[论文解读] Improving Proton Dose Calculation Accuracy by Using Deep Learning

Chao Wu, Dan Nguyen+6 more|arXiv (Cornell University)|Apr 6, 2020

Radiation Therapy and Dosimetry参考文献 41被引用 7

一句话总结

本研究提出一种基于分层密集连接U-Net（HD U-Net）的深度学习模型，利用患者CT扫描和笔形束（PB）剂量作为输入，将笔形束剂量计算结果提升至蒙特卡罗（MC）级精度。该模型在四个肿瘤部位的平均伽马通过率达92.8–99.6%（1 mm/1%），每野剂量转换时间不足4秒，实现了快速、精确的质子治疗剂量预测，适用于临床集成。

ABSTRACT

Accurate dose calculation is vitally important for proton therapy. Pencil beam (PB) model-based dose calculation is fast but inaccurate due to the approximation when dealing with inhomogeneities. Monte Carlo (MC) dose calculation is the most accurate method, but it is time consuming. We hypothesize that deep learning methods can boost the accuracy of PB dose calculation to the level of MC. In this work, we developed a deep learning model that converts PB to MC doses for different tumor sites. The proposed model is based on our newly developed hierarchically densely connected U-Net (HD U-Net) network, and it uses the PB dose and patient CT image as inputs to generate the MC dose. We used 290 patients (90 with head and neck, 93 with liver, 75 with prostate, and 32 with lung cancer) to train, validate, and test the model. For each tumor site, we performed four numerical experiments to explore various combinations of training datasets. Training the model on data from all tumor sites together and using the dose distribution of each individual beam as input yielded the best performance for all four tumor sites. The average gamma index (1mm/1% criteria) between the converted dose and the MC dose was 92.8%, 92.7%, 89.7% and 99.6% for head and neck, liver, lung, and prostate test patients, respectively. The average time for dose conversion for a single field was less than 4 seconds. In conclusion, our deep learning-based approach can quickly boost the accuracy of proton PB dose distributions to that of MC dose distributions. The trained model can be readily adapted to new datasets for different tumor sites and from different hospitals through transfer learning. This model can be added as a plug-in to the clinical workflow of proton therapy treatment planning to improve the accuracy of proton dose calculation.

研究动机与目标

• 提高笔形束（PB）质子剂量计算的准确性，因其在组织不均一性区域虽快速但不准确。
• 开发一种深度学习框架，学习从PB到蒙特卡罗（MC）剂量分布的映射关系，而无需在治疗计划中进行完整的MC模拟。
• 通过用学习得到的快速推理模型替代耗时的MC模拟，实现实时、临床可行的剂量计算。
• 通过迁移学习和多部位训练，确保模型在多种解剖部位间的泛化能力。
• 作为插件集成到临床质子治疗工作流程中，以提升剂量计算精度。

提出的方法

• 采用一种新型的分层密集连接U-Net（HD U-Net）架构，学习从PB剂量和CT图像输入到MC剂量输出的复杂非线性映射关系。
• 模型输入为患者的CT图像以及每束射野对应的PB剂量分布。
• HD U-Net在多尺度上采用密集跳跃连接，以增强特征传播和梯度流动，提高学习效率与精度。
• 模型在包含290名患者的多中心数据集上进行训练，涵盖四个肿瘤部位：头颈部（90例）、肝脏（93例）、前列腺（75例）和肺部（32例）。
• 评估了四种实验设置，包括联合数据训练及使用单束射野剂量作为输入，以优化各部位的性能表现。
• 支持迁移学习，使模型可仅通过少量微调即可适应来自不同医院或肿瘤部位的新数据集。

实验结果

研究问题

• RQ1 深度学习模型能否有效学习并校正笔形束剂量计算的不准确性，使其与蒙特卡罗参考剂量相匹配？
• RQ2 当在多部位数据与单部位数据上进行训练时，模型性能如何变化？
• RQ3 在多样化解剖部位中实现高精度的最优输入配置是什么（如射野特定剂量 vs. 总剂量）？
• RQ4 通过迁移学习，模型在多所机构的新患者数据集上具有多大程度的泛化能力？
• RQ5 模型能否在适合临床使用的推理时间内实现接近蒙特卡罗的精度？

主要发现

• 头颈部癌患者平均伽马通过率为92.8%（1 mm/1%），表明在复杂解剖区域具有高精度。
• 肝癌患者平均伽马通过率为92.7%，证明在异质性软组织环境中的强大性能。
• 肺癌患者伽马通过率为89.7%，反映出在低密度区域的挑战，但仍优于标准PB算法。
• 前列腺癌患者达到最高精度，伽马通过率99.6%，表明在高密度、均匀组织区域表现优异。
• 每束射野的平均剂量转换时间少于4秒，使该方法在临床实时治疗计划中具备可行性。
• 在联合多部位数据上使用单束射野剂量输入进行训练，可在所有肿瘤部位均取得最佳性能，凸显多样化训练数据的优势。