X-ray is widely used for acquiring medical diagnostic images and treating cancers in non-invasive way. While using the X-ray for medical purposes, it is important to minimize dose delivered to the normal cells in the patients to minimize radiation damage. There have been researches to develop such methods. In this study, we utilized deep learning methods, which have shown outperformance in various fields including medical imaging and diagnosis, to develop methods minimize exposure to patients while obtaining computed tomography (CT) or treating patients with radiotherapy.
Sparse sampling scheme is one of methods to minimize radiation dose to patients. The method reduces radiation dose by reducing number of measurements. Reducing number of measurements make the image reconstruction problem as ill-posed and introduces streak artifacts in the reconstructed images. In this study, we developed deep-neural-network based method to minimize the radiation dose with sparse sampling scheme and maintain the quality of reconstructed images. We trained neural networks to synthesize unmeasured projection data from the measured projection data. Using the network, we were able to reconstruct images from a quarter of full sampled projection data with similar quality to the image reconstructed from the full sampled projection data. The proposed method showed outperformance to the analytic interpolation methods and an iterative reconstruction algorithm. The proposed method was able to obtain high quality images with smaller computation cost and time compare to the iterative reconstruction algorithm.
The radiotherapy delivers high dose to cancer cells to treat them. The treatments should be planned and evaluated before delivered to patients to optimize dose delivery. In the treatment planning process, it is important to minimize dose delivered to the normal cells, since high dose is critical to normal cells. The quality of the treatment plans for a single patient may vary with planners’ skills and experiences, since the treatment planning process high depends on planners. And the planning process is time consuming, since one need to find optimal dose delivery in an iterative fashion. In this study, we developed deep-neural-network based method to generate fluence maps, which is essential component in radiotherapy. The developed method was able to generate fluence maps without human interactions and less than a second. The generated fluence maps had similar quality to clinical fluence maps generated by expert planners. The method would helpful to reduce time required for treatment planning process and assist planners or automate treatment planning process.
엑스선은 물체를 투과하며 에너지를 전달할 수 있다는 성질을 바탕으로 비침습적 방법으로 진단 영상을 획득할 수 있는 전산화 단층촬영과 암치료를 위한 방사선 치료에 많이 이용되고 있다. 엑스선을 의료용 목적으로 이용하는 과정에서는 정상세포에 가해지는 선량을 최소화하여 환자에게 추가적인 피해를 최소화하기 위해서 엑스선 피폭으로 인한 피해를 막기 위한 다양한 방법들이 연구되고 있다. 본 연구에서는 최근 다양한 분야에서 높은 성능을 보는 심층학습을 이용하여 전산화 단층촬영 영상획득과 방사선 치료과정에서 정상세포의 피폭선량을 최소화하기 위한 방법을 개발하였다.
희박 샘플링을 통해서 전산화 단층촬영에서 환자의 피폭선량을 최소화하는 경우 재건된 영상에서 아티팩트가 나타나고 이로 인해서 진단 효율성이 떨어질 수 있다. 본 연구에서는 피폭선량을 최소화 하면서 높은 품질의 영상을 획득하기 위해서 희박샘플링된 데이터를 바탕으로 측정되지 않은 데이터를 합성하는 심층 신경망을 구성하고 학습하였다. 학습한 심층신경망을 이용하여 기존 촬영 대비 선량을 1/4로 줄여 획득한 데이터를 재건하였을 때 기존 촬영 영상과 유사한 품질을 가지는 것을 확인할 수 있었다. 본 연구에서 개발한 방법은 기존에 사용되는 보간 알고리즘과 반복적 재건 알고리즘 대비 향상된 성능을 보이는 것을 확인하였으며, 반복적 알고리즘에 비해서 짧은 시간에 고품질 영상을 획득할 수 있을 것으로 기대된다.
높은 선량을 전달하는 방사선 치료를 진행하기 위해서는 치료 전 환자의 영상을 바탕으로 치료계획을 수립하고 평가한 후에 치료를 진행한다. 이 과정에서 치료계획을 수립하는 계획자에 경험, 기술 등의 따라 같은 환자에 대해서도 서로 다른 품질을 치료계획을 획득하게 되고 치료계획 수립에 많은 시간이 소요된다. 본 연구에서는 심층신경망을 이용하여 방사선 치료를 통해서 환자에게 전달할 선량 분포를 예측하고 치료에 이용하는 플루언스 맵을 획득하는 방법을 개발하였고 이를 통해서 방사선치료과정에서 환자의 정상세포에 전달되는 선량과 치료계획에 소요되는 시간을 최고화 하고자 하였다. 본 연구에서 개발한 방법을 이용하는 경우 기존에 1시간 이상이 소요되는 치료계획 수립 시간을 수분 이내로 단축할 수 있을 것으로 기대되며, 계획자의 개입 없이도 치료계획을 수립할 수 있어 치료계획의 품질을 유지할 수 있으며 더 나아가서 자동화할 수 있을 것으로 기대된다.
