KR101647361B1 - 호흡 운동 예측 장치 및 호흡 운동 예측 방법 - Google Patents

호흡 운동 예측 장치 및 호흡 운동 예측 방법 Download PDF

Info

Publication number
KR101647361B1
KR101647361B1 KR1020140102434A KR20140102434A KR101647361B1 KR 101647361 B1 KR101647361 B1 KR 101647361B1 KR 1020140102434 A KR1020140102434 A KR 1020140102434A KR 20140102434 A KR20140102434 A KR 20140102434A KR 101647361 B1 KR101647361 B1 KR 101647361B1
Authority
KR
South Korea
Prior art keywords
predicted position
model
position information
calculating
unit
Prior art date
Application number
KR1020140102434A
Other languages
English (en)
Other versions
KR20160018989A (ko
Inventor
홍순목
Original Assignee
경북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020140102434A priority Critical patent/KR101647361B1/ko
Publication of KR20160018989A publication Critical patent/KR20160018989A/ko
Application granted granted Critical
Publication of KR101647361B1 publication Critical patent/KR101647361B1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A61B5/1135Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/08Detecting, measuring or recording devices for evaluating the respiratory organs
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/08Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816Measuring devices for examining respiratory frequency
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/08Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/082Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/08Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/091Measuring volume of inspired or expired gases, e.g. to determine lung capacity
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61NELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00Radiation therapy
    • A61N5/10X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Cardiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

본 발명은 호흡 운동 예측 장치 및 호흡 운동 예측 방법에 관한 것으로, 본 발명에 따른 호흡 운동 예측 장치는 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부; 비모델 기반 학습 방식으로 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및 모델기반 예측부의 예측 위치 정보와 비모델기반 보정부의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 결합부를 포함한다.
본 발명에 따른 의료 기기는 호흡 운동 예측 장치 및 이에 의해 산출된 최종 예측 위치 정보에 따라 치료용 빔을 게이팅하는 게이팅부를 포함한다. 게이팅부는 최종 예측 위치 정보가 치료용 빔이 조사되는 영역으로부터 미리 설정된 거리 이상 벗어날 가능성이 기준값보다 큰 경우, 치료용 빔의 조사를 중단한다.

Description

호흡 운동 예측 장치 및 호흡 운동 예측 방법{APPARATUS AND METHOD FOR PREDICTING RESPIRATORY MOTION}
본 발명은 호흡 운동을 예측하는 장치 및 호흡 운동을 예측하는 방법에 관한 것이다.
본 발명은 산업통상자원부 한국산업기술평가관리원의 SW컴퓨팅산업원천기술개발사업의 일환으로 수행한 연구(과제번호 201323300100, 자율군집을 지원하는 웰빙형 정보기기 내장 소프트웨어 개발)로부터 도출된 것이다.
흉부나 복부와 같은 체부에 존재하는 종양을 방사선을 조사하여 치료시 호흡에 의해 종양이 움직이게 되므로, 방사선 빔의 정확한 투여를 위해서는 시스템 지연 시간을 고려하여 실시간으로 종양의 이동 위치를 일정 시간 미리 예측하여 방사선 빔의 조준을 보정하여야 한다. 만약, 호흡 운동에 따른 종양의 위치 변화를 정확하게 예측하지 못할 경우, 방사선이 암 조직에 정확하게 전달되지 못하며, 오히려 종양 주변의 건강한 생체조직이 피폭됨으로 인해 방사선 치료 효과가 감소함은 물론, 치료의 안정성이 저하되고 부작용의 위험이 증가하게 된다. 따라서, 호흡 운동에 따른 종양의 이동 위치를 일정 시간 미리 예측하여 방사선 빔의 조준을 보정할 필요가 있다.
본 발명은 호흡 운동을 정확하게 예측할 수 있는 호흡 운동 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명이 해결하고자 하는 다른 과제는 호흡 운동에 따른 질환 영역의 위치를 정확하게 예측하여 질환 영역의 치료를 위한 치료용 빔의 조사를 게이팅할 수 있는 의료 기기를 제공하는 것에 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않는다. 언급되지 않은 다른 기술적 과제들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 측면에 따른 호흡 운동 예측 장치는 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부; 비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및 상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 결합부를 포함한다.
상기 상태 벡터는 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 포함할 수 있다.
상기 모델기반 예측부는 상기 호흡 운동 예측 모델을 기반으로 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 이용하여 상기 예측 위치 정보를 산출할 수 있다.
상기 호흡 운동 예측 모델은 국소 원운동 확장 칼만 필터(local circular motion extended Kalman filter) 모델을 포함할 수 있다.
상기 비모델기반 보정부는, 상기 호흡 운동의 상태 벡터 중 과거의 학습 데이터의 상태 벡터와, 과거의 예측 위치 오차 간의 상관 관계를 학습하는 학습부; 및 상기 상관 관계의 학습을 통해 상기 상태 벡터와 상기 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상기 상관 관계 함수에 따라 현재의 상태 벡터에 대응하는 예측 위치 보정 값을 산출하는 보정값 산출부를 포함할 수 있다.
상기 비모델 기반 학습 방식은 서포트 벡터 회귀(support vector regression) 학습 방식을 포함할 수 있다.
상기 비모델 기반 학습 방식은 가우시안 프로세스 회귀(Gaussian process regression) 학습 방식을 포함할 수 있다.
본 발명의 다른 일 측면에 따르면, 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 단계; 비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 단계; 및 상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 단계를 포함하는 호흡 운동 예측 방법이 제공된다.
상기 예측 위치 정보를 산출하는 단계는 상기 호흡 운동 예측 모델을 기반으로 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 이용하여 상기 예측 위치 정보를 산출할 수 있다.
상기 예측 위치 보정 값을 산출하는 단계는, 상기 호흡 운동의 상태 벡터 중 과거의 학습 데이터의 상태 벡터와, 과거의 예측 위치 오차 간의 상관 관계를 학습하는 단계; 및 상기 상관 관계의 학습을 통해 상기 상태 벡터와 상기 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상기 상관 관계 함수에 따라 현재의 상태 벡터에 대응하는 예측 위치 보정 값을 산출하는 단계를 포함할 수 있다.
본 발명의 또 다른 일 측면에 따르면, 상기한 호흡 운동 예측 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공된다.
본 발명의 또 다른 일 측면에 따르면, 호흡 운동 예측 모델을 기반으로 질환 영역에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부; 비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 상기 질환 영역에 대한 최종 예측 위치 정보를 산출하는 결합부; 상기 질환 영역으로 상기 질환 영역의 치료를 위한 치료용 빔을 조사하는 조사부; 및 상기 최종 예측 위치 정보에 따라 상기 치료용 빔을 게이팅하는 게이팅부를 포함하는 의료 기기가 제공된다.
상기 게이팅부는, 상기 최종 예측 위치 정보가 상기 치료용 빔이 조사되는 영역으로부터 벗어나 큰 예측 오차의 발생 가능성이 높은 경우(미리 설정된 거리 이상 벗어날 가능성이 기준값보다 큰 경우), 상기 치료용 빔의 조사를 중단할 수 있다.
상기 질환 영역은 종양을 포함하고, 상기 치료용 빔은 방사선 빔을 포함할 수 있다.
본 발명의 또 다른 일 측면에 따르면, 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 측정 대상의 운동에 관한 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부; 비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및 상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 상기 측정 대상에 대한 최종 예측 위치 정보를 산출하는 결합부를 포함하는 운동 예측 장치가 제공된다.
본 발명의 실시 예에 의하면, 호흡 운동을 정확하게 예측할 수 있다.
또한, 본 발명의 실시 예에 의하면, 호흡 운동에 따른 질환 영역의 위치를 정확하게 예측하여 질환 영역의 치료를 위한 치료용 빔의 조사를 게이팅함으로써, 질환의 치료 효과를 극대화하는 동시에, 치료용 빔의 조준 오차에 의해 발생하는 건강한 생체조직에 대한 방사선 피폭을 최소화하고, 치료의 안정성을 높일 수 있다.
본 발명의 효과는 상술한 효과들로 제한되지 않는다. 언급되지 않은 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명의 실시 예에 따른 호흡 운동 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시 예에 따른 호흡 운동 예측 장치를 좀 더 자세히 보여주는 구성도이다.
도 3 내지 도 8은 본 발명의 실시 예에 따른 호흡 운동 예측 방법의 예측 정확도를 국소 원운동 확장 칼만 필터 호흡 운동 예측 모델과 비교하여 보여주는 그래프이다.
도 9 내지 도 14는 본 발명의 실시 예에 따른 호흡 운동 예측 방법의 예측 정확도를 인공신경망(artificial neural networks) 및 서포트 벡터 회귀(support vector regression) 방식과 비교하여 보여주는 그래프이다.
도 15는 본 발명의 다른 일 실시 예에 따른 호흡 운동 예측 장치를 보여주는 구성도이다.
도 16은 본 발명의 실시 예에 따른 의료 기기의 구성도이다.
본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술하는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되지 않으며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 갖는다. 공지된 구성에 대한 일반적인 설명은 본 발명의 요지를 흐리지 않기 위해 생략될 수 있다. 본 발명의 도면에서 동일하거나 상응하는 구성에 대하여는 가급적 동일한 도면부호가 사용된다.
본 명세서 전체에서 사용되는 '~부'의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부'가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. '~부'에서 제공되는 기능은 다수의 구성요소들로 분리되어 제공되거나, 다른 구성요소와 통합되어 제공될 수도 있다.
본 발명의 실시 예에 따른 호흡 운동 예측 장치는 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터(state vector) 및 일차 예측 위치 정보를 산출하고, 비모델 기반 학습 방식으로 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하며, 일차 예측 위치 정보와 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출한다. 본 발명의 실시 예에 의하면, 모델 기반으로 산출된 일차 호흡 운동 예측 위치 정보와, 비모델 기반으로 산출된 예측 위치 보정 값을 결합하여 측정 대상에 대한 위치 예측의 정확도를 높일 수 있다.
본 발명의 실시 예에 따른 호흡 운동 예측 방법에 의하면, 모델기반 방식과 비모델 방식의 장점을 상호보완적으로 활용하여 예측의 정확성을 높일 수 있다. 즉, 불규칙한 호흡에 신속하게 반응하는 모델기반 방식을 사용하여 일차 예측을 수행하고, 이 예측의 오차를 다시 학습을 통한 비모델 방식으로 보정하여 최종적인 예측을 얻을 수 있다.
도 1은 본 발명의 실시 예에 따른 호흡 운동 예측 장치의 구성도이다. 도 1을 참조하면, 본 발명의 실시 예에 따른 호흡 운동 예측 장치(100)는 모델기반 예측부(120), 비모델기반 보정부(140) 및 결합부(160)를 포함한다.
모델기반 예측부(120)는 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값
Figure 112014075281024-pat00001
으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보
Figure 112014075281024-pat00002
를 산출한다. 상태 벡터는 측정 대상의 위치 측정값
Figure 112014075281024-pat00003
, 속도 및 가속도 정보를 포함할 수 있다. 측정 대상은 예시적으로, 호흡에 의하여 그 위치가 불규칙적으로 변화하는 체부(흉부나 복부 등)의 종양일 수 있다.
모델기반 예측부(120)는 호흡 운동 예측 모델을 기반으로 측정 대상의 위치 측정값
Figure 112014075281024-pat00004
, 속도 및 가속도 정보를 이용하여 예측 위치 정보
Figure 112014075281024-pat00005
를 산출할 수 있다.
호흡 운동 예측 모델은 예를 들어, 국소 원운동 확장 칼만 필터(local circular motion extended Kalman filter) 모델을 포함할 수 있다. 국소 원운동 확장 칼만 필터 예측 모델은 예시적으로 S.M. Hong, B.H. Jung and D. Ruan, "Real-time prediction of respiratory motion based on a local dynamic model in an augmented space", Physics in Medicine and Biology, vol. 56, no. 6, pp. 1775-1789, 2011에 개시되어 있으며, 이에 관한 상세한 설명은 생략하기로 한다.
비모델기반 보정부(140)는 비모델 기반 학습 방식으로 모델기반 예측부(120)의 예측 위치 정보
Figure 112014075281024-pat00006
의 오차를 보정하기 위한 예측 위치 보정 값을 산출한다.
비모델 기반 학습 방식은 예를 들어, 서포트 벡터 회귀(support vector regression) 또는 가우시안 프로세스 회귀(Gaussian process regression) 학습 방식을 포함할 수 있다.
결합부(160)는 모델기반 예측부(120)의 예측 위치 정보
Figure 112014075281024-pat00007
와 비모델기반 보정부(140)의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보
Figure 112014075281024-pat00008
를 산출한다.
본 발명의 실시 예에 따른 호흡 운동 예측 방법은 도 1에 도시된 호흡 운동 예측 장치에 의해 수행될 수 있다. 본 발명의 실시 예에 따른 호흡 운동 예측 방법은 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값
Figure 112014075281024-pat00009
으로부터 호흡 운동의 상태 벡터(state vector) 및 예측 위치 정보
Figure 112014075281024-pat00010
를 산출하는 단계, 비모델 기반 학습 방식으로 예측 위치 정보
Figure 112014075281024-pat00011
의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 단계; 및 예측 위치 정보
Figure 112014075281024-pat00012
와 예측 위치 보정 값을 결합하여 최종 예측 위치 정보
Figure 112014075281024-pat00013
를 산출하는 단계를 포함한다.
도 2는 본 발명의 일 실시 예에 따른 호흡 운동 예측 장치를 좀 더 자세히 보여주는 구성도이다. 도 2의 실시 예를 설명함에 있어서, 도 1의 실시 예와 동일하거나 상응하는 구성에 대하여는 중복되는 설명을 생략할 수 있다.
도 2를 참조하면, 모델기반 예측부(120)는 국소 원운동 확장 칼만 필터(local circular motion extended Kalman filter) 호흡 운동 예측 모델을 기반으로, 측정 대상에 대한 위치 측정값
Figure 112014075281024-pat00014
으로부터 호흡 운동의 상태 벡터
Figure 112014075281024-pat00015
(k 시점의 상태 벡터) 및 예측 위치 정보
Figure 112014075281024-pat00016
(k 시점에서 산출된 k+l 시점의 예측 위치 정보) 를 산출한다. 상태 벡터
Figure 112014075281024-pat00017
는 예시적으로 아래의 식 1과 같이 나타낼 수 있다.
[식 1]
Figure 112014075281024-pat00018
=
Figure 112014075281024-pat00019
식 1에 나타낸 바와 같이, 상태 벡터
Figure 112014075281024-pat00020
는 호흡 운동 측정 대상의 위치 측정값
Figure 112014075281024-pat00021
인 x(k), 측정 대상의 X축 방향 속도 성분
Figure 112014075281024-pat00022
, 측정 대상의 Y축 방향 속도 성분
Figure 112014075281024-pat00023
, 측정 대상의 가속도
Figure 112014075281024-pat00024
를 포함할 수 있다.
모델기반 예측부(120)는 아래의 식 2와 같은 국소 원운동 확장 칼만 필터 예측 모델에 따라 상태 벡터
Figure 112014075281024-pat00025
를 이용하여 예측 위치 정보
Figure 112014075281024-pat00026
를 산출할 수 있다.
[식 2]
Figure 112014075281024-pat00027
모델기반 예측부(120)에서 산출한 상태 벡터
Figure 112014075281024-pat00028
및 예측 위치 정보
Figure 112014075281024-pat00029
는 예측 위치 보정 값
Figure 112014075281024-pat00030
(k 시점에서 예측한 k+l 시점의 예측 위치 보정 값)의 산출을 위해 비모델기반 보정부(140)로 제공되고, 예측 위치 정보
Figure 112014075281024-pat00031
는 최종 예측 위치 정보
Figure 112014075281024-pat00032
(k+l 시점의 최종 예측 위치 정보)의 산출을 위해 결합부(160)로 제공된다.
비모델기반 보정부(140)는 모델기반 예측부(120)로부터 상태 벡터
Figure 112014075281024-pat00033
및 예측 위치 정보
Figure 112014075281024-pat00034
를 입력받아, 서포트 벡터 회귀(support vector regression) 학습 방식으로 모델기반 예측부(120)에서 산출된 예측 위치 정보
Figure 112014075281024-pat00035
의 오차를 보정하기 위한 예측 위치 보정 값
Figure 112014075281024-pat00036
을 산출한다.
비모델기반 보정부(140)는 학습부(142) 및 보정값 산출부(144)를 포함할 수 있다.
학습부(142)는 호흡 운동의 상태 벡터
Figure 112014075281024-pat00037
중 과거의 학습 데이터의 상태 벡터
Figure 112014075281024-pat00038
(k-l 시점에서 산출된 상태 벡터)와, 과거의 예측 위치 오차
Figure 112014075281024-pat00039
(k-l 시점에서 예측된 k 시점의 예측 위치 정보) 간의 상관 관계를 학습한다. 과거의 예측 위치 오차
Figure 112014075281024-pat00040
는 위치 측정값
Figure 112014075281024-pat00041
(k 시점의 위치 측정값)과, 과거의 예측 위치 정보
Figure 112014075281024-pat00042
(k-l 시점에서 모델기반 예측부에 의해 산출된 예측 위치 정보)의 차이 값으로부터 얻을 수 있다.
보정값 산출부(144)는 학습부(142)에서 수행된 상관 관계의 학습을 통해 얻은 정보를 제공받아 상태 벡터와 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상관 관계 함수에 따라 현재(k 시점)의 상태 벡터
Figure 112014075281024-pat00043
에 대응하는 예측 위치 보정 값
Figure 112014075281024-pat00044
(k+l 시점의 예측 위치 보정 값)을 산출한다. 보정값 산출부(144)에 의해 산출된 예측 위치 보정 값
Figure 112014075281024-pat00045
은 최종 예측 위치 정보
Figure 112014075281024-pat00046
(k+l 시점의 최종 예측 위치 정보)의 산출을 위해 결합부(160)로 제공된다.
결합부(160)는 모델기반 예측부(120)에서 산출된 예측 위치 정보
Figure 112014075281024-pat00047
와 비모델기반 보정부(140)에서 산출된 예측 위치 보정 값
Figure 112014075281024-pat00048
을 결합하여 최종 예측 위치 정보
Figure 112014075281024-pat00049
를 산출한다.
본 발명의 일 실시 예에 의하면, 호흡 운동 예측 모델 기반으로 산출된 예측 위치 정보의 오차가 비모델 기반의 학습 방식으로 산출된 예측 위치 보정 값에 의해 실시간 보정되며, 예측 위치 정보와 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출함으로써, 호흡 운동의 예측 정확도가 향상된다.
본 발명의 실시 예에 따른 호흡 운동 예측 방법에 의하면, 방사선 빔을 조사하여 체부의 종양을 치료시 호흡에 따른 종양의 위치를 보다 정확하게 예측하여 그 예측 오차를 최소화함으로써, 방사선 치료의 임상적 효과를 극대화하는 동시에 방사선 빔의 조준 오차에 의해 발생하는 종양 주변의 건강한 생체조직에 대한 방사선 피폭을 최소화할 수 있다. 나아가 확률적 비모델 방식을 사용하여 기준 범위를 초과하는 최종 예측 오차의 발생 가능성을 미리 탐지할 수 있도록 하여, 방사선 빔을 그에 해당하는 구간에서 중단하는 방법으로 치료의 안정성을 높일 수 있다. 따라서, 본 발명의 실시 예에 따른 호흡 운동 예측 방법은 호흡에 따른 종양의 이동 위치를 정확히 예측할 수 있을 뿐 아니라, 큰 예측 오차의 발생 가능성이 높은 경우 방사선을 차단하여 자동적으로 게이팅이 실행되도록 할 수 있다.
도 3 내지 도 8은 본 발명의 실시 예에 따른 호흡 운동 예측 방법의 예측 정확도를 국소 원운동 확장 칼만 필터 호흡 운동 예측 모델과 비교하여 보여주는 그래프이다. 가로축의 'Trace ID'는 31명의 환자를 대상으로 수집한 304개의 호흡 운동 데이터를 구별하기 위한 기호이고, 호흡 운동 예측에 의한 위치 값과 실제 측정값의 RMS(Root Mean Square) 오차 값이 세로축에 도시된다. 도 6 내지 도 8은 31명의 환자별로 RMS 오차 값의 평균을 산출하여 나타낸 그래프이다. 도 3 및 도 6은 호흡 운동 예측 시간(lookahead length)을 192ms로 설정한 경우의 RMS 오차 값을 나타내고, 도 4 및 도 7은 호흡 운동 예측 시간을 384ms로 설정한 경우의 RMS 오차 값을 나타내고, 도 5 및 도 8은 호흡 운동 예측 시간을 576ms로 설정한 경우의 RMS 오차 값을 나타낸다. 도 3 내지 도 8의 범례에서, 'EKF-SVR'은 도 2의 실시 예에 따라 호흡 운동을 예측한 결과를 나타내고, 'LCM-EKF'는 비교예로서 S.M. Hong, B.H. Jung and D. Ruan, "Real-time prediction of respiratory motion based on a local dynamic model in an augmented space", Physics in Medicine and Biology, vol. 56, no. 6, pp. 1775-1789, 2011에 따라 호흡 운동을 예측한 결과를 나타낸다.
도 3 내지 도 8에 도시된 바와 같이, 본 발명의 실시 예에 따른 호흡 운동 예측 방법은 비교예에 비하여 낮은 예측 오차 값을 나타내었으며, 이는 본 발명의 실시 예에 따른 호흡 운동 예측 방법이 보다 우수한 호흡 운동 예측 성능을 갖는다는 것을 의미한다.
도 9 내지 도 14는 본 발명의 실시 예에 따른 호흡 운동 예측 방법의 예측 정확도를 인공신경망(artificial neural networks) 및 서포트 벡터 회귀(support vector regression) 방식과 비교하여 보여주는 그래프이다. 도 9 내지 도 14에서, 가로축의 'Trace ID'는 31명의 환자를 대상으로 수집한 304개의 호흡 운동 데이터를 구별하기 위한 기호이고, 호흡 운동 예측에 의한 위치 값과 실제 측정값의 RMS(Root Mean Square) 오차 값이 세로축에 도시된다. 도 12 내지 도 14는 31명의 환자별로 RMS 오차 값의 평균을 산출하여 나타낸 그래프이다. 도 9 및 도 12는 호흡 운동 예측 시간(lookahead length)을 192ms로 설정한 경우의 RMS 오차 값을 나타내고, 도 10 및 도 13은 호흡 운동 예측 시간을 384ms로 설정한 경우의 RMS 오차 값을 나타내고, 도 11 및 도 14는 호흡 운동 예측 시간을 576ms로 설정한 경우의 RMS 오차 값을 나타낸다. 도 9 내지 도 14의 범례에서, 'EKF-SVR'은 도 2의 실시 예에 따라 호흡 운동을 예측한 결과를 나타내고, 'ANN'은 비교예로서 M.J. Murphy and D. Pokhrel, "Optimization of an adaptive neural network to predict breathing", Medical Physics , vol. 36, no. 1, p. 40-47, 2009에 따라 호흡 운동을 예측한 결과를 나타내며, 'SVR'은 N. Riaz, P. Shanker, R. Wiersma, O. Gudmundsson, W. Mao, B. Widrow and L. Xing, “Predicting respiratory tumor motion with multi-dimensional adaptive filters and support vector regression”, Physics in Medicine and Biology, vol. 54, no. 19, pp. 5735-5748, 2009에 따라 호흡 운동을 예측한 결과를 나타낸다.
도 9 내지 도 14에 도시된 바와 같이, 본 발명의 실시 예에 따른 호흡 운동 예측 방법은 인공신경망(ANN), 서포트 벡터 회귀(SVR)에 비해 낮은 예측 오차 값을 나타내었으며, 이는 본 발명의 실시 예에 따른 호흡 운동 예측 방법이 보다 우수한 호흡 운동 예측 성능을 갖는다는 것을 의미한다.
도 15는 본 발명의 다른 일 실시 예에 따른 호흡 운동 예측 장치를 보여주는 구성도이다. 도 15의 실시 예를 설명함에 있어서, 도 1 내지 도 2의 실시 예와 동일하거나 상응하는 구성에 대하여는 중복되는 설명을 생략할 수 있다. 도 15의 실시 예는 비모델기반 보정부(140)가 서포트 벡터 회귀(support vector regression) 대신 가우시안 프로세스 회귀(Gaussian process regression, GPR) 비모델 기반 학습 방식을 이용하여 예측 위치 보정 값
Figure 112014075281024-pat00050
을 산출하는 점에서, 도 2의 실시 예와 차이가 있다.
본 발명의 실시 예에 따른 호흡 운동 예측 방법은 예를 들어 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 SRAM(Static RAM), DRAM(Dynamic RAM), SDRAM(Synchronous DRAM) 등과 같은 휘발성 메모리, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리 장치, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM) 등과 같은 불휘발성 메모리, 플로피 디스크, 하드 디스크 또는 광학적 판독 매체 예를 들어 시디롬, 디브이디 등과 같은 형태의 저장매체일 수 있으나, 이에 제한되지는 않는다.
도 16은 본 발명의 실시 예에 따른 의료 기기의 구성도이다. 도 16을 참조하면, 본 발명의 실시 예에 따른 의료 기기(10)는 모델기반 예측부(120), 비모델기반 보정부(140), 결합부(160), 조사부(180) 및 게이팅부(200)를 포함한다.
모델기반 예측부(120)는 호흡 운동 예측 모델을 기반으로 질환 영역에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출한다. 예시적으로, 질환 영역은 종양을 포함할 수 있다.
비모델기반 보정부(140)는 비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출한다.
결합부(160)는 상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 상기 질환 영역에 대한 최종 예측 위치 정보를 산출한다.
조사부(180)는 상기 질환 영역으로 치료용 빔을 조사한다. 치료용 빔은 방사선 빔을 포함할 수 있다.
게이팅부(200)는 상기 최종 예측 위치 정보에 따라 상기 치료용 빔을 게이팅(gating)할 수 있다. 즉, 게이팅부(200)는 최종 예측 위치 정보가 상기 치료용 빔이 조사되는 영역으로부터 벗어나 큰 예측 오차의 발생 가능성이 높은 경우(미리 설정된 거리 이상 벗어날 가능성이 기준값보다 큰 경우), 상기 치료용 빔의 조사를 중단하고, 최종 예측 위치 정보가 상기 치료용 빔이 조사되는 영역으로부터 크게 벗어나는 큰 예측 오차의 발생 가능성이 낮은 경우, 상기 치료용 빔을 질환 영역으로 조사하는 게이팅을 수행할 수 있다.
게이팅부(200)는 조사부(180)에서 조사된 치료용 빔을 차단하거나 질환 영역으로 노출시키는 장치로 제공될 수도 있고, 치료용 빔의 발생을 제어하는 장치로 제공될 수도 있다.
본 발명의 실시 예에 의하면, 방사선 빔을 조사하여 체부의 종양을 치료시 호흡에 따른 종양의 위치를 정확하게 예측하여 그 예측 오차를 최소화함으로써, 방사선 치료의 임상적 효과를 극대화하는 동시에 방사선 빔의 조준 오차에 의해 발생하는 종양 주변의 건강한 생체조직에 대한 방사선 피폭을 최소화할 수 있다. 나아가 확률적 비모델 방식을 사용하여 기준 범위를 초과하는 최종 예측 오차의 발생 가능성을 미리 탐지할 수 있도록 하여, 방사선 빔을 그에 해당하는 구간에서 중단하는 방법으로 치료의 안정성을 높일 수 있다. 따라서, 본 발명의 실시 예에 따른 호흡 운동 예측 방법은 호흡에 따른 종양의 이동 위치를 정확히 예측할 수 있을 뿐 아니라, 큰 예측 오차의 발생 가능성이 높은 경우 방사선을 차단하여 자동적으로 게이팅이 실행되도록 할 수 있다.
이상의 실시 예들은 본 발명의 이해를 돕기 위하여 제시된 것으로, 본 발명의 범위를 제한하지 않으며, 이로부터 다양한 변형 가능한 실시 예들도 본 발명의 범위에 속하는 것임을 이해하여야 한다. 본 발명의 기술적 보호범위는 특허청구범위의 기술적 사상에 의해 정해져야 할 것이며, 본 발명의 기술적 보호범위는 특허청구범위의 문언적 기재 그 자체로 한정되는 것이 아니라 실질적으로는 기술적 가치가 균등한 범주의 발명에 대하여까지 미치는 것임을 이해하여야 한다.
10: 의료 기기
100: 호흡 운동 예측 장치
120: 모델기반 예측부
140: 비모델기반 보정부
142: 학습부
144: 보정값 산출부
160: 결합부
180: 조사부
200: 게이팅부

Claims (19)

  1. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부;
    비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및
    상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 결합부를 포함하며,
    상기 비모델기반 보정부는,
    상기 호흡 운동의 상태 벡터 중 과거의 학습 데이터의 상태 벡터와, 과거의 예측 위치 오차 간의 상관 관계를 학습하는 학습부; 및
    상기 상관 관계의 학습을 통해 상기 상태 벡터와 상기 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상기 상관 관계 함수에 따라 현재의 상태 벡터에 대응하는 예측 위치 보정 값을 산출하는 보정값 산출부를 포함하는 호흡 운동 예측 장치.
  2. 제1 항에 있어서,
    상기 상태 벡터는 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 포함하는 호흡 운동 예측 장치.
  3. 제2 항에 있어서,
    상기 모델기반 예측부는 상기 호흡 운동 예측 모델을 기반으로 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 이용하여 상기 예측 위치 정보를 산출하는 호흡 운동 예측 장치.
  4. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부;
    비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및
    상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 결합부를 포함하며,
    상기 호흡 운동 예측 모델은 국소 원운동 확장 칼만 필터(local circular motion extended Kalman filter) 모델을 포함하는 호흡 운동 예측 장치.
  5. 삭제
  6. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부;
    비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및
    상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 결합부를 포함하며,
    상기 비모델 기반 학습 방식은 서포트 벡터 회귀(support vector regression) 학습 방식을 포함하는 호흡 운동 예측 장치.
  7. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부;
    비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및
    상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 결합부를 포함하며,
    상기 비모델 기반 학습 방식은 가우시안 프로세스 회귀(Gaussian process regression) 학습 방식을 포함하는 호흡 운동 예측 장치.
  8. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 단계;
    비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 단계; 및
    상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 단계를 포함하며,
    상기 예측 위치 보정 값을 산출하는 단계는,
    상기 호흡 운동의 상태 벡터 중 과거의 학습 데이터의 상태 벡터와, 과거의 예측 위치 오차 간의 상관 관계를 학습하는 단계; 및
    상기 상관 관계의 학습을 통해 상기 상태 벡터와 상기 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상기 상관 관계 함수에 따라 현재의 상태 벡터에 대응하는 예측 위치 보정 값을 산출하는 단계를 포함하는 호흡 운동 예측 방법.
  9. 제8 항에 있어서,
    상기 상태 벡터는 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 포함하는 호흡 운동 예측 방법.
  10. 제9 항에 있어서,
    상기 예측 위치 정보를 산출하는 단계는 상기 호흡 운동 예측 모델을 기반으로 상기 측정 대상의 위치 측정값, 속도 및 가속도 정보를 이용하여 상기 예측 위치 정보를 산출하는 호흡 운동 예측 방법.
  11. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 단계;
    비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 단계; 및
    상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 단계를 포함하며,
    상기 호흡 운동 예측 모델은 국소 원운동 확장 칼만 필터(local circular motion extended Kalman filter) 모델을 포함하는 호흡 운동 예측 방법.
  12. 삭제
  13. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 단계;
    비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 단계; 및
    상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 단계를 포함하며,
    상기 비모델 기반 학습 방식은 서포트 벡터 회귀(support vector regression) 학습 방식을 포함하는 호흡 운동 예측 방법.
  14. 호흡 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 단계;
    비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 단계; 및
    상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 최종 예측 위치 정보를 산출하는 단계를 포함하며,
    상기 비모델 기반 학습 방식은 가우시안 프로세스 회귀(Gaussian process regression) 학습 방식을 포함하는 호흡 운동 예측 방법.
  15. 제8 항 내지 제11 항, 제13 항 및 제14 항 중 어느 한 항에 기재된 호흡 운동 예측 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
  16. 호흡 운동 예측 모델을 기반으로 질환 영역에 대한 위치 측정값으로부터 호흡 운동의 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부;
    비모델 기반 학습 방식으로 상기 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부;
    상기 예측 위치 정보와 상기 예측 위치 보정 값을 결합하여 상기 질환 영역에 대한 최종 예측 위치 정보를 산출하는 결합부;
    상기 질환 영역으로 상기 질환 영역의 치료를 위한 치료용 빔을 조사하는 조사부; 및
    상기 최종 예측 위치 정보에 따라 상기 치료용 빔을 게이팅하는 게이팅부를 포함하며,
    상기 비모델기반 보정부는,
    상기 호흡 운동의 상태 벡터 중 과거의 학습 데이터의 상태 벡터와, 과거의 예측 위치 오차 간의 상관 관계를 학습하는 학습부; 및
    상기 상관 관계의 학습을 통해 상기 상태 벡터와 상기 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상기 상관 관계 함수에 따라 현재의 상태 벡터에 대응하는 예측 위치 보정 값을 산출하는 보정값 산출부를 포함하는 의료 기기.
  17. 제16 항에 있어서,
    상기 게이팅부는, 상기 최종 예측 위치 정보가 상기 치료용 빔이 조사되는 영역으로부터 미리 설정된 거리 이상 벗어날 가능성이 기준값보다 큰 경우, 상기 치료용 빔의 조사를 중단하는 의료 기기.
  18. 제16 항에 있어서,
    상기 질환 영역은 종양을 포함하고,
    상기 치료용 빔은 방사선 빔을 포함하는 의료 기기.
  19. 운동 예측 모델을 기반으로 측정 대상에 대한 위치 측정값으로부터 측정 대상의 운동에 관한 상태 벡터 및 예측 위치 정보를 산출하는 모델기반 예측부;
    비모델 기반 학습 방식으로 상기 모델기반 예측부의 예측 위치 정보의 오차를 보정하기 위한 예측 위치 보정 값을 산출하는 비모델기반 보정부; 및
    상기 모델기반 예측부의 예측 위치 정보와 상기 비모델기반 보정부의 예측 위치 보정 값을 결합하여 상기 측정 대상에 대한 최종 예측 위치 정보를 산출하는 결합부를 포함하며,
    상기 비모델기반 보정부는,
    상기 운동에 관한 상태 벡터 중 과거의 학습 데이터의 상태 벡터와, 과거의 예측 위치 오차 간의 상관 관계를 학습하는 학습부; 및
    상기 상관 관계의 학습을 통해 상기 상태 벡터와 상기 예측 위치 오차 간의 상관 관계 함수를 구축하고, 상기 상관 관계 함수에 따라 현재의 상태 벡터에 대응하는 예측 위치 보정 값을 산출하는 보정값 산출부를 포함하는 운동 예측 장치.
KR1020140102434A 2014-08-08 2014-08-08 호흡 운동 예측 장치 및 호흡 운동 예측 방법 KR101647361B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140102434A KR101647361B1 (ko) 2014-08-08 2014-08-08 호흡 운동 예측 장치 및 호흡 운동 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140102434A KR101647361B1 (ko) 2014-08-08 2014-08-08 호흡 운동 예측 장치 및 호흡 운동 예측 방법

Publications (2)

Publication Number Publication Date
KR20160018989A KR20160018989A (ko) 2016-02-18
KR101647361B1 true KR101647361B1 (ko) 2016-08-11

Family

ID=55457926

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140102434A KR101647361B1 (ko) 2014-08-08 2014-08-08 호흡 운동 예측 장치 및 호흡 운동 예측 방법

Country Status (1)

Country Link
KR (1) KR101647361B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180042894A (ko) 2016-10-18 2018-04-27 제주대학교 산학협력단 운동 동기 부여를 위한 걷기 활동량 예측 방법
KR102131742B1 (ko) * 2019-01-04 2020-07-08 사회복지법인 삼성생명공익재단 가상현실을 이용하여 환자의 호흡동조 방사선 치료를 최적화하는 방법 및 시스템

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102135112B1 (ko) * 2018-07-26 2020-07-17 장태수 뇌 심혈 관계 모델 기반의 혈압 추정 장치 및 방법
KR102404649B1 (ko) * 2020-01-16 2022-06-07 아주대학교 산학협력단 방사선 치료에 따른 폐기능 예측 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004089516A (ja) 2002-09-02 2004-03-25 Mitsubishi Electric Corp 放射線照射装置
US20090156951A1 (en) 2007-07-09 2009-06-18 Superdimension, Ltd. Patient breathing modeling

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07163537A (ja) * 1994-09-01 1995-06-27 Hitachi Ltd Nmrイメージング方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004089516A (ja) 2002-09-02 2004-03-25 Mitsubishi Electric Corp 放射線照射装置
US20090156951A1 (en) 2007-07-09 2009-06-18 Superdimension, Ltd. Patient breathing modeling

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180042894A (ko) 2016-10-18 2018-04-27 제주대학교 산학협력단 운동 동기 부여를 위한 걷기 활동량 예측 방법
KR102131742B1 (ko) * 2019-01-04 2020-07-08 사회복지법인 삼성생명공익재단 가상현실을 이용하여 환자의 호흡동조 방사선 치료를 최적화하는 방법 및 시스템

Also Published As

Publication number Publication date
KR20160018989A (ko) 2016-02-18

Similar Documents

Publication Publication Date Title
Krauss et al. The comparative performance of four respiratory motion predictors for real-time tumour tracking
KR101647361B1 (ko) 호흡 운동 예측 장치 및 호흡 운동 예측 방법
CN108883302B (zh) 自适应辐射治疗规划
JP6529589B2 (ja) 熱画像からの呼吸信号の決定
AU2017211683B2 (en) Therapy control using motion prediction
CN107708805B (zh) 一种用于放疗治疗计划的优化的方法、计算机可读介质和系统
CN104225809B (zh) 一种带有呼吸补偿的4d放疗计划的实施方法及其设备
CN108367159B (zh) 自适应辐射治疗规划
US9925392B2 (en) Breathing phase-based transformation of a static computed tomography
WO2018023024A1 (en) Automated tracking of fiducial marker clusters in x-ray images
CN115485018A (zh) 用于使用强化学习来控制处理递送的方法和装置
US20130324783A1 (en) Apparatus and Method Pertaining to Optimizing a Radiation-Treatment Plan Using Historical Information
CN111128340A (zh) 放射治疗计划生成设备、装置和存储介质
US20240139548A1 (en) System and method for assessing the performance of a radiotherapy apparatus
JP6823299B2 (ja) 放射線治療計画装置および放射線治療システム
CN110494893A (zh) 基于ffr的对非侵入性成像的交互监测
JP6105743B2 (ja) 治療計画装置制御装置、制御方法およびプログラム
Yan et al. Hybrid MV-kV 3D respiratory motion tracking during radiation therapy with low imaging dose
Bedford et al. A recurrent neural network for rapid detection of delivery errors during real-time portal dosimetry
KR101638990B1 (ko) 선량 계산 방법 및 장치
CN104869904A (zh) 介入系统
US11446091B2 (en) Method and system for determining a navigation pathway for invasive medical instrument in blood vessels
US9146289B2 (en) Targeted thermal treatment of human tissue through respiratory cycles using ARMA modeling
US20210244969A1 (en) System and method for radiotherapy treatment planning
Mirzapour et al. Intra-fraction motion prediction in MRI-guided radiation therapy using Markov processes

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190725

Year of fee payment: 4