흉부 단순 촬영영상(Chest radiographs)은 일상적인 임상 실습에서 흉부 내 비특이적 증상이 있는 환자를 위한 첫 번째 진단 도구이며 특성화의 효과로 인해 가장 일반적으로 사용되고 있는 검사방식이다. 흉부 단순 촬영영상은 저렴한 비용으로 효율적으로 수행 할 수 있으며 대부분의 기관에서 쉽게 이용할 수 있다. 방사선과 전문의들이 현재의 실질적인 문제를 정확하게 진단해야 하는 많은 양의 흉부 방사선 사진이 있다. 흉부단순 촬영영상을 이용한 다양한 연구가 수행되었으며 또한 폐암 예방 및 스크리닝(Screening)에도 널리 사용된다. 임상 진단에는 방사선 전문의의 보고가 필요하지만 작업량이 많기 때문에 항상 가능한 것은 아니다. 다시 말해서, 비정상 분류의 자동 시스템이 유리할 것이며, 이러한 보조 시스템(Computer-aided ...
흉부 단순 촬영영상(Chest radiographs)은 일상적인 임상 실습에서 흉부 내 비특이적 증상이 있는 환자를 위한 첫 번째 진단 도구이며 특성화의 효과로 인해 가장 일반적으로 사용되고 있는 검사방식이다. 흉부 단순 촬영영상은 저렴한 비용으로 효율적으로 수행 할 수 있으며 대부분의 기관에서 쉽게 이용할 수 있다. 방사선과 전문의들이 현재의 실질적인 문제를 정확하게 진단해야 하는 많은 양의 흉부 방사선 사진이 있다. 흉부단순 촬영영상을 이용한 다양한 연구가 수행되었으며 또한 폐암 예방 및 스크리닝(Screening)에도 널리 사용된다. 임상 진단에는 방사선 전문의의 보고가 필요하지만 작업량이 많기 때문에 항상 가능한 것은 아니다. 다시 말해서, 비정상 분류의 자동 시스템이 유리할 것이며, 이러한 보조 시스템(Computer-aided detection and diagnosis)을 이용한 작업은 이 방사선 전문의들이 흉부 방사선 사진에서 비정상 식별의 병리학 분석에 더 집중할 수 있게 한다. 최근에, 딥러닝(Deep learning)기술은 자연 이미지의 분류, 검출 및 분할에 대한 다양한 연구 성과의 성공으로 최첨단 기술로 여겨지고 있다. 다양한 연구를 통한 딥러닝 발전에 따르면 이것은 방사선 전문의가 여러 개의 흉부단순 촬영영상을 진단하는 데 도움을 줄 수 있다. 본 논문에서는 다수의 흉부단순 촬영영상을 이용한 딥러닝을 기반으로 다양한 연구를 수행 하였다. 먼저, 우리 기관에서 2011 년에서 2016 년 사이, 그리고 다른 병원에서2017 년에서 2018 년 사이에 다운로드된 데이터 세트에 대해 설명을 하였다. 그 후 추출 된 데이터 세트에서 개발에 적용 할 수 있는 방사선 사진을 필터링하기 위해 딥러닝을 이용하였다. 필터링된 데이터 세트는 정상 (Normal) 및 비정상(Abnormalities)으로 구성되며, 그 중 일부는 판독문 (Reports)을 기반으로 7 가지 질병 패턴으로 표시되었다. 그리고 자체 개발한 레이블링(Labeling) 소프트웨어를 가지고 방사선 전문의들이 직접 병변을 그리고 확인하였다. 클렌징(Cleansing) 및 비식별 처리 후, 흉부단순 촬영영상은 딥 러닝 기반의 다양한 개발적용을 위해 사전 처리(Pre-processing)과정을 진행하였다. 전처리 과정은 흉부단순 촬영영상은가 다양한 해상도를 가지는 Digital Imaging and Communications in Medicine (DICOM) 파일 형식이며 다양한 종류의 엑스레이 기계를 통해 추출되어 이미지 특징 및 질병으로 인한 특이 변화를 가질 수 있기 때문에 다음과 같은 과정이 필요했다. 먼저, 모든 데이터들은 딥러닝 알고리즘을 사용하여 폐를 분할한 후 분할된 폐 경계 좌표와 이미지를 공간적으로 맞춰 저장하였다. 또한, 히스토그램 매칭(Histogram matching), 고전적인 이미지(Photographic and geographic methods)처리방식을 이용하여 전처리 과정을 진행하였다. 두 번째로, 흉부단순 촬영영상에서 정상 및 비정상의 분류를 위해 전이학습(Transfer learning)을 이용하였고, 표준 이진 분류메트릭(Binary classification metric)을 사용하여 학습된 최신 네트워크 아키텍처의 성능을 평가 하였다. 결과에 대한 로컬라이제이션(Localization)을 위해 (Class activationmap) CAM과정을 수행하였다. 세 번째로, 흉부단순 촬영영상을 이용하여 딥러닝 기반의 검출(Detection)알고리즘으로 다양한 병변을 검출하였다. 이를 위해, You Only Look Once (YOLO)V2의 최신 네트워크를 다양한 질병 패턴과 다양한 크기에서도 검출할 수 있게 수정하였다. 다음으로, 뼈 제거(Bone suppression)흉부 방사선 사진은 진단을 위해 임상 환경에서 중요도가 높아 딥러닝으로 뼈를 제거하는 알고리즘을 개발하였고 뼈 제거 전 영상과 후 영상들을 각각 이용하여 딥러닝 기반의 검출 알고리즘을 가지고 학습한 후 평가하였다. 또한, 짧은 간격 내에 촬영한 영상과 폐 영역 내 병변의 변화가 없는 한 쌍의 흉부 방사선 사진을 이용한 진단도 중요하기 때문에, 흉부 방사선 전문의에 의해 확인된 한 쌍의 흉부단순 촬영영상을 가지고 딥러닝 기반의 컴퓨터 보조 진단(Computer aided diagnosis)의 재현성(Reproducibility)을 평가하였다. 마지막으로 임상 환경 내에서 간단히 활용할 수 있는 캡션(Caption) 알고리즘과 컴퓨터 보조 진단 시스템을 통합하였다. 결론적으로, 우리는 딥러닝을 이용한 개발이 임상 환경에서 방사선 전문의가 다양한 폐 병변을 보조적으로 진단하고 개선하는데 도움이 될 수 있음을 연구했다. 특히, 다양한 전처리는 다중 센터간의 변화폭을 줄이기 위해서 딥러닝 기반의 컴퓨터 보조 진단 시스템을 개발하는데 중요하다. 그리고 다양한 임상 환경에서의 이미징바이오 마커(biomarker)에 대한 활용을 위해, 짧은 간격 내에서 촬영한 흉부단순 촬영영상을 가지고 컴퓨터 보조 진단 시스템의 재현성에 대한 통계적 분석에 대해 연구하였다. 이러한 딥러닝 알고리즘은 특히 방사선 전문의가 과부하가 걸리거나 응급 상황으로 인해 많은 양의 사진을 가지고 빠른 진단이 어려운 경우에 활용 할 수 있다. 즉, 딥러닝 기반의 흉부단순 촬영영상의 분류 및 검출 알고리즘은 보조적으로 실질적인 유용성을 제공 할 수 있으며 더 많은 가능성을 위해 구체적인 연구가 필요하다. 우리의 연구는 흉부 단순 촬영영상을 이용한 딥러닝 알고리즘의 다양한 연구를 통해 경험적 성능을 보여 주었고 임상 환경에서 다양한 폐 질환의 진단을 위한 가능성을 제안하였다.
흉부 단순 촬영영상(Chest radiographs)은 일상적인 임상 실습에서 흉부 내 비특이적 증상이 있는 환자를 위한 첫 번째 진단 도구이며 특성화의 효과로 인해 가장 일반적으로 사용되고 있는 검사방식이다. 흉부 단순 촬영영상은 저렴한 비용으로 효율적으로 수행 할 수 있으며 대부분의 기관에서 쉽게 이용할 수 있다. 방사선과 전문의들이 현재의 실질적인 문제를 정확하게 진단해야 하는 많은 양의 흉부 방사선 사진이 있다. 흉부단순 촬영영상을 이용한 다양한 연구가 수행되었으며 또한 폐암 예방 및 스크리닝(Screening)에도 널리 사용된다. 임상 진단에는 방사선 전문의의 보고가 필요하지만 작업량이 많기 때문에 항상 가능한 것은 아니다. 다시 말해서, 비정상 분류의 자동 시스템이 유리할 것이며, 이러한 보조 시스템(Computer-aided detection and diagnosis)을 이용한 작업은 이 방사선 전문의들이 흉부 방사선 사진에서 비정상 식별의 병리학 분석에 더 집중할 수 있게 한다. 최근에, 딥러닝(Deep learning)기술은 자연 이미지의 분류, 검출 및 분할에 대한 다양한 연구 성과의 성공으로 최첨단 기술로 여겨지고 있다. 다양한 연구를 통한 딥러닝 발전에 따르면 이것은 방사선 전문의가 여러 개의 흉부단순 촬영영상을 진단하는 데 도움을 줄 수 있다. 본 논문에서는 다수의 흉부단순 촬영영상을 이용한 딥러닝을 기반으로 다양한 연구를 수행 하였다. 먼저, 우리 기관에서 2011 년에서 2016 년 사이, 그리고 다른 병원에서2017 년에서 2018 년 사이에 다운로드된 데이터 세트에 대해 설명을 하였다. 그 후 추출 된 데이터 세트에서 개발에 적용 할 수 있는 방사선 사진을 필터링하기 위해 딥러닝을 이용하였다. 필터링된 데이터 세트는 정상 (Normal) 및 비정상(Abnormalities)으로 구성되며, 그 중 일부는 판독문 (Reports)을 기반으로 7 가지 질병 패턴으로 표시되었다. 그리고 자체 개발한 레이블링(Labeling) 소프트웨어를 가지고 방사선 전문의들이 직접 병변을 그리고 확인하였다. 클렌징(Cleansing) 및 비식별 처리 후, 흉부단순 촬영영상은 딥 러닝 기반의 다양한 개발적용을 위해 사전 처리(Pre-processing)과정을 진행하였다. 전처리 과정은 흉부단순 촬영영상은가 다양한 해상도를 가지는 Digital Imaging and Communications in Medicine (DICOM) 파일 형식이며 다양한 종류의 엑스레이 기계를 통해 추출되어 이미지 특징 및 질병으로 인한 특이 변화를 가질 수 있기 때문에 다음과 같은 과정이 필요했다. 먼저, 모든 데이터들은 딥러닝 알고리즘을 사용하여 폐를 분할한 후 분할된 폐 경계 좌표와 이미지를 공간적으로 맞춰 저장하였다. 또한, 히스토그램 매칭(Histogram matching), 고전적인 이미지(Photographic and geographic methods)처리방식을 이용하여 전처리 과정을 진행하였다. 두 번째로, 흉부단순 촬영영상에서 정상 및 비정상의 분류를 위해 전이학습(Transfer learning)을 이용하였고, 표준 이진 분류 메트릭(Binary classification metric)을 사용하여 학습된 최신 네트워크 아키텍처의 성능을 평가 하였다. 결과에 대한 로컬라이제이션(Localization)을 위해 (Class activation map) CAM과정을 수행하였다. 세 번째로, 흉부단순 촬영영상을 이용하여 딥러닝 기반의 검출(Detection)알고리즘으로 다양한 병변을 검출하였다. 이를 위해, You Only Look Once (YOLO)V2의 최신 네트워크를 다양한 질병 패턴과 다양한 크기에서도 검출할 수 있게 수정하였다. 다음으로, 뼈 제거(Bone suppression)흉부 방사선 사진은 진단을 위해 임상 환경에서 중요도가 높아 딥러닝으로 뼈를 제거하는 알고리즘을 개발하였고 뼈 제거 전 영상과 후 영상들을 각각 이용하여 딥러닝 기반의 검출 알고리즘을 가지고 학습한 후 평가하였다. 또한, 짧은 간격 내에 촬영한 영상과 폐 영역 내 병변의 변화가 없는 한 쌍의 흉부 방사선 사진을 이용한 진단도 중요하기 때문에, 흉부 방사선 전문의에 의해 확인된 한 쌍의 흉부단순 촬영영상을 가지고 딥러닝 기반의 컴퓨터 보조 진단(Computer aided diagnosis)의 재현성(Reproducibility)을 평가하였다. 마지막으로 임상 환경 내에서 간단히 활용할 수 있는 캡션(Caption) 알고리즘과 컴퓨터 보조 진단 시스템을 통합하였다. 결론적으로, 우리는 딥러닝을 이용한 개발이 임상 환경에서 방사선 전문의가 다양한 폐 병변을 보조적으로 진단하고 개선하는데 도움이 될 수 있음을 연구했다. 특히, 다양한 전처리는 다중 센터간의 변화폭을 줄이기 위해서 딥러닝 기반의 컴퓨터 보조 진단 시스템을 개발하는데 중요하다. 그리고 다양한 임상 환경에서의 이미징 바이오 마커(biomarker)에 대한 활용을 위해, 짧은 간격 내에서 촬영한 흉부단순 촬영영상을 가지고 컴퓨터 보조 진단 시스템의 재현성에 대한 통계적 분석에 대해 연구하였다. 이러한 딥러닝 알고리즘은 특히 방사선 전문의가 과부하가 걸리거나 응급 상황으로 인해 많은 양의 사진을 가지고 빠른 진단이 어려운 경우에 활용 할 수 있다. 즉, 딥러닝 기반의 흉부단순 촬영영상의 분류 및 검출 알고리즘은 보조적으로 실질적인 유용성을 제공 할 수 있으며 더 많은 가능성을 위해 구체적인 연구가 필요하다. 우리의 연구는 흉부 단순 촬영영상을 이용한 딥러닝 알고리즘의 다양한 연구를 통해 경험적 성능을 보여 주었고 임상 환경에서 다양한 폐 질환의 진단을 위한 가능성을 제안하였다.
Chest radiographs are the first-line tool for screening patients with nonspecific symptoms of the thorax in routine clinical practice and are the most commonly requested radiological examination owing to its effectiveness in the characterization. Chest radiographs can be performed efficiently at low...
Chest radiographs are the first-line tool for screening patients with nonspecific symptoms of the thorax in routine clinical practice and are the most commonly requested radiological examination owing to its effectiveness in the characterization. Chest radiographs can be performed efficiently at low cost and are readily available at most institutions. Various studies have been conducted therein, and a large volume of chest radiographs that need to interpret present practical challenges for radiologists in maintaining diagnostic quality. It is also widely used in lung cancer prevention and screening. Reporting of the radiologist is desired in clinical diagnosis, but not always possible due to heavy workload. In other words, an automatic system of abnormality classification would be advantageous, allowing reporting works to focus more on analysis of abnormal identification in chest radiographs. Recently, deep learning techniques are considered to be state of the art for classification, detection, and segmentation of natural images, which arises from the recent success. According to the advance of deep learning in computer vision, deep learning can assist radiologists to diagnose multiple abnormalities in chest radiographs. In this thesis, we have conducted various studies based on deep learning with a large number of chest radiographs. We described datasets queried between 2011 and 2016 in our institutions and from 2017 to 2018 in others. These datasets consist of normal and abnormal, some of which were labeled in seven disease patterns on the basis of the report. These datasets were actually confirmed and delineated by attending thoracic radiologists with in-house software considering corresponding CT images scanned within one week. Afterward, deep learning approaches were proposed as the solution to filter non-chest radiographs being applicable for our development in the extracted datasets. After cleansing and de-identification, chest radiographs were preprocessed to apply a wide variety of developments based on deep learning because these datasets could have various kinds of natural and disease-caused variations. At first, all these datasets were cropped to fit images spatially with the coordinates of the lung boundary segmented using deep learning algorithms. In addition, the various kinds of preprocessing are applied to whole images and cropped images and their effects were evaluated. Second, for the classification of normal and abnormal in chest radiographs, performances of state-of-art network architectures were assessed by using standard binary classification metrics. For localization, visualization of CNN activations was also performed. Thirdly, we performed the detection of multiple abnormalities based on deep learning for chest radiographs. In addition, we revised the state-of-art network in You Only Look Once (YOLO) v2 and each model was used to infer multiple abnormalities with ensemble methods. Next, bone-suppression chest radiographs were specially developed with deep learning algorithms because of its importance in the clinical fields. Both bone suppression and original images were assessed for comparative analysis with the CAD based on deep learning. Further, due to the importance to evaluate paired chest radiographs within a short interval, the reproducibility of CAD was evaluated. Lastly, we integrated applicable captioning algorithms from these CAD for application to clinical workflows. In conclusion, we found that deep learning developments could assist radiologists to improve the quality of their diagnoses of a range of pulmonary lesions in clinical practice. Specifically, the preprocessing is necessary and crucial for the CAD developments on multi-center trials. The ability of deep learning such as classification and detection in chest radiographs could provide practical utility, which needs further study. For their utilization for imaging biomarkers in various clinical settings, the reproducibility of CAD with paired chest radiographs within a short interval was evaluated in this study. These algorithms could be integrated into an actual clinical setting, specifically in an emergency situation where trained radiologists are either overburdened or unavailable. Our studies suggest that deep learning algorithms showed empirical performance in various fields on chest radiographs and had the potential to be used in clinical settings for the diagnosis of various lung diseases via chest radiographs.
Chest radiographs are the first-line tool for screening patients with nonspecific symptoms of the thorax in routine clinical practice and are the most commonly requested radiological examination owing to its effectiveness in the characterization. Chest radiographs can be performed efficiently at low cost and are readily available at most institutions. Various studies have been conducted therein, and a large volume of chest radiographs that need to interpret present practical challenges for radiologists in maintaining diagnostic quality. It is also widely used in lung cancer prevention and screening. Reporting of the radiologist is desired in clinical diagnosis, but not always possible due to heavy workload. In other words, an automatic system of abnormality classification would be advantageous, allowing reporting works to focus more on analysis of abnormal identification in chest radiographs. Recently, deep learning techniques are considered to be state of the art for classification, detection, and segmentation of natural images, which arises from the recent success. According to the advance of deep learning in computer vision, deep learning can assist radiologists to diagnose multiple abnormalities in chest radiographs. In this thesis, we have conducted various studies based on deep learning with a large number of chest radiographs. We described datasets queried between 2011 and 2016 in our institutions and from 2017 to 2018 in others. These datasets consist of normal and abnormal, some of which were labeled in seven disease patterns on the basis of the report. These datasets were actually confirmed and delineated by attending thoracic radiologists with in-house software considering corresponding CT images scanned within one week. Afterward, deep learning approaches were proposed as the solution to filter non-chest radiographs being applicable for our development in the extracted datasets. After cleansing and de-identification, chest radiographs were preprocessed to apply a wide variety of developments based on deep learning because these datasets could have various kinds of natural and disease-caused variations. At first, all these datasets were cropped to fit images spatially with the coordinates of the lung boundary segmented using deep learning algorithms. In addition, the various kinds of preprocessing are applied to whole images and cropped images and their effects were evaluated. Second, for the classification of normal and abnormal in chest radiographs, performances of state-of-art network architectures were assessed by using standard binary classification metrics. For localization, visualization of CNN activations was also performed. Thirdly, we performed the detection of multiple abnormalities based on deep learning for chest radiographs. In addition, we revised the state-of-art network in You Only Look Once (YOLO) v2 and each model was used to infer multiple abnormalities with ensemble methods. Next, bone-suppression chest radiographs were specially developed with deep learning algorithms because of its importance in the clinical fields. Both bone suppression and original images were assessed for comparative analysis with the CAD based on deep learning. Further, due to the importance to evaluate paired chest radiographs within a short interval, the reproducibility of CAD was evaluated. Lastly, we integrated applicable captioning algorithms from these CAD for application to clinical workflows. In conclusion, we found that deep learning developments could assist radiologists to improve the quality of their diagnoses of a range of pulmonary lesions in clinical practice. Specifically, the preprocessing is necessary and crucial for the CAD developments on multi-center trials. The ability of deep learning such as classification and detection in chest radiographs could provide practical utility, which needs further study. For their utilization for imaging biomarkers in various clinical settings, the reproducibility of CAD with paired chest radiographs within a short interval was evaluated in this study. These algorithms could be integrated into an actual clinical setting, specifically in an emergency situation where trained radiologists are either overburdened or unavailable. Our studies suggest that deep learning algorithms showed empirical performance in various fields on chest radiographs and had the potential to be used in clinical settings for the diagnosis of various lung diseases via chest radiographs.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.