• 핵의학기술
• /
• 제20권1호
• /
• pp.32-36
• /
• 2016

핵의학검사에서 $^{131}I$은 갑상선암 및 질환의 진단, 치료등 핵의학 검사에서 많이 사용되고 있다. $^{131}I$은 ${\gamma}$선과 ${\beta}^-$선을 방출하여 검사와 치료를 할 수 있고, 높은 집적율과 신장을 통한 빠른 배설이 용이 하지만, $^{131}I$(364 keV)은 $^{99m}Tc$(140 keV)보다 고에너지이기 때문에 작업을 수행 시 조작 및 투여 과정에서 $^{99m}Tc$보다 술자의 피폭을 줄이기 위해 외부피폭 방어의 3요소인 거리, 시간, 차폐 중에 차폐에 주안점을 두어 $^{131}I$ 조작 시 차 폐체 착용 전과 후의 피폭선량의 차이를 비교하고자 한다. Apron(보통 Pb 0.5 mm) 착용 시 $^{99m}Tc$은 90%이상이 차폐가 되지만, $^{131}I$은 고에너지이기 때문에 차폐효과가 비교적 낮고, 고용량의 경우 산란선(2차) 및 제동방사선의 영향으로 오히려 더 피폭을 받을 수 있다. 하지만 저용량(74 MBq) 고에너지의 경우 이에 대한 특별한 보고나 Guide Line이 마련되어 있지 않아, $^{131}I$ 조작 시 Apron 착용 유무에 따른 술자의 피폭선량을 정량적으로 분석하고자 한다. 본원 핵의학과에서 2014년 6월부터 2014년 12월까지 7개월 동안 갑상선암 치료 및 진단을 위한 저용량$^{131}I$을 투여하기 위해 방문한 갑상선암 환자를 대상으로 준비과정부터 투여 시까지 연구기간 동안 갑상선, 가슴, 고환 3곳에 Apron 안쪽과 바깥쪽 각각 1개씩 총 6개의 TLD를 부착한 뒤 $^{131}I$검사 과정부터 투여 시 까지의 방사선 피폭선량을 측정하였다. 총 작업시간은 설명시간 3분, 분배시간 1분, 투여시간 1분으로 각각 1인당 5분이내로 설정하였다. TLD 위치설정은 일반적으로 피폭선량을 측정하는 가슴과 방사선 감수성이 높은 갑상선 및 고환으로 설정하였다. 준비과정은 $^{131}I$을 $2m{\ell}$ 주사기를 이용해 74MBq을 분배한 뒤 생리식염수와 희석해 $2m{\ell}$의 용량을 만들어 분배한다. $^{131}I$을 분배 후 환자에게 투여 시 컵에 물을 $100m{\ell}$ 담고 분배한 $^{131}I$을 희석하여 환자 1 m 정도 거리를 두고, 경구투여 한다. 그리고 경구투여 한 $2m{\ell}$ 주사기와 컵을 폐기하는 과정을 Apron과 TLD를 착용한 상태에서 시행하였다. Apron과 TLD는 방사선 피폭이 미치지 않는 보관실에 따로 보관하였고, 서울방사선 서비스에 의뢰하여 피폭선량을 측정하였다. 연구기간 동안 저용량 $^{131}I$ 검사 시 갑상선, 가슴, 고환 부위에 Apron 안과 밖d[착용한 TLD의 매월 누적선량을 인원수로 나눈 결과를 가지고, SPSS Version. 12.0K를 이용해 Wilcoxon Signed Rank Test를 사용하여 통계를 시행하였다. 그 결과 갑상선(p = 0.345), 가슴(p = 0.686), 고환(p = 0.715)은 모두 p > 0.05으로 유의한 차이가 없음을 알 수 있었다. 그리고 연구기간 동안의 총 누적선량의 변화를 백분율로 환산하였을 때, 갑상선 -23.5%, 가슴 -8.3%, 고환 19.0%로 나타났다. Wilcoxon Signed Rank Test를 사용한 결과 통계적으로 유의한 차이가 없는 것으로 나타났다(p > 0.05). 또한 7개월간의 누적선량으로 차폐율을 계산 했을 때 에는 Apron 안쪽과 바깥쪽의 피폭선량의 변화가 불규칙적으로 나타나는 결과를 보였다. 이 결과는 백분율로 표현 시 변화폭이 커보이지만, 누적 피폭선량이 소수점 이하이므로 큰 변화라고 보기 어렵다. 그러므로 고에너지 저용량 $^{131}I$ 투여 시 Apron을 착용유무와 상관없이 일정한 거리를 두고 최대한 빠른 시간 내에 투여를 종료하는 것이 피폭선량을 줄이는 데 도움이 될 것이다. 본 연구는 $^{131}I$ 투여시간을 1인당 각 5분 이내로 투여 할 수 있도록 제한하고, 거리를 1 m로 일정하게 하여 작업 할 수 있도록 하였으나 통계 시 N수가 적어서 비모수적인 방법으로 통계를 시행함으로써 정확한 결과를 얻기에 부족한 부분이 있었다. 또한 저용량 $^{131}I$ 투여 시 각 1인당 피폭선량을 직독식 선량으로 측정하지 못하고, TLD를 이용한 누적선량으로 측정한 결과 값이므로 전자선량계 및 포켓선량계를 이용한 측정이 이루어진다면 더 효과적인 결과를 얻을 수 있을 것으로 사료된다.

• 인터넷정보학회논문지
• /
• 제14권6호
• /
• pp.71-84
• /
• 2013

컴퓨터 시스템 운용 간에 발생하는 많은 정보들이 기록되는 로그데이터는 컴퓨터 시스템 운용 점검, 프로세스의 최적화, 사용자 최적화 맞춤형 제공 등 다방면으로 활용되고 있다. 본 논문에서는 다양한 종류의 로그데이터들 중에서 은행에서 발생하는 대용량의 로그데이터를 처리하기 위한 클라우드 환경 하에서의 MongoDB 기반 비정형 로그 처리시스템을 제안한다. 은행업무간 발생하는 대부분의 로그데이터는 고객의 업무처리 프로세스 간에 발생하며, 고객 업무 프로세스 처리에 따른 로그데이터를 수집, 저장, 분류, 분석하기 위해서는 별도로 로그데이터를 처리하는 시스템을 구축해야만 한다. 하지만 기존 컴퓨팅환경 하에서는 폭발적으로 증가하는 대용량 비정형 로그데이터 처리를 위한 유연한 스토리지 확장성 기능, 저장된 비정형 로그데이터를 분류, 분석 처리할 수 있는 기능을 구현하기가 매우 어렵다. 이에 따라 본 논문에서는 클라우드 컴퓨팅 기술을 도입하여 기존 컴퓨팅 인프라 환경의 분석 도구 및 관리체계에서 처리하기 어려웠던 비정형 로그데이터를 처리하기 위한 클라우드 환경기반의 로그데이터 처리시스템을 제안하고 구현하였다. 제안한 본 시스템은 IaaS(Infrastructure as a Service) 클라우드 환경을 도입하여 컴퓨팅 자원의 유연한 확장성을 제공하며 실제로, 로그데이터가 장기간 축적되거나 급격하게 증가하는 상황에서 스토리지, 메모리 등의 자원을 신속성 있고 유연하게 확장을 할 수 있는 기능을 포함한다. 또한, 축적된 비정형 로그데이터의 실시간 분석이 요구되어질 때 기존의 분석도구의 처리한계를 극복하기 위해 본 시스템은 하둡 (Hadoop) 기반의 분석모듈을 도입함으로써 대용량의 로그데이터를 빠르고 신뢰성 있게 병렬 분산 처리할 수 있는 기능을 제공한다. 게다가, HDFS(Hadoop Distributed File System)을 도입함으로써 축적된 로그데이터를 블록단위로 복제본을 생성하여 저장관리하기 때문에 본 시스템은 시스템 장애와 같은 상황에서 시스템이 멈추지 않고 작동할 수 있는 자동복구 기능을 제공한다. 마지막으로, 본 시스템은 NoSQL 기반의 MongoDB를 이용하여 분산 데이터베이스를 구축함으로써 효율적으로 비정형로그데이터를 처리하는 기능을 제공한다. MySQL과 같은 관계형 데이터베이스는 복잡한 스키마 구조를 가지고 있기 때문에 비정형 로그데이터를 처리하기에 적합하지 않은 구조를 가지고 있다. 또한, 관계형 데이터베이스의 엄격한 스키마 구조는 장기간 데이터가 축적되거나, 데이터가 급격하게 증가할 때 저장된 데이터를 분할하여 여러 노드에 분산시키는 노드 확장이 어렵다는 문제점을 가지고 있다. NoSQL은 관계형 데이터베이스에서 제공하는 복잡한 연산을 지원하지는 않지만 데이터가 빠르게 증가할 때 노드 분산을 통한 데이터베이스 확장이 매우 용이하며 비정형 데이터를 처리하는데 매우 적합한 구조를 가지고 있는 비관계형 데이터베이스이다. NoSQL의 데이터 모델은 주로 키-값(Key-Value), 컬럼지향(Column-oriented), 문서지향(Document-Oriented)형태로 구분되며, 제안한 시스템은 스키마 구조가 자유로운 문서지향(Document-Oriented) 데이터 모델의 대표 격인 MongoDB를 도입하였다. 본 시스템에 MongoDB를 도입한 이유는 유연한 스키마 구조에 따른 비정형 로그데이터 처리의 용이성뿐만 아니라, 급격한 데이터 증가에 따른 유연한 노드 확장, 스토리지 확장을 자동적으로 수행하는 오토샤딩 (AutoSharding) 기능을 제공하기 때문이다. 본 논문에서 제안하는 시스템은 크게 로그 수집기 모듈, 로그 그래프생성 모듈, MongoDB 모듈, Hadoop기반 분석 모듈, MySQL 모듈로 구성되어져 있다. 로그 수집기 모듈은 각 은행에서 고객의 업무 프로세스 시작부터 종료 시점까지 발생하는 로그데이터가 클라우드 서버로 전송될 때 로그데이터 종류에 따라 데이터를 수집하고 분류하여 MongoDB 모듈과 MySQL 모듈로 분배하는 기능을 수행한다. 로그 그래프생성 모듈은 수집된 로그데이터를 분석시점, 분석종류에 따라 MongoDB 모듈, Hadoop기반 분석 모듈, MySQL 모듈에 의해서 분석되어진 결과를 사용자에게 웹 인터페이스 형태로 제공하는 역할을 한다. 실시간적 로그데이터분석이 필요한 로그데이터는 MySQL 모듈로 저장이 되어 로그 그래프생성 모듈을 통하여 실시간 로그데이터 정보를 제공한다. 실시간 분석이 아닌 단위시간당 누적된 로그데이터의 경우 MongoDB 모듈에 저장이 되고, 다양한 분석사항에 따라 사용자에게 그래프화해서 제공된다. MongoDB 모듈에 누적된 로그데이터는 Hadoop기반 분석모듈을 통해서 병렬 분산 처리 작업이 수행된다. 성능 평가를 위하여 로그데이터 삽입, 쿼리 성능에 대해서 MySQL만을 적용한 로그데이터 처리시스템과 제안한 시스템을 비교 평가하였으며 그 성능의 우수성을 검증하였다. 또한, MongoDB의 청크 크기별 로그데이터 삽입 성능평가를 통해 최적화된 청크 크기를 확인하였다.