본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

Contents

ABSTRACT 6

I. Introduction 8

II. Materials and Methods 10

1. Patients 10

2. CT and MRI acquisition 10

3. Data-pre-processing 11

4. Network training and sCT generation 11

5. Assessment of sCT quality 12

6. Statistical analysis 14

III. Results 15

1. Patients' characteristics 15

2. Image quality 15

3. Dosimetric comparison 16

4. Range evaluation 16

IV. Discussion 17

V. Conclusion 20

References 21

논문요약 24

List of Tables

Table 1. Patients' characteristics of training and test sets 26

List of Figures

Figure 1. Schematic structures of the deep learning-based synthetic computed tomography... 27

Figure 2. Architectures of the generator and discriminator used in this study. The number at... 28

Figure 3. Example of original (A) and synthetic computed tomography generated from... 29

Figure 4. Comparison of mean error (left plots), mean absolute error (middle plots), and peak signal-to-noise ratio (right plots) according to... 30

Figure 5. Comparison of mean Hounsfield units of original computed tomography and synthetic computed tomography for body (left plots),... 31

Figure 6. Comparison of dice-similarity coefficients for body (left plots), bone (middle plots), and soft tissue (right plots) in synthetic... 32

Figure 7. Comparison of Hausdorff distance for body (left plots), bone (middle plots), and soft tissue (right plots) in synthetic computed... 33

Figure 8. Example for the comparison of dosimetric distributions on original and synthetic computed tomography according to the deep... 34

Figure 9. Example of the map for gamma values. The gamma values on axial, coronal, and sagittal views for volumetric modulated arc... 35

Figure 10. Difference of dosimetric parameters in planning target volume on synthetic computed tomography according to the deep learning... 36

Figure 11. Difference of dosimetric parameters in organs at risk on synthetic computed tomography according to the deep learning techniques... 37

Figure 12. Comparisons of gamma indices among the synthetic computed tomography according to the deep learning techniques for... 38

Figure 13. Beam range differences on synthetic computed tomography according to the deep... 39

초록보기

방사선치료는 전립선암의 국소 요법으로써 널리 이용되고 있다. 방사선치료의 계획 수립에는 Hounsfield unit (HU) 정보를 제공하는 모의치료 컴퓨터 단층촬영 영상이 필수적이나, 컴퓨터 단층촬영 영상은 연부조직의 대조도가 높지 않아 정확한 치료 범위 설정을 위해 추가적인 자기공명영상 촬영이 자주 시행되고 있다. 추가로 시행된 자기공명영상은 모의치료 컴퓨터단층 촬영영상과 융합하여 치료 범위 설정에 활용되나, 두 영상 간의 기하학적 차이 및 영상 등록 과정에서 발생하는 불확정성에 의해 두 영상 간의 융합 과정에는 정오차 (systematic error) 발생 가능성이 잠재되어 있다. 이러한 문제로 모의치료 컴퓨터 단층촬영을 생략하고 자기공명영상만을 이용한 방사선치료 선량 계산 기법이 연구되고 있다. 자기공명영상은 HU에 대한 정보를 제공하지 않기 때문에 자기공명영상 단독으로 방사선치료 선량 계산을 하기 위해서는 자기공명영상을 이용해 가상의 컴퓨터단층 영상을 합성하여 HU에 대한 정보를 제공받아야 한다. 자기공명영상을 이용한 합성 컴퓨터 단층촬영 영상 획득을 위한 다양한 방법론들 중 최근에 심층 학습 기법을 이용한 방법들이 제기되기 시작했다. 본 연구에서는 전립선암의 방사선치료에서 합성 컴퓨터 단층촬영 영상의 유용성을 평가하였다. 본 연구에서 저자는 성균관 의과대학 삼성서울병원에서 전립선암으로 방사선치료를 시행 받았던 113명 환자의 모의치료 컴퓨터 단층촬영 영상 및 T2 강조 자기공명영상을 합성 컴퓨터 단층촬영 영상 제작에 이용하였으며, 무작위로 선택한 95명 환자들의 영상정보들을 심층 학습에, 나머지 20명 환자들의 영상정보들은 평가에 이용하였다. 심층 학습 방법론으로는 생성적 적대 신경망(Generative adversarial network, GAN), 순환 생성적 적대 신경망 (cyclo-consistent GAN, CycGAN), 그리고 CycGAN에 가용 참조 영상을 활용하여 추가 보정을 시행한 참조 영상 유도 CycGAN (Reference-guided CycGAN, RgGAN) 기법이 적용되었다. 세 가지 기법을 통해 획득한 합성 컴퓨터 단층촬영 영상에 대해서 합성 영상의 질 평가 및 원조 모의치료 컴퓨터 단층촬영 영상에 계산된 방사선치료 선량 분포의 보존성을 평가하였다. 각 평가는 X-선을 이용한 체적회전치료 및 양성자치료 각각에 시행되었다. 원조 컴퓨터 단층촬영 영상 대비 합성 컴퓨터 단층촬영 영상의 HU 평균 절대 오차는 다른 기법에 비해서 CycGAN을 통해 획득된 합성 컴퓨터 단층촬영 영상에서 통계적으로 유의하게 높았다. 해부학적 구역별 평균 HU 비교 시 연부조직내 평균 HU 값 분석에서는 GAN을 이용한 합성 컴퓨터 단층촬영 영상에서 원조 영상에 비해 유의미한 차이를 보인 반면, 다른 방법으로 합성된 컴퓨터 단층촬영 영상에서는 원조 영상에 비교하여 유의미한 차이를 보이지 않았다. 방사선치료 선량 분포의 경우 계획목표체적 및 정상장기 모두에 대해서 심층 학습 기법 및 방사선치료 방법론과 상관없이 원조 선량 분포가 합성 컴퓨터 단층촬영 영상 내에서도 임상적인 적용이 가능한 수준으로 보존됨을 확인하였다. 특히 RgGAN 기법을 이용하여 합성된 컴퓨터 단층촬영 영상의 경우 고선량 영역에서 원조 선량 분포의 보존 능력이 다른 기법에 비해 높은 경향을 보였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차