[论文解读] A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning

Dan Nguyen, Troy Long+5 more|arXiv (Cornell University)|Sep 26, 2017

Advanced Radiotherapy Techniques参考文献 53被引用 12

一句话总结

本研究提出一种基于改进U-Net架构的深度学习方法，直接从患者解剖结构和勾画数据预测前列腺癌患者的最优调强放射治疗（IMRT）剂量分布。该方法在有限的训练数据条件下实现了高精度，平均绝对剂量差异低于处方剂量的5%，等剂量体积的Dice相似系数达到0.91，证明了其可行性。

ABSTRACT

With the advancement of treatment modalities in radiation therapy for cancer patients, outcomes have improved, but at the cost of increased treatment plan complexity and planning time. The accurate prediction of dose distributions would alleviate this issue by guiding clinical plan optimization to save time and maintain high quality plans. We have modified a convolutional deep network model, U-net (originally designed for segmentation purposes), for predicting dose from patient image contours of the planning target volume (PTV) and organs at risk (OAR). We show that, as an example, we are able to accurately predict the dose of intensity-modulated radiation therapy (IMRT) for prostate cancer patients, where the average Dice similarity coefficient is 0.91 when comparing the predicted vs. true isodose volumes between 0% and 100% of the prescription dose. The average value of the absolute differences in [max, mean] dose is found to be under 5% of the prescription dose, specifically for each structure is [1.80%, 1.03%](PTV), [1.94%, 4.22%](Bladder), [1.80%, 0.48%](Body), [3.87%, 1.79%](L Femoral Head), [5.07%, 2.55%](R Femoral Head), and [1.26%, 1.62%](Rectum) of the prescription dose. We thus managed to map a desired radiation dose distribution from a patient's PTV and OAR contours. As an additional advantage, relatively little data was used in the techniques and models described in this paper.

研究动机与目标

• 通过深度学习预测最优剂量分布，以缩短放射治疗的计划制定时间。
• 通过学习患者解剖结构和危及器官轮廓，实现更快、更高质量的治疗计划优化。
• 评估小规模数据集是否可实现深度神经网络的准确剂量预测。
• 评估改进的U-Net模型在多个结构上预测剂量分布的性能。

提出的方法

• 将基于U-Net的卷积神经网络从原始的分割任务改造为从患者CT图像和结构轮廓预测3D剂量分布。
• 输入特征包括计划靶体积（PTV）和危及器官（OAR）轮廓，以及CT扫描中的Hounsfield单位（HU）值。
• 模型采用端到端训练方式，使用均方误差损失函数回归剂量分布。
• 网络架构采用跳跃连接和编码器-解码器模块，以保留空间分辨率和解剖细节。
• 在相对较小的前列腺癌患者数据集上进行训练，最大限度减少数据需求。
• 通过Dice相似系数和绝对剂量差异等定量指标，将预测的剂量分布与临床批准的计划进行比较。

实验结果

研究问题

• RQ1 深度学习模型能否从患者解剖结构和轮廓数据中准确预测最优IMRT剂量分布？
• RQ2 改进的U-Net在多个器官和PTV上的剂量分布预测表现如何？
• RQ3 该模型在有限训练数据下的泛化能力如何？
• RQ4 与临床计划相比，预测剂量指标（如最大和平均剂量）的准确性如何？

主要发现

• 在0%至100%处方剂量范围内，预测与实际等剂量体积之间的平均Dice相似系数为0.91。
• PTV平均剂量的平均绝对剂量差异为1.03%，体部平均剂量为0.48%，均低于处方剂量的5%。
• 对于危及器官，膀胱的平均绝对剂量差异为4.22%，左侧股骨头为1.79%。
• 右侧股骨头的平均剂量绝对差异为2.55%，最大值为5.07%。
• 直肠的预测表现优异，平均剂量绝对差异为1.62%。
• 结果表明，深度学习可仅使用极少数据和解剖输入，有效预测临床相关的剂量分布。