[논문]바이오 빅 데이터 및 머신러닝을 이용한 초음파 B-모드 영상 보조 진단 시스템 연구

이종하

문제 정의

따라서 영상 전체에서 병변을 찾는 것 보다 mammary glandular tissue 영역에서만 병변을 찾을 때 병변 검출률이 더 높아질 수 있다. 따라서 병변의 형태학적 정보와 유방의 구조적인 정보를 이용하여 mammary glandular tissue영역에서 병변을 검출하는 알고리즘에 대해 연구한다.
특히 병변의 형태는 병변의 악성도를 판정하는 가장 중요한 요소이다. 병변의 형태를 잘 표현하기 위해 본 연구에서는 푸리에 변환 기반 병변형태 묘사 알고리즘을 제안한다. 푸리에 변환 기반 병변 형태 묘사기는 병변의 외곽선 (그림 14)으로부터 형태 히스토그램을 계산한 다음이 히스토그램을 1차원 신호로 변환한다.
병변 자동 진단 모델을 생성하기 위해서 PACS 대용량 유방 초음파 영상으로부터 각 각의 BI-RADS 특징점을 설계된 특징점 추출기를 사용해 계산한 다음 패턴 인식 알고 리즘과 빅데이터 마이닝 기술을 사용해 유방암 자동 진단 모델을 생성하였다. 본 고에 서는 가장 많이 사용되고 높은 정확도를 보이는 SVM 알고리즘에 대해 자세히 설명하고자 한다.
본 고에서는 영상을 해석할 때 미국 영상 의학회에서 제정한 BI-RADS (breast imaging-reporting and data systems) 분류법에 따라 영상을 해석하고 디지털화하여 자동 계산함으로써 초음파 영상의 영상학적인 이상 소견을 기록하고 이를 분석하여 병변을 진단하는 유방 초음파 검사를 위한 컴퓨터 보조 진단 시스템에 대해 연구하였다 [7]. BI-RADS는 용어의 통일성을 위하여 초음파 영상에서의 해석 항목들을 정리한 lexicon으로 종양이나 유방의 구조적인 뒤틀림, 비대칭, 밀도, 석회화 등의 항목들이 정의되어 있다 [8].
본 고에서는 유방 초음파 영상의 자동 분석 시스템에 대해 연구하였다. 초음파 영상에서의 병변을 묘사하기 위해 BI-RADS (Breast Imaging-Reporting and Data Systems) 분류법에 따라 영상을 해석하고 디지털화하여 자동 계산함으로써 초음파 영상의 영상학적인 이상 소견을 기록하고 이를 분석하여 병변을 진단하는 유방 초음파 검사를 위한 컴퓨터 보조 진단 시스템에 대해 연구하였다.
본 고에서는 유방 초음파 영상의 자동 분석 시스템에 대해 연구하였다. 초음파 영상에서의 병변을 묘사하기 위해 BI-RADS (Breast Imaging-Reporting and Data Systems) 분류법에 따라 영상을 해석하고 디지털화하여 자동 계산함으로써 초음파 영상의 영상학적인 이상 소견을 기록하고 이를 분석하여 병변을 진단하는 유방 초음파 검사를 위한 컴퓨터 보조 진단 시스템에 대해 연구하였다. 연구 결과, 제안된 시스템은 삼성 의료원으로부터 2006년에서 2010년 사이에 촬영된 4,107장의 유방암 종양 이미지를 specificity 95.
추출된 병변 외곽선을 사용하여 병변을 분석하는 알고리즘에 대해 연구한다.

가설 설정

ci는 1이나 -1의 값을 갖는 변수로 xi 가속한 클래스를 의미하며, xi는 p차원 실수 벡터이다. H3은 두 클래스의 점들을 제대로 분류하고 있지 않다. H1과 H2는 두 클래스의 점들을 분류하는데, H2가 H1보다 더 큰 마진을 갖고 분류하는 것을 확인할 수 있다.

제안 방법

SVM을 이용할 때는 classifier 형성에 영향을 주는 gamma와 nu값, kernel type, normalize 등의 옵션들을 다양하게 변경하며 수행하였다. 수행 결과로부터 알 수 있는 Specificity, Sensitivity, Accuracy, Precision, Recall 값들을 비교하여 정확한 진단 모델을 찾을 수 있었다.
개별 영상들로부터 총 290개의 BI-RADS 기반 특징점이 추출되었으며 특징점 값들의 분포를 사용해 병변의 양성과 악성을 판정하기 위해 J48, Adaboost, Logiboost, Naïve, SVM 등 총 5가지의 분류 알고리즘이 사용되었다. 각 알고리즘에 의해 측정된 분류 성능을 specificity, sensitivity, precision, recall, accuracy를 사용해 비교하였다. 결과는 그림 2와 같다.
개별 영상들로부터 총 290개의 BI-RADS 기반 특징점이 추출되었으며 특징점 값들의 분포를 사용해 병변의 양성과 악성을 판정하기 위해 J48, Adaboost, Logiboost, Naïve, SVM 등 총 5가지의 분류 알고리즘이 사용되었다.
가우시안 마스크는 블러링 기법의 한 종류로서 영상의 세세한 부분을 제거함으로 인해 영상을 부드럽게 만드는 알고리즘이다. 그다음 각각의 결과 화소들에서 기울기(gradient) 요소를 계산하고 각 화소에서 기울기 방향을 계산한다. 그다음 기울기 방향을 따라 2차 미분을 계산하고 0인 값의 위치를 찾아 그 점은 병변의 외곽선으로 분류한다.
병변의 악성도를 판정하기 위해서는 데이터마이닝 기법을 통해 대용량의 PACS 유방 초음파 영상으로부터 유방암 자동 진단 모델을 생성한다. 데이터마이닝은 PACS에 저장 된 이전 유방암 환자의 초음파 영상을 분석하여 BI-RADS 특징점을 모두 계산한 다음 모델을 생성하게 된다. 이렇게 생성된 모델은 새로운 유방 초음파 영상이 들어왔을 때 영상에서의 BI-RADS 특징점을 추출하고 그 값을 기반으로 병변이 양성인지 악성인지를 판단하게 된다.
자바 기반의 data mining software 인 'WEKA'를 이용하여 다섯 가지 알고리즘 학습을 수행하였다 [18]. 또한, filtered classifier을 사용하여서도 각각의 알고리즘을 적용해 보았다.
병변의 악성도를 진단하기 위해서는 미리 생성된 자동 진단 모델이 필요하며 이러한 자동 진단 모델은 대용량의 유방 초음파 영상 PACS (picture archiving and ccommunication system)로 부터 각 영상의 BI-RADS를 통해 생성한다. 먼저 유방 초음파 영상에서 병변 의심 영역을 표시 및 제시하고 BI-RADS lexicon을 계산하여 결과를 나타내었다.
그림 19. 병변 분류 알고리즘의 specificity, sensitivity, precision, recall, accuracy 비교.
병변의 형태 외의 BI-RADS 항목들인 posterior acoustic, orientation, margin, echo pattern 등도 영상에서의 특징점으로 계산하기 위해 각 항목의 목적에 맞는 특징 점 추출기를 생성하였다. 병변 자동 진단 모델을 생성하기 위해서 PACS 대용량 유방 초 음파 영상으로부터 각각의 BI-RADS 특징점을 설계된 특징점 추출기를 사용해 계산한 다음 패턴인식 알고리즘과 데이터 마이닝 기술을 사용해 유방암 보조 진단 모델을 생성 하였다. 이렇게 생성된 유방암 보조 진단 모델은 새로운 유방 초음파 영상이 CAD 시스템에 입력되었을 경우 병변의 위치를 찾고 자동으로 찾고 양성과 악성을 판단하였다.
병변 자동진단 모델을 생성하기 위해서 PACS 대용량 유방 초음파 영상으로부터 각 각의 BI-RADS 특징점을 설계된 특징점 추출기를 사용해 계산한 다음 패턴인식 알고 리즘과 빅 데이터 마이닝 기술을 사용해 유방암 자동 진단 모델을 생성하였다. 모델을 생성하기 위해서 대표적인 Machine learning algorithm 5가지(Aadaboost, J48, Logitboost, NaiveBayes, J48)를 이용하여 학습을 수행하였다.
병변 자동진단 모델을 생성하기 위해서 PACS 대용량 유방 초음파 영상으로부터 각 각의 BI-RADS 특징점을 설계된 특징점 추출기를 사용해 계산한 다음 패턴인식 알고 리즘과 빅 데이터 마이닝 기술을 사용해 유방암 자동 진단 모델을 생성하였다. 모델을 생성하기 위해서 대표적인 Machine learning algorithm 5가지(Aadaboost, J48, Logitboost, NaiveBayes, J48)를 이용하여 학습을 수행하였다.
병변의 형태 외의 BI-RADS 항목들인 posterior acoustic, orientation, margin, echo pattern 등도 영상에서의 특징점으로 계산하기 위해 각 항목의 목적에 맞는 특징 점 추출기를 생성하였다. 병변 자동 진단 모델을 생성하기 위해서 PACS 대용량 유방 초 음파 영상으로부터 각각의 BI-RADS 특징점을 설계된 특징점 추출기를 사용해 계산한 다음 패턴인식 알고리즘과 데이터 마이닝 기술을 사용해 유방암 보조 진단 모델을 생성 하였다.
양성 종양은 성장이나 전이를 하지 않아 병변의 모양이 매끄럽기 때문에 oval이나 round형, 악성 종양은 침윤성으로 인한 전이와 불규칙적인 성장을 하기 때문에 병변의 모양이 irregular하다. 본 고에서는 이러한 불규칙성을 수치로 나타내기 위해 병변의 경계를 푸리에 변환하여 불규칙성을 수치화 하는 푸리에 변환 기반 병변형태 계산기를 사용하였다 [10].
본 연구에서 제안하는 CAD 시스템은 유방 초음파 영상에서 병변을 추출하고, 추출된 병변 영역을 BI-RADS기반으로 기술한 다음 이 정보를 병변 진단 모델링 분류기로 판정 한다 [11]. 종양의 판정은 병변 영역 검출, 병변 외과선 검출, 병변 악성도 판정 등의 3가지 단계로 구성되어 있다.
본 연구에서는 5가지의 BI-RADS 항목 정보를 이용하여 유방 초음파 영상에서의 병변의 악성도를 계산한다. 계산하고자 하는 BI-RADS 항목은 Shape (Regular/ Irregular), Orientation (Parallel/Not parallel), Margin (Circumscribed/Not circumscribed), Echo pattern (Anechoic/ Hyperechoic) , Posterior (No posterior/ Shadowing) 등이다.
본 연구에서는 화솟값의 기울기 정보를 이용하여 병변의 외곽선을 추출한다. 먼저 가 우시안 마스크를 통해 영상을 회선한다.
자바 기반의 data mining software 인 'WEKA'를 이용하여 다섯 가지 알고리즘 학습을 수행하였다 [18].
23 mm/pixel이었다. 제공받 은 이미지에 BI-RADS 분류법에 따라 생성한 알고리즘을 적용하여 영상을 해석, 계산해 종양의 악성과 양성을 분류하였다.
그림 9. 초음파 영상에서의 circumscribed, indistinct, angular, microlobulated, spiculated 예시.

대상 데이터

제공받은 이미지 중 1,599 장은 양성종양을 촬영한 이미지로 촬영 대상은 11세에서 81세 사이, 평균 나이는 45세의 환자였으며, 2,508장은 악성종양 이미지로 촬영 대상은 24세에서 86세 사이, 평균 49세의 환자였다. 모든 이미지는 삼성의료원의 감수 하에 Philips ATL iU22 초음파 기기로 촬영되었고, 스캐너는 5에서 12 MHz, 6 cm 의 선형 프로브를 탑재하였다. B-모드의 이미지 사이즈는 1,024×768 픽셀이었으며, 공간 해상도는 0.
삼성의료원으로부터 2006년에서 2010년 사이에 촬영된 4,107장의 유방암 종양 이미지를 제공받았다. 제공받은 이미지 중 1,599 장은 양성종양을 촬영한 이미지로 촬영 대상은 11세에서 81세 사이, 평균 나이는 45세의 환자였으며, 2,508장은 악성종양 이미지로 촬영 대상은 24세에서 86세 사이, 평균 49세의 환자였다.
삼성의료원으로부터 2006년에서 2010년 사이에 촬영된 4,107장의 유방암 종양 이미지를 제공받았다. 제공받은 이미지 중 1,599 장은 양성종양을 촬영한 이미지로 촬영 대상은 11세에서 81세 사이, 평균 나이는 45세의 환자였으며, 2,508장은 악성종양 이미지로 촬영 대상은 24세에서 86세 사이, 평균 49세의 환자였다. 모든 이미지는 삼성의료원의 감수 하에 Philips ATL iU22 초음파 기기로 촬영되었고, 스캐너는 5에서 12 MHz, 6 cm 의 선형 프로브를 탑재하였다.

이론/모형

병변 자동진단 모델을 생성하기 위해서 PACS 대용량 유방 초음파 영상으로부터 각 각의 BI-RADS 특징점을 설계된 특징점 추출기를 사용해 계산한 다음 패턴인식 알고 리즘과 빅 데이터 마이닝 기술을 사용해 유방암 자동 진단 모델을 생성하였다. 모델을 생성하기 위해서 대표적인 Machine learning algorithm 5가지(Aadaboost, J48, Logitboost, NaiveBayes, J48)를 이용하여 학습을 수행하였다. Machine learning algorithm이란 주어진 데이터를 컴퓨터에 입력하고 특정 알고리즘을 기반으로 학습을 수행하여 판별 기준을 구축하고 새로운 데이터가 주어졌을 때 그 데이터가 어떠한 종류로 판별되는지를 예측하는 알고리즘이다.

성능/효과

결론적으로 SVM은 두 클래스에 속해있는 점들을 분류하는 수많은 hyperplane들 중, 최대한 두 클래스의 점들과 거리를 유지하는 것을 찾아내는 알고리즘이라 할 수 있다.
9%로 가장 뛰어났다. 따라서 제시된 특징 점들과 SVM 알고리즘이 다섯 항목 모두에서 가장 뛰어난 확률로 병변의 양성, 악성을 분류할 수 있었다.
본 고에서 제안한 초음파 영상 자동 분석 시스템은 의사들의 피로도와 정확한 진단을 위한 필수적인 시스템이라 할 수 있다.
초음파 영상은 영상 자체적으로 노이즈를 많이 가지고 있기 때문에 영상 처리기술이 매우 중요하며 그중에서 원하는 병변을 탐지하는 것은 상당히 어려운 일이다. 셋째로, 유방 초음파는 유방 촬영술과는 다르게 전체적인 유방의 영상을 검사할 수 없기 때문에 소요 시간이 비교적 길고 유방 내 미세 석회화를 진단할 수 없다는 단점이 있다.
SVM을 이용할 때는 classifier 형성에 영향을 주는 gamma와 nu값, kernel type, normalize 등의 옵션들을 다양하게 변경하며 수행하였다. 수행 결과로부터 알 수 있는 Specificity, Sensitivity, Accuracy, Precision, Recall 값들을 비교하여 정확한 진단 모델을 찾을 수 있었다.
다섯 가지 알고리즘 수행 결과로 표 2 와 같은 값을 가진다. 실험 결과 Filtered classifier에 SVM을 적용 하였을 때 가장 좋은 결과를 보이며 이 진단 모델이 유방암 진단을 가장 정확하게 할 수 있을 것이라고 예상된다.
결과는 그림 2와 같다. 실험에 따르면 SVM의 성능이 specificity 95.8%, sensitivity 94.1%, precision and recall 95.7%, accuracy 94.9%로 가장 뛰어났다. 따라서 제시된 특징 점들과 SVM 알고리즘이 다섯 항목 모두에서 가장 뛰어난 확률로 병변의 양성, 악성을 분류할 수 있었다.
초음파 영상에서의 병변을 묘사하기 위해 BI-RADS (Breast Imaging-Reporting and Data Systems) 분류법에 따라 영상을 해석하고 디지털화하여 자동 계산함으로써 초음파 영상의 영상학적인 이상 소견을 기록하고 이를 분석하여 병변을 진단하는 유방 초음파 검사를 위한 컴퓨터 보조 진단 시스템에 대해 연구하였다. 연구 결과, 제안된 시스템은 삼성 의료원으로부터 2006년에서 2010년 사이에 촬영된 4,107장의 유방암 종양 이미지를 specificity 95.8%, sensitivity 94.1%, precision and recall 95.7%, accuracy 94.9%로 분류할 수 있었다.

핵심어	질문	논문에서 추출한 답변
	유방 촬영술이란 무엇인가?	유방암 진단의 표준 촬영 기술은 유방 촬영술이다 [2]. 유방 촬영술은 유방의 종양이나 비정상적인 병변을 발견하기 위해 사용되는데, 상하방향 촬영법과 내외 사방향 촬영법 두 가지 검사를 시행하며 양측 유방을 총 4회에 걸쳐 촬영하는 기술이다 [3]. 상하방향 촬영법 (Craniocaudal, CC)은 먼저 환자가 양발을 벌리고 X선관을 향헤 선 후 유방하 주름에 선을 넣어 유방을 가슴과 90° 각도가 될 때까지 든다.
	유방촬영술상 유방암의 발견 양상은 어떠한가?	유방촬영술상 유방암은 종괴 또는 미세 석회화의 양상으로 발견되는데, 대부분은 모 양이 불규칙하고 경계가 지저분한 종괴로 발견된다. 유방암의 약 1/4에서는 미세 석회화의 양상을 보이며, 조기 유방암의 경우 종괴는 보이지 않고 미세 석회화만으로 발견되는 경우가 많다.
	유방 초음파 검사의 단점은 무엇인가?	이에 비해 유방 초음파 검사는 치밀 유방을 촬영할 때 유리할 뿐 아니라 최근 초음파 촬영의 해상도가 점차 높아짐에 따라 기존에 비해 훨씬 질 높은 진단을 할 수 있게 되어 전문의들의 선호도가 높아지고 있다. 그러나 초음파 검사는 실시간 검사의 장점에도 불구하고 초음파 장비에 따른 진단 결과의 차이가 크고 의사의 경험과 지식에 따라 진단 결과에서 많은 차이를 보이므로 그 중요성에도 불구하고 집단검사 등에서 표준적이고 객관적인 검사 방법으로 인정받지 못하고 있다. 또한, 의사가 직접 초음파 촬영을 하면서 병 변의 유무를 일일이 확인해야 하므로 환자 건수가 많은 종합병원 등에서는 의사들의 피로도 증가로 인한 오진 발생률이 높아질 수 있으며 초음파 영상의 해석은 주관적이기 때 문에 같은 영상에 대한 해석이 의사마다 다를 수 있다는 단점도 있다. 유방 초음파 검사에 의한 암 진단은 초음파 영상 상의 특정 병변들을 발견함으로써 이루어지며 이를 다시 양성이나 악성으로 분류하게 된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

바이오 빅 데이터 및 머신러닝을 이용한 초음파 B-모드 영상 보조 진단 시스템 연구 원문보기

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

바이오 빅 데이터 및 머신러닝을 이용한 초음파 B-모드 영상 보조 진단 시스템 연구 원문보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

이종하 (6)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper