コーンビームCT誘導放射線治療における前立腺局所化のためのディープラーニングフレームワーク

A Deep Learning Framework for Prostate Localization in Cone Beam CT Guided Radiotherapy.

• Xiaokun Liang
• Wei Zhao
• Dimitre H Hristov
• Mark K Buyyounouski
• Steven L Hancock
• Hilary Bagshaw
• Qin Zhang
• Yaoqin Xie
• Lei Xing

抄録

目的:

コーンビームCT（CBCT）上での前立腺計画ターゲットボリューム（PTV）局在化のためのディープラーニングベースのモデルを開発し、CBCTガイド下での患者セットアップのワークフローを改善する。

PURPOSE: To develop a deep learning-based model for prostate planning target volume (PTV) localization on cone-beam CT (CBCT) to improve the workflow of CBCT-guided patient setup.

方法:

前立腺PTVにおける固有のランドマークを自動的に識別するために、2段階のタスクベースの残差ネットワーク(T RN)を提案する。T RNへの入力は患者の治療前のCBCT画像であり、出力は前立腺PTVのランドマークを学習して得られたものである。ロバストなPTV定位を確実にするために、T RNモデルは、ラベル付けされたランドマークを有するCT画像の千セット以上を使用して訓練され、CTの各々は、計画CT（pCT）画像を合成的に変更することによって生成された患者の位置および/または解剖学的分布の異なるシナリオに対応している。並進、回転、および変形を含む変化は、放射線治療（ＲＴ）のコース中の解剖学的変化の広大な可能性のある臨床状況を表す。本研究では、6人の患者から採取した240枚のCBCTを用いて、訓練された患者特異的T RNモデルを検証した。試験用CBCTは、120枚のオリジナルCBCTと120枚の合成CBCTから構成されている。合成CBCTは、オリジナルCBCTのそれぞれに回転/翻訳変換を適用して生成された。

METHODS: A two-step task-based residual network (T RN) is proposed to automatically identify inherent landmarks in prostate PTV. The input to the T RN is the pre-treatment CBCT images of the patient, and the output is the deep learning-identified landmarks in the PTV. To ensure robust PTV localization, the T RN model is trained by using over thousand sets of CT images with labeled landmarks, each of the CTs corresponds to a different scenario of patient position and/or anatomy distribution generated by synthetically changing the planning CT (pCT) image. The changes, including translation, rotation, and deformation, represent vast possible clinical situations of anatomy variations during a course of radiation therapy (RT). The trained patient-specific T RN model is tested by using 240 CBCTs from six patients. The testing CBCTs consists of 120 original CBCTs and 120 synthetic CBCTs. The synthetic CBCTs are generated by applying rotation/translation transformations to each of the original CBCT.

結果:

モデル予測値と参照値との間の系統的/ランダム設定誤差は、並進寸法及び回転寸法において、それぞれ0.25/2.46mm及び0.14/1.41°未満であることがわかった。また、モデル予測値と参照値との間のピアソン相関係数は、並進寸法と回転寸法において0.94以上であった。Bland-Altmanプロットは、2つの手法間で良好な一致を示した。

RESULTS: The systematic/random setup errors between the model prediction and the reference are found to be less than 0.25/2.46 mm and 0.14/1.41° in translation and rotation dimensions, respectively. Pearson's correlation coefficient between model prediction and the reference is higher than 0.94 in translation and rotation dimensions. The Bland-Altman plots show good agreement between the two techniques.

結論:

RT患者セットアップのための前立腺PTVの局所化のための新しいT RNディープラーニング手法が確立された。その結果、最先端のディープラーニングを活用することで、マーカーレスで高精度な前立腺のセットアップが可能であることを示した。

CONCLUSIONS: A novel T RN deep learning technique is established to localize the prostate PTV for RT patient setup. Our results show that highly accurate marker-less prostate setup is achievable by leveraging the state-of-the-art deep learning strategy.

This article is protected by copyright. All rights reserved.