DoseDiff: Distance-aware Diffusion Model for Dose Prediction in Radiotherapy

要約

治療計画は放射線治療ワークフローの重要な要素であり、通常は医学物理士が時間のかかる試行錯誤をしながら実行します。
これまでの研究では、医学物理学者が治療計画の効率を向上させるのに役立つ、線量分布マップを予測するための知識ベースまたは深層学習ベースの方法が提案されています。
しかし、これらの線量予測方法には通常、周囲の組織と標的または危険臓器（OAR）との間の距離情報の効果的な利用が欠けています。
さらに、予測線量分布マップにおける光線経路の分布特性の維持が不十分であり、医学物理学者が得た貴重な情報が失われることになります。
この論文では、線量分布を正確に予測するための距離を意識した拡散モデル (DoseDiff) を提案します。
線量予測を一連のノイズ除去ステップとして定義し、予測線量分布マップは CT 画像と符号付き距離マップ (SDM) の条件を使用して生成されます。
SDM は、ターゲットまたは OAR のマスクからの距離変換によって取得され、画像内の各ピクセルからターゲットまたは OAR の輪郭までの距離情報が提供されます。
さらに、CT画像とSDM間の情報融合を特徴レベルで強化するために、マルチスケールフュージョンとトランスベースのフュージョンモジュールを組み込んだマルチエンコーダおよびマルチスケールフュージョンネットワーク（MMFNet）を提案します。
私たちのモデルは、それぞれ乳がんと上咽頭がんの患者から収集された 2 つのデータセットに基づいて評価されました。
この結果は、当社の DoseDiff が定量的品質と視覚的品質の両方の点で最先端の線量予測方法よりも優れていることを示しています。

要約(オリジナル)

Treatment planning is a critical component of the radiotherapy workflow, typically carried out by a medical physicist using a time-consuming trial-and-error manner. Previous studies have proposed knowledge-based or deep learning-based methods for predicting dose distribution maps to assist medical physicists in improving the efficiency of treatment planning. However, these dose prediction methods usuallylack the effective utilization of distance information between surrounding tissues andtargets or organs-at-risk (OARs). Moreover, they are poor in maintaining the distribution characteristics of ray paths in the predicted dose distribution maps, resulting in a loss of valuable information obtained by medical physicists. In this paper, we propose a distance-aware diffusion model (DoseDiff) for precise prediction of dose distribution. We define dose prediction as a sequence of denoising steps, wherein the predicted dose distribution map is generated with the conditions of the CT image and signed distance maps (SDMs). The SDMs are obtained by a distance transformation from the masks of targets or OARs, which provide the distance information from each pixel in the image to the outline of the targets or OARs. Besides, we propose a multiencoder and multi-scale fusion network (MMFNet) that incorporates a multi-scale fusion and a transformer-based fusion module to enhance information fusion between the CT image and SDMs at the feature level. Our model was evaluated on two datasets collected from patients with breast cancer and nasopharyngeal cancer, respectively. The results demonstrate that our DoseDiff outperforms the state-of-the-art dose prediction methods in terms of both quantitative and visual quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google