유방암 환자 방사선 치료의 정상 장기 및 치료 체적의 자동 구획화

Abstract

목적: 유방암 방사선 치료에서 치료 체적에 대한 정확한 타겟 그리기는 중요하다. 하지만 방사선 치료 계획 과정에 타겟 그리기는 의료진의 부담을 주고 있으며, 의료진 간의 편차는 존재하고 있다. 본 연구에서는 Deep learning-based auto-segmentation (DLBAS)의 성능을 atlas-based segmentation solutions (ABAS)와 비교하고, 임상 의사의 관점에서 유용성을 평가하고, 최종적으로 외부 타당도 조사를 통하여 유방암 방사선 치료에서 자동 구획화의 가능성을 규명하고자 한다. 대상 및 방법: 유방암 방사선 치료 체적과 정상장기들에 대하여 한 명의 연구진에 의하여 구획화 정보를 생성하였다. Convolutional neural network 알고리즘을 이용하여 auto-contours를 생성하였고, Dice similarity coefficient (DSC) and 95% Hausdorff distance (HD)를 이용하여 ABAS와 비교하였다. DLBAS에 의해 생성된 auto-contours의 질적인 평가를 조사하였고, manual contours와 방사선 치료 선량-체적 히스토그램을 비교하여 주요 선량평가분석을 시행하였다. 마지막으로 2개 기관의 11명의 전문가에게 manual contour를 그릴 것을 요청하여 데이터를 수집하였다. 외부 위원회를 통해 가장 최적의 치료 체적을 선정하였고, 나머지 10명의 contour와 DLBAS에 의해 생성된 auto-contour의 성능을 비교하여 순위 평가를 시행하였다. 결과: 제안된 DLBAS 모델은 대부분의 체적 (특히, 치료 체적과 심장 세부구조)에서 ABAS보다 더 일관된 결과와 높은 DSC와 낮은 HD 결과 값을 보였다. ABAS는 연조직의 정상장기와 조영제를 쓰지 않은 새로운 데이터 셋에서 DLBAS에 비해, 제한적인 성능을 보였다. 질적 평가를 위한 설문조사가 시행되었고, 중위수 8점으로 manual contour와 auto-contour 사이의 차이가 크지 않다고 대답하였으며, 임상에서 도움이 될 것으로 답변하였다. 또한 선량평가 분석 결과에서 차이는 미미하였다. 외부 검증 결과, 9개의 정상장기를 그리는데 평균 37분이 걸렸고, DLBAS는 6분이 걸렸다. Auto-contour는 전체 12개 중 1위 manual contour와 비교하였을 때 가장 DSC상 차이가 적었으며, HSD상 2번째로 차이가 적었다. 정상장기에서 가장 편차가 높았던 부위는 유방이었다. 결론: 유방 방사선 치료 계획에서 DLBAS의 실현가능성은 이번 연구에서 다각도로 검증되었다. 의료진의 최종 수정 과정은 필수적이지만, 앞으로 DLBAS는 방사선 치료를 도울 수 있는 훌륭한 가능성을 보여주었다.