[论文解读] MRI-based Material Mass Density and Relative Stopping Power Estimation via Deep Learning for Proton Therapy

Yuan Gao, Chih‐Wei Chang+11 more|arXiv (Cornell University)|Oct 11, 2022

Advanced MRI Techniques and Applications被引用 4

一句话总结

本研究提出一种深度学习框架，通过磁共振成像（MRI）扫描估算材料质量密度和相对停止功率（RSP），用于质子治疗计划。利用T1、T2和零回波时间（ZTE）MRI序列，该模型在软组织中实现低于1%的平均绝对百分比误差（MAPE），在皮质骨替代物中低于0.3%，表明其在纯MRI质子治疗计划中具有高精度。

ABSTRACT

Magnetic Resonance Imaging (MRI) is increasingly incorporated into treatment planning, because of its superior soft tissue contrast used for tumor and soft tissue delineation versus computed tomography (CT). However, MRI cannot directly provide mass density or relative stopping power (RSP) maps required for proton radiotherapy dose calculation. To demonstrate the feasibility of MRI-only based mass density and RSP estimation using deep learning (DL) for proton radiotherapy. A DL-based framework was developed to discover underlying voxel-wise correlation between MR images and mass density and RSP. Five tissue substitute phantoms including skin, muscle, adipose, 45% hydroxyapatite (HA), and spongiosa bone were customized for MRI scanning based on material composition information from ICRP reports. Two animal tissue phantoms made of pig brain and liver were prepared for DL training. In the phantom study, two DL models were trained: one containing clinical T1 and T2 MRIs and another incorporating zero echo time (ZTE) MRIs as input. In the patient application study, two DL models were trained: one including T1 and T2 MRIs as input, and one incorporating synthetic dual-energy computed tomography (sDECT) images to provide bone tissue information. In the phantom study, DL model based on T1 and T2 MRI demonstrated higher accuracy mass density and RSP estimation in skin, muscle, adipose, brain, and liver with mean absolute percentage errors (MAPE) of 0.42%, 0.14%, 0.19%, 0.78% and 0.26% for mass density and 0.30%, 0.11%, 0.16%, 0.61% and 0.23% for RSP, respectively. DL model incorporating ZTE MRI improved the accuracy of mass density and RSP estimation in 45% HA and spongiosa bone with MAPE at 0.23% and 0.09% for mass density and 0.19% and 0.07% for RSP, respectively. Results show feasibility of MRI-only based mass density and RSP estimation for proton therapy treatment planning using DL method.

研究动机与目标

• 开发一种基于深度学习的方法，从MRI扫描中估算材料质量密度和相对停止功率（RSP），以实现纯MRI质子治疗计划。
• 克服MRI无法直接提供质子剂量计算所需的人体衰减系数（Hounsfield单位等效）信息的局限性。
• 评估使用多种MRI序列（包括T1、T2和零回波时间（ZTE）MRI）在体模和患者数据中对深度学习模型性能的影响。
• 评估在模型中引入合成双能量CT（sDECT）图像对提高皮质骨组织RSP估算精度的影响。

提出的方法

• 训练一个深度学习框架，学习多对比MRI序列（T1、T2、ZTE）与体模中真实质量密度和RSP值之间的体素级相关性。
• 扫描了五个组织等效体模（皮肤、肌肉、脂肪、45%羟基apatite、松质骨）和两个动物组织体模（猪脑、猪肝），以生成训练数据。
• 训练了两种不同的深度学习模型：一种仅使用T1和T2 MRI输入，另一种则引入ZTE MRI或合成双能量CT（sDECT）图像，以改善骨组织表征。
• 在体模数据上对模型进行验证，并将其应用于患者数据，通过质量密度和RSP的平均绝对百分比误差（MAPE）评估性能。
• 使用ZTE MRI提高对高密度组织（如皮质骨）的估算精度，因为传统T1/T2序列在这些组织中对比度有限。
• 在体模和患者研究中均测试了该框架，临床应用中使用sDECT作为高衰减骨结构的替代参考。

实验结果

研究问题

• RQ1 仅使用T1和T2 MRI序列，深度学习能否在软组织和骨组织替代物中准确估算质量密度和相对停止功率（RSP）？
• RQ2 引入零回波时间（ZTE）MRI如何提升对高密度组织（如皮质骨）的RSP和质量密度估算精度？
• RQ3 在患者MRI扫描中，引入合成双能量CT（sDECT）图像在多大程度上增强了模型对骨组织RSP预测的能力？
• RQ4 与体模研究相比，基于深度学习的纯MRI RSP估算在临床患者数据中的可实现精度如何？
• RQ5 所提出的深度学习框架能否在各种组织类型中实现质量密度和RSP的MAPE低于1%？

主要发现

• 仅使用T1和T2 MRI的深度学习模型在软组织（如皮肤、肌肉、脂肪、脑和肝）中，质量密度的MAPE为0.42%，RSP的MAPE为0.30%。
• 引入ZTE MRI后，45%羟基apatite（HA）骨组织替代物的质量密度MAPE降低至0.23%，RSP的MAPE降低至0.19%，显著优于仅使用T1/T2的模型。
• 对于松质骨，ZTE增强模型的质量密度MAPE为0.09%，RSP的MAPE为0.07%，表明在松质骨建模中具有极高精度。
• 引入合成双能量CT（sDECT）图像的模型在患者数据中表现出更优的RSP估算性能，尤其在皮质骨结构中。
• 总体而言，该框架在所有测试组织类型（包括高密度骨组织）中均实现了低于1%的MAPE，证明了纯MRI质子治疗计划的可行性。