[论文解读] Automated Treatment Planning in Radiation Therapy using Generative Adversarial Networks

Rafid Mahmood, Aaron Babier+3 more|arXiv (Cornell University)|Jul 17, 2018

Radiomics and Machine Learning in Medical Imaging被引用 69

一句话总结

论文提出基于 GAN 的知识驱动规划管线，直接从轮廓化 CT 切片预测 3D 剂量分布，以实现喉咽癌放射治疗治疗计划的自动化，随后进行优化阶段以产生可交付的计划。

ABSTRACT

Knowledge-based planning (KBP) is an automated approach to radiation therapy treatment planning that involves predicting desirable treatment plans before they are then corrected to deliverable ones. We propose a generative adversarial network (GAN) approach for predicting desirable 3D dose distributions that eschews the previous paradigms of site-specific feature engineering and predicting low-dimensional representations of the plan. Experiments on a dataset of oropharyngeal cancer patients show that our approach significantly outperforms previous methods on several clinical satisfaction criteria and similarity metrics.

研究动机与目标

• 促进放射治疗治疗计划的自动化以减少手工工作量并提高一致性。
• 开发一个知识驱动的规划管线，从 CT 数据中直接学习剂量分布，无需大量特征工程。
• 证明基于 GAN 的方法能够生成满足 OAR 与靶区临床标准的可交付计划。

提出的方法

• 将 KBP 剂量预测重新表述为一种图像着色问题，使用 pix2pix 风格的 GAN，生成器为 U-net。
• 在来自 130 名患者的轮廓化 CT 切片上进行训练，以预测 2D 剂量切片，拼装成 3D 剂量分布。
• 使用判别网络对生成的剂量分布进行评审，模仿肿瘤科医生的评估。
• 将 GAN 的预测输入反优化流程，以产生符合临床约束的可交付计划。
• 使用前向模型对在 OARs 和靶区上的 65 个目标函数进行优化，利用 Gurobi。
• 使用临床标准和 gamma 通过率对基线方法（BQ、gPCA、RF、CNN）进行对比评估。

实验结果

研究问题

• RQ1 一个 GAN 能否在不进行工程特征的情况下，直接从 CT 解剖结构学习并预测临床可接受的 3D 剂量分布？
• RQ2 在经过优化后，GAN 生成的剂量预测是否能产生满足临床标准的可交付治疗计划，其效果与现有 KBP 方法相同或更好？
• RQ3 与传统的基于特征和基于体素的方法相比，基于 GAN 的 KBP 在计划质量与可交付性方面有何差异？
• RQ4 基于 GAN 的 KBP 管线是否具有推广到喉咽癌以外的其他癌种的泛化能力？
• RQ5 在引入反向优化阶段对计划可交付性和临床标准满足度有何影响？

主要发现

• GAN 计划在符合临床标准方面超越了基线 KBP 方法（BQ、gPCA、RF、CNN）。
• GAN 计划在评估方法中实现了在 OAR 避让和靶区覆盖之间的最佳整体平衡。
• Gamma 通过率分析显示 GAN 计划在平均水平上最接近临床剂量分布，尤其是在靶区周围。
• GAN 计划有时会比临床计划对 OAR 的剂量更低，从而改善 OAR 标准的满足度。
• CNN 是对 GAN 的最接近竞争对手，GAN 维持着一个小但稳定的优势。