原文地址

本文于2022年发表于中科院1区期刊 Knowledge-based Systems
MtAA-NET

背景

现有方法可简单分为知识规划（KBP）方法和深度学习（DL）方法

KBP
简单来说就是以之前病人的治疗计划为参考，来为对现在的病人进行剂量分布预测，以制定新的治疗计划。

但它们依赖耗时且精度低的手工特征（Dose-volume histogram (DVH) , Overlap volume histogram (OVH), Distance-to-target histograms (DTH) 等）；这些手工特征大多是一二维的统计数据，缺乏剂量分布的空间信息，且没考虑肿瘤解刨结构和位置信息，忽略了对周围脏器的影响。

DL
大多数方法除CT图像外，还需要额外的解刨特征图。

而且，在临床上，要求计划靶体积PTV上的剂量达到一定标准，而危险器官OAR上的剂量尽可能少。这说明在以往方法中两个独立的任务 分割（segmentation） 和 剂量分布预测（dose distribution prediction） 之间是存在一定联系的。

主要思路

仅采用CT图像作为输入（不需要物理师的专业知识），通过多任务学习，在利用辅助分割任务得到PTV和OAR的分割图的同时，通过剂量预测任务得到它们的剂量图。

模型设计

Shared Encoder

共享编码器，利用多任务学习思想，通过共享隐藏层硬参数，提取两个任务高度相关的信息，从而降低过拟合风险。
具体来说，CT图经卷积网络提取关键特征，得到降维后的数据。该数据随后被输入到两个任务（辅助分割和剂量预测任务，均为encoder-decoder结构）的共享编码器中。

Segmentation Decoder

分割解码器，采用传统U-Net结构，以及Skip connection对信息进行传播，缓解梯度消失问题。
最终，可得到PTV和OAR的分割掩码（图中Segmentation）。

Dose Decoder

为提高剂量预测精度，作者在剂量解码器部分设计了两个增强策略：Cross-task feature fusion (CtFF) moudule 和 Deep supervision (DS) mechanism。

CtFF

简单来说， CtFF模块
①首先，将来自分割和剂量解码器一层的特征连接，经过两层卷积后，可以得到单通道权重图，然后再次与剂量解码器特征相乘。可以发现，（上图中黑红色的图）的PTV的区域被强调了，这个步骤的目的也在于此。
②随后，将来自共享编码器的特征与上个步骤得到的特征串联，经卷积层后，输入下一层剂量解码器。

DS

这个深度监督策略，即在每一个CtFF模块后，将这个模块得到的特征图激活得到中间图像，然后利用绝对误差损失鼓励其与真实值保持相似，可加速网络收敛。这个损失在文中定义为：
$y_i$为ground truth下采样得到，$y_i^p$即为中间图像，$n$为CtFF的模块数。

AdvNet

Shared encoder和Dos decoder一起是一个生成器，而AdvNet实际上是一个鉴别器

GAN，其原理主要基于生成器和鉴别器的相互对抗博弈，通过这种对抗过程最终产生较好的输出。在这个博弈中，生成器的目标是生成尽可能接近真实数据分布的假数据，使得判别器难以区分；而判别器的目标则是尽可能准确地判断输入数据的真实性。两者在博弈中不断提升自己的能力。

AdvNet以①一对预测剂量分布图与CT图像和②一对实际剂量分布图与CT图像作为输入，试图区分它们的真假。
也就是说，在这里AdvNet是为了增强剂量预测任务的准确性而设计的，只在模型训练环节中使用。

实验结果

评价指标

评价指标 $CI$, $HI$, $DVH$, $Dice$, $Mean$，分别用于评价预测，分割，和量化真实值与预测结果的差异。

其中$TV$为靶体积，$PIV$为处方等剂量体积，$T{V}_{PIV}$为靶体积与处方等剂量体积的交集。地面真值与预测图的相似度越高，表明预测模型的性能越好。

$D_x$是覆盖PTV体积$x$%的吸收剂量，HI越小，预测结果越好。

剂量-体积直方图(DVH)，在DVH图中，横坐标表示吸收剂量值，纵坐标表示暴露于相应剂量的体积百分比。

Conformity index (CI) 和 Heterogeneity index (HI)， Dose-volume histogram (DVH)共同用于评估模型预测性能。

A是预测图像，B是真实情况。$Dice$的取值范围是0 ~ 1，越好越接近1。
$Dice$用于评估分割任务性能。

为了量化真实值与预测结果之间的差异，本文用Mean±SD表示预测误差△，其中SD为标准差。

预测

私有宫颈癌数据结果如Table 4所示

OpenKBP-2020 AAPM Grand Challenge头颈癌数据结果如Table 5所示

总体来说， MtAA-NET的性能相对最好，且计算效率较高。

分割

辅助分割任务结果在临床上也是可以接受的。