[論文レビュー] Comparison of Patch-Based Conditional Generative Adversarial Neural Net Models with Emphasis on Model Robustness for Use in Head and Neck Cases for MR-Only planning

Peter Klages, Ilyes Benslimane+6 more|arXiv (Cornell University)|Feb 1, 2019

AI in cancer detection参考文献 29被引用数 6

ひとこと要約

本研究は、頭頸部がん患者のMR画像からCT画像を合成するための、ピクセルベースの条件付き生成対抗ネットワークであるPix2PixとCycle GANを評価した。Pix2Pixは、身体領域における平均絶対誤差が92.4 ± 13.5 HUであり、重要構造部における2%未満の線量誤差を示し、アーティファクトに弱い症例においても優れた正確性と頑健性を示した。臨床的応用可能性が非常に高い。

ABSTRACT

A total of twenty paired CT and MR images were used in this study to investigate two conditional generative adversarial networks, Pix2Pix, and Cycle GAN, for generating synthetic CT images for Headand Neck cancer cases. Ten of the patient cases were used for training and included such common artifacts as dental implants; the remaining ten testing cases were used for testing and included a larger range of image features commonly found in clinical head and neck cases. These features included strong metal artifacts from dental implants, one case with a metal implant, and one case with abnormal anatomy. The original CT images were deformably registered to the mDixon FFE MR images to minimize the effects of processing the MR images. The sCT generation accuracy and robustness were evaluated using Mean Absolute Error (MAE) based on the Hounsfield Units (HU) for three regions (whole body, bone, and air within the body), Mean Error (ME) to observe systematic average offset errors in the sCT generation, and dosimetric evaluation of all clinically relevant structures. For the test set the MAE for the Pix2Pix and Cycle GAN models were 92.4 $\pm$ 13.5 HU, and 100.7 $\pm$ 14.6 HU, respectively, for the body region, 166.3 $\pm$ 31.8 HU, and 184 $\pm$ 31.9 HU, respectively, for the bone region, and 183.7 $\pm$ 41.3 HU and 185.4 $\pm$ 37.9 HU for the air regions. The ME for Pix2Pix and Cycle GAN were 21.0 $\pm$ 11.8 HU and 37.5 $\pm$ 14.9 HU, respectively. Absolute Percent Mean/Max Dose Errors were less than 2% for the PTV and all critical structures for both models, and DRRs generated from these models looked qualitatively similar to CT generated DRRs showing these methods are promising for MR-only planning.

研究の動機と目的

• MRのみの放射線治療計画用に、MRスキャンからCT画像を合成するための条件付き生成対抗ネットワークの性能を評価すること。
• 歯科インプラントや金属インプラントなどの困難な臨床的アーティファクトが存在する状況におけるモデルの頑健性を評価すること。
• Pix2PixとCycle GANが生成する合成CT画像の線量計測的正確性を、実際のCTスキャンと比較すること。
• 多様な画像アーティファクトを有する複雑な頭頸部解剖における合成CT生成の臨床的妥当性を検証すること。

提案手法

• 歯科アーティファクトを有する頭頸部がん患者10例の、ペア化されたCT-MRスキャンを用いて、Pix2PixとCycle GANの両方の条件付きGANをトレーニングした。
• 歪みの影響を最小限に抑えるために、元のCTをmDixon FFE MR画像に変形画像登録した。
• 局所的な画像一貫性に注目し、ピクセルベースのGANアーキテクチャを用いて、MR入力から合成CT（sCT）画像を生成した。
• Hounsfield単位（HU）指標を用いてsCTの正確性を評価した：全身、骨、空気領域における平均絶対誤差（MAE）および平均誤差（ME）。
• DRRと線量差を用いて線量分布の比較を通じて線量計測的評価を実施した。
• 金属インプラントや異常な解剖学的構造を含む多様なアーティファクトを有する10例の別個テストセットを用い、頑健性を評価した。

実験結果

リサーチクエスチョン

• RQ1 歯科アーティファクトを有する頭頸部がん患者のMRスキャンからCT画像を合成する際、Pix2PixとCycle GANの性能はいかがであるか？
• RQ2 強力な金属アーティファクトや異常な解剖学的構造を有する症例に適用した場合、これらのモデルの頑健性はどの程度か？
• RQ3 軟部組織、骨、空気などの異なる組織タイプにおけるHU値の正確性はどの程度か？
• RQ4 合成CT画像は、放射線治療計画における臨床的構造部の線量計測的正確性をどの程度保持しているか？

主な発見

• Pix2Pixは身体領域で平均絶対誤差（MAE）が92.4 ± 13.5 HUを達成し、Cycle GANの100.7 ± 14.6 HUを上回った。
• 骨領域では、Pix2PixのMAEは166.3 ± 31.8 HU、Cycle GANは184.0 ± 31.9 HUであった。
• 空気領域では、Pix2PixのMAEは183.7 ± 41.3 HUであり、Cycle GANの185.4 ± 37.9 HUよりもわずかに優れていた。
• 平均誤差（ME）は、Pix2Pixが21.0 ± 11.8 HU、Cycle GANが37.5 ± 14.9 HUであり、Pix2Pixの方が系統的バイアスが低かった。
• PTVおよびすべての重要構造部における絶対的パーセンテージ平均および最大線量誤差は、両モデルともに2%未満であった。
• DRRの定性的評価では、両モデルから得られた画像が実際のCT由来DRRと類似しており、臨床的利用可能性を裏付けた。