[논문 리뷰] Deep learning based CT-to-CBCT deformable image registration for autosegmentation in head and neck adaptive radiation therapy

Xiao Liang, Howard E. Morgan외 2명|arXiv (Cornell University)|2021. 02. 01.

Advanced Radiotherapy Techniques참고 문헌 14인용 수 7

한 줄 요약

이 연구는 헤드 앤드 네크 적응 방사선 치료에서 자동 세그멘테이션을 위한 CBCT에서 pCT로의 변형 가능한 이미지 정렬과 함께 합성 CT(sCT)를 동시 생성하는 딥러닝 프레임워크를 제안한다. CycleGAN과 5단계 캐스케이드된 Voxelmorph 네트워크를 결합함으로써 평균 Dice 점수 0.83과 95% 허프다우이 거리 2.01 mm를 기록하여 정확도와 효율성 면에서 기존 방법을 능가하는 높은 정확도의 윤곽 전파를 달성한다.

ABSTRACT

The purpose of this study is to develop a deep learning based method that can automatically generate segmentations on cone-beam CT (CBCT) for head and neck online adaptive radiation therapy (ART), where expert-drawn contours in planning CT (pCT) can serve as prior knowledge. Due to lots of artifacts and truncations on CBCT, we propose to utilize a learning based deformable image registration method and contour propagation to get updated contours on CBCT. Our method takes CBCT and pCT as inputs, and output deformation vector field and synthetic CT (sCT) at the same time by jointly training a CycleGAN model and 5-cascaded Voxelmorph model together.The CycleGAN serves to generate sCT from CBCT, while the 5-cascaded Voxelmorph serves to warp pCT to sCT's anatommy. The segmentation results were compared to Elastix, Voxelmorph and 5-cascaded Voxelmorph on 18 structures including left brachial plexus, right brachial plexus, brainstem, oral cavity, middle pharyngeal constrictor, superior pharyngeal constrictor, inferior pharyngeal constrictor, esophagus, nodal gross tumor volume, larynx, mandible, left masseter, right masseter, left parotid gland, right parotid gland, left submandibular gland, right submandibular gland, and spinal cord. Results show that our proposed method can achieve average Dice similarity coefficients and 95% Hausdorff distance of 0.83 and 2.01mm. As compared to other methods, our method has shown better accuracy to Voxelmorph and 5-cascaded Voxelmorph, and comparable accuracy to Elastix but much higher efficiency. The proposed method can rapidly and simultaneously generate sCT with correct CT numbers and propagate contours from pCT to CBCT for online ART re-planning.

연구 동기 및 목표

• 온라인 적응 방사선 치료(ART)에서 CBCT 영상에 대한 수작업 윤곽 매핑의 부정확성과 시간 소모 문제를 해결하기 위해.
• 아티팩트와 잘린 영역이 있는 상황에서도 계획 CT(pCT)에서의 전문가가 그린 윤곽을 CBCT로 신속하고 정확하게 전파할 수 있는 방법을 개발하기 위해.
• 딥러닝을 활용해 CBCT에서 정확한 허운스필드 단위를 가진 합성 CT(sCT)를 생성하기 위해.
• 두경부 종양 방사선 치료에서 온라인 재계획을 위한 실시간 자동 윤곽 매핑을 가능하게 하기 위해.

제안 방법

• CBCT 영상을 정확한 허운스필드 단위 값을 가진 합성 CT(sCT)로 변환하는 데 사용되는 CycleGAN을 훈련시킴.
• 생성된 sCT로 pCT에서의 변형 가능한 이미지 정렬을 수행하는 5단계 캐스케이드된 Voxelmorph 네트워크를 사용함.
• sCT 생성과 해부학적 왜곡 간의 일관성을 확보하기 위해 CycleGAN과 Voxelmorph 네트워크를 함께 훈련함.
• 변형 필드를 pCT 원본 윤곽에 적용하여 윤곽 전파를 수행함.
• 엔드 투 엔드 학습을 활용하여 동시에 정확도 향상과 sCT 품질 향상을 도모함.
• 18개의 두경부 해부학적 구조를 대상으로 Dice 및 95% 허프다우이 거리 지표를 사용해 방법을 평가함.

실험 결과

연구 질문

• RQ1 딥러닝 기반 방법이 CBCT에서 pCT로의 신뢰할 수 있는 변형 가능한 정렬과 정확한 합성 CT 생성을 동시에 수행할 수 있는가?
• RQ2 기존의 Elastix 및 표준 Voxelmorph 방법과 비교해 제안된 방법은 세그멘테이션 정확도와 계산 효율성 면에서 어떻게 다른가?
• RQ3 CycleGAN과 캐스케이드된 Voxelmorph의 공동 훈련이 아티팩트와 잘린 영역이 있는 CBCT에서 윤곽 전파 성능을 향상시킬 수 있는가?
• RQ4 생성된 sCT에서 임상적 사용을 위해 정확한 허운스필드 단위 값을 유지하는가?
• RQ5 이 프레임워크는 두경부 방사선 치료에서 온라인 적응 재계획을 위한 빠르고 자동화된 윤곽 매핑을 가능하게 하는가?

주요 결과

• 제안된 방법은 18개의 두경부 해부학적 구조에서 평균 Dice 유사도 계수 0.83을 달성하여 높은 세그멘테이션 정확도를 나타냄.
• 95% 허프다우이 거리는 2.01 mm였으며, 이는 영상 아티팩트가 존재하는 상황에서도 정확한 경계 일치를 반영함.
• 표준 Voxelmorph 및 5단계 캐스케이드된 Voxelmorph 모두에서 Dice 및 허프다우이 거리 지표 면에서 성능이 뛰어남.
• Elastix와 유사한 정확도를 달성했지만, 계산 효율성이 크게 뛰어남.
• CycleGAN과 캐스케이드된 Voxelmorph의 공동 훈련이 sCT 생성 및 윤곽 전파의 일관성과 품질 향상에 기여함.
• 이 방법은 온라인 적응 방사선 치료를 위한 신속하고 자동화되며 임상적으로 실현 가능한 윤곽 전파를 가능하게 함.