Comparing 3D deformations between longitudinal daily CBCT acquisitions using CNN for head and neck radiotherapy toxicity prediction

要約

適応放射線治療は、健康な組織を温存することを目的としているため、がん治療における研究分野として発展している。いくつかの施設では、標準治療として縦方向のコーンビームCT（CBCT）撮影を行い、変化をモニターしているが、副作用を管理しながら腫瘍制御を改善するために使用するには至っていない。本研究の目的は、頭頸部癌の放射線治療中に毎日取得する治療前CBCTの臨床的価値を、重篤な毒性発生（反応性栄養チューブ（NG）、入院、放射線壊死）を予測する下流タスクに示すことである。このために、我々は、計画CTと縦断CBCTの間の変形のヤコビアン行列を分析するコンポーネントと臨床データを含む、変形可能な3D分類パイプラインを提案する。このモデルは、多枝3D残差畳み込みニューラルネットワークに基づいており、CTからCBCTへのレジストレーションは、VoxelMorphアーキテクチャのペアに基づいています。放射線壊死と入院については、それぞれ85.8%と75.3%の精度が得られ、治療開始1週間後でも同様の性能が得られました。NGチューブリスクについては、CBCT分画のタイミングを増やすことで性能が向上し、治療開始5_{th}$週後に83.1%に達した。

要約(オリジナル)

Adaptive radiotherapy is a growing field of study in cancer treatment due to it’s objective in sparing healthy tissue. The standard of care in several institutions includes longitudinal cone-beam computed tomography (CBCT) acquisitions to monitor changes, but have yet to be used to improve tumor control while managing side-effects. The aim of this study is to demonstrate the clinical value of pre-treatment CBCT acquired daily during radiation therapy treatment for head and neck cancers for the downstream task of predicting severe toxicity occurrence: reactive feeding tube (NG), hospitalization and radionecrosis. For this, we propose a deformable 3D classification pipeline that includes a component analyzing the Jacobian matrix of the deformation between planning CT and longitudinal CBCT, as well as clinical data. The model is based on a multi-branch 3D residual convolutional neural network, while the CT to CBCT registration is based on a pair of VoxelMorph architectures. Accuracies of 85.8% and 75.3% was found for radionecrosis and hospitalization, respectively, with similar performance as early as after the first week of treatment. For NG tube risk, performance improves with increasing the timing of the CBCT fraction, reaching 83.1% after the $5_{th}$ week of treatment.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL