WO2023224273A1 - Voxel-based radiation dose assessment method and apparatus - Google Patents

Voxel-based radiation dose assessment method and apparatus Download PDF

Info

Publication number
WO2023224273A1
WO2023224273A1 PCT/KR2023/005210 KR2023005210W WO2023224273A1 WO 2023224273 A1 WO2023224273 A1 WO 2023224273A1 KR 2023005210 W KR2023005210 W KR 2023005210W WO 2023224273 A1 WO2023224273 A1 WO 2023224273A1
Authority
WO
WIPO (PCT)
Prior art keywords
radiation dose
voxel
learning model
map
radiation
Prior art date
Application number
PCT/KR2023/005210
Other languages
French (fr)
Korean (ko)
Inventor
이재성
김건민
이민선
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
Publication of WO2023224273A1 publication Critical patent/WO2023224273A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G01T1/163—Whole body counters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/02—Dosimeters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G01T1/164—Scintigraphy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G01T1/164—Scintigraphy
    • G01T1/1641—Static instruments for imaging the distribution of radioactivity in one or two dimensions using one or several scintillating elements; Radio-isotope cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

A radiation dose assessment apparatus, according to an embodiment of the present invention, comprises: a memory in which a voxel-based dose assessment program is stored; and a processor that executes the voxel-based dose assessment program. In this case, as the voxel-based dose assessment program is executed by the processor, the voxel-based dose assessment program outputs a radiation dose map for input data through a learning model that is machine-learned using, as learning data, an image including anatomical information about a subject and an image representing a radiation distribution state of the subject. The learning model is constructed by reconstructing a primary learning model that is learned using, as learning data, the image including the anatomical information about the subject and the image representing the radiation distribution state of the subject, so that a difference between a value in which a first radiation dose map output from the primary learning model overlaps a second radiation dose map generated through a voxel S-value (VSV) method and a Monte Carlo radiation dose map, which is an object to be compared, is minimized.

Description

복셀 기반 방사선 선량 평가 방법 및 장치 Voxel-based radiation dose evaluation method and device
본 발명은 복셀 기반 방사선 선량 평가 방법 및 장치에 관한 것이다.The present invention relates to a voxel-based radiation dose evaluation method and device.
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.Radiation internal dosimetry refers to the process of evaluating the absorbed dose applied to organs or carcinoma after radiation treatment such as peptide receptor radionuclide treatment. By evaluating the dose applied to normal organs, side effects of radiation therapy can be prevented, and at the same time, by evaluating the dose applied to carcinoma, a treatment plan that maximizes the effect of treatment can be established. In addition, it can be used not only in the medical field, but also to evaluate the impact of environmental radiation, such as in the nuclear power generation field. For example, after decommissioning a nuclear power plant, dose assessments can be performed for general use of the site. In addition, dose assessment can be performed using material information such as meteorological data and geographic data, and information on radioactivity distribution.
선량평가 방식에는 MIRD(Medical Internal Radiation Dose Commitee)가 제안하는 장기기반 선량평가 방식과 몬테카를로 시뮬레이션 등을 이용한 복셀기반 선량평가 방식이 있다. 장기기반 선량평가는 미리 산출된 핵종 및 장기 별 S-value를 활용하여 간편하게 선량평가를 수행할 수 있다. 하지만, 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 있다. 하지만, 시간이 오래 걸린다는 문제점이 있다. There are two types of dose evaluation methods: the organ-based dose evaluation method proposed by MIRD (Medical Internal Radiation Dose Committee) and the voxel-based dose evaluation method using Monte Carlo simulation. Organ-based dose evaluation can be easily performed using pre-calculated S-values for each nuclide and organ. However, since the values are calculated from fixed phantoms for each gender and age, there is an assessment that they are inappropriate for personalized dose evaluation. Voxel-based dose evaluation can accurately perform dose evaluation for each patient based on the quantitative nature of nuclear medicine images. However, there is a problem that it takes a long time.
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 필요하다. 특히, 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.Meanwhile, among machine learning technologies, deep learning technology has recently been developed and is being used in various fields. Deep learning is a general term for a method of configuring a program in the form of a network by simulating the brain's neural network, then applying input values and automatically learning the correct answer. Deep learning networks require large amounts of input data to operate accurately. In particular, because medical image data is accumulated at a rapid rate, it is relatively easy to develop a high-performance deep learning network in the field of medical image processing. In addition, advances in the performance of computer devices such as GPUs have made it possible to quickly learn deep learning networks, making them widely used in industry and research.
본 발명은 종래 방사선 선량 평가 기술이 가진 문제점을 해결하기 위해 딥러닝 등을 활용한 빠르고 정확한 복셀기반 선량평가 기술을 제안한다.The present invention proposes a fast and accurate voxel-based dose evaluation technology using deep learning to solve the problems of conventional radiation dose evaluation technology.
<선행기술문헌><Prior art literature>
(비특허문헌 1)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)(Non-patent Document 1) Prior Paper: Whole-Body Voxel-Based Personalized Dosimetry: The Multiple Voxel S-Value Approach for Heterogeneous Media with Nonuniform Activity Distributions (The Journal of Nuclear Medicine, December 14, 2017, Lee Min-seon, Kim Jung-hyeon, Jin-cheol Peng, Geon-wook Kang, Jae-min Jeong, Dong-soo Lee, Jae-seong Lee)
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.One object of the present invention is to provide a voxel-based radiation dose evaluation device and method that can provide individual dose evaluation results using a machine learning method.
본 발명의 과제는 이상에서 언급된 과제들로 제한되지 않으며, 언급되지 않은 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The object of the present invention is not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.
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.As a technical means for solving the above-described technical problem, a radiation dose evaluation device according to an embodiment of the present invention includes a memory storing a voxel-based dose evaluation program; and a processor executing the voxel-based dose evaluation program. At this time, as the voxel-based dose evaluation program is executed by the processor, it evaluates the input data through a machine-learned learning model using an image containing the subject's anatomical information and an image showing the subject's radiation distribution state as learning data. A radiation dose map is output, wherein the learning model is a primary learning model learned using an image containing anatomical information of the subject and an image showing the radiation distribution state of the subject as learning data. The first learning model is reconstructed so that the difference between the overlapping value of the output first radiation dose map and the second radiation dose map generated through the VSV (voxel S-value) method and the Monte Carlo radiation dose map to be compared is minimized. It is characterized by being constructed.
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.A radiation dose evaluation device according to another embodiment of the present invention includes a memory storing a voxel-based dose evaluation program; and a processor executing the voxel-based dose evaluation program. As the voxel-based dose evaluation program is executed by the processor, it learns an image containing the subject's anatomical information, an image showing the subject's radiation distribution state, and a radiation dose map generated through the voxel S-value (VSV) method. A radiation dose map is output for the input data through a machine-learned learning model using data, wherein the learning model includes an image containing anatomical information of the subject, an image representing the radiation distribution state of the subject, and the VSV method. Using the radiation dose map generated through this as learning data, the radiation dose map inferred by the learned learning model was constructed so that the difference between it and the Monte Carlo radiation dose map that is being compared is minimal.
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.The method of building a learning model for voxel-based dose evaluation according to another embodiment of the present invention is machine-learned using an image containing anatomical information of the subject and an image representing the radiation distribution state of the subject as learning data, and the radiation dose A step in which a primary learning model is built to output a map; And so that the difference between the overlapping value of the first radiation dose map output from the first learning model and the second radiation dose map generated through the voxel S-value (VSV) method and the Monte Carlo radiation dose map to be compared is minimized. It includes the step of reconstructing the first learning model.
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.A voxel-based dose evaluation method using a radiation dose evaluation device according to another embodiment of the present invention includes inputting input data received by the radiation dose evaluation device into a machine learning model of a voxel-based dose evaluation program; And a step of the machine learning model outputting a radiation dose map based on the input data, wherein the learning model uses an image containing anatomical information of the subject and an image representing the radiation distribution state of the subject as learning data. For the machine learned first learning model, the first radiation dose map output from the first learning model and the second radiation dose map generated through the VSV (voxel S-value) method are compared with the overlapped value and Monte Carlo The primary learning model is reconstructed and constructed so that the difference with the radiation dose map is minimized.
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.A method of building a learning model for voxel-based dose evaluation according to another embodiment of the present invention uses an image containing anatomical information of the subject, an image representing the radiation distribution state of the subject, and a voxel S-value (VSV) method. Machine learning is performed using the generated radiation dose map as learning data, and a learning model is constructed to output a radiation dose map, wherein the difference between the radiation dose map output from the learning model and the Monte Carlo radiation dose map to be compared is The learning model is constructed to minimize.
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.A voxel-based dose evaluation method using a radiation dose evaluation device according to another embodiment of the present invention includes inputting input data received by the radiation dose evaluation device into a machine learning model of a voxel-based dose evaluation program; And a step of the machine learning model outputting a radiation dose map based on the input data, wherein the learning model includes an image containing anatomical information of the subject, an image representing the radiation distribution state of the subject, and VSV (voxel It is machine-learned using the radiation dose map generated through the S-value method as learning data, and is constructed to output a radiation dose map. The difference between the radiation dose map output from the learning model and the Monte Carlo radiation dose map that is compared It was built to minimize.
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. According to the means for solving the problem described above, it is possible to obtain a radiation dose map at a significantly faster rate compared to the conventional dose evaluation method through Monte Carlo simulation, while also obtaining similar dose evaluation results.
도 1은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 장치의 구성을 도시한 블록도이다.Figure 1 is a block diagram showing the configuration of a voxel-based dose evaluation device according to an embodiment of the present invention.
도 2는 본 발명의 일 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.Figure 2 is a conceptual diagram illustrating a method for building a machine learning model according to an embodiment of the present invention.
도 3은 본 발명의 일 실시예에 따른 기계 학습 모델의 학습 네트워크 구성을 도시한 예시도이다.Figure 3 is an exemplary diagram showing the configuration of a learning network for a machine learning model according to an embodiment of the present invention.
도 4는 본 발명의 일 실시예에 따른 VSV 방법을 통해 제 2 방사선량 지도를 생성하는 과정을 도시한 개념도이다.Figure 4 is a conceptual diagram showing the process of generating a second radiation dose map through the VSV method according to an embodiment of the present invention.
도 5는 본 발명의 일 실시예에 따른 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법을 도시한 순서도이다.Figure 5 is a flowchart showing a method of building a learning model for voxel-based dose evaluation according to an embodiment of the present invention.
도 6은 본 발명의 다른 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.Figure 6 is a conceptual diagram showing a method of building a machine learning model according to another embodiment of the present invention.
도 7은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 방법을 도시한 순서도이다.Figure 7 is a flow chart illustrating a voxel-based dose evaluation method according to an embodiment of the present invention.
도 8과 도 9는 본 발명의 일 실시예에 따른 방사선 선량 평가 방법의 결과를 설명하기 위한 도면이다.Figures 8 and 9 are diagrams for explaining the results of a radiation dose evaluation method according to an embodiment of the present invention.
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.Below, with reference to the attached drawings, embodiments of the present application will be described in detail so that those skilled in the art can easily implement them. However, the present application may be implemented in various different forms and is not limited to the embodiments described herein. In order to clearly explain the present application in the drawings, parts that are not related to the description are omitted, and similar reference numerals are assigned to similar parts throughout the specification.
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. Throughout this specification, when a part is said to be “connected” to another part, this includes not only the case where it is “directly connected,” but also the case where it is “electrically connected” with another element in between. do.
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.Throughout the specification of the present application, when a member is said to be located “on” another member, this includes not only the case where the member is in contact with the other member, but also the case where another member exists between the two members.
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.Throughout the specification of the present application, when a part is said to “include” a certain element, this means that it may further include other elements rather than excluding other elements, unless specifically stated to the contrary. As used throughout the specification, the terms “about,” “substantially,” and the like are used to mean at or close to a numerical value when manufacturing and material tolerances inherent in the stated meaning are given, and are used to convey the understanding of the present application. Precise or absolute figures are used to assist in preventing unscrupulous infringers from taking unfair advantage of stated disclosures. As used throughout the specification, the terms “step of” or “step of” do not mean “step for.”
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.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings and the following description. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Like reference numerals refer to like elements throughout the specification.
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.Below, with reference to the attached drawings, embodiments of the present application will be described in detail so that those skilled in the art can easily implement them. However, the present application may be implemented in various different forms and is not limited to the embodiments described herein. In order to clearly explain the present application in the drawings, parts that are not related to the description are omitted, and similar reference numerals are assigned to similar parts throughout the specification.
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.Throughout this specification, when a part is said to be “connected” to another part, this includes not only the case where it is “directly connected,” but also the case where it is “electrically connected” with another element in between. do.
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.Throughout the specification of the present application, when a member is said to be located “on” another member, this includes not only the case where the member is in contact with the other member, but also the case where another member exists between the two members.
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.Throughout the specification of the present application, when a part is said to “include” a certain element, this means that it may further include other elements rather than excluding other elements, unless specifically stated to the contrary. As used throughout the specification, the terms “about,” “substantially,” and the like are used to mean at or close to a numerical value when manufacturing and material tolerances inherent in the stated meaning are given, and are used to convey the understanding of the present application. Precise or absolute figures are used to assist in preventing unscrupulous infringers from taking unfair advantage of stated disclosures. As used throughout the specification, the terms “step of” or “step of” do not mean “step for.”
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.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings and the following description. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Like reference numerals refer to like elements throughout the specification.
이하, 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 장치에 대하여 설명한다.Hereinafter, a voxel-based dose evaluation device according to an embodiment of the present invention will be described.
도 1은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 장치의 구성을 도시한 블록도이다.Figure 1 is a block diagram showing the configuration of a voxel-based dose evaluation device according to an embodiment of the present invention.
도 1을 참조하여 설명하면, 복셀 기반 선량 평가 장치(100)는 통신모듈(110), 메모리(120), 프로세서(130), 데이터베이스(140)를 포함한다.When described with reference to FIG. 1 , the voxel-based dose evaluation device 100 includes a communication module 110, a memory 120, a processor 130, and a database 140.
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.Next, the communication module 110 receives various image data or other data for dose evaluation from an external computing device or a radiation image processing device. The communication module 110 is a wired network, such as a Local Area Network (LAN), a Wide Area Network (WAN), or a Value Added Network (VAN), a mobile radio communication network, or a satellite. It may include a communication module that uses any type of wireless network, such as a communication network.
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 학습된 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.The memory 120 stores a voxel-based dose evaluation program. The voxel-based dose evaluation program outputs a radiation dose map for the input data through a machine-learned learning model using an image containing the subject's anatomical information and an image showing the subject's radiation distribution state as learning data. At this time, the learning model according to the present invention constructs a primary learning model using an image containing anatomical information of the subject and an image showing the radioactivity distribution state of the subject as learning data, and the first radiation output from the primary learning model The second radiation dose map generated through the dose map and VSV (voxel S-value) method is constructed by reconstructing the first learning model so that the difference between the overlapping value and the Monte Carlo radiation dose map to be compared is minimized. In addition, the machine-learned learning model may be learned using images representing the radiation distribution state for each organ as learning data, and output a radiation dose map for each organ for the input data. The specific learning model construction method will be explained in detail later.
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. Meanwhile, the memory 120 should be interpreted as a general term for non-volatile storage devices that continue to maintain stored information even when power is not supplied and volatile storage devices that require power to maintain stored information. Additionally, the memory 120 may perform a function of temporarily or permanently storing data processed by the processor 130. The memory 120 may include magnetic storage media or flash storage media in addition to volatile storage devices that require power to maintain stored information, but the scope of the present invention is not limited thereto. no.
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.The processor 130 executes a voxel-based dose evaluation program stored in the memory 120. The processor 130 may include various types of devices that control and process data. The processor 130 may refer to a data processing device built into hardware that has a physically structured circuit to perform functions expressed by codes or instructions included in a program. In one example, the processor 200 may include a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated circuit (ASIC), or an FPGA ( It may be implemented in the form of a field programmable gate array, etc., but the scope of the present invention is not limited thereto.
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.Additionally, the database 140 manages various learning data for building a learning model for a voxel-based dose evaluation program. For example, various data can be managed, such as images containing anatomical information of the subject or images showing the state of radiation distribution of the subject. Additionally, the database 140 manages input data for each subject to perform radiation dose evaluation using a learning model.
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.Meanwhile, the voxel-based dose evaluation device 100 may be implemented in the form of various portable terminals in addition to general computing devices. In addition, the voxel-based dose evaluation device 100 also operates in the form of a server that receives radiation images of each subject from an external computing device and inputs them into the learning model of the voxel-based dose evaluation program to perform voxel-based dose evaluation. can do. At this time, the voxel-based dose evaluation device 100 may operate in a cloud computing service model such as Software as a Service (SaaS), Platform as a Service (PaaS), or Infrastructure as a Service (IaaS). Additionally, the voxel-based dose evaluation device 100 may be built in a private cloud, public cloud, or hybrid cloud.
도 2 내지 도 4는 본 발명의 일 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.2 to 4 are conceptual diagrams showing a method of building a machine learning model according to an embodiment of the present invention.
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.As training data for building a machine learning model for voxel-based dose evaluation, an image containing the subject's anatomical information and an image showing the subject's radiation distribution status are used. CT images, MRI images, X-ray images, etc. may be used as images containing anatomical information of the subject. Additionally, PET (Positron Emission Tomography), SPECT (Single Photon Emission Computed Tomography), gamma camera image, optical image, Cherenkov image, etc. may be used as images showing the subject's radiation distribution state. Meanwhile, images representing the radiation distribution state can represent the radiation distribution state of various organs for each subject.
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.For preprocessing of this learning data, tasks such as image resizing (sampling), major organ region extraction (delineation), and cumulative radioactivity map calculation and placement (registration) can be performed. Extraction of major organ regions can be accomplished by having a professional operator define regions for each organ in the CT image on a computer screen using commercially available software (3D slicer, MIM software, etc.). At this time, the final output may be a binary image of each organ. Calculating a cumulative radioactivity map can be done by integrating the radioactivity (Bq) value in the voxel unit with respect to time to calculate an image in (Bq * hr) units. At this time, the final output may be a single image for each patient with real values for each voxel. Positioning can be accomplished by fixing the positions of SPECT/CT or PET/CT images obtained at multiple time points to the image at one time point to calculate the cumulative radiation map. For example, if a patient has taken 4 SPECT/CTs, this means moving and adjusting the remaining 3 SPECT/CTs so that the position and shape of the first SPECT/CT are similar.
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.In this way, the first learning model is built using the preprocessed learning data. At this time, learning can be used so that the Monte Carlo simulation-based dose evaluation map becomes the target image. At this time, 3D U-NET, V-NET, GAN (Generative Adversarial Networks), etc. may be used as a learning network for building a learning model, but the present invention is not limited thereto.
도 3은 본 발명의 일 실시예에 따른 기계 학습 모델의 학습 네트워크 구성을 도시한 예시도이다.Figure 3 is an exemplary diagram showing the configuration of a learning network for a machine learning model according to an embodiment of the present invention.
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.As shown, a machine learning model for voxel-based dose evaluation can be built using a learning network with a U-NET structure. At this time, the depicted U-NET includes a plurality of convolution layers (Conv), a max pooling layer (max pool), a deconvolution layer (Deconv), and a connection layer (Concat).
다시 도 2를 참조하면, 1차 학습 모델을 구축하고, 이를 반복학습 하는 과정을 통해 몬테카를로 방사선량지도와 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.Referring again to FIG. 2, a radiation dose map with quality similar to a Monte Carlo radiation dose map can be generated through the process of building a primary learning model and repeatedly learning it. In order to further improve the quality of the radiation dose map, the present invention is characterized by additionally using a second radiation dose map generated through the voxel S-value (VSV) method in this process.
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.In other words, the primary learning model is designed so that the difference between the radiation dose map generated through the overlapping values of the first and second radiation dose maps output from the primary learning model and the Monte Carlo radiation dose map to be compared is minimal. In the form of reconstruction, the machine learning model of the present invention is constructed. At this time, since the first radiation dose map and the second radiation dose map each have voxel values, the first radiation dose map and the second radiation dose map overlap through an operation that adds values on a voxel basis.
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.In addition, the loss representing the difference between the radiation dose map generated through the overlapping value of the first radiation dose map and the second radiation dose map and the Monte Carlo radiation dose map is obtained, and residual learning is performed to minimize the loss. .
이제, VSV 방법을 통해 제 2 방사선량 지도를 생성하는 과정을 살펴보기로 한다.Now, we will look at the process of generating the second radiation dose map through the VSV method.
도 4는 본 발명의 일 실시예에 따른 VSV 방법을 통해 제 2 방사선량 지도를 생성하는 과정을 도시한 개념도이다.Figure 4 is a conceptual diagram showing the process of generating a second radiation dose map through the VSV method according to an embodiment of the present invention.
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.First, the VSV kernel in at least one medium is obtained through Monte Carlo simulation. For example, the VSV kernel is used to represent the characteristics of representative media of the body, such as air, lungs, water, bone, etc. VSV is a value representing radiation distribution and anatomical information at the voxel level using nuclear images. In the present invention, a radiation dose map is obtained by utilizing VSV values in various media.
다음으로, 누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 컨볼루션하여 밀도별 선량 지도를 획득한다(S2). 이때, 누적 방사능 지도 SPECT 영상 등을 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.Next, the dose map by density is obtained by convolving the VSV kernel for each medium with the time integrated activity map (S2). At this time, the cumulative radioactivity map SPECT image, etc. is integrated over time, and the technology for generating it corresponds to the prior art, so a detailed description will be omitted. Meanwhile, when the VSV method is applied to one medium, a dose map by density can be obtained by convolving the VSV kernel of the single medium.
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.Next, the dose map by density is applied to the mask image containing the subject's anatomical information to obtain a segmented dose map (S3). At this time, binary processed images for each organ obtained from CT, MRI, or X-ray images may be used as the mask image.
다음으로, 앞선 단계에서 획득한 각 부위별 분할 선량 지도를 합산하여 제 2 방사선량 지도를 생성한다(S4).Next, a second radiation dose map is generated by adding up the segmented dose maps for each region obtained in the previous step (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.For reference, the method of generating the second radiation dose map itself is described in a previous paper (Whole-Body Voxel-Based Personalized Dosimetry: The Multiple Voxel S-Value Approach for Heterogeneous Media with Nonuniform Activity Distributions (The Journal of Nuclear Medicine, 2017, 12 It was initiated on the 14th of February by Lee Min-seon, Kim Jung-hyun, Peng Jin-cheol, Kang Geon-wook, Jeong Jae-min, Lee Dong-soo, and Lee Jae-seong), and for more detailed information, refer to the contents of the preceding paper.
도 5는 본 발명의 일 실시예에 따른 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법을 도시한 순서도이다.Figure 5 is a flowchart showing a method of building a learning model for voxel-based dose evaluation according to an embodiment of the present invention.
먼저, 피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하고, 방사선량 지도를 출력하는 1차 학습 모델을 구축한다(S510).First, an image containing the subject's anatomical information and an image showing the subject's radiation distribution state are used as learning data, and a primary learning model that outputs a radiation dose map is built (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.As described above, CT, MRI, or X-ray images may be used as images containing anatomical information of the subject, and PET or SPECT images may be used as images showing the state of radiation distribution. A preprocessing process can be performed on such image data, and a primary learning model is built using learning networks such as 3D U-NET, V-NET, and GAN.
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).Next, the first learning model is reconstructed using the first radiation dose map output from the first learning model and the second radiation dose map generated through the voxel S-value (VSV) method (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.In order to improve the quality of the output image of the first learning model, the first learning model is reorganized so that the information obtained by adding the second radiation dose map to the first radiation dose map is almost identical to the Monte Carlo radiation dose map.
도 6은 본 발명의 다른 실시예에 따른 기계 학습 모델의 구축 방법을 도시한 개념도이다.Figure 6 is a conceptual diagram showing a method of building a machine learning model according to another embodiment of the present invention.
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.In the embodiment of FIG. 6, learning data for building a machine learning model for voxel-based dose evaluation include an image containing anatomical information of the subject, an image representing the radiation distribution state of the subject, and voxel S-value (VSV). The radiation dose map generated through the method is used. The configuration of each image and radiation dose map is the same as described in the previous embodiment. A learning model is built using the images and radiation dose maps collected in this way as learning data, and an image containing the subject's anatomical information, an image showing the subject's radiation distribution state, and a radiation dose map generated through the VSV method are used as learning data. The radiation dose map inferred by the learning model learned using the learning data is constructed so that the difference with the Monte Carlo radiation dose map that is compared is minimal.
도 7은 본 발명의 일 실시예에 따른 복셀 기반 선량 평가 방법을 도시한 순서도이다.Figure 7 is a flow chart illustrating a voxel-based dose evaluation method according to an embodiment of the present invention.
먼저, 방사선 선량 평가 장치(100)가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력한다(S710).First, the input data received by the radiation dose evaluation device 100 is input into the machine learning model of the voxel-based dose evaluation program (S710).
이때, 기계 학습 모델은 도 2의 실시예를 통해 구축된 것이거나, 도 6의 실시예를 통해 구축된 것이다.At this time, the machine learning model is constructed through the embodiment of FIG. 2 or the embodiment of FIG. 6.
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.At this time, the input data may be an image containing the subject's anatomical information and an image showing the subject's radiation distribution state, or it may be a preprocessed image. Additionally, the input data includes a second radiation dose map generated through the VSV method described in the previous process. The preprocessing method can be performed in the same way as the preprocessing process for the learning data.
다음으로, 기계 학습 모델이 입력 데이터를 기초로 방사선량 지도를 출력한다(S720).Next, the machine learning model outputs a radiation dose map based on the input data (S720).
도 2의 실시예에 따른 학습 모델의 경우, 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.In the case of the learning model according to the embodiment of FIG. 2, the overlapping value of the first radiation dose map and the second radiation dose map is a model built so that the difference from the Monte Carlo radiation dose map that is compared is minimal, so the quality is improved. video output can be guaranteed.
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.In addition, in the case of the learning model according to the embodiment of FIG. 6, machine learned learning is performed using an image containing the subject's anatomical information, an image showing the subject's radiation distribution state, and a radiation dose map generated through the VSV method as learning data. Since the radiation dose map output by the model is a model constructed to minimize the difference from the Monte Carlo radiation dose map, it is possible to guarantee the output of images of appropriate quality.
도 8과 도 9는은 본 발명의 일 실시예에 따른 방사선 선량 평가 방법의 결과를 설명하기 위한 도면이다.Figures 8 and 9 are diagrams for explaining the results of a radiation dose evaluation method according to an embodiment of the present invention.
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. To evaluate the performance of the present invention, SPECT/CT data of 22 Lu-177-DOTATATE treated patients obtained from 7 patients at Seoul National University Hospital were used. SPECT and CT scans were taken 4, 24, 48, and 120 hours after Lu-177-DOTATATE drug injection. The CT image has a voxel size of 0.98
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. The CT images were adjusted to have the same voxel size and image size as the SPECT images before learning. SPECT images at 4 time points were integrated over time to generate a cumulative radioactivity map. Each cumulative radioactivity map and CT image was decomposed into 125 patch images of size 64 × 64 × 64 for patch-based learning.
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.To build a learning model, supervised learning was performed to use a Monte Carlo simulation-based dose evaluation map as the target image. The networks used were 3D U-NET, V-NET, and GAN, which are widely used in medical image learning. Learning was performed using the Adam (Adaptive Moment Estimation) optimal function, and a learning model was built to minimize loss using the L1 loss function. The batch size was set to 8, and the learning rate was set to 0.001 based on experience. The performance of the learned network was verified through cross-validation. Finally, the learned network calculates a 3D dose map using patched SPECT image-based cumulative radiation maps and CT images as input.
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.As shown in Figures 8 and 9, it can be seen that the overall error level is lower in the case of the present invention compared to using the existing VSV method. For reference, the radiation dose map using the VSV method uses the multiple VSV method using 20 VSV kernels.
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. The method according to an embodiment of the present invention may also be implemented in the form of a recording medium containing instructions executable by a computer, such as program modules executed by a computer. Computer-readable media can be any available media that can be accessed by a computer and includes both volatile and non-volatile media, removable and non-removable media. Additionally, computer-readable media may include computer storage media. Computer storage media includes both volatile and non-volatile, removable and non-removable media implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules or other data.
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.Although the methods and systems of the present invention have been described with respect to specific embodiments, some or all of their components or operations may be implemented using a computer system having a general-purpose hardware architecture.
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.The description of the present application described above is for illustrative purposes, and those skilled in the art will understand that the present application can be easily modified into other specific forms without changing its technical idea or essential features. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. For example, each component described as unitary may be implemented in a distributed manner, and similarly, components described as distributed may also be implemented in a combined form.
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.The scope of the present application is indicated by the claims described below rather than the detailed description above, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present application.

Claims (11)

  1. 방사선 선량 평가 장치에 있어서,In the radiation dose evaluation device,
    복셀 기반 선량 평가 프로그램이 저장된 메모리; 및Memory storing a voxel-based dose estimation program; and
    상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함하되,Includes a processor that executes the voxel-based dose evaluation program,
    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,As the voxel-based dose evaluation program is executed by the processor, the image containing the subject's anatomical information and the image showing the subject's radiation distribution state are used as learning data to evaluate radiation for the input data through a machine-learned learning model. Print out a road map,
    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.The learning model is a first learning model learned using an image containing anatomical information of the subject and an image showing the radiation distribution state of the subject as learning data, and a first radiation dose map output from the first learning model. and the second radiation dose map generated through the VSV (voxel S-value) method is constructed by reconstructing the first learning model so that the difference between the overlapping value and the Monte Carlo radiation dose map to be compared is minimized. Dose evaluation device.
  2. 제 1 항에 있어서,According to claim 1,
    상기 제 2 방사선량 지도는The second radiation dose map is
    몬테카를로 시뮬레이션을 통해 적어도 하나 이상의 매질에서의 VSV커널을 획득하는 단계;Obtaining a VSV kernel in at least one medium through Monte Carlo simulation;
    누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 컨볼루션하여 밀도별 선량 지도를 획득하는 단계;Obtaining a dose map by density by convolving the VSV kernel for each medium into a time integrated activity map;
    상기 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득하는 단계 및Obtaining a segmented dose map by applying the density-specific dose map to a mask image containing anatomical information of the subject;
    상기 분할 선량 지도를 합산하여 상기 제 2 방사선량 지도를 생성하는 단계를 통해 생성된 것인, 방사선 선량 평가 장치.A radiation dose evaluation device generated through the step of generating the second radiation dose map by adding up the divided dose maps.
  3. 제 1 항에 있어서,According to claim 1,
    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.The learning model is learned using images representing the state of radiation distribution for each organ as learning data, and outputs a radiation dose map for each organ for the input data.
  4. 방사선 선량 평가 장치에 있어서,In the radiation dose evaluation device,
    복셀 기반 선량 평가 프로그램이 저장된 메모리; 및Memory storing a voxel-based dose estimation program; and
    상기 복셀 기반 선량 평가 프로그램을 실행하는 프로세서를 포함하되,A processor that executes the voxel-based dose evaluation program,
    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,As the voxel-based dose evaluation program is executed by the processor, an image containing anatomical information of the subject, an image showing the radiation distribution state of the subject, and a radiation dose map generated through the VSV (voxel S-value) method are generated. Output a radiation dose map for the input data through a machine learned learning model using the learning data,
    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.The learning model is a radiation dose map inferred by a learning model learned using an image containing anatomical information of the subject, an image showing the radiation distribution state of the subject, and a radiation dose map generated through the VSV method as learning data. A radiation dose evaluation device constructed to minimize the difference with the Monte Carlo radiation dose map that is the subject of comparison.
  5. 방사선 선량 평가 장치를 이용한, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법에 있어서,In a method of building a learning model for voxel-based dose evaluation using a radiation dose evaluation device,
    피검자의 해부학적 정보를 포함하는 영상과 피검자의 방사능 분포 상태를 나타내는 영상을 학습 데이터로 하여 기계 학습되고, 방사선량 지도를 출력하도록 1차 학습 모델이 구축되는 단계; 및A primary learning model is constructed to perform machine learning using an image containing anatomical information of the subject and an image representing the radiation distribution state of the subject as learning data, and output a radiation dose map; and
    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.The difference between the overlapping value of the first radiation dose map output from the first learning model and the second radiation dose map generated through the VSV (voxel S-value) method and the Monte Carlo radiation dose map to be compared is minimized. A method of constructing a learning model for voxel-based dose evaluation, comprising the step of reconstructing the primary learning model.
  6. 제 5 항에 있어서,According to claim 5,
    상기 VSV(voxel S-value) 방법을 통해 생성된 제 2 방사선량 지도는The second radiation dose map generated through the VSV (voxel S-value) method is
    몬테카를로 시뮬레이션을 통해 적어도 하나 이상의 매질에서의 VSV커널을 획득하는 단계;Obtaining a VSV kernel in at least one medium through Monte Carlo simulation;
    누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 를 컨볼루션하여 밀도별 선량 지도를 획득하는 단계;Obtaining a dose map by density by convolving the VSV kernel for each medium with a time integrated activity map;
    상기 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득하는 단계 및Obtaining a segmented dose map by applying the density-specific dose map to a mask image containing anatomical information of the subject;
    상기 분할 선량 지도를 합산하여 상기 제 2 방사선량 지도를 생성하는 단계를 통해 생성된 것인, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법.A method of building a learning model for voxel-based dose evaluation, which is generated through the step of generating the second radiation dose map by adding up the divided dose maps.
  7. 방사선 선량 평가 장치를 이용한 복셀 기반 선량 평가 방법에 있어서,In the voxel-based dose evaluation method using a radiation dose evaluation device,
    상기 방사선 선량 평가 장치가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력하는 단계; 및Inputting input data received by the radiation dose evaluation device into a machine learning model of a voxel-based dose evaluation program; and
    상기 기계 학습 모델이 상기 입력 데이터를 기초로 방사선량 지도를 출력하는 단계를 포함하되,Including the step of the machine learning model outputting a radiation dose map based on the input data,
    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.The learning model is a primary learning model that is machine-learned using an image containing anatomical information of the subject and an image showing the radiation distribution state of the subject as learning data, and the first radiation dose output from the primary learning model The first learning model is reconstructed and constructed so that the difference between the map and the second radiation dose map generated through the VSV (voxel S-value) method is minimal and the difference between the overlapped value and the Monte Carlo radiation dose map to be compared, Voxel-based dose estimation method.
  8. 제 7 항에 있어서,According to claim 7,
    상기 제 2 방사선량 지도는The second radiation dose map is
    몬테카를로 시뮬레이션을 통해 적어도 하나 이상 매질에서의 VSV커널을 획득하는 단계;Obtaining a VSV kernel in at least one medium through Monte Carlo simulation;
    누적 방사능 지도(time integrated activity map)에 각 매질별 VSV 커널을 를 컨볼루션하여 밀도별 선량 지도를 획득하는 단계;Obtaining a dose map by density by convolving the VSV kernel for each medium with a time integrated activity map;
    상기 밀도별 선량지도를 피검자의 해부학적 정보를 포함하는 마스크 영상에 적용하여 분할 선량 지도를 획득하는 단계 및Obtaining a segmented dose map by applying the density-specific dose map to a mask image containing anatomical information of the subject;
    상기 분할 선량 지도를 합산하여 상기 제 2 방사선량 지도를 생성하는 단계를 통해 생성된 것인, 복셀 기반 선량 평가 방법.A voxel-based dose evaluation method generated through the step of generating the second radiation dose map by adding up the divided dose maps.
  9. 방사선 선량 평가 장치를 이용한, 복셀 기반 선량 평가를 위한 학습 모델의 구축 방법에 있어서,In a method of building a learning model for voxel-based dose evaluation using a radiation dose evaluation device,
    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,Machine learning is performed using an image containing the subject's anatomical information, an image showing the subject's radiation distribution status, and a radiation dose map generated through the VSV (voxel S-value) method as training data, and is learned to output a radiation dose map. Including the steps in which the model is built,
    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.A method of constructing a learning model for voxel-based dose evaluation, wherein the learning model is constructed so that the difference between the radiation dose map output from the learning model and the Monte Carlo radiation dose map to be compared is minimized.
  10. 방사선 선량 평가 장치를 이용한 복셀 기반 선량 평가 방법에 있어서,In the voxel-based dose evaluation method using a radiation dose evaluation device,
    상기 방사선 선량 평가 장치가 수신한 입력 데이터를 복셀 기반 선량 평가 프로그램의 기계 학습 모델에 입력하는 단계; 및Inputting input data received by the radiation dose evaluation device into a machine learning model of a voxel-based dose evaluation program; and
    상기 기계 학습 모델이 상기 입력 데이터를 기초로 방사선량 지도를 출력하는 단계를 포함하되,Including the step of the machine learning model outputting a radiation dose map based on the input data,
    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.The learning model is machine-learned using an image containing the subject's anatomical information, an image showing the subject's radiation distribution state, and a radiation dose map generated through the voxel S-value (VSV) method as learning data, and the radiation dose A voxel-based dose evaluation method that is constructed to output a map and is constructed to minimize the difference between the radiation dose map output from the learning model and the Monte Carlo radiation dose map to be compared.
  11. 제 5 항 내지 제 10 항 중 어느 한 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체.A computer-readable medium recording a program for executing the method according to any one of claims 5 to 10.
PCT/KR2023/005210 2022-05-18 2023-04-18 Voxel-based radiation dose assessment method and apparatus WO2023224273A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220060624A KR20230161068A (en) 2022-05-18 2022-05-18 Method and apparatus for voxel-based radiation dosimetry
KR10-2022-0060624 2022-05-18

Publications (1)

Publication Number Publication Date
WO2023224273A1 true WO2023224273A1 (en) 2023-11-23

Family

ID=88835533

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/005210 WO2023224273A1 (en) 2022-05-18 2023-04-18 Voxel-based radiation dose assessment method and apparatus

Country Status (2)

Country Link
KR (1) KR20230161068A (en)
WO (1) WO2023224273A1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200035265A (en) * 2017-06-30 2020-04-02 프로메이톤 홀딩 비.브이. Classification and 3D modeling of 3D oral maxillofacial structure using deep learning
KR20210063742A (en) * 2019-11-25 2021-06-02 사회복지법인 삼성생명공익재단 Method for predicting optimal radiotherapy method based on artificial interlligence and device thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200035265A (en) * 2017-06-30 2020-04-02 프로메이톤 홀딩 비.브이. Classification and 3D modeling of 3D oral maxillofacial structure using deep learning
KR20210063742A (en) * 2019-11-25 2021-06-02 사회복지법인 삼성생명공익재단 Method for predicting optimal radiotherapy method based on artificial interlligence and device thereof

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GRIMES JOSHUA; CELLER ANNA: "Comparison of internal dose estimates obtained using organ-level, voxel S value, and Monte Carlo techniques", MEDICAL PHYSICS., AIP, MELVILLE, NY., US, vol. 41, no. 9, 1 January 1901 (1901-01-01), US , XP012188768, ISSN: 0094-2405, DOI: 10.1118/1.4892606 *
LEE MIN SUN, HWANG DONGHWI, KIM JOONG HYUN, LEE JAE SUNG: "Deep-dose: a voxel dose estimation method using deep convolutional neural network for personalized internal dosimetry", SCIENTIFIC REPORTS, NATURE PUBLISHING GROUP, US, vol. 9, no. 1, US , XP093108820, ISSN: 2045-2322, DOI: 10.1038/s41598-019-46620-y *
LEE MIN SUN, KIM JOONG HYUN, PAENG JIN CHUL, KANG KEON WOOK, JEONG JAE MIN, LEE DONG SOO, LEE JAE SUNG: "Whole-Body Voxel-Based Personalized Dosimetry: The Multiple Voxel S-Value Approach for Heterogeneous Media with Nonuniform Activity Distributions", THE JOURNAL OF NUCLEAR MEDICINE, SOCIETY OF NUCLEAR MEDICINE, US, vol. 59, no. 7, 1 July 2018 (2018-07-01), US , pages 1133 - 1139, XP093108824, ISSN: 0161-5505, DOI: 10.2967/jnumed.117.201095 *

Also Published As

Publication number Publication date
KR20230161068A (en) 2023-11-27

Similar Documents

Publication Publication Date Title
Zhu et al. AnatomyNet: deep learning for fast and fully automated whole‐volume segmentation of head and neck anatomy
Chen et al. A feasibility study on an automated method to generate patient‐specific dose distributions for radiotherapy using deep learning
Han MR‐based synthetic CT generation using a deep convolutional neural network method
RU2719028C1 (en) System and method for learning models of plans of radiotherapeutic treatment with prediction of dose distribution of radiotherapy
US11813480B2 (en) Systems and methods for generating a dose distribution
Peng et al. A method of rapid quantification of patient‐specific organ doses for CT using deep‐learning‐based multi‐organ segmentation and GPU‐accelerated Monte Carlo dose computing
JP2021003564A (en) Neural network for generating synthetic medical images
Segars et al. The development of a population of 4D pediatric XCAT phantoms for imaging research and optimization
CN107715314B (en) Deep learning-based radiotherapy system and method
CN109215014B (en) Training method, device and equipment of CT image prediction model and storage medium
CN111462916B (en) Method and device for predicting dose volume histogram of organ at risk of radiotherapy plan
WO2019124836A1 (en) Method for mapping region of interest of first medical image onto second medical image, and device using same
WO2023224273A1 (en) Voxel-based radiation dose assessment method and apparatus
Fan et al. Independent verification of brachytherapy treatment plan by using deep learning inference modeling
CN113989110A (en) Lung image registration method and device, computer equipment and storage medium
WO2022126475A1 (en) Systems and methods for clinical target contouring in radiotherapy
CN117275670A (en) Dose distribution prediction method, system, device and storage medium
CN111080736A (en) Low-dose CT image reconstruction method based on sparse transformation
WO2022055158A1 (en) Method for converting part of dental image and apparatus therefor
CN112037886B (en) Radiotherapy plan making device, method and storage medium
Han et al. Continuously deforming 4D voxel phantom for realistic representation of respiratory motion in Monte Carlo dose calculation
Paysan et al. Deep learning methods for image guidance in radiation therapy
CN115721874A (en) Radiotherapy plan planning system, radiotherapy plan planning device and computer equipment
CN111887875A (en) PET equipment correction method, PET equipment correction device, computer equipment and storage medium
WO2024096611A1 (en) Conversion model construction device and image conversion device using same

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23807796

Country of ref document: EP

Kind code of ref document: A1