Clinical DVH metrics as a loss function for 3D dose prediction in head and neck radiotherapy

Probleemstelling

Diep-lerende (Deep Learning) modellen voor het voorspellen van 3D-dosisverdelingen in de radiotherapie worden steeds belangrijker voor geautomatiseerde workflows. Echter, de meeste bestaande modellen worden getraind met voxel-gewijze regressieverliezen (zoals MAE of MSE). Deze verliezen optimaliseren voor numerieke gelijkenis op pixel-niveau, maar sluiten niet goed aan bij de klinische evaluatiecriteria die artsen gebruiken.

In de kliniek wordt de kwaliteit van een plan niet beoordeeld op basis van voxel-gemiddelden, maar op Dosis-Volumehistogram (DVH)-afgeleide metrieken (zoals $D_{95\%}$ of $V_{95\%}$).

• D-metrieken (bijv. minimale dosis aan een percentage van het volume) zijn differentieerbaar en kunnen direct in training worden gebruikt.
• V-metrieken (bijv. volume dat een bepaalde dosis overschrijdt) bevatten niet-differentieerbare drempeloperaties (Heaviside-stapfuncties), wat ze ongeschikt maakt voor gradient-based learning zonder aanpassingen.
• Daarnaast vormt het grote aantal overlappende Orgaan-at-Risico's (OAR's) in hoofd-hals (H&N) radiotherapie een praktische uitdaging: het gebruik van één-hot encoding voor elk ROI leidt tot enorme CPU/GPU-overhead, hoge geheugengebruik en lange trainingstijden.

Methodologie

De auteurs stellen een nieuw raamwerk voor dat twee kerncomponenten combineert: een Clinical DVH Metric Loss (CDM loss) en een efficiënte Bit-Mask Encoding voor ROI's.

1. CDM Loss Formulering

De loss functie is ontworpen om direct de klinisch gebruikte DVH-metrieken te optimaliseren, gestuurd door een JSON-template die de klinische planningscriteria definieert.

• D-metrieken: Deze worden exact berekend door de dosisverdeling binnen een ROI te sorteren en de waarde op het specifieke percentile te selecteren (bijv. $D_{95\%}$). Dit is differentieerbaar via 'gather/scatter' operaties in PyTorch.
• V-metrieken: Omdat de stapfunctie niet differentieerbaar is, wordt deze benaderd met een differentieerbare sigmoid-functie ($\sigma_\alpha$).
  • De auteurs leiden een theoretische ondergrens af voor de hellingparameter $\alpha$ om een balans te vinden tussen nauwkeurige benadering van de drempel en het voorkomen van gradient saturation (waarbij de gradiënten verdwijnen).
  • De formule voor $\alpha$ wordt bepaald op basis van een toegestane foutmarge ($\epsilon$) en de verdeling van dosiswaarden rond de drempel in de trainingsdata.
• Totale Loss: De CDM loss wordt gecombineerd met een standaard MAE loss om voxel-gewijze consistentie te behouden:
  $$L_{total} = \lambda_1 L_{MAE} + \lambda_2 L_{CDM}$$

2. Bit-Mask Encoding voor ROI's

Om het probleem van veel overlappende ROI's op te lossen, introduceren de auteurs een lossless bit-mask encoding:

• In plaats van 30 aparte kanalen (één-hot) voor 30 ROI's, wordt er één enkel 32-bit integer kanaal gebruikt.
• Elke bit in het integer getal staat voor een specifieke ROI. Overlappende structuren worden weergegeven door meerdere bits in hetzelfde voxel actief te maken.
• Voordelen:
  • Preprocessing: Geometrische augmentaties (rotatie, flip) hoeven slechts één keer op het bit-mask toegepast te worden in plaats van op elk kanaal apart.
  • Data Transfer: Er wordt maar één kanaal naar de GPU gestuurd in plaats van 30+, wat de I/O-overhead drastisch verlaagt.
  • Geheugen: Op de GPU worden de binaire masks 'on-demand' gedecodeerd (via bitwise AND operaties) alleen wanneer ze nodig zijn voor de loss berekening, wat de piekgeheugengebruik verlaagt.

Belangrijkste Bijdragen

1. CDM Loss: Een nieuwe loss-functie die zowel D- als V-metrieken direct optimaliseert, waardoor de voorspellingen beter aansluiten bij klinische planningsdoelen dan traditionele voxel-gebaseerde methoden.
2. Efficiënte ROI-encoding: Een lossless bit-mask strategie die de trainingstijd aanzienlijk versnelt en het geheugengebruik verlaagt, waardoor het mogelijk wordt om alle klinisch relevante OAR's in het model op te nemen zonder prestatieverlies.
3. JSON-gestuurde template: Een flexibele manier om klinische criteria (ROI's, metrieken, doelwaarden) te specificeren zonder de modelarchitectuur aan te passen.
4. Resultaat: Een standaard 3D U-Net, gekoppeld aan deze loss en encoding, presteert beter dan of gelijk aan complexere state-of-the-art architecturen (zoals SwinUNETR of MedNeXt).

Resultaten

Het model werd getest op een retrospectieve cohort van 174 patiënten met hoofd-hals kanker (137 trainen, 37 testen).

• Klinische Prestaties:
  • De PTV Score (afwijking van klinische doelen voor doelvolumes) verbeterde drastisch: van 1.544 (alleen MAE) naar 0.491 (MAE + CDM).
  • Het model met CDM loss was het enige dat consistent alle klinische constraints (zoals $V_{95\%} \geq 98\%$ en $D_{0.03cc} \leq 110\%$) voor alle testgevallen nakwam.
  • De besparing van OAR's (Organen-at-Risico) bleef vergelijkbaar of verbeterde licht.
• Efficiëntie:
  • De bit-mask encoding verlaagde de gemiddelde trainingstijd per epoch van 241 seconden naar 43 seconden (een reductie van 83,2%).
  • Het piekgeheugengebruik op de GPU daalde met ongeveer 4,5% (van 20,50 GB naar 19,57 GB).
• Architectuur Vergelijking:
  • Een simpele 3D U-Net met CDM loss presteerde beter dan geavanceerde transformer-gebaseerde modellen (SwinUNETR) en cascade-modellen, wat aantoont dat de keuze van de loss-functie belangrijker is dan de complexiteit van het netwerk.

Betekenis en Conclusie

Dit onderzoek toont aan dat het direct optimaliseren van klinisch relevante DVH-metrieken, in plaats van voxel-gewijze fouten, leidt tot dosisvoorspellingen die direct bruikbaar zijn in de klinische praktijk. De combinatie van de CDM loss en de bit-mask encoding biedt een schaalbaar en efficiënt raamwerk voor geautomatiseerde radiotherapieplanning.

De studie benadrukt dat voor 3D-dosisvoorspelling het aligneren van het trainingsdoel met klinische realiteit (via de loss-functie) vaak meer impact heeft dan het verhogen van de architecturale complexiteit van het model. Dit vormt een sterke basis voor AI-gestuurde workflows die de planningstijd verkorten en de kwaliteit van behandelingen standaardiseren.