[論文レビュー] Synthetic MRI-aided Head-and-Neck Organs-at-Risk Auto-Delineation for CBCT-guided Adaptive Radiotherapy

Xianjin Dai, Yang Lei+8 more|arXiv (Cornell University)|Oct 8, 2020

Advanced Radiotherapy Techniques参考文献 40被引用数 4

ひとこと要約

本研究では、サイクル-GANを用いて生成された合成MRIを用いて、コーンビームCT（CBCT）上での頭頸部臓器臓器リスク（OAR）の完全自動的・迅速かつ高精度な輪郭化を目的とした深層学習ベースの手法を提案する。CBCTと合成MRIの特徴を二重ピラミッドネットワークで統合することで、12個のOARに対して平均Diceスコアが0.87～0.96を達成し、多数のケースでCBCT単独手法を顕著に上回る高いセグメンテーション精度を実現した。

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.

研究の動機と目的

• 頭頸部適応的放療における手作業によるOAR輪郭化の時間食いおよびばらつきの問題を解決すること。
• 補完的な軟部組織コントラストを有する合成MRIを活用することで、低コントラストでノイズの多いCBCT画像上での多臓器セグメンテーションの精度を向上させること。
• CBCTと合成MRIを用いた、オンライン適応的再計画に即応可能な完全自動的で臨床的統合可能なワークフローの開発。
• 計画用CTや手作業による輪郭化に依存することを減らし、日常的なCBCT上での直接的かつ迅速なOAR輪郭化を可能にすること。
• プロトン放療を受ける65例の頭頸部がん患者を対象に本手法の妥当性を検証し、その強靭性と再現性を示すこと。

提案手法

• サイクル-一貫性のある生成的敵対ネットワーク（cycle-GAN）を事前学習済みで用いて、CBCT画像から合成MRIを生成し、軟部組織コントラストの強化を実現する。
• 多スケール特徴をCBCTおよび合成MRIから抽出・統合するため、二重ピラミッドネットワークを採用し、セグメンテーション性能の向上を図る。
• モデルは、ペア化されたCBCT画像と手作業で輪郭化されたOARを用いて学習・評価し、基準輪郭は計画用MRIからの非剛性画像登録により導出される。
• 注意メカニズムとスキップ接続を組み合わせた二段階のネットワークアーキテクチャを採用し、境界の局所化精度を向上させるとともにノイズへの感受性を低減する。
• エンドツーエンド微分可能であるため、合成画像生成とセグメンテーションタスクの共同最適化が可能である。
• 定量的評価には、標準指標であるDice類似係数（DSC）、Hausdorff距離95%（HD95）、平均表面距離（MSD）、残留平均二乗距離（RMS）が用いられる。

実験結果

リサーチクエスチョン

• RQ1 CBCTから生成された合成MRIは、CBCT単独手法と比較して、頭頸部がん患者における多臓器セグメンテーションの精度を向上させるか？
• RQ2 CBCTと合成MRIの特徴統合は、脳幹、視神経、および副鼻巣など低コントラストOARの輪郭化をどのように向上させるか？
• RQ3 本手法は、オンライン適応的放療ワークフローにおける観察者間ばらつきと手作業輪郭化時間の削減にどの程度寄与するか？
• RQ4 解剖学的複雑性や骨構造との空間的関係が異なる多様なOARにおいて、本手法の性能はいかがなものか？
• RQ5 基準輪郭導出および合成MRI生成における登録誤差が、最終的なセグメンテーション精度に与える影響はどの程度か？

主な発見

• 本手法は、脳幹に対して平均Dice類似係数（DSC）が0.87 ± 0.03を達成し、高いセグメンテーション精度を示した。
• 左側および右側の副鼻巣に対して、それぞれDSCが0.89 ± 0.04を達成し、小規模で複雑な構造に対しても優れた性能を示した。
• 視交叉および口腔腔は、それぞれDSCが0.96 ± 0.04および0.89 ± 0.04を示し、優れた境界定義を実現した。
• 12個のOARのうち10個について、すべての指標でCBCT単独ベースラインを顕著に上回り、統計的有意差（p < 0.05）が確認された。
• 骨構造が主に可視化される下顎については、CBCT単独手法と同等の性能を示し、合成MRIが骨構造のセグメンテーションを劣化させないことを確認した。
• 喉頭（DSC 0.86 ± 0.13）、脊髄（DSC 0.84 ± 0.07）、咽頭（DSC 0.83 ± 0.02）など多様なOARにおいても、本手法は強靭性を示し、ベースライン比で一貫した改善を示した。