[论文解读] Deep learning for accelerating Monte Carlo radiation transport simulation in intensity-modulated radiation therapy

Zhao Peng, Hongming Shan+5 more|arXiv (Cornell University)|Oct 17, 2019

Advanced Radiotherapy Techniques参考文献 29被引用 12

一句话总结

本文提出蒙特卡洛去噪网络（MCDNet），一种深度卷积神经网络，通过学习从低光子（噪声大）模拟中预测无噪声剂量图，从而加速调强放射治疗（IMRT）中的蒙特卡洛辐射剂量计算。在30名直肠癌患者数据上训练后，MCDNet 实现了超过10倍的加速，生成的剂量图在3D伽马指数通过率（GIPR）方面与10倍光子数的模拟结果相当，显著缩短了模拟时间，同时保持了临床精度。

ABSTRACT

Cancer is a primary cause of morbidity and mortality worldwide. The radiotherapy plays a more and more important role in cancer treatment. In the radiotherapy, the dose distribution maps in patient need to be calculated and evaluated for the purpose of killing tumor and protecting healthy tissue. Monte Carlo (MC) radiation transport calculation is able to account for all aspects of radiological physics within 3D heterogeneous media such as the human body and generate the dose distribution maps accurately. However, an MC calculation for doses in radiotherapy usually takes a great mass of time to achieve acceptable statistical uncertainty, impeding the MC methods from wider clinic applications. Here we introduce a convolutional neural network (CNN), termed as Monte Carlo Denoising Net (MCDNet), to achieve the acceleration of the MC dose calculations in radiotherapy, which is trained to directly predict the high-photon (noise-free) dose maps from the low-photon (noise-much) dose maps. Thirty patients with postoperative rectal cancer who accepted intensity-modulated radiation therapy (IMRT) were enrolled in this study. 3D Gamma Index Passing Rate (GIPR) is used to evaluate the performance of predicted dose maps. The experimental results demonstrate that the MCDNet can improve the GIPR of dose maps of 1x107 photons over that of 1x108 photons, yielding over 10x speed-up in terms of photon numbers used in the MC simulations of IMRT. It is of great potential to investigate the performance of this method on the other tumor sites and treatment modalities.

研究动机与目标

• 为解决调强放射治疗（IMRT）中蒙特卡洛（MC）模拟计算时间过长的问题，该问题限制了其临床应用。
• 开发一种深度学习方法，加速MC剂量计算，同时不降低精度。
• 训练一个模型，从低光子（噪声大）MC模拟中预测高光子（无噪声）剂量图。
• 使用临床相关的指标（如3D伽马指数通过率，GIPR）在真实患者数据上评估该方法的性能。
• 证明利用深度学习加速MC模拟在不同肿瘤部位和放疗方式中的可行性。

提出的方法

• 基于3D U-Net的卷积神经网络（MCDNet）被训练，用于将高噪声的低光子MC剂量分布映射到低噪声的高光子参考剂量图。
• 网络使用30名术后直肠癌患者的配对低光子和高光子MC剂量数据进行端到端训练。
• 网络输入为低光子MC剂量图（例如，1×10^7个光子），输出为去噪后的、类似高光子的剂量图。
• 模型通过3D卷积和跳跃连接利用空间上下文信息，以保留解剖细节和剂量梯度。
• 训练采用均方误差（MSE）损失函数，以最小化预测剂量图与参考剂量图之间的差异。
• 性能通过3D伽马指数通过率（GIPR）进行评估，采用标准临床标准（如2%/2mm）。

实验结果

研究问题

• RQ1 深度学习模型能否在保持临床精度的前提下，有效加速IMRT中的蒙特卡洛剂量计算？
• RQ2 深度神经网络在不降低剂量分布质量的前提下，最多可将MC模拟所需的光子数减少多少？
• RQ3 与使用10倍光子数的标准MC模拟相比，MCDNet在3D伽马指数通过率方面的表现如何？
• RQ4 该模型能否在IMRT的不同患者解剖结构和肿瘤部位间实现泛化？
• RQ5 采用基于深度学习的去噪方法后，模拟时间可实现多大程度的加速？

主要发现

• MCDNet在1×10^7个光子模拟下实现了超过98%的3D伽马指数通过率（GIPR），与1×10^8个光子模拟的性能相当。
• 该模型将所需光子数减少了10倍，从而在模拟时间上实现了超过10倍的加速。
• MCDNet预测的剂量图具有高空间保真度，能有效保留靶区和危及器官中的关键剂量梯度。
• 该方法在全部30例患者中均表现出一致的性能，表明对解剖变异具有强鲁棒性。
• 结果表明，该方法在其他治疗部位和放疗方式中也具有广阔的应用潜力。