FluenceFormer: Transformer-Driven Multi-Beam Fluence Map Regression for Radiotherapy Planning

본 논문은 방사선 치료 계획에서 장기 의존성을 효과적으로 포착하고 물리적으로 타당한 조도 맵을 생성하기 위해, 두 단계 설계와 물리 기반 손실 함수를 통합한 트랜스포머 기반 프레임워크인 FluenceFormer 를 제안하고, 전립선 IMRT 데이터셋에서 기존 CNN 및 단일 단계 방법보다 우수한 성능을 입증했습니다.

핵심

🏥 배경: 암 치료는 '정교한 조명 설계'와 같습니다

방사선 치료는 암 세포를 태우되, 주변 건강한 장기는 보호해야 하는 아주 까다로운 작업입니다. 마치 어두운 방에서 특정 물체 (암) 만을 밝게 비추되, 벽이나 다른 사물 (건강한 장기) 은 그림자에 남겨두는 것과 비슷합니다.

이를 위해 의사는 여러 방향에서 빛 (방사선) 을 쏘는데, 각 방향의 빛 세기를 조절하는 '빔 지도 (Fluence Map)'를 만들어야 합니다.

• 기존 방식: 이 지도를 만드는 과정이 매우 복잡하고 시간이 오래 걸려, 숙련된 전문가가 수시간씩 고민해야 했습니다.
• 기존 AI 의 문제: 과거의 AI 들은 이 지도를 만들 때, 장거리의 관계 (전체적인 구조) 를 잘 파악하지 못해 빛이 엉뚱한 곳에 쏟아지거나, 기계가 실제로 쏘기 힘든 이상한 패턴을 만들어내곤 했습니다.

---

💡 해결책: FluenceFormer (플루엔스 포머)

이 연구팀은 **'변환기 (Transformer)'**라는 최신 AI 기술을 활용해, 이 문제를 해결했습니다. 이 모델의 핵심 아이디어는 **"한 번에 다 하려고 하지 말고, 두 단계로 나누어 생각하자"**는 것입니다.

1 단계: "어떤 그림자가 만들어져야 할까?" (도스 예측)

먼저 AI 는 환자의 CT 스캔을 보고 **"어디에 얼마나 강한 빛이 모여야 암이 사라지고 장기는 안전할까?"**라는 **전체적인 그림자 (선량 분포)**를 먼저 그립니다.

• 비유: 건축가가 건물을 짓기 전에, "이 방은 밝게, 저 방은 어둡게"라는 대략적인 설계도를 먼저 그리는 것과 같습니다.

2 단계: "그 그림자를 어떻게 만들까?" (빔 지도 생성)

이제 AI 는 그 설계도를 바탕으로, **"어떤 각도에서, 어떤 모양의 빛을 쏘면 그 설계도가 완성될까?"**를 계산합니다. 이때 빔의 방향 (기하학적 정보) 을 명확하게 입력해 줍니다.

• 비유: 이제 설계도를 보고, "왼쪽 창문은 커튼을 조금 열고, 오른쪽은 완전히 닫아야 해"라고 구체적인 조명 조절 명령을 내리는 단계입니다.

이렇게 두 단계로 나누어 생각함으로써, AI 는 복잡한 기하학적 문제를 훨씬 더 명확하게 풀 수 있게 되었습니다.

---

🛡️ 핵심 기술: "물리 법칙을 지키는 교정" (FAR 손실 함수)

AI 가 그림을 그릴 때, 단순히 "비슷하게 그리라"고만 하면 실제 기계로 쏘기 힘든 엉뚱한 그림이 나올 수 있습니다. 그래서 연구팀은 물리 법칙을 AI 의 학습 규칙 (손실 함수) 에 직접 넣었습니다.

이를 **'물리-aware (물리 인식) 학습'**이라고 합니다.

1. 부드러움: 빛의 세기가 갑자기 튀지 않고 부드럽게 이어져야 합니다. (기계 부품이 급격히 움직일 수 없기 때문)
2. 에너지 보존: 쏘는 빛의 총량은 처방된 양과 정확히 일치해야 합니다. (너무 적으면 암을 못 죽이고, 너무 많으면 장기를 다칩니다.)
3. 구조적 일치: 빛이 퍼지는 모양이 실제 치료 계획과 똑같아야 합니다.

이 규칙들을 AI 에게 가르친 결과, 기존 AI 들이 20% 이상 틀리던 에너지 오차를 4.5% 수준으로 획기적으로 줄였습니다.

---

🏆 결과: 왜 이 기술이 특별한가요?

1. 누구나 쓸 수 있는 기술 (Backbone-agnostic): 이 모델은 특정 AI 구조에 의존하지 않습니다. 마치 레고 블록처럼, 어떤 종류의 AI 엔진 (Swin UNETR 등) 을 넣어도 잘 작동합니다. 실험 결과, Swin UNETR을 썼을 때 가장 좋은 성능을 냈습니다.
2. 현실적인 치료 계획: AI 가 만든 빛 지도를 실제 치료 기계에 넣었을 때, 의사가 직접 만든 계획과 거의 똑같은 치료 효과를 냈습니다. (3D 감마 분석 통과율 92% 이상)
3. 속도: 한 환자의 치료 계획을 만드는 데 0.55 초밖에 걸리지 않습니다. 의사가 몇 시간 걸리던 일을 AI 가 순식간에 해낸 것입니다.

📝 한 줄 요약

"FluenceFormer 는 암 치료용 빛을 쏘는 AI 입니다. 이 AI 는 '먼저 전체 그림자를 그리고, 그다음 구체적인 빛 조절을 한다'는 두 단계 방식으로, 물리 법칙을 엄격하게 지켜가며 의사보다 빠르고 정확하게 치료 계획을 세워줍니다."

이 기술은 앞으로 암 치료의 표준이 되어, 환자들이 더 빠르고 안전한 치료를 받을 수 있게 도와줄 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 강도 변조 방사선 치료 (IMRT) 에서 종양 coverage 와 위험 장기 (OAR) 보호 사이의 균형을 맞추는 것은 다중 빔의 선량 분포 (Fluence Map) 를 최적화하는 것을 통해 이루어집니다. 기존에는 역계획 (Inverse Planning) 최적화 알고리즘을 사용했으나, 이는 시간이 많이 소요됩니다.
• 문제점:
  • 잘못된 역문제 (Ill-posed Inverse Problem): 특정 체적 해부학적 구조에서 목표 선량 분포를 달성하는 빔 각도와 강도의 조합은 무한히 존재할 수 있어, 해부학에서 직접 선량 맵을 예측하는 것은 모호성이 큽니다.
  • CNN 의 한계: 기존 연구에서 주로 사용된 합성곱 신경망 (CNN) 은 수용 영역 (Receptive Field) 이 제한되어 장기적인 해부학적 의존성과 전역적인 빔 간 상관관계를 포착하는 데 어려움을 겪습니다. 이로 인해 구조적으로 일관성이 없거나 물리적으로 실현 불가능한 계획이 생성될 수 있습니다.
  • 물리적 제약 부재: 단순한 픽셀 단위 회귀 (Regression) 는 선량 강도의 물리적 보존 (에너지 보존) 이나 MLC(다엽 콜리메이터) 의 기계적 이동 제한 (매끄러운 기울기) 을 고려하지 못해 임상적으로 전달 불가능한 결과를 초래할 수 있습니다.

2. 제안된 방법론: FluenceFormer (Methodology)

저자들은 FluenceFormer라는 백본 (Backbone) 에 무관한 (Backbone-agnostic) 트랜스포머 기반 프레임워크를 제안했습니다. 이는 임상 워크플로우를 모방한 2 단계 (Two-Stage) 구조를 채택합니다.

2.1. 2 단계 아키텍처

1. Stage 1: 선량 회귀 (Dose Regression)

   • 입력: CT 이미지와 해부학적 윤곽 (Contours).
   • 목표: 해부학적 입력으로부터 전역적인 선량 분포 (Dose Prior) 를 예측합니다.
   • 의의: 이 단계에서 예측된 선량 맵은 구조적 사전 지식 (Structural Prior) 으로 작용하여, Stage 2 에서 빔의 방향성 모호성을 해결하는 데 기여합니다.
   • 헤드: 시그모이드 대신 ReLU 활성화 함수를 사용하여 물리적 선량 값 (무제한 범위) 을 직접 예측하도록 설계되었습니다.

2. Stage 2: 기하학적 조건부 선량 맵 회귀 (Geometry-Conditioned Fluence Regression)

   • 입력: Stage 1 에서 예측된 선량 맵 + 명시적인 빔 기하학 정보 (빔의 각도 $\theta$에 대한 $\sin\theta, \cos\theta$ 맵).
   • 목표: 선량 사전 지식과 빔 방향 정보를 결합하여 각 빔에 특화된 Fluence Map을 회귀합니다.
   • 특징: 해부학적 정보를 재처리하지 않고, 선량 맵을 기반으로 빔 방향성을 명시적으로 조건부 (Conditioning) 하여 빔별 선량 맵을 생성합니다.

2.2. 물리 인식 손실 함수: Fluence-Aware Regression (FAR) Loss

임상적 전달 가능성 (Deliverability) 을 보장하기 위해 4 가지 구성 요소를 통합한 새로운 손실 함수를 제안했습니다.
$$L_{FAR} = \alpha L_{MSE} + \beta L_{Grad} + \gamma L_{Corr} + \delta L_{Energy}$$

• Pixel Fidelity ($L_{MSE}$): 픽셀 수준의 강도 정확도 보장.
• Gradient Smoothness ($L_{Grad}$): MLC 의 기계적 이동 제한을 반영하여 공간적으로 매끄러운 선량 변조를 강제 (고주파수 스파이크 방지).
• Correlation Consistency ($L_{Corr}$): 피어슨 상관관계를 최대화하여 절대적 스케일과 무관하게 예측된 변조 패턴의 구조적 유사성을 보장.
• Energy Conservation ($L_{Energy}$): 예측된 총 광자 플럭스 (Monitor Units, MU) 가 처방된 선량과 일치하도록 강제하여 물리적 에너지 보존을 준수합니다.

2.3. 백본 아키텍처

이 프레임워크는 다양한 트랜스포머 백본 (UNETR, Swin UNETR, nnFormer, MedFormer) 과 호환되도록 설계되었습니다.

3. 주요 기여 (Key Contributions)

1. 두 단계 트랜스포머 프레임워크: 해부학에서 직접 빔 파라미터를 예측하는 모호성을 해결하기 위해, 중간 선량 분포 (Dose Prior) 를 거치는 계층적 2 단계 구조를 도입했습니다.
2. 물리 인식 손실 함수 (FAR Loss): 단순한 픽셀 오차 최소화를 넘어, 기울기 매끄러움, 구조적 일관성, 그리고 에너지 보존 (Monitor Unit 일관성) 을 통합한 물리 기반 손실 함수를 개발했습니다.
3. 백본 무관성 (Backbone-Agnostic): UNETR, Swin UNETR, nnFormer, MedFormer 등 4 가지 주요 트랜스포머 아키텍처에서 일관된 성능 향상을 입증하여, 제안된 방법론이 특정 모델에 의존하지 않음을 보였습니다.
4. 명시적 기하학적 조건부: 빔 각도 정보를 sin/cos 맵으로 인코딩하여 네트워크에 명시적으로 주입함으로써 방향성 모호성을 해결했습니다.

4. 실험 결과 (Results)

• 데이터셋: 99 명의 전립선 암 환자 (IMRT, 9 빔) 데이터를 사용했습니다.
• 성능 비교:
  • Swin UNETR 기반 FluenceFormer가 모든 평가 모델 중 가장 우수한 성능을 보였습니다.
  • 에너지 오차 (Energy Error): 기존 CNN 및 단일 단계 트랜스포머 방법론 (약 7~8%) 대비 4.5% (Swin UNETR + FAR) 로 크게 감소했습니다.
  • 구조적 유사성 (SSIM): 통계적으로 유의미한 향상 (p < 0.05) 을 보였으며 (0.70 vs 0.67), 기존 시그모이드 기반 분할 방식은 20% 이상의 에너지 오차를 보이며 고강도 영역에서 포화 현상이 발생했습니다.
• Ablation Study:
  • 2 단계 구조의 중요성: 중간 선량 예측 단계를 제거한 단일 단계 모델은 성능이 현저히 저하되었습니다.
  • 손실 함수의 효과: FAR Loss (특히 에너지 및 기울기 항) 를 적용했을 때 모든 백본에서 성능이 유의미하게 향상되었습니다.
  • 기하학적 인코딩: sin/cos 맵을 통한 명시적 조건부가 빔 방향성 해석에 필수적이었습니다.
• 임상적 유효성 평가:
  • 예측된 선량 맵을 Eclipse TPS(치료 계획 시스템) 에 입력하여 재계산한 선량 분포는 임상 계획과 매우 유사한 DVH(용량 - 부피 히스토그램) 를 보였습니다.
  • 3D Gamma 분석 (3%/3mm): Swin UNETR 기준 92% 의 높은 통과율을 기록하여 임상적으로 전달 가능한 치료 계획임을 입증했습니다.
  • 추론 시간: 환자당 약 0.55 초로 임상 적용에 충분한 속도를 가집니다.

5. 의의 및 결론 (Significance)

• 임상적 가치: FluenceFormer는 방사선 치료 계획 시간을 단축하고 재현성을 높이며, 임상 품질을 표준화할 수 있는 잠재력을 제공합니다.
• 물리 - AI 융합: 단순한 데이터 기반 회귀를 넘어, 물리 법칙 (에너지 보존, 기계적 제약) 을 손실 함수와 아키텍처에 통합함으로써 "물리적으로 실현 가능한" AI 모델을 구축하는 새로운 패러다임을 제시했습니다.
• 트랜스포머의 의료 영상 적용: CNN 의 한계를 극복하고, 장기적 의존성과 전역적 컨텍스트를 포착하는 트랜스포머 아키텍처가 방사선 치료 계획 (Fluence Map 예측) 에 효과적임을 입증했습니다.

결론적으로, FluenceFormer는 해부학적 모호성을 해결하기 위한 중간 선량 사전 지식과 물리 기반의 손실 함수를 결합하여, 방사선 치료 자동화 분야에서 새로운 기준 (SOTA) 을 제시한 연구입니다.