[논문 리뷰] MRI-based Material Mass Density and Relative Stopping Power Estimation via Deep Learning for Proton Therapy

Yuan Gao, Chih‐Wei Chang외 11명|arXiv (Cornell University)|2022. 10. 11.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 연구는 프로톤 치료 계획을 위한 MRI-only 접근을 가능하게 하기 위해 MRI 영상에서 재료의 질량 밀도와 상대 정지력력(상대정지력력, RSP)을 추정하기 위한 딥러닝 프레임워크를 제안한다. T1, T2 및 제로 에코 타임(ZTE) MRI 시퀀스를 사용하여 연조직에서 평균 절대 퍼센트 오차(MAPE)가 1% 미만이며, 경화성 뼈 대체물에서는 0.3% 미만을 기록하여 MRI-only 프로톤 치료 계획에서 높은 정확도를 입증한다.

ABSTRACT

Magnetic Resonance Imaging (MRI) is increasingly incorporated into treatment planning, because of its superior soft tissue contrast used for tumor and soft tissue delineation versus computed tomography (CT). However, MRI cannot directly provide mass density or relative stopping power (RSP) maps required for proton radiotherapy dose calculation. To demonstrate the feasibility of MRI-only based mass density and RSP estimation using deep learning (DL) for proton radiotherapy. A DL-based framework was developed to discover underlying voxel-wise correlation between MR images and mass density and RSP. Five tissue substitute phantoms including skin, muscle, adipose, 45% hydroxyapatite (HA), and spongiosa bone were customized for MRI scanning based on material composition information from ICRP reports. Two animal tissue phantoms made of pig brain and liver were prepared for DL training. In the phantom study, two DL models were trained: one containing clinical T1 and T2 MRIs and another incorporating zero echo time (ZTE) MRIs as input. In the patient application study, two DL models were trained: one including T1 and T2 MRIs as input, and one incorporating synthetic dual-energy computed tomography (sDECT) images to provide bone tissue information. In the phantom study, DL model based on T1 and T2 MRI demonstrated higher accuracy mass density and RSP estimation in skin, muscle, adipose, brain, and liver with mean absolute percentage errors (MAPE) of 0.42%, 0.14%, 0.19%, 0.78% and 0.26% for mass density and 0.30%, 0.11%, 0.16%, 0.61% and 0.23% for RSP, respectively. DL model incorporating ZTE MRI improved the accuracy of mass density and RSP estimation in 45% HA and spongiosa bone with MAPE at 0.23% and 0.09% for mass density and 0.19% and 0.07% for RSP, respectively. Results show feasibility of MRI-only based mass density and RSP estimation for proton therapy treatment planning using DL method.

연구 동기 및 목표

• MRI 영상에서 재료의 질량 밀도와 상대 정지력력(RSP)을 추정하기 위한 딥러닝 기반 방법을 개발하여 MRI-only 프로톤 치료 계획을 가능하게 한다.
• 프로톤 방사선 선량 계산에 필요한 Hounsfield 단위에 해당하는 정보를 직접 제공하지 못하는 MRI의 한계를 극복한다.
• T1, T2 및 제로 에코 타임(ZTE) MRI를 포함한 다양한 MRI 시퀀스를 사용하여 펌프 및 환자 데이터에서 딥러닝 모델의 성능을 평가한다.
• 합성 이중에너지 CT(sDECT) 영상의 통합이 뼈 조직의 RSP 추정 정확도 향상에 미치는 영향을 평가한다.

제안 방법

• 다중 대trast MRI 시퀀스(T1, T2, ZTE)와 펌프에서의 기준 질량 밀도 및 RSP 값 간의 병렬 볼륨별 상관관계를 학습할 수 있도록 딥러닝 프레임워크를 훈련시켰다.
• 피부, 근육, 지방, 45% 하이드로옥시apatite, 다공성 뼈 등 다섯 가지 조직 등가 펌프와 돼지 뇌, 간 등 두 가지 동물 조직 펌프를 스캔하여 훈련 데이터를 생성했다.
• 두 가지 별개의 딥러닝 모델을 훈련시켰다: 하나는 T1 및 T2 MRI 입력만을 사용하고, 다른 하나는 ZTE MRI 또는 합성 이중에너지 CT(sDECT) 영상의 통합을 통해 뼈 조직 특성 분석을 향상시켰다.
• 모델은 펌프 데이터에서 검증되었으며 환자 데이터에 적용되었으며, 질량 밀도 및 RSP의 평균 절대 퍼센트 오차(MAPE)를 사용해 성능을 평가했다.
• 기존의 T1/T2 시퀀스가 높은 밀도의 조직에서 제한된 대비를 보이므로, ZTE MRI는 경화성 뼈와 같은 고밀도 조직의 추정을 향상시키기 위해 사용되었다.
• 프레임워크는 펌프 및 환자 연구에서 모두 테스트되었으며, 임상 적용에서 고흡음성 뼈 구조를 대체하기 위해 sDECT가 사용되었다.

실험 결과

연구 질문

• RQ1 T1 및 T2 MRI 시퀀스만으로 딥러닝이 연조직 및 뼈 대체물에서 질량 밀도와 상대 정지력력(RSP)을 정확하게 추정할 수 있는가?
• RQ2 제로 에코 타임(ZTE) MRI의 통합이 경화성 뼈와 같은 고밀도 조직에서 RSP 및 질량 밀도 추정 정확도를 어떻게 향상시키는가?
• RQ3 합성 이중에너지 CT(sDECT) 영상의 통합이 환자 MRI 영상에서 뼈 조직의 RSP 예측 능력을 얼마나 향상시키는가?
• RQ4 펌프 연구와 비교하여 임상 환자 데이터에서 딥러닝 기반 MRI-only RSP 추정의 달성 가능한 정확도는 어느 정도인가?
• RQ5 제안된 딥러닝 프레임워크가 다양한 조직 유형에서 질량 밀도 및 RSP에 대해 1% 미만의 평균 절대 퍼센트 오차(MAPE)를 달성할 수 있는가?

주요 결과

• T1 및 T2 MRI만을 사용한 딥러닝 모델은 피부, 근육, 지방, 뇌, 간과 같은 연조직에서 질량 밀도에 대해 평균 절대 퍼센트 오차(MAPE)가 0.42%이며, RSP에 대해서는 0.30%를 기록했다.
• ZTE MRI를 통합한 결과, 45% 하이드로옥시apatite(HA) 뼈 대체물에서 질량 밀도의 MAPE는 0.23%로 감소했고, RSP의 MAPE는 0.19%로 향상되어 T1/T2 전용 모델보다 정확도가 뚜렷이 향상되었다.
• 다공성 뼈에 대해서는 ZTE 향상 모델이 질량 밀도에 대해 MAPE 0.09%, RSP에 대해 MAPE 0.07%를 기록하여 산모골의 모델링 정밀도가 매우 높음을 입증했다.
• 합성 이중에너지 CT(sDECT) 영상을 통합한 모델은 환자 데이터에서 특히 경화성 뼈 구조에서 RSP 추정 정확도가 향상되었다.
• 종합적으로, 이 프레임워크는 모든 테스트된 조직 유형, 특히 고밀도 뼈 조직을 포함하여 sub-1% MAPE를 달성함으로써 MRI-only 프로톤 치료 계획의 가능성을 입증했다.