Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function

要約

線量ボリュームヒストグラム（DVH）メトリックは、クリニックで広く受け入れられている評価基準です。
ただし、これらのメトリックを深層学習の線量予測モデルに組み込むことは、非凸性と非微分可能性のために困難です。
挑戦的な従来の肺強度変調放射線治療（IMRT）計画の3D線量分布を予測するための新しいモーメントベースの損失関数を提案します。
モーメントベースの損失関数は凸で微分可能であり、計算のオーバーヘッドなしに、DVHメトリックを任意の深層学習フレームワークに簡単に組み込むことができます。
モーメントは、3D線量予測における臨床的優先順位を反映するようにカスタマイズすることもできます。
たとえば、高次モーメントを使用すると、連続構造の高線量領域でより適切な予測が可能になります。
私たちの施設で臨床的に治療された計画を使用して深層学習（DL）モデルをトレーニングするために、2Gy $ \ times $ 30フラクションの従来の肺患者360（トレーニング用に240、検証用に50、テスト用に70）の大規模なデータセットを使用しました。
対応するボクセルごとの3D線量分布を推測するための入力として、コンピューター断層撮影（CT）、計画ターゲットボリューム（PTV）、およびリスクのある臓器の輪郭（OAR）を使用して、CNNアーキテクチャのようなUNetをトレーニングしました。
3つの異なる損失関数を評価しました：（1）人気のある平均絶対誤差（MAE）損失、（2）最近開発されたMAE + DVH損失、および（3）提案されたMAE+モーメント損失。
予測の品質は、AAPM知識ベースの計画の壮大な課題によって最近導入された、さまざまなDVHメトリック、および線量スコアとDVHスコアを使用して比較されました。
（MAE +モーメント）損失関数を使用したモデルは、同様の計算コストを持ちながら、DVHスコア（11％、p $ <$ 0.01）を大幅に改善することにより、MAE損失を使用したモデルを上回りました。 また、計算コスト（48％）とDVHスコア（8％、p $ <$ 0.01）を大幅に改善することにより、（MAE + DVH）でトレーニングされたモデルを上回りました。

要約(オリジナル)

Dose volume histogram (DVH) metrics are widely accepted evaluation criteria in the clinic. However, incorporating these metrics into deep learning dose prediction models is challenging due to their non-convexity and non-differentiability. We propose a novel moment-based loss function for predicting 3D dose distribution for the challenging conventional lung intensity modulated radiation therapy (IMRT) plans. The moment-based loss function is convex and differentiable and can easily incorporate DVH metrics in any deep learning framework without computational overhead. The moments can also be customized to reflect the clinical priorities in 3D dose prediction. For instance, using high-order moments allows better prediction in high-dose areas for serial structures. We used a large dataset of 360 (240 for training, 50 for validation and 70 for testing) conventional lung patients with 2Gy $\times$ 30 fractions to train the deep learning (DL) model using clinically treated plans at our institution. We trained a UNet like CNN architecture using computed tomography (CT), planning target volume (PTV) and organ-at-risk contours (OAR) as input to infer corresponding voxel-wise 3D dose distribution. We evaluated three different loss functions: (1) The popular Mean Absolute Error (MAE) Loss, (2) the recently developed MAE + DVH Loss, and (3) the proposed MAE + Moments Loss. The quality of the predictions was compared using different DVH metrics as well as dose-score and DVH-score, recently introduced by the AAPM knowledge-based planning grand challenge. Model with (MAE + Moment) loss function outperformed the model with MAE loss by significantly improving the DVH-score (11%, p$<$0.01) while having similar computational cost. It also outperformed the model trained with (MAE+DVH) by significantly improving the computational cost (48%) and the DVH-score (8%, p$<$0.01).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google