KR20210086789A - Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법 - Google Patents

Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법 Download PDF

Info

Publication number
KR20210086789A
KR20210086789A KR1020190178135A KR20190178135A KR20210086789A KR 20210086789 A KR20210086789 A KR 20210086789A KR 1020190178135 A KR1020190178135 A KR 1020190178135A KR 20190178135 A KR20190178135 A KR 20190178135A KR 20210086789 A KR20210086789 A KR 20210086789A
Authority
KR
South Korea
Prior art keywords
image
synthetic
images
generating
matching
Prior art date
Application number
KR1020190178135A
Other languages
English (en)
Other versions
KR102373370B1 (ko
Inventor
지의규
박종민
김정인
김형년
안현준
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190178135A priority Critical patent/KR102373370B1/ko
Publication of KR20210086789A publication Critical patent/KR20210086789A/ko
Application granted granted Critical
Publication of KR102373370B1 publication Critical patent/KR102373370B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1031—Treatment planning systems using a specific method of dose optimization
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명의 일 실시예에 따르는 MR 영상유도 방사선 치료를 위한 합성 CT 생성 방법이 제공된다. 본 발명의 일 실시예에 따르는 합성 CT 영상 생성 방법은 방사선 치료 전 환자의 MR 영상을 획득하는 단계 및 획득된 상기 MR 영상을 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력하는 단계를 포함하며, 상기 합성 CT 영상 생성 모델은 복수의 환자로부터 획득한 MR 영상 및 CT 영상을 이용한 딥러닝에 의해 생성될 수 있다.

Description

MR 영상유도 방사선 치료를 위한 합성 CT 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법{SYNTHETIC CT IMAGE GENERATING METHOD FOR MR IMAGE GUIDED RADIOTHERAPY AND METHOD FOR SETTING RADIATION THERAPY PLAN USING THE SAME}
본 발명은 MR 영상유도 방사선 치료를 위한 합성 CT 영상 생성 방법 및 이를 이용한 치료계획 수립방법에 관한 것으로서, 보다 구체적으로는 딥러닝을 이용하여 MR 영상으로부터 합성 CT 영상을 생성하는, MR 영상유도 방사선 치료를 위한 딥러닝 기반 합성 CT 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법에 관한 것이다.
방사선 치료는 수술, 항암 화학요법과 더불어 3대 암 치료 방법 중 하나로, 종양 체적에 방사선을 조사하여 암 세포를 죽이는 방식의 치료 방법이다. 방사선 치료는 타깃이 되는 종양 체적에 방사선을 조사하여 종양 체적을 감소시키는 치료방법으로서, 이러한 방사선 치료에서는 무엇보다 종양 체적에 암 세포를 죽일 수 있는 충분한 방사선을 전달하면서도 동시에 종양 체적 주변의 정상 기관으로의 방사성 전달이 최소화되는 것이 중요하다.
최근 방사선 치료의 정확성을 높이기 위해, MR 영상과 방사선 치료기를 결합한 MR 영상유도 방사선 치료가 제안되었다. MR 영상유도 방사선 치료는 방사선 조사 중, 호흡 및 내부 장기 움직임에 대한 MR 영상을 실시간으로 획득함으로써 기존의 방사선 치료 보다 정밀한 치료가 가능한 방법이다.
MR 영상유도 방사선 치료에 있어서도 치료 전 방사선 조사 위치, 각도, 방사선량 등을 포함하는 방사선 치료계획을 수립하는 것이 필요하다. 이러한 방사선 치료계획은 MR 영상과 CT 영상을 기반으로 치료 부위인 종양 체적과 방사선에 민감한 정상 장기를 구분한 후, 환자 체내의 방사선량 분포도를 계산하여 정상 장기에 대한 방사선 조사가 최소화되는 방향으로 수립된다.
환자 체내의 방사선량 분포도를 계산하기 위해서는 환자의 인체를 구성하고 있는 물질의 전자밀도(electron density) 정보가 필요하며, 이는 컴퓨터 단층 촬영(CT; Computer Tomography)에 의해 촬영된 CT 영상의 HU(Hounsfield Unit) 수치와 선형적인 상관관계를 가지므로 CT 영상을 기반으로 방사선량 분포도를 계산하게 된다.
그러나 CT 영상과 MR 영상은 별개의 장치에서 촬영하며, 각 장비의 영상 촬영은 순차적으로 이루어지는데, CT 영상 촬영 시 MR 영상 촬영에서 취했던 자세의 재현이 어려워 MR 영상과 CT 영상이 정확하게 일치하지 않는 문제가 발생하게 된다. 특히, 장기의 움직임에 따른 내부 장기의 위치 변화와 호흡에 따른 내부 장기 위치의 변화로 인해, 먼저 촬영한 MR 영상과 완전히 일치하는 CT 영상을 획득하기는 실질적으로 불가능하다. 이러한 MR 영상과 CT 영상의 불일치는 방사선 치료계획 수립에 있어 오류로 작용할 수 있다.
이러한 CT 영상과 MR 영상 간의 불일치를 해소하기 위하여, 현재 임상에서는 최대한 동일한 환자 자세로 MR 영상과 CT 영상을 각각 촬영하고, 촬영된 MR 영상과 CT 영상을 변형 영상 정합 알고리즘(deformable image registration algorithm)을 이용해 CT 영상을 MR 영상에 정합하는 방식을 취하고 있다.
그러나, 변형 영상 정합 알고리즘을 이용하여 정합하는 방법 역시 한계가 존재한다. 변형 영상 정합 알고리즘은 서로 다른 특성을 가지는 다중 영상(multi-modality)에 대해 상호정보량(mutual information)을 바탕으로 국소적인 변형을 포함한 공간적 일치를 이루게 한다. 그렇지만 각 영상 정보에서의 잡음 및 비슷한 세기를 가지는 주변 조직과의 혼동으로 인한 정합의 오류 가능성이 존재한다.
또한, CT 영상을 변형 영상 정합 알고리즘에 의해 정합시키는 경우 신체 체적에 변화가 생길 뿐만 아니라 CT 영상의 화소가 손실될 수 있으며, 이로 인해 CT 영상에서 나타내는 화소 당 질량 값에 변화가 발생하게 된다. 이러한 화소 당 질량 값의 변화는 단위 질량당 흡수된 에너지인 방사선량 분포의 계산에 오차를 유발하게 되며, 이는 방사선 치료계획에 오류를 발생시켜 종양 제어 실패 또는 정상 장기에 대한 심각한 피폭을 야기할 수 있다.
또한, 방사선 치료는 일반적으로 여러 차례에 걸쳐 치료하는 분할치료 방식으로 진행되는데, 분할치료 중 병증으로 인해 환자의 신체 체형이 변화하는 등의 이유로 분할치료 시마다 치료계획을 수정할 필요가 있으며, 이를 위해 CT 촬영을 진행하는 경우 추가적인 방사선 피폭이 발생하는 문제도 있다.
본 발명은 상술한 종래기술의 문제점을 해결하기 위한 것으로서, 방사선 치료 전 획득한 MR 영상으로부터 딥러닝을 이용하여 CT 영상을 합성할 수 있는, MR 영상유도 방사선 치료를 위한 합성 CT 영상 생성 방법을 제공하는 것에 그 목적이 있다.
또한, 본 발명은 방사선 치료 전 획득한 MR 영상으로부터 딥러닝을 이용하여 합성된 CT 영상을 이용하여 정확도가 향상된 방사선 치료계획 수립방법을 제공하는 것에 그 목적이 있다.
전술한 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따른 합성 CT 영상 생성 방법은, 방사선 치료 전 환자의 MR 영상을 획득하는 단계 및 획득된 MR 영상을 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력하는 단계를 포함한다. 여기에서, 합성 CT 영상 생성 모델은 복수의 환자로부터 획득한 MR 영상 및 CT 영상을 이용한 딥러닝에 의해 생성된다.
본 발명의 일 실시예에 따르면, 합성 CT 영상 생성 모델은, 복수의 환자로부터 복수의 MR 영상과 복수의 CT 영상을 획득하는 단계, 복수의 CT 영상 중에서 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하는 단계 및 서로 매칭되는 MR 영상과 CT 영상에 근거하여 딥러닝을 통해 MR 영상으로부터 CT 영상을 합성하는 알고리즘을 생성하는 단계를 통해 생성될 수 있다.
본 발명의 일 실시예에 따르면, 알고리즘을 생성하는 단계는 서로 매칭되는 MR 영상과 CT 영상에서 상호 대응되는 각 조직 영역을 매핑하는 단계 및 서로 매칭되는 MR 영상과 CT 영상에서의 매핑 데이터를 기초로 MR 영상과 CT 영상 사이의 관계를 인공 신경망을 통해 학습시키는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 인공 신경망은 컨볼루션 신경망(Convolutional Neural Network; CNN)으로 이루어질 수 있다.
본 발명의 일 실시예에 따르면, 알고리즘을 생성하는 단계는 학습의 수렴 여부를 판단하는 단계를 더 포함할 수 있으며, 학습의 수렴 여부를 판단하는 단계에서는 MR 영상과 매칭되는 CT 영상과 MR 영상을 합성 CT 영상 생성 모델에 입력하여 생성된 합성 CT 영상의 픽셀 일치율을 통해 손실 함수의 값을 계산하여 판단할 수 있다.
본 발명의 일 실시예에 따르면, 손실 함수의 값이 소정의 범위를 벗어나는 경우 인공 신경망을 통한 학습을 반복하여 수행할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하는 단계는 변형 영상 정합 알고리즘에 의해 수행될 수 있다.
본 발명의 일 실시예에 따르면, 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하는 단계와 알고리즘을 생성하는 단계 사이에 수행되는 전처리 단계를 더 포함할 수 있다. 그리고 전처리 단계는 서로 매칭되는 MR 영상과 CT 영상 중 CT 영상에서 환자의 신체 영역을 제외한 영역을 제거하는 제1 전처리 단계 및 서로 매칭되는 MR 영상과 CT 영상이 대응되도록 정규화하는 제2 전처리 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료계획 수립방법은 방사선 치료 전 환자의 MR 영상 획득하는 단계, 획득된 MR 영상을 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력하는 단계, 합성 CT 영상에 의거하여 방사선량 분포도를 산출하는 단계 및 방사선량 분포도를 근거로 방사선 치료계획을 수립하는 단계를 포함한다.
본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료계획 수립방법은 방사선 분할 치료 중 환자의 MR 영상을 추가 획득하는 단계, 추가 획득된 MR 영상을 합성 CT 영상 생성 모델에 입력하여 추가 합성 CT 영상을 출력하는 단계 및 추가 합성 CT 영상에 기초하여 방사선 치료계획을 수정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 합성 CT 영상 생성 모델에 MR 영상을 입력시키는 것만으로도 합성 CT 영상을 획득할 수 있다. 이에 따라, 방사선 치료계획 수립 또는 수정을 위한 별도의 CT 촬영을 생략할 수 있게 되므로, 환자의 방사선 피폭을 줄일 수 있다.
또한, 본 발명의 일 실시예에 따르면, 실제 CT 영상과 일치도가 매우 높은 합성 CT 영상을 획득할 수 있으므로, 방사선 피폭을 줄이면서도 정확도가 향상된 방사선 치료계획 수립이 가능해진다. 이에 따라, 방사선 치료를 효과적으로 수행할 수 있을 뿐만 아니라, 기존 수작업으로 이루어지는 MR 영상 및 CT 영상의 정합을 생략할 수 있어 신속한 치료계획 수립이 가능하게 된다.
도 1은 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 합성 CT 영상생성 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 딥러닝 기반 합성 CT 영상 생성 시스템의 내부 구성을 상세하게 도시하는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 딥러닝 기반 합성 CT 영상 생성 방법의 흐름을 개략적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 합성 CT 영상 생성 모델의 생성 방법의 흐름을 개략적으로 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따라 딥러닝 기반으로 MR 영상을 이용해 합성 CT 영상을 추출하는 합성 CT 영상 생성 모델을 생성하는 흐름을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 합성 CT 영상 생성 모델에 입력된 MR 영상과 출력된 합성 CT 영상을 예시적으로 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 합성 CT 영상을 이용한 치료계획 수립방법의 흐름을 개략적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 사상과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 합성 CT 영상 생성 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 딥러닝 기반 합성 CT 영상 생성 시스템은 통신망(100), 딥러닝 기반 합성 CT 영상 생성 시스템(200)(이하, 합성 CT 영상 생성 시스템) 및 디바이스(300)를 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 공지의 인터넷 또는 월드 와이드 웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE; Long Term Evolution) 통신, 블루투스 통신(예를 들면, 저전력 블루투스(BLE; Bluetooth Low Energy) 통신), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방식을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 합성 CT 영상 생성 시스템(200)은 복수의 환자로부터 획득한 복수의 자기 공명 영상(MRI; magnetic resonance image, 이하 MR 영상)과 복수의 컴퓨터 단층 촬영(CT; Computer Tomography)에 의해 획득된 영상(이하, CT 영상)을 이용하여 딥러닝에 기반한 합성 CT 영상 생성 모델을 생성하며, 합성 CT 영상 생성 모델에 임의의 MR 영상이 입력되면 합성 CT 영상을 출력하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 합성 CT 영상 생성 시스템(200)에 의해 출력된 합성 CT 영상은 방사선 치료 계획 수립에 활용될 수 있다.
본 발명에 따르면, MR 영상과 CT 영상은 2차원 스캐닝 데이터 또는 3차원 스캐닝 데이터를 모두 포함하는 개념일 수 있다. 한편, 본 발명에서는 컴퓨터 단층 촬영에서 의해 획득된 영상을 CT 영상, 입력된 합성 CT 영상 생성 모델에 의해 생성된 영상을 합성 CT 영상으로 구분하여 설명한다.
본 발명에 따른 합성 CT 영상 생성 시스템(200)의 구체적인 구성과 기능에 관하여는 후술하기로 한다. 한편, 합성 CT 영상 생성 시스템(200)에 관한 설명은 예시적인 것으로서, 합성 CT 영상 생성 시스템(200)에 대하여 요구되는 기능이나 구성요소의 적어도 일부는 필요에 따라 후술할 디바이스(300) 또는 외부 시스템(미도시됨) 내에서 실현되거나 디바이스(300) 또는 외부 시스템(미도시됨)에 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 디바이스(300)는 합성 CT 영상 생성 시스템(200)에 접속한 후 통신할 수 있도록 하는 기능을 포함하는 디지털 기기로서, 스마트폰, 태블릿, 스마트 워치, 스마트 밴드, 스마트 글래스, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다.
특히, 디바이스(300)는, 합성 CT 영상 생성 시스템(200)으로부터 생성된 합성 CT 영상을 제공하는 본 발명에 따른 기능이 지원되기 위한 애플리케이션이 포함되어 있을 수 있다. 이와 같은 애플리케이션은 정보 제공 시스템(미도시됨) 또는 외부의 애플리케이션 배포 서버(미도시됨)로부터 다운로드된 것일 수 있다.
합성 CT 영상 생성 시스템
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 합성 CT 영상 생성 시스템(200)의 내부 구성과 각 구성요소의 기능에 대하여 설명한다.
도 2는 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 딥러닝 기반 합성 CT 영상 생성 시스템의 내부 구성을 상세하게 도시하는 블록도이다.
본 발명의 일 실시예에 따른 합성 CT 영상 생성 시스템(200)은 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기이거나, 이러한 디지털 기기에서 구현될 수 있다. 예컨대, 본 발명의 일 실시예에 따르면, 합성 CT 영상 생성 시스템(200)은 MR 영상유도 방사선 치료장치를 작동하기 위한 디지털 기기 및/또는 MR유도 방사선 치료장치와는 독립적인 디지털 기기에서 구현될 수 있다. 이하에서는 합성 CT 영상 생성 시스템(200)의 전부 또는 적어도 일부가 구현되는 디지털 기기를 영상 처리 장치라 칭하여 설명한다.
도 2를 참조하면, 합성 CT 영상 생성 시스템(200)은 영상 수신부(210), 영상 처리부(220), 치료계획 수립부(230) 및 제어부(240)를 포함할 수 있다. 참고로, 도 2에 도시된 블록도의 합성 CT 영상 생성 시스템(200)의 각 구성요소들은 본 발명의 용이한 이해를 위한 일 실시예에 불과할 뿐, 도 2에 도시된 구성요소들 이외의 구성요소가 합성 CT 영상 생성 시스템(200)에 추가적으로 포함될 수 있다.
영상 수신부(210)는 사용자에 의해 MR 영상과 CT 영상을 수신하도록 구성될 수 있다. 예컨대, 영상 수신부(210)에는 합성 CT 영상 생성 모델을 생성하기 위한 MR 영상 및 CT 영상 데이터베이스 구축을 위하여 사용자가 입력한 다수의 환자들로부터 획득한 MR 영상과 CT 영상이 수신될 수 있다. 또는, 영상 수신부(210)에는 합성 CT 영상을 출력하기 위하여 합성 CT 영상 생성 모델에 입력되는 MR 영상이 사용자로부터 수신되어 입력되거나, 혹은 MR 영상유도 방사선 치료장치에 의해 촬영된 MR 영상이 곧바로 수신되어 입력될 수 있다.
다음으로, 영상 처리부(220)는 영상 수신부(210)에 의해 수신된 환자의 MR 영상 및/또는 CT 영상을 처리하도록 구성될 수 있다. 보다 구체적으로, 영상 처리부(220)는 영상 정합부(221), 영상 전처리부(222), 합성 CT 영상 모델 생성부(223) 및 합성 CT 영상 생성부(224)를 포함할 수 있다.
영상 정합부(221)는 영상 수신부(210)에 수신된 MR 영상과 CT 영상에 각기 보이는 환자의 신체부위가 상호 대응되도록 정합시키는 기능을 수행할 수 있다. 또한, 영상 전처리부(222)는 MR 영상과 CT 영상이 상호 대응되도록 영상 정규화(image normalization)하는 기능을 수행할 수 있다. 예컨대, 영상 전처리부(222)는 MR 영상과 CT 영상의 해상도를 일치시키거나, 각 영상에 포함된 Gy 수치 및/또는 HU 수치의 범위를 일치시킬 수 있다. 합성 CT 영상 생성 모델 생성부(223)는 입력되는 MR 영상과 CT 영상을 이용하여 합성 CT 영상 생성 모델을 생성하는 기능을 수행할 수 있으며, 합성 CT 영상 생성부(224)는 생성된 합성 CT 영상 생성 모델에 새로운 MR 영상이 입력될 때 합성 CT 영상을 출력하는 기능을 수행할 수 있다.
치료계획 수립부(230)는 합성 CT 영상에 의거하여 방사선량 분포도를 산출하고 이를 이용하여 방사선 치료 계획을 수립하는 기능을 수행할 수 있다.
제어부(240)는 영상 수신부(210), 영상 처리부(220) 및 치료계획 수립부(230) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명의 일 실시예에 따른 제어부(240)는 합성 CT 영상 생성 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 합성 CT 영상 생성 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 합성 CT 영상 생성 시스템(200)의 각 구성요소들이 각기 고유 기능을 수행하도록 제어할 수 있다.
합성 CT 영상 생성 방법
도 3은 본 발명의 일 실시예에 따른 MR 영상유도 방사선 치료를 위한 딥러닝 기반 합성 CT 영상 생성 방법의 흐름을 개략적으로 나타내는 도면이다.
본 발명의 일 실시예에 따르는 합성 CT 영상 생성 방법(S100)은 이루는 일련의 단계들은 합성 CT 영상 생성 시스템(200) 혹은 영상 처리 장치를 구성하는 하드웨어와 스프트웨어의 결합을 이용한 구체적인 수단에 의해서 수행 혹은 구현된다. 각 단계들을 수행하도록 구성되는 합성 CT 영상 생성 시스템(200) 혹은 영상 처리 장치는 앞선 설명으로 갈음한다.
본 발명의 일 실시예에 따르는 합성 CT 영상 생성 방법(S100)은 MR 영상을 획득하는 단계(S110)와 합성 CT 영상을 출력하는 단계(S120)를 포함할 수 있다.
MR 영상을 획득하는 단계(S110)에서는 방사선 치료 전 환자의 MR 영상을 획득할 수 있다. 이러한 MR 영상은 MR 영상유도 방사선 치료 장치를 이용한 저자기장으로 촬영된 MR 영상일 수 있다. 이와 달리, MR 영상은 MR 영상유도 방사선 치료의 분할치료 과정에서 얻은 MR 영상일 수 있다.
합성 CT 영상을 출력하는 단계(S120)에서는 MR 영상을 획득하는 단계(S110)에서 획득한 MR 영상을 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력할 수 있으며, 이는 후술하는 방사선 치료계획 수립에 활용될 수 있다. 만약, MR 영상유도 방사선 치료의 분할치료 과정에서 MR 영상을 얻은 경우, 이를 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력할 수 있으며, 이렇게 출력된 합성 CT 영상은 다음 회차의 방사선 치료에 활용될 수 있다. 합성 CT 영상 생성 모델은 복수의 환자로부터 획득한 MR 영상 및 CT 영상을 이용한 딥러닝에 의해 생성될 수 있는데, 이하에서는 합성 CT 영상 생성 모델의 생성 방법에 대해 구체적으로 설명한다.
도 4는 본 발명의 일 실시예에 따른 합성 CT 영상 생성 모델의 생성 방법의 흐름을 개략적으로 나타내는 도면이다.
본 발명의 일 실시예에 따르면, 합성 CT 영상 생성 모델의 생성 방법(S200)은 영상 획득 단계(S210), 영상 매칭 단계(S220), 전처리 단계(S230), 알고리즘 생성 단계(S240) 및 수렴 판단 단계(S250)를 포함할 수 있다. 이하, 합성 CT 영상 생성 모델의 생성 방법(S200)의 각 단계에 대하여 구체적으로 설명한다.
영상 획득 단계(S210)는 복수의 환자로부터 복수의 MR 영상과 복수의 CT 영상을 획득하는 단계로서, 합성 CT 영상 생성 시스템(200)의 영상 수신부(210)에 의해 수행될 수 있다. 영상 획득 단계(S210)에서는 합성 CT 생성 모델을 생성하기 위하여 다수의 환자들로부터 획득한 MR 영상과 CT 영상을 수신하여 MR 영상 및 CT 영상에 관한 데이터베이스를 구축할 수 있다.
영상 매칭 단계(S220)는 영상 획단 단계(S210)에서 획득한 복수의 MR 영상과 복수의 CT 영상을 매칭시키는 단계로서, 복수의 CT 영상 중 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하게 된다. 영상 매칭 단계(S220)는 합성 CT 영상 생성 시스템(200)의 영상 정합부(221)에 의해 수행될 수 있다.
본 발명의 일 실시예에 따르면, 영상 획득 단계(S210)에서 획득된 다수의 MR 영상과 CT 영상은 각기 동일한 환자의 실질적으로 동일한 신체 부위의 단면이 촬영되어 한 쌍을 이룰 수 있다. 즉, 다수의 MR 영상과 CT 영상은 각기 대응되는 신체 부위가 나타날 수 있다. 다만, MR 영상과 CT 영상은 대략 10분 내지 15분의 시간적 차이를 두고 촬영될 수 있다. 이 경우, MR 영상과 CT 영상은 서로 대응되는 환자의 신체 부위를 나타내더라도, 환자의 호흡, 자세의 차이로 인하여 신체 부위가 정확히 대응되게 촬영되기 어려우므로, 각기 촬영된 MR 영상과 CT영상에서 MR 영상에 대응되는 CT 영상을 찾아 매칭시킬 수 있다. 또한, 환자의 신체 부위가 서로 정확히 대응될 수 있도록 MR 영상과 CT 영상 중 어느 하나의 영상에 다른 하나의 영상을 정합시킬 수 있다. 또한, 본 발명의 일 실시예에 따르면, CT 영상의 신체 부위가 MR 영상의 신체 부위에 접합되도록 CT 영상을 변형시킬 수 있다.
이러한 영상 매칭 단계(S220)는 변형 영상 정합 알고리즘에 의해 이루어질 수 있다. 변형 영상 정합 알고리즘이란, 탄성 혹은 비강체 변환과 같이, 선형 변환 이외의 국소적인 변환을 통하여, 서로 다른 영상을 하나의 좌표계에 나타내는 영상 정합 기법을 의미하는 것으로서, 이는 공지기술에 해당하므로 구체적인 설명은 생략한다.
영상 매칭 단계(S220)가 수행된 이후에는 전처리 단계(S230)가 수행될 수 있다. 전처리 단계(S230)는 서로 매칭되는 MR 영상과 CT 영상을 통해 딥러닝을 수행하기 전에 수행되는 것으로서, 합성 CT 영상 생성 시스템(200)의 영상 전처리부(222)에 의해 수행될 수 있다.
전처리 단계(S230)는 제1 전처리 단계(S231) 및 제2 전처리 단계(S232)를 포함할 수 있다. 제1 전처리 단계(S231)에서는 CT 영상에서 환자의 신체 영역을 제외한 영역을 제거할 수 있다. 일반적으로 CT 영상을 획득하는 과정에서는 환자의 신체뿐만 아니라 환자를 거치하기 위한 테이블 또는 고정장치 등이 영상에 함께 담기게 된다. 이러한 이유로, 제1 전처리 단계(S231)에서는 CT 영상에서 MR 영상에 대응되는 신체 부위만 남도록 테이블, 고정장치 등과 같은 노이즈를 제거한다. 이와 달리, CT 영상에서 신체 부위를 나타내는 부분과 그 이외의 부분이 확연히 구분될 수 있도록 신체 부위를 제외한 부분에 별도의 표시를 하는 것도 가능하다.
제2 전처리 단계(S232)에서는 서로 매칭되는 MR 영상과 CT 영상이 상호 대응되도록 정규화할 수 있다. 예를 들어, MR 영상과 CT 영상의 해상도를 일치시키거나, MR 영상에 포함된 Gy 수치 및/또는 CT 영상에 포함된 HU 수치의 범위를 일치시킬 수 있다.
알고리즘 생성 단계(S240)는 서로 매칭되는 MR 영상과 CT 영상에 근거하여 딥러닝을 통해 MR 영상으로부터 CT 영상을 합성하는 알고리즘을 생성하는 단계로서, 합성 CT 영상 생성 시스템(200)의 합성 CT 영상 모델 생성부(223)에 의해 수행될 수 있다.
본 발명의 일 실시예에 따르면, 알고리즘 생성 단계(S240)는 매핑 단계(S241)와 학습 단계(S242)를 포함할 수 있다. 매핑 단계(S241)에서는 서로 매칭되는 MR 영상과 CT 영상에서 상호 대응되는 각 조직 영역을 매핑할 수 있으며, 학습 단계(S242)에서는 서로 매칭되는 MR 영상과 CT 영상에서의 매핑 데이터를 기초로 MR 영상과 CT 영상 사이의 관계를 인공 신경망을 통해 학습시킬 수 있다. 여기서, 인공 신경망은 컨볼루션 신경망(Convolutional Neural Network; CNN)일 수 있으며, 컨볼루션 신경망 중 유넷(U-NET) 모델이 이용될 수 있다.
도 5는 본 발명의 일 실시예에 따라 딥러닝 기반으로 MR 영상을 이용해 합성 CT 영상을 추출하는 합성 CT 영상 생성 모델을 생성하는 흐름을 설명하기 위한 도면으로, 도 5를 참조하면 유넷(U-NET) 모델을 이용하여 입력된 MR 영상과 CT 영상을 각기 분할하며 대응되는 매칭시키는 등의 방식으로 합성 CT 영상 생성 모델을 생성할 수 있다. 다만, 본 발명이 이에 한정되는 것은 아니며, 알고리즘 생성 단계(S240)는 레넷(LeNet), 알렉스넷(AlexNet) 등과 같은 공지의 딥러닝 알고리즘을 이용하여 수행될 수 있다.
알고리즘 생성 단계(S240)가 수행된 이후에는 수렴 판단 단계(S250)가 수행될 수 있다. 수렴 판단 단계(S250)는 알고리즘 생성 단계(S240)에서 생성된 합성 CT 영상 생성 모델의 학습의 수렴 여부를 판단하는 단계로서, 합성 CT 영상 생성 시스템(200)의 합성 CT 영상 모델 생성부(223)에 의해 수행될 수 있다. 구체적으로, 수렴 판단 단계(S250)에서는 MR 영상과 매칭되는 CT 영상과 MR 영상을 합성 CT 영상 생성 모델에 입력하여 생성된 합성 CT 영상의 픽셀 일치율을 통해 손실 함수(Loss function)의 값을 계산하여 판단할 수 있다.
본 발명의 일 실시예에 따르면, 수렴 판단 단계(S250)는 MR 영상을 합성 CT 생성 모델에 입력하여 합성 CT 영상을 추출하는 제1 단계(S251)와 합성 CT 영상과 MR 영상과 매칭되는 실제 CT 영상 간의 픽셀 일치율을 산출하는 제2 단계(S252)를 포함할 수 있다. 이러한 픽셀 일치율을 바탕으로 산출된 손실 함수의 값에 의거하여 학습의 진행 및 중단을 결정할 수 있으며, 손실 함수의 값이 소정의 범위를 벗어나는 경우 손실 함수의 값이 최종적으로 수렴하도록 인공 신경망을 통한 학습을 반복하여 수행할 수 있다.
상기 픽셀 일치율은 다음과 같은 방법으로 계산될 수 있다. 학습에 이용된 CT 영상의 영역을 F(x) 라고 두고, 합성 CT 영상의 영역을 F(x')라고 두었을 때, CT 영상과 합성 CT 영상이 일치되는 영역(I)은 ∑[F(x)* F(x')]으로 볼 수 있다. 이때, 본 발명에 따르는 픽셀 일치율(c)은 다음과 같은 수학식으로 표현될 수 있다.
Figure pat00001
본 발명에서는 궁극적으로 합성 CT 영상의 HU 값을 기초로 방사선량 분포도를 산출하여 방사선 치료계획을 수립하는데, 이와 같은 픽셀 일치율(c)에 따른 손실 함수를 이용하여 합성 CT 생성 모델을 학습하는 경우 방사선 치료계획을 수립하는 데에 적합한 HU 값의 분포를 가지는 합성 CT 영상이 출력될 수 있다.
도 6은 본 발명의 일 실시예에 따른 합성 CT 영상 생성 모델에 입력된 MR 영상과 출력된 합성 CT 영상을 예시적으로 나타내는 도면이다. 도 6에서 좌측은 합성 CT 생성 모델에 입력된 MR 영상을 나타내며, 우측은 합성 CT 생성 모델을 통해 출력된 합성 CT 영상을 나타낸다. 출력된 합성 CT 영상은 MR 영상의 각기 픽셀에 대응되는 픽셀에서 예측되는 HU 값으로 표현되며, 이는 후술하는 바와 같이 방사선 치료계획 수립에 활용될 수 있다.
MR 유도 방사선 치료계획 수립방법
도 7은 본 발명의 일 실시예에 따른 합성 CT 영상을 이용한 MR 유도 방사선 치료계획 수립방법의 흐름을 개략적으로 나타내는 도면이다.
본 발명의 일 실시예에 따른 합성 CT를 이용한 MR 영상유도 방사선 치료계획 수립방법(300)(이하, 치료계획 수립방법)은 MR 영상 획득 단계(S310), 합성 CT 영상 출력 단계(S320), 방사선량 분포도 산출단계(S330) 및 치료계획 수립단계(S340)를 포함할 수 있다.
MR 영상 획득 단계(S310) 및 합성 CT 영상 출력 단계(S320)는 앞서 설명한 합성 CT 영상 생성 방법에서의 대응하는 단계와 실질적으로 동일하므로, 이에 대한 구체적인 설명은 생략한다.
방사선량 분포도 산출단계(S330)에서는 MR 영상 획득 단계(S310) 및 합성 CT 영상 출력 단계(S320)를 거쳐 생성된 합성 CT 영상에 의거하여 방사선량 분포도를 산출할 수 있다. 출력된 합성 CT 영상의 각 픽셀에서의 HU 수치는 인체 조직의 전자밀도와 선형 상관관계를 지니며, 인체 조직의 전자밀도를 근거로 환자 체내 방사선량 계산한다. 이에 따라, 합성 CT 영상의 HU 수치를 근거로 환자 체내 방사선량 계산하여, 방사선량 분도포를 산출할 수 있게 된다.
치료계획 수립단계(S340)에서는 방사선량 분포도 산출단계(S330)에서 산출된 방사선량 분포도를 이용하여 방사선 치료 계획을 수립할 수 있다. 예를 들어, 치료계획 수립단계(S340)에서는 방사선량 분포도를 근거로 방사선 치료장치의 방사선의 조사 위치, 조사 각도, 조사량 및 조사 시간 등을 결정할 수 있으며, 나아가 시간에 따라 방사선의 조사 위치, 조사 각도 및 조사량이 변화하도록 계획을 수립할 수 있다. 이와 같은 방사선 치료 계획에 따르면, 종양의 제어율 및 방사선 부작용이 예측될 수 있으며, 이러한 예측을 바탕으로 효과적으로 종양을 제어할 수 있으면서도 환자의 체내 피폭량이 최소화되어 정상 장기를 보호할 수 있다.
한편, 일반적으로 방사선 치료는 분할치료 방식으로 진행되며, 이에 따라 MR 영상유도 방사선 치료에서는 분할치료 시마다 MR 영상을 획득할 수 있다. 이와 같이 분할치료 시 획득한 MR 영상을 통해 합성 CT 영상을 추가로 생성할 수 있으며, 추가 생성된 합성 CT 영상에 기초하여 방사선 치료계획을 수정할 수 있다. 방사선 치료계획을 수정하는 경우 추가 합성 CT 영상을 이용해 방사선량 분포도를 산출하고 이에 의거하여 치료계획을 수정하게 된다.
본 발명의 일 실시예에 따른 합성 CT 영상을 이용한 치료계획 수립방법에 따르면, MR 영상유도 방사선 치료 전 및/또는 분할치료 중 촬영된 MR 영상을 이용하여 합성 CT 영상을 생성함에 따라, 방사선 치료 전 치료계획 수립을 위해 CT 촬영을 생략할 수 있게 되므로 CT 영상 촬영으로 인한 환자의 방사선 피폭이 최소화될 수 있다. 또한, 방사선 분할치료마다 치료계획을 수정하는 적응 방사선 치료(adaptive radiotherapy)가 가능하게 되어 더욱 정확한 치료 효과를 가져올 수 있다.
이상 본 발명을 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예들에 의해 설명하였으나, 상기 실시예는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 이에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 앞서 설명된 실시예들에 국한되어 정해져서는 아니 되며, 후술하는 청구범위 뿐만 아니라 이 청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신부
200: 합성 CT 영상 생성 시스템
210: 영상 수신부
220: 영상 처리부
221: 영상 정합부
222: 영상 전처리부
223: 합성 CT 영상 모델 생성부
224: 합성 CT 영상 생성부
230: 치료계획 수립부
240: 제어부
300: 디바이스

Claims (10)

  1. MR 영상유도 방사선 치료를 위한 합성 CT 영상 생성 방법으로서,
    방사선 치료 전 환자의 MR 영상을 획득하는 단계; 및
    획득된 상기 MR 영상을 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력하는 단계;
    를 포함하며,
    상기 합성 CT 영상 생성 모델은 복수의 환자로부터 획득한 MR 영상 및 CT 영상을 이용한 딥러닝에 의해 생성되는, 합성 CT 영상 생성 방법.
  2. 제1항에 있어서,
    상기 합성 CT 영상 생성 모델은,
    복수의 환자로부터 복수의 MR 영상과 복수의 CT 영상을 획득하는 단계;
    상기 복수의 CT 영상 중에서 상기 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하는 단계; 및
    서로 매칭되는 MR 영상과 CT 영상에 근거하여 딥러닝을 통해 MR 영상으로부터 CT 영상을 합성하는 알고리즘을 생성하는 단계;
    를 통해 생성되는, 합성 CT 영상 생성 방법.
  3. 제2항에 있어서,
    상기 알고리즘을 생성하는 단계는,
    상기 서로 매칭되는 MR 영상과 CT 영상에서 상호 대응되는 각 조직 영역을 매핑하는 단계; 및
    상기 서로 매칭되는 MR 영상과 CT 영상에서의 매핑 데이터를 기초로 MR 영상과 CT 영상 사이의 관계를 인공 신경망을 통해 학습시키는 단계;
    를 포함하는, 합성 CT 영상 생성 방법.
  4. 제3항에 있어서,
    상기 인공 신경망은 컨볼루션 신경망(Convolutional Neural Network; CNN)으로 이루어지는, 합성 CT 영상 생성 방법.
  5. 제3항에 있어서,
    상기 알고리즘을 생성하는 단계는 학습의 수렴 여부를 판단하는 단계를 더 포함하며,
    상기 학습의 수렴 여부를 판단하는 단계는 MR 영상과 매칭되는 CT 영상과 MR 영상을 상기 합성 CT 영상 생성 모델에 입력하여 생성된 합성 CT 영상의 픽셀 일치율을 통해 손실 함수의 값을 계산하여 판단하는, 합성 CT 영상 생성 방법.
  6. 제5항에 있어서,
    상기 손실 함수의 값이 소정의 범위를 벗어나는 경우 인공 신경망을 통한 학습을 반복하여 수행하는, 합성 CT 영상 생성 방법.
  7. 제2항에 있어서,
    상기 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하는 단계는 변형 영상 정합 알고리즘에 의해 수행되는, 합성 CT 영상 생성 방법.
  8. 제2항에 있어서,
    상기 복수의 MR 영상의 적어도 하나와 매칭되는 CT 영상을 획득하는 단계와 상기 알고리즘을 생성하는 단계 사이에 수행되는 전처리 단계를 더 포함하며,
    상기 전처리 단계는,
    상기 서로 매칭되는 MR 영상과 CT 영상 중 CT 영상에서 환자의 신체 영역을 제외한 영역을 제거하는 제1 전처리 단계; 및
    상기 서로 매칭되는 MR 영상과 CT 영상이 대응되도록 정규화하는 제2 전처리 단계;
    를 포함하는, 합성 CT 영상 생성 방법.
  9. 합성 CT 영상을 이용한 MR 영상유도 방사선 치료계획 수립방법으로서,
    방사선 치료 전 환자의 MR 영상 획득하는 단계;
    획득된 상기 MR 영상을 합성 CT 영상 생성 모델에 입력하여 합성 CT 영상을 출력하는 단계;
    상기 합성 CT 영상에 의거하여 방사선량 분포도를 산출하는 단계; 및
    상기 방사선량 분포도를 근거로 방사선 치료계획을 수립하는 단계;
    를 포함하는 MR 영상유도 방사선 치료계획 수립방법.
  10. 제9항에 있어서,
    방사선 분할 치료 중 환자의 MR 영상을 추가 획득하는 단계;
    추가 획득된 상기 MR 영상을 합성 CT 영상 생성 모델에 입력하여 추가 합성 CT 영상을 출력하는 단계; 및
    상기 추가 합성 CT 영상에 기초하여 방사선 치료계획을 수정하는 단계;
    를 더 포함하는 MR 영상유도 방사선 치료계획 수립방법.
KR1020190178135A 2019-12-30 2019-12-30 Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법 KR102373370B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190178135A KR102373370B1 (ko) 2019-12-30 2019-12-30 Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190178135A KR102373370B1 (ko) 2019-12-30 2019-12-30 Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법

Publications (2)

Publication Number Publication Date
KR20210086789A true KR20210086789A (ko) 2021-07-09
KR102373370B1 KR102373370B1 (ko) 2022-03-11

Family

ID=76865207

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190178135A KR102373370B1 (ko) 2019-12-30 2019-12-30 Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법

Country Status (1)

Country Link
KR (1) KR102373370B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010107084A (ko) * 2000-05-25 2001-12-07 정필훈 3차원 골조직 또는 연조직 모형 제작 장치, 이의 응용방법및 이에 따른 모형
KR20130015146A (ko) * 2011-08-02 2013-02-13 삼성전자주식회사 의료 영상 처리 방법 및 장치, 영상 유도를 이용한 로봇 수술 시스템
KR20140008103A (ko) * 2012-07-10 2014-01-21 삼성전자주식회사 집속 초음파 치료 장치에 제공되는 치료 계획을 생성하는 방법 및 장치.
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20190028880A (ko) * 2017-09-11 2019-03-20 숭실대학교산학협력단 봇넷 탐지 시스템을 학습하기 위한 학습 데이터를 생성하는 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010107084A (ko) * 2000-05-25 2001-12-07 정필훈 3차원 골조직 또는 연조직 모형 제작 장치, 이의 응용방법및 이에 따른 모형
KR20130015146A (ko) * 2011-08-02 2013-02-13 삼성전자주식회사 의료 영상 처리 방법 및 장치, 영상 유도를 이용한 로봇 수술 시스템
KR20140008103A (ko) * 2012-07-10 2014-01-21 삼성전자주식회사 집속 초음파 치료 장치에 제공되는 치료 계획을 생성하는 방법 및 장치.
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20190028880A (ko) * 2017-09-11 2019-03-20 숭실대학교산학협력단 봇넷 탐지 시스템을 학습하기 위한 학습 데이터를 생성하는 방법 및 그 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Maayan Frid-Adar et al., "GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification", Neurocomputing, vol 321. pp.321-331(2018. 12) *
Wolterink J.M. et al, "Deep MR to CT Synthesis Using Unpaired Data", Simulation and Synthesis in Medical Imaging. SASHIMI 2017. Lecture Notes in Computer Science, vol. 10557. pp.14-23. *

Also Published As

Publication number Publication date
KR102373370B1 (ko) 2022-03-11

Similar Documents

Publication Publication Date Title
Zhang et al. A patient‐specific respiratory model of anatomical motion for radiation treatment planning
US20200349726A1 (en) Methods and devices for surface motion tracking
JP2020054875A (ja) 適応型放射線療法に対する３次元位置特定及び追跡
RU2719024C1 (ru) Системы и способы для формирования изображений в реальном времени
US11443441B2 (en) Deep inspiration breath-hold setup using x-ray imaging
JP2018506349A (ja) 適応型放射線療法に対する移動する標的の３次元位置特定
AU2017361124B2 (en) Three-dimensional tracking of a target in a body
JP2018507073A (ja) 放射線治療のための可搬型ｃｔスキャナーの使用
EP3468668B1 (en) Soft tissue tracking using physiologic volume rendering
EP3634577B1 (en) Systems and methods of accounting for shape change during radiotherapy
US9498645B2 (en) Dose deformation error calculation method and system
KR101721798B1 (ko) 방사선 치료 계획의 변경 시점 평가 방법
US9014454B2 (en) Method and apparatus pertaining to images used for radiation-treatment planning
Li et al. Augmented reality‐guided positioning system for radiotherapy patients
KR102373370B1 (ko) Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법
US20230222657A1 (en) Comparing healthcare provider contours using automated tool
US11511131B2 (en) Radiation treatment parameters for target region tumour
JP2022536280A (ja) 機械学習モデルを訓練するため、および患者の推定体内画像を提供するためのシステムおよび方法
EP3751524A1 (en) Method, computer program product and computer system for providing an approximate image
CN117883712A (zh) 一种剂量预测方法及系统
CN117323581A (zh) 表面引导的监测中确定感兴趣区的方法、系统和可读介质
WO2023235923A1 (en) Markerless anatomical object tracking during an image-guided medical procedure

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