본 논문은 라만 스펙트럼의 생화학적, 형태학적 정보를 수학적, 통계학적으로 모델링하여 질병을 진단하는 방법을 연구하였다. 질병 진단을 위해 사용된 라만 스펙트럼은 전처리, 차원 축소, 분류 과정으로 분석하였다. ...
본 논문은 라만 스펙트럼의 생화학적, 형태학적 정보를 수학적, 통계학적으로 모델링하여 질병을 진단하는 방법을 연구하였다. 질병 진단을 위해 사용된 라만 스펙트럼은 전처리, 차원 축소, 분류 과정으로 분석하였다. 전처리 과정에서 단순 가산 잡음의 제거를 위해 Savitzky-Golay 필터를 사용했으며 배경 잡음은 도함수와 선형계획법을 이용한 방법으로 제거하였다. 또한 가산 잡음과 배경 잡음을 일괄 제거를 위해 스펙트럼을 가우시안 곡선 피팅하고 로컬 최저점을 보간하는 방법을 사용하였다. 차원 축소 과정에서 각 질병에 대하여 생화학적으로 의미가 확인된 영역에서 특징을 추출하는 경우와 PCA(principal components analysis)와 같은 기존의 방법을 이용한 경우의 성능과 비교 분석하였다. 또한 특징 순위 방법과 기준 특징과 상관 계수 방법을 이용하여 특징을 선택하는 방법을 조사하였다. 질병 진단의 종류는 급성 알코올성 간 손상과 만성 에탄올성 간섬유증의 간 질병과 알츠하이머병(Alzheimer’s disease: AD), 파킨슨 병(Parkinson’s disease: PD), 혈관성 인지증(vascular dementia: VD) 등이 있다.
질병에 따라 라만 스펙트럼은 각기 다른 방법을 사용하여 실험하였으며 그 내용은 다음과 같다. 간 질병은 라만 영역에서 변별력이 있는 특징을 추출할 수 있는 방법, AD는 잡음 제거와 기준 특징과의 상관 계수를 이용하여 특징 선택하는 방법, 퇴행성 뇌신경질환인 AD와 PD는 의미 있는 영역에서 피크 크기의 비를 특징으로 사용하는 방법, VD와 퇴행성 뇌신경질환은 부분 영역에서 특징을 추출하는 방법과 특징 추출 이전에 특징 순위 방법으로 실험하였다.
라만 스펙트럼을 이용한 질병 진단의 실험 결과 간 질병의 진단에서는 본 논문에서 제안한 10개의 영역에서의 최대 피크 크기로 구성한 특징 벡터로 급성 알코올성 간 손상과 만성 에탄올성 간섬유증을 의미 있게 분류할 수 있었고 특징 벡터로 사용된 피크 영역이 간 질병 진단에 사용될 수 있는 유효성을 확인하였다. AD 진단에서는 가우시안 모델을 이용한 곡선 피팅으로 배경 잡음을 제거한 실험에서 linear 보간법이 모든 주성분 수에 대하여 약 93.4%, 기준 특징과 상관 계수로 특징 선택하는 실험에서 선택한 두 개의 특징인 1658 cm-1 영역의 피크 크기와 757과 743 cm-1 영역의 피크 비를 사용한 MLP 분류 실험에서 약 95.8 %의 평균분류율을 보임으로써 그 가능성을 확인하였다. 퇴행성 뇌신경질환의 분류에서는 피크의 크기와 그 크기의 비로 구성된 특징을 사용하는 실험을 하여 743과 757 cm-1 영역에서 피크 크기의 비와 1248, 1448 cm-1 영역에서의 피크 크기가 변별력이 있는 특징으로 사용될 수 있음을 확인하였다. VD와 퇴행성 뇌신경질환의 진단에서 725-777, 1504-1592, 1632-1700 cm-1 영역에서 스펙트럼의 차이를 확인하고 을 위해 변별력이 있는 영역에서 특징을 추출하는 방법과 특징 순위 방법으로 특징을 선택하는 방법을 제안하였다. 먼저 선형계획법을 이용하여 배경 잡음을 제거하고 AD, VD, NR를 구별할 수 있는 725-777, 1504-1592, 1632-1700 cm-1 영역에서 스펙트럼의 차이를 확인하고 이 영역에서 PCA와 NMF 방법으로 추출한 특징을 이용한 MAP 분류에서 평균 약 92.8%의 분류율을 보임으로써 제안한 영역이 AD와 VD 진단에 활용될 수 있음을 확인하였다. 마지막으로 특징 순위 방법을 이용하여 주요 특징을 선택하는 실험에서 계산복잡도가 약 90% 개선되고 분류정확도는 부분적으로 향상되었다. 이 결과로부터 특징 순위를 이용한 특징 선택이 AD, PD, VD의 라만 스펙트럼을 이전보다 빠르고 정확하게 분류함으로 진단시스템에 효율적으로 사용될 수 있음을 확인하였다.
결론적으로 본 논문에서 제안한 라만 스펙트럼 분석 방법은 각 질병 모델을 간단하고 정확하게 진단하는 방법임을 확인하였고 이를 통해 향후 병리학적 접근을 용이하게 하고 조기 진단을 가능하게 할 것으로 사료된다.
본 논문은 라만 스펙트럼의 생화학적, 형태학적 정보를 수학적, 통계학적으로 모델링하여 질병을 진단하는 방법을 연구하였다. 질병 진단을 위해 사용된 라만 스펙트럼은 전처리, 차원 축소, 분류 과정으로 분석하였다. 전처리 과정에서 단순 가산 잡음의 제거를 위해 Savitzky-Golay 필터를 사용했으며 배경 잡음은 도함수와 선형계획법을 이용한 방법으로 제거하였다. 또한 가산 잡음과 배경 잡음을 일괄 제거를 위해 스펙트럼을 가우시안 곡선 피팅하고 로컬 최저점을 보간하는 방법을 사용하였다. 차원 축소 과정에서 각 질병에 대하여 생화학적으로 의미가 확인된 영역에서 특징을 추출하는 경우와 PCA(principal components analysis)와 같은 기존의 방법을 이용한 경우의 성능과 비교 분석하였다. 또한 특징 순위 방법과 기준 특징과 상관 계수 방법을 이용하여 특징을 선택하는 방법을 조사하였다. 질병 진단의 종류는 급성 알코올성 간 손상과 만성 에탄올성 간섬유증의 간 질병과 알츠하이머병(Alzheimer’s disease: AD), 파킨슨 병(Parkinson’s disease: PD), 혈관성 인지증(vascular dementia: VD) 등이 있다.
질병에 따라 라만 스펙트럼은 각기 다른 방법을 사용하여 실험하였으며 그 내용은 다음과 같다. 간 질병은 라만 영역에서 변별력이 있는 특징을 추출할 수 있는 방법, AD는 잡음 제거와 기준 특징과의 상관 계수를 이용하여 특징 선택하는 방법, 퇴행성 뇌신경질환인 AD와 PD는 의미 있는 영역에서 피크 크기의 비를 특징으로 사용하는 방법, VD와 퇴행성 뇌신경질환은 부분 영역에서 특징을 추출하는 방법과 특징 추출 이전에 특징 순위 방법으로 실험하였다.
라만 스펙트럼을 이용한 질병 진단의 실험 결과 간 질병의 진단에서는 본 논문에서 제안한 10개의 영역에서의 최대 피크 크기로 구성한 특징 벡터로 급성 알코올성 간 손상과 만성 에탄올성 간섬유증을 의미 있게 분류할 수 있었고 특징 벡터로 사용된 피크 영역이 간 질병 진단에 사용될 수 있는 유효성을 확인하였다. AD 진단에서는 가우시안 모델을 이용한 곡선 피팅으로 배경 잡음을 제거한 실험에서 linear 보간법이 모든 주성분 수에 대하여 약 93.4%, 기준 특징과 상관 계수로 특징 선택하는 실험에서 선택한 두 개의 특징인 1658 cm-1 영역의 피크 크기와 757과 743 cm-1 영역의 피크 비를 사용한 MLP 분류 실험에서 약 95.8 %의 평균분류율을 보임으로써 그 가능성을 확인하였다. 퇴행성 뇌신경질환의 분류에서는 피크의 크기와 그 크기의 비로 구성된 특징을 사용하는 실험을 하여 743과 757 cm-1 영역에서 피크 크기의 비와 1248, 1448 cm-1 영역에서의 피크 크기가 변별력이 있는 특징으로 사용될 수 있음을 확인하였다. VD와 퇴행성 뇌신경질환의 진단에서 725-777, 1504-1592, 1632-1700 cm-1 영역에서 스펙트럼의 차이를 확인하고 을 위해 변별력이 있는 영역에서 특징을 추출하는 방법과 특징 순위 방법으로 특징을 선택하는 방법을 제안하였다. 먼저 선형계획법을 이용하여 배경 잡음을 제거하고 AD, VD, NR를 구별할 수 있는 725-777, 1504-1592, 1632-1700 cm-1 영역에서 스펙트럼의 차이를 확인하고 이 영역에서 PCA와 NMF 방법으로 추출한 특징을 이용한 MAP 분류에서 평균 약 92.8%의 분류율을 보임으로써 제안한 영역이 AD와 VD 진단에 활용될 수 있음을 확인하였다. 마지막으로 특징 순위 방법을 이용하여 주요 특징을 선택하는 실험에서 계산복잡도가 약 90% 개선되고 분류정확도는 부분적으로 향상되었다. 이 결과로부터 특징 순위를 이용한 특징 선택이 AD, PD, VD의 라만 스펙트럼을 이전보다 빠르고 정확하게 분류함으로 진단시스템에 효율적으로 사용될 수 있음을 확인하였다.
결론적으로 본 논문에서 제안한 라만 스펙트럼 분석 방법은 각 질병 모델을 간단하고 정확하게 진단하는 방법임을 확인하였고 이를 통해 향후 병리학적 접근을 용이하게 하고 조기 진단을 가능하게 할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.