[论文解读] DeepDoseNet: A Deep Learning model for 3D Dose Prediction in Radiation Therapy

Mumtaz Hussain Soomro, Victor Gabriel Leandro Alves+2 more|arXiv (Cornell University)|Oct 29, 2021

Advanced Radiotherapy Techniques被引用 11

一句话总结

DeepDoseNet 是一种结合 ResNet 和空洞密集网络（Dilated DenseNet）架构的深度学习模型，用于头颈部调强放射治疗中的 3D 剂量预测。基于 2020 年 AAPM OpenKBP 数据集，该模型采用结合 MAE 和 DVH 的损失函数，实现了 SOTA 性能，3D 剂量评分降低 60%，DVH 评分降低 70%，显著优于基线模型。

ABSTRACT

The DeepDoseNet 3D dose prediction model based on ResNet and Dilated DenseNet is proposed. The 340 head-and-neck datasets from the 2020 AAPM OpenKBP challenge were utilized, with 200 for training, 40 for validation, and 100 for testing. Structures include 56Gy, 63Gy, 70Gy PTVs, and brainstem, spinal cord, right parotid, left parotid, larynx, esophagus, and mandible OARs. Mean squared error (MSE) loss, mean absolute error (MAE) loss, and MAE plus dose-volume histogram (DVH) based loss functions were investigated. Each model's performance was compared using a 3D dose score, $\\bar{S_{D}}$, (mean absolute difference between ground truth and predicted 3D dose distributions) and a DVH score, $\\bar{S_{DVH}}$ (mean absolute difference between ground truth and predicted dose-volume metrics).Furthermore, DVH metrics Mean[Gy] and D0.1cc [Gy] for OARs and D99%, D95%, D1% for PTVs were computed. DeepDoseNet with the MAE plus DVH-based loss function had the best dose score performance of the OpenKBP entries. MAE+DVH model had the lowest prediction error (P<0.0001, Wilcoxon test) on validation and test datasets (validation: $\\bar{S_{D}}$=2.3Gy, $\\bar{S_{DVH}}$=1.9Gy; test: $\\bar{S_{D}}$=2.0Gy, $\\bar{S_{DVH}}$=1.6Gy) followed by the MAE model (validation: $\\bar{S_{D}}$=3.6Gy, $\\bar{S_{DVH}}$=2.4Gy; test: $\\bar{S_{D}}$=3.5Gy, $\\bar{S_{DVH}}$=2.3Gy). The MSE model had the highest prediction error (validation: $\\bar{S_{D}}$=3.7Gy, $\\bar{S_{DVH}}$=3.2Gy; test: $\\bar{S_{D}}$=3.6Gy, $\\bar{S_{DVH}}$=3.0Gy). No significant difference was found among models in terms of Mean [Gy], but the MAE+DVH model significantly outperformed the MAE and MSE models in terms of D0.1cc[Gy], particularly for mandible and parotids on both validation (P<0.01) and test (P<0.0001) datasets. MAE+DVH outperformed (P<0.0001) in terms of D99%, D95%, D1% for targets. MAE+DVH reduced $\\bar{S_{D}}$ by ~60% and $\\bar{S_{DVH}}$ by ~70%.

研究动机与目标

• 开发一种用于放射治疗中精确 3D 剂量预测的深度学习模型，以提高治疗计划效率。
• 评估不同损失函数（MSE、MAE 和 MAE+DVH）对 3D 剂量和 DVH 指标预测精度的影响。
• 比较模型在关键临床结构（包括 PTV 和腮腺、下颌骨、脊髓等 OAR）上的性能表现。
• 确定引入基于 DVH 的损失是否能提升预测剂量分布的临床相关性。
• 通过混合 ResNet 与空洞密集网络架构，在 2020 年 AAPM OpenKBP 挑战赛中实现卓越性能。

提出的方法

• 设计了一种结合 ResNet 和空洞密集网络的混合深度学习架构，以捕捉多尺度解剖特征和剂量沉积模式。
• 在 2020 年 AAPM OpenKBP 挑战赛的 200 例头颈部患者数据集上进行训练，其中 40 例用于验证，100 例用于测试。
• 评估了三种损失函数：均方误差（MSE）、平均绝对误差（MAE）以及 MAE 与剂量体积直方图（DVH）相结合的损失函数。
• 使用 3D 剂量评分（$\bar{S_{D}}$）和 DVH 评分（$\bar{S_{DVH}}$）作为主要指标，用于比较模型性能。
• 计算并比较了各模型在 PTV 上的 D99%、D95%、D1% 以及 OAR 上的 Mean[Gy]、D0.1cc[Gy] 等临床指标。
• 采用 Wilcoxon 符号秩检验评估预测误差的统计显著性，以比较不同模型之间的差异。

实验结果

研究问题

• RQ1 与单独使用 MAE 或 MSE 相比，结合 MAE 和基于 DVH 的损失是否能提升 3D 剂量预测精度？
• RQ2 DeepDoseNet 模型在 3D 剂量和 DVH 评分性能方面，与 2020 年 AAPM OpenKBP 挑战赛其他参赛模型相比如何？
• RQ3 该模型在关键器官的 D0.1cc[Gy] 等临床相关指标上的预测误差降低程度如何？
• RQ4 在验证集和测试集上，MAE+DVH、MAE 和 MSE 损失变体之间的预测精度是否存在显著差异？
• RQ5 该模型能否在预测靶区覆盖（D99%、D95%、D1%）和危及器官保护（Mean[Gy]、D0.1cc[Gy]）方面实现更优性能？

主要发现

• MAE+DVH 模型在测试集上实现了最低的 3D 剂量评分（$\bar{S_{D}}$）2.0 Gy，相比 MSE 模型降低了约 60%。
• MAE+DVH 模型在测试集上实现了最低的 DVH 评分（$\bar{S_{DVH}}$）1.6 Gy，相比 MSE 模型降低了约 70%。
• 在下颌骨和腮腺的 D0.1cc[Gy] 指标上，MAE+DVH 模型显著优于 MAE 和 MSE 模型（测试集 p<0.0001），在 PTV 指标 D99%、D95%、D1% 上同样显著（p<0.0001）。
• 在 OAR 的 Mean[Gy] 指标上，各模型之间无显著差异，表明平均剂量预测具有一致性。
• MAE+DVH 模型在验证集和测试集上的预测误差均最低（p<0.0001，Wilcoxon 检验），证实其统计上的优越性。
• 该模型在所有 OpenKBP 挑战赛参赛模型中表现最优，尤其在临床指标精度和剂量分布保真度方面表现突出。