 유사도 및 절대 선량 차이와 같은 정량적 지표를 사용하여 임상적으로 승인된 계획과 비교되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 환자의 해부학적 구조와 윤곽 데이터로부터 최적의 IMRT 선량 분포를 정확하게 예측할 수 있는가?
• RQ2 수정된 U-Net은 다양한 기관과 PTV에서 선량 분포 예측 성능을 얼마나 잘 보여주는가?
• RQ3 제한된 훈련 데이터로 모델이 얼마나 잘 일반화되는가?
• RQ4 최대 및 평균 선량과 같은 예측된 선량 지표의 정확도는 임상 계획과 비교해 어떤가?

주요 결과

• 예측된 등선량 부피와 실제 등선량 부위 간 평균 Dice 유사도 계수는 처방 선량의 0~100% 범위에서 0.91을 기록하였다.
• PTV 평균 선량의 평균 절대 선량 차이는 1.03%였고, 신체 평균 선량은 0.48%였으며, 모두 처방 선량의 5% 이내였다.
• 기타 기관 위험 영역의 경우, 방광의 평균 절대 선량 차이는 4.22%였고, 좌측 대퇴골두는 1.79%였다.
• 우측 대퇴골두는 평균 선량 차이가 2.55%였으며, 최대값은 5.07%였다.
• 직장에 대해서는 평균 선량 차이가 1.62%로 높은 정확도를 보였다.
• 결과적으로 딥러닝은 최소한의 데이터와 해부학적 입력만으로도 임상적으로 유의미한 선량 분포를 효과적으로 예측할 수 있음을 시사한다.