본 논문은 X선 이미징 시스템의 몬테카를로 시뮬레이션에서 음극-양극 효과(anode heel effect)를 정확하게 모델링하기 위한 머신러닝 기반 프레임워크를 개발합니다. 다양한 관전압에서 획득한 빔 측정값으로부터 얻은 실험적 가중치를 사용하여 양극-음극 축을 따라 공간적 강도 변화를 예측하는 다중 회귀 모델을 학습시켰습니다. 이 가중치는 양극-음극 효과에 의해 발생하는 비대칭성을 포착합니다. 모델 정확도를 유지하면서 필요한 측정 수를 최소화하기 위한 체계적인 미세 조정 프로토콜을 확립했습니다. OpenGATE 10과 GGEMS 몬테카를로 툴킷에 모델을 구현하여 통합 가능성과 예측 성능을 평가했습니다. 테스트된 모델 중에서 Gradient Boosting Regression (GBR)이 가장 높은 정확도를 보였으며, 모든 에너지 레벨에서 예측 오차가 5% 미만이었습니다. 최적화된 미세 조정 전략은 에너지 레벨당 6개의 검출기 위치만 필요로 하여 측정 노력을 65% 줄였습니다. 이 미세 조정 과정에서 발생하는 최대 오차는 2% 미만이었습니다. 몬테카를로 시뮬레이션 내에서의 선량 요인 비교는 GBR 기반 모델이 임상 빔 프로파일을 정확하게 복제하고 기존의 대칭 빔 모델보다 성능이 훨씬 뛰어남을 보여주었습니다. 이 연구는 머신러닝을 사용하여 몬테카를로 시뮬레이션에 양극-음극 효과를 통합하는 강력하고 일반화 가능한 방법을 제시합니다. 제한된 보정 데이터를 사용하여 정확하고 에너지 의존적인 빔 모델링을 가능하게 함으로써 임상 선량측정, 영상 품질 평가 및 방사선 방호 분야의 응용 프로그램에 대한 시뮬레이션 현실성을 향상시킵니다.
시사점, 한계점
•
시사점:
◦
제한된 측정 데이터로 정확한 빔 모델링을 가능하게 하여 몬테카를로 시뮬레이션의 현실성을 높임.
◦
GBR 모델을 사용하여 임상 빔 프로파일을 정확하게 재현.
◦
기존 대칭 빔 모델보다 향상된 정확도를 제공.
◦
임상 선량측정, 영상 품질 평가, 방사선 방호 등 다양한 응용 분야에 활용 가능.
◦
효율적인 미세 조정 전략을 통해 측정 노력을 크게 감소.
•
한계점:
◦
본 연구에서 사용된 모델은 특정 X선 시스템에 특화되어 있을 수 있으며, 다른 시스템에 대한 일반화 가능성을 추가적으로 검증해야 함.
