KR20230161068A

KR20230161068A - 복셀 기반 방사선 선량 평가 방법 및 장치

Info

Publication number: KR20230161068A
Application number: KR1020220060624A
Authority: KR
Inventors: 이재성; 김건민; 이민선
Original assignee: 서울대학교산학협력단
Priority date: 2022-05-18
Filing date: 2022-05-18
Publication date: 2023-11-27
Also published as: WO2023224273A1

Abstract

본 발명의 일 실시예에 따른 방사선 선량 평가 장치는, 복셀 기반 선량 평가 프로그램이 저장된 메모리; 및 상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함한다. 이때, 복셀 기반 선량 평가 프로그램은 상기 프로세서에 의해 실행됨에 따라, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습된 학습 모델을 통해 입력 데이터에 대하여 방사선량 지도를 출력한다. 학습 모델은 상기 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 학습된 1차 학습 모델에 대하여, 상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되어 구축된 것이다.

Description

복셀 기반 방사선 선량 평가 방법 및 장치{METHOD AND APPARATUS FOR VOXEL-BASED RADIATION DOSIMETRY}

본 발명은 복셀 기반 방사선 선량 평가 방법 및 장치에 관한 것이다.

방사선 내부 피폭 선량평가(Radiation internal dosimetry)는 펩타이드 수용체 방사성핵종 치료와 같은 방사선 치료 후 장기나 암종에 가해지는 흡수선량(Absorbed dose)을 평가하는 과정을 의미한다. 정상 장기에 가해지는 선량을 평가함으로써 방사선치료의 부작용을 방지할 수 있으며, 동시에 암종에 가해지는 선량을 평가하는 것으로 치료의 효과를 극대화시키는 치료 계획을 수립할 수 있다. 또한, 의료 분야뿐만 아니라, 원자력 발전 분야 등 환경 방사선의 영향성 등을 평가하기 위해서도 사용될 수 있다. 예를 들어, 원자력 발전소 해체 후, 부지의 일반적 사용을 위해 선량평가를 수행할 수 있다. 또한, 기상 데이터, 지리 데이터 등의 물질적 정보와, 방사능 분포의 정보 등을 활용하여 선량평가를 수행할 수 있다.

선량평가 방식에는 MIRD(Medical Internal Radiation Dose Commitee)가 제안하는 장기기반 선량평가 방식과 몬테카를로 시뮬레이션 등을 이용한 복셀기반 선량평가 방식이 있다. 전자의 방식은 미리 산출된 핵종 및 장기 별 S-value를 활용하여 간편하게 선량평가를 수행할 수 있지만, 성별 및 나이 별로 고정된 팬텀으로부터 산출된 값이므로 개인별 맞춤형 선량평가에 부적절하다는 평가가 있다. 복셀기반 선량평가는 핵의학 영상의 정량성을 토대로 환자별로 정확하게 선량평가를 수행할 수 있지만, 시간이 오래 걸린다는 문제점이 있다.

한편, 최근 기계 학습 기술 중 딥러닝 기술이 개발되면서 다양한 분야에 활용되고 있다. 딥러닝은 뇌의 신경망을 모사하여 네트워크의 형태로 프로그램을 구성한 후에 입력값을 가해주고 자동으로 정답을 학습하게 하는 방법을 통칭한다. 딥러닝 네트워크가 정확하게 작동하기 위해서는 대규모의 입력 데이터가 필요하지만, 의료 영상 데이터의 경우 빠른 속도로 축적되기 때문에 의료 영상 처리 분야에서 고성능의 딥러닝 네트워크를 발현하기 비교적 쉽다. 또한 GPU와 같은 컴퓨터 소자 성능의 발전으로 딥러닝 네트워크를 빠르게 학습하는 것이 가능하게 되어 산업 및 연구 분야에 널리 사용되고 있다.

본 발명은 종래 방사선 선량 평가 기술이 가진 문제점을 해결하기 위해 딥러닝 등을 활용한 빠르고 정확한 복셀기반 선량평가 기술을 제안한다.

선행논문: Whole-Body Voxel-Based Personalized Dosimetry: The Multiple Voxel S-Value Approach for Heterogeneous Media with Nonuniform Activity Distributions(The Journal of Nuclear Medicine, 2017년 12월 14일, 이민선, 김중현, 팽진철, 강건욱, 정재민, 이동수, 이재성)

본 발명의 일 과제는, 기계 학습 방법을 이용하여 개인별 선량 평가 결과를 제공할 수 있는 복셀 기반 방사선 선량 평가 장치 및 방법을 제공하는 것을 목적으로 한다.

본 발명의 과제는 이상에서 언급된 과제들로 제한되지 않으며, 언급되지 않은 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 방사선 선량 평가 장치는, 복셀 기반 선량 평가 프로그램이 저장된 메모리; 및 상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함한다. 이때, 복셀 기반 선량 평가 프로그램은 상기 프로세서에 의해 실행됨에 따라, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습된 학습 모델을 통해 입력 데이터에 대하여 방사선량 지도를 출력하되, 상기 학습 모델은 상기 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 학습된 1차 학습 모델에 대하여, 상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되어 구축된 것을 특징으로 한다.

본 발명의 다른 실시예에 따른 방사선 선량 평가 장치는, 복셀 기반 선량 평가 프로그램이 저장된 메모리; 및 상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함한다. 복셀 기반 선량 평가 프로그램은 상기 프로세서에 의해 실행됨에 따라, 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습된 학습 모델을 통해 입력 데이터에 대하여 방사선량 지도를 출력하되, 상기 학습 모델은 상기 피검자의 해부학적 정보를 포함하는 영상, 상기 피검자의 방사능 분포 상태를 나타내는 영상 및 상기 VSV 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 학습된 학습 모델이 추론한 방사전량 지도가 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된 것이다.

본 발명의 다른 실시예에 따른 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법은, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 1차 학습 모델이 구축되는 단계; 및 상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되는 단계를 포함한다.

본 발명의 다른 실시예에 따른 방사선 선량 평가 장치를 이용한 복셀 기반 선량 평가 방법은, 상기 방사선 선량 평가 장치가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력하는 단계; 및 상기 기계 학습 모델이 상기 입력 데이터를 기초로 방사선량 지도를 출력하는 단계를 포함하되, 상기 학습 모델은, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습된 1차 학습 모델에 대하여, 상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되어 구축된 것을 특징으로 한다.

본 발명의 다른 실시예에 따른 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법은, 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 학습 모델이 구축되는 단계를 포함하되, 상기 학습 모델에서 출력된 방사선량 지도와 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 학습 모델이 구축되는 것이다.

본 발명의 다른 실시예에 따른 방사선 선량 평가 장치를 이용한 복셀 기반 선량 평가 방법은, 상기 방사선 선량 평가 장치가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력하는 단계; 및 상기 기계 학습 모델이 상기 입력 데이터를 기초로 방사선량 지도를 출력하는 단계를 포함하되, 상기 학습 모델은, 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 구축된 것이며, 상기 학습 모델에서 출력된 방사선량 지도와 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된 것이다.

전술한 본원의 과제의 해결 수단에 의하면, 종래의 몬테카를로 시뮬레이션을 통한 선량평가 방식과 대비하여 현저하게 빠른 속도로 방사선 선량 지도를 획득할 수 있으면서도, 그와 유사한 선량 평가 결과의 획득이 가능하다.

도 1은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 기계 학습 모델의 학습 네트워크 구성을 도시한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 VSV 방법을 통해 제 2 방사선량 지도를 생성하는 과정을 도시한 개념도이다.
도 5는 본 발명의 일 실시예에 따른 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법을 도시한 순서도이다.
도 6은 본 발명의 다른 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.
도 7은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 방법을 도시한 순서도이다.
도 8과 도 9는 본 발명의 일 실시예에 따른 방사선 선량 평가 방법의 결과를 설명하기 위한 도면이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 “상에” 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 본원 명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본원의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본원 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.

이하, 첨부한 도면들 및 후술되어 있는 내용을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 그러나, 본 발명은 여기서 설명되어지는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.

이하, 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 장치에 대하여 설명한다.

도 1은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 장치의 구성을 도시한 블록도이다.

도 1을 참조하여 설명하면, 복셀 기반 선량 평가 장치(100)는 통신모듈(110), 메모리(120), 프로세서(130), 데이터베이스(140)를 포함한다.

다음으로, 통신 모듈(110)은 외부 컴퓨팅 장치 또는 방사선 영상 처리 장치로부터 각종 영상 데이터 또는 선량 평가를 위한 그 밖의 데이터를 수신한다. 통신 모듈(110)은 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크를 사용하는 통신 모듈을 포함할 수 있다.

메모리(120)는 복셀 기반 선량 평가 프로그램이 저장된 것이다. 복셀 기반 선량 평가 프로그램은 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습된 학습 모델을 통해 입력 데이터에 대하여 방사선량 지도를 출력한다. 이때, 본 발명에 따른 학습 모델은 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 1차 학습 모델을 구축하고, 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 1차 학습 모델을 재구성하는 형태로 구축된다. 또한, 상기 기계 학습 모델은 각 장기별 방사능 분포 상태를 나타내는 영상을 학습데이터로 하여 학습되고, 입력 데이터에 대하여 각 장기별 방사선량 지도를 출력하는 것일 수 있다. 구체적인 학습 모델 구축 방법에 대해서는 추후 상세히 설명하기로 한다.

한편, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력을 필요로 하는 휘발성 저장장치를 통칭하는 것으로 해석되어야 한다. 또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 메모리(120)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

프로세서(130)는 메모리(120)에 저장된 복셀 기반 선량 평가 프로그램을 실행한다. 프로세서(130)는 데이터를 제어 및 처리하는 다양한 종류의 장치들을 포함할 수 있다. 프로세서(130)는 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 일 예에서, 프로세서(200)는 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 형태로 구현될 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

또한, 데이터베이스(140)는 복셀 기반 선량 평가 프로그램의 학습 모델의 구축을 위한 각종 학습 데이터를 관리한다. 예를 들면, 피검자의 해부학적 정보를 포함하는 영상이나 피검자의 방사능 분포 상태를 나타내는 영상 등 다양한 데이터가 관리될 수 있다. 또한, 데이터베이스(140)는 학습 모델을 이용하여 방사선 선량 평가를 수행하기 위해, 각 피검자의 입력 데이터를 관리한다.

한편, 복셀 기반 선량 평가 장치(100)는 일반적인 컴퓨팅 장치외에 각종 휴대용 단말의 형태로 구현될 수 있다. 또한, 복셀 기반 선량 평가 장치(100)는 외부 컴퓨팅 장치로부터 각 대상자의 방사선 영상 등을 수신하고, 이를 복셀 기반 선량 평가 프로그램의 학습 모델에 입력하여 복셀 기반 선량 평가를 수행하는 서버의 형태로도 동작할 수 있다. 이때, 복셀 기반 선량 평가 장치(100) 는 SaaS (Software as a Service), PaaS (Platform as a Service) 또는 IaaS (Infrastructure as a Service)와 같은 클라우드 컴퓨팅 서비스 모델에서 동작할 수 있다. 또한, 복셀 기반 선량 평가 장치(100) 는 사설(private) 클라우드, 공용(public) 클라우드 또는 하이브리드 클라우드와 같은 형태로 구축될 수 있다.

도 2 내지 도 4는 본 발명의 일 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.

복셀 기반 선량 평가를 위한 기계 학습 모델의 구축을 위한 학습 데이터로는 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 사용한다. 피검자의 해부학적 정보를 포함하는 영상으로는 CT 영상 또는 MRI 영상, 엑스선 영상 등이 사용될 수 있다. 또한, 피검자의 방사능 분포 상태를 나타내는 영상으로는 PET(Positron Emission Tomography), SPECT(Single Photon Emission Computed Tomography), 감마 카메라 영상, 광학 영상, 체렌코프 영상(cherenkov image)등이 사용될 수 있다. 한편, 방사능 분포 상태를 나타내는 영상은 각 피검자 별로 여러 장기의 방사능 분포 상태를 나타낼 수 있다.

이러한 학습 데이터의 전처리를 위해, 이미지 크기 조정(Sampling), 주요 장기 영역 추출(delineation), 누적 방사능 지도 산출과 배치(registration)와 같은 작업을 수행할 수 있다. 주요 장기 영역 추출은 상용화된 소프트웨어(3D slicer, MIM software 등)를 활용하여, 전문 작업자가 컴퓨터 화면 상에서 CT 영상에 장기별로 영역을 정하는 작업을 통해 이루어질 수 있다. 이 때 최종 산출물은 2진으로 된 장기별 영상일 수 있다. 누적 방사능 지도 산출은 복셀 단위에서의 방사능 (Bq) 값을 시간에 대해 적분하여 (Bq * hr) 단위의 영상을 산출하는 작업을 통해 이루어질 수 있다. 이 때 최종 산출물은 복셀별로 실수 값을 가지는 환자별 단일영상일 수 있다. 배치는 누적방사능 지도 산출을 위해 여러 시점에서 얻은 SPECT/CT 혹은 PET/CT 영상의 위치를 한 시점의 영상에 고정시키는 작업을 통해 이루어질 수 있다. 예를 들어 환자가 4번의 SPECT/CT를 촬영했다면 첫번째 찍은 SPECT/CT의 위치와 모양이 비슷하도록 나머지 3개의 SPECT/CT를 이동 및 조정하는 작업을 의미한다.

이와 같이, 전처리된 학습 데이터를 이용하여 1차 학습 모델을 구축하는데, 이때 몬테카를로 시뮬레이션 기반의 선량평가 지도가 목표영상이 되도록 학습을 사용할 수 있다. 이때, 학습 모델 구축을 위한 학습 네트워크로는 3D U-NET, V-NET, GAN(Generative Adversarial Networks) 등이 사용될 수 있으나, 본 발명이 이에 제한되는 것은 아니다.

도 3은 본 발명의 일 실시예에 따른 기계 학습 모델의 학습 네트워크 구성을 도시한 예시도이다.

도시된 바와 같이, U-NET 구조의 학습 네트워크을 이용하여 복셀 기반 선량 평가를 위한 기계 학습 모델을 구축할 수 있다. 이때, 도시된 U-NET은 복수의 컨볼루션 계층(Conv), 맥스 풀링 계층(max pool), 디컨볼루션 계층(Deconv), 연결 계층(Concat)을 포함한다.

다시 도 2를 참조하면, 1차 학습 모델을 구축하고, 이를 반복학습 하는 과정을 통해 몬테카를로 선량 지도와 유사한 품질을 갖는 방사선량 지도를 생성할 수 있다. 본 발명에서는 방사선량 지도의 품질을 더욱 향상시키기 위해, 이 과정에서 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도를 추가적으로 사용하는 것을 특징으로 한다.

즉, 1차 학습 모델에서 출력된 제 1 방사선량 지도와 제 2 방사선량 지도가 중첩된 값을 통해 생성된 방사선량 지도가 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 1차 학습 모델을 재구성하는 형태로, 본 발명의 기계 학습 모델을 구축한다. 이때, 제 1 방사선량 지도와 제 2 방사선량 지도는 각각 복셀값을 가지므로, 복셀단위로 값을 합산하는 연산을 통해 제 1 방사선량 지도와 제 2 방사선량 지도가 중첩된다.

또한, 제 1 방사선량 지도와 제 2 방사선량 지도가 중첩된 값을 통해 생성된 방사선량 지도와 몬테카를로 방사선량 지도와의 차이를 나타내는 손실(loss)을 구하고, 손실이 최소화되도록 잔차 학습을 수행한다.

이제, VSV 방법을 통해 제 2 방사선량 지도를 생성하는 과정을 살펴보기로 한다.

도 4는 본 발명의 일 실시예에 따른 VSV 방법을 통해 제 2 방사선량 지도를 생성하는 과정을 도시한 개념도이다.

먼저, 몬테카를로 시뮬레이션을 통해 적어도 하나 이상의 매질에서의 VSV커널을 획득한다. 예를 들면, 공기, 폐, 물, 뼈 등과 같은 신체의 대표적인 매질의 특성을 나타내는 VSV 커널을 사용한다. VSV는 핵영상을 이용하여 복셀 수준에서의 방사선 분포와 해부학적 정보를 나타내는 값으로서, 본 발명에서는 여러 매질에서의 VSV 값을 활용하여 방사선량 지도륵 획득한다.

다음으로, 누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 를 컨볼루션하여 밀도별 선량 지도를 획득한다(S2). 이때, 누적 방사능 지도 SPECT 영상등을 시간에 따라 적분한 것으로서, 이를 생성하는 기술은 종래 기술에 해당하므로 상세한 설명은 생략하기로 한다. 한편, 하나의 매질에 대하여 VSV 방법을 적용하는 경우에는, 단일 매질의 VSV 커널을 컨볼루션 하여 밀도별 선량 지도를 획득할 수 있다.

다음으로, 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득한다(S3). 이때, 마스크 영상으로는 CT, MRI, 엑스선 영상으로부터 얻은 장기별 이진처리된 영상이 사용될 수 있다.

다음으로, 앞선 단계에서 획득한 각 부위별 분할 선량 지도를 합산하여 제 2 방사선량 지도를 생성한다(S4).

참고로, 제 2 방사선량 지도를 생성하는 방법 자체는 선행논문(Whole-Body Voxel-Based Personalized Dosimetry: The Multiple Voxel S-Value Approach for Heterogeneous Media with Nonuniform Activity Distributions(The Journal of Nuclear Medicine, 2017년 12월 14일, 이민선, 김중현, 팽진철, 강건욱, 정재민, 이동수, 이재성))을 통해 개시된 것으로, 보다 상세한 내용은 해당 선행 논문의 내용을 참조하기로 한다.

도 5는 본 발명의 일 실시예에 따른 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법을 도시한 순서도이다.

먼저, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하고, 방사선량 지도를 출력하는 1차 학습 모델을 구축한다(S510).

앞서 설명한 바와 같이, 피검자의 해부학적 정보를 포함하는 영상으로는 CT, MRI 또는 엑스선 영상이 사용될 수 있고, 방사능 분포 상태를 나타내는 영상으로는 PET 또는 SPECT 영상이 사용될 수 있다. 이러한 영상 데이터에 대하여 전처리 과정을 수행할 수 있고, 3D U-NET, V-NET, GAN 등의 학습 네트워크를 이용하여 1차 학습 모델을 구축한다.

다음으로, 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도를 이용하여 1차 학습 모델을 재구성한다(S520).

1차 학습 모델의 출력 영상의 품질을 향상시키기 위해, 제 1 방사선량 지도에 제 2 방사선량 지도를 추가한 정보가 몬테카를로 방사선량지도와 거의 동일해지도록 1차 학습 모델을 재구성한다.

도 6은 본 발명의 다른 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.

도 6의 실시예에서는 복셀 기반 선량 평가를 위한 기계 학습 모델의 구축을 위한 학습 데이터로는 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상, 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 사용한다. 각각의 영상과 방사선량 지도의 구성에 대해서는 앞선 실시예를 통해 설명한 바와 같다. 이와 같이 수집된 영상과 방사선량 지도를 학습 데이터로 하여, 학습 모델을 구축하되, 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 학습된 학습 모델이 추론한 방사전량 지도가 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된다.

도 7은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 방법을 도시한 순서도이다.

먼저, 방사선 선량 평가 장치(100)가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력한다(S710).

이때, 기계 학습 모델은 도 2의 실시예를 통해 구축된 것이거나, 도 6의 실시예를 통해 구축된 것이다.

이때, 입력 데이터는 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상이거나, 이를 전처리한 영상일 수 있다. 또한, 입력 데이터는 앞선 과정을 통해 설명한, VSV 방법을 통해 생성된 제 2 방사선량 지도를 포함한다. 전처리 방법은 앞서 학습 데이터의 전처리 과정과 동일하게 수행될 수 있다.

다음으로, 기계 학습 모델이 입력 데이터를 기초로 방사선량 지도를 출력한다(S720).

도 2의 실시예에 따른 학습 모델의 경우, 본 발명의 기계 학습 모델은 제 1 방사선량 지도와 제 2 방사선량 지도가 중첩된 값이 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된 모델인 만큼, 보다 향상된 품질의 영상 출력을 보장할 수 있다.

또한, 도 6의 실시예에 따른 학습 모델의 경우 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습된 학습 모델이 출력하는 방사선량 지도가 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된 모델이므로, 그에 맞는 품질의 영상을 출력을 보장할 수 있다.

도 8과 도 9는은 본 발명의 일 실시예에 따른 방사선 선량 평가 방법의 결과를 설명하기 위한 도면이다.

본 발명의 성능을 평가하기 위해, 서울대학교병원에서 7명으로부터 얻은 22개의 Lu-177-DOTATATE 치료환자 SPECT/CT 데이터를 활용하였다. SPECT와 CT 촬영은 Lu-177-DOTATATE 약물 주입 후 4, 24, 48 그리고 120 시간 후에 촬영하였다. CT 영상은 복셀의 크기가 0.98×0.98×2.5 mm3이며 512×512×161의 영상 크기를 갖고, SPECT 영상은 복셀의 크기가 3.87×3.87×3.87 mm3이며 128×128×128의 영상 크기를 갖는다.

CT 영상은 학습 전에 SPECT 영상과 같은 복셀의 크기와 영상 크기를 갖도록 조정되었다. 4 시점에서의 SPECT 영상을 시간에 따라 적분하여 누적 방사능 지도를 생성하였다. 각 누적 방사능 지도 및 CT 영상은 패치 기반의 학습을 위해 64×64×64 크기의 125개의 패치 영상들로 분해되었다.

학습 모델 구축을 위해, 몬테카를로 시뮬레이션 기반의 선량평가 지도를 목표영상이 되도록 지도학습을 하였다. 사용된 네트워크로 의료 영상 학습에 널리 사용되는 3D U-NET, V-NET, GAN을 활용하였다. 아담(Adam: Adaptive Moment Estimation) 최적함수를 이용해 학습을 하였으며, L1 손실함수를 이용하여 손실이 최소화되도록 학습 모델을 구축하였다. 배치 크기는 8개로 설정하였으며 학습율은 경험을 토대로 0.001로 설정하였다. 학습한 네트워크는 교차 검증을 통해 그 네트워크의 성능을 검증하였다. 최종적으로 학습한 네트워크는 패치로 된 SPECT 영상 기반의 누적 방사능 지도와 CT 영상을 입력으로 하여 3D 선량지도를 산출하게 된다.

도 8과 도 9에 도시된 바와 같이, 기존의 VSV 방법을 사용한 것에 비하여, 본 발명에 따른 경우 전반적인 오차 수준이 낮은 것을 확인할 수 있다. 참고로, VSV 방법을 이용한 방사선량 지도는 20개의 VSV 커널을 이용한 다중 VSV 방법을 사용한 것이다.

본 발명의 일 실시예에 따른 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

100: 복셀 기반 선량 평가 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스

Claims

방사선 선량 평가 장치에 있어서,
복셀 기반 선량 평가 프로그램이 저장된 메모리; 및
상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함하되,
상기 복셀 기반 선량 평가 프로그램은 상기 프로세서에 의해 실행됨에 따라, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습된 학습 모델을 통해 입력 데이터에 대하여 방사선량 지도를 출력하되,
상기 학습 모델은 상기 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 학습된 1차 학습 모델에 대하여, 상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되어 구축된 것인, 방사선 선량 평가 장치.
제 1 항에 있어서,
상기 제 2 방사선량 지도는
몬테카를로 시뮬레이션을 통해 적어도 하나 이상의 매질에서의 VSV커널을 획득하는 단계;
누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 컨볼루션하여 밀도별 선량 지도를 획득하는 단계;
상기 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득하는 단계 및
상기 분할 선량 지도를 합산하여 상기 제 2 방사선량 지도를 생성하는 단계를 통해 생성된 것인, 방사선 선량 평가 장치.
제 1 항에 있어서,
상기 학습 모델은 각 장기별 방사능 분포 상태를 나타내는 영상을 학습데이터로 하여 학습되고, 입력 데이터에 대하여 각 장기별 방사선량 지도를 출력하는 것인, 방사선 선량 평가 장치.
방사선 선량 평가 장치에 있어서,
복셀 기반 선량 평가 프로그램이 저장된 메모리; 및
상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함하되,
상기 복셀 기반 선량 평가 프로그램은 상기 프로세서에 의해 실행됨에 따라, 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습된 학습 모델을 통해 입력 데이터에 대하여 방사선량 지도를 출력하되,
상기 학습 모델은 상기 피검자의 해부학적 정보를 포함하는 영상, 상기 피검자의 방사능 분포 상태를 나타내는 영상 및 상기 VSV 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 학습된 학습 모델이 추론한 방사전량 지도가 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된 것인, 방사선 선량 평가 장치.
방사선 선량 평가 장치를 이용한, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법에 있어서,
피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 1차 학습 모델이 구축되는 단계; 및
상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되는 단계를 포함하는 것인, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법.
제 5 항에 있어서,
상기 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도는
몬테카를로 시뮬레이션을 통해 적어도 하나 이상의 매질에서의 VSV커널을 획득하는 단계;
누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 를 컨볼루션하여 밀도별 선량 지도를 획득하는 단계;
상기 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득하는 단계 및
상기 분할 선량 지도를 합산하여 상기 제 2 방사선량 지도를 생성하는 단계를 통해 생성된 것인, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법.
방사선 선량 평가 장치를 이용한 복셀 기반 선량 평가 방법에 있어서,
상기 방사선 선량 평가 장치가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력하는 단계; 및
상기 기계 학습 모델이 상기 입력 데이터를 기초로 방사선량 지도를 출력하는 단계를 포함하되,
상기 학습 모델은, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습된 1차 학습 모델에 대하여, 상기 1차 학습 모델에서 출력된 제 1 방사선량 지도와 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도가 중첩된 값과 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 1차 학습 모델이 재구성되어 구축된 것인, 복셀 기반 선량 평가 방법.
제 7 항에 있어서,
상기 제 2 방사선량 지도는
몬테카를로 시뮬레이션을 통해 적어도 하나 이상 매질에서의 VSV커널을 획득하는 단계;
누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 를 컨볼루션하여 밀도별 선량 지도를 획득하는 단계;
상기 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득하는 단계 및
상기 분할 선량 지도를 합산하여 상기 제 2 방사선량 지도를 생성하는 단계를 통해 생성된 것인, 복셀 기반 선량 평가 방법.
방사선 선량 평가 장치를 이용한, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법에 있어서,
피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 학습 모델이 구축되는 단계를 포함하되,
상기 학습 모델에서 출력된 방사선량 지도와 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 상기 학습 모델이 구축되는 것인, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법.
방사선 선량 평가 장치를 이용한 복셀 기반 선량 평가 방법에 있어서,
상기 방사선 선량 평가 장치가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력하는 단계; 및
상기 기계 학습 모델이 상기 입력 데이터를 기초로 방사선량 지도를 출력하는 단계를 포함하되,
상기 학습 모델은, 피검자의 해부학적 정보를 포함하는 영상, 피검자의 방사능 분포 상태를 나타내는 영상 및 VSV(voxel S-value) 방법을 통해 생성된 방사선량 지도를 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 구축된 것이며, 상기 학습 모델에서 출력된 방사선량 지도와 비교 대상인 몬테카를로 방사선량지도와의 차이가 최소가 되도록 구축된 것인, 복셀 기반 선량 평가 방법.
제 5 항 내지 제 10 항 중 어느 한 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체.