Deep learning image segmentation and automatic treatment planning in breast cancer radiotherapy

Abstract

Bakgrunn og formål: Behandlingsplanlegging og tilhørende segmentering av risikoorgan og målvolum for stråleterapi blir i dag mer eller mindre gjort manuelt. Prosessene er derfor tidkrevende og utsatt for variasjon mellom observatørene. Bruken av modeller basert på dyp læring (DL) til segmentering har potensialet til å både spare tid og føre til en mer standardisert prosess. En modell trent opp på lokal pasientdata og en ferdig trent modell fra Siemens Healthineers har blitt evaluert til bruk på St. Olavs Hospital. I tillegg har et protokoll-basert skript for automatisk optimalisering av behandlingsplan blitt evaluert.

Materiale og metode: Den lokale modellen ble trent opp av RaySearch Laboratories AB (Stockholm, Sverige) på CT bilder av 168 pasienter som ble behandlet for venstresidig brystkreft med stråleterapi. Begge modellene ble testet på 15 pasienter og sammenlignet med manuelle inntegninger med geometriske og dosimetriske parametere. Klinisk evaluering ble også gjort for Siemens modellen. Skriptet for automatisk planlegging ble evaluert dosimetrisk ved å sammenligne automatiske VMAT-planer med kliniske hybridplaner og kliniske VMAT-planer.

Resultater: Hjertet, venstre lunge, høyre lunge, spinal kanalen, øsofagus, sternum, høyre bryst og venstre bryst (primært målvolum) ble evaluert for begge segmenteringsmodellene. I tillegg ble regionale lymfeknuteområder (nodalt målvolum) evaluert for den lokale modellen. Den lokale modellen var betydelig bedre enn Siemens modellen, basert på den geometriske evaluering. De dosimetriske forskjellene var statistisk signifikante for 9 av 12 hovedparametere for Siemens modellen, og for fire av de samme parameterne for den lokale modellen. Større dosimetriske forskjeller ble funnet for lymfeknuteområdene. Klinisk scoring for fem strukturer segmentert av Siemens modellen ga lovende resultater til bruk for brystbestråling. Evalueringen av automatisk planoptimalisering indikerer at dekning til målvolumene og behandlingskvaliteten er bevart ved automatisk planlegging. Dosene til risikoorganene var generelt redusert for de automatiske planene og sammenlignet med hybridplanene var det større reduksjoner for hjertet og venstre lunge.

Konklusjon: Evalueringen av DL modellene indikerer at kvaliteten på begge modellene er tilstrekkelig ved segmentering av risikoorganer for brystbestråling. Det vil imidlertid være nødvendig å gjøre manuelle justeringer i noen tilfeller, spesielt ved bruk av Siemens modellen. Den lokale modellen er foretrukken for segmentering av målvolum og modellen vil trolig være tilstrekkelig til klinisk bruk når noen justeringer har blitt gjort ved lymfeknuteområdene. Den endelige modellen blir nå trent opp. Skriptet for automatisk planoptimalisering har blitt validert og blir nå implementert i klinikken.

Background and purpose: For radiotherapy, organ at risk (OAR) and target volume segmentation and the following treatment planning are today, more or less, done manually and therefore very time-consuming and prone to inter-observer variability. The use of deep learning (DL) models for automatic segmentation has the potential to both save time and lead to a more standardized process. The performance of a DL segmentation model trained on local patient data and a pre-trained DL segmentation model available from Siemens Healthineers has been evaluated for use at St. Olavs hospital. Additionally, a protocol-based script for automatic plan optimization was evaluated.

Materials and methods: The local model was trained by RaySearch Laboratories AB (Stockholm, Sweden) on CT images of 168 left-sided breast cancer patients treated with radiotherapy. Geometric and dosimetric evaluations were done for 15 patients where manual delineations were used as ground truth. Additionally, clinical evaluations were done for the pre-trained Siemens model. The protocol-based script for automatic plan optimization was evaluated dosimetrically by comparing automatic VMAT plans to clinical hybrid and clinical VMAT plans for 16 patients in total.

Results: The heart, left lung, right lung, spinal canal, esophagus, sternum, right breast, and left breast (primary target volume) were evaluated for both segmentation models. Additionally, locoregional lymph node areas (nodal target volume) were evaluated for the local model. The local model was significantly better than the Siemens model based on the geometric evaluation. The dosimetric differences were statistically significant for 9 of the 12 main metrics for the Siemens model and for 4 of the same metrics for the local model. Larger dosimetric differences were found for the lymph node areas. Clinical scoring of five structures segmented by the Siemens model was promising for breast radiotherapy. The evaluation of the automatic plan optimization indicates that the target volume coverage and treatment quality are preserved when using automatic planning. OAR doses were generally reduced with the automatic plans. Compared to the hybrid plans, large dose reductions were found for the heart and left lung.

Conclusion: The evaluation of the DL models indicates that the quality of both models is adequate to segment OARs for breast radiotherapy. However, in some cases, manual adjustments might be required, especially when using the Siemens model. The local model is preferable for target volumes and will likely be good enough for clinical use when some adjustments have been done to the lymph node areas. The final version is now being trained. The script for automatic plan optimization has been validated and is now being implemented in the clinic.