하드웨어의 급격한 발달과 방대한 데이터 및 경험의 축적으로 인해 최근 수 년 간 딥러닝 기법이 다양한 분야에 도입되었다. 특히 기존 알고리즘으로는 분석 자체가 어려웠던 영상, 음성, 텍스트 등의 데이터에서 인간 수준의 패턴 인식 능력이 증명되면서 의료 분야에서도 의료영상, 유전체, ...
하드웨어의 급격한 발달과 방대한 데이터 및 경험의 축적으로 인해 최근 수 년 간 딥러닝 기법이 다양한 분야에 도입되었다. 특히 기존 알고리즘으로는 분석 자체가 어려웠던 영상, 음성, 텍스트 등의 데이터에서 인간 수준의 패턴 인식 능력이 증명되면서 의료 분야에서도 의료영상, 유전체, 생체 신호 등의 다양한 데이터에서 질환의 검출부터 진단 및 치료까지 넓은 영역에서 응용될 수 있는 가능성을 보여주었다. 그러나 데이터에 대해 전문 지식이 요구되지 않는 일반적인 분야에서 충분한 데이터와 잘 정의된 지식을 기반으로 연구된 딥러닝 기법들은 의료 분야에 그대로 응용되기에는 여러 어려움이 있다. 의료 영상의 특성이 반영된 데이터 처리 기법들이 요구될 뿐만 아니라, 의료 분야에서는 지도 학습 기반의 딥러닝 모델 학습을 위한 정답을 생성하는데 매우 비싼 비용이 들기 때문에 자연 영상과는 다른 전략이 요구 된다. 또한, 때때로 데이터의 접근성을 고려한 모델 선택이 필요할 수 있으며, 적용 목적에 따라 단순히 정확도가 높은 모델 보다 민감도 또는 특이도가 최대화되는 모델이 요구될 수 있다. 딥러닝 모델은 데이터가 가진 형태 및 정보에 따라 대단히 다양한 형태로 학습 될 수 있다. 입력 데이터에 대한 직접적인 정답을 학습하는 지도 학습 이외에도 비지도 학습을 통해 생산적인 학습이 이루어지거나, 정책을 통해 스스로 학습하는 강화 학습 또한 이루어질 수 있다. 본 연구에서는 다양한 의료 데이터 중 흉부 CT와 X-ray 영상을 기반으로 한 연구에 초점을 맞추었으며, 지도 학습 중에서도 픽셀 단위의 높은 수준의 정보를 학습하는 분할 모델과 영상을 하나의 범주형 값으로 학습하는 분류 모델을 기반으로 세 가지 세부 연구들을 통해 의료 영상에서 딥러닝 모델의 효용성과 개선점을 평가하고자 하였다. 첫 번째 세부 연구에서는 흉부 CT에서 미만성 간질성 폐질환을 가진 환자들의 폐를 분할하기 위해 딥러닝 모델이 적용되었다. 미만성 간질성 폐질환의 세 가지 하위 질환들, 그리고 두 가지 CT 프로토콜에 대하여 전통적인 영상처리알고리즘과 비교하여 정량적인 평가가 수행되었으며, 보수적인 평가를 위해 정량 결과가 가장 낮았던 증례들에 대한 시각적인 평가가 이루어졌다. 정량적 평가에서 딥러닝 모델은 전통적인 영상처리 알고리즘과 비교하여 유의하게 향상된 성능을 보여주었으며, 시각적 평가에서 또한 눈에 띄는 오차를 확인하지 못했고, 주된 수치적 오차는 폐문 영역이나 큰 만성적 폐 경화로 인해 전문가도 그 영역을 정확히 정의하기 어려운 영역에서 발생한 것으로 회고되었다. 두 번째 세부 연구는 흉부 CT에서 폐를 미만성 간질성 폐질환의 전형적인 질환 패턴으로 정량화하기 위해 딥러닝 모델이 사용되었다. 질환 패턴은 6가지로 정의되었으며, 두 명의 경험 있는 영상의학과 의사에 의해 정량화된 소량의 데이터와 이전 연구를 통해 개발된 기존 모델을 이용해 정량화된 대량의 데이터가 딥러닝 분할 모델 학습에 이용되었다. 딥러닝 분할 모델이 기존 모델의 결과를 정답으로 학습했을 때, 기존 모델을 매우 유사하게 재현하는 것을 정량 및 시각적으로 확인하였으며, 패치 단위의 연산으로 매우 긴 시간이 소요되었던 기존 모델과 달리 딥러닝 모델은 전체 영상을 이용한 엔드-투-엔드 방식으로 빠른 연산이 가능했다. 그리고 두 명의 의사에 의해 정량화된 소량의 데이터로 딥러닝 모델을 미조정한 후에는 기존 모델보다 향상되고 두 명의 의사간의 차이와 비교할만한 정량적 결과를 보여주었다. 마지막으로 세 번째 세부 연구에서는 흉부 X-ray에 다섯 가지 전형적인 폐 질환을 위한 컴퓨터 기반 검출 모델을 위해 딥러닝이 적용되었다. 두 개의 병원에서 수집된 데이터를 이용하여 약한 지도 학습이 이루어졌으며, 복잡한 폐 질환 패턴을 보다 잘 학습하기 위한 커리큘럼 학습 전략이 제안되었다. 커리큘럼 학습이 적용된 모델은 이를 적용하지 않은 모델에 비해 학습이 안정적이었고, 더 빠르게 수렴되었으며, 더 나은 손실 지점에 이르는 것을 확인하였다. 그리고 t-SNE 기법을 이용한 시각화와 클래스 활성화 맵을 통한 시각화 결과를 통해 상세한 정성적 평가가 이루어졌으며, 각 폐질환의 패턴이 다양체를 이루며 잘 학습 된 것으로 확인이 되었고, 클래스 활성화 맵을 이용한 지역화 결과는 해당 병변 영역이 활성화되는 것을 시각적으로 확인하였다. 의료 영상은 딥러닝 기반 지도 학습 모델을 위해 정답 데이터를 생성하는데 매우 큰 손실이 있을 수 있기 때문에 적절한 실험 설계가 필요하다. 각 세부 연구는 내부 소프트웨어를 활용하여 기존 영상처리 기반의 결과를 바탕으로 인간이 수정하거나 판독문 정보를 파싱한 후 인간이 빠르게 확인하는 형태로 효율적인 정답 생성이 이루어졌고, 성공적으로 딥러닝 모델이 학습되었다. 각 세부 연구 결과는 심층적인 평가를 통해 딥러닝 모델이 이러한 의료 영상에서도 낮은 수준의 영상 픽셀 정보들을 의미론적 정보로 잘 함축할 수 있음을 보여주었으며, 때때로 제한된 영역 내에서는 해부학적 지식을 충분히 갖고 식별하는 의사만큼의 결과를 보여주었다.
하드웨어의 급격한 발달과 방대한 데이터 및 경험의 축적으로 인해 최근 수 년 간 딥러닝 기법이 다양한 분야에 도입되었다. 특히 기존 알고리즘으로는 분석 자체가 어려웠던 영상, 음성, 텍스트 등의 데이터에서 인간 수준의 패턴 인식 능력이 증명되면서 의료 분야에서도 의료영상, 유전체, 생체 신호 등의 다양한 데이터에서 질환의 검출부터 진단 및 치료까지 넓은 영역에서 응용될 수 있는 가능성을 보여주었다. 그러나 데이터에 대해 전문 지식이 요구되지 않는 일반적인 분야에서 충분한 데이터와 잘 정의된 지식을 기반으로 연구된 딥러닝 기법들은 의료 분야에 그대로 응용되기에는 여러 어려움이 있다. 의료 영상의 특성이 반영된 데이터 처리 기법들이 요구될 뿐만 아니라, 의료 분야에서는 지도 학습 기반의 딥러닝 모델 학습을 위한 정답을 생성하는데 매우 비싼 비용이 들기 때문에 자연 영상과는 다른 전략이 요구 된다. 또한, 때때로 데이터의 접근성을 고려한 모델 선택이 필요할 수 있으며, 적용 목적에 따라 단순히 정확도가 높은 모델 보다 민감도 또는 특이도가 최대화되는 모델이 요구될 수 있다. 딥러닝 모델은 데이터가 가진 형태 및 정보에 따라 대단히 다양한 형태로 학습 될 수 있다. 입력 데이터에 대한 직접적인 정답을 학습하는 지도 학습 이외에도 비지도 학습을 통해 생산적인 학습이 이루어지거나, 정책을 통해 스스로 학습하는 강화 학습 또한 이루어질 수 있다. 본 연구에서는 다양한 의료 데이터 중 흉부 CT와 X-ray 영상을 기반으로 한 연구에 초점을 맞추었으며, 지도 학습 중에서도 픽셀 단위의 높은 수준의 정보를 학습하는 분할 모델과 영상을 하나의 범주형 값으로 학습하는 분류 모델을 기반으로 세 가지 세부 연구들을 통해 의료 영상에서 딥러닝 모델의 효용성과 개선점을 평가하고자 하였다. 첫 번째 세부 연구에서는 흉부 CT에서 미만성 간질성 폐질환을 가진 환자들의 폐를 분할하기 위해 딥러닝 모델이 적용되었다. 미만성 간질성 폐질환의 세 가지 하위 질환들, 그리고 두 가지 CT 프로토콜에 대하여 전통적인 영상처리 알고리즘과 비교하여 정량적인 평가가 수행되었으며, 보수적인 평가를 위해 정량 결과가 가장 낮았던 증례들에 대한 시각적인 평가가 이루어졌다. 정량적 평가에서 딥러닝 모델은 전통적인 영상처리 알고리즘과 비교하여 유의하게 향상된 성능을 보여주었으며, 시각적 평가에서 또한 눈에 띄는 오차를 확인하지 못했고, 주된 수치적 오차는 폐문 영역이나 큰 만성적 폐 경화로 인해 전문가도 그 영역을 정확히 정의하기 어려운 영역에서 발생한 것으로 회고되었다. 두 번째 세부 연구는 흉부 CT에서 폐를 미만성 간질성 폐질환의 전형적인 질환 패턴으로 정량화하기 위해 딥러닝 모델이 사용되었다. 질환 패턴은 6가지로 정의되었으며, 두 명의 경험 있는 영상의학과 의사에 의해 정량화된 소량의 데이터와 이전 연구를 통해 개발된 기존 모델을 이용해 정량화된 대량의 데이터가 딥러닝 분할 모델 학습에 이용되었다. 딥러닝 분할 모델이 기존 모델의 결과를 정답으로 학습했을 때, 기존 모델을 매우 유사하게 재현하는 것을 정량 및 시각적으로 확인하였으며, 패치 단위의 연산으로 매우 긴 시간이 소요되었던 기존 모델과 달리 딥러닝 모델은 전체 영상을 이용한 엔드-투-엔드 방식으로 빠른 연산이 가능했다. 그리고 두 명의 의사에 의해 정량화된 소량의 데이터로 딥러닝 모델을 미조정한 후에는 기존 모델보다 향상되고 두 명의 의사간의 차이와 비교할만한 정량적 결과를 보여주었다. 마지막으로 세 번째 세부 연구에서는 흉부 X-ray에 다섯 가지 전형적인 폐 질환을 위한 컴퓨터 기반 검출 모델을 위해 딥러닝이 적용되었다. 두 개의 병원에서 수집된 데이터를 이용하여 약한 지도 학습이 이루어졌으며, 복잡한 폐 질환 패턴을 보다 잘 학습하기 위한 커리큘럼 학습 전략이 제안되었다. 커리큘럼 학습이 적용된 모델은 이를 적용하지 않은 모델에 비해 학습이 안정적이었고, 더 빠르게 수렴되었으며, 더 나은 손실 지점에 이르는 것을 확인하였다. 그리고 t-SNE 기법을 이용한 시각화와 클래스 활성화 맵을 통한 시각화 결과를 통해 상세한 정성적 평가가 이루어졌으며, 각 폐질환의 패턴이 다양체를 이루며 잘 학습 된 것으로 확인이 되었고, 클래스 활성화 맵을 이용한 지역화 결과는 해당 병변 영역이 활성화되는 것을 시각적으로 확인하였다. 의료 영상은 딥러닝 기반 지도 학습 모델을 위해 정답 데이터를 생성하는데 매우 큰 손실이 있을 수 있기 때문에 적절한 실험 설계가 필요하다. 각 세부 연구는 내부 소프트웨어를 활용하여 기존 영상처리 기반의 결과를 바탕으로 인간이 수정하거나 판독문 정보를 파싱한 후 인간이 빠르게 확인하는 형태로 효율적인 정답 생성이 이루어졌고, 성공적으로 딥러닝 모델이 학습되었다. 각 세부 연구 결과는 심층적인 평가를 통해 딥러닝 모델이 이러한 의료 영상에서도 낮은 수준의 영상 픽셀 정보들을 의미론적 정보로 잘 함축할 수 있음을 보여주었으며, 때때로 제한된 영역 내에서는 해부학적 지식을 충분히 갖고 식별하는 의사만큼의 결과를 보여주었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.