[논문 리뷰] Intentional deep overfit learning (IDOL): A novel deep learning strategy for adaptive radiation therapy

Jaehee Chun|arXiv (Cornell University)|2022. 01. 01.

Advanced Radiotherapy Techniques참고 문헌 20인용 수 32

한 줄 요약

이 논문은 환자별 사전 데이터에 의 intensional overfitting을 통해 적응형 방사선 치료(ART)에서 성능을 향상시키기 위해 의도적으로 과적합시키는 새로운 딥러닝 프레임워크인 의도적 딥 오버피팅 러닝(IDOL)을 소개한다. 다양한 데이터로 일반화 모델을 먼저 훈련한 후, 한 명의 환자의 증강된 사전 정보에 대해 이를 미세조정함으로써 IDOL은 뚜렷한 성능 향상을 이룬다—Dice 점수는 0.088 향상되고, MRI 슈퍼리졸루션의 MAE는 40% 감소하고, 합성 CT의 MAE는 65% 감소한다—이로써 개인 맞춤형이고 자료 효율적인 ART 응용 분야에서의 잠재력을 입증한다.

ABSTRACT

Purpose: Applications of deep learning (DL) are essential to realizing an effective adaptive radiotherapy (ART) workflow. Despite the promise demonstrated by DL approaches in several critical ART tasks, there remain unsolved challenges to achieve satisfactory generalizability of a trained model in a clinical setting. Foremost among these is the difficulty of collecting a task-specific training dataset with high-quality, consistent annotations for supervised learning applications. In this study, we propose a tailored DL framework for patient-specific performance that leverages the behavior of a model intentionally overfitted to a patient-specific training dataset augmented from the prior information available in an ART workflow-an approach we term Intentional Deep Overfit Learning (IDOL). Methods: Implementing the IDOL framework in any task in radiotherapy consists of two training stages: (1) training a generalized model with a diverse training dataset of N patients, just as in the conventional DL approach, and (2) intentionally overfitting this general model to a small training dataset-specific the patient of interest (N+1) generated through perturbations and augmentations of the available task- and patient-specific prior information to establish a personalized IDOL model. The IDOL framework itself is task-agnostic and is, thus, widely applicable to many components of the ART workflow, three of which we use as a proof of concept here: the autocontouring task on replanning CTs for traditional ART, the MRI super-resolution (SR) task for MRI-guided ART, and the synthetic CT (sCT) reconstruction task for MRI-only ART. Results: In the replanning CT autocontouring task, the accuracy measured by the Dice similarity coefficient improves from 0.847 with the general model to 0.935 by adopting the IDOL model. In the case of MRI SR, the mean absolute error (MAE) is improved by 40% using the IDOL framework over the conventional model. Finally, in the sCT reconstruction task, the MAE is reduced from 68 to 22 HU by utilizing the IDOL framework. Conclusions: In this study, we propose a novel IDOL framework for ART and demonstrate its feasibility using three ART tasks. We expect the IDOL framework to be especially useful in creating personally tailored models in situations with limited availability of training data but existing prior information, which is usually true in the medical setting in general and is especially true in ART.

연구 동기 및 목표

• 적응형 방사선 치료(ART)에서 고도로 품질이 높은 훈련 데이터가 제한적인 문제를 환자별 사전 정보를 활용하여 해결하기 위해.
• 기존의 딥러닝 기법이 일반화를 우선시하면서 환자별 성능에 한계를 가진다는 문제를 해결하기 위해.
• 정밀의료에서 과적합을 개인화 도구로 의도적으로 활용하는 새로운 의료 AI 패러다임을 제안하기 위해.
• 자동 윤곽선 설정, MRI 슈퍼리졸루션, 합성 CT 생성이라는 세 가지 핵심 ART 과제에서 IDOL 프레임워크를 검증하기 위해.

제안 방법

• IDOL 프레임워크는 두 단계의 훈련 과정으로 구성된다: 첫째, N명의 환자로 구성된 다양한 데이터셋에서 일반화 모델을 훈련한다.
• 둘째, 환자의 이전 영상 및 윤곽 데이터의 변형과 증강을 통해 유도된 소규모 환자별 데이터셋에 대해 일반화 모델을 의도적으로 과적합시킨다.
• 이 프레임워크는 과제에 종속적이지 않으며, 방사선 치료 분야의 어떤 이미지 간 변환 또는 세그멘테이션 과제도 적용 가능하다.
• 기존의 사전 지식—예를 들어 계획용 CT, 윤곽선, 진단 스캔 등—을 활용하여 증강된 훈련 샘플을 생성함으로써 한 명의 환자에 대해 모델의 정밀도를 향상시킨다.
• Dice 또는 MAE와 같은 과제별 지표를 최적화하기 위한 손실 함수를 사용하며, 표준 딥러닝 아키텍처(예: U-Net 변종)를 활용한다.
• 과제별 하이퍼파rameter 조정을 피하기 위해, 제어된 과적합을 통해 모델이 환자별 패턴을 기억하고 활용할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 환자별 사전 데이터에 의도적으로 과적합시키는 것이 적응형 방사선 치료 과제에서 딥러닝 모델 성능을 뚜렷이 향상시킬 수 있는가?
• RQ2 임상적 방사선 치료에서 흔한 저자료 환경에서 IDOL 프레임워크가 기존의 일반화 중심 딥러닝 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ3 이전 영상 및 윤곽선 데이터를 얼마나 효과적으로 증강하여 딥러닝을 위한 효과적인 환자별 훈련 세트를 만들 수 있는가?
• RQ4 자동 윤곽선 설정, MRI 슈퍼리졸루션, 합성 CT 생성과 같은 다양한 ART 과제에 대해 IDOL 프레임워크가 일반화 가능한가?
• RQ5 IDOL이 과제별 하이퍼파rameter 조정 없이도 높은 성능을 달성하여 임상 현장에서 구현 가능한가?

주요 결과

• 자동 윤곽선 설정 과제에서 IDOL 모델은 재계획 CT에서 DSC(Dice 유사도 계수)를 0.847 ± 0.031에서 0.935 ± 0.026으로 향상시켰다.
• MRI 슈퍼리졸루션 과제에서 평균 절대 오차(MAE)는 4.18 ± 0.86에서 2.50 ± 0.54로 감소하여 40% 향상되었다.
• 합성 CT 생성 과제에서 MAE는 68 ± 16 HU에서 22 ± 5 HU로 감소하여 67% 감소했다.
• IDOL 프레임워크는 과제별 하이퍼파rameter 조정 없이도 이러한 결과를 달성하여 광범위한 적용 가능성을 입증했다.
• 개인화된 모델의 훈련 시간은 매우 짧았으며, 평균적으로 자동 윤곽선 설정은 20초, MRI SR은 93초, sCT 생성은 3시간이 소요되었다.
• 이 방법은 세 과제 전반에 걸쳐 일관된 성능 향상을 보였으며, ART에서 환자별 딥러닝 전략으로서의 실현 가능성을 입증했다.