[论文解读] A Method of Rapid Quantification of Patient-Specific Organ Dose for CT Using Coupled Deep Multi-Organ Segmentation Algorithms and GPU-accelerated Monte Carlo Dose Computing Code

Zhao Peng, Xi Fang+8 more|arXiv (Cornell University)|Aug 1, 2019

Advanced X-ray and CT Imaging被引用 3

一句话总结

本研究提出了一种基于深度学习与GPU加速的蒙特卡罗方法，用于CT扫描中快速、患者特异性的器官剂量估算。通过使用卷积神经网络（CNN）实现器官的自动分割，并结合GPU加速的ARCHER蒙特卡罗代码，该方法相比使用人群平均体模的常规方法显著降低了剂量估算误差，各器官的相对剂量误差（RDE）范围为-4.3%至1.5%。

ABSTRACT

Purpose: This paper describes a new method to apply deep-learning algorithms for automatic segmentation of radiosensitive organs from 3D tomographic CT images before computing organ doses using a GPU-based Monte Carlo code. Methods: A deep convolutional neural network (CNN) for organ segmentation is trained to automatically delineate radiosensitive organs from CT. With a GPU-based Monte Carlo dose engine (ARCHER) to derive CT dose of a phantom made from a subject's CT scan, we are then able to compute the patient-specific CT dose for each of the segmented organs. The developed tool is validated by using Relative Dose Error (RDE) against the organ doses calculated by ARCHER with manual segmentation performed by radiologists. The dose computation results are also compared against organ doses from population-average phantoms to demonstrate the improvement achieved by using the developed tool. In this study, two datasets were used: The Lung CT Segmentation Challenge 2017 (LCTSC) dataset, which contains 60 thoracic CT scan patients each with 5 segmented organs, and the Pancreas-CT (PCT) dataset, which contains 43 abdominal CT scan patients each with 8 segmented organs. Five-fold cross-validation of the new method is performed on both datasets. Results: Comparing with the traditional organ dose evaluation method that based on population-average phantom, our proposed method achieved the smaller RDE range on all organs with -4.3%~1.5% vs -31.5%~33.9% (lung), -7.0%~2.3% vs -15.2%~125.1% (heart), -18.8%~40.2% vs -10.3%~124.1% (esophagus) in the LCTSC dataset and -5.6%~1.6% vs -20.3%~57.4% (spleen), -4.5%~4.6% vs -19.5%~61.0% (pancreas), -2.3%~4.4% vs -37.8%~75.8% (left kidney), -14.9%~5.4% vs -39.9% ~14.6% (gall bladder), -0.9%~1.6% vs -30.1%~72.5% (liver), and -23.0%~11.1% vs -52.5%~-1.3% (stomach) in the PCT dataset.

研究动机与目标

• 开发一种用于CT成像中患者特异性器官剂量估算的快速、自动化方法。
• 降低因解剖结构变异而使用人群平均体模时导致的剂量估算不确定性和误差。
• 将基于深度学习的器官分割与GPU加速的蒙特卡罗剂量计算相结合，以实现临床可行性。
• 通过与放射科医生手动分割结果对比验证该方法，并展示其在准确性上优于传统方法。

提出的方法

• 训练一个3D卷积神经网络（CNN），以从3D CT图像中自动分割放射敏感器官。
• 将分割后的患者解剖结构作为输入，输入至GPU加速的蒙特卡罗剂量计算引擎ARCHER，以计算各器官的特异性剂量。
• 在两个数据集上采用五折交叉验证：LCTSC（60例胸部扫描，5个器官）和PCT（43例腹部扫描，8个器官）。
• 通过与放射科医生手动分割所得参考剂量的对比，评估相对剂量误差（RDE）以衡量剂量准确性。
• 将患者特异性剂量估算结果与人群平均体模方法的结果进行比较，以量化准确性提升程度。
• 通过结合深度学习分割与高性能蒙特卡罗模拟，实现快速、自动化且精确的剂量计算。

实验结果

研究问题

• RQ1 基于深度学习的器官分割模型是否足以实现CT中患者特异性剂量估算的足够精度？
• RQ2 所提出方法的器官剂量估算相对误差（RDE）与放射科医生手动分割结果相比如何？
• RQ3 与基于人群平均体模的方法相比，患者特异性剂量估算在多大程度上降低了误差？
• RQ4 GPU加速的蒙特卡罗模拟是否能够实现临床可行的计算时间？
• RQ5 在多种器官中，所提出方法实现的剂量估算误差降低范围是多少？

主要发现

• 所提出方法在所有器官中的相对剂量误差（RDE）范围为-4.3%至1.5%，显著窄于使用人群平均体模时肺部的-31.5%至33.9%。
• 对于心脏，所提出方法的RDE为-7.0%至2.3%，而人群平均体模方法的RDE为-15.2%至125.1%。
• 在PCT数据集中，所提出方法将脾脏的RDE降低至-5.6%至1.6%，而人群平均体模方法的RDE为-20.3%至57.4%。
• 对于胃，所提出方法的RDE为-23.0%至11.1%，而人群平均体模的RDE为-52.5%至-1.3%，表明误差范围显著缩小。
• 肝脏的RDE为-0.9%至1.6%（所提出方法），而人群平均体模的RDE为-30.1%至72.5%。
• 总体而言，与传统人群平均体模方法相比，该方法在多个器官中将最大误差绝对值降低了高达80%。