[논문 리뷰] Improving Proton Dose Calculation Accuracy by Using Deep Learning

Chao Wu, Dan Nguyen외 6명|arXiv (Cornell University)|2020. 04. 06.

Radiation Therapy and Dosimetry참고 문헌 41인용 수 7

한 줄 요약

이 연구는 환자의 CT 스캔과 펜슬 빔(PB) 방사선 선량을 입력으로 사용하여, 몬테카를로(MC)-수준 정확도로 펜슬 빔(PB) 선량 계산을 변환하는 계층적으로 밀접하게 연결된 U-Net(HD U-Net) 기반의 딥러닝 모델을 제안한다. 이 모델은 네 가지 종양 부위에서 평균 감마 통과율이 92.8–99.6% (1 mm/1%)를 기록하며, 한 필드당 선량 변환 시간이 4초 미만이어서 임상 통합에 적합한 빠르고 정확한 프로톤 치료 선량 예측이 가능하다.

ABSTRACT

Accurate dose calculation is vitally important for proton therapy. Pencil beam (PB) model-based dose calculation is fast but inaccurate due to the approximation when dealing with inhomogeneities. Monte Carlo (MC) dose calculation is the most accurate method, but it is time consuming. We hypothesize that deep learning methods can boost the accuracy of PB dose calculation to the level of MC. In this work, we developed a deep learning model that converts PB to MC doses for different tumor sites. The proposed model is based on our newly developed hierarchically densely connected U-Net (HD U-Net) network, and it uses the PB dose and patient CT image as inputs to generate the MC dose. We used 290 patients (90 with head and neck, 93 with liver, 75 with prostate, and 32 with lung cancer) to train, validate, and test the model. For each tumor site, we performed four numerical experiments to explore various combinations of training datasets. Training the model on data from all tumor sites together and using the dose distribution of each individual beam as input yielded the best performance for all four tumor sites. The average gamma index (1mm/1% criteria) between the converted dose and the MC dose was 92.8%, 92.7%, 89.7% and 99.6% for head and neck, liver, lung, and prostate test patients, respectively. The average time for dose conversion for a single field was less than 4 seconds. In conclusion, our deep learning-based approach can quickly boost the accuracy of proton PB dose distributions to that of MC dose distributions. The trained model can be readily adapted to new datasets for different tumor sites and from different hospitals through transfer learning. This model can be added as a plug-in to the clinical workflow of proton therapy treatment planning to improve the accuracy of proton dose calculation.

연구 동기 및 목표

• tissue 비균일성에서 빠르지만 정확도가 떨어지는 펜슬 빔(PB) 프로톤 선량 계산의 정확도를 향상시키기 위해.
• 치료 계획 중 전체 몬테카를로(MC) 시뮬레이션을 필요로 하지 않고도 PB에서 MC 선량 분포로의 매핑을 학습하는 딥러닝 프레임워크를 개발하기 위해.
• 시간이 오래 걸리는 MC 시뮬레이션을 대체하여 학습된 빠른 추론 모델로 전환함으로써 빠르고 임상적으로 실현 가능한 선량 계산을 가능하게 하기 위해.
• 전이 학습과 다중 부위 훈련을 통해 다양한 해부학적 부위에 걸쳐 일반화 가능한 성능을 확보하기 위해.
• 보다 높은 선량 정확도를 제공하기 위해 임상 프로톤 치료 워크플로우에 플러그인 형태로 통합하기 위해.

제안 방법

• 복잡한 비선형 매핑을 학습하기 위해, PB 선량과 CT 영상 입력에서 MC 선량 출력으로의 매핑을 학습하는 데 계층적으로 밀접하게 연결된 U-Net(HD U-Net) 아키텍처를 사용한다.
• 모델은 환자의 CT 영상과 각 빔에 해당하는 PB 선량 분포를 입력으로 받는다.
• HD U-Net은 다중 스케일에서의 밀집 스케일 연결을 활용하여 특징 전파와 기울기 흐름을 향상시켜 학습 효율성과 정확도를 향상시킨다.
• 모델은 헤드 앤 넥(90명), 간(93명), 전립선(75명), 폐(32명)의 네 종양 부위에서 구성된 총 290명의 환자 데이터셋으로 훈련된다.
• 성능 최적화를 위해 병합된 데이터로 훈련하고 개별 빔 선량을 입력으로 사용하는 등 네 가지 실험 설정을 평가하였다.
• 전이 학습을 지원하여, 다른 병원이나 종양 부위의 새로운 데이터셋에 대해 최소한의 피팅 조정만으로도 적응 가능하도록 한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 펜슬 빔 선량 계산의 정확도를 몬테카를로 기준 선량과 일치시키기 위해 효과적으로 보정할 수 있는가?
• RQ2 다양한 부위에서 훈련한 데이터와 단일 부위에서 훈련한 데이터를 비교했을 때 모델 성능는 어떻게 달라지는가?
• RQ3 다양한 해부학적 부위에서 높은 정확도를 달성하기 위해 최적의 입력 구성(예: 빔별 선량 대비 총합 선량)은 무엇인가?
• RQ4 전이 학습을 통해 새로운 기관의 환자 데이터셋에 대해 얼마나 잘 일반화되는가?
• RQ5 임상 사용에 적합한 추론 시간을 확보하면서도 모델이 몬테카를로 수준의 정확도를 달성할 수 있는가?

주요 결과

• 두부 및 목 종양 환자에서 평균 감마 통과율이 92.8% (1 mm/1%)를 기록하여 복잡한 해부학적 영역에서 높은 정확도를 보였다.
• 간 종양 환자에서 평균 감마 통과율은 92.7%였으며, 비균일한 연조직 환경에서도 강력한 성능을 보였다.
• 폐 종양 환자에서 모델은 89.7%의 감마 통과율을 기록했으며, 저밀도 영역에서의 도전 과제를 반영했지만 여전히 표준 PB 알고리즘보다 뛰어난 성능을 보였다.
• 전립선 종양 환자에서 모델은 가장 높은 정확도를 기록하여 99.6%의 감마 통과율을 달성했으며, 고밀도이고 균일한 조직 영역에서 뛰어난 성능을 보였다.
• 한 빔당 평균 선량 변환 시간은 4초 미만이었으며, 이는 실시간 치료 계획에 있어 임상적으로 실현 가능함을 의미한다.
• 개별 빔 선량을 입력으로 사용하면서 다중 부위 병합 데이터로 훈련한 경우가 모든 종양 부위에서 가장 우수한 성능를 기록했으며, 다양한 훈련 데이터의 이점이 뚜렷했다.