MRLinac 이미지로 방사선 치료 중 변화 자동 감지

초록

본 연구는 0.35 T MR‑Linac에서 획득한 전립선 암 환자 761명의 연속 MR 영상을 활용해, 딥러닝 기반 모델이 치료 과정 중 발생하는 미세한 조직 변화를 감지하고 이미지 쌍의 시간 순서를 정확히 예측할 수 있음을 입증한다. 모델은 첫 번째와 마지막 분획(F1‑FL) 쌍을 학습한 후 전체 쌍(All‑pairs)으로 확장했으며, AUC 0.99와 0.97의 높은 성능을 보였다. 주요 변화 영역은 전립선, 방광, 골반 대칭부였으며, 방사선 치료에 의한 변화를 전문가보다 뛰어나게 탐지한다.

상세 분석

이 논문은 MR‑Linac 시스템이 제공하는 저자장 0.35 T T1‑우퍼 시퀀스 영상을 활용해, 치료 진행에 따른 조직 변화를 정량화하려는 시도이다. 데이터는 761명의 전립선 암 환자로부터 총 1 071명 중 선정된 761명에 대해, 평균 2일 간격으로 획득된 5회 분획 영상을 사용했으며, 전립선 마스크를 중심으로 (80, 80, 80) 크기로 크롭하였다. 모델은 LILAC 프레임워크를 기반으로 한 Siamese 3D CNN(ResNet‑18)으로, 두 이미지의 특징 벡터 차이를 Fully Connected 레이어에 입력해 시간 순서(정순/역순)를 이진 분류한다. 초기 학습 단계에서는 방사선에 의해 가장 큰 변화를 보이는 F1‑FL 쌍만 사용해 커리큘럼 러닝을 적용했으며, 이후 모든 가능한 이미지 쌍을 이용해 파라미터를 미세조정했다. 성능 평가는 정확도와 AUC로 수행했으며, 부트스트랩을 통해 95 % CI를 산출했다. 모델은 F1‑FL 테스트에서 정확도 0.95, AUC 0.99를 기록했으며, 방사선 전 시뮬레이션‑F1 쌍에서는 정확도 0.40, AUC 0.34로 급격히 감소, 이는 모델이 실제 방사선 유도 변화를 학습했음을 시사한다. 로그값을 이용한 변화량 추정은 분획 간 간격이 증가할수록 로그가 상승하는 선형 관계를 보였고, Pearson 상관계수와 혼합효과 모델을 통해 통계적 유의성을 확인했다. 해석을 위해 Grad‑CAM 기반 saliency map을 생성했으며, 전립선, 방광, 골반 대칭부가 주요 기여 영역으로 도출되었다. 입력 차단(ablation) 실험에서는 해당 부위를 마스킹하거나 보존했을 때 모델 성능이 크게 변동했으며, 특히 전립선과 방광을 보존한 경우 성능 저하가 최소였으며, 이는 이들 조직의 형태·강도 변화가 모델 판단에 핵심임을 뒷받침한다. 방사선 치료 전후의 조직 부피와 평균·표준편차 강도 변화도 정량화했으며, 전립선 부피 감소와 방광 강도 변동이 통계적으로 유의하였다. 전문가(15년 경력 방사선과 전문의)의 인간 평가와 비교했을 때, 인간은 정확도 0.82에 그쳤으며, saliency‑restricted 이미지에서도 인간의 판단은 모델에 비해 일관성이 떨어졌다. 전반적으로, 저해상도 0.35 T MR‑Linac 영상에서도 딥러닝이 방사선 치료에 따른 미세 변화를 감지하고, 이를 기반으로 치료 모니터링 및 적응 방사선 치료에 활용할 가능성을 제시한다.