• 한국방사선학회논문지
• /
• 제15권4호
• /
• pp.401-408
• /
• 2021

양성자 치료는 방사선치료 중 하나로 브래그 피크로 알려진 물리적 특성을 활용한 방법이다. 양성자 치료계획 수립 시 주로 전산화단층촬영(CT)의 인체 횡단면 영상이 사용되고 있다. CT는 사용되는 관전압에 따라 HU가 변하게 되며 이는 구조물의 경계, 두께 변화로 이어진다. 본 연구는 Geant4를 이용하여 복합 물질로 구성된 두개골 팬텀에서 두께 변화에 따른 뇌 영역의 브래그 곡선의 변화를 살펴보았다. 먼저, 단일 물질로 구성된 팬텀에서 매질의 종류와 양성자의 입사에너지에 따른 브래그 곡선을 측정하여 Geant4 계산결과의 신뢰성을 확보하였다. 두개골 팬텀의 각 두께를 변동하였을 때 뇌 영역에서 발생하는 피크의 위치변화를 측정하였다. 연부조직의 두께를 변화하였을 때 피크의 위치 변화는 나타나지 않았으며, 피부의 두께를 변화하였을 때 피크의 변화는 적었으며, 주로 뼈의 두께를 변화할 때 피크의 위치 변화가 나타났다. 또한 뼈를 단독으로 변화하였을 때와 뼈를 다른 조직과 함께 변화하였을 때 피크의 위치 변화량은 동일하였다. 뼈의 정확한 두께 측정이 방사선치료계획의 선량-깊이 분포 예측에 주요 인자 중 하나임을 확인하였다.

• 대한의용생체공학회:의공학회지
• /
• 제43권5호
• /
• pp.341-352
• /
• 2022

Medical image segmentation is the most important task in radiation therapy. Especially, when segmenting medical images, the liver is one of the most difficult organs to segment because it has various shapes and is close to other organs. Therefore, automatic segmentation of the liver in computed tomography (CT) images is a difficult task. Since tumors also have low contrast in surrounding tissues, and the shape, location, size, and number of tumors vary from patient to patient, accurate tumor segmentation takes a long time. In this study, we propose a method algorithm for automatically segmenting the liver and tumor for this purpose. As an advantage of setting the boundaries of the tumor, the liver and tumor were automatically segmented from the CT image using the 2D CoordConv DeepLab V3+ model using the CoordConv layer. For tumors, only cropped liver images were used to improve accuracy. Additionally, to increase the segmentation accuracy, augmentation, preprocess, loss function, and hyperparameter were used to find optimal values. We compared the CoordConv DeepLab v3+ model using the CoordConv layer and the DeepLab V3+ model without the CoordConv layer to determine whether they affected the segmentation accuracy. The data sets used included 131 hepatic tumor segmentation (LiTS) challenge data sets (100 train sets, 16 validation sets, and 15 test sets). Additional learned data were tested using 15 clinical data from Seoul St. Mary's Hospital. The evaluation was compared with the study results learned with a two-dimensional deep learning-based model. Dice values without the CoordConv layer achieved 0.965 ± 0.01 for liver segmentation and 0.925 ± 0.04 for tumor segmentation using the LiTS data set. Results from the clinical data set achieved 0.927 ± 0.02 for liver division and 0.903 ± 0.05 for tumor division. The dice values using the CoordConv layer achieved 0.989 ± 0.02 for liver segmentation and 0.937 ± 0.07 for tumor segmentation using the LiTS data set. Results from the clinical data set achieved 0.944 ± 0.02 for liver division and 0.916 ± 0.18 for tumor division. The use of CoordConv layers improves the segmentation accuracy. The highest of the most recently published values were 0.960 and 0.749 for liver and tumor division, respectively. However, better performance was achieved with 0.989 and 0.937 results for liver and tumor, which would have been used with the algorithm proposed in this study. The algorithm proposed in this study can play a useful role in treatment planning by improving contouring accuracy and reducing time when segmentation evaluation of liver and tumor is performed. And accurate identification of liver anatomy in medical imaging applications, such as surgical planning, as well as radiotherapy, which can leverage the findings of this study, can help clinical evaluation of the risks and benefits of liver intervention.

• 방송공학회논문지
• /
• 제28권3호
• /
• pp.293-301
• /
• 2023

표준화되지 않은 의료 데이터 수집 및 관리는 여전히 수동으로 진행되고 있어, 이 문제를 해결하기 위해 딥 러닝을 사용해 CT 데이터를 분류하는 연구들이 진행되고 있다. 하지만 대부분 연구에서는 기본적인 CT slice인 axial 평면만을 기반으로 모델을 개발하고 있다. CT 영상은 일반 이미지와 다르게 인체 구조만 묘사하기 때문에 CT scan을 재구성하는 것만으로도 더 풍부한 신체적 특징을 나타낼 수 있다. 이 연구는 axial 평면뿐만 아니라 CT 데이터를 2D로 변환하는 여러가지 방법들을 통해 보다 높은 성능을 달성할 수 있는 방법을 찾고자 한다. 훈련은 5가지 부위의 CT 스캔 1042개를 사용했고, 모델 평가를 위해 테스트셋 179개, 외부 데이터셋으로 448개를 수집했다. 딥러닝 모델 개발을 위해 ImageNet으로 사전 학습된 InceptionResNetV2를 백본으로 사용하였으며, 모델의 전체 레이어를 재 학습했다. 실험결과 신체 부위 분류에서는 재구성 데이터 모델이 99.33%를 달성하며 axial 모델보다 1.12% 더 높았고, 조영제 분류에서는 brain과 neck에서만 axial모델이 높았다. 결론적으로 axial slice로만 훈련했을 때 보다 해부학적 특징이 잘 나타나는 데이터로 학습했을 때 더 정확한 성능 달성이 가능했다.

• Korean Journal of Radiology
• /
• 제22권11호
• /
• pp.1850-1857
• /
• 2021

Objective: The purpose of this study was to assess whether a deep learning (DL) algorithm could enable simultaneous noise reduction and edge sharpening in low-dose lumbar spine CT. Materials and Methods: This retrospective study included 52 patients (26 male and 26 female; median age, 60.5 years) who had undergone CT-guided lumbar bone biopsy between October 2015 and April 2020. Initial 100-mAs survey images and 50-mAs intraprocedural images were reconstructed by filtered back projection. Denoising was performed using a vendor-agnostic DL model (ClariCT.AI^TM, ClariPI) for the 50-mAS images, and the 50-mAs, denoised 50-mAs, and 100-mAs CT images were compared. Noise, signal-to-noise ratio (SNR), and edge rise distance (ERD) for image sharpness were measured. The data were summarized as the mean ± standard deviation for these parameters. Two musculoskeletal radiologists assessed the visibility of the normal anatomical structures. Results: Noise was lower in the denoised 50-mAs images (36.38 ± 7.03 Hounsfield unit [HU]) than the 50-mAs (93.33 ± 25.36 HU) and 100-mAs (63.33 ± 16.09 HU) images (p < 0.001). The SNRs for the images in descending order were as follows: denoised 50-mAs (1.46 ± 0.54), 100-mAs (0.99 ± 0.34), and 50-mAs (0.58 ± 0.18) images (p < 0.001). The denoised 50-mAs images had better edge sharpness than the 100-mAs images at the vertebral body (ERD; 0.94 ± 0.2 mm vs. 1.05 ± 0.24 mm, p = 0.036) and the psoas (ERD; 0.42 ± 0.09 mm vs. 0.50 ± 0.12 mm, p = 0.002). The denoised 50-mAs images significantly improved the visualization of the normal anatomical structures (p < 0.001). Conclusion: DL-based reconstruction may enable simultaneous noise reduction and improvement in image quality with the preservation of edge sharpness on low-dose lumbar spine CT. Investigations on further radiation dose reduction and the clinical applicability of this technique are warranted.

• Korean Journal of Radiology
• /
• 제22권3호
• /
• pp.344-353
• /
• 2021

Objective: The mitotic count of gastrointestinal stromal tumors (GIST) is closely associated with the risk of planting and metastasis. The purpose of this study was to develop a predictive model for the mitotic index of local primary GIST, based on deep learning algorithm. Materials and Methods: Abdominal contrast-enhanced CT images of 148 pathologically confirmed GIST cases were retrospectively collected for the development of a deep learning classification algorithm. The areas of GIST masses on the CT images were retrospectively labelled by an experienced radiologist. The postoperative pathological mitotic count was considered as the gold standard (high mitotic count, > 5/50 high-power fields [HPFs]; low mitotic count, ≤ 5/50 HPFs). A binary classification model was trained on the basis of the VGG16 convolutional neural network, using the CT images with the training set (n = 108), validation set (n = 20), and the test set (n = 20). The sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV) were calculated at both, the image level and the patient level. The receiver operating characteristic curves were generated on the basis of the model prediction results and the area under curves (AUCs) were calculated. The risk categories of the tumors were predicted according to the Armed Forces Institute of Pathology criteria. Results: At the image level, the classification prediction results of the mitotic counts in the test cohort were as follows: sensitivity 85.7% (95% confidence interval [CI]: 0.834-0.877), specificity 67.5% (95% CI: 0.636-0.712), PPV 82.1% (95% CI: 0.797-0.843), NPV 73.0% (95% CI: 0.691-0.766), and AUC 0.771 (95% CI: 0.750-0.791). At the patient level, the classification prediction results in the test cohort were as follows: sensitivity 90.0% (95% CI: 0.541-0.995), specificity 70.0% (95% CI: 0.354-0.919), PPV 75.0% (95% CI: 0.428-0.933), NPV 87.5% (95% CI: 0.467-0.993), and AUC 0.800 (95% CI: 0.563-0.943). Conclusion: We developed and preliminarily verified the GIST mitotic count binary prediction model, based on the VGG convolutional neural network. The model displayed a good predictive performance.

• 대한영상의학회지
• /
• 제81권6호
• /
• pp.1523-1528
• /
• 2020

부분 폐정맥 환류 이상은 드문 선천성 폐정맥 기형의 한 종류로 진단 시 종종 간과될 수 있다. 대부분의 경우 비 침습적인 영상검사인 심장 초음파, CT 또는 MRI로 진단을 하게 되는데, 2D 모니터를 이용한 영상진단은 삼차원적으로 복잡한 심장의 구조를 이해하는데 제한이 있다. 최근에는 CT와 MRI에서 얻은 의료 영상 데이터를 기반으로 3D 프린팅 기술을 이용하여 심장의 모형을 만드는 기술이 소개되어 점차 이용이 증가되고 있다. 본 증례 보고에서 저자들은 우측 상 폐정맥과 우측 중 폐정맥이 상대정맥으로의 각각 배출되며 우측 중 폐정맥을 통해 양측 심방 간의 연결이 이루어진 환자의 CT 영상 및 3D 프린팅 모델에 대해 보고하고자 한다.

• 대한방사선치료학회지
• /
• 제26권2호
• /
• pp.297-303
• /
• 2014

목 적 : Deep inspiration breath-hold(DIBH) 기법을 이용한 좌측 유방암의 방사선치료 중 환자의 호흡과 심장 위치의 변화에 대한 분석을 통해 DIBH 기법의 치료 재현성을 평가하고자 한다. 대상 및 방법 : 유방보존수술 후 DIBH 기법을 적용한 좌측 유방암 환자 3명을 대상으로 하였다. 전산화치료계획시스템(Eclipse version 10.0, Varian, USA)을 이용하여 자유호흡상태 Computed Tomography(CT)와 DIBH CT에서 동일한 전산화치료계획을 수립하여 심장의 체적과 선량을 비교하였고, RPM (Real-time Position Management) Respiratory Gating System (version 1.7.5, Varian, USA)의 데이터를 이용하여 환자의 호흡을 분석하였다. 치료 중 Electronic portal imaging device(EPID)를 이용한 Cine Acquisition 방법으로 영상을 획득하여 Varian 사의 Offline Review (ARIA 10, Varian, USA)에서 심장의 장축 거리를 측정하였다. 조사야 내 심장의 포함 정도를 비교 평가하기 위하여 동일한 3개(A, B, C)의 지점에서 길이 측정을 진행하였다. 결 과 : 자유호흡상태와 DIBH를 적용한 두 가지 전산화치료계획에서 심장평균선량 (6.82 vs 1.91 Gy), 심장의 V30 (68.57 vs $8.26cm^3$), V20(76.43 vs $11.34cm^3$)의 차이를 확인 할 수 있었다. 각 환자의 치료 중 DIBH 구간에서 호흡 진폭에 대한 표준편차의 평균값은 각각 ${\pm}0.07cm$, ${\pm}0.04cm$, ${\pm}0.13cm$로 분석되었다. 치료 중 획득한 영상에서 조사야 내에 포함되는 심장의 길이를 측정한 후 전산화치료계획에서의 심장의 길이와 비교한 결과 최대값은 0.32 cm, 최소값은 0.00 cm로 확인 되었다. 결 론 : 좌측 유방암 환자 치료 시 DIBH를 적용할 경우 심장에 들어가는 선량을 줄이기 위한 전산화치료계획을 수립하는데 용이할 뿐만 아니라, 실제 치료 중에도 심장의 위치에 대한 정확한 재현성과 심장 선량을 감소시킬 수 있다는 것을 확인할 수 있었다. 또한 EPID의 Cine acquisition 방법은 치료 선량 외에 추가적인 선량 없이 DIBH의 재현성 평가를 위한 매우 효과적인 방법이라고 생각된다.

• 대한방사선치료학회지
• /
• 제29권2호
• /
• pp.9-17
• /
• 2017

목 적: 방사선치료에서 CT number에 의해 나타나는 조직의 묘사 및 전자밀도는 CT(Computed Tomography)기반의 전산화치료계획 정확성을 보장하는데 중요한 역할을 한다. 하지만 체내의 금속 이식물은 CT number의 정확성을 감소시킬 뿐 아니라 조직 묘사에 대한 불확실성을 나타내기 때문에 임상에서는 metal artifact를 감소시킬 수 있는 알고리즘이 개발되었다. 이에 본 연구에서는 본원에서 사용하고 있는 GE사의 SMART MAR의 CT number 정확도를 평가하고 방사선치료에서의 유용성에 대해 평가하고자 한다. 대상 및 방법: 영상평가를 위해 CIRS ED phantom을 이용하여 6개 조직의 rod를 삽입하여 동일한 체적의 ROI를 형성 후 original 영상을 획득하고 의료용 티타늄 rod를 삽입하여 non-SMART MAR 영상과 SMART MAR영상을 획득하여 CT number와 SD값을 비교하였다. Metal artifact로 인해 CT number 변화에 따른 선량변화 확인을 위해 전산화계획시스템 Epclipse를 사용하여 CIRS ED phantom CT 영상에 PTV를 형성하여 original 영상을 획득하고 편측 티타늄 삽입, 양측 티타늄 삽입 영상을 획득하여 non-SMART MAR와 SMART MAR영상에 동일한 치료계획을 수립하여 PTV가 받는 평균처방선량, HI(Homogeneity Index), CI(Conformity Index)를 비교, 분석하였다. 흡수선량 측정은 원통형 아크릴 팬텀과 0.125 cc ionchamber, electrometer를 이용하여 선량변환상수(cCy/nC)를 계산하고 CIRS phantom을 이용하여 편측, 양측 티타늄 rod를 삽입한 영상으로 non-SMART MAR와 SMART MAR 영상을 획득하여 동일한 지점에서의 흡수선량을 측정하여 전산화치료계획상의 point dose와 비교하였다. 결 과: 영상평가 결과 CT number는 non-SMART MAR영상보다 SMART MAR 영상이 original영상에 더 유사한 값이 나왔고 SD값은 SMART MAR영상에서 더 감소되었다. 선량평가 결과 평균처방선량과 HI 및 CI 값은 SMART MAR 영상보다 non-SMART MAR 영상이 original 영상에 더 근접한 결과가 나왔지만 통계적으로 유의하지 않았다. 흡수선량 측정결과 치료계획상의 point dose와 실제 흡수선량과의 차이가 non-SMART MAR의 영상에서는 각각 2.69, 3.63 %의 차이가 있었지만 SMART MAR영상에서는 0.56, 0.68 %로 감소하였다. 결 론: 금속 이식물을 삽입한 환자의 CT 영상에 SMART MAR를 적용했을 때 CT number 정확성 상승 및 SD 감소로 영상의 질이 향상되므로 종양과 정상조직의 윤곽도 생성 및 선량계산 시 유용할 것으로 사료된다.

• 대한방사선치료학회지
• /
• 제28권1호
• /
• pp.57-64
• /
• 2016

목 적 : 폐암 환자의 CBCT와 4D-CBCT를 이용한 영상촬영 시 인접 장기에 미치는 방사선량을 비교 평가해 보고자 한다. 대상 및 방법 : 본 실험을 진행하기 위해 인체모형팬텀(Anderson Rando Phantom, USA)을 이용하였고, 선량측정 위치는 주요 장기가 위치하는 단면에 광유도발광선량계(Opitcally Stimulated Luminescent Dosimeter, OSLD) 1~6개를 부착하였다. 인체내부의 주요 장기를 표현하기 위해 전산화단층촬영(Lightspeed GE, USA)을 하였다. 선형가속기(CL-IX)와 선형가속기(Truebeam 2.5) thorax 모드에서 인체모형팬텀 폐 하부 기준으로 CBCT 방사선량을 측정하였고, 추가적으로 선형가속기(Truebeam 2.5) thorax 모드에서 4D-CBCT 방사선량을 측정하여 기존 CBCT와 비교 하였다. 각각 3회 반복 측정하여 평균값을 얻었다. 결 과 : CBCT로 촬영한 평균 흡수선량 측정치는 CL-IX의 경우 폐 2.505 cGy, 심장 2.595 cGy, 간 2.156 cGy, 위 1.934 cGy, 피부에 2.233 cGy 이었으며, Truebeam의 경우 폐 1.725 cGy, 심장 2.034 cGy, 간 1.616 cGy, 위 1.470 cGy, 피부에 1.445 cGy 이었다. 4D-CBCT 촬영 시 폐 3.849 cGy, 심장 4.578 cGy, 간 3.497 cGy, 위 3.179 cGy, 피부에3.319 cGy 이었다. 조직 가중치와 방사선 가중치를 고려한 평균 유효선량 값은 CBCT의 경우 CL-IX에서 폐 2.164 mSv, 심장 2.241 mSv, 간 0.136 mSv, 위 1.668 mSv, 피부 0.009 mSv 이었고 Truebeam의 경우 폐 1.725 mSv, 심장 1.757 mSv, 간 0.102 mSv, 위 1.270 mSv, 피부에 0.005 mSv 이었다. 4D-CBCT에서는 폐 3.326 mSv, 심장 3.952 mSv, 간 0.223 mSv, 위 2.747 mSv, 피부에 0.013 mSv 이었다. 결 론 : 폐암 환자의 CBCT 촬영 시 Truebeam보다 CL-IX 장비에서 받는 선량이 1.3배 정도 더 높게 나왔으며, Truebeam 장비에서 CBCT 보다 4D-CBCT에서 환자가 받는 선량이 2.2배 정도 높게 나왔다. 하지만 4D-CBCT는 환자의 움직임이 큰 경우나 호흡동조 영상유도방사선치료 시 좀 더 정확한 방사선 치료를 할 수 있어 선택적으로 사용하는 것이 타당 할 것이다.

• 대한골관절종양학회지
• /
• 제11권2호
• /
• pp.168-174
• /
• 2005

목적: 저자들은 고관절 주위에 발생한 8예의 유골 골종의 진단과정 및 임상양상에 있어 장관골의 간부에 발생한 유골 골종과의 차이점이 있어 이를 분석하고 보고하고자 한다. 대상 및 방법: 1985년부터 2004년까지 병리학적으로 유골 유종이라고 진단된 20예중 고관절 주위에 발생한 8예를 대상으로 하였다. 남자 6예, 여자 2예로 진단당시 평균연령은 17세(8~29세)이었다. 전자간에 발생한 경우는 4예, 전자하 2예, 대퇴경부 1예, 비구 1예에 발생하였다. 진단을 위해 단층촬영 및 골주사검사, 자기공명검사를 시행하였으며, 모든 예에서 적혈구침강속도 및 C -반응단백검사를 시행하였다. 모든 예에서 소파술을 이용하여 치료하였고, 3예에서 골이식을 시행하였다. 결과: 환자들이 증상을 호소한 부위로 고관절부위 6예, 슬관절부위 3예, 요추부위 3예이었으며, 2예에서는 슬관절 질환에 대한 검사 및 수술을 시행한 바 있었다. 2예에서 파행을 주증상으로 호소하였고, aspirin 등의 소염제에 동통이 완화된 예는 3예이었다. 병리학적으로 진단되기까지 추정진단으로 감염과 감별하지 못한 예는 2예, 반월상연골판파열 1예, 슬내장증 1예, Legg-Calve-Perthes disease 1예, 요추부 추간판 탈출의증 1예였다. 컴퓨터단층촬영을 시행한 6예중 5예에서 유골 골종으로 진단하였으며, 자기공명검사에서 고관절 활액막염으로 1예, 감염성 질환으로 1예를 진단하였다. 적혈구 침강 속도 및 C-반응 단백 검사에 이상소견은 없었다. 결론: 고관절 주위에 발생한 유골 골종은 주증상으로 파행을 호소할 수 있으며, 고관절 부위 통증뿐만 아니라 슬관절 부위 통증을 나타내며, 이중 슬관절 부위 통증이 고관절부위 통증보다 더 심한 예가 있어 진단에 주의해야 될 것으로 사료되며 또한 만성 염증질환과 감별해야 되지만, 적혈구 침강 속도 및 C-반응 단백 검사가 정상으로 나타나므로 감별진단에 도움이 될수 있으며, 그리고 다양한 영상진단법이 사용될 수 있으나 이들 중 컴퓨터단층촬영이 더 추천된다.