強度変調放射線治療のためのビーム調整可能なパレート最適線量分布を予測するためのディープラーニングの使用

Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose Distribution for Intensity Modulated Radiation Therapy.

• Gyanendra Bohara
• Azar Sadeghnejad Barkousaraie
• Steve Jiang
• Dan Nguyen

抄録

目的:

これまで多くの研究者が臨床線量分布やパレート最適線量分布を予測するためのディープラーニングモデルを開発してきました。パレート最適線量分布を予測するためのモデルは、解剖学的構造と静的なビーム方向を用いてリアルタイムに最適な計画を生成してきた。しかし、強度変調放射線治療(IMRT)では、ビーム数やビーム方向が変化する前立腺のパレート最適線量分布を予測することはまだ研究されていない。本研究では、患者の解剖学的特徴を入力として、任意のビーム角度のセットを用いて、パレート最適線量分布を予測するディープラーニングモデルを開発することを提案する。本研究では、2つの異なるビーム構成モダリティを用いて予測する2つのディープラーニングネットワークの実装と比較を行った。

PURPOSE: Many researchers have developed deep learning models for predicting clinical dose distributions and Pareto optimal dose distributions. Models for predicting Pareto optimal dose distributions have generated optimal plans in real time using anatomical structures and static beam orientations. However, Pareto optimal dose prediction for Intensity Modulated Radiation Therapy (IMRT) prostate planning with variable beam numbers and orientations has not yet been investigated. We propose to develop a deep learning model that can predict Pareto optimal dose distributions by using any given set of beam angles, along with patient anatomy, as input to train the deep neural networks. We implement and compare two deep learning networks that predict with two different beam configuration modalities.

方法:

前立腺がん患者70人に対してパレート最適化計画を生成した。フルエンスマップ最適化を用いて、各患者についてパレート面をサンプリングした500個のIMRT計画を生成し、合計35,000個の計画を作成した。我々は、モデルIとモデルIIの2つの異なるモデルを研究し、比較した。これらのモデルはいずれも同じ解剖学的構造（計画ターゲットボリューム（PTV）、リスク臓器（OAR）、身体を含む）を使用していますが、これらのモデルは、ビーム角を表現するために2つの異なる方法で設計されています。モデルIは、ビーム角を直接ネットワークへの2次入力として2値ベクトルとして使用する。モデルIIでは、ビーム角をPTVに適合したビーム量に変換する。70人の患者を54人のトレーニング患者、6人の検証患者、10人のテスト患者に分割した結果、27,000人のトレーニング患者、3,000人の検証患者、5,000人のテスト患者の計画が得られた。平均二乗損失(MSE)を損失関数とした。ネットワークの性能を最適化するために、デフォルトの学習率0.01のAdamオプティマイザーを使用した。DVHプロットとPTV D , D , D , D , D , D , D , Paddick Conformation Number, R50, Homogeneity Indexなどの評価指標の観点から、予測された線量分布を基底真理（パレート最適）線量分布と比較することで、モデルの性能を評価した。

METHODS: We generated Pareto optimal plans for 70 patients with prostate cancer. We used fluence map optimization to generate 500 IMRT plans that sampled the Pareto surface for each patient, for a total of 35,000 plans. We studied and compared two different models, Model I and Model II. Although they both used the same anatomical structures-including the planning target volume (PTV), organs at risk (OARs), and body-these models were designed with two different methods for representing beam angles. Model I directly uses beam angles as a second input to the network as a binary vector. Model II converts the beam angles into beam doses that are conformal to the PTV. We divided the 70 patients into 54 training, 6 validation, and 10 testing patients, thus yielding 27,000 training, 3,000 validation, and 5,000 testing plans. Mean square loss (MSE) was taken as the loss function. We used the Adam optimizer with a default learning rate of 0.01 to optimize the network's performance. We evaluated the models' performance by comparing their predicted dose distributions with the ground truth (Pareto optimal) dose distribution, in terms of DVH plots and evaluation metrics such as PTV D , D , D , D , D , D , Paddick Conformation Number, R50 and Homogeneity index.

結果:

私たちのディープラーニングモデルは、ボクセルレベルの線量分布を予測し、それは正確に真実の線量分布と一致しています。また、生成されたDVHも基準となる真実の線量分布と正確に一致しています。PTV統計量、線量適合性、線量流出量（R50）、均質性指数などの評価指標もまた、DVH上のPTV曲線の精度を確認した。定量的には、モデルIの予測誤差0.043（確認）、0.043（同質性）、0.327（R50）、2.80％（D95）、3.90％（D98）、0.6％（D50）、1．10%(D2)は、0.076(確認)、0.058(同質性)、0.626(R50)、7.10%(D95)、6.50%(D98)、8.40%(D50)、6.30%(D2)を得たモデルIIよりも低かった。モデルIはまた、PTV、膀胱、直腸、左大腿骨頭、右大腿骨頭の平均線量誤差と最大線量誤差の点でモデルIIを上回った。

RESULTS: Our deep learning models predicted voxel-level dose distributions that precisely matched the ground truth dose distributions. The DVHs generated also precisely matched the ground truth. Evaluation metrics such as PTV statistics, dose conformity, dose spillage (R50) and homogeneity index also confirmed the accuracy of PTV curves on the DVH. Quantitatively, Model I's prediction error of 0.043 (confirmation), 0.043 (homogeneity), 0.327 (R50), 2.80% (D95), 3.90% (D98), 0.6% (D50), 1.10% (D2) was lower than that of Model II, which obtained 0.076 (confirmation), 0.058 (homogeneity), 0.626 (R50), 7.10% (D95), 6.50% (D98), 8.40% (D50), 6.30% (D2). Model I also outperformed Model II in terms of the mean dose error and the max dose error on the PTV, bladder, rectum, left femoral head, and right femoral head.

結論:

我々のモデルを使用する治療計画者は、ディープラーニングを使用して、PTVとOARの重み、ビーム数と構成のトレードオフをリアルタイムで制御することができるようになります。私たちの線量予測手法は、自動IMRT治療計画を構築するための足がかりとなります。

CONCLUSIONS: Treatment planners who use our models will be able to use deep learning to control the tradeoffs between the PTV and OAR weights, as well as the beam number and configurations in real time. Our dose prediction methods provide a stepping stone to building automatic IMRT treatment planning.

This article is protected by copyright. All rights reserved.