[논문 리뷰] Dose Prediction with U-net: A Feasibility Study for Predicting Dose Distributions from Contours using Deep Learning on Prostate IMRT Patients.

Dan Nguyen, Troy Long외 5명|arXiv (Cornell University)|2017. 09. 26.

Advanced Radiotherapy Techniques참고 문헌 35인용 수 45

한 줄 요약

이 연구는 계획 대상 부위(PTV) 및 위험 기관(OAR)의 환자 윤곽선에서 직접 강도 조절 방사선 치료(IMRT) 선량 분포를 예측하기 위해 수정된 U-net 딥러닝 모델을 제안한다. 매우 작은 데이터셋만을 사용함에도 불구하고, 등고선 선량 분포에 대한 평균 Dice 유사도 계수는 0.91이며, 모든 기관에서 약제 선량의 5% 이내의 절대 선량 차이를 보이며 높은 정확도를 달성하여 치료 계획의 가속화 가능성을 입증한다.

ABSTRACT

With the advancement of treatment modalities in radiation therapy for cancer patients, outcomes have improved, but at the cost of increased treatment plan complexity and planning time. The accurate prediction of dose distributions would alleviate this issue by guiding clinical plan optimization to save time and maintain high quality plans. We have modified a convolutional deep network model, U-net (originally designed for segmentation purposes), for predicting dose from patient image contours of the planning target volume (PTV) and organs at risk (OAR). We show that, as an example, we are able to accurately predict the dose of intensity-modulated radiation therapy (IMRT) for prostate cancer patients, where the average Dice similarity coefficient is 0.91 when comparing the predicted vs. true isodose volumes between 0% and 100% of the prescription dose. The average value of the absolute differences in [max, mean] dose is found to be under 5% of the prescription dose, specifically for each structure is [1.80%, 1.03%](PTV), [1.94%, 4.22%](Bladder), [1.80%, 0.48%](Body), [3.87%, 1.79%](L Femoral Head), [5.07%, 2.55%](R Femoral Head), and [1.26%, 1.62%](Rectum) of the prescription dose. We thus managed to map a desired radiation dose distribution from a patient's PTV and OAR contours. As an additional advantage, relatively little data was used in the techniques and models described in this paper.

연구 동기 및 목표

• 환자 해부학적 구조와 윤곽선에서의 빠른 선량 예측을 통해 IMRT의 치료 계획 시간을 단축시키기 위해.
• 계획 작업량과 시간을 증가시키는 IMRT 계획의 점점 증가하는 복잡성에 대응하기 위해.
• 딥러닝이 단지 윤곽선 데이터와 제한된 학습 예제만을 사용하여 선량 분포를 정확하게 예측할 수 있는지 탐색하기 위해.
• 임상 방사선 옹술에서 분할 기반 U-net 모델을 선량 예측에 적응시키는 가능성 평가하기 위해.

제안 방법

• 의료 영상 분할에 주로 사용되는 U-net 아키텍처를 재학습하여 윤곽선 데이터를 입력으로 사용하는 선량 예측에 활용하였다.
• 입력 데이터는 원시 CT 영상이나 Hounsfield 단위를 포함하지 않은 PTV 및 OAR의 윤곽선으로 구성되었다.
• 모델은 환자 볼륨 전역의 3차원 선량 분포를 예측하도록 학습되었으며, 선량 정확도에 최적화된 손실 함수가 사용되었다.
• 데이터 효율성을 중시하여 전립선 IMRT 사례의 비교적 작은 데이터셋을 사용해 학습하였다.
• 공간 해상도와 해부학적 세부 정보를 유지하기 위해 스킵 연결과 인코더-디코더 아키텍처를 활용하였다.
• 모델 성능 평가는 주요 기관에 대한 Dice 유사도 계수와 절대 선량 차이를 기반으로 평가되었다.

실험 결과

연구 질문

• RQ1 윤곽선 데이터만을 사용하여 U-net 기반 딥러닝 모델이 IMRT 선량 분포를 정확하게 예측할 수 있는가?
• RQ2 예측된 선량 분포의 유사도와 절대 선량 차이 측면에서 모델의 성능이 임상 계획과 비교해 어떻게 되는가?
• RQ3 임상 환경에서 최소한의 학습 데이터로 선량 예측을 어느 정도 달성할 수 있는가?
• RQ4 전립선암 환자에서 다양한 OAR 및 PTV에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ5 분할에 초점을 맞춘 네트워크인 U-net이 수용 가능한 정확도로 선량 예측에 효과적으로 재사용될 수 있는가?

주요 결과

• 예측된 등고선 선량 분포와 실제 값 간의 평균 Dice 유사도 계수는 약제 선량의 0–100% 범위에서 0.91을 기록하였다.
• PTV의 경우 평균 절대 선량 차이는 약제 선량의 1.03%이며, 최대 차이는 1.80%였다.
• 방광은 평균 선량 차이가 약제 선량의 4.22%였고, 최대 차이는 1.94%였다.
• 몸 구조의 경우 평균 선량 차이는 약제 선량의 0.48%였고, 최대 차이는 1.80%였다.
• 좌측 및 우측 대퇴두부는 평균 선량 차이가 각각 1.79%와 2.55%였으며, 최대 차이는 각각 3.87%와 5.07%였다.
• 직장은 평균 선량 차이가 약제 선량의 1.62%였고, 최대 차이는 1.26%였다.