深層学習により全体のボリューム描写が可能に

Apr 24, 2023

Nature Communications volume 13、記事番号: 6566 (2022) この記事を引用

6150 アクセス

3 引用

7 オルトメトリック

メトリクスの詳細

がん患者に対する放射線治療では、危険臓器（OAR）と腫瘍の輪郭を明らかにすることが不可欠なプロセスです。ただし、放射線腫瘍医による手作業による線引きが常に必要となるため、これは最も時間のかかるステップです。ここでは、全身 OAR と腫瘍の自動、迅速、正確な初期化を促進する、RTP-Net という放射線治療計画 (RTP) のための軽量の深層学習フレームワークを提案します。簡単に言うと、このフレームワークは、小さい臓器と大きい臓器の両方に対する適応モジュールと、臓器と境界に対する注意メカニズムを備えた、カスケードの粗いセグメントから細かいセグメントへのセグメンテーションを実装します。私たちの実験では、次の 3 つの利点が示されています。1) 28,581 ケースの大規模なデータセットで 67 の描写タスクを広範囲に評価します。 2) 平均サイコロ 0.95 で同等以上の精度を示します。 3) ほとんどのタスクで 2 秒未満でほぼリアルタイムの描写を達成します。このフレームワークを利用すると、オールインワン放射線治療スキームにおける輪郭形成プロセスを加速し、患者の治療時間を大幅に短縮することができます。

がんは世界中で罹患率と死亡率が急速に増加しており、病気の主要な負担であると考えられています1、2、3。 2040 年の新たながん症例数は 2,840 万人と推定されており、2020 年に発生した新たながん症例数 1,930 万人に比べ 47.2% 増加しています。放射線療法 (RT) は、がんの根本的な治癒または緩和治療として使用されており、その割合は約 50% です。 RT の恩恵を受けているがん患者の割合4、5、6。高エネルギー放射線はがん細胞と正常細胞の両方の遺伝物質に損傷を与える可能性があることを考慮すると、RTの有効性と安全性のバランスをとることが重要であり、これは放射線の線量分布や臓器の機能状態に大きく依存します。 -リスク（OAR）6、7、8、9。腫瘍と OAR の正確な描写は、RT の結果に直接影響を与える可能性があります。これは、描写が不正確だと過剰投与または過少投与の問題が発生し、毒性のリスクが増加したり、腫瘍の有効性が低下したりする可能性があるためです。したがって、OAR を保護しながら指定された線量を標的腫瘍に送達するには、正確なセグメンテーションが強く望まれます。

日常的な臨床 RT ワークフローは、(1) CT 画像取得と初期診断、(2) 放射線治療計画 (RTP)、(3) 放射線照射、(4) フォローアップケアを含む 4 つのステップに分割できます。これは、放射線腫瘍医、医療線量測定医、放射線療法士などの医療専門家チームによって指導されます10、11。一般に、RTP 段階では、OAR と標的腫瘍の輪郭形成は放射線腫瘍医と線量測定医によって手動で行われます。手動セグメンテーションの再現性と一貫性は、観察者内および観察者間の変動により困難であることに注意してください12。また、手作業によるプロセスは非常に時間がかかり、患者 1 人あたり数時間、場合によっては数日かかることも多く、RT 治療の大幅な遅延につながります 12、13。したがって、OAR と標的腫瘍の両方について正確かつ一貫した描写を達成するための高速セグメンテーションアプローチを開発することが望まれています。

ごく最近、ディープラーニングベースのセグメンテーションは、アトラスベースのコンタリング、統計的形状モデリングなどのほとんどの分類および回帰アプローチと比較して、正確で一貫した結果を提供するという大きな可能性を示しています10、11、14、15、16。、18、19、20。最も人気のあるアーキテクチャは、U-Net24、25、V-Net26、nnU-Net27 を含む畳み込みニューラルネットワーク (CNN)21、22、23 であり、医用画像十種競技セグメンテーションコンペティションで優れたパフォーマンスを達成しています。さらに、他のハイブリッドアルゴリズムも優れたセグメンテーションパフォーマンスを示しています 28、29、30、つまり Swin UNETR31。ただし、深層学習ベースのアルゴリズムは、特に 3D 画像処理にグラフィックスプロセッシングユニット (GPU) メモリなどの特定のコンピューティングリソースを必要とするため 13、実際の臨床応用は限られています。

上記の課題に対処するために、本明細書では、最先端の方法と同等以上のパフォーマンスを達成しながら、輪郭形成 OAR とターゲット腫瘍の処理時間を大幅に短縮する、RTP-Net と呼ばれる軽量の自動セグメンテーションフレームワークを提案します。。このフレームワークは、最近登場したオールインワン RT スキームで使用できる可能性があることに注意してください (図 1)。オールインワン RT は、CT スキャン、輪郭形成、線量測定計画、および画像誘導による in situ ビーム照射を 1 回の訪問で統合することにより、患者にワンストップサービスを提供することを目的としています。このプロセスでは、輪郭形成ステップが人工知能 (AI) アルゴリズムによって数時間から数秒に加速され、その後、必要最小限の変更を加えて腫瘍専門医によるレビューが行われるため、効率が大幅に向上し、計画段階でのプロセスが加速されます (図 1a)。。 RT リニアックプラットフォームの開発と多機能モジュール (高速輪郭作成、自動計画、放射線照射など) の統合により、オールインワン RT は RT プロセス全体を数日から数分に短縮できます 32 (図1b)。

a 従来の RT と AI で高速化されたオールインワン RT のプロセスの概要。 RT ワークフローは 4 つのステップに分けることができ、そのうちの治療計画ステップは AI によって加速されます。従来の治療計画には、リスク臓器（OAR）、臨床目標体積（CTV）、および計画目標体積（PTV）の手動による輪郭形成と、それに続く計画手順が含まれます。輪郭形成のステップは AI アルゴリズムによって加速され、その後腫瘍学者によるレビューが必要最小限の変更で行われます。 b 従来の RT と AI で高速化されたオールインワン RT におけるコンタリングと RT ワークフローの時間スケール。 AI によって輪郭形成ステップを数時間から数秒に加速でき、RT プロセス全体を数日から数分に短縮できます。

精度を高め、RTP の時間を節約するために、図 2 に示すように、OAR と腫瘍の自動輪郭作成のための、RTP-Net と呼ばれる軽量の深層学習ベースのセグメンテーションフレームワークを提案します。特に、以下で説明するように、(1) 特定の OAR に対してカスタマイズされたセグメンテーションを生成し、(2) GPU メモリコストを削減し、(3) 迅速かつ正確なセグメンテーションを実現する 3 つの戦略が設計されています。

粗いものから細かいものまでの戦略。これは、粗解像度モデルを使用して元の画像内のセグメント化対象領域を含む最小関心領域 (ROI) を位置特定し、次に高解像度モデルを使用して 3D 画像を高速にセグメンテーションするために提案されています。この ROI を入力として使用して、領域の詳細な境界を取得します (図 2a)。この 2 段階のアプローチにより、大量の無関係な情報を効果的に除外し、誤検知を減らし、セグメンテーションの精度を向上させることができます。同時に、GPU メモリのコストを削減し、セグメンテーションの効率を向上させるのに役立ちます。前回の研究 33 で提案したように、ここでは VB-Net を採用して、迅速かつ正確なセグメンテーションを実現します。これは、古典的な V-Net アーキテクチャ、つまりスキップ接続と残留接続を備えたエンコーダ/デコーダネットワークに基づいて開発され、ボトルネック層を追加することでさらに改良されました。 VB-Net は、SegTHOR Challenge 2019 (CT 画像におけるリスクのある胸部臓器のセグメンテーション) で 1 位を獲得しました。詳細なアーキテクチャとネットワーク設定については、メソッドと表 1 を参照してください。

アダプティブ入力モジュール。小さいROIと大きいROIの両方をセグメント化するために、適応入力モジュールもVB-Netアーキテクチャで設計されており、次のように、VB-Netの先頭と最後にそれぞれ1つのダウンサンプリング層と1つのアップサンプリング層を追加します。ターゲットROIのサイズ（図2b）。どちらのリサンプリング操作も畳み込み層を通じて実装され、プロセス間で最適なパラメーターを学習し、同時に GPU メモリを削減できます。

注意のメカニズム。ターゲットボリューム（PTV/CTV）を正確に描写するために、2つの注意メカニズム、つまりOAR認識アテンションマップと境界認識アテンションマップが特に開発されています（図2c）。 OAR 認識アテンションマップは細かいレベルの OAR セグメンテーションによって生成され、境界認識アテンションマップは粗いレベルの PTV/CTV 境界ボックスに適用されます。 OAR 対応のアテンションマップは、高解像度モデルのパフォーマンスを向上させるための追加の制約として利用されます。具体的には、高解像度モデルの入力は、生の画像とその OAR 認識アテンションマップおよび境界認識アテンションマップをチャネル方向の次元で連結したものです。つまり、両方のアテンションメカニズム (多次元適応損失関数と組み合わせて) を採用して、ファインレベルの VB-Net を変更します。

高速セグメンテーションのためのマルチ解像度を備えた粗いものから細かいものまでのフレームワーク。粗解像度モデルは、元の画像 (赤いボックスでラベル付け) 内の関心領域 (ROI) の位置を特定し、高解像度モデルは ROI の詳細な境界を調整します。 b マルチサイズの OAR セグメンテーション用の適応型 VB-Net。大きな臓器にも適用できます。これは、ストライド 2 のストライド畳み込み層 (Conv-s2) とストライド 2 の転置畳み込み層 (T-Conv-s2) を VB-Net の先頭と最後にそれぞれ追加することで実現されます。 c ターゲットボリュームを正確に描写するためにセグメンテーションフレームワークで使用されるアテンションメカニズム。 OAR を意識したアテンションマップは、細かいレベルの OAR セグメンテーションによって生成され、境界を意識したアテンションマップは、粗いレベルのターゲットボリュームバウンディングボックスによって生成されます。多次元適応損失関数と組み合わせた 2 つのアテンションマップを採用して、正確なターゲットの描写を取得するための詳細レベルのモデルを修正します。

要約すると、提案された RTP-Net フレームワークは、自動、正確、かつ効率的な方法でターゲットボリュームと複数の OAR をセグメント化することができ、その後、その場での線量計画と放射線治療を続けて、最終的にオールインワンを実現できます。 RT。私たちが開発したセグメンテーションフレームワークでは、前処理構成、トレーニング戦略構成、ネットワークアーキテクチャ、画像推論構成などの一連のパラメーターをユーザーが調整できるようにしています。また、イメージングモダリティ、再構成カーネル、画像間隔などのさまざまなイメージングデータセットの多様性を考慮して、ユーザーは特定のタスクごとに適切なトレーニング構成設定をカスタマイズできます。参考のために、マルチ解像度セグメンテーションフレームワークの推奨構成設定を表 1 にまとめます。

提案された RTP-Net のセグメンテーションパフォーマンスは、精度と効率の両方の観点から、頭部、胸部、腹部、骨盤腔、および全身に分布する 65 個の OAR 全体を含む全身臓器について広範囲に評価されています。重要なのは、28,219 ケースの大規模なデータセットが実験され、そのうち 4,833 ケースがテストセット (約 17%) として使用され、残りのケースがトレーニングセットとして機能することです (補足図 1)。

セグメンテーションの精度は、0 から 1 の範囲の Dice 係数によって定量化されます。Dice 係数 1 は、セグメント化された結果とそのグランドトゥルースの間の完全な重複を表します。図3および補足表1に示すように、一連のOARの自動セグメンテーションのダイス係数が測定されます。頭部に 27 個の OAR、胸部に 16 個の OAR、腹部に 10 個の OAR、骨盤腔部に 9 個の OAR、全身に 3 個の OAR を含む、合計 65 個のセグメンテーションタスクを実装します。 RTP-Net は、広範なサンプルを使用した 65 のタスクで平均 0.93 ± 0.11 の Dice を達成していることは注目に値します。具体的には、65 個中 42 個 (64.6%) の OAR セグメンテーションタスクで平均 Dice が 0.90 以上で満足のいくパフォーマンスが達成され、65 個中 57 (87.7%) の OAR セグメンテーションタスクで平均 Dice が 0.80 以上で満足のいくパフォーマンスが得られます。頭部の OAR (図 3a) の場合、27 個中 20 個 (74.1%) の OAR セグメンテーションタスクが、平均 Dice が 0.80 を超える妥当なパフォーマンスを達成しています。胸部の OAR (図 3b) では、セグメンテーション性能が最も低いのは縦隔リンパ節で、平均 Dice が 0.61 であり、これは境界が拡散してぼやけているためである可能性があります。さらに、腹部 (図 3c) および骨盤腔 (図 3d) 部分のすべてのテストされた OAR のセグメンテーション結果の Dice 係数は 0.80 より高くなります。さらに、全身の脊髄、脊柱管、および外部皮膚のセグメンテーションも、手動のグラウンドトゥルースと優れた一致を達成します。サイズが大きいため、外部スキンのセグメンテーションは RTP-Net の適応入力モジュールによって支援されることに注意してください (図 2b)。要約すると、セグメンテーションタスクの大部分は、提案された RTP-Net を使用することで高精度を達成し、その優れたセグメンテーションパフォーマンスが実証されています。 RT の精度と安全性を確保するために、自動セグメンテーションの結果は放射線腫瘍医によってレビューおよび変更されることを概説する必要があります。

頭部 (a)、胸部 (b)、腹部 (c) の部分、および骨盤腔部分と全身 (d) の OAR をセグメント化する際の Dice 係数。 4 つの箱ひげ図の影は、0.8 ～ 1.0 の範囲の Dice 係数を示します。最初の四分位はボックスの底部を形成し、第 3 四分位はボックスの上部を形成します。ここで、線とプラス記号はそれぞれ中央値と平均値を表します。ひげの範囲は 2.5 パーセンタイルから 97.5 パーセンタイルで、ひげの下と上の点は個別のドットとして描画されます。各臓器の詳細な番号は補足図1を参照してください。

私たちが提案する RTP-Net のセグメンテーションの品質と効率を完全に評価するために、U-Net、nnU-Net、Swin UNETR を含む 3 つの最先端の方法が比較のために含まれています。定性的比較のために、4 つの方法による 8 つの OAR (脳、脳幹、肋骨、心臓、肝臓、骨盤、直腸、膀胱を含む) の典型的なセグメンテーション結果を図 4 に示します。私たちの RTP-Net は 8 つの OAR すべてで手動のグランドトゥルースを使用して一貫したセグメンテーションを実現していますが、比較方法では過剰または過小セグメンテーションが示されていることがわかります。特に、U-Net と nnU-Net は両方とも、脳幹、肋骨、心臓、骨盤などの 4 つの OAR をアンダーセグメント化しますが (図 4a-d)、肝臓や膀胱などの 2 つの OAR をオーバーセグメント化します (図 4e、 f）。脳や直腸などの残りの2つのOAR（図4g、h）では、U-NetとnnU-Netは異なるパフォーマンスを示し、U-Netはアンダーセグメンテーションを持ち、nnU-Netはオーバーセグメンテーションを持ちます。 Swin UNETR は、膀胱と脳では手動のグラウンドトゥルースを使用して一貫したセグメンテーションを実現しますが、他の 6 つの OAR ではアンダーセグメンテーションが発生します。 OAR の不正確なセグメンテーションが、その後の標的腫瘍の描写と治療計画、そして最終的には腫瘍の正確な放射線療法に影響を与える可能性があることを再度強調する価値があります。全体として、U-Net、nnU-Net、および Swin UNETR と比較して、私たちが提案する RTP-Net は、OAR のセグメント化において同等または優れた結果を達成します。

セグメンテーションは、8 つの OAR、すなわち、(a) 脳幹、(b) 肋骨、(c) 心臓、(d) 骨盤、(e) 肝臓、(f) 膀胱、(g) 脳、および (h) 直腸に対して実行されます。白い丸は、4 つの方法による手動のグラウンドトゥルースと比較した正確なセグメンテーションを示します。青と黄色の円は、それぞれアンダーセグメンテーションとオーバーセグメンテーションを表します。

RTP-Net のセグメンテーション性能を定量的に評価するために、Dice 係数と平均推論時間の両方が計算されます。図 5a と補足表 2 は、4 つの方法による一連のセグメンテーションタスクの Dice 係数を示しています。セグメンテーションタスクの大部分では、特に変動が比較的少ない脳、肝臓、骨盤のセグメンテーションで高い Dice 係数が得られることがわかります。 nnU-Net と比較すると、RTP-Net では、直腸を除くほとんどの臓器のセグメンテーションにおいて Dice 係数の点で有意な差は見られません。一方、U-Net と比較すると、RTP-Net は脳幹、肝臓、直腸のセグメント化が優れているという点で大きな違いを示しています。さらに、Swin UNETR と比較して、RTP-Net は脳幹、心臓、肝臓、直腸のセグメンテーションにおいて優れたパフォーマンスを示します。全体として、8 つの OAR のセグメンテーションにおける RTP-Net、U-Net、nnU-Net、および Swin UNETR の平均 Dice 係数は、それぞれ 0.95 ± 0.03、0.91 ± 0.06、0.95 ± 0.03、および 0.94 ± 0.03 です。結果は、RTP-Net が他の方法と同等またはより正確なセグメンテーションパフォーマンスを達成していることを示しており、これは図 4 に示した視覚的な結果と一致しています。

a 私たちが提案する RTP-Net、U-Net、nnU-Net、および Swin UNETR による 8 つのセグメンテーションタスクの係数をダイスします。 b 4 つの方法で 8 つの OAR をセグメント化する際の平均推論時間。 Dice 係数 (a) と推論時間 (b) の両方が箱ひげ図で表示されます。最初の四分位はボックスの底部を形成し、第 3 四分位はボックスの上部を形成します。ここで、線とプラス記号はそれぞれ中央値と平均値を表します。ひげの範囲は 2.5 パーセンタイルから 97.5 パーセンタイルで、ひげの下と上の点は個別のドットとして描画されます。 8 つの臓器の数は補足図 1 を参照できます。(a) と (b) の統計分析は、二元配置分散分析とそれに続くダネットの多重比較検定を使用して実行されます。アスタリスクは両側調整 p 値を表し、* は p < 0.05 を示し、** は p < 0.01 を示し、*** は p < 0.001 を示します。 RTP-Net と他の 3 つの方法 (U-Net、nnU-Net、および Swin UNETR) の間の (a) の Dice 係数の p 値は、脳セグメンテーションではそれぞれ 0.596、0.999、および 0.965 です。脳幹セグメンテーションではそれぞれ <0.001、0.234、0.001。肋骨セグメンテーションではそれぞれ 0.206、0.181、0.183。心臓セグメンテーションではそれぞれ 0.367、0.986、0.010。肝臓セグメンテーションではそれぞれ 0.002、0.999、0.003。骨盤セグメンテーションの場合はそれぞれ 0.991、0.900、および 0.803。直腸セグメンテーションではそれぞれ <0.001、0.010、0.003。膀胱セグメンテーションではそれぞれ 0.999、0.827、および 0.932。 8 つの臓器における RTP-Net と他の 3 つの方法の間の (b) の p 値はすべて 0.001 未満です。 c 複数のセグメンテーションタスクにおける平均推論時間のヒートマップ。アスタリスクは、(b) で得られた両側調整 p 値を表し、*** は p < 0.001 を示し、RTP-Net と他の 3 つの方法の間の統計的有意性を示します。

さらに、上記の 8 つの OAR セグメンテーションタスクにおける 4 つの方法の推論効率が、図 5b、c、および補足表 3 でさらに評価されています。軽量フレームワークとして、RTP-Net はほとんどのセグメンテーションタスクで 2 秒未満かかりますが、U -Net、nnU-Net、および Swin UNETR には、それぞれ 40 ～ 200 秒、200 ～ 2000 秒、および 15 ～ 200 秒かかります。セグメンテーションタスクにおける 4 つのメソッドの推論時間のヒートマップは、RTP-Net と他の 3 つのメソッド間の大きな違いを視覚的に示しています。 RTP-Net の超高速セグメンテーション速度は、粗い位置特定と細かいセグメンテーションを順番に実行し、GPU メモリコストを大幅に削減する、マルチ解像度を備えたカスタマイズされた粗いから細かいまでのフレームワークによるものと考えられます。さらに、補足図2に示すように、RTP-Netの高効率なセグメンテーション機能は、さらなる描写実験でも確認されています。したがって、私たちが提案するRTP-Netは、優れた精度と超高速推論速度を備えた優れたセグメンテーション性能を達成できます。。

入力 3D 画像が与えられると、CTV や PTV を含むターゲットボリュームを描写するために、すべての既存の OAR (完全か部分的か) を一緒にセグメント化する必要があります。図 6 は、頭部、胸部、腹部、骨盤腔などの特定の部位ごとに複数の臓器をセグメンテーションした結果を示しています。これらの結果は、RTP-Net のパフォーマンスをさらに検証します。

脳、側頭葉、目、歯、耳下腺、下顎骨、喉頭、腕神経叢。 (b) 脳、脳幹。 (c) 心臓、気管、肋骨、脊椎。 (d) 肺。 (e) 肝臓、腎臓、膵臓、胆嚢。 (f) 胃、食道、脾臓。 (g) 大腸、小腸、膀胱。 (h) 大腿骨頭、骨骨盤。 (i) 精巣、前立腺。サンプルはすべてCT画像です。各サンプルでは、左側は 2D ビューでの結果を示し、右側はセグメント化された OAR の 3D レンダリングを示しています。

次に、CTV と PTV を含むターゲットボリュームの輪郭を描くターゲットボリューム描写モデル (図 2c) のパフォーマンスを評価します。従来の臨床ルーチンでは、PTV は通常、特定のガイドラインに従って CTV を拡張することによって取得されます。従来の拡張された PTV は通常、特定のソフトウェアで生成され、手動修正が必要なエラー (皮膚を超えて拡大したり、OAR と重なったりするなど) が含まれる可能性があることを考慮すると、RTP-Net によって自動生成された PTV は非常に便利で、処理時間を節約できます。、放射線腫瘍医による検証済みの注釈により高い精度を示します。直腸がんの CTV と PTV の描写結果を、視覚的な比較、精度、効率を使用して図 7 と補足表 4 に示します。図 7a に示すように、RTP-Net の CTV 描写は、手動のグラウンドトゥルースと比較して高いパフォーマンスを示します。さらに、Dice 係数に関しては 4 つの分割方法間で有意な差は見られません (図 7b)。ただし、CTV 描写の平均推論時間を比較すると、RTP-Net は 0.5 秒未満 (0.40 ± 0.05 秒) で最速の描写を達成しますが、U-Net、nnU-Net、および Swin UNETR は 108.41 ± 19.38 秒、248.43 秒かかります。それぞれ± 70.38 秒、および 62.63 ± 12.49 秒 (図 7c)。同様の結果が PTV 描写タスクでも見つかり、RTP-Net、U-Net、nnU-Net、および Swin UNETR の推論時間は 0.44 ± 0.05 秒、109.89 ± 19.61 秒、119.01 ± 34.06 秒、およびそれぞれ92.65±16.03秒。これらすべての結果 (CTV および PTV に関する) は、提案された RTP-Net がターゲットボリューム (CTV および PTV を含む) の輪郭を正確かつ高速な方法で作成できることを確認します。 OARおよび標的腫瘍のセグメンテーション結果は図7dに見られます。直腸癌のPTVが描写され、袋腸、骨盤、椎骨などの近くのOARに囲まれています。私たちの方法では、ターゲットボリューム描写モデルで周囲のOARとその境界を考慮することにより、ターゲットボリュームの上下の境界のセグメンテーションの失敗を回避するために、境界を意識したアテンションマップが採用されていることに注意してください。これにより、正常な臓器に対する放射線の毒性を回避でき、次の線量シミュレーションと治療がより正確になります。

a 提案されている RTP-Net、U-Net、nnU-Net、および Swin UNETR による臨床ターゲットボリューム (CTV) と計画ターゲットボリューム (PTV) の描写結果。赤色でラベル付けされています。 (b) ターゲットボリューム描写における 4 つの方法のサイコロ係数と (c) 推論時間。箱ひげ図で示されています。最初の四分位はボックスの底部を形成し、第 3 四分位はボックスの上部を形成します。ここで、線とプラス記号はそれぞれ中央値と平均値を表します。ひげの範囲は最小値から最大値まですべての点を示しています。 (b) および (c) の統計分析は、二元配置分散分析とそれに続くダネットの多重比較検定を使用して、条件ごとに n = 10 の反復を使用して実行されます。 RTP-Net と他の 3 つの方法 (U-Net、nnU-Net、および Swin UNETR) の間の (b) の Dice 係数の両側調整 p 値は、CTV セグメンテーションではそれぞれ 0.420、0.999、および 0.166 ですが、CTV セグメンテーションでは 0.951 です。 PTV セグメンテーションの場合は、それぞれ、0.859、0.832 です。 RTP-Net と他の 3 つの方法の間の (c) の推論時間の両側調整 p 値はすべて 0.001 未満であり、*** で示されています。 (d) リスクのある臓器（OAR）とターゲットボリュームの概要。 PTV と隣接する腸、椎骨、骨盤のセグメンテーション結果は、それぞれ赤、緑、ピンク、青でマークされます。

これまでのところ、提案されている深層学習ベースのセグメンテーションフレームワークが、OAR とターゲットボリュームを自動的、効率的かつ正確に描写できることを実証してきました。市販されている AI ベースのソフトウェアツールは複数あり、RT 手順を標準化して高速化するために臨床現場で使用されています。これらには、自動セグメンテーションのためのアトラスベースの輪郭ツール 12、34、35、36、37 と、自動治療計画のための知識ベースの計画モジュール 38、39、40 が含まれます。ここでは、ターゲットボリュームの AI ベースの自動セグメンテーションと、RT ワークフローへの統合の探索に焦点を当てます。これらの AI ソリューションは、多少の編集作業が必要なだけで、手動によるセグメンテーション精度の描写と同等のパフォーマンスを達成したと報告されています 12,35。しかし、研究の大部分は、特定の収集プロトコルを使用した限られた臓器とデータについてのみ評価されており、異なる病院で使用されたり、異なるターゲットボリュームで使用された場合、臨床応用性に影響を及ぼします。 2 つの研究が、モデルの一般化可能性を向上させるためにこの課題に対処しようと試みました 41,42。ニコロフら。 3D U-Net を適用して頭頸部 CT スキャンで 21 個の OAR を描写し、専門家レベルのパフォーマンスを達成しました41。この研究は、日常臨床診療からのトレーニングセット (663 スキャン) とテストセット (21 スキャン)、および 2 つの異なるオープンソースデータセットからの検証セット (39 スキャン) に対して実施されました。オクタイら。らは AI モデルを既存の RT ワークフローに組み込み、AI モデルが前立腺と頭頸部の両方の RT 計画に対して臨床的に有効な構造輪郭を生成しながら、輪郭形成時間を短縮できることを実証しました 42。彼らの研究には、前立腺がんについては 6 件の OAR、頭頸部がんについては 9 件の OAR が含まれており、異種の集団グループと多様な 8 つの異なる臨床施設で取得された 519 件の骨盤 CT スキャンと 242 件の頭頸部 CT スキャンのセットに対して実験が実施されました。画像取得プロトコル。以前の研究とは対照的に、28,581 ケースの大規模なデータセット上のさまざまなボリュームサイズを持つ 67 のターゲットボリュームに対する広範な評価により、RTP-Net がどのように一般化されたパフォーマンスにつながるかを評価します (補足図 1)。この大規模なデータセットは、さまざまな取得設定と人口統計を持つ 8 つの異なる公開データセットと 1 つのローカルデータセットから取得されました (補足表 5)。私たちが提案したモデルは、専門家の輪郭との優れたレベルの一致を達成しながら、病院や対象ボリューム全体でのパフォーマンスの汎用性を実証し、臨床現場での導入を容易にする時間の節約も実現します。

さらに、最適な線量分布を自動的に予測し、線量計算を高速化するために、さまざまな深層学習ベースのアルゴリズムが開発されています43,44。 AI 支援による描写と AI 支援による線量測定計画を RTP システムに統合すると、Pinnacle3 (Philips Medical Systems、ウィスコンシン州マディソン) など、RT の効率が大幅に向上し、臨床現場での作業負荷が軽減されると推測されています。提案された RTP-Net は CT リニアックシステム (現在、臨床使用承認に向けてテスト中) に統合され、オールインワン RT スキームをサポートします。このスキームでは、自動輪郭作成の結果 (放射線腫瘍学者によるレビュー) が線量測定に使用されます。周囲の OAR への線量を最小限に抑えながら、腫瘍に送達される線量を最大にする治療計画。この AI 高速化されたオールインワン RT ワークフローには、2 つの潜在的なメリットがあります。 (1) AI 高速化された自動輪郭作成により、体系的および主観的な逸脱が除去され、輪郭作成時間が 15 秒以内に制御され、再現性と正確な決定が保証されます。従来の輪郭作成にかかる時間は 1 ～ 3 時間以上かかるため、臨床医による自動輪郭作成と手動編集の合計時間は、最初から手動でアノテーションを作成するよりもはるかに短くなります。 (2) オールインワン RT パイプラインはワンストップであり、複数のモジュール (すなわち、自動輪郭形成) を組み込んでおり、患者は複数のターンアラウンド待機期間を必要とせずに済むため、プロセス全体の時間が数日から 100 日に大幅に短縮されます。分32。重要なのは、オールインワン RT ワークフローの複数の臨床ステップでは人間の介入が必要であり、意思決定を行うために専任のスタッフ (放射線腫瘍医、線量測定医、医学物理士を含む) の存在が必要であるため、効率を向上させコストを節約することが急務であるということです。所要時間。さらに、一部の臨床シナリオでは、医療リソース (RT 装置や専門スタッフなど) が比較的不十分であるため、病院が収容できる患者数を超える患者がいることもあります。このような場合、AI で高速化されたオールインワン RT ワークフローは、医療の負担を軽減し、患者に利益をもたらす大きな可能性を秘めています。

結論として、長い待ち時間、低い再現性、低い一貫性など、RTP システムでの手動輪郭形成の制限を克服するために、ターゲット腫瘍と OAR の自動輪郭形成のための深層学習ベースのフレームワーク (RTP-Net) を開発しました。正確かつ効率的な方法で。まず、大規模なデータセットに基づいて、精度を低下させることなく GPU メモリを削減し、セグメンテーション速度を向上させる粗いから細かいまでのフレームワークを開発します。次に、アーキテクチャを再設計することにより、私たちが提案する RTP-Net は、最先端のセグメンテーションフレームワーク (つまり、U-Net、nnU-Net、Swin UNETR) と比較して、複数の OAR 上で同等またはそれ以上のセグメンテーションパフォーマンスを備えた高効率を達成します。）。 3 番目に、ターゲットボリューム (CTV/PTV) を正確に描写するために、OAR 認識アテンションマップ、境界認識アテンションマップ、および多次元損失関数がネットワークのトレーニングに組み合わされて、境界セグメンテーションが容易になります。この提案されたセグメンテーションフレームワークは CT リニアックシステムに統合されており、現在臨床使用の承認に向けてテスト中です 32。そして、この AI によって高速化されたオールインワン RT ワークフローは、がん患者に対する RT の効率、再現性、全体的な品質を向上させる上で大きな可能性を秘めています。

この研究は、中国、上海の復旦大学上海癌センターの研究倫理委員会によって承認されました（番号 2201250-16）。合計 362 枚の直腸がんの画像が収集されました。研究の遡及的性質のため、書面によるインフォームドコンセントは放棄された。実験の残りの 28,219 データは、公的に利用可能な多施設データセット (補足表 5 に項目別)、すなわち、がん画像アーカイブ (TCIA、https://www.cancerimagingarchive.net/)46、頭頸部 (HaN) から取得したものです。 Medical Image Computing and Computer Assisted Intervention Society (MICCAI) による自動セグメンテーションチャレンジ 201547,48、CT 画像におけるリスクのある胸部臓器のセグメンテーション (SegTHOR) チャレンジ 201949、複合 (CT-MR) 健康な腹部臓器セグメンテーション (CHAOS) チャレンジ 201950、 MICCAI 201851 からの Medical Segmentation Decathlon (MSD) Challenge、および LUng Nodule Analysis (LUNA) 201652。すべての CT 画像は造影されていません。

補足表 5 は、スキャナーの種類と取得プロトコルをまとめたもので、患者の人口統計は補足表 6 に示されています。データセットの詳細については、対応する参考文献を参照してください。

この研究には、全身臓器と標的腫瘍をカバーする 67 のセグメンテーションタスクの合計 28,581 件が含まれています (補足図 1)。すべてのデータにおいて、23,728 ケースがトレーニングセット (約 83%) として使用され、残りの 4,853 ケースがテストセット (約 17%) として使用されます。

セグメンテーションの正確な情報は、経験豊富な評価者の手動による描写から得られます。詳細は次のように説明されています。

画像データの準備。この研究では、サンプリングバイアスの可能性を下げるために、複数の多様なデータセット (さまざまなスキャナーの種類、人口、医療センターなど) からの大規模画像が採用されています。すべての CT 画像は DICOM または NIFIT 形式です。

注釈ツール。評価者の好みに基づいて、ピクセルレベルの詳細でターゲットに注釈を付け、視覚化するために、広く使用されているいくつかのツール、つまり ITK-SNAP 3.8.0 (http://www.itksnap.org/pmwiki/pmwiki.php) が採用されています。および 3D スライサー 5.0.2 (https://www.slicer.org/)。これらのツールは、半自動注釈と手動注釈の両方をサポートします。半自動注釈は、注釈の初期化に使用し、その後手動で修正することができます。この戦略により、注釈の労力を節約できます。

輪郭形成プロトコル。各注釈タスクには、経験豊富な評価者と上級放射線腫瘍医が関与します。対応するコンセンサスガイドライン (RTOG ガイドラインなど) または解剖学の教科書が検討され、議論の後に特定の輪郭形成プロトコルが作成されます。注釈は最初に経験豊富な評価者によって輪郭が付けられ、最終的には上級放射線腫瘍医によって改良および承認されます。以下にコンセンサスガイドラインを列挙します。

合計 27 の解剖学的構造の輪郭が描かれています。 25 の構造の解剖学的定義は、Brouwer アトラス 53 および神経解剖学の教科書 54 を参照しています。すなわち、脳、脳幹、目 (左および右)、耳下腺 (左および右)、下顎骨 (左および右)、水晶体 (左および右) です。、口腔、関節TM（左右）、唇、歯、顎下腺（左右）、声門、咽頭収縮筋（上、中、下）、下垂体、視交叉、腕神経叢（左右）。側頭葉（左右）の輪郭は脳地図を参照しています55。

合計 16 の解剖学的構造の輪郭が描かれており、そのうち 8 つの解剖学的構造は、放射線治療腫瘍グループ (RTOG) ガイドライン 110656 および心臓胸部解剖学の教科書 57 に従って定義されています。すなわち、心臓、肺 (左右)、上行大動脈、食道、椎体、気管、肋骨。乳房 (左右)、乳房_PRV05 (左右)、縦隔リンパ節、上腕骨頭 (左右) の輪郭は、RTOG 乳がんアトラス 58 を参照して作成されています。さらに、NSCLC の輪郭形成は RTOG 051559 に従っています。

RTOG ガイドライン 60、描写推奨の公式 Web サイト (http://www .rtog.org)、および Netter の atlas61。

RTOG ガイドライン 60 およびネッターアトラス 61 を参照して、大腿骨頭 (左右)、骨盤、膀胱 (男性および女性)、直腸、精巣、前立腺、および S 状結腸を含む 9 つの解剖学的構造の輪郭が描かれています。

脊柱管、脊髄、外皮の構造も、RTOG ガイドライン 110656 を参照して輪郭が描かれています。

CTV と PTV の輪郭は主に RTOG atlas62 と AGITG atlas63 を参照しています。

複数のセンターからの異質な画像特性を考慮すると、データの前処理はデータを正規化するための重要なステップです。

粗いレベルのモデル (低解像度) では、地球規模の位置情報を取得するために 5 × 5 × 5 mm3 の大きなターゲット間隔が推奨されますが、細かいレベルのモデル (高解像度) では、5 × 5 × 5 mm3 という小さなターゲット間隔が適用されます。 1 × 1 × 1 mm3 の局所構造情報を取得します。

粗いレベルのモデルのトレーニングでは、画像をターゲット間隔にリサンプリングするために最近傍補間法が推奨されます。ファインレベルモデルのトレーニングでは、異方性画像と等方性画像のリサンプリングに最近傍補間法と線形補間法をそれぞれ使用して、リサンプリングアーティファクトを抑制できます。

パッチサイズとバッチサイズは通常、特定のグラフィックスプロセッシングユニット (GPU) メモリによって制限されます。一般的な臓器のセグメンテーションの場合、粗レベルモデルと詳細レベルモデルの両方で 96 × 96 × 96 のパッチサイズが推奨されます。全身の皮膚などの大きな器官のセグメンテーションの場合、粗レベルモデルと詳細レベルモデルのパッチサイズは、それぞれ 96 × 96 × 96 と 196 × 196 × 196 になります。固定サイズのミニバッチパッチは、画像空間内に中心点をランダムに生成することによって、リサンプリングされた画像から切り取られます。

ターゲットのサイズと間隔を持つパッチは、[-1, 1] の強度に正規化でき、ネットワークが迅速に収束するのに役立ちます。 CT 画像の場合、強度値は定量的であり、組織の物理的特性を反映します。したがって、固定正規化が使用されます。各パッチは、ウィンドウレベルを減算し、その後、個々の器官のウィンドウの半分の幅で割ることによって正規化されます。正規化後、各パッチは [-1, 1] の範囲にクリップされ、トレーニングのためにネットワークに供給されます。

私たちが提案するフレームワークでは、特定のタスクに基づいて個別の学習率とオプティマイザー構成を設定できます。

これはネットワークを改良するために使用され、学習率がネットワークの収束に伴って大きな初期値から小さな値に減少する可能性があります。

Adam オプティマイザーは、運動量、減衰、ベータなどの調整可能なハイパーパラメーターとともに使用されます。

これは、回転、スケーリング、反転、シフト、ノイズの追加など、モデルの堅牢性を向上させるために使用されます。

クラスの不均衡に対する堅牢性を確保するために、グローバルサンプリングとマスクサンプリングを含む 2 つのサンプリングスキームが 1 つのトレーニングイメージからミニバッチを生成するために採用されています。具体的には、グローバルサンプリングスキームは前景空間全体に中心点をランダムに生成し、マスクサンプリングスキームは関心領域 (ROI) に中心点をランダムに生成します。粗レベルモデルではターゲット ROI を特定するという目標を達成するためにグローバルサンプリングが推奨され、詳細レベルモデルではターゲットボリュームを正確に描写するという目標を達成するにはマスクサンプリングが推奨されます。

Dice、境界 Dice、焦点損失関数などの基本的なセグメンテーション損失関数を使用して、ネットワークを最適化できます。多次元損失関数は、ネットワークが境界セグメンテーション、特に各 2D スライスの境界に注意を払うように強制する適応 Dice 損失関数として定義されます。

この式では、loss3D は 3D ダイスの損失を指し、λ1 はその重みを表します。一方、\({{{\mbox{loss}}}}_{2{{\mbox{D}}}}^{{{\mbox{ i}}}}\) は、i 番目の 2D スライスの 2D Dice 損失と \({\lambda }_{{{{{{\rm{adaptive}}}}}}}^{i}\ ) は、この 2D スライスのパフォーマンスから計算された適応重みです。 λ2 は 2D Dice 損失の重みです。 3D Dice 損失と 2D Dice 損失のより詳細な定義は、次の 2 つの式で与えられます。

これら 2 つの方程式では、pred3D は 3D 予測を示し、target3D はその手動のグラウンドトゥルースを示します。一方、\({{{\mbox{pred}}}}_{2{{\mbox{D}}}}^{{{\ mbox{i}}}}\) は i 番目の 2D スライスの 2D 予測を示し、\({{{\mbox{target}}}}_{2{{\mbox{D}}}}^{{ {\mbox{i}}}}\) は手動のグラウンドトゥルースを示します。ハイパーパラメータの設定は次のようになります。 λ1 は 0.7 に設定され、λ2 は 0.3 に設定されます。また、λadaptive は次の式から計算される適応重みです。

多次元損失を除いて、アテンションメカニズム (境界を認識したアテンションマップと OAR を認識したアテンションマップを含む) も、ターゲットボリューム描写タスク用に特別に設計されています。詳細情報は「結果と考察」セクションに記載されています。

私たちのフレームワークでは、VB-Net はマルチサイズ臓器セグメンテーションの重要なコンポーネントです。 VB-Netの構造は、入力ブロック、ダウンブロック、アップブロック、出力ブロックで構成されます（補足図3）。ダウン/アップブロックは残差構造の形で実装され、ボトルネックは特徴マップの次元を削減するために採用されます。各ダウン/アップブロックでは、ユーザーがボトルネックの数を割り当てることができます。また、スキップ接続は各解像度レベルで必要となります。特に、VB-Net は、全身 CT スキャンなどの大容量の 3D 画像を処理するようにカスタマイズすることもできます。カスタマイズされた VB-Net では、GPU メモリのコストを削減し、VB-Net の受容野を拡大するために、バックボーンに画像を供給する前の追加のダウンサンプリング操作と、セグメンテーション確率マップの生成後の追加のアップサンプリング操作が追加されています。同時に。均一性の高いこれらの大型臓器では、カスタマイズされた VB-Net の拡大された受容野により、周囲の低コントラスト臓器との境界に焦点を合わせることができます。

このフレームワークは、1 つの Nvidia Tesla V100 GPU を備えた PyTorch に実装されています。トレーニングセットの 10% が各タスクの検証としてランダムに選択され、その損失は各トレーニングエポックの終了時に計算されます。損失が 5 エポックの間減少しなくなった場合、トレーニングプロセスは収束したと見なされます。また、臓器セグメンテーションタスクで最大の連結成分を選択するか、腫瘍セグメンテーションタスクで小さな連結成分を削除することにより、偽陽性を排除する連結成分ベースの後処理が提供されます。

ほぼ正規分布する連続変数については、平均 ± 標準偏差で表されました。非対称分布を持つ連続変数の場合、それらは中央値 (25 パーセンタイル、75 パーセンタイル) として表されました。 RTP-Net のセグメンテーションパフォーマンス (Dice 係数と推論時間を含む) を他の 3 つの方法 (U-Net、nnU-Net、Swin UNETR を含む) と定量的に比較するために、二元配置分散分析を使用して統計分析を実行し、続いてダネットの分散分析を使用しました。複数の比較テスト。両側調整された p 値が得られ、アスタリスクで表されます。* は p < 0.05 を示し、** は p < 0.01 を示し、*** は p < 0.001 を示します。すべての統計分析は、IBM SPSS 26.0 を使用して実装されました。

箱ひげ図を使用して、RTP-Net のセグメンテーションパフォーマンス (Dice 係数と推論時間を含む) を他の 3 つの方法 (U-Net、nnU-Net、Swin UNETR を含む) と定性的に比較しました。これは GraphPad によってプロットされました。 Prism 9。セグメンテーション結果の視覚化は、ITK-SNAP 3.8.0 で生成されました。図はすべてAdobe Illustrator CC 2019で作成しました。

研究デザインの詳細については、この記事にリンクされている Nature Research レポートの概要をご覧ください。

この論文の実験をサポートする OAR 関連画像 (N = 28,219) は、公的に利用可能な多施設データセット、すなわち、The Cancer Imaging Archive (TCIA、https://www.cancerimagingarchive.net/)、頭頸部からのものです。 (HaN) 自動セグメテーションチャレンジ 2015 (https://paperswithcode.com/dataset/miccai-2015-head-and-neck-challenge)、CT 画像におけるリスクのある胸部臓器のセグメンテーション (SegTHOR) チャレンジ 2019 (https://segthor) .grand-challenge.org/)、複合 (CT-MR) Healthy Abdominal Organ Segmentation (CHAOS) Challenge 2019 (https://chaos.grand-challenge.org/)、Medical Segmentation Decathlon (MSD) Challenge 2018 (http: //medicaldecathlon.com/)、および LUng 結節解析 (LUNA) 2016 (https://luna16.grand-challenge.org/)。残りの腫瘍関連データ (N = 362) は復丹大学上海癌センター (中国、上海) から入手したもので、各癌センターから許可を得て部分データ (つまり 50 例) がコードとともに公開されています。プライバシーの問題とがんセンターの規制ポリシーのため、完全なデータセットは保護されています。

関連コードは GitHub (https://github.com/simonsf/RTP-Net)64 で入手できます。

Sung, H. et al. 2020 年の世界のがん統計: Globocan は、185 か国の 36 のがんについて、世界中での罹患率と死亡率を推定しています。 CA-Cancer J. Clin. 71、209–249 (2021)。

論文 PubMed Google Scholar

Siegel, RL、Miller, KD、Fuchs, HE & Jemal, A. がん統計、2021 年。CA-Cancer J. Clin. 71、7–33 (2021)。

論文 PubMed Google Scholar

ウェイ、W.ら。中国におけるがん登録とがんの予防と制御におけるがん登録の役割。ランセット・オンコル。 21、e342–e349 (2020)。

論文 PubMed Google Scholar

アトゥン、R.ら。放射線治療への世界的なアクセスを拡大します。ランセット・オンコル。 16、1153–1186 (2015)。

論文 PubMed Google Scholar

Delaney, G.、Jacob, S.、Featherstone, C. & Barton, M. がん治療における放射線療法の役割: 証拠に基づいた臨床ガイドラインのレビューから最適な利用を推定する。 Cancer 104、1129–1137 (2005)。

論文 PubMed Google Scholar

Baskar, R.、Lee, KA、Yeo, R. & Yeoh, KW がんと放射線療法：現在の進歩と将来の方向性。内部。 J.Med. 科学。 9、193–199 (2012)。

記事 PubMed PubMed Central Google Scholar

バーネット、GC et al. 放射線療法に対する正常組織の反応: 遺伝子型ごとに治療線量を調整する方向へ。ナット。 Rev. Cancer 9、134–142 (2009)。

論文 CAS PubMed PubMed Central Google Scholar

Jackson, SP & Bartek, J. 人間の生物学と病気における DNA 損傷反応。 Nature 461、1071–1078 (2009)。

論文 ADS CAS PubMed PubMed Central Google Scholar

De Ruysscher、D. et al. 放射線療法の毒性。ナット。 Rev.Dis. 堅苦しい。 5、13 (2019)。

論文 PubMed Google Scholar

Huynh、E. et al. 放射線腫瘍学における人工知能。ナット。クリン牧師。オンコル。 17、771–781 (2020)。

論文 PubMed Google Scholar

CR デイグ、A. カンワル、RF トンプソン放射線腫瘍学における人工知能。ヘマトール。オンコル。クリン。北午前。 33、1095–1104 (2019)。

論文 PubMed Google Scholar

Cardenas, CE et al. 自動セグメンテーションの進歩。セミン。ラディアット。オンコル。 29、185–197 (2019)。

論文 PubMed Google Scholar

シャープ、G.ら。ビジョン 20/20: 放射線治療のための自動画像セグメンテーションに関する展望。医学。物理学。 41、050902 (2014)。

記事 PubMed PubMed Central Google Scholar

ホスニー、A.ら。放射線医学における人工知能。ナット。 Rev. Cancer 18、500–510 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

Litjens、G. et al. 医療画像解析におけるディープラーニングに関する調査。医学。アナル画像。 42、60–88 (2017)。

論文 PubMed Google Scholar

ミナエ、S. 他深層学習を使用した画像セグメンテーション: 調査。 IEEEトランス。パターンアナル。マッハ。知性。 44、3523–3542 (2022)。

ルストバーグ、T.ら。アトラスと深層学習に基づいた肺がんの自動輪郭の臨床評価。ラジオザー。オンコル。 126、312–317 (2018)。

論文 PubMed Google Scholar

ザベル、WJら。前立腺放射線治療におけるディープラーニングとアトラスベースの膀胱と直腸の自動輪郭作成の臨床評価。練習してください。ラディアット。オンコル。 11、e80–e89 (2021)。

論文 PubMed Google Scholar

Wang, H. et al. ジョイントラベルフュージョンによるマルチアトラスセグメンテーション。 IEEEトランス。パターンアナル。マッハ。知性。 35、611–623 (2013)。

論文 PubMed Google Scholar

イスガム、I.ら。ローカルデシジョンフュージョンを使用したマルチアトラスベースのセグメンテーション - CT スキャンにおける心臓および大動脈セグメンテーションへの適用。 IEEEトランス。医学。イメージング 28、1000–1010 (2009)。

論文 PubMed Google Scholar

Dolz, J.、Desrosiers, C. & Ben Ayed, I. MRI における皮質下セグメンテーションのための 3D 完全畳み込みネットワーク: 大規模研究。ニューロイメージ 170、456–470 (2018)。

論文 PubMed Google Scholar

チェン、L.ら。医療画像セグメンテーション用の DRINet。 IEEEトランス。医学。イメージング 37、2453–2462 (2018)。

論文 PubMed Google Scholar

Hu, H.、Li, Q.、Zhao, Y.、Zhang, Y. 肺腫瘍の画像セグメンテーションのためのハイブリッドアテンションメカニズムを備えた並列深層学習アルゴリズム。 IEEEトランス。インドに知らせる。 17、2880–2889 (2021)。

記事 Google Scholar

オクスズ、I. et al. 高品質のセグメンテーションのための再構築中の心臓 MR 運動アーティファクトの深層学習ベースの検出と補正。 IEEEトランス。医学。イメージング 39、4001–4010 (2020)。

論文 PubMed Google Scholar

Funke, J. et al. コネクトーム再構築のための構造化損失ベースの深層学習による大規模画像セグメンテーション。 IEEEトランス。パターンアナル。マッハ。知性。 41、1669–1680 (2019)。

論文 PubMed Google Scholar

ギブソン、E. et al. 高密度 V ネットワークによる腹部 CT 上の自動多臓器セグメンテーション。 IEEEトランス。医学。画像 37、1822 ～ 1834 年 (2018)。

記事 PubMed PubMed Central Google Scholar

Isensee、F. et al. nnU-Net: 深層学習ベースの生物医学画像セグメンテーションのための自己構成手法。ナット。方法 18、203 ～ 211 (2021)。

論文 CAS PubMed Google Scholar

Haberl、MG et al. CDeep3M は、画像セグメンテーションのためのプラグアンドプレイのクラウドベースの深層学習です。ナット。方法 15、677–680 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

Zhu、W.ら。 AnatomyNet: 頭頸部の解剖学的構造の全容積セグメンテーションを高速かつ完全に自動化するための深層学習。医学。物理学。 46、576–589 (2019)。

論文 PubMed Google Scholar

Dong, X. et al. U-Net-GAN を使用した胸部 CT 画像の自動多臓器セグメンテーション。医学。物理学。 46、2157–2168 (2019)。

論文 PubMed Google Scholar

ハタミザデ、A.ら。 Swin UNETR: MRI 画像における脳腫瘍のセマンティックセグメンテーションのための Swin Transformers。 BrainLes 2021。コンピュータサイエンスの講義ノート 12962 (2021)。

Yu、L.ら。放射線治療における完全なワークフロー自動化の最初の実装: 直腸がんに対するオールインワンソリューション。 arXiv プレプリント arXiv: 2202.12009 (2022)。 https://doi.org/10.48550/arXiv.2202.12009。

ハン、M.ら。画像誘導放射線治療における臓器セグメンテーションのための V-Net の大規模評価。手順スパイ医学。 Imaging 2019: 画像ガイド。前編、ロボット介入、モデリング 109510O、1–7 (2019)。

Google スカラー

Wang, S. et al. 境界に敏感な表現を備えた完全畳み込みネットワークを使用した CT 男性骨盤臓器セグメンテーション。医学。アナル画像。 54、168–178 (2019)。

記事 PubMed PubMed Central Google Scholar

Men, K.、Dai, J. & Li, Y. 深層拡張畳み込みニューラルネットワークを使用した、直腸がんの計画 CT におけるリスクのある臨床ターゲットボリュームと臓器の自動セグメンテーション。医学。物理学。 44、6377–6389 (2017)。

論文 CAS PubMed Google Scholar

Liang, S. et al. 放射線治療計画のための、上咽頭癌のコンピューター断層撮影画像におけるリスクのある臓器の深層学習ベースの検出とセグメンテーション。ユーロ。ラジオル。 29、1961–1967 (2019)。

論文 PubMed Google Scholar

Balagopal、A. et al. 男性の骨盤 CT 画像における完全に自動化された臓器セグメンテーション。物理学。医学。バイオル。 63、245015 (2018)。

論文 PubMed Google Scholar

Ge, Y. & Wu, QJ 強度変調放射線治療のための知識ベースの計画: データ駆動型アプローチのレビュー。医学。物理学。 46、2760–2775 (2019)。

論文 PubMed Google Scholar

ルー、B.ら。放射線治療の線量を個別に設定するための画像ベースの深層学習フレームワーク。ランセットディジット。健康 1、e136–e147 (2019)。

記事 PubMed PubMed Central Google Scholar

マイヤー、P.ら。放射線治療計画の自動化: 臨床現場での使用例と、完全に自動化されたワークフローの将来の傾向。がんラジオザー。 25、617–622 (2021)。

論文 CAS PubMed Google Scholar

ニコロフ、S.ら。放射線治療のための臨床的に適用可能な頭頸部の解剖学的セグメンテーション: 深層学習アルゴリズムの開発と検証研究。 J.Med. インターネット解像度 23、e26151 (2021)。

記事 PubMed PubMed Central Google Scholar

オクテイ、O.ら。頭頸部がんおよび前立腺がんに対する画像誘導放射線治療を強化するためのディープラーニングの評価。自工会ネットワーク。 3、e2027426 (2020) を開きます。

記事 PubMed PubMed Central Google Scholar

ポートマンス、PMP et al. 冬は終わった: 乳がんの放射線療法を個別化するための人工知能の使用。ブレスト 49、194–200 (2020)。

論文 PubMed Google Scholar

ファン、J.ら。深層学習技術により予測された三次元線量分布に基づく自動治療計画。医学。物理学。 46、370–381 (2019)。

論文 PubMed Google Scholar

Xia、Xら。放射線治療のための人工知能ベースのフルプロセスソリューション: 直腸がんに関する概念実証研究。フロント。オンコル。 10、616721 (2021)。

記事 PubMed PubMed Central Google Scholar

クラーク、Ｋ．ら。 Cancer Imaging Archive (TCIA): 公開情報リポジトリの維持および運営。 J. ディジット。イメージング 26、1045–1057 (2013)。

記事 PubMed PubMed Central Google Scholar

Raudaschl、PF et al. 頭頸部 CT におけるセグメンテーション法の評価: Auto-Segmentation Challenge 2015。Med。物理学。 44、2020–2036 (2017)。

論文 PubMed Google Scholar

Ang, KK et al. ステージIIIからIVの頭頸部癌に対するセツキシマブの有無にかかわらず同時加速放射線とシスプラチンのランダム化第III相試験：RTOG 0522。J. Clin。オンコル。 32、2940–2950 (2014)。

論文 CAS PubMed PubMed Central Google Scholar

Lambert, Z.、Petitjean, C.、Dubray, B. & Kuan, S. SegTHOR: CT 画像におけるリスクのある胸部臓器のセグメント化。 2020 第 10 回画像処理理論、ツール、アプリケーションに関する国際会議 (IPTA)、1 ～ 6 (2020)。

カヴール、A.E. et al. CHAOS チャレンジ - 結合 (CT-MR) 健康な腹部臓器セグメンテーション。医学。アナル画像。 69、101950 (2021)。

論文 PubMed Google Scholar

アントネッリ、M. et al. 医療セグメンテーション十種競技。ナット。共通。 13、4128 (2022)。

Armato, SG et al. 肺画像データベースコンソーシアム (LIDC) および画像データベースリソースイニシアチブ (IDRI): CT スキャン上の肺結節の完成した参照データベース。医学。物理学。 38、915–931 (2011)。

記事 PubMed PubMed Central Google Scholar

ブラウワー、CLら。頭頸部領域でリスクのある臓器の CT ベースの描写: DAHANCA、EORTC、GORTEC、HKNPCSG、NCIC CTG、NCRI、NRG Oncology、および TROG コンセンサスガイドライン。ラジオザー。オンコル。 117、83–90 (2015)。

論文 PubMed Google Scholar

Lee, TC & Mukundan, S. Netter の Correlative Imaging: Neuroanatomy、第 1 版。サンダース (2014)。 ISBN: 9781455726653。

サン、Ｙら。強度変調放射線療法を受けている上咽頭癌患者における輪郭形成方法とリスクのある臓器のアトラスに関する推奨事項。ラジオザー。オンコル。 110、390–397 (2014)。

論文 PubMed Google Scholar

コング、FM 他胸部放射線治療のリスクがある臓器の線量限界の考慮: 肺、気管支樹近位、食道、脊髄、肋骨、腕神経叢のアトラス。内部。Ｊ．ラディアット。オンコル。バイオル。物理学。 81、1442–1457 (2011)。

論文 PubMed Google Scholar

Gotway、MB Netter の相関画像処理: 心胸部の解剖学。エルゼビア (2013)。 ISBN: 9781437704402。

Gentile、MS et al. 乳がんにおける放射線療法の実施のための腋窩リンパ節の輪郭形成ガイドライン: RTOG 乳がんアトラスの評価。内部。Ｊ．ラディアット。オンコル。バイオル。物理学。 93、257–265 (2015)。

論文 PubMed Google Scholar

ブラッドリー、J.ら。非小細胞肺がん (NSCLC) の線量計画における PET/CT 融合の有無による腫瘍の総体積定義の第 II 相比較研究: 放射線療法腫瘍グループ (RTOG) 0515 の一次解析。Ｊ．ラディアット。オンコル。バイオル。物理学。 82、435–441.e431 (2012)。

論文 PubMed Google Scholar

ゲイ、HA 他放射線療法のための骨盤正常組織輪郭ガイドライン: 放射線療法腫瘍グループのコンセンサスパネルアトラス。内部。Ｊ．ラディアット。オンコル。バイオル。物理学。 83、e353–e362 (2012)。

記事 PubMed PubMed Central Google Scholar

ネッター、FH 人体解剖学アトラス、第 6 版。サンダース (2014)。 ISBN: 9780323390101。

マイヤーソン、RJ et al. 肛門直腸癌における原体療法の選択的臨床目標量: 放射線療法腫瘍学グループのコンセンサスパネルによる輪郭アトラス。内部。Ｊ．ラディアット。オンコル。バイオル。物理学。 74、824–830 (2009)。

論文 PubMed Google Scholar

Ng、M.ら。 Australasian Gastrointestinal Trials Group (AGITG) は、肛門がんにおける強度変調放射線療法の輪郭アトラスと計画ガイドラインを作成しています。内部。Ｊ．ラディアット。オンコル。バイオル。物理学。 83、1455–1462 (2012)。

論文 PubMed Google Scholar

Shi、F.ら。 RTP-Net: v1.0 公開。 Github (2022)。 https://doi.org/10.5281/zenodo.7193687。

リファレンスをダウンロードする

この研究は次の資金によって支援されています: 中国国家自然科学財団 62131015 (Dinggang Shen 宛) および 81830056 (Feng Shi 宛)。中国広東省の主要研究開発プログラム 2021B0101420006 (Xiaohuan Cao、Dinggang Shen 宛); 上海市科学技術委員会 (STCSM) 21010502600 (Dinggang Shen 宛)。

Feng Shi、Weigang Hu、Jiaojiao Wu などの著者も同様に貢献しました。

上海ユナイテッドイメージングインテリジェンス有限公司、研究開発部（中国、上海）

Feng Shi、Jiaojiao Wu、Miaofei Han、Qing Zhou、Ying Wei、Ying Shao、Yanbo Chen、Yue Yu、Xiaohuan Cao、Yiqiang Zhan、Xiang Sean Zhou、Yaozong Gao、Dinggang Shen

復旦大学上海癌センター放射線腫瘍科（中国、上海）

胡偉剛＆王嘉州

中国、上海、復旦大学、上海医科大学腫瘍科

胡偉剛＆王嘉州

放射線治療事業部、Shanghai United Imaging Healthcare Co., Ltd.、上海、中国

ウェイ・チャン & ジンジエ・チョウ

上海理工大学生体医工学部（中国、上海）

シェン・ディンガン

上海臨床研究試験センター（中国、上海）

シェン・ディンガン

PubMed Google Scholar でこの著者を検索することもできます

研究の構想と設計: DS、YG、FS。データ収集と分析: MH、QZ、YW、YS、YC、YY。結果の解釈: WH、J.Wu、J.Wang、WZ、JZ、XC、YZ、および XSZ。原稿の準備: J.Wu、FS、QZ、DS すべての著者が結果をレビューし、原稿の最終版を承認しました。 F. Shi、W. Hu、J. Wu も同様にこの作業に貢献しました。

Yaozong Gao または Dingang Shen への対応。

FS、JW、MH、QZ、YW、YS、YC、YY、XC、YZ、XSZ、YG、DS は、Shanghai United Imaging Intelligence Co., Ltd. の従業員です。 WZ と JZ は、Shanghai United Imaging Healthcare Co., Ltd. の従業員です。これらの企業は、監視の設計と実行、およびデータの分析と解釈には関与していません。他のすべての著者は、この記事に関連する利益相反を報告していません。

Nature Communications は、この研究の査読に貢献してくれた Esther Troost と他の匿名の査読者に感謝します。査読者レポートが利用可能です。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Shi、F.、Hu、W.、Wu、J. 他。深層学習により、加速放射線治療のリスクにさらされている全身臓器のボリューム描写が可能になりました。 Nat Commun 13、6566 (2022)。 https://doi.org/10.1038/s41467-022-34257-x

引用をダウンロード

受信日: 2022 年 4 月 21 日

受理日: 2022 年 10 月 19 日

公開日: 2022 年 11 月 2 日

DOI: https://doi.org/10.1038/s41467-022-34257-x

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

Nature Reviews Methods Primers (2023)

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

前: 安らかにシリコンバレー銀行：カリフォルニア州規制当局によって閉鎖、FDICに乗っ取られる、株主は救済され、預金者は月曜日までに現金を受け取るよう保証される次: 新年に向けて家を上から下まで（正しく）掃除する方法は次のとおりです

お問い合わせを送信

送信