前立腺放射線治療のための膀胱と直腸のディープラーニングとアトラスベースの自動輪郭作成の臨床評価

Clinical evaluation of deep learning and atlas based auto-contouring of bladder and rectum for prostate radiotherapy.

• W Jeffrey Zabel
• Jessica L Conway
• Adam Gladwish
• Julia Skliarenko
• Giulio Didiodato
• Leah Goorts-Matthews
• Adam Michalak
• Sarah Reistetter
• Jenna King
• Keith Nakonechny
• Kyle Malkoske
• Muoi N Tran
• Nevin McVicar

抄録

目的:

自動輪郭作成は、リスクのある臓器（OAR）の手動輪郭作成に関連した作業負荷、観察者間のばらつき、時間を軽減する可能性がある。自動輪郭のレビューと編集を考慮した後の時間と作業量の削減が不確実であることもあり、手動輪郭作成は依然として標準的なものとなっている。この予備研究では、前立腺癌患者の膀胱と直腸の輪郭を描くために、標準的な手動輪郭作成ワークフローと2つの自動輪郭作成ワークフロー（アトラスとディープラーニング）を比較した。

PURPOSE: Auto-contouring may reduce workload, inter-observer variation and time associated with manual contouring of organs at risk (OAR). Manual contouring remains the standard due in part to uncertainty around the time and workload savings after accounting for the review and editing of auto-contours. This preliminary study compares a standard manual contouring workflow with two auto-contouring workflows (atlas and deep learning) for contouring the bladder and rectum in prostate cancer patients.

方法:

マニュアル（MAN）、アトラスベース自動輪郭（ATLAS）、ディープラーニング自動輪郭（DEEP）を含む3つの輪郭生成ワークフローを初期輪郭生成法に基づいて定義した。各ワークフローについて、15人の前立腺癌患者を対象に初期輪郭生成をレトロスペクティブに行った。その後、放射線腫瘍医（RO）が、初期輪郭の生成方法を盲検化しながら各輪郭を編集した。ワークフローを時間（初期輪郭生成時とRO編集時の両方）、輪郭の類似性、線量評価によって比較した。

METHODS: Three contouring workflows were defined based on the initial contour generation method including manual (MAN), atlas-based auto-contour (ATLAS) and deep learning auto-contour (DEEP). For each workflow, initial contour generation was retrospectively performed on fifteen prostate cancer patients. Then, radiation oncologists (RO) edited each contour while blinded to the manner by which the initial contour was generated. Workflows were compared by time (both in initial contour generation and in RO editing), contour similarity and dosimetric evaluation.

結果:

輪郭生成の平均時間は、MAN、DEEP、ATLASでそれぞれ10.9分、1.4分、1.2分であった。DEEPの初期輪郭はMANの初期輪郭に比べて幾何学的に類似していた。RO編集ステップの平均時間は、MAN、DEEP、ATLASでそれぞれ4.1分、4.7分、10.2分であった。RO編集の幾何学的範囲は、MANおよびDEEPと比較してATLAS輪郭の方が一貫して大きかった。臨床的に関連する線量-体積の指標には、ワークフロー間で差は認められなかった。

RESULTS: Mean duration for initial contour generation were 10.9 min, 1.4 min and 1.2 min for MAN, DEEP and ATLAS respectively. Initial DEEP contours were more geometrically similar to initial MAN contours. Mean durations of the RO editing steps for MAN, DEEP and ATLAS contours were 4.1 min, 4.7 min and 10.2 min, respectively. The geometric extent of RO edits was consistently larger for ATLAS contours compared to MAN and DEEP. No differences in clinically relevant dose-volume metrics were observed between workflows.

結論:

自動輪郭作成ソフトウェアは、初期の輪郭生成に時間を節約することができますが、RO編集ステップでの作業負荷の変化を定量化することも重要です。膀胱と直腸の輪郭生成にディープラーニング自動輪郭作成を使用することで、RO編集時間、輪郭形状、臨床的に関連する線量-体積の指標に悪影響を与えることなく、輪郭作成時間を短縮することができた。本研究は、ディープラーニング手法が放射線治療におけるOAR輪郭作成のための臨床的に実行可能なソリューションであることを示すエビデンスの増加に貢献している。

CONCLUSION: Auto-contouring software affords time savings for initial contour generation; however, it is important to also quantify workload changes at the RO editing step. Using deep learning auto-contouring for bladder and rectum contour generation reduced contouring time without negatively affecting RO editing times, contour geometry or clinically relevant dose-volume metrics. This work contributes to growing evidence that deep learning methods are a clinically viable solution for OAR contouring in radiotherapy.

Copyright © 2020 The Author(s). Published by Elsevier Inc. All rights reserved.