[論文レビュー] Deep learning for accelerating Monte Carlo radiation transport simulation in intensity-modulated radiation therapy

Zhao Peng, Hongming Shan+5 more|arXiv (Cornell University)|Oct 17, 2019

Advanced Radiotherapy Techniques参考文献 29被引用数 12

ひとこと要約

本稿では、低光子数（ノイズあり）のシミュレーションからノイズのない線量マップを予測する能力を学習することで、強度調制放射線治療（IMRT）におけるモンテカルロ線量計算を高速化する深層畳み込みニューラルネットワーク「モンテカルロデノイジングネット（MCDNet）」を提案する。30例の直腸がん患者を用いて訓練されたMCDNetは、10倍の光子数を用いたシミュレーションと同等の3Dガンマインデックスパスレート（GIPR）を達成することで、10倍以上の高速化を実現し、臨床的精度を維持したままシミュレーション時間を大幅に短縮した。

ABSTRACT

Cancer is a primary cause of morbidity and mortality worldwide. The radiotherapy plays a more and more important role in cancer treatment. In the radiotherapy, the dose distribution maps in patient need to be calculated and evaluated for the purpose of killing tumor and protecting healthy tissue. Monte Carlo (MC) radiation transport calculation is able to account for all aspects of radiological physics within 3D heterogeneous media such as the human body and generate the dose distribution maps accurately. However, an MC calculation for doses in radiotherapy usually takes a great mass of time to achieve acceptable statistical uncertainty, impeding the MC methods from wider clinic applications. Here we introduce a convolutional neural network (CNN), termed as Monte Carlo Denoising Net (MCDNet), to achieve the acceleration of the MC dose calculations in radiotherapy, which is trained to directly predict the high-photon (noise-free) dose maps from the low-photon (noise-much) dose maps. Thirty patients with postoperative rectal cancer who accepted intensity-modulated radiation therapy (IMRT) were enrolled in this study. 3D Gamma Index Passing Rate (GIPR) is used to evaluate the performance of predicted dose maps. The experimental results demonstrate that the MCDNet can improve the GIPR of dose maps of 1x107 photons over that of 1x108 photons, yielding over 10x speed-up in terms of photon numbers used in the MC simulations of IMRT. It is of great potential to investigate the performance of this method on the other tumor sites and treatment modalities.

研究の動機と目的

• 強度調制放射線治療（IMRT）におけるモンテカルロ（MC）シミュレーションの長時間計算が、臨床的導入を制限しているという問題に対処すること。
• 精度を損なわせることなくMC線量計算を高速化する深層学習手法を開発すること。
• 低光子数（ノイズあり）のMCシミュレーションから高光子数（ノイズなし）の線量マップを予測するモデルを訓練すること。
• 臨床的関連指標（例：3Dガンマインデックスパスレート（GIPR））を用いて、実際の患者データ上で手法の性能を評価すること。
• 異なる腫瘍巣部位および治療モodalitiesにわたり、深層学習を用いたMCシミュレーションの高速化の可能性を示すこと。

提案手法

• 低光子数MC線量分布（高ノイズ）を高光子数の基準線量マップ（低ノイズ）に変換する目的で、3D U-Netベースの畳み込みニューラルネットワーク（MCDNet）を訓練する。
• 30例の術後直腸がん患者の低光子数および高光子数MC線量データのペアを用いて、エンドツーエンドでネットワークを訓練する。
• ネットワークの入力は低光子数MC線量マップ（例：1×10^7光子）であり、出力はノイズ除去された高光子数に類似した線量マップである。
• 空間的文脈を3D畳み込みおよびスキップ接続を用いて活用することで、解剖的詳細および線量勾配を保持する。
• 予測線量マップと基準線量マップの差を最小化する目的関数として、平均二乗誤差（MSE）損失関数を用いる。
• 性能評価には、標準臨床基準（例：2%/2mm）を用いた3Dガンマインデックスパスレート（GIPR）を用いる。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、臨床的精度を維持したままIMRTにおけるモンテカルロ線量計算を効果的に高速化できるか？
• RQ2 深層ニューラルネットワークは、線量分布品質を劣化させることなく、MCシミュレーションに必要な光子数をどの程度削減できるか？
• RQ3 MCDNetの性能は、10倍の光子数を用いた標準MCシミュレーションと比較して、3Dガンマインデックスパスレートにおいてどの程度の差があるか？
• RQ4 本モデルは、IMRTにおける異なる患者の解剖的構造および腫瘍巣部位に一般化可能か？
• RQ5 深層学習を用いたノイズ除去アプローチを用いることで、シミュレーション時間にどの程度の高速化が達成できるか？

主な発見

• MCDNetは、1×10^7光子シミュレーションで3Dガンマインデックスパスレート（GIPR）が98%以上を達成し、1×10^8光子シミュレーションと同等の性能を示した。
• モデルにより必要な光子数が10分の1に削減され、シミュレーション時間に10倍以上の高速化が達成された。
• MCDNetが予測した線量マップは高い空間的忠実性を示し、被照射領域および臓器リスク領域における重要な線量勾配を保持していた。
• すべての30例の患者症例において一貫した性能を示し、解剖的変異に対する頑健性が確認された。
• 本手法は他の治療部位および放射線治療モダリティへの応用の可能性を強く示唆している。