[논문 리뷰] Comparison of Patch-Based Conditional Generative Adversarial Neural Net Models with Emphasis on Model Robustness for Use in Head and Neck Cases for MR-Only planning

Peter Klages, Ilyes Benslimane외 6명|arXiv (Cornell University)|2019. 02. 01.

AI in cancer detection참고 문헌 29인용 수 6

한 줄 요약

이 연구는 두 가지 패치 기반 조건부 생성 적대적 신경망인 Pix2Pix와 Cycle GAN이 머리 및 목 암 환자에서 MRI 스캔으로부터 CT 영상을 합성하여 MR-only 방사선 치료 계획을 가능하게 하는지를 평가한다. Pix2Pix는 신체 부위에서 평균 절대 오차(MAE)가 92.4 ± 13.5 HU이며, 중요한 구조물에서 <2%의 방사선 선량 오차를 기록하여 임상적으로 유의미한 잠재력을 보였다.

ABSTRACT

A total of twenty paired CT and MR images were used in this study to investigate two conditional generative adversarial networks, Pix2Pix, and Cycle GAN, for generating synthetic CT images for Headand Neck cancer cases. Ten of the patient cases were used for training and included such common artifacts as dental implants; the remaining ten testing cases were used for testing and included a larger range of image features commonly found in clinical head and neck cases. These features included strong metal artifacts from dental implants, one case with a metal implant, and one case with abnormal anatomy. The original CT images were deformably registered to the mDixon FFE MR images to minimize the effects of processing the MR images. The sCT generation accuracy and robustness were evaluated using Mean Absolute Error (MAE) based on the Hounsfield Units (HU) for three regions (whole body, bone, and air within the body), Mean Error (ME) to observe systematic average offset errors in the sCT generation, and dosimetric evaluation of all clinically relevant structures. For the test set the MAE for the Pix2Pix and Cycle GAN models were 92.4 $\pm$ 13.5 HU, and 100.7 $\pm$ 14.6 HU, respectively, for the body region, 166.3 $\pm$ 31.8 HU, and 184 $\pm$ 31.9 HU, respectively, for the bone region, and 183.7 $\pm$ 41.3 HU and 185.4 $\pm$ 37.9 HU for the air regions. The ME for Pix2Pix and Cycle GAN were 21.0 $\pm$ 11.8 HU and 37.5 $\pm$ 14.9 HU, respectively. Absolute Percent Mean/Max Dose Errors were less than 2% for the PTV and all critical structures for both models, and DRRs generated from these models looked qualitatively similar to CT generated DRRs showing these methods are promising for MR-only planning.

연구 동기 및 목표

• 조건부 생성 적대적 신경망이 MRI 스캔으로부터 CT 영상을 합성하는 데 있어 성능을 평가하는 것.
• 치과 임플랜트 및 금속 임플랜트와 같은 어려운 임상적 아티팩트가 존재할 경우 모델의 강건성을 평가하는 것.
• Pix2Pix와 Cycle GAN이 생성한 합성 CT 영상의 방사선 선량 정확도를 실제 CT 스캔과 비교하는 것.
• 다양한 영상 아티팩트가 존재하는 복잡한 머리 및 목 해부학에서 합성 CT 생성의 임상적 타당성을 검증하는 것.

제안 방법

• 치과 아티팩트가 있는 머리 및 목 암 환자 10명의 쌍체 CT-MR 스캔을 기반으로 두 개의 조건부 GAN(Pix2Pix와 Cycle GAN)을 훈련시켰다.
• 원본 CT를 mDixon FFE MRI 영상과 정렬하기 위해 변형 가능한 영상 정렬을 사용하여 오차 효과를 최소화했다.
• 지역적 이미지 일관성을 중시하기 위해 패치 기반 GAN 아키텍처를 활용하여 MRI 입력에서 합성 CT(sCT) 영상을 생성했다.
• 합성 CT 정확도를 평가하기 위해 전신, 뼈, 공기 영역에서 Hounsfield 단위(HU) 지표인 평균 절대 오차(MAE)와 평균 오차(ME)를 사용했다.
• 방사선 선량 평가를 위해 DRR과 선량 차이를 비교하여 임상적 구조물의 선량 분포를 평가했다.
• 금속 임플랜트 및 비정상 해부학적 구조를 포함한 다양한 아티팩트가 존재하는 별도의 테스트 셋 10건을 활용하여 강건성을 평가했다.

실험 결과

연구 질문

• RQ1 치과 아티팩트가 있는 머리 및 목 암 환자에서 Pix2Pix와 Cycle GAN이 MRI 스캔으로부터 CT 영상을 얼마나 잘 합성하는가?
• RQ2 강한 금속 아티팩트 또는 비정상 해부학을 가진 경우 이 모델들의 강건성은 어떠한가?
• RQ3 다양한 조직 유형(연조직, 뼈, 공기)에서 HU 값 측면에서 합성 CT 영상의 정확도는 어떠한가?
• RQ4 합성 CT 영상이 방사선 치료 계획에서 임상적 구조물의 방사선 선량 정확도를 어느 정도 유지하는가?

주요 결과

• Pix2Pix는 신체 부위에서 평균 절대 오차(MAE)가 92.4 ± 13.5 HU로, Cycle GAN의 100.7 ± 14.6 HU보다 뛰어났다.
• 뼈 부위에서 Pix2Pix의 MAE는 166.3 ± 31.8 HU였고, Cycle GAN은 184.0 ± 31.9 HU였다.
• 공기 부위에서 Pix2Pix는 MAE가 183.7 ± 41.3 HU를 기록하여 Cycle GAN의 185.4 ± 37.9 HU보다 약간 우수했다.
• 평균 오차(ME)는 Pix2Pix가 21.0 ± 11.8 HU, Cycle GAN이 37.5 ± 14.9 HU로, Pix2Pix가 더 낮은 체계적 편향을 보였다.
• PTV 및 모든 중요한 구조물에서 절대 백분율 평균 및 최대 선량 오차가 양 모델 모두에서 2% 미만이었다.
• DRR에 대한 정성적 평가에서 두 모델의 영상이 실제 CT로 생성된 DRR과 유사하게 나타나 임상적 사용 가능성을 뒷받침했다.