[논문 리뷰] DeepDoseNet: A Deep Learning model for 3D Dose Prediction in Radiation Therapy

Mumtaz Hussain Soomro, Victor Gabriel Leandro Alves외 2명|arXiv (Cornell University)|2021. 10. 29.

Advanced Radiotherapy Techniques인용 수 11

한 줄 요약

DeepDoseNet는 두개의 구조인 ResNet과 Dilated DenseNet을 융합한 딥러닝 모델로, 두개의 뇌신경 조절 방사선 치료에서 3차원 방사선 선량 예측을 위한 것이다. 2020년 AAPM OpenKBP 데이터셋을 사용하여, 병합된 MAE 및 DVH 기반 손실 함수를 사용함으로써 3차원 선량 점수는 60% 감소하고 DVH 점수는 70% 감소하여 기존의 기준 모델들을 크게 능가하는 최신 기술 수준의 성능을 달성하였다.

ABSTRACT

The DeepDoseNet 3D dose prediction model based on ResNet and Dilated DenseNet is proposed. The 340 head-and-neck datasets from the 2020 AAPM OpenKBP challenge were utilized, with 200 for training, 40 for validation, and 100 for testing. Structures include 56Gy, 63Gy, 70Gy PTVs, and brainstem, spinal cord, right parotid, left parotid, larynx, esophagus, and mandible OARs. Mean squared error (MSE) loss, mean absolute error (MAE) loss, and MAE plus dose-volume histogram (DVH) based loss functions were investigated. Each model's performance was compared using a 3D dose score, $\\bar{S_{D}}$, (mean absolute difference between ground truth and predicted 3D dose distributions) and a DVH score, $\\bar{S_{DVH}}$ (mean absolute difference between ground truth and predicted dose-volume metrics).Furthermore, DVH metrics Mean[Gy] and D0.1cc [Gy] for OARs and D99%, D95%, D1% for PTVs were computed. DeepDoseNet with the MAE plus DVH-based loss function had the best dose score performance of the OpenKBP entries. MAE+DVH model had the lowest prediction error (P<0.0001, Wilcoxon test) on validation and test datasets (validation: $\\bar{S_{D}}$=2.3Gy, $\\bar{S_{DVH}}$=1.9Gy; test: $\\bar{S_{D}}$=2.0Gy, $\\bar{S_{DVH}}$=1.6Gy) followed by the MAE model (validation: $\\bar{S_{D}}$=3.6Gy, $\\bar{S_{DVH}}$=2.4Gy; test: $\\bar{S_{D}}$=3.5Gy, $\\bar{S_{DVH}}$=2.3Gy). The MSE model had the highest prediction error (validation: $\\bar{S_{D}}$=3.7Gy, $\\bar{S_{DVH}}$=3.2Gy; test: $\\bar{S_{D}}$=3.6Gy, $\\bar{S_{DVH}}$=3.0Gy). No significant difference was found among models in terms of Mean [Gy], but the MAE+DVH model significantly outperformed the MAE and MSE models in terms of D0.1cc[Gy], particularly for mandible and parotids on both validation (P<0.01) and test (P<0.0001) datasets. MAE+DVH outperformed (P<0.0001) in terms of D99%, D95%, D1% for targets. MAE+DVH reduced $\\bar{S_{D}}$ by ~60% and $\\bar{S_{DVH}}$ by ~70%.

연구 동기 및 목표

• 방사선 치료에서 정확한 3차원 선량 예측을 위한 딥러닝 모델을 개발하여 치료 계획의 효율성을 향상시키는 것.
• 3차원 선량 및 DVH 지표에 대한 예측 정확도에 영향을 미치는 다양한 손실 함수(MSE, MAE, MAE+DVH)의 영향을 평가하는 것.
• 부분적 임상 구조물, 예를 들어 PTV 및 췌선, 턱, 척수와 같은 OAR을 포함하여 모델 성능을 비교하는 것.
• DVH 기반 손실을 통합함으로써 예측된 선량 분포의 임상적 관련성을 향상시키는지 확인하는 것.
• 하이브리드 ResNet 및 Dilated DenseNet 아키텍처를 사용하여 2020년 AAPM OpenKBP 챌린지에서 뛰어난 성능을 달성하는 것.

제안 방법

• 다양한 척도의 해부학적 특징과 선량 침착 패턴을 포착하기 위해 ResNet과 Dilated DenseNet을 융합한 하이브리드 딥러닝 아키텍처를 설계하였다.
• 2020년 AAPM OpenKBP 챌린지의 200명의 두개의 뇌신경 조절 방사선 치료 환자 데이터셋을 사용하여 모델을 훈련하였으며, 검증용으로 40명, 테스트용으로 100명을 할당하였다.
• 세 가지 손실 함수를 평가하였는데, 평균 제곱 오차(MSE), 평균 절대 오차(MAE), 그리고 병합된 MAE와 선량-부피 히스토그램(DVH) 기반 손실이 포함되었다.
• 모델 성능을 비교하기 위해 주요 평가 지표로 3차원 선량 점수($\bar{S_{D}}$)와 DVH 점수($\bar{S_{DVH}}$)를 사용하였다.
• PTV의 D99%, D95%, D1% 및 OAR의 평균[Gy], D0.1cc[Gy] 등의 임상 지표를 계산하고 각 모델 간 비교를 수행하였다.
• 예측 오차의 유의미성을 평가하기 위해 윌코크슨 부호 순위 검정을 사용하여 모델 간 오차를 비교하였다.

실험 결과

연구 질문

• RQ1 MAE와 DVH 기반 손실을 병합하여 사용할 경우, MAE 또는 MSE만 사용하는 것과 비교해 3차원 선량 예측 정확도가 향상되는가?
• RQ2 DeepDoseNet 모델은 2020년 AAPM OpenKBP 챌린지의 다른 참가자들에 비해 3차원 선량 및 DVH 점수 성능에서 어떻게 비교되는가?
• RQ3 중요한 기관에서의 D0.1cc[Gy] 예측 오차가 얼마나 감소하는가?
• RQ4 검증 및 테스트 데이터셋에서 MAE+DVH, MAE, MSE 손실 변형 간에 예측 정확도에 유의미한 차이가 있는가?
• RQ5 모델이 목표 부위 커버리지(D99%, D95%, D1%) 및 위험 기관 보호(Mean[Gy], D0.1cc[Gy]) 예측에서 뛰어난 성능을 달성할 수 있는가?

주요 결과

• MAE+DVH 모델은 테스트 세트에서 3차원 선량 점수($\bar{S_{D}}$)가 2.0 Gy로 가장 낮아, MSE 모델 대비 약 60% 감소한 결과를 보였다.
• MAE+DVH 모델은 테스트 세트에서 DVH 점수($\bar{S_{DVH}}$)가 1.6 Gy로 가장 낮아, MSE 모델 대비 약 70% 감소한 결과를 보였다.
• MAE+DVH 모델은 턱과 췌선에서 D0.1cc[Gy] 예측 오차가 유의미하게 낮았으며(p<0.0001, 테스트 세트 기준), PTV 지표인 D99%, D95%, D1%에서도 동일한 유의미성(p<0.0001)을 보였다.
• OAR의 평균[Gy]에 대해서는 모든 모델 간 유의미한 차이가 없었으며, 이는 일관된 평균 선량 예측 성능을 의미한다.
• MAE+DVH 모델은 검증 및 테스트 세트 양쪽에서 예측 오차가 가장 낮았으며(p<0.0001, 윌코크슨 검정), 통계적으로 뛰어난 성능을 입증하였다.
• 모든 OpenKBP 챌린지 참가자들 중에서 최신 기술 수준의 성능을 보였으며, 특히 임상 지표 정확도 및 선량 분포의 정밀도에서 뛰어난 성능을 보였다.