FluenceFormer: Transformer-Driven Multi-Beam Fluence Map Regression for Radiotherapy Planning

Dit artikel introduceert FluenceFormer, een transformer-gebaseerd framework dat via een twee-trapsontwerp en een fysiek geïnformeerde verliesfunctie nauwkeurige en fysisch realiseerbare fluëntiekaarten genereert voor geautomatiseerde radiotherapieplanning.

De kern

FluenceFormer: De "Architect" die de Stralingstherapie voor de Patiënt Regelt

Stel je voor dat je een zeer precieze tekening moet maken om een gebouw te bouwen. In de wereld van kankerbehandeling (stralingstherapie) is dat gebouw de tumor die je wilt vernietigen, en de tekening is een stralingskaart (een 'fluence map'). Deze kaart vertelt de stralingsmachine precies hoe sterk het licht moet zijn op elke plek, zodat de tumor wordt vernietigd maar het gezonde weefsel eromheen veilig blijft.

Het probleem? Het maken van zo'n kaart is als het oplossen van een raadsel waarbij er oneindig veel mogelijke antwoorden zijn. Als je de verkeerde kaart maakt, kan de machine het niet uitvoeren of wordt de patiënt onnodig beschadigd.

De auteurs van dit paper hebben FluenceFormer bedacht, een slimme computerprogramma dat deze kaarten automatisch en perfect maakt. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Wazige" Camera

Vroeger probeerden computers dit te doen met oude methoden (zoals CNN's). Je kunt dit vergelijken met een camera met een beperkt zichtveld. Ze kijken naar één klein stukje van de patiënt en proberen daaruit te raden hoe de hele stralingskaart eruit moet zien. Ze missen het grote plaatje. Het resultaat is vaak een wazige, onnauwkeurige tekening die de machine niet kan gebruiken.

2. De Oplossing: De Twee-Staps Architect

FluenceFormer werkt als een ervaren architect die in twee stappen te werk gaat, in plaats van alles in één keer te gissen.

• Stap 1: De Globale Schets (De "Dosis")
  De architect kijkt eerst naar de foto van de patiënt (de CT-scan) en tekent een ruwe schets: "Waar moet de straling naartoe gaan en hoe zwaar moet het zijn?" Dit is nog geen gedetailleerde machine-instructie, maar een globale richtlijn. Het is alsof je eerst zegt: "We bouwen hier een muur," voordat je de bakstenen legt.
• Stap 2: De Gedetailleerde Instructie (De "Fluence Map")
  Nu kijkt de architect naar die schets én naar de hoek waar de stralingsmachine staat. Hij zegt: "Oké, we weten dat de muur hier moet staan. Nu, gezien de hoek van de machine, hoe moeten we de straal precies buigen en verdelen?"
  Door deze twee stappen te scheiden, lost het programma het raadsel op. Het weet precies wat er moet gebeuren voordat het de moeilijke details uitwerkt.

3. De "FAR-Loss": De Striktheid van de Bouwmeester

Het grootste geheim van FluenceFormer is een speciale regelset die ze de FAR-loss noemen. Stel je voor dat je een leerling bouwer hebt. Je kunt zeggen: "Maak het zo goed mogelijk," maar dat is vaag.
FAR-loss is als een strenge bouwmeester die vier specifieke regels oplegt:

1. Precisie: "Elke steen moet op de exacte plek zitten." (Pixel-perfect).
2. Gladheid: "Geen scherpe randen die de machine breekt." (De straal moet vloeiend overgaan).
3. Structuur: "Het moet eruitzien als een echte muur, niet als een vlek." (De vorm moet kloppen).
4. Energiebehoud: "Gebruik precies de hoeveelheid energie die we hebben afgesproken." (Niet te veel, niet te weinig).

Zonder deze regels zou de computer misschien een mooie tekening maken die de machine fysiek niet kan uitvoeren. Met deze regels wordt de tekening machine-proof.

4. Waarom is dit een doorbraak?

De onderzoekers hebben getest of hun methode werkt met verschillende soorten "hersenen" (zogenaamde Transformer-modellen, zoals Swin UNETR). Het resultaat was verbazingwekkend:

• Het programma maakt stralingskaarten die statistisch significant beter zijn dan de huidige beste methoden.
• Het reduceert de fouten in de energie die de machine moet leveren van ongeveer 20% naar slechts 4,5%. Dat is een enorm verschil in de medische wereld.
• Het werkt sneller dan een menselijke planner en is consistent (geen "slechte dagen").

De Gouden Conclusie

FluenceFormer is als het overzetten van een architect naar een robot. De robot kijkt eerst naar het grote plan (de dosis), en gebruikt dan slimme wiskunde en strikte regels om de exacte instructies voor de machine te schrijven.

Dit betekent dat patiënten in de toekomst sneller hun behandeling kunnen krijgen, met minder fouten en een hogere kwaliteit, omdat de computer de complexe wiskunde van de stralingstherapie eindelijk onder de knie heeft. Het is een stap in de richting van een toekomst waar kankerbehandeling niet langer een kunst is, maar een exacte, geautomatiseerde wetenschap.

Technische samenvatting

Probleemstelling

Het voorspellen van stralingsvelden (fluence maps) is een cruciale stap in de geautomatiseerde radiotherapieplanning, maar het vormt een ill-posed inverse probleem. De relatie tussen de volumetrische anatomie van een patiënt en de modulatie van de stralingsintensiteit is complex en niet-eenduidig; een specifieke interne dosisverdeling kan worden bereikt door oneindig veel combinaties van bundelhoeken en intensiteiten.

Bestaande methoden, voornamelijk gebaseerd op Convolutional Neural Networks (CNNs), hebben moeite om langeafhangs afhankelijkheden (long-range dependencies) en globale correlaties tussen verschillende stralingsbundels te modelleren. Dit leidt vaak tot structureel inconsistente of fysiek niet-realiseerbare plannen. Bovendien neigen veel bestaande benaderingen om te vertrouwen op segmentatie-achtige heads (met sigmoid-activatie), wat resulteert in verzadiging bij hoge intensiteiten en een gebrek aan fysieke consistentie (zoals energiebehoud).

Methodologie: FluenceFormer

De auteurs introduceren FluenceFormer, een framework dat transformer-architecturen gebruikt voor directe, geometrie-bewuste regressie van stralingsvelden. Het model kenmerkt zich door een uniek twee-staps ontwerp dat de klinische workflow nabootst:

1. Fase 1: Dosisregressie (Structuur Prior)

   • Het model voorspelt eerst een globale dosisverdeling op basis van de anatomische input (CT-scan en contourmaskers).
   • Deze tussenliggende dosisfunctie dient als een "structurele prior" die de ruimtelijke context en de behandelintentie codeert.
   • Dit lost de geometrische ambiguïteit op door de bundelmodulatie te koppelen aan een fysiek gedefinieerde doelstelling voordat de bundelspecifieke details worden bepaald.

2. Fase 2: Geometrie-gedreven Fluence-regressie

   • In deze fase wordt de voorspelde dosis uit Fase 1 gecombineerd met expliciete geometrische encoding (sinus- en cosinus-waarden van de gantry-hoek $\theta$).
   • Door de dosis te conditioneren op de bundelrichting, kan het model de richting van de intensiteitsmodulatie onderscheiden zonder de anatomie opnieuw te hoeven verwerken.
   • Het model gebruikt een ReLU-activatie in plaats van sigmoid, wat essentieel is voor het voorspellen van onbeperkte fysieke waarden (Monitor Units) zonder verzadiging.

De Loss Functie: Fluence-Aware Regression (FAR)
Om klinische uitvoerbaarheid te garanderen, stellen de auteurs een nieuwe, door fysica geïnformeerde loss-functie voor, genaamd FAR. Deze bestaat uit vier componenten:

• Pixel Fidelity (MSE): Zorgt voor nauwkeurigheid op pixel-niveau.
• Gradient Smoothness: Straft scherpe, hoogfrequente intensiteitsschommelingen af die mechanisch niet uitvoerbaar zijn door de multileaf collimator (MLC).
• Correlation Consistency: Maximaliseert de structurele gelijkenis (Pearson-correlatie) tussen voorspelling en ground truth, onafhankelijk van absolute schaling.
• Energy Conservation: Een cruciale term die de totale voorspelde fotonenflux (Monitor Units) laat overeenkomen met het voorschrift, waardoor de voorspelling fysiek valide blijft.

Architectuur
Het framework is backbone-agnostisch. De auteurs evalueren het op vier verschillende transformer-architecturen: UNETR, Swin UNETR, nnFormer en MedFormer.

Belangrijkste Resultaten

De evaluatie werd uitgevoerd op een dataset van 99 patiënten met prostaatkanker (IMRT-planning).

• Prestaties: Het FluenceFormer-model met Swin UNETR behaalde de beste resultaten. Het verlaagde de Energy Error tot 4,5% (vergeleken met ~7-8% bij sterke baselines en >20% bij naive segmentatie-methoden).
• Structurele Nauwkeurigheid: Er werd een statistisch significant voordeel gevonden in structurele gelijkenis (SSIM: 0,70 vs. 0,67 voor de beste CNN-baseline, $p < 0,05$).
• Ablatie-studies:
  • Het verwijderen van de tussenliggende dosisfase (single-stage) leidde tot een significante daling in nauwkeurigheid, wat aantoont dat de dosis-prior essentieel is.
  • De FAR loss-functie leverde consistent betere resultaten op dan standaard MSE-loss over alle onderzochte backbones.
  • Een "oracle"-experiment (waarbij Fase 2 de ware dosis kreeg in plaats van de voorspelde) toonde aan dat de twee-staps architectuur robuust is, maar dat de kwaliteit van de dosisvoorspelling in Fase 1 de limiet bepaalt.
• Klinische Validatie: Forward-calculatie van de voorspelde stralingsvelden in het klinische planningssysteem (Eclipse) resulteerde in dosisverdelingen die sterk overeenkwamen met de referentieplannen (hoge 3D gamma-paspercentages tot 92% voor Swin UNETR).
• Efficiëntie: De inferentie-tijd is zeer laag (ongeveer 0,55 seconden per patiënt voor Swin UNETR), wat geschikt is voor klinische toepassing.

Bijdragen en Significantie

De belangrijkste bijdragen van dit werk zijn:

1. Oplossing voor het Ill-Posed Probleem: Door een tussenliggende dosisvoorspelling in te voeren, wordt de complexe mapping van anatomie naar machineparameters opgelost in twee logische stappen, wat de ambiguïteit van directe regressie vermindert.
2. Fysica-Informeerde Learning: De introductie van de FAR loss zorgt ervoor dat het model niet alleen statistisch nauwkeurig is, maar ook voldoet aan de fysieke beperkingen van stralingstherapie (energiebehoud en MLC-bewegingsbeperkingen).
3. Backbone-Agnostic Framework: Het bewijs dat de methode werkt over verschillende transformer-architecturen heen, suggereert dat de verbetering voortkomt uit het ontwerp van het framework en de loss-functie, en niet alleen uit een specifieke netwerkarchitectuur.
4. Klinische Relevantie: Het werk toont aan dat transformer-gebaseerde modellen, wanneer ze correct worden gestructureerd en getraind met fysieke constraints, direct bruikbare stralingsvelden kunnen genereren die klinisch uitvoerbaar zijn, wat de weg vrijmaakt voor snellere en meer reproduceerbare radiotherapieplanning.

Concluderend biedt FluenceFormer een robuuste, interpreteerbare en fysiek consistente aanpak voor geautomatiseerde IMRT-planning, die de huidige staat van de kunst aanzienlijk verbetert ten opzichte van bestaande CNN- en single-stage methoden.