의료 영상 관련 분야에서 인공지능에 대한 연구가 많아지고 유의미한 성능을 달성하면서 관심이 증가했다. 인공지능 기술을 활용하여 의료 분야의 시간 소모작업을 자동화하고자 각 의료 기관에서는 지속적으로 연구되고 있다. 이와 같은 연구들로 인해 대규모 데이터 셋에 대한 수요도 같이 증가하면서 다 기관 데이터를 하나로 통합하려는 시도 또한 많아졌다. 하지만 이러한 대규모 데이터와 데이터 통합에는 영상 품질 검사가 필수적이다. 영상 품질 검사 중 첫 번째는 미리 정의된 규칙에 따라 영상이 적절하게 업로드 되었는지 확인하는 것으로 이미지 분석가 또는 방사선 전문의들에 의해 영상을 수동으로 확인함으로써 수행되고 있다. 이는 많은 인적 자원과 시간이 필요하다. 이러한 시간 소모적인 일들을 줄이기 위해 의료 영상 중 CT와 ...
의료 영상 관련 분야에서 인공지능에 대한 연구가 많아지고 유의미한 성능을 달성하면서 관심이 증가했다. 인공지능 기술을 활용하여 의료 분야의 시간 소모작업을 자동화하고자 각 의료 기관에서는 지속적으로 연구되고 있다. 이와 같은 연구들로 인해 대규모 데이터 셋에 대한 수요도 같이 증가하면서 다 기관 데이터를 하나로 통합하려는 시도 또한 많아졌다. 하지만 이러한 대규모 데이터와 데이터 통합에는 영상 품질 검사가 필수적이다. 영상 품질 검사 중 첫 번째는 미리 정의된 규칙에 따라 영상이 적절하게 업로드 되었는지 확인하는 것으로 이미지 분석가 또는 방사선 전문의들에 의해 영상을 수동으로 확인함으로써 수행되고 있다. 이는 많은 인적 자원과 시간이 필요하다. 이러한 시간 소모적인 일들을 줄이기 위해 의료 영상 중 CT와 MRI 데이터를 미리 정의된 클래스에 맞게 자동으로 분류해 주고, 방사선 전문의 또는 이미지 분석가에게 높은 정확도의 정보를 제공하는 인공지능 기반 통합 임상시험 영상자료 자동 분류 시스템을 개발하고 검증하였다. 먼저 CT 영상의 신체 부위 및 조영제 사용 여부를 분류하였다. 이 연구에서는 내부 데이터 셋과 외부 검증 셋을 구성했는데 5개의 해부학적 위치가 특정된 CT 영상 1,669개를 수집했다. Ground Truth를 생성하기 위해 두 명의 방사선 전문의는 수집된 데이터를 사용해 신체 부위와 조영제 사용 여부를 검토했다. 개별 deep learning model은 InceptionResnetV2를 백본으로 전이 학습을 통해 개발되며, 이를 활용한 앙상블 AI 모델을 제안한다. 임상 효과를 평가하기 위해 기존 방식과 앙상블 AI 모델의 이미지 품질 검사에 소요된 전반적인 정확도와 시간을 비교했다. 앙상블 AI모델의 신체부위 분류 성능은 내부(precision, 100%; recall, 100% accuracy, 100%) 및 외부(precision, 99.8%; recovery rate, 99.8%, accuracy, 99.8%) 검증셋에서 모두 우수한 성능을 보였다. 또한 조영제 사용 분류 성능은 내부 및 외부 검증셋에서 모두 100%를 달성했다. 임상 효과의 경우 두명의 AI 지원으로 점검 시간이 각각 49.7%, 48.3%의 단축되어 통계적으로 유의미했다. 두번째로 MRI 시퀀스 유형 자동 분류를 수행하였다. 이 연구에서도 내부 및 외부 데이터 셋을 구성했으며, 여기에는 9가지 MRI 시퀀스 19,318개를 수집했다. DICOMHeader 및 해당 영상을 기반으로 두명의 숙련된 영상 분석가가 MRI 시퀀스 유형에 대해 Ground Truth를 생성하였고, 방사선 전문의가 확인하였다. 의료 영상 데이터 기반 self-supervised learning 개발을 위해 기존 수동 labeling을 rule based labeling system으로 대체하였다. 이를 통해 생성되는 virtual label을 사용해 Machine Learning 모델을 생성했으며, Ground Truth로 학습된 Machine Learning 모델과 성능을 비교했다. Virtual label로 생성된 Machine Learning 모델은 내부 셋에서 전체 정확도 99.4%를 달성했으며, 99.7%를 달성한 Ground Truth로 학습된 Machine Learning 모델과 유사한 성능을 달성했다. 또한 외부 셋에서는 98%를 달성하며, 99.9%를 달성한 Ground Truth 모델과는 약간의 성능 차이를 보였다. 이 논문에서는 먼저 CT 영상에서 신체 부위를 식별하고 조영제 사용 여부를 분류하는 포괄적인 AI 기법은 정확도가 높으며, 이미지 품질 확인에 소요되는 시간을 줄일 수 있다는 것을 검증하였다. 또한 MRI 시퀀스 유형을 자동으로 분류하는 모델은 의료 영상 데이터 기반 self-supervised learning을 통해 수동 검증과 유사한 성능을 달성했으며, 이미지 품질 확인 및 데이터 식별을 자동화할 수 있음을 검증하였다.
의료 영상 관련 분야에서 인공지능에 대한 연구가 많아지고 유의미한 성능을 달성하면서 관심이 증가했다. 인공지능 기술을 활용하여 의료 분야의 시간 소모작업을 자동화하고자 각 의료 기관에서는 지속적으로 연구되고 있다. 이와 같은 연구들로 인해 대규모 데이터 셋에 대한 수요도 같이 증가하면서 다 기관 데이터를 하나로 통합하려는 시도 또한 많아졌다. 하지만 이러한 대규모 데이터와 데이터 통합에는 영상 품질 검사가 필수적이다. 영상 품질 검사 중 첫 번째는 미리 정의된 규칙에 따라 영상이 적절하게 업로드 되었는지 확인하는 것으로 이미지 분석가 또는 방사선 전문의들에 의해 영상을 수동으로 확인함으로써 수행되고 있다. 이는 많은 인적 자원과 시간이 필요하다. 이러한 시간 소모적인 일들을 줄이기 위해 의료 영상 중 CT와 MRI 데이터를 미리 정의된 클래스에 맞게 자동으로 분류해 주고, 방사선 전문의 또는 이미지 분석가에게 높은 정확도의 정보를 제공하는 인공지능 기반 통합 임상시험 영상자료 자동 분류 시스템을 개발하고 검증하였다. 먼저 CT 영상의 신체 부위 및 조영제 사용 여부를 분류하였다. 이 연구에서는 내부 데이터 셋과 외부 검증 셋을 구성했는데 5개의 해부학적 위치가 특정된 CT 영상 1,669개를 수집했다. Ground Truth를 생성하기 위해 두 명의 방사선 전문의는 수집된 데이터를 사용해 신체 부위와 조영제 사용 여부를 검토했다. 개별 deep learning model은 InceptionResnetV2를 백본으로 전이 학습을 통해 개발되며, 이를 활용한 앙상블 AI 모델을 제안한다. 임상 효과를 평가하기 위해 기존 방식과 앙상블 AI 모델의 이미지 품질 검사에 소요된 전반적인 정확도와 시간을 비교했다. 앙상블 AI모델의 신체부위 분류 성능은 내부(precision, 100%; recall, 100% accuracy, 100%) 및 외부(precision, 99.8%; recovery rate, 99.8%, accuracy, 99.8%) 검증셋에서 모두 우수한 성능을 보였다. 또한 조영제 사용 분류 성능은 내부 및 외부 검증셋에서 모두 100%를 달성했다. 임상 효과의 경우 두명의 AI 지원으로 점검 시간이 각각 49.7%, 48.3%의 단축되어 통계적으로 유의미했다. 두번째로 MRI 시퀀스 유형 자동 분류를 수행하였다. 이 연구에서도 내부 및 외부 데이터 셋을 구성했으며, 여기에는 9가지 MRI 시퀀스 19,318개를 수집했다. DICOM Header 및 해당 영상을 기반으로 두명의 숙련된 영상 분석가가 MRI 시퀀스 유형에 대해 Ground Truth를 생성하였고, 방사선 전문의가 확인하였다. 의료 영상 데이터 기반 self-supervised learning 개발을 위해 기존 수동 labeling을 rule based labeling system으로 대체하였다. 이를 통해 생성되는 virtual label을 사용해 Machine Learning 모델을 생성했으며, Ground Truth로 학습된 Machine Learning 모델과 성능을 비교했다. Virtual label로 생성된 Machine Learning 모델은 내부 셋에서 전체 정확도 99.4%를 달성했으며, 99.7%를 달성한 Ground Truth로 학습된 Machine Learning 모델과 유사한 성능을 달성했다. 또한 외부 셋에서는 98%를 달성하며, 99.9%를 달성한 Ground Truth 모델과는 약간의 성능 차이를 보였다. 이 논문에서는 먼저 CT 영상에서 신체 부위를 식별하고 조영제 사용 여부를 분류하는 포괄적인 AI 기법은 정확도가 높으며, 이미지 품질 확인에 소요되는 시간을 줄일 수 있다는 것을 검증하였다. 또한 MRI 시퀀스 유형을 자동으로 분류하는 모델은 의료 영상 데이터 기반 self-supervised learning을 통해 수동 검증과 유사한 성능을 달성했으며, 이미지 품질 확인 및 데이터 식별을 자동화할 수 있음을 검증하였다.
In this paper, we propose an artificial intelligence-based integrated clinical trial image data automatic classification system that automatically classifies CT and MRI sequences among medical images to reduce time-consuming tasks in the medical field. In this paper, we first demonstrate that a comp...
In this paper, we propose an artificial intelligence-based integrated clinical trial image data automatic classification system that automatically classifies CT and MRI sequences among medical images to reduce time-consuming tasks in the medical field. In this paper, we first demonstrate that a comprehensive AI technique for identifying body parts in CT images and classifying whether or not contrast agents are used is highly accurate and can reduce the time required for image quality verification. We also demonstrate that models that automatically classify MRI sequence types achieve performance similar to manual verification and can automate image quality verification and data identification.
In this paper, we propose an artificial intelligence-based integrated clinical trial image data automatic classification system that automatically classifies CT and MRI sequences among medical images to reduce time-consuming tasks in the medical field. In this paper, we first demonstrate that a comprehensive AI technique for identifying body parts in CT images and classifying whether or not contrast agents are used is highly accurate and can reduce the time required for image quality verification. We also demonstrate that models that automatically classify MRI sequence types achieve performance similar to manual verification and can automate image quality verification and data identification.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.