Portal imaging-based dosimetry by convolutional neural network learning for patient-specific quality assurance in external radiation therapy.
Dosimétrie basée sur l’imagerie portale par apprentissage de réseaux de neurones convolutifs pour l’assurance qualité spécifique au patient en radiothérapie externe.
Résumé
In external radiation therapy, the patient treatment workflow is a complex process involving many steps, actors and decision making. Quality Assurance (QA) procedures such as pretreatment verification and In Vivo Dosimetry (IVD) allow to verify the deliverable dose from the linear accelerator and the dose delivered during the treatment course to ensure the quality and safety of the patient care. For these two procedures, the Electronic Portal Image Device (EPID) can be an ideal dosimeter. However, its use for dosimetry purposes in the presence (transit) or absence of an attenuator (non-transit) between the radiation source and the imager requires conversion of the acquired portal images into absolute dose.Traditional dose computation algorithms used in external radiotherapy can be either fast but incorporating simplifying assumptions, or penalizing by their execution time when high accuracy is required. This is particularly true for QA procedures when their application takes place before, during and after each treatment fraction for all patients.The growing of data collection and sharing, as well as the increase in computing power, have greatly facilitated the development of machine learning and Deep Learning (DL) algorithms, including Convolutional Neural Network (CNN) models. These techniques are considered as efficient tools for a wide range of applications in external radiotherapy, such as QA processes virtualization and improvement of accuracy and speed of dose computation.In this work, two CNNs were developed for EPID-based non-transit dosimetry. The first model was trained to convert acquired gray-scale portal images into absolute dose distributions. The second model was trained to predict absolute dose distributions from treatment planning data. For both computational engines, a specific architecture based on the U-net model coupled with a non-trainable neural layer called True Dose Modulation (TDM) and a two-step training method were developed. The calculated dose distributions show a very good agreement with those of current analytical models. GAI scores higher than 97.40% and 98.09% (criteria of 2% / 2 mm > 10% Dmax of the ϒ-index) were obtained by the conversion CNN and the prediction CNN for all clinical control beams, respectively.This work also aimed to propose a formalism and a methodology for applying CNNs to IVD. A reference system based on a commercially available solution was developed with the purpose of producing the data needed to develop DL models applied to transit dosimetry. A first CNN was developed to predict the scattered dose from the attenuator in transit conditions. The results obtained show a good reconstruction of the relative contribution of the scattered dose. An average GAI of 90.66% was obtained with the clinical control beams.To conclude, this work shows that DL models could be a promising alternative algorithmic approach for EPID-based dosimetry applications.
En radiothérapie externe, le flux de la mise en traitement des patients est un processus complexe qui implique de nombreux procédés, acteurs et prises de décisions. Les procédures d’Assurance Qualité (AQ) telles que le contrôle de dose par tir à blanc (vérification prétraitement) et la Dosimétrie In Vivo (DIV) permettent respectivement de contrôler la dose délivrable par l’unité de traitement et la dose délivrée au cours du traitement afin d’assurer la qualité et la sécurité des soins administrés au patient. Pour ces deux procédures, l’imageur portal (Electronic Portal Image Device EPID) peut constituer un dosimètre efficace. Cependant, son utilisation à des fins de dosimétrie en présence (transit) ou en l’absence d’un atténuateur (non-transit) entre la source de rayonnement et l’imageur nécessite de convertir les images portales acquises en dose absolue.Les algorithmes traditionnels de calcul de dose employés en radiothérapie externe peuvent se montrer, soit rapides mais incorporant des hypothèses simplificatrices, soit pénalisants par leur temps d’exécution quand une grande précision est recherchée. Ceci est en particulier avéré pour les procédures d’AQ lorsqu’il s’agit d’envisager leur application en amont, durant et a posteriori de chaque séance de traitement, et ceci pour tous les patients.L’accroissement des besoins de collecte et de partage de données ainsi que l’augmentation de la puissance de calcul des ordinateurs ont grandement facilité le développement d’algorithmes d’apprentissage automatique et d’apprentissage profond (Deep Learning DL) parmi lesquels figurent les modèles de réseaux de neurones convolutifs (Convolutional Neural Network CNN). Ces techniques sont aujourd’hui considérées comme des outils efficaces pour un large éventail d'applications en radiothérapie externe notamment la virtualisation des procédés d’AQ et l’amélioration de la précision conjointement à l’augmentation de la vitesse du calcul de dose.Au cours de ce travail, deux CNN ont été développés à des fins de dosimétrie de non-transit basée sur l’EPID. Le premier modèle a été entraîné à convertir des images portales acquises en échelle de gris en distributions de dose absolue. Le second modèle a été entraîné à prédire des distributions de dose absolue à partir des données de la planification de traitement. Pour les deux moteurs de calcul, une architecture spécifique basée sur le modèle du U-net couplé à une couche neuronale non-entraînable appelée True Dose Modulation (TDM) et une méthode d’entraînement en deux étapes ont été développés. Les distributions de dose calculées montrent une très bonne corrélation avec les modèles analytiques actuels. Des scores du GAI supérieurs à 97,40 % et 98,09 % (critères de 2 % / 2 mm > 10% Dmax du γ-index) ont été respectivement obtenus par le CNN de conversion et celui de prédiction pour l’ensemble des faisceaux cliniques de contrôle. Ces travaux ont également eu pour objectif de proposer un formalisme et une méthodologie d’application des CNN pour la DIV. Un système de référence basé sur une solution commercialement disponible a été développé dans le but de produire les données. Un premier CNN de prédiction de la dose diffusée issue de l’atténuateur en conditions de transit a été développé. Les résultats obtenus montrent une bonne reconstruction de la contribution relative de la dose diffusée. Un GAI moyen de 90,66 % a été obtenu avec les faisceaux cliniques de contrôle.Pour conclure, ces travaux montrent que les modèles de DL pourraient constituer une approche algorithmique alternative prometteuse pour des applications de dosimétrie basée sur l’EPID.
| Origine | Version validée par le jury (STAR) |
|---|