静磁場フルエンス予測（AIP-SFFP）による自動IMRT計画：リアルタイム前立腺治療計画のための深層学習アルゴリズム

Automatic IMRT planning via static field fluence prediction (AIP-SFFP): a deep learning algorithm for real-time prostate treatment planning.

• Xinyi Li
• Jiahan Zhang
• Yang Sheng
• Yushi Chang
• Fang-Fang Yin
• Yaorong Ge
• Q Jackie Wu
• Chunhao Wang

抄録

目的:

ディープラーニング(DL)ベースのアルゴリズムであるAutomatic IMRT Planning via Static Field Fluence Prediction (AIP-SFFP)を開発し、リアルタイムで効率的な前立腺IMRT計画を自動化することを目的とした。

PURPOSE: To develop a Deep Learning (DL) based algorithm, Automatic IMRT Planning via Static Field Fluence Prediction (AIP-SFFP), for automated prostate IMRT planning with real-time planning efficiency.

方法:

AIP-SFFPは、患者の解剖学的構造を使用してフルエンスマップを予測し、前立腺IMRT計画を生成します。逆計画は必要ありません。AIP-SFFPは、フルエンスマップ予測のためのカスタムビルドのディープラーニングニューロネットワークを一元化します。予測値は市販の治療計画システムにインポートされ、線量計算と計画の作成が可能です。AIP-SFFPは、前立腺IMRT同時統合ブースト（SIB）計画（58.8Gy/70GyからPTV/PTVin 25 fxまで）のために実証された。トレーニングデータは、知識ベースのプランニング（KBP）プランジェネレータを用いて106人の患者から生成された。構造物の大きさと位置を表現するために2種類の2次元投影像を設計し、ターゲットとリスクのある臓器を表現するために合計8つの投影像を使用した。AI学習の入力としては、9つのテンプレートビーム角度の投影画像を積み重ねた。14人の患者を独立したテストとして使用した。生成されたテストプランは、KBPトレーニングプラン生成ツールとクリニック実習のプランと比較された。

METHODS: AIP-SFFP generates a prostate IMRT plan through predictions of fluence maps using the patient anatomy. No inverse planning is required. AIP-SFFP centralizes a custom-build deep learning neuro network for fluence map prediction. Predictions are imported to a commercial treatment planning system for dose calculation and plan generation. AIP-SFFP was demonstrated for prostate IMRT simultaneously-integrated-boost (SIB) planning (58.8Gy/70Gy to PTV/PTVin 25 fx). Training data was generated from 106 patients using a knowledge-based planning (KBP) plan generator. Two types of 2D projection images were designed to represent structures' sizes and locations, and a total of 8 projections were utilized to describe targets and organs-at-risk. Projections at 9 template beam angles were stacked as inputs for AI training. 14 patients were used as independent tests. The generated test plans were compared with the plans from the KBP training plan generator and clinic practice.

結果:

正規化（PTVV70Gy=95%）後、14のAI計画はすべて施設基準を満たしていた。PTVin AIプランのカバレッジは、統計的有意性なしにKBPおよびClinicプランに匹敵した。AIプランのBODY DANDと直腸DはKBPとClinicプランと比較してわずかに高く（1Gy未満）、対照的にAIプランの膀胱Dandとその他の直腸と膀胱の低線量は臨床的な関連性なしにわずかに改善された。AI計画における全体的な等線量分布は、KBP計画および臨床計画と同程度であった。AIP-SFFPは、予測と線量計算を含む各検査計画を20秒以内に生成した。

RESULTS: After normalization (PTVV70Gy=95%), all 14 AI plans met institutional criteria. The coverage of PTVin AI plans was comparable to KBP and Clinic plans without statistical significance. BODY Dand rectum Dof AI plans were slightly higher (<1Gy) compared to KBP and Clinic plans; in contrast, bladder Dand other rectum and bladder low dose in AI plans were slightly improved without clinical relevance. The overall isodose distribution in AI plans was comparable with KBP plans and clinical plans. AIP-SFFP generated each test plan within 20 seconds including prediction and dose calculation.

結論:

AIP-SFFPは前立腺IMRT計画のための開発に成功した。AIP-SFFPは、全体的に良好な計画品質とリアルタイムの効率性を示した。今後、AIP-SFFPの臨床応用に向けた研究が進められます。

CONCLUSIONS: AIP-SFFP was successfully developed for prostate IMRT planning. AIP-SFFP demonstrated good overall plan qualities and real-time efficiency. Holding great promises, AIP-SFFP will be investigated for immediate clinical application.

© 2020 Institute of Physics and Engineering in Medicine.