[论文解读] Synthetic MRI-aided Head-and-Neck Organs-at-Risk Auto-Delineation for CBCT-guided Adaptive Radiotherapy

Xianjin Dai, Yang Lei+8 more|arXiv (Cornell University)|Oct 8, 2020

Advanced Radiotherapy Techniques参考文献 40被引用 4

一句话总结

本研究提出了一种基于深度学习的方法，通过使用循环生成对抗网络（cycle-GAN）生成的合成磁共振成像（MRI），在锥形束计算机断层扫描（CBCT）上实现头颈部器官危及器官（OARs）的完全自动化、快速且精确的勾画。通过双金字塔网络融合CBCT和合成MRI的特征，该方法在12个OAR上实现了高分割精度，平均Dice分数为0.87–0.96，显著优于大多数情况下的仅使用CBCT的方法。

ABSTRACT

Purpose: Organ-at-risk (OAR) delineation is a key step for cone-beam CT (CBCT) based adaptive radiotherapy planning that can be a time-consuming, labor-intensive, and subject-to-variability process. We aim to develop a fully automated approach aided by synthetic MRI for rapid and accurate CBCT multi-organ contouring in head-and-neck (HN) cancer patients. MRI has superb soft-tissue contrasts, while CBCT offers bony-structure contrasts. Using the complementary information provided by MRI and CBCT is expected to enable accurate multi-organ segmentation in HN cancer patients. In our proposed method, MR images are firstly synthesized using a pre-trained cycle-consistent generative adversarial network given CBCT. The features of CBCT and synthetic MRI are then extracted using dual pyramid networks for final delineation of organs. CBCT images and their corresponding manual contours were used as pairs to train and test the proposed model. Quantitative metrics including Dice similarity coefficient (DSC) were used to evaluate the proposed method. The proposed method was evaluated on a cohort of 65 HN cancer patients. CBCT images were collected from those patients who received proton therapy. Overall, DSC values of 0.87, 0.79/0.79, 0.89/0.89, 0.90, 0.75/0.77, 0.86, 0.66, 0.78/0.77, 0.96, 0.89/0.89, 0.832, and 0.84 for commonly used OARs for treatment planning including brain stem, left/right cochlea, left/right eye, larynx, left/right lens, mandible, optic chiasm, left/right optic nerve, oral cavity, left/right parotid, pharynx, and spinal cord, respectively, were achieved. In this study, we developed a synthetic MRI-aided HN CBCT auto-segmentation method based on deep learning. It provides a rapid and accurate OAR auto-delineation approach, which can be used for adaptive radiation therapy.

研究动机与目标

• 解决头颈部自适应放疗中手动勾画OAR耗时且可变的问题。
• 通过利用合成MRI提供的互补软组织对比度，提高在低对比度、噪声较多的CBCT图像上多器官分割的准确性。
• 开发一种完全自动化、可临床集成的工作流程，用于基于CBCT和合成MRI的在线自适应再计划。
• 通过实现在每日CBCT上直接、快速地进行OAR勾画，减少对计划CT和手动勾画的依赖。
• 在65例接受质子治疗的头颈部癌患者队列中验证该方法，证明其鲁棒性和可重复性。

提出的方法

• 使用预训练的循环一致性生成对抗网络（cycle-GAN）从CBCT图像生成合成MRI，实现软组织对比度增强。
• 采用双金字塔网络提取并融合CBCT和合成MRI的多尺度特征，以提升分割性能。
• 模型使用配对的CBCT图像和手动勾画的OAR轮廓进行训练与测试，真实轮廓通过从计划MRI进行可变形图像配准获得。
• 采用两阶段网络架构，结合注意力机制和跳跃连接，以增强边界定位能力并降低对噪声的敏感性。
• 该方法端到端可微分，支持合成图像生成与分割任务的联合优化。
• 定量评估采用标准指标：Dice相似系数（DSC）、95% Hausdorff距离（HD95）、平均表面距离（MSD）和残差均方根距离（RMS）。

实验结果

研究问题

• RQ1 与仅使用CBCT的方法相比，从CBCT生成的合成MRI是否能提高头颈部癌症患者多器官分割的准确性？
• RQ2 CBCT与合成MRI特征的融合在勾画低对比度OAR（如脑干、视神经和腮腺）方面有何增强作用？
• RQ3 所提出的方法在多大程度上减少了在线自适应放疗工作流中的观察者间差异性和手动勾画时间？
• RQ4 该方法在解剖结构复杂性各异、与骨性结构空间关系不同的各类OAR上的表现如何？
• RQ5 真实轮廓生成中的图像配准误差和合成MRI生成中的误差，如何影响最终的分割精度？

主要发现

• 所提出方法在脑干上的平均Dice相似系数（DSC）为0.87 ± 0.03，表明分割精度高。
• 对于左侧和右侧腮腺，DSC值分别为0.89 ± 0.04和0.89 ± 0.04，表明在小而复杂的结构上表现优异。
• 视交叉和口腔腔的DSC值分别为0.96 ± 0.04和0.89 ± 0.04，表明边界定义清晰。
• 在12个OAR中的10个中，该方法在所有指标上均显著优于仅使用CBCT的基线方法，统计比较p < 0.05。
• 对于主要在CBCT中可见的下颌骨，性能与仅使用CBCT的方法相当，证实合成MRI不会降低骨性结构的分割质量。
• 该方法在多种OAR上表现出鲁棒性，包括喉部（DSC 0.86 ± 0.13）、脊髓（DSC 0.84 ± 0.07）和咽部（DSC 0.83 ± 0.02），且相对于基线有持续改进。