[논문 리뷰] Synthetic MRI-aided Head-and-Neck Organs-at-Risk Auto-Delineation for CBCT-guided Adaptive Radiotherapy

Xianjin Dai, Yang Lei외 8명|arXiv (Cornell University)|2020. 10. 08.

Advanced Radiotherapy Techniques참고 문헌 40인용 수 4

한 줄 요약

이 연구는 순환 GAN을 통해 생성된 합성 MRI를 사용하여 콘빔 CT(CBCT)에서 두꺼운 목 기관 위험부위(OARs)를 완전 자동으로 빠르고 정확하게 묘사하는 딥러닝 기반 방법을 제안한다. 이중 피라미드 네트워크를 통해 CBCT와 합성 MRI의 특징을 융합함으로써 높은 분할 정확도를 달성하였으며, 12개의 OAR에 대해 평균 DSC가 0.87~0.96에 이르렀다. 대부분의 경우 CBCT 전용 방법보다 뚜렷하게 뛰어난 성능을 보였다.

ABSTRACT

Purpose: Organ-at-risk (OAR) delineation is a key step for cone-beam CT (CBCT) based adaptive radiotherapy planning that can be a time-consuming, labor-intensive, and subject-to-variability process. We aim to develop a fully automated approach aided by synthetic MRI for rapid and accurate CBCT multi-organ contouring in head-and-neck (HN) cancer patients. MRI has superb soft-tissue contrasts, while CBCT offers bony-structure contrasts. Using the complementary information provided by MRI and CBCT is expected to enable accurate multi-organ segmentation in HN cancer patients. In our proposed method, MR images are firstly synthesized using a pre-trained cycle-consistent generative adversarial network given CBCT. The features of CBCT and synthetic MRI are then extracted using dual pyramid networks for final delineation of organs. CBCT images and their corresponding manual contours were used as pairs to train and test the proposed model. Quantitative metrics including Dice similarity coefficient (DSC) were used to evaluate the proposed method. The proposed method was evaluated on a cohort of 65 HN cancer patients. CBCT images were collected from those patients who received proton therapy. Overall, DSC values of 0.87, 0.79/0.79, 0.89/0.89, 0.90, 0.75/0.77, 0.86, 0.66, 0.78/0.77, 0.96, 0.89/0.89, 0.832, and 0.84 for commonly used OARs for treatment planning including brain stem, left/right cochlea, left/right eye, larynx, left/right lens, mandible, optic chiasm, left/right optic nerve, oral cavity, left/right parotid, pharynx, and spinal cord, respectively, were achieved. In this study, we developed a synthetic MRI-aided HN CBCT auto-segmentation method based on deep learning. It provides a rapid and accurate OAR auto-delineation approach, which can be used for adaptive radiation therapy.

연구 동기 및 목표

• 두꺼운 목 적응형 방사선 치료에서 수작업으로 OAR을 묘사하는 데 소요되는 시간과 변동성을 해결하기 위해.
• 낮은 대trast, 노이즈가 많은 CBCT 영상에서 합성 MRI의 보완적 연조직 대비를 활용하여 다기관 분할 정확도를 향상시키기 위해.
• CBCT와 합성 MRI를 사용하여 온라인 적응형 재계획을 위한 완전 자동화되고 임상에 통합 가능한 워크플로우를 개발하기 위해.
• 계획용 CT와 수작업 윤곽선 묘사를 줄이고, 매일의 CBCT에서 직접적으로 신속하게 OAR을 묘사할 수 있도록 하기 위해.
• 프로톤 치료를 받는 65명의 두꺼운 목 암 환자 코hort에서 방법을 검증하여 강건성과 재현 가능성을 입증하기 위해.

제안 방법

• 순환 일致성 생성 대비 신경망(cycle-GAN)을 사전 훈련된 모델을 사용하여 CBCT 영상에서 합성 MRI를 생성함으로써 연조직 대비 향상을 달성한다.
• 다중 척도 특징을 CBCT 및 합성 MRI에서 추출하고 융합하기 위해 이중 피라미드 네트워크를 활용하여 분할 성능 향상을 도모한다.
• 모델은 짝지어진 CBCT 영상과 수작업으로 윤곽선이 그려진 OAR을 사용하여 훈련 및 테스트하며, 기저 윤곽선은 계획용 MRI에서 변형 가능한 영상 정렬을 통해 유도된다.
• 주의 메커니즘과 스킵 연결을 조합한 이중 단계 네트워크 아키텍처를 통해 경계 국소화 성능 향상과 노이즈 민감도 감소를 달성한다.
• 종료형으로 미분 가능한 방법으로, 합성 영상 생성 및 분할 작업을 동시에 최적화할 수 있다.
• 표준 평가 지표를 사용하여 정량적 평가를 수행한다: DSC(Dice 유사도 계수), HD95(95% 히우스도르프 거리), MSD(평균 표면 거리), RMS(잔차 제곱근 평균 거리).

실험 결과

연구 질문

• RQ1 CBCT에서 생성된 합성 MRI가 CBCT 전용 방법과 비교해 두꺼운 목 암 환자에서 다기관 분할 정확도를 향상시키는가?
• RQ2 CBCT와 합성 MRI 특징의 융합이 뇌간, 시신경, 췌선과 같은 낮은 대비 OAR의 묘사에 어떻게 기여하는가?
• RQ3 제안된 방법이 온라인 적응형 방사선 치료 워크플로우에서 관찰자 간 변동성과 수작업 윤곽선 묘사 시간을 어느 정도 줄이는가?
• RQ4 해부학적 복잡도와 뼈 구조물에 대한 공간적 관계가 다양한 OAR에서 이 방법의 성능은 어떠한가?
• RQ5 기저 윤곽선 유도 과정과 합성 MRI 생성 과정에서 발생하는 정렬 오차가 최종 분할 정확도에 어떤 영향을 미치는가?

주요 결과

• 뇌간에 대해 평균 DSC가 0.87 ± 0.03을 기록하여 높은 분할 정확도를 입증하였다.
• 좌측 및 우측 췌선에 대해 각각 DSC 값이 0.89 ± 0.04로 나타나 소형 복잡한 구조물에서도 뛰어난 성능을 보였다.
• 시교차와 구강 부위는 각각 DSC가 0.96 ± 0.04 및 0.89 ± 0.04로 나타나 뛰어난 경계 정의 능력을 입증하였다.
• 12개 OAR 중 10개에서 모든 평가 지표에서 CBCT 전용 기준보다 뚜렷하게 뛰어난 성능을 보였으며, 통계적 비교에서 p < 0.05를 기록하였다.
• 주로 CBCT에서 시각화되는 만성부에 대해서는 CBCT 전용 방법과 유사한 성능을 보였으며, 이는 합성 MRI가 뼈 구조물의 분할 정확도를 떨어뜨리지 않음을 확인한다.
• 갈비뼈(0.86 ± 0.13), 척수(0.84 ± 0.07), 후두부(0.83 ± 0.02) 등 다양한 OAR에 대해 강건성을 입증하였으며, 기준 대비 일관된 향상이 관찰되었다.