[논문]레디오믹 (Radiomic) 분석과 암 의료 영상

이승학; 박현진

문제 정의

그림을 통해 밝기 값 분포와 밝기 값 크기 영역 행렬을 비교해 보았을 때 치료 전에 비해 치료 후의 암의 부피, 질량, 밀도 등의 감소와 질감 분석을 통하여 얻어진 결과로 치료 후 호전된 상태를 확인할 수 있었다. 다음 논문은 식도암 PET 영상을 질감 분석을 이용해 방사선 화학요법에 수반되는 결과를 예측, 평가하는 논문이다[7]. PET 영상에 1차 통계자료(평균, 분산, 표준 편차 등)와 2차 통계자료인 회색도 동시 발생 행렬, 밝 기 값 크기 영역 행렬 등 총 38개로 이루어진 특징점을 분석에 이용하였다.
최신 기법이고 다소 어려운 주제이기 때문에 Radiomic 분석이 적용된 논문을 참고하여 최대한 쉽고 정확하게 설명하고자 한다^[2]. 본 논문에서는 기존 암 연구의 한계점을 벗어나 많은 수의 특징 값들을 이용해 정확한 분석 모형을 만들어 암 분석에 이용하도록 하는 것에 목표를 둔다. 분석에 참여한 환자들은 총 1,019명으로 3개의 폐암 환자 집단(Lung1,2,3 cohort) 과 2개의 두경부암(Head and neck1,2 cohort)환자 집단의 CT 영상과 폐암 환자 집단 중 89명(Lung3 cohort) 의 유전자 정보를 가진 집단으로 구성 되었다.
본 논문에서는 카플란 메이어 생존 곡선에 대해 각 집단의 ‘Radiomic signature’중간 값을 기준으로 구분해‘생존에 대한 변수를 ‘Radiomic signature’가 얼마나 잘 설명하는가?
앞서 간단하게 설명한 특징 값들이 실제 분석에 적용된 두 가지 논문들을 살펴 보고자한다. 첫 번째 살펴 볼 논문은 폐암 치료 전과 후를 질감 분석을 이용해 분석한 논문이다^[6].
Radiomic 분석은 서론에서도 언급했듯이 암을 분석하는 방법 중 하나이다. 최신 기법이고 다소 어려운 주제이기 때문에 Radiomic 분석이 적용된 논문을 참고하여 최대한 쉽고 정확하게 설명하고자 한다^[2]. 본 논문에서는 기존 암 연구의 한계점을 벗어나 많은 수의 특징 값들을 이용해 정확한 분석 모형을 만들어 암 분석에 이용하도록 하는 것에 목표를 둔다.

제안 방법

관심 영역에 대한 구조적 정보를 이용해 8개의 특징 값(부피, 밀도, 질량 등)을 계산하고 마지막으로 Coiflet 웨이블렛 변형()을 적용시켜서 각 영상에 대해 1,2차 통계자료와 구조적 정보를 이용한 모든 특징 값에 대한 계산을 진행한다.
6 이상이면 보통 이상의 수행 능력을 나타냄). 또한 생존율을 분석 할 수 있는 카플란 메이어 생존 곡선(Kaplan meier survival curve) 을 그려 각 집단을 비교하였다. 카플란 메이어 생존 곡선은 비교하고자 하는 요인이 환자의 생존에 영향을 주는지에 대해 알아보는 방법이며, 최초 왼쪽 위에서부터 시작해 사망이 발생함에 따라 누적되어 오른쪽 아래로 내려가는 계단 형태의 생존 곡선으로 표현된다(<그림 7 A>).
PET 영상에 1차 통계자료(평균, 분산, 표준 편차 등)와 2차 통계자료인 회색도 동시 발생 행렬, 밝 기 값 크기 영역 행렬 등 총 38개로 이루어진 특징점을 분석에 이용하였다. 방사선 화학 요법이 잘 적용되는 환자, 부분 적용되는 환자, 적용되지 않는 환자로 구분 되어 연구를 진행 하였다. 질감 분석을 평가하는 방법으로는 Receiver operating characteristic(ROC) 곡선을 이용했다.
지금까지 Radiomic에 대한 기본적인 개념 정의부터 적용까지 연구 사례들을 통해 알아보았다. Radiomic 방법은 고려된 모든 특징 값에 대해 환자를 비교하던 기존 연구 방법과는 달리 모든 특징 값 중 높은 수행 능력을 가진 특징 값들을 선별하여 환자를 비교한다.
총 6개의 환자 집단 중 하나의 폐암 환자 집단(Lung1 cohort, 422명)을 통해 학습 집합(Training set)을 구성 한다. 학습 집합을 구성하는 과정은 다음과 같다.
학습 집합을 평가하기 위해 폐암, 두경부암 환자들은 (Lung 2,3 & Head and neck1,2) 평가 집합(Validationset)으로 구성되어 학습 집합이 다른 집단에서도 높은 수행 능력을 보여주는지에 대한 평가를 진행한다.

대상 데이터

1,2차 통계자료, 구조적 정보, 웨이블렛 변형을 이용해 계산된 특징 값은 총 440개로 구성된다. 계산된 특징 값들 중 높은 수행 능력을 가지는 특징 값을 찾기 위한 과정을 거친다.
다음 논문은 식도암 PET 영상을 질감 분석을 이용해 방사선 화학요법에 수반되는 결과를 예측, 평가하는 논문이다[7]. PET 영상에 1차 통계자료(평균, 분산, 표준 편차 등)와 2차 통계자료인 회색도 동시 발생 행렬, 밝 기 값 크기 영역 행렬 등 총 38개로 이루어진 특징점을 분석에 이용하였다. 방사선 화학 요법이 잘 적용되는 환자, 부분 적용되는 환자, 적용되지 않는 환자로 구분 되어 연구를 진행 하였다.
본 논문에서는 기존 암 연구의 한계점을 벗어나 많은 수의 특징 값들을 이용해 정확한 분석 모형을 만들어 암 분석에 이용하도록 하는 것에 목표를 둔다. 분석에 참여한 환자들은 총 1,019명으로 3개의 폐암 환자 집단(Lung1,2,3 cohort) 과 2개의 두경부암(Head and neck1,2 cohort)환자 집단의 CT 영상과 폐암 환자 집단 중 89명(Lung3 cohort) 의 유전자 정보를 가진 집단으로 구성 되었다.

데이터처리

학습 집합을 구성하는 과정은 다음과 같다. 1차 통계자료에서 평균, 표준편차, 왜도, 첨도, 엔트로피 등을 포함한 14개의 특징 값을 계산하고, 2차 통계자료에서 회색도 동시 발생 행렬과 밝기 값 크기 영역 행렬과 회색도 런 길이 행렬 (Gray level run length matrix, GLRLM)을 이용하여 34개의 특징 값을 계산한다. 관심 영역에 대한 구조적 정보를 이용해 8개의 특징 값(부피, 밀도, 질량 등)을 계산하고 마지막으로 Coiflet 웨이블렛 변형(<그림 5>)을 적용시켜서 각 영상에 대해 1,2차 통계자료와 구조적 정보를 이용한 모든 특징 값에 대한 계산을 진행한다.
2차 통계자료에서는 밝기 값 크기 영역 행렬을 이용하여 밝기 값 변동성 (Intensity variability)과 크기 영역 변동성(Size-zone variability) 값을 이용하여 치료 전후의 특징 값의 차이를 보았다().

이론/모형

‘Radiomic signature’의 수행 능력을 평가하기 위한 값으로는 Ⅱ장에서 나왔던 ROC 곡선을 일반화한 값인 Concordance index(CI)를 이용했다.
첫 번째 살펴 볼 논문은 폐암 치료 전과 후를 질감 분석을 이용해 분석한 논문이다^[6]. 사용된 질감 분석의 특징으로는 1차 통계자료 중 왜도(Skewness)와 첨도(Kurtosis)값을 이용하였다. 왜도는 밝기 값 분포의 평균 값 이용하여 분포 모양의 비대칭의 정도를 알아보는 특징 값이다.
방사선 화학 요법이 잘 적용되는 환자, 부분 적용되는 환자, 적용되지 않는 환자로 구분 되어 연구를 진행 하였다. 질감 분석을 평가하는 방법으로는 Receiver operating characteristic(ROC) 곡선을 이용했다. ROC 곡선은 특징 값의 수행 능력을 곡선을 이용하여 평가하게 되는데 선 아래의 면적이 넓을수록 높은 수행 능력을 나타낸다.

성능/효과

‘Radiomic signature’의 수행 능력을 평가하기 위한 값으로는 Ⅱ장에서 나왔던 ROC 곡선을 일반화한 값인 Concordance index(CI)를 이용했다. 그 결과 평균적으로 0.65가 넘는 수행 능력을 보여주었다(CI 값은 0~1의 범주 사이의 값이며, 0.6 이상이면 보통 이상의 수행 능력을 나타냄). 또한 생존율을 분석 할 수 있는 카플란 메이어 생존 곡선(Kaplan meier survival curve) 을 그려 각 집단을 비교하였다.
그림을 통해 밝기 값 분포와 밝기 값 크기 영역 행렬을 비교해 보았을 때 치료 전에 비해 치료 후의 암의 부피, 질량, 밀도 등의 감소와 질감 분석을 통하여 얻어진 결과로 치료 후 호전된 상태를 확인할 수 있었다. 다음 논문은 식도암 PET 영상을 질감 분석을 이용해 방사선 화학요법에 수반되는 결과를 예측, 평가하는 논문이다[7].
특징 값들에 대한 수행 능력 평가에서는 밝기 가변성 값, 크기 영역 가변성 값, 균질성 값, 엔트로피 값에서 유의미한 결과를 얻을 수 있었다().
영상 의학에서 이용되는 대표적인 영상 장비로는 가장 오랜 기간 사용되고 있는 X-Ray와 그 원리를 이용한 컴퓨터 단층 촬영 영상(CT, Computed tomography), 방사선 동위 원소를 이용한 양전자 방출 단층 촬영 영상 (PET, Positron emission tomography) 그리고 자기 공명 현상을 이용한 자기 공명 영상(MRI, Magnetic resonance imaging)등이 있다(<그림 1>)^[1]. 해당 영상들을 이용해 다양한 질병을 효과적으로 분석 할 수 있는 방법들이 개발되었으며, 이는 기존 방법으로는 분석하기 힘들었던 암과 같은 고위험 질병들을 보다 정확하게 분석할 수 있게 해주었다.

후속연구

Radiomic 방법은 고려된 모든 특징 값에 대해 환자를 비교하던 기존 연구 방법과는 달리 모든 특징 값 중 높은 수행 능력을 가진 특징 값들을 선별하여 환자를 비교한다. 이 방법은 발병 부위 마다 각기 다른 특성을 갖는 암에 대한 중요한 영상 생체 지표(Imaging biomarker)로 작용할 것이며, 암 환자 개인에 대한 정확한 진단이나 치료 혹은 수술 계획을 세우는데 도움을 줄 것이다.

핵심어	질문	논문에서 추출한 답변
	ROC 곡선을 이용하는 방법은 어떻게 질감 분석을 평가하는가?	질감 분석을 평가하는 방법으로는 Receiver operating characteristic(ROC) 곡선을 이용했다. ROC 곡선은 특징 값의 수행 능력을 곡선을 이용 하여 평가하게 되는데 선 아래의 면적이 넓을수록 높은 수행 능력을 나타낸다. 특징 값들에 대한 수행 능력 평가에서는 밝기 가변성 값, 크기 영역 가변성 값, 균질성 값, 엔트로피 값에서 유의미한 결과를 얻을 수 있었다(<그림 4>).
	암을 진단하는 비 침습 방법의 장점은?	그 중 비 침습 방법은 인체에 직접적인 시술을 행하지 않는다. 즉, 몸(병변이 의심되는 부위)에 칼이나 주사를 이용하지 않고 암을 진단을 할 수 있다는 장점을 가지고 있다. 본 글을 통해 소개하고자 하는 Radiomic 분석은 CT 영상을 이용해 암을 진단(혹은 판단) 할 수 있는 최신 방법 중 하나이다[4].
	Radiomic 방법의 이점은?	Radiomic 방법은 고려된 모든 특징 값에 대해 환자를 비교하던 기존 연구 방법과는 달리 모든 특징 값 중 높은 수행 능력을 가진 특징 값들을 선별하여 환자를 비교한다. 이 방법은 발병 부위 마다 각기 다른 특성을 갖는 암에 대한 중요한 영상 생체 지표(Imaging biomarker)로 작용할 것이며, 암 환자 개인에 대한 정확한 진단이나 치료 혹은 수술 계획을 세우는데 도움을 줄 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

레디오믹 (Radiomic) 분석과 암 의료 영상 원문보기

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

레디오믹 (Radiomic) 분석과 암 의료 영상 원문보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

박현진 (2)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper