초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

인간의 인지능력에 근접한 시스템 개발은 최근에는 다양한 분야에서 인공지능(AI: Artificial Intelligence)의 실현을 위해 인공신경망(ANN: Artificial Neural Network)에 의한 딥러닝(DL: Deep Learning)에 관한 연구와 개발이 활발 하게 진행되면서 최근 의료 분야의 영역까지 기술력이 영향을 끼치면서 의료 영상, ...

인간의 인지능력에 근접한 시스템 개발은 최근에는 다양한 분야에서 인공지능(AI: Artificial Intelligence)의 실현을 위해 인공신경망(ANN: Artificial Neural Network)에 의한 딥러닝(DL: Deep Learning)에 관한 연구와 개발이 활발 하게 진행되면서 최근 의료 분야의 영역까지 기술력이 영향을 끼치면서 의료 영상, 유전체, 생체 신호, 판독문 등의 데이터를 학습함으로써 보다 자동화된 효율적인 시스템의 구축 이외에도 주관적인 인간의 작업으로 인해 발생하는 긴 작업시간, 실수, 병목현상 등 다양한 문제를 해결하고 의료적인 보조적 도움을 줄 수 있을 것으로 기대된다. 노인의 인구수가 증가하는 추세에 치매의 진단 및 치료에 대한 의료 영역에서의 중요도가 높아짐에 따라 다양한 치매의 진단에 대한 영상 검사가 개발되고 있다. 최근 치매 발현의 원인이 되는 아밀로이드와 비슷한 유사체를 이용한 PET을 이용하여 다른 치매와의 요인과의 차별을 두거나 치매로의 발전 가능성 진단에 도움을 줄 수 있는 영상 검사가 새롭게 치매 진단 검사 영역에서 증가하고 있다. 이러한 아밀로이드 PET 영상과 딥러닝 모델인 U-net(Convolutional Networks for Biomedical Image Segmentation)을 기반으로 자동 영상 분할을 활용할 수 있는 인공지능 시스템을 구축하였다. 5가지의 positive영역을 기준으로 제로 마스킹 (masking) 전략을 적용시키고, 모델의 적절한 알고리즘 구축을 통해 높은 성능으로 이미지의 binary classification분할 결과를 보여주었다. Image Segmentation의 성능평가인 IoU(Intersection over union)가 5가지 영역에서 Frontal lobe axial/sagittal는 0.733/0.804, Posterior cingulate cortex and precuneus coronal/sagittal은0.661/0.726, Lateral temporal lobe axial/coronal 은 0.864/0.892, Parietal lobe axial/coronal은 0.542/0.759, Striatum axial/sagittal 은 0.679/0.752로 모두 0.5이상의 성능 값을 추출하였고, 예측 모델을 시각화하여 성능을 평가하였다. 또한 loss function의 시각적 분석을 통하여 모델이 overfitting에 빠지지 않고 훈련되었음을 확인할 수 있었다. 의료 데이터를 체계적으로 분석하여 질병의 발병 후 치료뿐만 아니라 질병을 예측할 수 있는 인공 지능 기술이 반드시 필요한 시점에 다가오고 있다. 이에 핵 의학 분야에서의 인공 지능 기술의 발달에 기여하고자 수집된 데이터에 관한 적절한 기술을 개발한다 면 향후 치매를 비롯한 뇌신경 질환 유형 및 경과진단을 위한 바이오 마커 (Biomarker)로서의 큰 역할을 할 수 있을 것이라 사료된다.

주제어