[논문 리뷰] Deep Dose Plugin Towards Real-time Monte Carlo Dose Calculation Through a Deep Learning based Denoising Algorithm

Ti Bai, Biling Wang외 2명|arXiv (Cornell University)|2020. 11. 30.

Advanced Radiotherapy Techniques참고 문헌 60인용 수 6

한 줄 요약

이 논문은 몬테카를로(MC) 방사선 치료 용량 계산을 위한 실시간 딥러닝 노이즈 제거기(데노이저)를 제안한다. 볼륨 요소(Unshuffle/Shuffle)와 분해된 3D 컨볼루션을 사용하여 추론 속도를 향상시킨다. 이 방법은 39ms 이내의 서브세컨드 추론을 달성하고, 전체 MC 용량 계산을 약 0.15초 내에 수행할 수 있어 실시간 온라인 적응형 방사선 치료의 실현 가능성을 열어준다.

ABSTRACT

Monte Carlo (MC) simulation is considered the gold standard method for radiotherapy dose calculation. However, achieving high precision requires a large number of simulation histories, which is time consuming. The use of computer graphics processing units (GPUs) has greatly accelerated MC simulation and allows dose calculation within a few minutes for a typical radiotherapy treatment plan. However, some clinical applications demand real time efficiency for MC dose calculation. To tackle this problem, we have developed a real time, deep learning based dose denoiser that can be plugged into a current GPU based MC dose engine to enable real time MC dose calculation. We used two different acceleration strategies to achieve this goal: 1) we applied voxel unshuffle and voxel shuffle operators to decrease the input and output sizes without any information loss, and 2) we decoupled the 3D volumetric convolution into a 2D axial convolution and a 1D slice convolution. In addition, we used a weakly supervised learning framework to train the network, which greatly reduces the size of the required training dataset and thus enables fast fine tuning based adaptation of the trained model to different radiation beams. Experimental results show that the proposed denoiser can run in as little as 39 ms, which is around 11.6 times faster than the baseline model. As a result, the whole MC dose calculation pipeline can be finished within 0.15 seconds, including both GPU MC dose calculation and deep learning based denoising, achieving the real time efficiency needed for some radiotherapy applications, such as online adaptive radiotherapy.

연구 동기 및 목표

• 실시간 몬테카를로(MC) 용량 계산이 임상적 방사선 치료에서 요구되는 바를 해결하기 위해, 특히 온라인 적응형 치료를 위한 것이다.
• GPU 가속화에도 불구하고 여전히 실시간 응용에 너무 느린 MC 시뮬레이션의 계산 병목 현상을 해결하기 위해 노력한다.
• 고도로 정확한 노이즈 제거 성능을 유지하면서도 서브세컨드 이내의 추론을 달성하는 딥러닝 기반 데노이저를 개발한다.
• 약한 지도 학습과 파인튜닝을 통해 새로운 치료 빔과 기관에 대한 모델의 빠른 적응을 가능하게 한다.
• 큰 쌍방향 정제된/노이즈가 있는 MC 데이터 세트가 필요한 양의 데이터와 계산 부담을 줄이기 위해 훈련 과정의 요구를 최소화한다.

제안 방법

• 정보 손실 없이 입력 및 출력 텐서의 차원을 줄이기 위해 볼륨 요소(Unshuffle) 및 볼륨 요소(Shuffle) 연산자를 도입하여 계산 효율성을 향상시킨다.
• 3D 볼륨 컨볼루션을 2D 축방향 및 1D 슬라이스 컨볼루션으로 분해하여 FLOPs와 모델 복잡도를 감소시킨다.
• 단지 노이즈가 있는 MC 시뮬레이션만을 입력으로 사용하고 정제된 레이블이 없는, 노이즈에서 노이즈로의 약한 지도 학습 훈련 체계를 구현하여 데이터 요구량을 줄인다.
• 축방향 및 슬라이스 방향에서 공유된 특징 맵을 갖는 수정된 UNet 아키텍처를 설계하였으며, 인스턴스 정규화와 다중 척도 융합을 위한 특징 피라미드를 사용한다.
• 스택된 2D 및 1D 컨볼루션 헤드 이후 3D 볼륨 샐링을 통해 저차원 특징 표현에서 최종 3D 용량 맵을 복원한다.
• 네트워크의 깊이와 너비를 최적화하였다: 백본은 표준 UNet의 6개보다 더 많은 10개의 비선형 레이어를 사용하며, 각 단계에서 특징 맵의 크기를 반으로 줄이고 채널 수를 두 배로 늘린다.

실험 결과

연구 질문

• RQ1 3D 몬테카를로 용량 맵에 대해 서브세컨드 이내의 추론을 달성할 수 있는 딥러닝 기반 데노이저를 설계할 수 있는가?
• RQ2 3D 컨볼루션 연산을 어떻게 분해하고 재구성하여 FLOPs를 감소시키면서도 노이즈 제거 성능을 유지할 수 있는가?
• RQ3 약한 지도 학습이 큰 쌍방향 정제된/노이즈가 있는 MC 데이터 세트의 필요성을 제거할 수 있는가?
• RQ4 볼륨 요소 Unshuffle/Shuffle 및 다중 방향 컨볼루션 분해를 통해 모델의 효율성을 얼마나 향상시킬 수 있는가?
• RQ5 최소한의 추가 데이터로 새로운 빔 유형과 임상 기관에 대해 훈련된 데노이저를 효율적으로 파인튜닝할 수 있는가?

주요 결과

• 제안된 데노이저는 단일 GPU에서 39ms의 추론 시간을 기록하여 기준 모델 대비 11.6배의 속도 향상을 달성한다.
• GPU 기반 MC 시뮬레이션과 딥러닝 데노이저를 포함한 전체 MC 용량 계산 파이프라인은 약 0.15초 내에 실행된다.
• 다중 채널 입력을 활용함으로써 표준 UNet의 6개에서 5개로 감소된 다운샘플링 레이어 수를 통해 모델 아키텍처가 효율성을 향상시킨다.
• 약한 지도 학습 훈련 체계는 고역사량 MC 시뮬레이션을 정답으로 사용할 필요 없이, 데이터 요구량을 극적으로 줄인다.
• 다양한 빔 구성에서 고도로 정확한 노이즈 제거 성능을 유지하며, 최소한의 타겟 도메인 데이터로 빠르게 파인튜닝이 가능하다.
• 볼륨 요소 Unshuffle 및 3D 컨볼루션 분해에 의한 FLOP 감소는 표 2에서 정량적으로 검증되었으며, 표준 UNet 대비 뚜렷한 효율성 향상을 보였다.