[논문 리뷰] Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans

Navdeep Dahiya, Gourav Jhanwar외 3명|arXiv (Cornell University)|2021. 06. 07.

Advanced Radiotherapy Techniques참고 문헌 26인용 수 4

한 줄 요약

이 연구는 일관되고 편향이 없는 계획을 자동계획 시스템(ECHO)을 통해 생성한 자료를 사용하여 전통적인 폐 IMRT에 대한 딥러닝 기반 3D 선량 예측 모델을 제안하며, 예측 정확도와 적응 가능성에 있어 뚜렷한 향상을 이룬다. 수동 계획이 아닌 ECHO가 생성한 계획을 훈련 데이터로 사용함으로써, 0.4초의 추론 시간을 기록하며 빠른 성능을 달성하여 임상적 변화에 신속히 대응하고 동적인 방사선 치료 환경에서 더 높은 강건성을 확보할 수 있다.

ABSTRACT

Deep learning (DL) 3D dose prediction has recently gained a lot of attention. However, the variability of plan quality in the training dataset, generated manually by planners with wide range of expertise, can dramatically effect the quality of the final predictions. Moreover, any changes in the clinical criteria requires a new set of manually generated plans by planners to build a new prediction model. In this work, we instead use consistent plans generated by our in-house automated planning system (named ``ECHO'') to train the DL model. ECHO (expedited constrained hierarchical optimization) generates consistent/unbiased plans by solving large-scale constrained optimization problems sequentially. If the clinical criteria changes, a new training data set can be easily generated offline using ECHO, with no or limited human intervention, making the DL-based prediction model easily adaptable to the changes in the clinical practice. We used 120 conventional lung patients (100 for training, 20 for testing) with different beam configurations and trained our DL-model using manually-generated as well as automated ECHO plans. We evaluated different inputs: (1) CT+(PTV/OAR)contours, and (2) CT+contours+beam configurations, and different loss functions: (1) MAE (mean absolute error), and (2) MAE+DVH (dose volume histograms). The quality of the predictions was compared using different DVH metrics as well as dose-score and DVH-score, recently introduced by the AAPM knowledge-based planning grand challenge. The best results were obtained using automated ECHO plans and CT+contours+beam as training inputs and MAE+DVH as loss function.

연구 동기 및 목표

• 딥러닝 기반 3D 선량 예측에 사용되는 폐 IMRT에서 수동으로 생성된 훈련 데이터의 계획 품질 변동성을 해결한다.
• 일관되고 자동화된 계획 시스템(ECHO)을 활용해 계획사의 전문성 의존도를 낮추고 계획 품질의 변동성을 줄인다.
• 새로운 수동 계획 수립이 필요 없이도 임상 기준 변화에 빠르게 적응할 수 있도록 딥러닝 모델의 적응성을 향상시킨다.
• ECHO의 제약 최적화 프레임워크를 활용해 고품질의 균일한 훈련 데이터를 생성함으로써 예측 정확도와 강건성을 향상시킨다.
• 입력 특징(CT, 윤곽선, 빔 구성)과 손실 함수(MAE, MAE+DVH)가 모델 성능에 미치는 영향을 조사한다.

제안 방법

• 120명의 폐암 환자에게 대해 일관되고 고품질의 IMRT 계획을 생성하기 위해 내부 개발한 자동 계획 시스템인 ECHO(Expedited Constrained Hierarchical Optimization)를 활용하였다.
• CT 영상, OAR/PTV 윤곽선, 빔 구성 데이터를 입력으로 사용하여, ECHO가 생성한 계획을 기준값으로 삼아 3D 컨볼루션 신경망(CNN)을 훈련시켰다.
• 두 가지 손실 함수를 비교 분석하였으며, 평균 절대 오차(MAE)와 선량-부피 히스토그램(DVH) 기반 손실의 조합인 하이브리드 MAE+DVH 손실을 사용하였다.
• 훈련 세트로 100명, 테스트 세트로 20명의 환자를 사용하였으며, 성능 평가에는 AAPM KBP 그랜드 챌린지에서 정의한 DVH 지표, 선량-점수(dose-score), DVH-점수를 활용하였다.
• 딥러닝 모델의 빠른 추론 성능을 활용하여 1건당 0.4초의 추론 시간을 달성하였고, ECHO의 제약 최적화 프레임워크를 통해 임상 계획 품질을 유지하였다.
• 딥러닝 예측 결과를 ECHO의 최적화 과정에 통합하는 시너지 워크플로우를 제안하였으며, 고선량 영역을 식별하고, 적응형 볼륨 해상도 및 제약 조건 정제를 통해 계산 복잡도를 감소시켰다.

실험 결과

연구 질문

• RQ1 ECHO가 생성한 일관되고 자동화된 계획을 사용할 경우, 폐 IMRT에서 딥러닝 기반 3D 선량 예측의 정확도와 강건성에 어떤 영향을 미치는가?
• RQ2 ECHO 계획과 수동 계획을 기반으로 훈련했을 때, 빔 구성과 DVH 기반 손실 함수가 모델 성능에 기여하는 비율은 어떻게 다른가?
• RQ3 임상 기준(예: 선량 제약 조건)이 변경되었을 때, ECHO가 생성한 데이터로 훈련된 딥러닝 모델을 신속히 재훈련하거나 적응시킬 수 있는가?
• RQ4 입력 데이터 구성(CT + 윤곽선 대비 CT + 윤곽선 + 빔 구성)이 예측 정확도에 미치는 영향은 어느 정도인가?
• RQ5 딥러닝 예측 결과를 ECHO의 제약 최적화와 통합할 경우, IMRT 계획 수립의 효율성과 품질은 어떻게 향상되는가?

주요 결과

• 최고의 성능을 보인 모델은 ECHO가 생성한 계획을 훈련 데이터로 사용하였으며, 입력으로 CT, 윤곽선, 빔 구성 정보를 포함하고, 하이브리드 MAE+DVH 손실 함수를 적용하여 가장 높은 예측 정확도를 달성하였다.
• 테스트 세트에서 평균 선량-점수(dose-score)는 0.926, DVH-점수(DVH-score)는 0.931를 기록하여 모든 DVH 지표에서 임상 계획과 강한 일치를 보였다.
• ECHO 계획을 사용함으로써 수동 계획 대비 예측 오차의 변동성이 감소하였으며, 해부학적 변형에 대한 일반화 능력과 강건성이 향상되었다.
• 추론 시간은 1건당 0.4초에 불과하여 ECHO의 1~2시간 대비 뚜렷한 속도 향상을 보였으며, 실시간 임상 통합 가능성을 시사하였다.
• 입력에 빔 구성 데이터를 포함시킴으로써 모든 계획 유형에서 예측 성능 향상이 관찰되었으며, 특히 복잡한 케이스에서 가장 뚜렷한 향상이 있었다.
• 하이브리드 손실 함수(MAE + DVH)는 MAE 단독 사용보다 성능이 뛰어났으며, 특히 ECHO 계획을 기반으로 훈련했을 경우, DVH 제약 조건이 구조별 선량 정확도를 향상시킨다는 점을 시사하였다.