[論文レビュー] Improving Proton Dose Calculation Accuracy by Using Deep Learning

Chao Wu, Dan Nguyen+6 more|arXiv (Cornell University)|Apr 6, 2020

Radiation Therapy and Dosimetry参考文献 41被引用数 7

ひとこと要約

本研究では、患者のCTスキャンとピンセットビーム（PB）線量を入力として、深層学習モデルを用いてPB線量計算をモンテカルロ（MC）レベルの精度に変換する階層的密接続U-Net（HD U-Net）を提案する。4つの腫瘍部位で1 mm/1%の基準で平均ガンマ通過率92.8–99.6%を達成し、1フィールドあたり4秒未満で線量変換が可能であり、臨床統合に適した高速かつ高精度なプロトン線量予測が可能である。

ABSTRACT

Accurate dose calculation is vitally important for proton therapy. Pencil beam (PB) model-based dose calculation is fast but inaccurate due to the approximation when dealing with inhomogeneities. Monte Carlo (MC) dose calculation is the most accurate method, but it is time consuming. We hypothesize that deep learning methods can boost the accuracy of PB dose calculation to the level of MC. In this work, we developed a deep learning model that converts PB to MC doses for different tumor sites. The proposed model is based on our newly developed hierarchically densely connected U-Net (HD U-Net) network, and it uses the PB dose and patient CT image as inputs to generate the MC dose. We used 290 patients (90 with head and neck, 93 with liver, 75 with prostate, and 32 with lung cancer) to train, validate, and test the model. For each tumor site, we performed four numerical experiments to explore various combinations of training datasets. Training the model on data from all tumor sites together and using the dose distribution of each individual beam as input yielded the best performance for all four tumor sites. The average gamma index (1mm/1% criteria) between the converted dose and the MC dose was 92.8%, 92.7%, 89.7% and 99.6% for head and neck, liver, lung, and prostate test patients, respectively. The average time for dose conversion for a single field was less than 4 seconds. In conclusion, our deep learning-based approach can quickly boost the accuracy of proton PB dose distributions to that of MC dose distributions. The trained model can be readily adapted to new datasets for different tumor sites and from different hospitals through transfer learning. This model can be added as a plug-in to the clinical workflow of proton therapy treatment planning to improve the accuracy of proton dose calculation.

研究の動機と目的

• 組織不均一性において速やかではあるが不正確なピンセットビーム（PB）プロトン線量計算の精度を向上させること。
• 治療計画中に完全なMCシミュレーションを必要とせずに、PBからモンテカルロ（MC）線量分布へのマッピングを学習する深層学習フレームワークの開発。
• 時間のかかるMCシミュレーションに代わって学習された高速推論モデルを用いて、迅速かつ臨床的実用性のある線量計算を実現すること。
• 転移学習とマルチサイトトレーニングを活用して、多様な解剖的部位に一般化可能であることを保証すること。
• プラグイン形式として臨床的プロトン線量治療ワークフローに統合し、線量精度を向上させること。

提案手法

• PB線量およびCT画像入力をMC線量出力へと変換する複雑な非線形マッピングを学習するため、新規の階層的密接続U-Net（HD U-Net）アーキテクチャを採用する。
• モデルは患者のCT画像および各ビームの対応するPB線量分布を入力として受ける。
• HD U-Netは複数スケールにわたる密なスキップ接続を採用し、特徴量の伝搬と勾配の流れを向上させ、学習効率と精度を向上させる。
• モデルは4つの腫瘍部位（頭頸部：90例、肝臓：93例、前立腺：75例、肺：32例）の合計290例の患者データセットでトレーニングされた。
• 性能最適化のため、統合データでトレーニングし、個々のビーム線量を入力とする設定を含む4つの実験的設定を評価した。
• 転移学習が可能であり、他の病院や腫瘍部位の新しいデータセットに対しても最小限のファインチューニングで適応可能である。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、ピンセットビーム線量計算の不正確さを、モンテカルロ基準線量に一致させるように効果的に学習できるか？
• RQ2 マルチサイトデータでトレーニングした場合と単一サイトデータでトレーニングした場合とで、モデルの性能にどのような差が生じるか？
• RQ3 多様な解剖的部位で高い精度を達成するための最適な入力構成（例：ビーム別線量 vs. 総線量）は何か？
• RQ4 転移学習を用いて、他の機関の新しい患者データセットに対してどの程度一般化できるか？
• RQ5 推論時間が臨床用途に適した水準で、近似的にモンテカルロレベルの精度を達成できるか？

主な発見

• 頭頸部がん患者では平均ガンマ通過率92.8%（1 mm/1%）を達成し、複雑な解剖的領域でも高い精度を示した。
• 肝臓がん患者では平均ガンマ通過率92.7%を記録し、不均一な軟部組織環境でも優れた性能を示した。
• 肺がん患者ではガンマ通過率89.7%を達成し、低密度領域の挑戦を反映していたが、依然として標準PBアルゴリズムを上回った。
• 前立腺がん患者では最高の精度を示し、99.6%のガンマ通過率を達成し、高密度で均一な組織領域でも優れた性能を示した。
• 1ビームあたりの平均線量変換時間は4秒未満であり、リアルタイム治療計画における臨床的妥当性を満たしていた。
• 個々のビーム線量を入力とし、統合マルチサイトデータでトレーニングした場合が、全腫瘍部位で最高の性能を示し、多様なトレーニングデータの利点を裏付けた。