[논문 리뷰] Deep learning for accelerating Monte Carlo radiation transport simulation in intensity-modulated radiation therapy

Zhao Peng, Hongming Shan외 5명|arXiv (Cornell University)|2019. 10. 17.

Advanced Radiotherapy Techniques참고 문헌 29인용 수 12

한 줄 요약

이 논문은 강도조절방사선치료(IMRT)에서 몬테카를로 방사선선량 계산의 속도를 높이기 위해 저광량(노이즈 있는) 시뮬레이션으로부터 잡음이 제거된 선량지도를 예측하는 데에 학습하는 딥 컨volution 신경망인 몬테카를로 디노이징 넷(MCDNet)을 제안한다. 30명의 직장암 환자에게서 훈련된 MCDNet은 10배 이상의 속도 향상을 이룩하였으며, 이는 10배 더 많은 광량을 사용한 시뮬레이션과 비교해도 3D 감마 인덱스 통과율(GIPR)이 유사한 결과를 보였다. 이로 인해 시뮬레이션 시간을 크게 줄였고, 임상적 정확도를 유지하였다.

ABSTRACT

Cancer is a primary cause of morbidity and mortality worldwide. The radiotherapy plays a more and more important role in cancer treatment. In the radiotherapy, the dose distribution maps in patient need to be calculated and evaluated for the purpose of killing tumor and protecting healthy tissue. Monte Carlo (MC) radiation transport calculation is able to account for all aspects of radiological physics within 3D heterogeneous media such as the human body and generate the dose distribution maps accurately. However, an MC calculation for doses in radiotherapy usually takes a great mass of time to achieve acceptable statistical uncertainty, impeding the MC methods from wider clinic applications. Here we introduce a convolutional neural network (CNN), termed as Monte Carlo Denoising Net (MCDNet), to achieve the acceleration of the MC dose calculations in radiotherapy, which is trained to directly predict the high-photon (noise-free) dose maps from the low-photon (noise-much) dose maps. Thirty patients with postoperative rectal cancer who accepted intensity-modulated radiation therapy (IMRT) were enrolled in this study. 3D Gamma Index Passing Rate (GIPR) is used to evaluate the performance of predicted dose maps. The experimental results demonstrate that the MCDNet can improve the GIPR of dose maps of 1x107 photons over that of 1x108 photons, yielding over 10x speed-up in terms of photon numbers used in the MC simulations of IMRT. It is of great potential to investigate the performance of this method on the other tumor sites and treatment modalities.

연구 동기 및 목표

• 강도조절방사선치료(IMRT)에서 몬테카를로(MC) 시뮬레이션의 장시간 계산 시간이 임상적 적용을 제한하므로 이를 해결하고자 한다.
• 정확도를 훼손하지 않으면서 MC 선량 계산을 가속화하는 딥 러닝 방법을 개발하고자 한다.
• 저광량(노이즈 있는) MC 시뮬레이션으로부터 고광량(잡음이 없는) 선량지도를 예측하는 모델을 훈련하고자 한다.
• 임상적으로 관련성이 있는 지표(예: 3D 감마 인덱스 통과율(GIPR))를 사용하여 실제 환자 데이터에서 성능을 평가하고자 한다.
• 딥 러닝을 활용해 다양한 종양 부위와 치료 방식에 걸쳐 몬테카를로 시뮬레이션을 가속화할 수 있는 가능성을 입증하고자 한다.

제안 방법

• 저광량 MC 선량 분포(높은 노이즈)를 고광량 기준 선량지도(낮은 노이즈)로 매핑하는 데에 3D U-Net 기반의 컨volution 신경망(MCDNet)을 훈련한다.
• 30명의 투여 후 직장암 환자로부터의 저광량 및 고광량 MC 선량 데이터 쌍을 사용하여 네트워크를 엔드 투 엔드로 훈련한다.
• 네트워크의 입력은 저광량 MC 선량지도(예: 1×10^7 광량)이며, 출력은 노이즈 제거된 고광량 유사 선량지도이다.
• 공간적 맥락을 3D 컨volution과 스케일 연결을 통해 활용하여 해부학적 세부사항과 선량 기울기를 유지한다.
• 예측된 선량지도와 기준 선량지도 간의 차이를 최소화하기 위해 평균제곱오차(MSE) 손실 함수를 사용한다.
• 성능 평가는 표준 임상 기준(예: 2%/2mm)을 사용한 3D 감마 인덱스 통과율(GIPR)을 통해 평가된다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 IMRT에서 몬테카를로 선량 계산을 효과적으로 가속화하면서도 임상적 정확도를 유지할 수 있는가?
• RQ2 심층 신경망은 선량 분포 품질이 떨어지지 않도록 몬테카를로 시뮬레이션에 필요한 광량 수를 얼마나 줄일 수 있는가?
• RQ3 3D 감마 인덱스 통과율 측면에서 MCDNet의 성능은 10배 더 많은 광량을 사용한 표준 MC 시뮬레이션과 비교해 어떻게 되는가?
• RQ4 모델은 IMRT에서 다양한 환자 해부학적 구조와 종양 부위에 대해 일반화 가능한가?
• RQ5 딥 러닝 기반의 노이즈 제거 방법을 사용할 경우 시뮬레이션 시간에서 기대할 수 있는 속도 향상은 어느 정도인가?

주요 결과

• MCDNet은 1×10^7 광량 시뮬레이션에서 3D 감마 인덱스 통과율(GIPR)이 98% 이상을 기록하였으며, 이는 1×10^8 광량 시뮬레이션의 성능과 동일하다.
• 모델은 필요한 광량을 10배 줄여 시뮬레이션 시간을 10배 이상 단축시켰다.
• MCDNet이 예측한 선량지도는 높은 공간 해상도를 보이며, 목표부위 및 위험 부위에서 중요한 선량 기울기를 잘 유지하고 있다.
• 모든 30명의 환자 케이스에서 일관된 성능을 유지하여 해부학적 다양성에 대해 강건함을 입증하였다.
• 이 결과는 이 방법을 다른 치료 부위와 방사선치료 모드로 확장할 수 있는 강력한 잠재력을 시사한다.