[论文解读] Site-Agnostic 3D Dose Distribution Prediction with Deep Learning Neural Networks

Maryam Mashayekhi, Itzel Ramirez Tapia+7 more|arXiv (Cornell University)|Jun 15, 2021

Advanced Radiotherapy Techniques参考文献 48被引用 22

一句话总结

该论文提出了一种基于3D U-Net深度学习架构的、与部位无关的3D剂量预测模型，利用迁移学习实现跨治疗部位的泛化。通过在少量目标数据上微调在前列腺IMRT数据上预训练的模型，该方法在头颈部VMAT数据上实现了高精度——PTV的平均绝对剂量误差为1.08%，OAR的平均剂量误差为2.43%，即使在有限的部位特异性数据下也表现出色。

ABSTRACT

Typically, the current dose prediction models are limited to small amounts of data and require re-training for a specific site, often leading to suboptimal performance. We propose a site-agnostic, 3D dose distribution prediction model using deep learning that can leverage data from any treatment site, thus increasing the total data available to train the model. Applying our proposed model to a new target treatment site requires only a brief fine-tuning of the model to the new data and involves no modifications to the model input channels or its parameters. Thus, it can be efficiently adapted to a different treatment site, even with a small training dataset.

研究动机与目标

• 解决当前部位特异性剂量预测模型存在的局限性，即需要重新训练且在数据有限时表现不佳。
• 开发一种通用的、与部位无关的深度学习框架，用于3D剂量分布预测，可在极少再训练的情况下适配新治疗部位。
• 通过迁移学习利用来自多种治疗部位的数据，提升模型在新部位上的泛化能力和性能。
• 将临床DVH约束纳入模型输入，实现可调节的、与医生偏好对齐的交互式剂量预测。
• 证明在新部位上微调预训练模型的表现优于从零开始训练，尤其在小样本数据情况下。

提出的方法

• 采用3D U-Net架构作为3D剂量预测的主干神经网络，分别在前列腺IMRT数据（源域）和头颈部VMAT数据（目标域）上进行训练。
• 通过微调在源域数据（前列腺数据）上预训练的模型，将其适配到目标域数据，实现无需改变网络结构的迁移。
• 对比四种模型：源模型（在源数据上训练）、目标模型（在目标数据上从零开始训练）、适配模型（在目标数据上微调源模型）以及合并模型（在源与目标数据合并后训练）。
• 将患者特异性的DVH约束作为输入特征，以引导预测并实现目标覆盖与OAR保护之间的可调和权衡。
• 使用剂量体积直方图（DVH）指标——包括D98、D95、D02、平均剂量和最大剂量——作为PTV和OARs的定量评估标准。
• 采用均方误差（MSE）损失评估不同训练数据规模下的模型性能，分析在数据稀缺条件下的泛化能力。

实验结果

研究问题

• RQ1 在不改变网络结构的前提下，基于一个治疗部位（前列腺IMRT）训练的深度学习模型能否有效泛化到另一个不同部位（头颈部VMAT）？
• RQ2 在目标数据有限的情况下，微调预训练模型与从零开始训练相比，在预测精度上表现如何？
• RQ3 尽管存在数据不平衡，将多个治疗部位的数据合并是否能提升模型在新目标部位上的性能？
• RQ4 将DVH约束作为输入在多大程度上提升了模型的临床相关性与可调性？
• RQ5 模型性能对训练数据规模的敏感程度如何，特别是在低数据量场景下？

主要发现

• 在前列腺IMRT数据上测试时，源模型在PTV上的平均绝对剂量误差为0.32%±0.14，最大误差为2.37%±0.93。
• 在头颈部VMAT目标部位上，适配模型在PTV上的平均绝对剂量误差为1.08%±0.95，最大误差为2.90%±1.35。
• 适配模型在目标部位上的表现优于目标模型（从零开始训练），尤其在小样本数据情况下，即使仅使用完整数据集的10%，其MSE损失也更低。
• 合并模型在源部位表现有所提升，但由于数据不平衡和模态差异，在目标部位表现较差。
• 在目标部位，适配模型在所有OAR上实现了平均OAR剂量误差2.43%和最大OAR剂量误差4.33%，表现出强大的泛化能力。
• 模型性能对训练数据规模高度敏感，适配模型在所有数据尺度下均表现出最稳定且最低的损失，表明其对数据稀缺具有强鲁棒性。