Deep learning approach for denoising Monte Carlo dose distributions in proton therapy

Abstract

[ES] La planificación en radioterapia requiere simular la distribución de la dosis basada en la imagen del paciente, obtenida mediante Tomografía Axial Computarizada. La forma de generar esta simulación es mediante algoritmos basados en Montecarlo, pero, estos algoritmos producen un cierto ruido que debe ser eliminado. Las redes neuronales convolucionales (RNC) han revolucionado el state-of-the-art en los últimos años mediante el reconocimiento de características de forma jerarquizada. El propósito del presente trabajo es la construcción de una red neuronal que tome por entrada una distribución de dosis tridimensional generada mediante algoritmos Montecarlo y, mediante los diferentes parámetros que esta incluye, remover el ruido que tenga para obtener una imagen perfectamente funcional en la práctica hospitalaria. La calidad de las imágenes generadas por Montecarlo depende del número de partículas que se modelicen, por lo que, mejorar la calidad de las mismas implica un aumento exponencial del tiempo de cálculo. Las distribuciones de dosis consideradas libres de ruido , requieren el uso de 1e9 partículas, lo que implica una hora de computación. Nosotros hemos filtrado imágenes generadas con 1e7 y 1e6, que conllevan, respectivamente, un minuto y 10 segundos de computación. Ambas redes neuronales se corresponden a la arquitectura U-Net, ampliamente usada en el área de segmentación de imágenes. Ambas redes superan el state-of-the-art actual, obteniendo un signal-to-noise ratio de 73.03 y 35.69 respectivamente, y empleando, aproximadamente 45 segundos en filtrar la imagen 3D.

[EN] Radiation therapy planning requires to simulate the dose distribution on a CT patient image. It is used an algorithm based on Monte Carlo to generate that simulation, but this algorithm produces some noise that need to be removed. Convolutional Neural Networks (CNN) have improved the state-of-the-art in the recent years by recognizing hierarchical features on an image. The purpose of the current work is to build a Neural Network that take a 3D Monte Carlo Dose Distribution as an input and denoise it through the different layers it includes, to use it in hospital practice. The quality of Monte Carlo generated images depends on the number of particles employed, consequently, improving the quality of the images involves an exponential increase of the computing time. Simulations generated with 1e9 particles could be considered as free-noisy because the residual noise they have does not compromise the clinical application. We filtered distributions generated with 1e7 and 1e6 particles, what result in one minute and 10 seconds of computing, respectively. Both networks architectures are U-Net, commonly used in the segmentation task, both of them exceed the state-of-the-art, achieving a signal-to-noise ratio of 73.03 and 35.69 respectively, and they spend 45 seconds around on filtering the whole 3D-image.