[논문 리뷰] A Method of Rapid Quantification of Patient-Specific Organ Dose for CT Using Coupled Deep Multi-Organ Segmentation Algorithms and GPU-accelerated Monte Carlo Dose Computing Code

Zhao Peng, Xi Fang외 8명|arXiv (Cornell University)|2019. 08. 01.

Advanced X-ray and CT Imaging인용 수 3

한 줄 요약

이 연구는 CT 촬영에서 빠르고 환자별 맞춤형 장기 선량 평가를 위한 딥러닝 및 GPU 가속화 몬테카를로 방법을 제시한다. CNN을 사용해 자동으로 장기 분할을 수행하고, GPU 기반의 ARCHER 몬테카를로 코드를 활용함으로써, 인구 평균 속도체를 사용할 때보다 선량 평가 오차를 크게 감소시켰으며, 장기 간 상대 선량 오차(RDE)는 -4.3%에서 1.5%의 범위를 보였다.

ABSTRACT

Purpose: This paper describes a new method to apply deep-learning algorithms for automatic segmentation of radiosensitive organs from 3D tomographic CT images before computing organ doses using a GPU-based Monte Carlo code. Methods: A deep convolutional neural network (CNN) for organ segmentation is trained to automatically delineate radiosensitive organs from CT. With a GPU-based Monte Carlo dose engine (ARCHER) to derive CT dose of a phantom made from a subject's CT scan, we are then able to compute the patient-specific CT dose for each of the segmented organs. The developed tool is validated by using Relative Dose Error (RDE) against the organ doses calculated by ARCHER with manual segmentation performed by radiologists. The dose computation results are also compared against organ doses from population-average phantoms to demonstrate the improvement achieved by using the developed tool. In this study, two datasets were used: The Lung CT Segmentation Challenge 2017 (LCTSC) dataset, which contains 60 thoracic CT scan patients each with 5 segmented organs, and the Pancreas-CT (PCT) dataset, which contains 43 abdominal CT scan patients each with 8 segmented organs. Five-fold cross-validation of the new method is performed on both datasets. Results: Comparing with the traditional organ dose evaluation method that based on population-average phantom, our proposed method achieved the smaller RDE range on all organs with -4.3%~1.5% vs -31.5%~33.9% (lung), -7.0%~2.3% vs -15.2%~125.1% (heart), -18.8%~40.2% vs -10.3%~124.1% (esophagus) in the LCTSC dataset and -5.6%~1.6% vs -20.3%~57.4% (spleen), -4.5%~4.6% vs -19.5%~61.0% (pancreas), -2.3%~4.4% vs -37.8%~75.8% (left kidney), -14.9%~5.4% vs -39.9% ~14.6% (gall bladder), -0.9%~1.6% vs -30.1%~72.5% (liver), and -23.0%~11.1% vs -52.5%~-1.3% (stomach) in the PCT dataset.

연구 동기 및 목표

• CT 영상에서 빠르고 자동화된 환자별 맞춤 장기 선량 평가 방법을 개발하기 위해.
• 인구 평균 속도체를 사용할 때 발생하는 해부학적 변동성으로 인한 선량 평가의 불확실성과 오차를 줄이기 위해.
• 딥러닝 기반 장기 분할과 GPU 가속 몬테카를로 선량 계산을 통합하여 임상 적용 가능성을 확보하기 위해.
• 의사의 수작업 분할 결과와 비교하여 방법의 정확성을 검증하고 기존 방법보다 향상된 정확도를 입증하기 위해.

제안 방법

• 3D 컨volution 신경망(CNN)을 훈련하여 3D CT 영상에서 방사선 민감성 장기를 자동으로 분할한다.
• 분할된 환자 해부학적 구조를 GPU 가속 몬테카를로 선량 엔진 ARCHER의 입력으로 사용하여 장기별 선량을 계산한다.
• 두 데이터셋(LCTSC: 60건의 흉부 촬영, 5개 장기; PCT: 43건의 Abdominal 촬영, 8개 장기)에서 5중 교차검증을 수행한다.
• 의사의 수작업 분할 결과를 기준으로 한 선량 평가 정확도를 상대 선량 오차(RDE)로 평가한다.
• 환자별 선량 평가 결과를 인구 평균 속도체 기반 결과와 비교하여 정확도 향상 정도를 정량화한다.
• 딥러닝 기반 분할과 고성능 몬테카를로 시뮬레이션을 통합함으로써 빠르고 자동화되며 정확한 선량 계산이 가능해진다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 장기 분할 모델이 CT에서 환자별 선량 평가에 충분한 정확도를 달성할 수 있는가?
• RQ2 제안된 방법으로 산출한 장기 선량 평가의 상대 선량 오차(RDE)는 의사의 수작업 분할 결과와 비교해 어떻게 되는가?
• RQ3 환자별 선량 평가가 인구 평균 속도체 기반 방법에 비해 오차를 얼마나 줄이는가?
• RQ4 GPU 가속 몬테카를로 시뮬레이션을 통해 임상적으로 실용적인 계산 시간을 확보할 수 있는가?
• RQ5 제안된 방법을 통해 다양한 장기에서 선량 평가 오차 감소 범위는 어느 정도인가?

주요 결과

• 제안된 방법은 모든 장기에서 상대 선량 오차(RDE) 범위가 -4.3%에서 1.5%로 나타났으며, 이는 인구 평균 속도체를 사용했을 때 폐의 -31.5%에서 33.9%의 범위보다 훨씬 좁은 수준이다.
• 심장의 경우 제안된 방법으로 RDE는 -7.0%에서 2.3%였고, 인구 평균 속도체를 사용했을 때는 -15.2%에서 125.1%였다.
• PCT 데이터셋에서 비장의 RDE는 제안된 방법으로 -5.6%에서 1.6%로 감소했으며, 인구 평균 속도체를 사용했을 때는 -20.3%에서 57.4%였다.
• 위장에서는 제안된 방법이 가장 좁은 오차 범위를 보였으며, RDE는 -23.0%에서 11.1%였고, 인구 평균 속도체 대비 -52.5%에서 -1.3%였으며, 이는 상당한 향상이었다.
• 간의 경우 제안된 방법으로 RDE는 -0.9%에서 1.6%였고, 인구 평균 속도체를 사용했을 때는 -30.1%에서 72.5%였다.
• 전반적으로 제안된 방법은 기존의 인구 평균 속도체 기반 접근 방식 대비 다수 장기에서 최대 오차 크기를 최대 80%까지 감소시켰다.