Automatisk segmentering av hode- og halskreft i PET/CT-bilder ved bruk av konvolusjonsnettverk

Abstract

Nøyaktig inntegning av kreftsvulster blir ansett som det svakeste leddet i planleggingen av strålebehandling, både fordi det er en tidskrevende oppgave, men også grunnet inter- og intravariabilitet. En nøyaktig inntegning er viktig for å sikre høy nok stråledose til kreftsvulsten og affiserte lymfeknuter samt å forhindre skade på omkringliggende vev og risikoorganer. Dette er spesielt viktig hos pasienter med hode- og halskreft, da dette er områder med kompleks anatomi. Formålet med denne masteroppgaven er å undersøke et konvolusjonsnettverk for bruk til automatisk inntegning av kreftsvulster og affiserte lymfeknuter i PET/CT-bilder av pasienter med hode- og halskreft. Bruken av en automatisk inntegningsmodell vil potensielt gjøre inntegningene mindre tidkrevende samt gi mer konsekvente og nøyaktige inntegninger.

Datasettet som ble brukt bestod av PET- og CT-bilder fra 197 pasienter med hode- og halskreft som mottok behandling ved Oslo universitetssykehus med behandlingsstart mellom 2007 og 2013. Unionen av manuelle inntegninger fra tre erfarne radiologer, ble brukt som sanne inntegninger til trening og evaluering av konvolusjonsnettverket. Datasettet ble delt i et trenings-, validerings- og testsett, stratifisert etter tumorstadium.

Den automatiske inntegningen av kreftsvulster og affiserte lymfeknuter i PET/CT-bildene ble gjort ved å bruke et konvolusjonsnettverk med en 2D VoxResNet-arkitektur. Rammeverket deoxys ble brukt for å kjøre 36 eksperimenter med forskjellige parameternivå til parameterne læringsrate, antall filtre, dropoutrate og batchnormalisering. Ytelsen ble vurdert etter grad av overlapp mellom sann inntegning og predikert inntegning, med ytelsesmålet Dice-score. Resultatene fra eksperimentene ble brukt i statistiske tester for å vurdere om valget av parameternivå ga en signifikant forskjell i modellytelsen og for å bestemme hvilken kombinasjon av parameternivå som ga den mest nøyaktige inntegningen og dermed den beste modellen. Deretter ble datasettet utvidet med bildeaugmentering for å undersøke hvordan dette påvirket ytelsen til denne beste modellen. Både modellen uten og med bildeaugmentering ble vurdert med testsettet. For å til slutt undersøke hvordan modellen presterte på helt usett og ukjent data fra et annet sykehus, ble også modellene vurdert med et eksternt testsett fra Maastro Clinic, Nederland.

De statistiske testene viste at det var en signifikant forskjell mellom valg av parameternivå for de ulike parameterne. Nivåene av parametere som ga høyest gjennomsnittlig Dice-score var 48 filtre, 10-4 i læringsrate, null i dropoutrate og å inkludere batchnormalisering i modellen. Denne beste modellen fikk en gjennomsnittlig Dice-score per pasient på 0,714 på testsettet. Etter bruken av bildeaugmentering presterte modellen bedre, med en gjennomsnittlig Dice-score per pasient på 0,731 vurdert på testsettet. For Maastro-testsettet oppnådde modellen uten bildeaugmentering en gjennomsnittlig Dice-score per pasient på 0,629 og modellen med bildeaugmentering fikk en gjennomsnittlig Dice-score per pasient på 0,635. For å undersøke hvor modellen feilet, ble bilder med sanne og predikerte inntegninger sammenliknet. Modellen ser ut til å ha vanskeligheter med å tegne inn små tumorstørrelser og å foreta inntegninger på bilder som er atypiske fra resten av bildene.

Bruken av konvolusjonsnettverket 2D VoxResNet til automatisk inntegning av kreftsvulster og affiserte lymfeknuter i PET/CT-bilder hos pasienter med hode- og halskreft har vist lovende resultater og har et stort potensial. Til tross for dette, presterer modellen dårlig i enkelte tilfeller, noe som indikerer at modellen bør forbedres før den kan brukes klinisk. En videre utvikling av modellen innebærer videre undersøkelser av parameternivå, undersøkelse av interaksjon mellom parameternivåene og utprøving av flere bildeaugmenteringsteknikker.

Precise delineation of tumors is considered the weakest link in radiotherapy treatment planning because it is a time-consuming task, that can be affected by inter- and intraobserver variability. Precise delineation is crucial to prevent irradiation and damage to surrounding tissue and organs at risk. This is especially important in the head and neck region, as these are areas with complex anatomy. The purpose of this thesis was to explore a convolutional neural network (CNN) for automatic delineation of tumors and affected lymph nodes in PET/CTimages of patients with head and neck cancer. The use of an automatic delineation model may potentially save time, providing more consistent and accurate delineations.