[논문]컴퓨터도움진단(Computer-Aided Diagnosis) 기술과 인공지능(AI)

서정권; 김영재; 김광기

컴퓨터도움진단(Computer-Aided Diagnosis) 기술과 인공지능(AI) 원문보기

전기의 세계 = The proceedings of KIEE, v.66 no.8, 2017년, pp.26 - 32

서정권 (가천대학교 의대 의공학교실) , 김영재 (가천대학교 의대 의공학교실) , 김광기 (가천대학교 의대 의공학교실)

초록이 없습니다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 절에서는 국내 CAD 적용 인공지능 기술의 활용의 예로 한국전자통신연구원(이하 ETRI) 과 가천대학교 의용생체 공학과(이하 가천대학교), 국립암센터, 한양대학교 등에서 진행한 인공지능 관련 CAD 기술 연구진행 사례를 소개하고자 한다.
본고에서는 의료 분야에서 발전되고 있는 인공지능 접목기술 중에 이미지인식 인공지능 기술 영역에 대하여 살펴보고 국내∙외 관련 연구 진행 상황을 간략히 소개하고자 한다.
본고에서는 최근 각광받고 있는 인공지능 기술의 현황을 간략히 소개하였고, 특히 의료서비스 산업 분야에서 적용 가능한 인공지능 기술의 단면과 부분적으로나마 국내외의 현재 진행 중에 있는 의료산업 분야의 영상이미지 영역의 연구상황을 살펴보았다. 4차 산업혁명이라는 수식어에 걸맞게 인공지능 관련 산업과 시장은 나날이 커지고 발전되고 있는 상황에서 의료서비스산업에서 인공지능이 역할 할 수 있는 분야는 아직 많을 것으로 예측된다.

가설 설정

다층인공신경망(MLP) 구조는 인공신경망(이하 ANN) 구조의 일반형이라고 볼 수 있는데, 이 구조는 마치 사람의 뇌의 정보 전달 구조를 모방한 것 같은 구조로 되어 있다. ANN에서 전제하고 있는 뇌의 정보 전달 구조는 뇌의 정보가 은닉층으로 묘사되는 여러 겹의 시냅스 신경정보전달 세포층으로 순차적으로 전달되며, 이 은닉층들은 각각의 층들이 신경 시냅스 세포들 간의 독립적인 신경전달 강도로 서로 연속적으로 연결되어 있다고 가정하는 구조이다.[6] 넓은 의미에서 CNN 구조는 다층신경망 구조의 변형이라고 볼 수 있다.

제안 방법

2D 기반 마모그램 CAD의 최적화 연구는 기존의 마모그램 CAD에 의하여 정확하게 검출된 관심영상영역(ROI TP, CAD 에 의하여 검출 선택된 영상이미지의 클로즈업 영역, 이하 ROI-TP)과 오검출된 ROI 영상이미지 데이터(이하 ROI-FP)로 이루어진 두 부류의 영상이미지를 지도학습(Supervised Learning, 제한된 입력데이터와 목적데이터의 학습 순서와 쌍을 미리 지정하고 고정하여 학습하는 방식) 방식으로 재학습 시킴으로써 최종적으로는 오검출률을 낮추는 강화학습 방식을 시도하였다.
국립암센터와 한양대학교가 공동으로 진행한 갑상선 초음 파사진 CAD 기술 연구에서는 종양의 양악성에 관한 최종 분류작업에 ANN을 적용한 바 있다. 갑상선 종양에 관한 해당 연 구에서는 갑상선 결절을 구분한 후 이미지 상으로 구분 및 영 상분할된 종양 영역의 양악성에 관한 분류 작업을 ANN으로 시도하였다.[그림 11, 12 참조]

성능/효과

최근 ETRI는 가천대학교와 공동 연구를 추진하고 있으며, 머신러닝 기반 2D 마모그램 CAD 최적화 연구를 진행중에 있다. 2D 기반 마모그램 CAD의 최적화에는 CNN 형태 의 VGG(Very Deep Convolutional Networks for LargeScale Visual Recognition)-net을 적용한 결과 인공신경망의 learning rate와 여러 단계의 batch 모드의 미분강하법 (Gradient Descent method), 그리고 반복 학습 횟수에 따라 여러 가지 상이한 학습 효과가 발생하는 것을 알 수 있었다.
국내에서 개발 및 시험 진행 중인 ETRI의 최근 마모그램 CAD 종괴 검출 기술을 적용한 경우 그림 6와 그림 7 과 같은 유방의 미세석회화 군집이나 종괴의 검출 결과 영상을 얻을 수 있다. ETRI에서 제안한 CAD의 검출 알고리즘은 제한 된 개수의 영상 데이터의 시험 적용 결과 미세석회화 군집의 검출 성공률과 종괴 검출 성공률이 각각 98%와 89% 이상의 결과를 얻은 것으로 나타났다. 특히, 기존의 ETRI 측에서 개 발한 종괴 검출 알고리즘의 경우, 인공신경망을 적용한 딥러 닝(Deep-Learning) 기반의 알고리즘 최적화를 시도한 결과 30% 오검출률 감소 효과를 거두었다.
① ‌ 기존 마모그래피(Mammography) CAD는 미세석회화 검출에는 탁월한 성능을 보이나, 전체 유방암의 95%로 발전 가능한 종괴의 검출률은 80% 초중반으로 유방초음 파와 MR 유방촬영의 종괴 검출률(95% 내외)에 비하여 현저히 낮은 수준이다.
갑상선 결절 양악성 분류에 적용된 ANN 분류 방법은 ANN 의 학습에 사용된 갑상선 초음파사진에 한하여 K-NN, Bayes추론 방식 등으로 분류한 타 분류 방법 보다 다소 우수한 성능을 나타내었다. 특히, K-NN 방식에 의한 양악성 분류성능 이 악성(Malignant)에 대하여 36.
갑상선 결절 양악성 분류에 적용된 ANN 분류 방법은 ANN 의 학습에 사용된 갑상선 초음파사진에 한하여 K-NN, Bayes추론 방식 등으로 분류한 타 분류 방법 보다 다소 우수한 성능을 나타내었다. 특히, K-NN 방식에 의한 양악성 분류성능 이 악성(Malignant)에 대하여 36.66%, 양성(Benign)에 대하 여 80.00%의 분류 정확도를 나타낸 반면, ANN의 경우, 악성 93.33%, 양성 90.00%의 상대적으로 높은 분류 정확도를 나타 낸 것으로 확인되었다.
ETRI에서 제안한 CAD의 검출 알고리즘은 제한 된 개수의 영상 데이터의 시험 적용 결과 미세석회화 군집의 검출 성공률과 종괴 검출 성공률이 각각 98%와 89% 이상의 결과를 얻은 것으로 나타났다. 특히, 기존의 ETRI 측에서 개 발한 종괴 검출 알고리즘의 경우, 인공신경망을 적용한 딥러 닝(Deep-Learning) 기반의 알고리즘 최적화를 시도한 결과 30% 오검출률 감소 효과를 거두었다.

후속연구

영상이미지 분야의 인공지능에 의한 인식 및 분류에 관한 응용 가능성에 있어서도 인공지능 인식 기술의 발전과 소프트웨어 및 하드웨어 툴의 발전에 발 맞추어 그 응용 가능성이 무한히 확장될 수 있을 것으로 전망된다. 단순히 영상이미지 영역에서뿐만 아니라, 로봇의 독립적인 수술 능력을 배양하기 위한 혁신적인 연구와 의사를 보조하는 진료와 진단 시스템 분야에서의 인공지능에 관한 기술과 연구 개발은 앞으로 계속될 것으로 기대된다.
시도한 강화학습의 효과는 강화학습 이전의 경우보다 평균 10% 이상의 오검출률의 감소를 나타냄으로써 향후 진행되는 강화학습에 의한 오검출률의 감소에 의한 마모그램 CAD의 검출 정확성의 향상에 큰 발전을 가져올 수 있을 것으로 기대한다.
4차 산업혁명이라는 수식어에 걸맞게 인공지능 관련 산업과 시장은 나날이 커지고 발전되고 있는 상황에서 의료서비스산업에서 인공지능이 역할 할 수 있는 분야는 아직 많을 것으로 예측된다. 영상이미지 분야의 인공지능에 의한 인식 및 분류에 관한 응용 가능성에 있어서도 인공지능 인식 기술의 발전과 소프트웨어 및 하드웨어 툴의 발전에 발 맞추어 그 응용 가능성이 무한히 확장될 수 있을 것으로 전망된다. 단순히 영상이미지 영역에서뿐만 아니라, 로봇의 독립적인 수술 능력을 배양하기 위한 혁신적인 연구와 의사를 보조하는 진료와 진단 시스템 분야에서의 인공지능에 관한 기술과 연구 개발은 앞으로 계속될 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	CNN 구조란 무엇인가?	CNN 구조는 Yann Lecun 교수에 의하여 처음 소개 되었는데, 그것은 인공시냅스(Synapse) 구조내의 여러 개의 은닉층 (hidden layer)들을 각각 그 이전의 입력치 layer들로부터 전해 받은 (분류대상이 되는 처음 image를 묘사하는) 입력 데이터에 관한 정보들에 대하여 순차적인 filter weight parameter 행렬(Filter or Kernel)들을 합성곱(convolution)하여 얻어진 값들을 적용하여 인공신경망 구조로 연결시킴으로써 인공지능 시스템을 학습시키는 방식이다.[3]
	다층인공신경망(MLP) 구조는 어떤 구조로 되어있는가?	다층인공신경망(MLP) 구조는 인공신경망(이하 ANN) 구조의 일반형이라고 볼 수 있는데, 이 구조는 마치 사람의 뇌의 정보 전달 구조를 모방한 것 같은 구조로 되어 있다. ANN에서 전제하고 있는 뇌의 정보 전달 구조는 뇌의 정보가 은닉층으로 묘사되는 여러 겹의 시냅스 신경정보전달 세포층으로 순차적으로 전달되며, 이 은닉층들은 각각의 층들이 신경 시냅스 세포들 간의 독립적인 신경전달 강도로 서로 연속적으로 연결되어 있다고 가정하는 구조이다.
	ANN 구조의 학습(Learning or Training)의 학습방식 목표는 무엇인가?	ANN 구조의 학습(Learning or Training)은 각 신경망 층들을 연결하는 시냅스들 간의 연결강도(weight parameter)를 순차적으로 입력되는 학습용 데이터(training sample data)들과 목적 데이터(target label data)들을 활용하여 계산하고 최종 확정함으로써 이루어진다. 학습방식은 목적 데이터와 설정 된 인공신경망 구조를 통과하여 최종적으로 추정된 출력 근사값의 차이를 줄이는 것을 목표로 이루어진다, 이 때 설정되는 함수가 일종의 2차 함수(Quadratic function) 형태의 에너지 함수인데 여러 가지 가능한 반복학습 알고리즘(Iterative method)을 통하여 이 에너지 함수의 값이 줄어드는 방향으로 학습을 진행시킨다.[7]

참고문헌 (13)

Lewis M. Clements, Kara M. Kockelman, Economic effects of automated vehicles, Presented at the 96th Annual Meeting of the Transportation Research Board and forthcoming in Transportation Research Record, (2017).
M. W. Gardner and S. R. Dorling, Artificial neural networks(the multilayer perceptron)-A review of applications in the atmospheric sciences, Atmospheric Environment, Vol. 32, No. 14/15, pp. 2627-2636, (1998).

상세보기
LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., and Jackel, L. D., Back-Propagation Applied to Handwritten Zipcode Recognition, Neural Computation, 1(4), (1990)
LeCun, Y., Bottou L., Bengio Y. and Haffner P., Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 86(11): 2278- 2324, November 1998.

상세보기
Dharmesh Singh and Mandeep Singh, Classification of Mammograms using Support Vector Machine, International Journal of Signal Processing, Image Processing and Pattern Recognition, Vol. 9, No.5, pp.259-268, (2016)
Rosenblatt, F., The Perceptron: A Probabilistic Model For Information Storage And Organization In The Brain, Psychological Review, 65 (6): 386-408, (1958)

상세보기
Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J.. "Learning representations by backpropagating errors". Nature. 323 (6088): 533-536, 8 October, (1986).

상세보기
Shen, L., R.M. Rangayyan and J.E.L. Desautels, Application of shape analysis to mammographic calcification, IEEE Trans. Med. Imag., 13: 263-274, (1994).
David Silver, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel & Demis Hassabis, Mastering the game of Go with deep neural networks and tree search, Nature 529, 484-489, 28 January, (2016).

상세보기
Williams, Michael R., A History of Computing Technology. Los Alamitos, CA: IEEE Computer Society Press, (1997).
Yu, S. and L. Guan, A CAD system for the automatic detection of clustered microcal-cifications in digitized mammogram films, IEEE Trans. Med. Imaging, 19: 115-126, (2000).

상세보기
Zheng, B., W.F. Good, D.R. Armfield, C. Cohen, T. Hertzberg, J.H. Sumkin and D. Gur, Performance change of mammographic CAD schemes optimized with most-recent and prior image databases, Acad. Radiol., 10: 283-288, (2003).

상세보기
Form 10-K, For the Fiscal Year Ended September 26, Apple Inc., (2015).

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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