[논문 리뷰] Male pelvic synthetic CT generation from T1-weighted MRI using 2D and 3D convolutional neural networks

Jie Fu, Yingli Yang외 4명|arXiv (Cornell University)|2018. 02. 28.

Advanced X-ray and CT Imaging참고 문헌 50인용 수 44

한 줄 요약

논문은 T1 가중 MR 이미지를 이용해 골반 합성 CT(sCT)를 생성하기 위해 2D 및 3D CNN 모델을 개발하고 비교하며, 20명의 남성 환자에서 보이드-단위 및 뼈 특이 지표로 정확도를 평가한다.

ABSTRACT

To achieve magnetic resonance (MR)-only radiotherapy, a method needs to be employed to estimate a synthetic CT (sCT) for generating electron density maps and patient positioning reference images. We investigated 2D and 3D convolutional neural network (CNN) methods to generate a male pelvic sCT using a T1-weighted MR image. A retrospective study was performed using CTs and T1-weighted MR images of 20 prostate cancer patients. The proposed 2D CNN model, which contained 27 convolutional layers, was modified from the SegNet for better performance. 3D version of the CNN model was also developed. Both CNN models were trained from scratch to map intensities of T1-weighted MR images to CT Hounsfield Unit (HU) values. Each sCT was generated in a five-fold-cross-validation framework and compared with the corresponding CT using voxel-wise mean absolute error (MAE), and dice similarity coefficient (DSC), recall, and precision for bony structures. Wilcoxon signed-rank tests were performed to evaluate the differences between the both models. The MAE averaged across all patients were 40.5 $\pm$ 5.4 HU and 37.6 $\pm$ 5.1 HU for the 2D and 3D CNN models, respectively. The DSC, recall, and precision of the bony structures were 0.81 $\pm$ 0.04, 0.85 $\pm$ 0.04, and 0.77 $\pm$ 0.09 for the 2D CNN model, and 0.82 $\pm$ 0.04, 0.84 $\pm$ 0.04, and 0.80 $\pm$ 0.08 for the 3D CNN model, respectively. P values of the Wilcoxon signed-rank tests were less than 0.05 except for recall, which was 0.6. The 2D and 3D CNN models generated accurate pelvic sCTs for the 20 patients using T1-weighted MR images. The evaluation metrics and statistical tests indicated that the 3D model was able to generate sCTs with better MAE, bone DSC, and bone precision. The accuracy of the dose calculation and patient positioning using generated sCTs will be tested and compared for the two models in the future.

연구 동기 및 목표

• MR 이미지에서 수동 뼈 분절이나 추가 시퀀스 없이 sCT를 생성하여 MR-only 방사선 치료의 가능성을 입증한다.
• T1 가중 MRI에서 골반 sCT 생성을 위한 2D 및 3D CNN 아키텍처를 비교한다.
• 몸 전체, 연조직, 뼈 영역에서 바디 마스크 내 MAE를 포함한 체적 단위의 정확도와 뼈 특이 DSC, 재현율, 정밀도를 평가한다.
• 골반에서 MR-only 워크플로우 구현에 대한 학습 효율성 및 실용적 고려사항을 평가한다.

제안 방법

• SegNet에서 수정된 2D 및 3D CNN을 처음부터 학습시켜 T1 가중 MR 강도를 CT Hounsfield 단위로 매핑한다.
• 2D 모델에서는 인스턴스 정규화, 잔차 단축 경로, 분수배 컨볼루션을 사용하고 동일한 아키텍처를 3D로 확장한다.
• N4 바이어스 보정 및 히스토그램 표준화를 이용해 전처리하고 CT를 MR에 변형 정합해 감독용 변형 CT를 생성한다.
• 5-폴드 교차 검증으로 학습하고 바디 마스크 내부의 평균 절대 오차 손실로 Adam을 최적화한다.
• 일시적 데이터 증강(이동/회전)을 적용해 일반화 성능을 향상시킨다.
• 전신, 연조직, 뼈 영역에서 MAE와 뼈에 대한 DSC/재현율/정밀도로 평가한다.
• Wilcoxon 부호 순위 검정으로 2D와 3D 모델을 비교한다.

실험 결과

연구 질문

• RQ1 표준 T1 가중 MR 영상에서 CT- 없이도 CT를 달리거나 뼈 분절 없이 골반 합성 CT를 정확히 생성할 수 있는가?
• RQ2 특히 뼈 및 연조직 영역에서 골반 sCT 생성에 있어 2D와 3D CNN 아키텍처 간 정확도 차이가 있는가?
• RQ3 이 CNN 접근들을 사용하여 MAE 및 뼈 구획화 지표를 만족하는 수준의 MR-전용 방사선 치료 계획이 가능한가?

주요 결과

• 2D와 3D 모델 모두 20명의 환자에서 T1 가중 MR 영상으로부터 정확한 골반 sCT를 생성했다.
• 3D 모델이 더 나은 MAE를 달성했고(37.6 ± 5.1 HU vs. 40.5 ± 5.4 HU for 2D) 뼈 DSC/정밀도도 약간 높았다.
• 전신 최대 MAE는 56.5 HU(2D) 및 53.1 HU(3D)였다.
• 뼈 영역 DSC는 0.81 ± 0.04(2D) 및 0.82 ± 0.04(3D); 재현율은 0.85 ± 0.04(2D) vs 0.84 ± 0.04(3D); 정밀도는 0.77 ± 0.09(2D) vs 0.80 ± 0.08(3D)이다.
• MAE 및 뼈 지표에 대해 Wilcoxon 검정에서 차이가 통계적으로 유의했고(p < 0.05), 재현율은 예외적으로(p = 0.60) 그렇지 않았다.
• sCT 볼륨 생성 시간은 두 모델 모두 대략 5.5초였다.