前立腺放射線療法における計画と前処理のCT画像との間の解剖学的特徴を備えた機械学習を使用したターゲットシフトの半自動化された予測アプローチ

この研究の目標は、前立腺放射線療法の解剖学的特徴を備えた機械学習アーキテクチャ（MLA）を使用したターゲットシフトの半自動予測アプローチを開発することでした。私たちの仮説は、計画コンピューター断層撮影（PCT）と前処理コーンビームコンピューター断層撮影（CBCT）画像の間の解剖学的特徴を使用して、ターゲット、すなわち臨床ターゲット量（CTV）シフト、小さなエラーを予測できるということでした。前立腺癌の20人の患者のPCTおよび毎日のCBCT画像が選択されました。最初の10人の患者が開発に雇用され、2番目の10人の患者が検証テストに雇用されました。PCT画像とCBCT画像間のCTV位置エラーは、自動化された骨ベースの登録後、参照CTVシフト（教師データ）として決定されました。直腸、膀胱、前立腺に関連する解剖学的特徴は、PCTおよびCBCT画像から計算されました。この機能は、教師データを5つのMLA、つまり3種類の人工ニューラルネットワーク、サポートベクター回帰（SVR）およびランダムフォレストに入力して入力として供給されました。左右方向に沿ったCTVシフトはごくわずかであったため、MLAは上層および前後方向に沿って開発されました。提案されたフレームワークは、参照と予測されたCTVシフトの間の残留誤差から評価されました。検証テストでは、標準偏差を伴う平均残留誤差は、1つの機能（ワンクリック）のみ（ワンクリック）のみを使用してSVRで1.01±1.09 mmでした。これは、上部直腸壁の位置差に関連していました。結果は、解剖学的特徴を持つMLAが前立腺放射線療法のCTVシフトの予測に役立つ可能性があることを示唆しました。

The goal of this study was to develop a semi-automated prediction approach of target shifts using machine learning architecture (MLA) with anatomical features for prostate radiotherapy. Our hypothesis was that anatomical features between planning computed tomography (pCT) and pretreatment cone-beam computed tomography (CBCT) images could be used to predict the target, i.e. clinical target volume (CTV) shifts, with small errors. The pCT and daily CBCT images of 20 patients with prostate cancer were selected. The first 10 patients were employed for the development, and the second 10 patients for a validation test. The CTV position errors between the pCT and CBCT images were determined as reference CTV shifts (teacher data) after an automated bone-based registration. The anatomical features associated with rectum, bladder and prostate were calculated from the pCT and CBCT images. The features were fed as the input with the teacher data into five MLAs, i.e. three types of artificial neural networks, support vector regression (SVR) and random forests. Since the CTV shifts along the left-right direction were negligible, the MLAs were developed along the superior-inferior and anterior-posterior directions. The proposed framework was evaluated from the residual errors between the reference and predicted CTV shifts. In the validation test, the mean residual error with its standard deviation was 1.01 ± 1.09 mm in SVR using only one feature (one click), which was associated with positional difference of the upper rectal wall. The results suggested that MLAs with anatomical features could be useful in prediction of CTV shifts for prostate radiotherapy.