KR102450559B1 - 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치 - Google Patents

인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치 Download PDF

Info

Publication number
KR102450559B1
KR102450559B1 KR1020190152225A KR20190152225A KR102450559B1 KR 102450559 B1 KR102450559 B1 KR 102450559B1 KR 1020190152225 A KR1020190152225 A KR 1020190152225A KR 20190152225 A KR20190152225 A KR 20190152225A KR 102450559 B1 KR102450559 B1 KR 102450559B1
Authority
KR
South Korea
Prior art keywords
information
treatment
treatment plan
radiation
result information
Prior art date
Application number
KR1020190152225A
Other languages
English (en)
Other versions
KR20210063742A (ko
Inventor
주상규
안용찬
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020190152225A priority Critical patent/KR102450559B1/ko
Publication of KR20210063742A publication Critical patent/KR20210063742A/ko
Application granted granted Critical
Publication of KR102450559B1 publication Critical patent/KR102450559B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radiation-Therapy Devices (AREA)

Abstract

본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법은 방사선 치료 계획 입력 정보를 수신하는 과정과, 상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH(dose volume histogram) 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하는 과정과, 상기 생성된 치료 계획 결과 정보를 표시하는 과정을 포함할 수 있다.

Description

인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치{METHOD FOR PREDICTING OPTIMAL RADIOTHERAPY METHOD BASED ON ARTIFICIAL INTERLLIGENCE AND DEVICE THEREOF}
본 개시(disclosure)는 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치에 관한 것이다.
방사선치료(radiotherapy, radiation therapy)는 종양 주변의 정상 조직에 조사되는 선량을 최소화하면서 종양에 치사 선량을 집중 조사하여 암을 괴사키기거나 성장을 억제하는데 목적이 있다. 방사선치료는 치료 목적에 최적화된 선량 분포를 치료부위 및 종양 주변의 정상 조직에 구현하기 위해, 각각의 방사선 조사영역에 서로 다른 세기의 방사선을 전달할 수 있는 치료 계획을 수립한 후 방사선 조절 장치로 정밀하게 제어하여 계획된 방사선을 전달한다. 이러한 치료 기법을 이용하면 종양 주변부의 정상 장기의 부작용은 최소화 하면서 종양부위에만 집중적으로 방사선을 조사하여 안전하고 효과적인 방사선 치료를 수행할 수 있어, 방사선 치료 목적 달성을 위해 다양한 치료기와 빔 조사 방법이 소개되고 있다.
기존 방사선 치료 계획은 각 병원에서 보유한 다양한 치료 장비의 빔 특성과 환자 체내 종양과 정상 장기간의 기하학적 구조를 바탕으로 전문가의 경험에 기인하여 가장 적합한 치료기와 치료 방법을 선택한 후 이를 기반으로 선량 계획을 수행하거나 서로 다른 치료기로 라이벌 치료 계획을 만들어 가장 우수한 치료 계획을 선택한다. 따라서, 기존 방법은 시행 착오(trial and error)에 기반한 반복 업무를 수행함으로써, 일반적으로 건당 약 6시간 이상의 많은 시간이 소요되고 비교 치료기가 많을수록 업무량이 급격히 증가할 수 있다. 또한 선량을 계산하는 사람의 경험과 능력에 따라 치료 계획이 상이할 수 있다. 치료 계획 결정 후에도 최상의 치료 계획인지 여부를 알기 어렵고 해당 치료기에 환자를 배정하고자 할 때 치료실에서 수용 가능한 환자 초과로 치료가 지연되는 문제가 발생할 수 있다.
최근에는, 기존 치료 계획 결과를 이용한 기계학습을 통해 예측 모델을 만들고 이를 이용하여 치료 계획 결과를 예측하고 평가하는 연구가 활발히 진행되고 있다. 치료 계획 결과를 예측하기 위해서는 예측 모델을 만들어야 하는데 모델을 만들기 위한 변수 수집과 모델 생성이 쉽지 않아 단순 연구용이나 1개의 치료기를 기반으로 예측 결과를 제시하는 수준에 불과하다.
대한민국 등록특허공보 제10-2020383호(2018.06.07)
상술한 바와 같은 논의를 바탕으로, 본 개시(disclosure)는 기존 치료 환자의 치료 계획 결과를 기계 학습함으로써, 다양한 치료기를 대상으로 최상의 치료법을 예측하는 모델을 만들고, 이를 이용하여 방사선 치료 시 환자 상태에 가장 최적화된 최선의 치료 계획을 예측하고, 현 치료기의 예약 상황을 참조 하여 최적의 치료법을 제안하기 위한 방법 및 그 장치를 제공한다.
본 개시(disclosure)의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법은 방사선 치료 계획 입력 정보를 수신하는 과정과, 상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH(dose volume histogram) 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하는 과정과, 상기 생성된 치료 계획 결과 정보를 표시하는 과정을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치는 방사선 치료 계획을 예측하기 위한 기계학습부, 치료기 별 예측된 치료 계획을 평가하기 위한 치료 계획 평가부, 치료기 별 예약 현황 정보와 대응되는 치료기 별 치료 계획 결과 정보를 생성하기 위한 치료기 일정 관리부, 디스플레이부 및 상기 기계학습부, 치료 계획 평가부, 일정 관리부 및 디스플레이와 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 방사선 치료 계획 입력 정보를 수신하고, 상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하고, 상기 생성된 치료 계획 결과 정보를 표시하도록 구성될 수 있다.
본 개시(disclosure)의 다양한 실시 예들에 따른 방법 및 그 전자 장치는, 기존 치료 환자의 치료 계획 결과를 기계 학습하여 다양한 치료기를 대상으로 최적의 치료 계획 및 빔 파라미터를 예측하고 이를 치료 계획 장치에 전송하여 치료 계획 시 참조할 수 있도록 함으로써, 치료 계획 시간을 단축시키고 최적의 치료 계획 획득할 수 있다.
도 1은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 일 예를 나타내는 블록도를 도시한다.
도 2는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 방사선 치료 계획 예측 장치의 일 예를 나타내는 블록도를 도시한다.
도 3은 다양한 실시 예들에 따른, 방사선 치료 계획을 생성하기 위한 기존 시스템의 일 예를 나타낸다.
도 4는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템에서 치료 계획 예측 모델을 이용하기 위한 데이터 흐름의 일 예를 나타낸다.
도 5는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 방사선 치료 계획 예측 장치가 환자의 자료 생성 및 추출 기능을 제공하기 위한 표시의 일 예이다.
도 6은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 방사선 치료 계획 예측 장치가 예측된 치료 계획을 제공하기 위한 표시의 일 예이다.
도 7은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 장치 치료 계획을 예측하기 위한 동작 방법을 설명하기 위한 흐름도의 일 예이다.
도 8은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 장치 치료 계획을 예측하기 위한 동작 방법을 설명하기 위한 흐름도의 다른 예이다.
도 9는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 장치 치료 계획을 예측하기 위한 동작 방법을 설명하기 위한 흐름도의 또 다른 예이다.
본 개시(disclosure)는 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하의 실시 예에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하의 실시 예에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 다수의 표현을 포함한다. 이하의 실시 예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 실시 예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명의 실시 예들은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명의 실시 예의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명의 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명의 실시 예들은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단, 구성과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
이하 설명에서 사용되는 데이터의 표시에 관련된 변수(예: 파라미터(parameter), 값)을 지칭하는 용어, 발명의 동작을 수행하는데 사용되는 객체(예: 전자 장치, 표시 장치, 디스플레이 장치 등)를 지칭하는 용어, 장치의 구성요소를 지칭하는 용어(예: 회로, 모듈, 컨트롤러, 프로세서, 수집부, 예측부, 추론부, 지원부, 처리부, 표시부, 센서 등) 등은 설명의 편의를 위해 예시된 것이다. 따라서, 본 개시가 후술되는 용어들에 한정되는 것은 아니며, 동등한 기술적 의미를 가지는 다른 용어가 사용될 수 있다.
본 개시에서, 인공 지능(artificial intelligence, AI)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미할 수 있고, 기계 학습(machine learning)은 인공지능 기술의 한 분야로서 컴퓨팅 장치가 데이터를 통해 학습하여 특정 대상 혹은 조건을 이해할 수 있게 하거나 데이터의 패턴을 찾아내 분류하는 기술적 방식으로써 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘일 수 있다. 본 발명에서 개시하는 기계 학습은 인공지능 모델을 학습하기 위한 동작 방법을 포함하는 의미로서 이해될 수 있다.
방사선 치료에 있어, 치료기의 경우 방사선 빔의 반음영(penumbra)이나 선질 특성이 양질의 치료 목적 달성을 위한 선량 분포를 얻는데 주요한 변수일 수 있다. 환자의 경우, 종양과 주변 정상 장기가 서로 겹치거나 근접해 있을수록 종양에 고선량을 조사하기 어렵고 정상 장기가 받는 선량이 높아져 부작용 발생 가능성이 증가할 수 있어 종양과 주변 정상 장기 간의 기하학적 구조, 즉 종양과 주변 정상 조직의 이격 정도가 가 치료 목적 달성에 중요한 변수일 수 있다. 따라서, 기존 방사선 치료 계획은 다양한 치료 장비의 빔 특성과 환자 체내 종양과 정상 장기간의 기하학적 구조를 바탕으로 전문가의 경험에 기인하여 가장 적합한 치료기와 치료 방법을 선택한 후 이를 기반으로 종양 주변 정상 장기에 가는 선량을 최소화하면서 종양에 치사 선량을 집중 조사하여 암을 괴사키기거나 성장을 억제하도록 치료 계획을 수립하는 것이 중요할 수 있다. 이에, 본 개시는 기존 치료 환자의 치료 계획 결과를 기계 학습하여 다양한 치료기를 대상으로 최적의 치료 계획 및 빔 파라미터를 예측하고 이를 치료 계획 장치에 전송하여 치료 계획 시 참조할 수 있도록 함으로써, 기존 치료 계획 대비 치료 계획 시간을 단축시키고 최적의 치료 계획 획득하기 위한 방법 및 장치를 제공할 수 있다.
도 1은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 일 예를 나타내는 블록도를 도시한다. 방사선 치료 계획 예측 시스템(100)은 방사선 치료 계획 예측 장치(110), 방사선 치료계획시스템(130) 및 서버 장치(150)를 포함할 수 있다. 방사선 치료계획시스템(130)은 선량 계산 및 contouring 기능이 가능한 유사 시스템을 포함할 수 있다.
방사선 치료 계획 예측 장치(110)는 방사선 치료계획시스템(130)로부터 환자의 해부학적 구조 정보(예: CT(computerized tomography) 정보, 윤곽(contour) 정보)와 선량 정보를 수신할 수 있고, 기계 학습에 용이하도록 변경할 수 있다. 또한, 방사선 치료 계획 예측 장치(110)는 서버 장치(150)로부터 방사선 치료기 정보를 수신할 수 있고, 기계 학습에 용이하도록 변경할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 환자의 해부학적 구조 정보와 선량 정보를 방사선 치료 계획 예측 장치(110)가 기계 학습에 이용하는데 인식 가능한 데이터 형태(예: 스프레드시트, 텍스트)로 가공할 수 있다.
방사선 치료 계획 예측 장치(110)는 방사선 치료계획시스템(130)을 대상으로 환자 선량 분포 예측 모델을 생성하고, 새로운 환자 진료 시 새로운 환자의 해부학적 구조 정보를 이용하여 종양과 정상 장기 간 기하학적 정보를 추출하고, 이를 기계 학습 모델을 이용하여 학습함으로써, 방사선 치료계획시스템(130)의 예측된 치료 계획 결과 정보를 생성하고 표시할 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는, 상기와 같은 방법으로 여러 종류의 방사선 치료기를 대상으로 선량 분포 예측 모델을 이용하여 치료기 별 치료 계획을 예측함으로써, 각 치료기의 예측 값을 상호 비교하여 가장 우수한 치료 계획 결과를 제공할 수 있다. 방사선 치료 계획 예측 장치(110)는 예측된 치료 계획 결과 정보에 더해 치료 계획에 필요한 빔 파라미터를 예측할 수 있고, 치료 계획 결과 정보는 빔 파라미터 정보를 포함할 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 치료 계획 결과 정보 생성 시, 방사선 치료기 별로 기존 알려진 선량 기준 정보뿐만 아니라 알려진 선량 기준 정보에 기반하여 치료하는 사람(예: 담당 의사)이 필요로 하는 선량 기준 정보를 생성할 수 있다. 방사선 치료 계획 예측 장치(110)는 생성된 치료 계획 결과 정보를 방사선 치료계획시스템(130)에 송신할 수 있고, 방사선 치료계획시스템(130)은 방사선 치료에 있어 예측하여 생성한 치료 계획을 사용할 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 치료 계획 결과 정보에 더해 빔 파라미터 정보를 방사선 치료계획시스템(130)에 송신할 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 여러 종류의 방사선 치료기를 대상으로 선량 분포 예측 모델을 이용하여 치료기 별 치료 계획 결과 정보를 생성함으로써, 각 치료기의 치료 계획 결과 정보들에 기설정된 기준에 따른 점수(score)를 부여할 수 있고, 점수가 부여된 각 치료 계획 결과 정보들을 표시함으로써, 최적의 치료 계획을 제공할 수 있다.
방사선 치료 계획 예측 장치(110)는 서버 장치(150)(예: 병원 정보 시스템)로부터 모든 치료기 정보를 수신하고, 사용 가능한 치료기 정보를 제공할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 서버 장치(150)로부터 모든 치료기의 치료 환자 일정 및 치료기 별 최대 수용 환자 수 정보를 수신하고, 수신한 정보에 기반하여 사용 가능한 치료기 정보를 제공할 수 있다. 방사선 치료 계획 예측 장치(110)는 치료 계획 결과 정보에 더해 치료 가능한 치료기 정보를 표시함으로써, 치료 계획 시간을 단축하고, 보다 우수한 치료 계획을 식별 가능하게 할 수 있다.
일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 예측을 위한 명령들을 포함하는 프로그램 또는 이를 구동하기 위한 컴퓨팅 장치일 수 있다. 방사선 치료 계획 예측을 위한 명령들을 포함하는 프로그램은 방사선 치료 계획 예측 장치(110), 서버 장치(150) 또는 방사선 치료계획시스템(130)과 연결되어 치료 계획 예측 모델을 학습하기 위한 기계 학습 장치에 설치되어 운용될 수 있다.
일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료계획시스템(130)과 치료 계획 예측 모델을 학습하기 위한 기계 학습 장치 간에 위치하여 방사선 치료계획시스템(130)과는 표준 프로토콜(예: DICOM, DICOM-RT(radiotherapy))를 이용하여 인터페이스를 형성하며, 기계 학습 장치와는 약속된 데이터 포맷(예: 스프레드시트 또는 그 형태의 다차원 데이터)으로 상호 데이터를 전송할 수 있도록 구성될 수 있다.
방사선 치료계획시스템(130)은 방사선 치료 계획 예측 장치(110)에 환자의 해부학적 구조 정보를 송신하고, 방사선 치료 계획 예측 장치(110)로부터 예측된 치료 계획을 나타내는 치료 계획 결과 정보를 수신할 수 있다. 또한, 방사선 치료계획시스템(130)은 방사선 치료 계획 예측 장치(110)로부터 치료 계획 결과 정보와 빔 파라미터 정보를 수신할 수 있다. 일 실시 예에서, 방사선 치료계획시스템(130)은 실시간 전송 프로토콜(Real-time Transport Protocol)을 통해, 환자의 해부학적 구조 정보를 송신하고, 예측된 치료 계획 결과 정보를 수신할 수 있고, 이 때 방사선 치료계획시스템(130)이 송신하는 정보는 계획 파라미터(plan parameter), 이미지(image), 선량(dose), 윤곽(contour) 정보를 포함할 수 있다. 일 실시 예에서, 방사선 치료계획시스템(130)은 의료용 디지털 영상 및 통신 표준(digital imaging and communications in medicine, DICOM)을 통해 관리되는 의료 영상을 방사선 치료 계획 예측 장치(110)에 송신할 수 있다. 일 실시 예에서, 방사선 치료계획시스템(130)은 방사선 치료기일 수 있다.
서버 장치(150)는 방사선 치료 계획 예측 장치(110) 모든 치료기 정보를 송신하고, 치료 계획 예측 정보 및 사용 가능한 치료기 정보를 수신할 수 있다. 예를 들어, 서버 장치(150)는 방사선 치료 계획 예측 장치(110)에게 모든 치료기의 치료 환자 일정 및 치료기 별 최대 수용 환자 수 정보를 송신하고, 송신한 정보는 치료 계획 예측 및 사용 가능한 치료기 정보를 생성하는데 사용될 수 있다. 일 실시 예에서, 서버 장치(150)는 병원 전산 시스템일 수 있다.
도 2는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 방사선 치료 계획 예측 장치의 일 예를 나타내는 블록도를 도시한다. 도 2를 참고하면, 방사선 치료 계획 예측 장치(110)는 정보 추출부(111), 기계 학습부(113), 치료 계획 평가부(115), 치료기 일정 관리부(117), 디스플레이부(119)를 포함할 수 있다.
본 개시에서는, 치료 계획 예측을 위한 동작이 방사선 치료 계획 예측 장치(110)가 포함하는 구성에 의해 수행되는 방법을 설명하나, 치료 계획 예측을 위한 동작은 방사선 치료 계획 예측 장치(110)가 포함하는 적어도 하나 이상의 프로세서에 의해 제어되거나, 방사선 치료 계획 예측 장치(110) 외부 또는 내부 장치에 의해 동작이 수행되거나 방사선 치료 계획 예측 장치(110)에 연결된 다른 장치에 의해 수행될 수 있다.
정보 추출부(111)는, 방사선 치료계획시스템(130) 또는 서버 장치(150)로부터 수신한 환자의 해부학적 구조 정보와 선량 정보를 기계 학습에 용이하도록 추출할 수 있다. 예를 들어, 정보 추출부(111)는, 방사선 치료계획시스템(130)로부터 수신한 환자의 해부학적 구조 정보와 선량 정보를 수신할 수 있고, 기계 학습에 용이하도록 변경하여 생성할 수 있다. 예를 들어, 정보 추출부(111)는, 선량 분포 예측 모델에 입력 값으로 사용되기 위한 데이터를 생성할 수 있다. 선량 분포 예측 모델에 입력 값으로 사용되기 위한 데이터는 기계 학습에 적합한 형태로서 스프레드시트 또는 그 형태의 다차원 데이터, 텍스트 형식일 수 있다.
일 실시 예에서, 정보 추출부(111)는, 방사선 치료계획시스템(130)으로부터 수신한 정보로부터 기계 학습에 필요한 정보를 추출할 수 있고, 예를 들어, 표적 및 정상 장기의 윤곽(contour)정보로부터 상호 기하학적 정보(예: overlap volume histogram, OVH), 선량 분포 정보(dose volume histogram, DVH), 빔 파라미터 정보, 방사선 치료기 정보 중 적어도 하나를 생성할 수 있다.
기계 학습부(113)는, 방사선 치료계획시스템(130)을 대상으로 환자 선량 분포 예측 모델을 생성하고, 새로운 환자 진료 시 새로운 환자의 해부학적 구조 정보를 이용하여 종양과 정상 장기 간 기하학적 정보를 추출하고, 이를 기계 학습 모델을 이용하여 학습함으로써, 예측된 치료 계획 결과 정보를 생성할 수 있다. 예를 들어, 기계 학습부(113)는 선량 분포 예측 모델을 생성하고, 예측이 필요한 신환자의 정보를 이용하여 선량 분포 예측 모델 기계 학습함으로써, 신환자를 치료하기 위한 선량 분포(예: DVH) 정보 또는 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다. 선량 분포 예측 모델은 기존 환자의 표적 및 정상 장기 간의 기하학적 구조를 표현한 정보(예: OVH)를 입력 값으로 하고, 선량 분포 정보 또는 빔 파라미터 정보를 출력 값으로 하는 기계학습 모델일 수 있다. 일 실시 예에서, 기존 환자의 정보는 서버 장치(150)로부터 수신될 수 있다. 일 실시 예에서, 기계 학습부(113)는, 여러 종류의 방사선 치료기를 대상으로 선량 분포 예측 모델을 이용하여 치료기 별 치료 계획을 예측함으로써, 각 치료기의 예측 값을 상호 비교하여 가장 우수한 치료 계획 결과를 제공할 수 있다.
기계 학습부(113)는, 방사선 치료 계획 예측 장치(110)가 포함되는 장치로 도시되었지만, 일 실시 예에서, 방사선 치료 계획 예측 장치(110)와 연결된 다른 장치일 수 있다.
치료 계획 평가부(115)는, 기계 학습부(113)가 생성한 방사선 치료계획시스템(130)의 치료 계획 결과 정보를 평가할 수 있다. 일 실시 예에서, 치료 계획 평가부(115), 기계 학습부(113)가 생성한 여러 종류의 방사선 치료기를 대상으로 선량 분포 예측 모델을 이용하여 치료기 별 치료 계획 결과 정보들에 대해 기설정된 기준에 따른 점수(score)를 부여함으로써, 사용자가 최적의 치료 계획을 선택 가능하게 할 수 있다. 예를 들어, 치료 계획 평가부(115)는 치료기 별 치료 계획 결과 정보의 선량 분포에 기반하여, 치료 계획 결과 정보를 평가할 수 있다. 점수는 표적 주변 정상 장기에 조사되는 선량이 약하고 표적에 조사되는 선량이 강할수록 높을 수 있다. 일 실시 예에서, 치료 계획 평가부(115)는, 사용자로부터 각 치료기 별 치료 계획 결과 정보에 대응하는 점수를 직접 입력 받아 생성할 수 있다.
치료기 일정 관리부(117)는, 서버 장치(150)(예: 병원 정보 시스템)로부터 모든 치료기 정보를 수신하고, 사용 가능한 치료기 정보를 생성할 수 있다. 예를 들어, 치료기 일정 관리부(117)는 방사선 치료계획시스템(130)을 포함하는 모든 치료기의 치료기 일정 정보 및 최대 수용 환자 수 정보를 수신할 수 있다. 치료기 일정 관리부(117)는 수신한 치료기 정보에 기반하여 사용 가능한 치료기 정보를 생성할 수 있다. 일 실시 예에서, 치료기 일정 관리부(117)는, 각 치료기 별 치료 계획 결과 정보에 대응하는 점수 값과 치료기 일정 정보에 포함된 예약 대기 기간 값에 각 가중치를 부여하고, 가중치에 기반한 치료기 별 점수를 부여하고 비교함으로써, 현재 사용 가능한 최적의 치료기 및 치료 계획의 순위를 나타내는 사용 가능한 치료기 정보를 생성할 수 있다.
디스플레이부(119)는, 방사선 치료 계획 예측 장치(110)가 생성한 정보들을 표시할 수 있다. 예를 들어, 디스플레이부는 기계 학습을 통해 예측된 신환자의 치료를 위해 필요한 치료 계획 결과 정보를 사용자가 식별할 수 있도록 표시하고, 치료기 예약 현황 및 사용 가능한 치료기 정보를 표시함으로써, 사용자가 사용 가능한 치료기를 선택할 수 있도록 할 수 있다. 일 실시 예에서, 디스플레이부(119)는 치료기 별 치료 계획 결과 정보를 표시함으로써, 사용자가 우수한 치료 계획을 식별 가능하게 할 수 있고, 각 치료기의 치료 계획을 평가할 수 있는 인터페이스를 표시할 수 있다. 디스플레이부(119)는 방사선 치료 계획 예측 장치(110)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이부(119)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이부(119)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치는 방사선 치료 계획을 예측하기 위한 기계학습부, 치료기 별 예측된 치료 계획을 평가하기 위한 치료 계획 평가부, 치료기 별 예약 현황 정보와 대응되는 치료기 별 치료 계획 결과 정보를 생성하기 위한 치료기 일정 관리부, 디스플레이부, 및 기계학습부, 치료 계획 평가부, 일정 관리부 및 디스플레이와 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 방사선 치료 계획 입력 정보를 수신하고, 상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하고, 상기 생성된 치료 계획 결과 정보를 표시하도록 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 방사선 치료 계획 입력 정보는, 환자의 종양과 정상 장기 간의 기하학적 구조 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 환자의 종양과 정상 장기 간의 기하학적 구조 정보는, OVH 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 방사선 치료 계획 입력 정보는, 방사선 치료기의 빔 특성 정보를 포함하는 방사선 치료기 정보를 더 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는, 상기 방사선 치료 계획 입력 정보가 포함하는 환자의 종양과 정상 장기 간의 기하학적 구조 정보 및 방사선 치료기 정보를 상기 예측 모델이 인식 가능한 정보로 변환하도록 더 구성되고, 상기 예측 모델이 인식 가능한 정보는 텍스트 형식의 정보 및 스프레드시트 형식 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 치료 계획 결과 정보는 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하고, 상기 적어도 하나의 프로세서는, 상기 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 비교하여 치료기 별 치료 계획 결과 정보를 생성하고, 상기 치료기 별 치료 계획 결과 정보를 표시하도록 더 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는, 상기 치료기 별 치료 계획 결과 정보 각각에 대응하여 기설정된 기준에 따른 점수(score)를 생성하고, 상기 치료기 별 치료 계획 결과 정보 및 상기 생성된 점수를 표시하도록 더 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는, 치료기 별 예약 현황 정보를 포함하는 치료기 예약 정보를 수신하고, 상기 치료기 별 예약 현황 정보에 기반하여 사용 가능한 치료기 정보를 생성하고, 상기 치료기 별 치료 계획 결과 정보 및 상기 사용 가능한 치료기 정보를 표시하도록 더 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 치료기 별 예약 현황 정보는, 적어도 하나 이상의 치료기 별 치료 환자 일정 정보, 치료기 별 최대 수용 환자 수 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획을 처리하기 위해 컴퓨터에 의해 실행 가능한 소프트웨어를 나타내는 데이터가 저장된 컴퓨터 판독 가능 저장 매체로서, 상기 컴퓨터 판독 가능 저장 매체는 방사선 치료 계획 입력 정보를 수신하기 위한 명령들과, 상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하기 위한 명령들과, 상기 생성된 치료 계획 결과 정보를 표시하기 위한 명령들을 포함할 수 있다.
도 3은 다양한 실시 예들에 따른, 방사선 치료 계획을 생성하기 위한 기존 시스템의 일 예를 나타낸다. 도 3의, 방사선 치료 계획을 생성하기 위한 기존 시스템 기존 시스템(300)을 참고하면, 환자의 표적과 정상 장기간의 기하학적 구조를 포함하는 환자 정보에 기반하여 치료 계획을 생성하고, 생성된 치료 계획을 선택 및 검증한 후, 선택 및 검증된 치료 계획에 대응하는 치료기 일정을 확인하여 배정하는 과정을 수행함으로써, 환자를 치료할 수 있다. 이 때, 치료 계획 과정은 치료기와 치료 방법을 선택한 후 이를 기반으로 선량 분포를 생성하거나, 라이벌 치료 계획을 생성하여 가장 우수한 치료 계획을 선택할 수 있다.
라이벌 치료 계획을 생성하여 치료 계획을 생성하는 과정은 복수의 방사선 치료기 각각의 치료 계획을 생성하고, 각 치료 계획의 선량 분포(예: DVH)를 분석함으로써 수행될 수 있다. 예를 들어, 선형 가속기, 토모 치료기, 양성자 치료기의 치료 계획을 각각 생성하고, 각 치료 계획의 DVH를 이용하여 표적과 정상 장기에 조사되는 선량을 분석함으로써, 사용자의 주관에 따라 최상의 치료 계획을 선택할 수 있다.
따라서, 기존 방사선 치료 계획은 치료 장비의 빔 특성과 표적과 정상 장기간의 기하학적 구조를 바탕으로 전문가의 경험에 기인하여 가장 적합한 치료기와 치료 방법을 선택한 후 이를 기반으로 선량 계획을 수행하거나 서로 다른 치료기로 라이벌 치료 계획을 만들어 가장 우수한 치료 계획을 선택함으로써, 시행 착오(trial and error)에 기반한 반복 업무를 수행하므로, 많은 시간이 소요되고 비교 치료기가 많을수록 업무량이 급격히 증가하며, 개인의 경험과 능력에 따라 치료 계획이 상이할 수 있다. 또한, 치료 계획 결정 후에도 최상의 치료 계획인지 여부를 알기 어렵고 해당 치료기에 환자를 배정하고자 할 때 치료실에서 수용 가능한 환자 초과로 치료가 지연되는 문제가 발생할 수 있다.
도 4는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템에서 치료 계획 예측 모델을 이용하기 위한 데이터 흐름의 일 예를 나타낸다. 도 4의, 방사선 치료 계획 예측 시스템치료 계획 예측 모델을 이용하기 위한 데이터 흐름의 일 예(400)를 참고하면, 방사선 치료 계획 예측 장치(110)는 방사선 치료기로부터 수신한 기존 환자의 환자 정보와 신환자의 환자 정보에 기반하여, 치료 계획을 예측할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 기존 환자의 표적 및 정상 장기 간의 기하학적 구조를 표현한 정보(예: OVH)를 입력 값으로 하고, 선량 분포 정보 또는 빔 파라미터 정보를 출력 값으로 하는 선량 분포 예측 모델(401)을 생성하고, 신환자의 환자 정보를 이용하여 선량 분포 예측 모델(401)을 기계 학습함으로써, 치료 계획 예측을 지원할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 확장된 표적의 체적에 포함된 정상 장기의 체적 대비 해당 장기의 원 체적을 확장 길이에 따라 나타낸 신환자의 OVH 정보를 이용하여 선량 분포 예측 모델(401)을 기계 학습하고, DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성함으로써, 치료 계획 예측을 지원할 수 있다.
도 5는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 방사선 치료 계획 예측 장치가 환자의 자료 생성 및 추출 기능을 제공하기 위한 표시의 일 예이다. 도 5의 환자의 자료 생성 및 추출 기능을 제공하기 위한 표시의 일 예(500)를 참고하면, 예를 들어, 방사선 치료 계획 예측 장치(110)(예: 디스플레이부(119))는 환자의 종양과 주변 정상 장기 간의 기하학적 구조를 포함하는 환자 정보에 함께, 표적(target) 선택 인터페이스, 치료기 별 DVH 표시 인터페이스, OVH 표시 인터페이스를 표시할 수 있다. 일 실시 예에서, 사용자는 표적 선택 인터페이스에서 환자 정보에서 빔 파라미터에 따라 표적을 선택하고, 표적에서 필요한 표적 손상위험 장기 정보(organ at risk, OAR) 윤곽(contour), 윤곽의 간격, 확장 범위를 선택함으로써, OVH 정보를 생성하게 할 수 있다. 또한, 방사선 치료 계획 예측 장치(110)는 확장된 OAR 윤곽 및 OVH 정보를 표시할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 계획 표적 체적(planning target　volume,　PTV)을 확대한 체적과 OAR 체적이 중첩되는 체적의 윤곽을 생성하여 표시하고, 상기 중첩되는 체적의 윤곽에 기반하여, 축소 또는 확장된 표적의 체적에 포함된 정상 장기의 체적 대비 해당 장기의 원 체적을 확장 길이에 따라 나타낸 환자의 OVH 정보를 표시할 수 있다. 일 실시 예에서, OVH 정보는 그래프로 표시될 수 있고, 그래프로 표시된 OVH 정보는 가로/세로 축의 간격이 조정되어 표시될 수 있다. 일 실시 예에서, 표시된 DVH 정보 및 OVH 정보는 기계 학습에 이용되는데 인식 가능한 데이터 형태(예: 스프레드시트, 텍스트)로 저장될 수 있다.
도 6은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 시스템의 방사선 치료 계획 예측 장치가 예측된 치료 계획을 제공하기 위한 표시의 일 예이다. 도 6의 예측된 치료 계획을 제공하기 위한 표시(600)를 참고하면, 예를 들어, 방사선 치료 계획 예측 장치(110)(예: 디스플레이부(119))는 환자의 종양과 주변 정상 장기 간의 기하학적 구조를 포함하는 환자 정보에 함께, 예측된 DVH 표시 인터페이스, 예측된 빔 파라미터 표시 인터페이스를 표시할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)(예: 디스플레이부(119))는 예측된 DVH를 표시하고, 예측된 DVH에 포함된 각 빔 파라미터 정보를 표시할 수 있다. 따라서, 방사선 치료 계획 예측 장치(110)(예: 디스플레이부(119))는 하나의 또는 복수의 방사선 치료기로부터 치료 계획 예측 결과 정보를 표시함으로써, 사용자가 치료 계획 결과 정보를 식별 가능하게 할 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 기계 학습을 통해 예측된 정보와 함께 치료기 예약 현황 정보, 사용 가능한 치료기 정보를 표시함으로써, 사용 가능한 치료기를 고려하여 우수한 치료 계획을 선택 가능하게 할 수 있다.
도 7은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 장치 치료 계획을 예측하기 위한 동작 방법을 설명하기 위한 흐름도의 일 예이다. 도 7의 흐름도(700)가 포함하는 과정은 방사선 치료 계획 예측 장치(110) 또는 방사선 치료 계획 예측 장치가 포함하는 구성(예: 프로세서)에 의해 수행될 수 있다.
701 단계에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 입력 정보를 수신할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 방사선 치료계획시스템(130)로부터 환자의 해부학적 구조 정보(예: CT 정보, 윤곽 정보)와 선량 정보를 포함하는 방사선 치료 계획 입력 정보를 수신할 수 있고, 기계 학습에 용이하도록 변경할 수 있다.
703 단계에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 기존 환자의 표적 및 정상 장기 간의 기하학적 구조를 표현한 정보(예: OVH)를 입력 값으로 하고, 선량 분포 정보 또는 빔 파라미터 정보를 출력 값으로 하는 기계학습 모델로써, 선량 분포 예측 모델을 생성할 수 있다. 방사선 치료 계획 예측 장치(110)는 환자의 종양과 정상 장기 간 기하학적 정보를 이용하여, 생성된 선량 분포 예측 모델을 기계 학습함으로써, 예측된 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다.
705 단계에서, 방사선 치료 계획 예측 장치(110)는 생성된 치료 계획 결과 정보를 표시할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 환자의 종양과 주변 정상 장기 간의 기하학적 구조를 포함하는 환자 정보에 함께, 예측된 DVH 표시 인터페이스, 예측된 빔 파라미터 표시 인터페이스를 표시할 수 있다.
도 8은 다양한 실시 예들에 따른, 방사선 치료 계획 예측 장치 치료 계획을 예측하기 위한 동작 방법을 설명하기 위한 흐름도의 다른 예이다. 도 8의 흐름도(800)가 포함하는 과정은 방사선 치료 계획 예측 장치(110) 또는 방사선 치료 계획 예측 장치가 포함하는 구성(예: 프로세서)에 의해 수행될 수 있다.
805 단계에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 입력 정보를 수신할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 모든 방사선 치료기 각각으로부터 환자의 해부학적 구조 정보와 선량 정보를 포함하는 방사선 치료 계획 입력 정보를 수신할 수 있고, 기계 학습에 용이하도록 변경할 수 있다.
803 단계에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 환자의 종양과 정상 장기 간 기하학적 정보를 이용하여 치료기 별로 선량 분포 예측 모델을 기계 학습함으로써, 치료기 별로 예측된 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다.
805 단계에서, 방사선 치료 계획 예측 장치(110)는 치료기 별 치료 계획 결과 정보 각각에 대응하여 기설정된 기준에 따른 점수를 생성할 수 있다. 방사선 치료 계획 예측 장치(110)는 여러 종류의 방사선 치료기를 대상으로 치료기 별 치료 계획을 예측함으로써, 사용자는 각 치료기의 예측 값을 상호 비교하여 가장 우수한 치료 계획 결과를 제공할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 선량 분포 예측 모델을 이용하여 생성된 각 치료기의 치료 계획 결과 정보들에 기설정된 기준에 따른 점수를 부여할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 치료기 별 치료 계획 결과 정보의 선량 분포에 기반하여, 치료 계획 결과 정보를 평가할 수 있다. 점수는 표적 주변 정상 장기에 조사되는 선량이 약하고 표적에 조사되는 선량이 강할수록 높을 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 사용자로부터 각 치료기 별 치료 계획 결과 정보에 대응하는 점수를 직접 입력 받아 생성할 수 있다. 이 후, 방사선 치료 계획 예측 장치(110)는, 807 단계에서, 치료기 별 치료 계획 결과 정보와 치료기 별 치료 계획 결과 정보에 대응하여 생성된 점수를 표시함으로써, 사용자에게 최적의 치료 계획을 선택 가능하게 할 수 있다.
도 9는 다양한 실시 예들에 따른, 방사선 치료 계획 예측 장치 치료 계획을 예측하기 위한 동작 방법을 설명하기 위한 흐름도의 또 다른 예이다. 도 9의 흐름도(900)가 포함하는 과정은 방사선 치료 계획 예측 장치(110) 또는 방사선 치료 계획 예측 장치가 포함하는 구성(예: 프로세서)에 의해 수행될 수 있다.
901 단계에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 입력 정보 및 치료기 예약 정보를 수신할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 모든 방사선 치료기 각각으로부터 환자의 해부학적 구조 정보와 선량 정보를 포함하는 방사선 치료 계획 입력 정보를 수신하고, 서버 장치(150)로부터 모든 치료기의 치료 환자 일정, 치료기 별 최대 수용 환자 수 정보 및 치료기 별 예약 대기 기간을 포함하는 치료기 예약 정보를 수신하고, 수신할 수 있다.
903 단계에서, 방사선 치료 계획 예측 장치(110)는 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 환자의 종양과 정상 장기 간 기하학적 정보를 이용하여 치료기 별로 선량 분포 예측 모델을 기계 학습함으로써, 치료기 별로 예측된 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성할 수 있다.
905 단계에서, 방사선 치료 계획 예측 장치(110)는 치료 계획 결과 정보에 기반하여 사용 가능한 치료기 정보를 생성할 수 있다. 예를 들어, 방사선 치료 계획 예측 장치(110)는 치료기 예약 정보에 기반하여 현재 예약 가능한 치료기 정보를 생성하고, 치료 계획 결과 정보에 기반하여 예약 가능한 치료기 중 치료 계획이 우수한 치료기 정보를 포함하는 사용 가능한 치료기 정보를 생성할 수 있다. 일 실시 예에서, 방사선 치료 계획 예측 장치(110)는 각 치료기 별 치료 계획 결과 정보에 대응하는 점수를 생성하고 상기 점수 값과 치료기 일정 정보에 포함된 치료기 별 예약 대기 기간 값에 각 가중치를 부여한 후, 가중치에 기반한 치료기 별 점수를 부여하고 비교함으로써, 현재 예약 가능한 치료기 및 치료 계획의 순위를 나타내는 사용 가능한 치료기 정보를 생성할 수 있다. 이 후, 방사선 치료 계획 예측 장치(110)는, 907 단계에서, 치료기 별 치료 계획 결과 정보 및 사용 가능한 치료기 정보를 표시함으로써, 사용자에게 치료 계획 결과 정보를 제공함과 동시에 사용 가능한 치료기를 선택 가능하게 하여 치료 계획 시간을 단축할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법은 방사선 치료 계획 입력 정보를 수신하는 과정과, 상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH(dose volume histogram) 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하는 과정과, 상기 생성된 치료 계획 결과 정보를 표시하는 과정을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법에서, 상기 방사선 치료 계획 입력 정보는, 환자의 종양과 정상 장기 간의 기하학적 구조 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 환자의 종양과 정상 장기 간의 기하학적 구조 정보는, OVH 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 방사선 치료 계획 입력 정보는, 방사선 치료기의 빔 특성 정보를 포함하는 방사선 치료기 정보를 더 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법은 상기 방사선 치료 계획 입력 정보가 포함하는 환자의 종양과 정상 장기 간의 기하학적 구조 정보 및 방사선 치료기 정보를 상기 예측 모델이 인식 가능한 정보로 변환하는 과정을 더 포함하고, 상기 예측 모델이 인식 가능한 정보는 텍스트 형식의 정보 및 스프레드시트 형식 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법에서 상기 치료 계획 결과 정보는 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하고, 상기 치료 계획 결과 정보를 생성하는 과정은, 상기 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 비교하여 치료기 별 치료 계획 결과 정보를 생성하는 과정을 포함하고, 상기 치료 계획 결과 정보를 표시하는 과정은, 상기 치료기 별 치료 계획 결과 정보를 표시하는 과정을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법에서 상기 치료 계획 결과 정보를 생성하는 과정은, 상기 치료기 별 치료 계획 결과 정보 각각에 대응하여 기설정된 기준에 따른 점수(score)를 생성하는 과정을 포함하고, 상기 치료 계획 결과 정보를 표시하는 과정은, 상기 치료기 별 치료 계획 결과 정보 및 상기 생성된 점수를 표시하는 과정을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법은 치료기 별 예약 현황 정보를 포함하는 치료기 예약 정보를 수신하는 과정과, 상기 치료기 별 예약 현황 정보에 기반하여 사용 가능한 치료기 정보를 생성하는 과정과, 상기 치료기 별 치료 계획 결과 정보 및 상기 사용 가능한 치료기 정보를 표시하는 과정을 더 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 방사선 치료 계획 예측 장치의 동작 방법에서 상기 치료기 별 예약 현황 정보는, 적어도 하나 이상의 치료기 별 치료 환자 일정 정보, 치료기 별 최대 수용 환자 수 정보를 포함할 수 있다.
본 개시에 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트 폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 개시의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“A 또는 B 중 적어도 하나,”"A, B 또는 C," "A, B 및 C 중 적어도 하나,”및 “A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 개시에서 사용된 용어 "모듈" 또는 “-부”는 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(read only memory, ROM), 전기적 삭제가능 프로그램가능 롬(electrically erasable programmable read only memory, EEPROM), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(compact disc-ROM, CD-ROM), 디지털 다목적 디스크(digital versatile discs, DVDs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(local area network), WAN(wide area network), 또는 SAN(storage area network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.
상술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성요소에 제한되는 것은 아니며, 복수로 표현된 구성요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성요소라 하더라도 복수로 구성될 수 있다.
이제까지 본 발명에 대하여 바람직한 실시 예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 특허청구범위에 의해 청구된 발명 및 청구된 발명과 균등한 발명들은 본 발명에 포함된 것으로 해석되어야 한다.

Claims (19)

  1. 방사선 치료 계획 예측 장치의 동작 방법에 있어서,
    방사선 치료 계획 입력 정보를 수신하는 과정과,
    상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH(dose volume histogram) 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하는 과정과,
    상기 생성된 치료 계획 결과 정보를 표시하는 과정을 포함하며,
    상기 치료 계획 결과 정보는 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하고,
    상기 치료 계획 결과 정보를 생성하는 과정은, 상기 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 비교하여 치료기 별 치료 계획 결과 정보를 생성하는 과정을 포함하고,
    상기 치료 계획 결과 정보를 표시하는 과정은, 상기 치료기 별 치료 계획 결과 정보를 표시하는 과정을 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 방사선 치료 계획 입력 정보는, 환자의 종양과 정상 장기 간의 기하학적 구조 정보를 포함하는 방법.
  3. 청구항 2에 있어서,
    상기 환자의 종양과 정상 장기 간의 기하학적 구조 정보는, OVH(overlap volume histogram) 정보를 포함하는 방법.
  4. 청구항 2에 있어서,
    상기 방사선 치료 계획 입력 정보는, 방사선 치료기의 빔 특성 정보를 포함하는 방사선 치료기 정보를 더 포함하는 방법.
  5. 청구항 1에 있어서,
    상기 방사선 치료 계획 입력 정보가 포함하는 환자의 종양과 정상 장기 간의 기하학적 구조 정보 및 방사선 치료기 정보를 상기 예측 모델이 인식 가능한 정보로 변환하는 과정을 더 포함하고,
    상기 예측 모델이 인식 가능한 정보는 텍스트 형식의 정보 및 스프레드시트 형식 정보를 포함하는 방법.
  6. 삭제
  7. 청구항 1에 있어서,
    상기 치료 계획 결과 정보를 생성하는 과정은, 상기 치료기 별 치료 계획 결과 정보 각각에 대응하여 기설정된 기준에 따른 점수(score)를 생성하는 과정을 포함하고,
    상기 치료 계획 결과 정보를 표시하는 과정은, 상기 치료기 별 치료 계획 결과 정보 및 상기 생성된 점수를 표시하는 과정을 포함하는 방법.
  8. 청구항 1에 있어서,
    치료기 별 예약 현황 정보를 포함하는 치료기 예약 정보를 수신하는 과정과,
    상기 치료기 별 예약 현황 정보에 기반하여 사용 가능한 치료기 정보를 생성하는 과정과,
    상기 치료기 별 치료 계획 결과 정보 및 상기 사용 가능한 치료기 정보를 표시하는 과정을 더 포함하는 방법.
  9. 청구항 8에 있어서,
    상기 치료기 별 예약 현황 정보는, 적어도 하나 이상의 치료기 별 치료 환자 일정 정보, 치료기 별 최대 수용 환자 수 정보를 포함하는 방법.
  10. 방사선 치료 계획 예측 장치에 있어서,
    방사선 치료 계획을 예측하기 위한 기계학습부;
    치료기 별 예측된 치료 계획을 평가하기 위한 치료 계획 평가부;
    치료기 별 예약 현황 정보와 대응되는 치료기 별 치료 계획 결과 정보를 생성하기 위한 치료기 일정 관리부; 및
    디스플레이부;
    기계학습부, 치료 계획 평가부, 일정 관리부 및 디스플레이와 연결된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    방사선 치료 계획 입력 정보를 수신하고,
    상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하고,
    상기 생성된 치료 계획 결과 정보를 표시하고,
    상기 치료 계획 결과 정보는 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하고,
    상기 적어도 하나의 프로세서는, 상기 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 비교하여 치료기 별 치료 계획 결과 정보를 생성하고, 상기 치료기 별 치료 계획 결과 정보를 표시하도록 구성된 장치.
  11. 청구항 10에 있어서,
    상기 방사선 치료 계획 입력 정보는, 환자의 종양과 정상 장기 간의 기하학적 구조 정보를 포함하는 장치.
  12. 청구항 11에 있어서,
    상기 환자의 종양과 정상 장기 간의 기하학적 구조 정보는 OVH 정보를 포함하는 장치.
  13. 청구항 11에 있어서,
    상기 방사선 치료 계획 입력 정보는, 방사선 치료기의 빔 특성 정보를 포함하는 방사선 치료기 정보를 더 포함하는 장치.
  14. 청구항 10에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 방사선 치료 계획 입력 정보가 포함하는 환자의 종양과 정상 장기 간의 기하학적 구조 정보 및 방사선 치료기 정보를 상기 예측 모델이 인식 가능한 정보로 변환하도록 더 구성되고,
    상기 예측 모델이 인식 가능한 정보는 텍스트 형식의 정보 및 스프레드시트 형식 정보를 포함하는 방법.
  15. 삭제
  16. 청구항 10에 있어서,
    상기 적어도 하나의 프로세서는, 상기 치료기 별 치료 계획 결과 정보 각각에 대응하여 기설정된 기준에 따른 점수(score)를 생성하고, 상기 치료기 별 치료 계획 결과 정보 및 상기 생성된 점수를 표시하도록 더 구성된 장치.
  17. 청구항 10에 있어서,
    상기 적어도 하나의 프로세서는, 치료기 별 예약 현황 정보를 포함하는 치료기 예약 정보를 수신하고, 상기 치료기 별 예약 현황 정보에 기반하여 사용 가능한 치료기 정보를 생성하고, 상기 치료기 별 치료 계획 결과 정보 및 상기 사용 가능한 치료기 정보를 표시하도록 더 구성된 장치.
  18. 청구항 17에 있어서,
    상기 치료기 별 예약 현황 정보는, 적어도 하나 이상의 치료기 별 치료 환자 일정 정보, 치료기 별 최대 수용 환자 수 정보를 포함하는 장치.
  19. 방사선 치료 계획을 처리하기 위해 컴퓨터에 의해 실행 가능한 소프트웨어를 나타내는 데이터가 저장된 컴퓨터 판독 가능 저장 매체로서, 상기 컴퓨터 판독 가능 저장 매체에 있어서,
    방사선 치료 계획 입력 정보를 수신하기 위한 명령들과,
    상기 방사선 치료 계획 입력 정보를 이용하여 선량 분포 예측 모델을 기계 학습함으로써, 치료에 필요한 DVH 정보 및 빔 파라미터 정보를 포함하는 치료 계획 결과 정보를 생성하기 위한 명령들과,
    상기 생성된 치료 계획 결과 정보를 표시하기 위한 명령들을 포함하며,
    상기 치료 계획 결과 정보는 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 포함하고,
    상기 치료 계획 결과 정보를 생성하기 위한 명령들은, 상기 적어도 하나 이상의 치료기 별 DVH 정보 및 빔 파라미터 정보를 비교하여 치료기 별 치료 계획 결과 정보를 생성하기 위한 명령들을 포함하고,
    상기 치료 계획 결과 정보를 표시하기 위한 명령들은, 상기 치료기 별 치료 계획 결과 정보를 표시하기 위한 명령들을 포함하는 컴퓨터 판독 가능 저장 매체.
KR1020190152225A 2019-11-25 2019-11-25 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치 KR102450559B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190152225A KR102450559B1 (ko) 2019-11-25 2019-11-25 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190152225A KR102450559B1 (ko) 2019-11-25 2019-11-25 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20210063742A KR20210063742A (ko) 2021-06-02
KR102450559B1 true KR102450559B1 (ko) 2022-10-05

Family

ID=76372774

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190152225A KR102450559B1 (ko) 2019-11-25 2019-11-25 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102450559B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230161068A (ko) * 2022-05-18 2023-11-27 서울대학교산학협력단 복셀 기반 방사선 선량 평가 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017164499A (ja) * 2016-03-14 2017-09-21 株式会社東芝 放射線治療計画機能を備えた装置及び当該装置の作動方法
KR101796868B1 (ko) 2016-06-30 2017-11-16 가톨릭대학교 산학협력단 환자의 기하학적 관계를 이용한 호흡 연동 방사선 치료에서의 플래닝 페이즈 최적화 방법
KR101882300B1 (ko) 2017-02-08 2018-07-25 가톨릭대학교 산학협력단 빅데이터 기반 인공지능 방사선 치료계획 수립시스템 및 그 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100119106A (ko) * 2009-04-30 2010-11-09 주식회사 서울씨앤제이 방사선 치료계획정보 통합조회시스템
KR101619131B1 (ko) * 2013-12-20 2016-05-10 고려대학교 산학협력단 방사선 치료 계획 추천 방법 및 시스템
KR102020383B1 (ko) * 2016-11-28 2019-09-10 고려대학교산학협력단 데이터마이닝을 이용한 방사선 치료 계획의 검증 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017164499A (ja) * 2016-03-14 2017-09-21 株式会社東芝 放射線治療計画機能を備えた装置及び当該装置の作動方法
KR101796868B1 (ko) 2016-06-30 2017-11-16 가톨릭대학교 산학협력단 환자의 기하학적 관계를 이용한 호흡 연동 방사선 치료에서의 플래닝 페이즈 최적화 방법
KR101882300B1 (ko) 2017-02-08 2018-07-25 가톨릭대학교 산학협력단 빅데이터 기반 인공지능 방사선 치료계획 수립시스템 및 그 방법

Also Published As

Publication number Publication date
KR20210063742A (ko) 2021-06-02

Similar Documents

Publication Publication Date Title
AU2019262835B2 (en) Radiotherapy treatment plan modeling using generative adversarial networks
US11278737B2 (en) Systems and methods for automatic treatment planning and optimization
CN107224678B (zh) 一种治疗评估系统及存储介质
JP2021519120A (ja) Ｃｔ／ｌｉｎａｃコンソールにおける適応放射線療法のための決定支援ツール
US11823778B2 (en) Clinical goal treatment planning and optimization
EP3380191B1 (en) Adaptive radiation therapy planning
CN105793854A (zh) 有效处置计划权衡分析
JP6989518B2 (ja) 放射線治療計画を最適化するための方法、コンピュータプログラム、及びシステム
US20220126116A1 (en) Intelligent optimization setting adjustment for radiotherapy treatment planning using patient geometry information and artificial intelligence
EP3817809B1 (en) A computer-implemented medical method for radiation treatment (rt) planning for treating multiple brain metastases of a patient
EP3395405B1 (en) System and method for radiation therapy treatment planning
US11602643B2 (en) Systems and methods for combining clinical goals with knowledge based dose prediction in treatment planning
US11141609B2 (en) Dose guided real-time adaptive radiotherapy
CN108472501A (zh) 在迭代处置规划中对优化策略的自动选择
CN117561101A (zh) 用于放射疗法剂量分布分析的人工智能建模
US20200360728A1 (en) Machine learning based dose guided real-time adaptive radiotherapy
KR102450559B1 (ko) 인공지능에 기반하여 최적의 방사선 치료 방법을 예측하기 위한 방법 및 그 장치
Yang et al. Quantitative comparison of automatic and manual IMRT optimization for prostate cancer: the benefits of DVH prediction
Purdie Automated breast planning in RayStation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant