[논문 리뷰] Site-Agnostic 3D Dose Distribution Prediction with Deep Learning Neural Networks

Maryam Mashayekhi, Itzel Ramirez Tapia외 7명|arXiv (Cornell University)|2021. 06. 15.

Advanced Radiotherapy Techniques참고 문헌 48인용 수 22

한 줄 요약

이 논문은 전이 학습을 활용하여 다양한 치료 부위로 일반화할 수 있는 사이트 무관 3D 선량 예측 모델을 제안한다. 전립선 IMRT 데이터로 사전 훈련된 모델을 최소한의 목표 데이터로 두부 및 경부 VMAT 데이터에 대해 미세 조정함으로써, 높은 정확도를 달성한다—PTV에서 평균 절대 선량 오차가 1.08%이며, OAR에서 평균 오차가 2.43%이다. 이는 제한된 부위 특화 데이터로도 강력한 성능을 보임을 시사한다.

ABSTRACT

Typically, the current dose prediction models are limited to small amounts of data and require re-training for a specific site, often leading to suboptimal performance. We propose a site-agnostic, 3D dose distribution prediction model using deep learning that can leverage data from any treatment site, thus increasing the total data available to train the model. Applying our proposed model to a new target treatment site requires only a brief fine-tuning of the model to the new data and involves no modifications to the model input channels or its parameters. Thus, it can be efficiently adapted to a different treatment site, even with a small training dataset.

연구 동기 및 목표

• 제한된 데이터로 성능이 떨어지는 현재의 부위 특화 선량 예측 모델의 한계를 해결한다.
• 새로운 치료 부위에 대해 최소한의 재훈련으로 적응 가능한 보편적이고 사이트 무관인 딥 러닝 프레임워크를 개발한다.
• 다양한 치료 부위의 데이터를 활용한 전이 학습을 통해 새로운 부위에서의 모델 일반화 및 성능 향상을 도모한다.
• 임상적 DVH 제약 조건을 모델 입력에 통합하여 의사 선호도에 맞는 조절 가능한 상호작용형 선량 예측을 가능하게 한다.
• 새로운 부위에서 사전 훈련된 모델을 미세 조정하는 것이, 특히 소규모 데이터로도 초기 훈련보다 뛰어난 성능을 보임을 입증한다.

제안 방법

• 3D U-Net 아키텍처를 3D 선량 예측의 백본 신경망으로 사용하였으며, 전립선 IMRT 데이터(소스)와 두부 및 경부 VMAT 데이터(타겟)로 훈련하였다.
• 소스 모델(전립선 데이터로 사전 훈련)을 타겟 데이터셋에 대해 미세 조정함으로써 아키텍처 변경 없이도 적응 가능하도록 전이 학습을 적용하였다.
• 네 가지 모델을 비교: 소스(소스 데이터로 훈련), 타겟(타겟 데이터로 처음부터 훈련), 적응(소스 모델을 타겟 데이터에 대해 미세 조정), 통합(소스 및 타겟 데이터를 병합하여 훈련).
• 환자별 DVH 제약 조건을 입력 특징으로 통합하여 예측을 유도하고, 목표 부위 피복과 OAR 보호 간 조절 가능한 트레이드오프를 가능하게 하였다.
• PTV 및 OAR에 대해 D98, D95, D02, 평균 및 최대 선량을 포함한 선량-부피-히스토그램(DVH) 지표를 정량 평가 기준으로 사용하였다.
• 다양한 훈련 데이터 크기에서의 성능 평가를 위해 평균 제곱 오차(MSE) 손실을 활용하였으며, 데이터 부족 조건 하에서의 일반화 능력을 평가하였다.

실험 결과

연구 질문

• RQ1 전립선 IMRT 데이터로 훈련된 딥 러닝 모델이 아키텍처 변경 없이 두부 및 경부 VMAT과 같은 다른 부위로 효과적으로 일반화될 수 있는가?
• RQ2 제한된 타겟 데이터로 새로운 부위에 대해 사전 훈련된 모델을 미세 조정하는 것과 처음부터 훈련하는 것의 예측 정확도는 어떻게 비교되는가?
• RQ3 다양한 치료 부위의 데이터를 결합함으로써 새로운 타겟 부위에서의 모델 성능이 향상되는가? 특히 데이터 불균형이 존재할 경우 어떻게 되는가?
• RQ4 입력에 DVH 제약 조건을 통합함으로써 모델의 임상적 관련성과 조절 가능성은 어느 정도 향상되는가?
• RQ5 특히 소규모 데이터 환경에서 모델 성능은 훈련 데이터 크기에 얼마나 민감한가?

주요 결과

• 소스 모델은 전립선 IMRT 데이터에서 테스트했을 때 PTV에 대해 평균 절대 선량 오차가 0.32%±0.14이며 최대 오차는 2.37%±0.93를 기록하였다.
• 두부 및 경부 VMAT 타겟 부위에서, 적응 모델은 PTV에 대해 평균 절대 선량 오차가 1.08%±0.95이며 최대 오차는 2.90%±1.35를 기록하였다.
• 적응 모델은 타겟 모델(초기 훈련)보다 타겟 부위에서 성능이 뛰어나며, 특히 소규모 훈련 데이터로도 더 낮은 MSE 손실을 기록하였다. 전체 데이터의 10%에서도 동일한 경향을 보였다.
• 소스 및 타겟 데이터를 병합하여 훈련한 통합 모델은 소스 부위에서는 성능 향상을 보였지만, 데이터 불균형과 모odal 차이로 인해 타겟 부위에서는 성능이 열 劣하였다.
• 적응 모델은 타겟 부위에서 모든 OAR에 대해 평균 OAR 선량 오차가 2.43%이며 최대 오차가 4.33%를 기록하여 강력한 일반화 능력을 입증하였다.
• 모델 성능은 훈련 데이터 크기에 매우 민감했으며, 적응 모델은 모든 데이터 스케일에서 가장 안정적이고 낮은 손실을 기록하여 데이터 부족 상황에서도 강인함을 보였다.