A Beam’s Eye View to Fluence Maps 3D Network for Ultra Fast VMAT Radiotherapy Planning

要約

体積変調アーク療法（VMAT）は、健康な組織を節約しながら放射線を正確に送達することにより、がん治療に革命をもたらします。
VMAT計画において重要なフルエンスマップの生成は、伝統的に複雑で反復的であり、したがって時間がかかるプロセスを伴います。
これらのフルエンスマップは、その後、葉シーケンスのために活用されます。
この記事で提示されている深い学習アプローチは、患者データからのフルエンスマップを直接予測することにより、これを促進することを目的としています。
L1とL2の損失の組み合わせを使用して、監督付きの方法でトレーニングした3Dネットワーク、およびEclipseおよびRequite Datasetから生成されたRTプランを使用して、RT用量マップを入力として取得し、対応するRTプランから計算されたフルエンスマップを取得します。
ターゲットとして。
私たちのネットワークは、単一のARC VMATプランの180制御ポイント（CP）に対応する180のフルエンスマップを共同で予測します。
ネットワークを支援するために、フルエンスマップと同じ座標系で、3D用量マップの投影を180 cpsのビーム目視ビュー（BEV）に計算することにより、入力用量を前処理します。
Eclipseを使用して2000を超えるVMATプランを生成して、データセットサイズを拡大しました。
さらに、さまざまなネットワークアーキテクチャを評価し、データセットサイズの増加の影響を分析しました。
画像メトリック（PSNR、SSIM）を使用して2D Fluence Mapsドメインのパフォーマンスを測定し、検証データセットで用量容積ヒストグラム（DVH）を使用して3D用量ドメインで測定しています。
データの読み込みと処理を含まないネットワーク推論は、20ミリ秒未満です。
提案されている3Dネットワークアーキテクチャを使用し、Eclipseを使用してデータセットサイズを増やすと、元のRecite DatasetでトレーニングされたU-Netアーキテクチャと比較して、PSNRでFulence Mapの再構成パフォーマンスが約8 dB改善されました。
結果のDVHは、入力ターゲット用量の1つに非常に近いです。

要約(オリジナル)

Volumetric Modulated Arc Therapy (VMAT) revolutionizes cancer treatment by precisely delivering radiation while sparing healthy tissues. Fluence maps generation, crucial in VMAT planning, traditionally involves complex and iterative, and thus time consuming processes. These fluence maps are subsequently leveraged for leaf-sequence. The deep-learning approach presented in this article aims to expedite this by directly predicting fluence maps from patient data. We developed a 3D network which we trained in a supervised way using a combination of L1 and L2 losses, and RT plans generated by Eclipse and from the REQUITE dataset, taking the RT dose map as input and the fluence maps computed from the corresponding RT plans as target. Our network predicts jointly the 180 fluence maps corresponding to the 180 control points (CP) of single arc VMAT plans. In order to help the network, we pre-process the input dose by computing the projections of the 3D dose map to the beam’s eye view (BEV) of the 180 CPs, in the same coordinate system as the fluence maps. We generated over 2000 VMAT plans using Eclipse to scale up the dataset size. Additionally, we evaluated various network architectures and analyzed the impact of increasing the dataset size. We are measuring the performance in the 2D fluence maps domain using image metrics (PSNR, SSIM), as well as in the 3D dose domain using the dose-volume histogram (DVH) on a validation dataset. The network inference, which does not include the data loading and processing, is less than 20ms. Using our proposed 3D network architecture as well as increasing the dataset size using Eclipse improved the fluence map reconstruction performance by approximately 8 dB in PSNR compared to a U-Net architecture trained on the original REQUITE dataset. The resulting DVHs are very close to the one of the input target dose.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google