深層学習で画質改善したCBCT画像を用いた積算投与線量分布構築システムの開発

2021 Fiscal Year Research-status Report

• Project/Area Number: 21K07639
• Research Institution: The University of Tokyo
• Principal Investigator: 竹中 重治 東京大学, 医学部附属病院, 診療放射線技師 (10623564)
• Co-Investigator(Kenkyū-buntansha): 山下 英臣 東京大学, 医学部附属病院, 准教授 (70447407) ; 今江 禄一 東京大学, 医学部附属病院, 副診療放射線技師長 (80420222)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Keywords: 深層学習 / 画質改善 / 放射線治療 / CBCT画像

Outline of Annual Research Achievements

放射線治療において，高精度な照射法である体幹部定位放射線治療(stereotactic body radiation therapy：SBRT)や強度変調放射線治療(intensity modulated radiotherapy：IMRT)が臨床応用されるにあたり，治療時の位置精度の担保が重要となった．治療時の位置合わせとして，放射線治療装置に付属されているCBCT(cone beam computed tomography)を利用する方法が主流となっている．一方，放射線治療において，実際に患者に投与された線量分布を求めることは正確な治療効果や副作用の予測という観点で重要である．治療直前や治療中に撮像するCBCT画像は標的や標的近傍の正常組織の位置を反映してはいるものの，放射線治療の計画用に撮像されるCT画像と比べ画質が悪く，線量計算に用いることができない．
本研究では，深層学習によって画質改善したCBCT画像を用いて，治療期間内に患者に投与された積算線量分布を構築するシステムを開発することを目的とする．研究期間内には，①深層学習を活用して撮像されたCBCT画像を画質改善し，生成された画像の定量評価や視覚評価を行う．深層学習の手法として敵対的生成ネットワーク(generative adversarial network：GAN)を採用する．②生成された画像に対して線量計算し投与線量分布を求める．③DIR(deformable image registration)を用いて各治療日の投与線量分布を治療計画用CT画像に合わせ込み，積算させる．④構築した線量分布から，標的や正常組織への投与線量を治療計画と比較し評価する．当該年度では前立腺癌を対象として，治療直前のCBCT画像を取得し，深層学習によって画質改善した．生成された画像に対して定量評価と視覚評価をおこなった．

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

本研究では，深層学習によって画質改善したCBCT画像を用いて，治療期間内に患者に投与された積算投与線量分布を構築するシステムを開発することを目的とする．本年度は前立腺癌を対象として，治療直前に取得した位置合わせ用CBCT画像を深層学習により画質改善した．深層学習の手法としてGANを採用した．生成された画像に対して視覚評価と定量評価をおこなった．また，画質改善したCBCT画像から線量分布を求めるには，CT値が正しく与えられているかが重要であるため，治療計画用CT画像のCT値と比較を行った．

Strategy for Future Research Activity

今後は，治療期間内に患者に投与された積算投与線量分布の構築に向けて，以下の項目について研究を実施する．①深層学習により画質改善したCBCT画像に対して線量計算を実施する．得られた線量分布について治療計画時の線量分布と比較する．もし問題がある場合には改善点を模索する．②各治療日ごとに計算した線量分布をDIRを用いて積算する．DIRによる変形について誤差が含まれている可能性があるため，精度評価を行い，誤差が大きい場合には原因の追求と解決を行う．

Causes of Carryover

本年度は国際学会への発表を見送ったために次年度使用額が生じた。次年度に必要な物品の購入や学会発表の旅費、論文投稿の費用等に活用する予定である。