• Radiation Oncology Journal
• /
• 제23권3호
• /
• pp.143-156
• /
• 2005

목적: 고선량률 강내근접치료와 외부방사선의 병합치료는 자궁경부암의 표준치료법이지만, 최적의 병합 방식 및 선량 분할 스케줄은 아직 정해지지 않고 있다. 부분적으로는 이에 영향을 미치는 인자들의 다양성 및 기존의 문헌들의 방사선 선량에 관한 자세한 정보 부족을 그 이유로 들 수 있다. 이에 본 연구는 고선량률 강내근접치료에 대한 풍부한 경험을 바탕으로 단일기관에서 비교적 균일한 치료를 받은 많은 수의 환자 모집단을 대상으로 이들 다양한 인자들 및 방사선치료에 대한 자세한 분석을 통해서 최적의 방사선치료를 위한 지침을 얻고자 하였다. 대상 및 방법: 1990년부터 1996년까지 연세암센터에서 고선량률 강내근접치료 및 외부방사선치료로 자궁경부암에 대한 근치적 치료를 받은 743명의 환자들을 대상으로 하였으며, 중앙추적관찰 기간은 52개월이었다. FIGO 병기 분포는 IB 198명, IIA 77명, IIB 364명, IIIA 7명, IIIB 89명, IVA 8명이었다. 전골반방사선 선량은 $23.4\~59.4$ Gy (중앙값 45 Gy)의 분포를 보였으며, 진단 시 종양의 크기 및 외부방사선치료에 대한 종양의 반응에 따라서 그 시기를 조절하는 중앙차폐는 495예에서 시행되었으며, 그 시기는 $14.4\~43.2$ Gy (중앙값 36.0 Gy)로 비교적 광범위하고 다양한 분포를 보였다. 강내근접치료와 외부방사선치료의 분할 선량 차이를 극복하기 위해 생물학적 유효선량(Biologically Effective Dose, BED) 개념을 적용하였으며, 종양 및 정상 조직에 대한 $\alpha/\beta$비는 각각 10 및 3으로 하였다. 모든 개별 환자의 직장 전벽 및 방광 흡수선량을 분석하였고, 합병증 및 골반제어율과의 상관 관계를 규명하고자 하였다. 이외에도 방사선치료 스케줄에 영향을 미칠 수 있는 인자들인 총 치료기간, 강내근접치료의 분할 선량 크기, 주치의의 선호도에 따른 치료 스케줄 차이 등도 함께 고려하여 분석하였다. 결과: 전체 환자에서 RTOG Grade 1-4독성 발생률은 $33.1\%$였다. 전체 환자의 5년 골반제어율은 $83\%$로 분석되었다. 중앙차폐이전 외부방사선선량과 강내근접치료의 합산 BED값(=MD-BED $Gy_{\alpha/\beta}$은 $\alpha/\beta$=10인 경우 $62.0\~121.9\;Gy_{10}$ (중앙값: $93.0\;Gy_{10}$)의 분포를, ${\alpha/\beta}=3$인 경우 $93.6\~187.3\;Gy_3$ (중앙값=$137.6\;Gy_3$ )의 분포를 보였다. MD-BED $Gy_3$는 직장합병증 발생과의 관계는 통계적으로 유의하였고, 방광합병증과는 유의하지 않았다. 직장합병증과의 연관성은 MD-BED $Gy_3$보다 개별 환자의 직장전벽 총 선량 BED값인 R-BED $Gy_3$가 훨씬 더 높았다. 요도카테터 풍선의 후방지점이 대변하는 방광의 총 선량 BED값인 V-BED $Gy_3$도 방광합병증과 경향성 테스트에서 통계적 유의성을 보였다. 하지만, 어떠한 방사선선량도 골반제어율과 의미 있는 상관관계를 보이지 않았다. 본 기관에서 주치의의 선호도에 따라 강내근접치료가 외부방사선치료의 중간에 시행되는 형태인 샌드위치기법과 외부방사선치료 후반부에 시행되는 순차적 기법으로 구분하였을 때, 두 방식간 치료성적 및 합병증의 차이는 없었다. 총 치료기간에 대한 분석에서는 치료기간이 길어질수록 재발 위험이 커지는 경향을 보였으나, 나이 및 병기, 종양의 크기, MD-BED $Gy_{10}$ 등의 예후 인자를 보정한 다변량분석에서는 치료기간이 100일 이상인 경우에만 통계적으로 유의하게 증가하였다. 강내근접치료 분할선량 크기인 3 Gy와 5 Gy 사이에 골반제어율 및 합병증의 차이는 없었다. 결론: 자궁경부암의 최적방사선치료 스케줄에 대한 지침을 세우기 어렵게 만드는 가장 중요한 이유는 강내근접치료가 갖는 선량분포 특성에서 기인하는 방사선선량-골반제어율 상관 관계의 부재 및 개별 종양의 방사선에 대한 반응 속도가 환자마다 크게 다를 수 있다는 점이다. 따라서 전체적인 원칙과 함께 개인화된 맞춤치료가 필요하다. 치료 지침에 영향을 미칠 수 있는 요소들의 복합적인 고려도 중요하다고 할 수 있겠다. 합병증 발생이 우려되는 경우 생물학적 유효선량을 낮추기 위해 적절한 조기 중앙차폐 및 강내근접치료의 분할선량 크기 감소를 고려해볼 수 있다.

• 한국작물학회지
• /
• 제34권s02호
• /
• pp.45-65
• /
• 1989

우리나라는 지형과 기후가 복잡다양한 데다가 하절기에는 필리핀 남양군도로부터 상습적으로 불어오는 태풍의 진로권내에 위치해 있고 년간 강우량의 대부분이 벼 재배기인 하절기에 집중적으로 내리는 관계로 이때 강우와 강풍이 단독 또는 동반하여 갖가지 풍수해양상을 일으킨다. 풍해는 조풍해, 건조풍해 및 강풍해로 구분하여 볼 때 조풍해(염풍해)는 1986년 8월 28~29일 태품 Vera호 내습시 남부 해안지방 일대에서는 강우가 그치면서 염분을 함유한 초속 6m정도의 강풍이 불어 해안으로부터 2.5km까지 도체 조기에 염분을 건물당 1.1~17.2mg 부착시켜 심한 조풍해를 일으켰다. 그리고 건조풍해는 '87년 이래로 내습한 대부분의 태풍들이 4.0~8.5m의 태풍이 남부 및 동해안에 불어 Foenhn 현상으로 건조풍이 되고 이때 출수기에 처한 벼 이삭은 심한 백수피해와 변색위피해를 받았다. 태풍해로서는 풀수기 이전의 벼 생육단계에서 경엽이 기계적으로 절상, 파열, 고사되고, 등숙기에는 도복과 탈입이 심하게 된다. 풍해경감은 태품 내습을 회피하도록 8월 15일까지 출수시키고 풍해저항성이 비교적 강한 상풍벼와 청청벼 재배가 효과적이다. 한편 수해로서는 농경지 유시, 이몰, 침관수 및 도복 등을 들 수 있으나 각종 Dam, 제방축조, 하구언공사 등으로 피해는 많이 줄었지만 국지적 집중호우나 강변유역 제방내의 내수로 인한 침관수나 도복피해는 상습적으로 일어난다. 핌관수해는 태풍과 다우가 주로 8월 말경에 내습하여 2~4일 정도 도체가 관수된다. 이따 남부 특수만식답의 벼생육단계는 생육초중기에 해당되므로 어린 생육단게일수록 피해가 크고 보통식세어는 생식생장기에 해당되므로 유수나 팬이삭은 불념이 되더라도 죽은 이삭을 갖는 경의 상위절로부터 재생경이 나와 정상이삭으로 되어 수량 감소가 가장 튼 감수분열기 피해에서도 66%의 수량보상력을 갖게 된다. 침관수피해 경감을 위해서는 사전적 조처로서 관수저항성 및 백엽고, 벼멸구, 도복저항성을 갖는 품종을 선택 재배하는 것이 효과적이다. 특히 통일형 품종은 일본형 품종에 비하여 관수시 모든 생육단게에서 관수저항성이 강한데 묘생존율이 높고, 엽신과 엽초의 이상신장력이 낮아 퇴수시 기술적 장해가 적으며 생식생장기에는 근활력, 광합성능력이 높아 피해회복이 빠르고 고위절분얼이삭에 의한 수량보상력이 높다. 이상을 종합하여 볼 때 풍수해를 최소화하기 위해서는 다음과 같은 연구가 금후 이루어져야 할 것이다. \circled1 기상예보, 풍수해 피해실태 및 그로 인한 작황 등의 원격탐사 및 전산화에 의한 분석 연구가 이루어져야 하고, \circled2 품수해와 관련된 불량환경에서 내성을 갖는 품종 육성 보급이 이루어져야 하고, \circled3 품수해 발생상습지에서는 벼 피해를 보상할 수 있는 타작물과의 함리적 작부체계 개선 연구가 이루어져야 하고, \circled4 피해도체의 활용도 증진 연구가 이루어져야 할 것이다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.