[论文解读] Dose Prediction with U-net: A Feasibility Study for Predicting Dose Distributions from Contours using Deep Learning on Prostate IMRT Patients.

Dan Nguyen, Troy Long+5 more|arXiv (Cornell University)|Sep 26, 2017

Advanced Radiotherapy Techniques参考文献 35被引用 45

一句话总结

本研究提出了一种改进的U-net深度学习模型，仅基于计划靶区体积（PTV）和危及器官（OAR）的患者轮廓，直接预测调强放射治疗（IMRT）的剂量分布。仅使用少量数据，该模型即实现了高精度，等剂量体积的平均Dice相似系数达到0.91，所有结构的绝对剂量差异均低于处方剂量的5%，证明了其在加速治疗计划方面的可行性。

ABSTRACT

With the advancement of treatment modalities in radiation therapy for cancer patients, outcomes have improved, but at the cost of increased treatment plan complexity and planning time. The accurate prediction of dose distributions would alleviate this issue by guiding clinical plan optimization to save time and maintain high quality plans. We have modified a convolutional deep network model, U-net (originally designed for segmentation purposes), for predicting dose from patient image contours of the planning target volume (PTV) and organs at risk (OAR). We show that, as an example, we are able to accurately predict the dose of intensity-modulated radiation therapy (IMRT) for prostate cancer patients, where the average Dice similarity coefficient is 0.91 when comparing the predicted vs. true isodose volumes between 0% and 100% of the prescription dose. The average value of the absolute differences in [max, mean] dose is found to be under 5% of the prescription dose, specifically for each structure is [1.80%, 1.03%](PTV), [1.94%, 4.22%](Bladder), [1.80%, 0.48%](Body), [3.87%, 1.79%](L Femoral Head), [5.07%, 2.55%](R Femoral Head), and [1.26%, 1.62%](Rectum) of the prescription dose. We thus managed to map a desired radiation dose distribution from a patient's PTV and OAR contours. As an additional advantage, relatively little data was used in the techniques and models described in this paper.

研究动机与目标

• 通过基于患者解剖结构和轮廓的快速剂量预测，减少IMRT的治疗计划时间。
• 解决IMRT计划日益复杂的趋势，该趋势导致计划工作量和时间增加。
• 探索深度学习是否能仅使用轮廓数据和有限的训练样本，准确预测剂量分布。
• 评估将基于分割的U-net模型用于临床放射治疗剂量预测的可行性。

提出的方法

• 原始设计用于医学图像分割的U-net架构，被重新训练用于剂量预测，输入为患者轮廓。
• 输入数据仅包含PTV和OAR的勾画轮廓，不包含原始CT图像或HU值。
• 模型被训练以预测患者体内完整的3D剂量分布，损失函数针对剂量准确性进行了优化。
• 训练使用了相对较小的前列腺IMRT病例数据集，强调数据效率。
• 网络采用跳跃连接和编码器-解码器架构，以保留空间分辨率和解剖细节。
• 通过关键结构的Dice相似系数和绝对剂量差异评估模型性能。

实验结果

研究问题

• RQ1 基于U-net的深度学习模型是否能仅使用患者轮廓数据准确预测IMRT剂量分布？
• RQ2 与临床计划相比，该模型在剂量分布相似性和绝对剂量差异方面的表现如何？
• RQ3 在临床环境中，使用极少的训练数据，剂量预测能达到何种程度的精度？
• RQ4 该模型在前列腺癌患者的不同OAR和PTV之间泛化能力如何？
• RQ5 如U-net这类面向分割的网络，能否被有效重用于剂量预测并达到可接受的精度？

主要发现

• 在0%至100%处方剂量范围内，预测与实际等剂量体积之间的平均Dice相似系数为0.91。
• 对于PTV，平均绝对剂量差异为处方剂量的1.03%，最大差异为1.80%。
• 膀胱的平均剂量差异为处方剂量的4.22%，最大差异为1.94%。
• 体部结构的平均剂量差异为处方剂量的0.48%，最大差异为1.80%。
• 左侧和右侧股骨头的平均剂量差异分别为1.79%和2.55%，最大差异分别为3.87%和5.07%。
• 直肠的平均剂量差异为处方剂量的1.62%，最大差异为1.26%。