💎VVIP Kolkata Call Girls Parganas🩱7001035870🩱Independent Girl ( Ac Rooms Avai...
Prediction of patient respiratory signal using deep learning model: LSTM
1. Prediction of patient respiratory signal using
deep learning model (LSTM) :
Comparison deep learning model with machine learning model
Wonjoong Cheon1), Sang Hoon Jung2), Moonhee Lee1), Jinhyeop Lee1),
Heechul Park1), Youngyih Han2)*
1) Department of Health Sciences and Technology, SAIHST, Sungkyunkwan University, Seoul, 06351, Korea.
2) Department of Radiation Oncology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, 06351, Korea.
1
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
2. Contents
• Purpose: Comparative evaluation of respiratory signal prediction accuracy among AI model
• Introduction
• Why is respiratory signal prediction important?
• What is difference between machine learning and deep learning?
• Materials and Methods
• Real-time position management (RPM)
• Decision Tree vs Multilayer perceptron vs Long-short term memory
• Result
• Conclusion & Discussion
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
3. Introduction:
• Intra-fraction motion can be caused by the respiratory, skeletal muscular,
cardiac, and gastrointestinal systems.
• Internal target volume (ITV) or gated radiotherapy are common treatment
method of radiation therapy that consider patient’s respiration.
• BUT, Real-Time tumoR Tracking (RTRT) is the state-of-art technique for
moving tumor treatment in the field of radiotherapy. (FIG .2)
• Prediction of the respiratory signal pattern is indispensable for dose
delivery to the tumor in RTRT.
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
FIG 2. Real-time tumor tracking (RTRT)
FIG 1. Changes in internal organs due to
patient's respiration
https://www.youtube.com/watch?v=LhhhLE_8nhY
FIG 3. Respiratory breathing signal
4. Introduction: Conventional methods
• To predict the target position associated with the respiratory motion, a number of mathematical models were
developed by other investigators
• Autoregressive integrated moving average (ARIMA) model (Khashei et al 2011, Babu et al 2014)
• ARIMA model basically assumed that the relationship between prior- and future-respiratory signals was linear and
fitted using a linear function.
• Kalman filtering method
• Requires establishing a state equation and an observation equation first. However, initial parameters in these
equations were difficult to determine
• Artificial neural network (AI) (Yan et al 2006a, 2006b, Seregni et al 2013)
• Provided effective prediction for both linear and non-linear respiratory signals (Tsai and Li 2008).
• However, define the hyper-parameters were difficult to determine
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
So, we conducted a performance evaluation between the AI methods known to be effective prediction performance.
5. What is difference
between machine learning and deep learning
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
6. What is difference
between machine learning and deep learning
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
7. Materials and Methods
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
Wonjoong Cheon1), Sang Hoon Jung2), Moonhee Lee1), Jinhyeop Lee1),
Heechul Park1), Youngyih Han2)*
8. Materials and Methods: RPM data
• Data acquisition
• The respiratory signal was obtained RPM system
(Varian Medical System, Palo Alto, CA)
• RPM system comprise infrared tracking camera and infrared reflective
(IR) markers.
• The RPM system could record the patient respiratory patterns with a sampling
rate of 30 Hz
• The cube phantom with IR-markers attached is placed on patient abdomen.
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
9. Materials and Methods
:Preprocessing for learning
• Normalization (0, 1), [ Normalized signal ]
• Smoothing (S-G filter), [ Original signal ], [Filtered signal ]
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
22. Conclusion
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
Wonjoong Cheon1), Sang Hoon Jung2), Moonhee Lee1), Jinhyeop Lee1),
Heechul Park1), Youngyih Han2)*
23. Conclusion & Discussion
• In the condition that the number of parameters of the AI models are the same, both the problem
of predicting Point and the problem of predicting continuous time show the highest CORR and the
lowest RMSE of LSTM.
• In conclusion, it can be seen that the LSTM exhibits excellent performance in the time-series
data prediction
• In this study, we performed the prediction of respiratory data obtained by external surrogator
of patient. Further studies are underway to predict the internal target motion synchronized with
the external surrogate data to improve the accuracy and stability of the RTRT.
• In the prediction study, the time required for the prediction is also important in order to be
applied to the actual clinical situation. In the case of the LSTM, a time delay of 0.02 sec occurs in
the calculation process.
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
24. Thank you for your
attention.
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
Wonjoong Cheon1), Sang Hoon Jung2), Moonhee Lee1), Jinhyeop Lee1),
Heechul Park1), Youngyih Han2)*
25. 제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
Wonjoong Cheon1), Sang Hoon Jung2), Moonhee Lee1), Jinhyeop Lee1),
Heechul Park1), Youngyih Han2)*
Back-up slide
26. Comparison among models Per patients:
prediction after 1.0 second
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
-0.7
-0.5
-0.3
-0.1
0.1
0.3
0.5
0.7
0.9
1.1
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
121
126
131
136
141
146
151
156
161
166
171
176
181
186
191
196
201
206
211
216
221
226
231
236
241
246
251
256
261
266
271
276
281
286
291
296
Prediction of patient repiratory signal (after 1000 ms )
Decision Tree Multi-layer perceptron Long-Short term memory
[patient idx]
28. What is Decision Tree (DT)
• text
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
29. Conclusion & Discussion
• AI model들의 파라미터 수를 동일하게 맞춘 조건에서 Point를 예측하는
문제와 연속적인 시간을 예측하는 문제에서 모두 LSTM 가장 높은 CORR
과 가장 낮은 RMSE를 보였다.
• 앞, 뒤 신호간의 관계가 성립될 수 있는 시계열 데이터 예측에 LSTM이 뛰
어난 성능을 보이는 것을 알 수 있다.
• 본 연구에서는 환자의 external surrogator로 획득한 호흡데이터의 예측을
수행하였지만, external surrogate 데이터와 동기화된 internal target
motion 데이터를 토대로 internal target motio을 예측해 RTRT의 정확성
및 안정성을 향상 시킬 수 있는 후속연구를 진행중이다.
• LSTM의 경우 연산과정에서 0.02 sec 의 time delay가 발생한다.
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
30. What is Multi-Layer Perceptron (MLP)
• text
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
31. What is Long-short term memory (LSTM)
• text
제 56회 한국의학물리학회 춘계학술대회 (2018.04.14) @ 제주 켄싱턴 리조트 서귀
FC
Structure of learning frame
Editor's Notes
-안녕하십니까, 성균관대학교 한영이교수님 연구실 소속 박사과정 천원중입니다.
-여러 회원분들 앞에서 Oral presentation을 하게 되어서 영광으로 생각합니다.
-오늘 발표 할 주제는 딥러닝을 이용한 환자호흡신호 예측에 대한 발표입니다.
발표를 시작하도록 하겠습니다.
-오늘 발표의 순서입니다.
-호흡신호를 예측하기 위한 머신러닝 모델과 딥러닝모델의 상대적인 성능평가에 대한 발표입니다.
-발표는 Introduction을 시작으로 Conclusion, Discussion 순으로 발표를 진행하도록 하겠습니다.
-치료를 하는 도중 Intra-fraction motion은 respiratory, skeletal muscular, cardiac 그리고 gestro-intestinal system에 의해서 발생하게 됩니다.
- 오른쪽 상단에 표시 된 1번 그림의 파란색 영역은 환자의 호흡에 의한 내부장기의 변화를 나타내고 있습니다.
-환자의 호흡을 고려하여 target volume 에 dose conformit를 유지하기 위해서 현재 일반적으로 ITV 또는 gated radiotherapy로 치료를 하게 됩니다.
-Real-time tumor tracking (RTRT) 는 움직이는 target을 고려하는 최신치료기술이라고 할 수 있습니다.
-환자의 호흡을 예측하는 연구는 RTRT로 치료를 수행하기 위해서 그리고 더 진보 된 RTRT를 준비하기 위해서 반드시 필요한 연구입니다.
-기존의 환자호흡을 예측하는 방법에 대해서 간략하게 소개를 드리도록 하겠습니다.
ARIMA 방법은 환자의 호흡 신호간의 linear 한 관계가 있다고 가정하고 이후 호흡신호를 예측하는 방법입니다.
간단히 수행 할 수 있는 방법이지만, 신호 간 linear한 관계가 다소 부족한 부분에서는 부정확한 예측을 하게 될 확률이 높은 방법입니다.
Kalman filtering method는 현재 상태에 대한 equation 그리고 예측을 담당하는 equation을 세우게 되는데, equatio의 initial parameter를 결정하는 과정이 매우 까다로운 방법입니다.
AI를 이용한 방법의 경우에는 linear와 non-linear 한 관계를 고려하여 효과적인 호흡신호를 예측 할 수 있습니다.
하지만 AI 또한 model의 선택과 parameter에 의존적으로 성능이 결정되기 때문에 이를 결정하는 일은 RTRT를 성공적으로 수행하고 높은 안정을 유지하기 위해서 꼭 필요한 연구입니다.
그래서 저희는 예측 model을 선택하기 위해서 AI 방법들의 파라미터 수를 유사하게 고정하고
각 model들의 상대적인 성능평가를 진행하였습니다.
-최근 딥러닝이 각 연구 및 산업분야에 적용되면서 AI, Machine learning, Deep learning 이라는 형태로 불리어 지고 있습니다.
-그들간의 관계를 벤다이어그램으로 나타낼 수 있는데,
-예를 들어, deep learning 기술이면서 Machine learning인 기술도 존재하며, deep learning 분야로만 취급 될 수 있는 기술들도 존재합니다.
-오늘 성능평가는 Machine learning 기술로 취급 될 수 있는 Decision Tree,
딥러닝의 겨울에 의해 잠시 멈췄지만, 지금은 효과적으로 동작하고 있는 Multilayer perceptron,
Deep learning 기술로 취급 될 수 있는 Long-short term memory (LSTM) 간의 성능평가를 진행하였습니다.
-Material and Method 입니다.
-환자의 호흡데이터를 예측하기 위해서 4-D CT를 찍을 때 함께 측정되었던 RPM 데이터를 사용하였습니다.
-RPM devic의 경우에는 infrared tracking camer이며, 추적대상으로는 infrared-reflective 마커를 사용합니다.
-즉, RPM devic는 IR마커를 30 Hz 로 측정을 하는 장비입니다.
-RPM의 경우에는 호흡신호를 상대적인 크기로 측정하기 때문에, 그 데이터 값은 환자마다 상이한 크기를 갖게 됩니다.
-학습을 원활하게 진행하기 위해서 0과 1 사이로 normalization을 수행하였고,
-다차원 함수에 기반한 filter인 savgol, SG, 필터를 이용하여 측정과정에서 일어 날 수 있는 noise를 제거 하였습니다.
-앞서 말씀드린 Noise fileter는 Training set 과 Test set 모두에 적용하는 것은 아닙니다.
-붉은색으로 그려진 신호가 training set , 파란색으로 그려진 신호가 test set인데,
-학습에 사용되는 Training set에 한정하여 적용하였습니다. 그 이유는…..
그 이유는…
실시간으로 들어오는 RPM data에 적용을 하게 되면 time-delay가 유발되기 때문이며,
Noise가 들어있는 신호에 대해서 노이즈가 없는 예측신호로 예측 할 수 있는 model을 학습하기 위함입니다.
이제 학습을 위한 input과 output에 대해서 말씀드리도록 하겠습니다.
약 1초 정도의 노란색 입력신호를 통해서,
0.5초 후, 0.6 초후 0.7초 0.8초 0.9초 1.0초 의 특정 시점에서의 호흡신호를 예측하였습니다.
그리고 앞서 언급한 prediction method 와 2017년 말에 Medical physics 에 나온 호흡예측 모델에 대한 연구들은 특정 포인트를 예측하지만,
본 연구에서는 이후 특정시점을 예측하는 것과 더불어, 0.5 초부터 1.0초 후까지 연속적인 구간을 예측하는 연구를 수행하였습니다. 그 부분은 붉은색 나타나 있습니다.
-준비된 input과 output을 공통적으로 사용하고, 파라미터수를 맞춰 각 모델들을 비교평가 하였습니다.
-Decision Tree의 경우는 학습방법이 나머지 두 모델과 상이합니다.
-보고계신 Tree는 너무나도 유명한 타이타닉 생존자들의 생존율을 예측하는 Tree입니다.
트리를 읽어보면, 성별을 첫번째 feature로 node를 구성하였고 남성이 아니면 survived 그리고 , 남성이지만 9.5 세 이하면 생존확율이 더 높게 됩니다.
이 featur들을 선정하고 구분하게 되는 원리는 데이터들의 purit를 계산하여 결정하게 됩니다. 주어진데이터들의 purit를 높이는 방향으로 partitioning 분기를 하게 됩니다.
Multi-layer perceptron과 Long-short term memory 경우에는 데이터를 순방향으로 흘려보내 Error를 계산하고 Error를 줄일 수 있는 목적함수를 최소화하는 back-propagation 방법을 통해 model을 학습하게 됩니다.
결과에 대해 말씀드리도록 하겠습니다.
-비교평가를 하는 세가지의 모델은 앞서 말씀드린대로 기본형 및 paprameter의 수를 동일하게 맞추고 평가하였습니다.
-예측신호와 정답신호간의 Correlation은 LSTM이 가장 높게, 그리고 RMSE 의 경우에는 LSTM의 가장 낮게 나왔습니다.
즉 기본형 모델을 사용했을 때, LSTM이 시계열 데이터의 예측에 가장 높은 성능을 나타내는것으로 확인되었습니다.
-Input 신호를 통해 0.5초 후를 예측한 결과를 환자 case별로 나타내 보았습니다.
-아래쪽에 위치한 bar-plot은 RMSE
-위쪽에 위치한 line-plot은 Correlation을 의미합니다.
-초록색으로 표시한 LSTM-Corrleation이 가장 높게 나타나고 있는 것을 알 수 있고, 초록색의 RMSE bar-plot이 가장 낮게 분포하는 것을 알 수 있습니다.
Contineuous time sequence 를 예측한 결과입니다.
Sequence를 예측한 모델의 정확성 또한 LSTM 기본 모델이 가장 우수하다는 점을 알 수 있습니다.
결론적으로 발표를 통해 전달하고 싶은 결과는 시계열데이터인 호흡신호를 예측할 때, AI method들 중, LSTM을 사용하거나, LSTM을 기본 골격으로하는 네트워크를 선택하는것이 우수한 예측성능을 보인다는 것입니다.
-
LSTM의 parameter 수를 증가시킨 결과를 보여드리도록 하겠습니다.
좌측에 위치한 Irregular patter을 보시면 amplitude 변형이나 호흡데이터 호흡 patter이 변경되더라도 효과적으로 추적하는것 을 시각적으로 확인 할 수 있습니다.
또한 Regular pattern에서 주기가 다른 환자들을 호흡신호를 하나의 네트워크가 효과적으로 예측하고 있음을 확인할 수 있습니다.
본 결과는 LSTM으로 0.5초의 연속적인 호흡신호를 예측한 결과입니다.
검정색은 input , 파랑색은 prediction, 붉은색은 True value입니다.
결론입니다.
- AI model들의 파라미터 수를 동일하게 맞춘 조건에서 Point를 예측하는 문제와 연속적인 시간을 예측하는 문제에서 모두 LSTM 가장 높은 CORR과 가장 낮은 RMSE를 보였습니다.
결론적으로, 신호간의 상관 관계가 성립될 수 있는 시계열 데이터 예측에 LSTM이 뛰어난 성능을 보이는 것을 알 수 있습니다.
본 연구에서는 환자의 external surrogator 에 의해 얻어진 호흡 데이터의 예측을 수행 하였습니다. RTRT의 정확성과 안정성을 향상시키기 위해 external surrogator 와 동기화 된 internal target motion 을 예측하는 추가 연구가 진행 중입니다.
예측을 하는 연구에서는 예측을 위해 소요되는 시간 또한 실제 임상에 적용되기 위해서는 중요한 측면인데, LSTM의 경우 연산과정에서 0.02 sec 의 time delay가 발생한다.
1초후를 예측한 결과를 보면 전반적으로 Corrleation은 낮아지고, RMSE이 높아지는 결과를 보이지만,
LSTM의 예측 정확도가 가장 높다는 것을 알 수 있습니다.