선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 논문에서는 새로운 환자의 CT 데이터가 주어졌을 때, 자동으로 척추뼈와 피부를 분리하는 이미지 분할 방법과, 바늘과 조직 사이의 마찰력 모델을 포함한 시뮬레이터를 제시한다. CT에서의 척추뼈 분할의 경우 딥러닝을 이용한 이미지 분할법이 기존의 머신러닝 방법에 비해 더 좋은 분할 정밀도를 보였다는 것이 연구 된 바가 있다[12,13].
제안 방법
- OpenGL과 Chai3D를 이용하여 환자의 CT 이미지에서 추출된 뼈와 피부를 3차원으로 시각화 한다. 분할된 뼈와 피부 이미지를 각각 다른 오브젝트로 설정 한 뒤, 각 오브젝트를 등 밀도면 물질(Isosurface material)로 설정한다.
- 피부 관통 후, 마찰력이 작용하며 이때 급격한 힘의 감소가 나타나는 것을 확인하였다. 그리고 바늘의 삽입 깊이가 늘어남에 따라 마찰력이 증가하는것을 확인 하였다.
- CT에서의 척추뼈 분할의 경우 딥러닝을 이용한 이미지 분할법이 기존의 머신러닝 방법에 비해 더 좋은 분할 정밀도를 보였다는 것이 연구 된 바가 있다[12,13]. 따라서 딥러닝 네트워크 중 의료 이미지 분할에 특화된 U-net을 이용한 척추뼈 분할을 적용하였다[14]. 바늘과 조직 상호작용의 경우 Okamura et al.
- 분할된 환자의 뼈와 CT 데이터를 기반으로 가상의 환경(virtual reality)에 환자의 데이터를 3차원으로 복원 한다. 복원된 환자의 데이터에 바늘을 삽입하는 햅틱 시뮬레이션을 수행하고, 마지막으로 기록된 바늘의 위치를 평가하게 된다.
- 바늘과 조직 상호작용의 경우 Okamura et al.이 제시한 연조직 내에서의 바늘 힘 모델링 방법을 이용하여 바늘이 피부 외벽을 뚫는 힘(puncture force)과 마찰력을 구현하였다[15].
- 최종적으로 시뮬레이션 시에 바늘의 위치와 방향을 기록한 뒤 CT 데이터에 바늘의 이동 경로를 표시하고, 최종바늘 위치를 표시한다. 이를 통해 바늘 삽입에서 소요된 시간, 바늘 끝점의 위치 정밀도, 그리고 바늘 방향의 균일성을 평가 한다.
- 이 경우 새로운 환자의 CT 데이터가 수집 되었을 때, 다시 뼈 이미지의 분할을 수행해야 하는 문제점이 있었다. 이를 해결하기 위해 딥러닝 분할법을 이용하여 CT 데이터에서 자동으로 뼈를 분할하는 방법을 제시 하였다. 또한 바늘 삽입시에 수술자가 느끼는 힘을 기존의 햅틱 시뮬레이터 보다 정확하게 구현하기 위하여, 바늘-연조직 상호 작용 모델을 이용하였다.
- 2]와 같다. 척추질환이 발병한 환자의 CT 데이터를 획득 한 뒤, 딥러닝(deep learning) 기반의 이미지 분할 네트워크를 통해 환자의 뼈 이미지를 분할 한다. 분할된 환자의 뼈와 CT 데이터를 기반으로 가상의 환경(virtual reality)에 환자의 데이터를 3차원으로 복원 한다.
대상 데이터
- 10명의 CT 데이터 중, 5명의 CT 데이터를 학습에 사용 하였으며, 이 때 평면데이터의 개수는 2852장이다. 5명의 학습 데이터 중, 1명의 데이터를 validation 데이터로 설정 하였으며, validation에서 가장 낮은 손실값을 갖는 모델을 이용하였다.
- 10명의 CT 데이터 중, 5명의 CT 데이터를 학습에 사용 하였으며, 이 때 평면데이터의 개수는 2852장이다. 5명의 학습 데이터 중, 1명의 데이터를 validation 데이터로 설정 하였으며, validation에서 가장 낮은 손실값을 갖는 모델을 이용하였다. 이때의 손실값은 0.
- 학습과 3차원 복원에 쓰일 CT 데이터는 CSI 2014 Workshop에서 공개한 데이터로, 총 10명의 환자의 척추 CT를 포함하고 있다[16]. CT 이미지의 평면 크기는 512 x 512 이며, 깊이 방향으로의 크기는 환자마다 상이하지만 평균적으로 500장이다.
- 네트워크의 학습은 Python 기반의 Keras 딥러닝 프레임에서 이루어 졌다. 학습과 추론에는 1장의 GPU를 이용하였으며, 이때 활용된 GPU는 GTX 1080Ti (NVIDIA, USA) 이다. 학습에서 배치 사이즈(batch size)는 5로 설정하였으며, 아담 옵티마이저(adam optimizer)의 학습 비율(learning rate)은 0.
이론/모형
- CT 이미지상에서 허리뼈의 분할을 위해 2차원 U-net 딥러닝 네트워크를 사용하였다. U-net은 다른 딥러닝 네트워크와 비교 하였을 때 척추 분할 정확도가 가장 높은 것으로 알려져 있다[17,18].
- 이를 해결하기 위해 딥러닝 분할법을 이용하여 CT 데이터에서 자동으로 뼈를 분할하는 방법을 제시 하였다. 또한 바늘 삽입시에 수술자가 느끼는 힘을 기존의 햅틱 시뮬레이터 보다 정확하게 구현하기 위하여, 바늘-연조직 상호 작용 모델을 이용하였다. 그 결과 바늘이 피부를 처음 관통하는 순간 힘이 감소하는 puncture force를 구현할 수 있었다.
- 001로 설정하였다. 마지막으로 모델의 손실함수(loss function)은 Binary cross-entropy를 이용하였다.
- 3]. 이미지의 이진화는 오츠 방법(Otsu method)를 통해 전역 임계값을 계산한 뒤 수행 되었다[Fig. 3(b)].
- 조직 내부에서의 마찰력은 Karnopp friction model을 이용하여 구현하였다[15].
성능/효과
- 6]와 같다. CT 이미지 원본에서 뼈의 일부분만 보이는 불연속적인 뼈 이미지에서 분할 정확도가 특히 감소하는 것을 확인하였다. 정량적인 분석을 위해 Pixel accuracy와 IoU (intersection over union)를 이용하여 총 10명의 CT 데이터 중, 학습에 쓰이지 않은 5개의 테스트 데이터의 정량적인 분석결과는 [Table 2]와 같다.
- 그 결과 바늘이 피부를 처음 관통하는 순간 힘이 감소하는 puncture force를 구현할 수 있었다.
- 또한 1장의 이미지를 분할하는데 소요되는 추론 시간은 평균 43.9 ± 5.5 ms로 측정 되었으며, 500장의 이미지(1명의 환자)를 분할하는 추론 시간은 21.9 s로 측정되었다.
- 햅틱의 끝점이 피부와 닿는 순간부터 힘이 증가하게 되며, 힘이 fmax에 이르게 되면 피부 voxel이 제거되어 햅틱의 끝점이 피부를 관통하게 된다(fmax = 1N). 피부 관통 후, 마찰력이 작용하며 이때 급격한 힘의 감소가 나타나는 것을 확인하였다. 그리고 바늘의 삽입 깊이가 늘어남에 따라 마찰력이 증가하는것을 확인 하였다.
후속연구
- 그 결과 바늘이 피부를 처음 관통하는 순간 힘이 감소하는 puncture force를 구현할 수 있었다. 논문에 제시된 시뮬레이터 이용 할 경우, 수술 전 환자의 CT 데이터를 이용하여 바늘 삽입 시뮬레이션을 할 수 있으며, 이를 이용한 수술 전 계획에도 도움이 될 것으로 기대한다.
- 또한 힘 구현에 필요한 상수들 역시 실제 사람의 데이터를 활용하지 못하였고, 조직과 바늘의 변형을 고려하지 못했다는 한계가 있다. 더 정밀한 햅틱 시뮬레이션을 위해 동물ex-vivo 실험을 통해 힘 구현에 쓰이는 상수들의 측정과 실제 수술 경험이 있는 수술자의 학습 곡선을 조사하는 것이 추후 연구 방향으로 남아있다.
- 특히 여러 건의 수술을 수행해야 하는 수술자의 경우 반복적인 방사능 노출에 위험이 있기 때문에, C-arm의 활용 횟수를 최소화 하여야 한다[4,5]. 따라서 수술의 정밀도를 높이고, 방사능 노출을 최소화 하기 위해 수술자의 술기 향상을 위한 수술 트레이닝 및 이를 위한 시뮬레이터의 개발이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.