Learning Treatment Plan Representations for Content Based Image Retrieval

要約

目的知識ベース計画（KBP）は、一般的に、線量分布を予測するためにエンドツーエンドの深層学習モデルを訓練することを含む。しかし，エンドツーエンドのKBP手法をトレーニングすることは，しばしば使用される医療データセットのサイズが限られているため，実用的な制限を伴う可能性がある。これらの制限を解決するために、我々は、解剖学的類似性に基づいて、以前に計画された患者の線量分布を検索するためのコンテンツベースの画像検索（CBIR）方法を提案します。アプローチ提案するCBIR手法は、患者の解剖学的情報の潜在的空間埋め込みを生成する表現モデルを学習する。新患の潜在空間埋め込みをデータベース中の過去の患者の潜在空間埋め込みと比較し、線量分布の画像検索を行う。線量体積ヒストグラム，適合性指数，均質性指数などの概要指標が計算され，その後の自動治療計画に利用することができる。このプロジェクトのすべてのソースコードはgithubで公開されています。主な結果一般に公開されている計画書と当院の臨床計画書からなるデータセットで、様々なCBIR手法の検索性能を評価する。単純なオートエンコーダーからSimSiamのような最近のシャムネットワークまで、様々な符号化方式を比較し、マルチタスクシャムネットワークで最高の性能を示した。意義はある。CBIRを適用することで、エンド・ツー・エンドのKBPに関連する多くの制限を解決できる可能性がある。今回の結果は、以前に開発したシャムネットワークを少し変更することで、優れた画像検索性能が得られることを実証している。将来的には、MetaPlannerフレームワークのような手法により、CBIRを自動治療計画ワークフローに統合することが期待される。

要約(オリジナル)

Objective: Knowledge based planning (KBP) typically involves training an end-to-end deep learning model to predict dose distributions. However, training end-to-end KBP methods may be associated with practical limitations due to the limited size of medical datasets that are often used. To address these limitations, we propose a content based image retrieval (CBIR) method for retrieving dose distributions of previously planned patients based on anatomical similarity. Approach: Our proposed CBIR method trains a representation model that produces latent space embeddings of a patient’s anatomical information. The latent space embeddings of new patients are then compared against those of previous patients in a database for image retrieval of dose distributions. Summary metrics (e.g. dose-volume histogram, conformity index, homogeneity index, etc.) are computed and can then be utilized in subsequent automated planning. All source code for this project is available on github. Main Results: The retrieval performance of various CBIR methods is evaluated on a dataset consisting of both publicly available plans and clinical plans from our institution. This study compares various encoding methods, ranging from simple autoencoders to more recent Siamese networks like SimSiam, and the best performance was observed for the multitask Siamese network. Significance: Applying CBIR to inform subsequent treatment planning potentially addresses many limitations associated with end-to-end KBP. Our current results demonstrate that excellent image retrieval performance can be obtained through slight changes to previously developed Siamese networks. We hope to integrate CBIR into automated planning workflow in future works, potentially through methods like the MetaPlanner framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL