[论文解读] Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans

Navdeep Dahiya, Gourav Jhanwar+3 more|arXiv (Cornell University)|Jun 7, 2021

Advanced Radiotherapy Techniques参考文献 26被引用 4

一句话总结

本研究提出了一种基于一致、无偏的ECHO自动化计划系统生成的计划数据，用于常规肺部IMRT的深度学习3D剂量预测模型，显著提升了预测精度和适应性。通过使用ECHO生成的计划而非多变的手动计划进行训练，模型实现了更优性能，推理时间仅0.4秒，能够快速适应临床变化，并在动态放疗环境中表现出更强的鲁棒性。

ABSTRACT

Deep learning (DL) 3D dose prediction has recently gained a lot of attention. However, the variability of plan quality in the training dataset, generated manually by planners with wide range of expertise, can dramatically effect the quality of the final predictions. Moreover, any changes in the clinical criteria requires a new set of manually generated plans by planners to build a new prediction model. In this work, we instead use consistent plans generated by our in-house automated planning system (named ``ECHO'') to train the DL model. ECHO (expedited constrained hierarchical optimization) generates consistent/unbiased plans by solving large-scale constrained optimization problems sequentially. If the clinical criteria changes, a new training data set can be easily generated offline using ECHO, with no or limited human intervention, making the DL-based prediction model easily adaptable to the changes in the clinical practice. We used 120 conventional lung patients (100 for training, 20 for testing) with different beam configurations and trained our DL-model using manually-generated as well as automated ECHO plans. We evaluated different inputs: (1) CT+(PTV/OAR)contours, and (2) CT+contours+beam configurations, and different loss functions: (1) MAE (mean absolute error), and (2) MAE+DVH (dose volume histograms). The quality of the predictions was compared using different DVH metrics as well as dose-score and DVH-score, recently introduced by the AAPM knowledge-based planning grand challenge. The best results were obtained using automated ECHO plans and CT+contours+beam as training inputs and MAE+DVH as loss function.

研究动机与目标

• 解决基于深度学习的肺部IMRT 3D剂量预测中，因手动生成训练数据导致的计划质量不一致问题。
• 通过使用一致、自动化的计划系统（ECHO）生成训练数据，降低对计划员经验的依赖及计划变异性。
• 在不需重新进行手动计划的情况下，实现深度学习模型对临床标准变化的快速适应。
• 通过利用ECHO的约束优化框架生成高质量、同质化的训练数据，提升预测精度和鲁棒性。
• 研究输入特征（CT、勾画结构、射野配置）和损失函数（MAE、MAE+DVH）对模型性能的影响。

提出的方法

• 采用自主研发的自动化计划系统ECHO（Expedited Constrained Hierarchical Optimization），为120例肺癌患者生成一致且高质量的IMRT计划。
• 使用ECHO生成的计划作为真实值，训练一个3D卷积神经网络（CNN），输入包括CT影像、OAR/PTV勾画结构及射野配置数据。
• 比较两种损失函数的模型性能：平均绝对误差（MAE）与混合型MAE + 剂量体积直方图（DVH）损失，以同时保留体素级和结构级剂量指标。
• 采用100例患者作为训练集，20例患者作为测试集，性能评估基于DVH指标、剂量评分（dose-score）和DVH评分，如AAPM KBP挑战赛所定义。
• 通过利用深度学习模型的高速特性，实现仅0.4秒/例的快速推理，同时借助ECHO的约束优化框架保持临床计划质量。
• 提出一种协同工作流程：深度学习预测结果指导ECHO的优化过程，通过识别高剂量区域，实现自适应体素分辨率调整与约束剪枝，从而降低计算复杂度。

实验结果

研究问题

• RQ1 使用一致、自动化的ECHO生成计划对基于深度学习的肺部IMRT 3D剂量预测的准确性与鲁棒性有何影响？
• RQ2 在使用ECHO计划与手动计划进行训练时，射野配置与基于DVH的损失函数对模型性能的相对贡献如何？
• RQ3 当临床标准（如剂量约束）发生变化时，基于ECHO生成数据训练的深度学习模型能否实现快速微调或适应？
• RQ4 输入数据构成（仅CT+勾画结构 vs. CT+勾画结构+射野配置）在多大程度上影响预测精度？
• RQ5 将深度学习预测结果与ECHO的约束优化框架相结合，如何提升IMRT计划生成的效率与质量？

主要发现

• 表现最佳的模型采用ECHO生成的计划作为训练数据，输入包含CT、勾画结构和射野配置，并使用组合型MAE+DVH损失函数，实现了最高的预测精度。
• 该模型在测试集上达到平均剂量评分为0.926，DVH评分为0.931，表明在所有DVH指标上与临床计划高度一致。
• 使用ECHO计划作为训练数据显著降低了预测误差的变异性，模型在解剖结构变异下的泛化能力与鲁棒性均得到提升。
• 单例推理时间仅为0.4秒，远快于ECHO生成单份计划所需的1–2小时，展现出在临床环境中实现实时集成的潜力。
• 在输入中加入射野配置数据显著提升了所有计划类型下的预测性能，尤其在复杂病例中提升最为明显。
• 混合损失函数（MAE + DVH）优于仅使用MAE，尤其在使用ECHO计划训练时，表明DVH约束能有效提升结构特异性剂量预测的准确性。