Évaluation de la performance de modèles d’apprentissage profond pour la conversion bimodale IRM-CT de la région pelvienne

Abstract

L'utilisation de l'IRM et du CT en radiothérapie externe nécessite la fusion entre les deux modalités entraînant des erreurs systématiques. En curiethérapie HDR, la possibilité d'obtenir un CT synthétique à partir de l'IRM pré-traitement pourrait permettre de prendre en compte les hétérogénéités du patient lors du calcul de dose. Un besoin commun est alors de convertir un IRM en un CT synthétique. Les modèles d'apprentissage profond incluant le U-Net, le ResNet, le pix2pix et le cycleGAN ont été développés afin de générer un CT synthétique de la région pelvienne dans le cas du cancer de la prostate. Une base de données publique qui comprend des IRM à contraste T1 ainsi que des CT alignés a été divisée en deux ensembles pour l'entraînement et l'évaluation des modèles. L'IRM a été normalisée de sorte à uniformiser les signaux des mêmes tissus entre les patients. Le CT a été normalisé par la plage [-1000, 1500] HU afin de conserver l'aspect quantitatif. La performance des modèles entraînés s'est faite principalement à l'aide de la SSIM, de l'erreur moyenne absolue (MAE) et du coefficient de Dice pour les os (DSC). Parmi les modèles entraînés sur des images de 128 pixels, le U-Net 128 est le plus performant avec un SSIM de 0.822 ± 0.055, un MAE de 45.3 ± 15.9 HU ainsi qu'un DSC de 0.780 ± 0.080. Pour les images de 256 x 256 pixels, le U-Net 256 est celui qui performe le mieux avec un SSIM de 0.839 ± 0.039, un MAE de 47.0 ± 15.6 HU et un DSC de 0.779 ± 0.082. Il est également le modèle recommandé. Il a été noté que l'alignement entre l'IRM et le CT synthétique est meilleur qu'avec le CT réel. Le modèle est restreint à la région près de la prostate en dehors duquel la performance diminue significativement. Une autre limitation inclut la normalisation de l'IRM qui est trop sensible au champ de biais. La performance du modèle s'est considérablement détériorée avec l'utilisation de données d'un autre centre. La suite du projet est de revoir la normalisation de l'IRM, d'ajouter une troisième dimension comme intrant au modèle et de modifier la méthode d'inférence. Une analyse dosimétrique est cruciale pour mesurer la faisabilité clinique du modèle. Somme toute, un modèle permettant de générer un CT synthétique en quelques secondes avec une bonne fidélité à l'IRM a été produit. MRI and CT in external beam radiotherapy need to be registered for volume delineation, which creates systematic registration errors. In HDR brachytherapy, MRI is used for target delineation and dose calculation does not take patient heterogeneities into account. In both cases, there is a need to translate MRI to CT. Deep learning networks including U-Net, ResNet, pix2pix and cycleGAN have been trained on paired T1w MRI and CT data in the pelvic region for prostate cancer. This public dataset was divided in two for the training and the evaluation of the performance of the models. MRI was normalized to ensure signal uniformity between patients. CT was normalized in the range [-1000, 1500] HU to keep its quantitative nature. Model performance was mainly assessed using SSIM, mean absolute error (MAE) and Dice similarity coefficient (DSC) for bones. On 128 x 128 images, U-Net 128 performed the best with a SSIM of 0.822 ± 0.055, a MAE of 45.3 ± 15.9 HU and a DSC of 0.780 ± 0.080. On 256 ± 256 images, U-Net 256 performed the best with a SSIM of 0.839 ± 0.039, a MAE of 47.0 ± 15.6 HU and a DSC of 0.779 ± 0.082 and is hence the recommended model. Structural alignment between MRI and synthetic CT has been proved more reliable than with the real CT. Performance of models quickly decreases for slices far from the prostate region. Another limitation is the MRI normalization which is sensitive to the bias field artifact. The performance of the model dropped when tested on data from another center. The next steps of the project are to review the normalization of the MRI, add third dimension information to the model's input and change the inference method. A dosimetric analysis is needed in order to assess the model's clinical applicability. Overall, a deep learning model capable of generating a synthetic CT in a matter of seconds with good accuracy has been successfully trained.