선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 현재 진행되고 있는 내시경의 컴퓨터 보조 진단 시스템 연구로는 내시경에서 보이는 이미지 표면의 구조적 특징을 분석하여 위험 병변을 검출하는 연구와 협대역 내시경을 이용하여 각종 병변의 특징을 찾아내고 비교 분석하여 위험 병변을 찾아내는 연구가 있다. 따라서 이번 연구는 현재 진행 중인 연구보다 보다 정확하고 편리하게 위내시경 이미지에서 보이는 각종 병변을 판별하고 위암 조기 진단이 가능할 수 있도록 도와주는 컴퓨터 보조 내시경 진단 시스템을 구성하는 것을 목표로 한다. 특히 이번 연구의 목표는 위 내시경의 이미지 데이터를 딥러닝 모델에 학습한 뒤에 정상, 비정상 여부를 판단을 하고, 신뢰할만한 위 병변의 이미지 분류로 보다 정확한 결과 값을 얻는 것이다.
- 따라서 이번 연구는 현재 진행 중인 연구보다 보다 정확하고 편리하게 위내시경 이미지에서 보이는 각종 병변을 판별하고 위암 조기 진단이 가능할 수 있도록 도와주는 컴퓨터 보조 내시경 진단 시스템을 구성하는 것을 목표로 한다. 특히 이번 연구의 목표는 위 내시경의 이미지 데이터를 딥러닝 모델에 학습한 뒤에 정상, 비정상 여부를 판단을 하고, 신뢰할만한 위 병변의 이미지 분류로 보다 정확한 결과 값을 얻는 것이다.
제안 방법
- 따라서 데이터의 양을 증가시켜 오버피팅을 방지하거나 제대로 학습을 진행하여 성능을 향상시킬 수가 있다. 구성된 딥러닝 모델에 Abnormal과 Normal로 나누어 학습을 진행을 하고 테스트 집합으로 구성된 124장의 이미지로 분류작업을 진행하였다. 학습된 모델을 기반으로 추론(inference)한 값으로 Normal, Abnormal state 중에서 상대적으로 높은 추정치를 가진 클래스로 분류를 하였다.
- 시스템을 설계하기 위하여 취득한 데이터를 두 집합으로 임의로 분류하였고, 학습모델을 구성하기 위하여 125개의 학습 이미지를 회전을 통해 500개로 구성하여 학습을 하였다. 그리고 124개의 이미지에 대한 추론을 하여 분류를 진행하였다. 그 결과 Az 값은 데이터 증가 전은 0.
- Az값은 ROC(Receiver Operating Characteristic) curve의 면적으로 민감도와 특이도를 사용하여 정확도를 평가한다. 따라서 본 논문에서는 구성한 컴퓨터 보조 진단 시스템의 성능은 Az값을 측정하여 평가를 하였다.
- 이것은 모델이 가장 높은 확률로 예측한 5가지의 예측이 정답이 아닌 빈도를 검토하는 퍼센트를 표현한 것이다. 본 논문에서 사용한 Inception 모듈 기반의 딥러닝 모델의 버전인 Inception-V3는 Top-5 Error가 3.58%로 높은 성능을 보여주는 모델로 분류학습을 진행을 하였다[11].
- 본 논문에서는 위 내시경 영상을 이용하여 병변 진단을 하는 컴퓨터 보조 진단 시스템을 제안하고 이를 이용하여 분류 시스템을 구현하였다. 구현된 알고리즘은 딥러닝 모델중 하나인 Inception 모듈 기반의 딥러닝 모델을 사용하였으며, 학습된 딥러닝 모델을 기반으로 위 내시경 영상에 대한 병변 진단 컴퓨터 보조 진단 시스템을 구성하였다.
- 해당 프로그램을 구동하는 하드웨어 환경은 AMD RYZEN 1600, NVIDIA GEFORCE1070TI을 사용하였고, 학습 횟수를 10000번으로 설정을 하여 반복 학습을 진행하였다. 비정상 이미지에 사용된 병변 이미지들은 출혈을 동반한 진행 중인 위암(Advanced Gastric Cancer with bleeding)과 조기 위암(Early Gastric Cancer)의 위하부(Prepyloricantrum) 이미지, 조기 위암 점막 이미지, 위유암종(Gastric neuroendocrine tumor), 위용종(Gastric adenoma) 이미지, 위궤양(Gastric ulcer) 이미지, 출혈을 동반한 위궤양 등 여러 종류의 위 병변 이미지들을 비정상(abnormal) 클래스로 학습을 진행하였다. 그림 7과 8은 학습 횟수에 따른 오차와 정확도의 변화를 보여주는 그래프이다.
- 정상, 비정상을 분류하는 학습을 위해서 위의 그림 2와 같은 건강한 이미지를 정상으로 사용하였다. 비정상은 융기형, 표면형, 함몰형 등의 위암 이미지들을 사용하였고[12], 그림 3과 같이 출혈, 위염, 위궤양 등 위암으로 진행의 가능성이 있는 병변들을 모두 비정상으로 분류하게 학습을 시켰다. 해당 프로그램을 구동하는 하드웨어 환경은 AMD RYZEN 1600, NVIDIA GEFORCE1070TI을 사용하였고, 학습 횟수를 10000번으로 설정을 하여 반복 학습을 진행하였다.
- 학습 데이터는 500장으로 총 구성이 되어있다, 그림 6과 같이 학습 집합 이미지인 125장을 90°, 180°, 270°회전을 한 이미지를 포함하여 학습 데이터를 구성하였다. 의료 데이터의 특성상 많은 데이터 확보가 어려워 회전을 통해 데이터의 양을 늘려 학습을 진행하였다. 데이터가 부족한 상태에서 학습을 할 경우 학습 모델이 학습 데이터에 특화되어 오버피팅(overfitting)이 생기거나 제대로 된 학습이 이뤄지지 않는다.
- 표 2와 같이 정상과 비정상의 이미지를 분류하여 결과를 나타내었다. 정상 이미지 68개 중 55개를 정상으로 분류하였고 비정상 이미지 56개 중에서 38개를 비정상 이미지로 분류하였다. 민감도(sensitivity)와 특이도(specificity) 값은 각각 0.
- 구성된 딥러닝 모델에 Abnormal과 Normal로 나누어 학습을 진행을 하고 테스트 집합으로 구성된 124장의 이미지로 분류작업을 진행하였다. 학습된 모델을 기반으로 추론(inference)한 값으로 Normal, Abnormal state 중에서 상대적으로 높은 추정치를 가진 클래스로 분류를 하였다. Az값은 ROC(Receiver Operating Characteristic) curve의 면적으로 민감도와 특이도를 사용하여 정확도를 평가한다.
- 학습한 모델을 사용하여 테스트 집합인 124개의 이미지에 대해서 분류를 진행하였다. 표 2와 같이 정상과 비정상의 이미지를 분류하여 결과를 나타내었다.
- 비정상은 융기형, 표면형, 함몰형 등의 위암 이미지들을 사용하였고[12], 그림 3과 같이 출혈, 위염, 위궤양 등 위암으로 진행의 가능성이 있는 병변들을 모두 비정상으로 분류하게 학습을 시켰다. 해당 프로그램을 구동하는 하드웨어 환경은 AMD RYZEN 1600, NVIDIA GEFORCE1070TI을 사용하였고, 학습 횟수를 10000번으로 설정을 하여 반복 학습을 진행하였다. 비정상 이미지에 사용된 병변 이미지들은 출혈을 동반한 진행 중인 위암(Advanced Gastric Cancer with bleeding)과 조기 위암(Early Gastric Cancer)의 위하부(Prepyloricantrum) 이미지, 조기 위암 점막 이미지, 위유암종(Gastric neuroendocrine tumor), 위용종(Gastric adenoma) 이미지, 위궤양(Gastric ulcer) 이미지, 출혈을 동반한 위궤양 등 여러 종류의 위 병변 이미지들을 비정상(abnormal) 클래스로 학습을 진행하였다.
대상 데이터
- 모든 영상은 소화기 내과 전문의 판단으로 검증되었다. 137개의 비정상 위내시경 이미지와 112개의 정상 내시경 이미지를 포함하는 총 249개의 이미지로 구성되어 있고, 총 10명 환자로부터 취득하였다. 이때 비정상 위내시경 이미지는 위암을 포함한 출혈, 궤양, 위유암종 등으로 구성되었다.
- 구현된 알고리즘은 딥러닝 모델중 하나인 Inception 모듈 기반의 딥러닝 모델을 사용하였으며, 학습된 딥러닝 모델을 기반으로 위 내시경 영상에 대한 병변 진단 컴퓨터 보조 진단 시스템을 구성하였다. 시스템을 설계하기 위하여 취득한 데이터를 두 집합으로 임의로 분류하였고, 학습모델을 구성하기 위하여 125개의 학습 이미지를 회전을 통해 500개로 구성하여 학습을 하였다. 그리고 124개의 이미지에 대한 추론을 하여 분류를 진행하였다.
- 위 병변 컴퓨터 보조 진단 (CADx) 연구를 위하여 임상 시험 심사 위원회(IRB, Institutional Review Board)의 허가를 받은 3차 종합병원 위 내시경 영상을 사용하였다. 모든 영상은 소화기 내과 전문의 판단으로 검증되었다.
- 정상, 비정상을 분류하는 학습을 위해서 위의 그림 2와 같은 건강한 이미지를 정상으로 사용하였다. 비정상은 융기형, 표면형, 함몰형 등의 위암 이미지들을 사용하였고[12], 그림 3과 같이 출혈, 위염, 위궤양 등 위암으로 진행의 가능성이 있는 병변들을 모두 비정상으로 분류하게 학습을 시켰다.
- 학습 데이터는 500장으로 총 구성이 되어있다, 그림 6과 같이 학습 집합 이미지인 125장을 90°, 180°, 270°회전을 한 이미지를 포함하여 학습 데이터를 구성하였다.
- 해당 연구를 위하여 취득한 데이터를 학습 집합과 테스트 집합으로 구성하였고, 정상 및 비정상 내시경 이미지는 다음 그림 2와 3과 같다. 해당 연구에서 사용된 내시경 기기는 올림푸스 HQ290이고 1080/60i로 촬영되었다. 취득한 병변 이미지의 수는 표 1과 같다.
이론/모형
- 본 논문에서는 위 내시경 영상을 이용하여 병변 진단을 하는 컴퓨터 보조 진단 시스템을 제안하고 이를 이용하여 분류 시스템을 구현하였다. 구현된 알고리즘은 딥러닝 모델중 하나인 Inception 모듈 기반의 딥러닝 모델을 사용하였으며, 학습된 딥러닝 모델을 기반으로 위 내시경 영상에 대한 병변 진단 컴퓨터 보조 진단 시스템을 구성하였다. 시스템을 설계하기 위하여 취득한 데이터를 두 집합으로 임의로 분류하였고, 학습모델을 구성하기 위하여 125개의 학습 이미지를 회전을 통해 500개로 구성하여 학습을 하였다.
- 본 연구에서는 이미지 분석에 특화가 된 합성곱 신경망인 Convolutional Neural Network(CNN)을 사용한다. 다양한 합성 곱 신경망 중 ImageNet 대회에서 좋은 결과를 보여 많이 사용되는 모델인 Inception 모듈 기반의 딥러닝 모델을 사용하여 분류를 진행하였다. 신경망은 망이 깊어질수록 성능이 좋아지지만 깊은 층을 쌓음으로써 몇 가지 문제가 발생한다.
- 본 논문에서 사용한 Inception 모듈 기반의 딥러닝 모델에서는 마지막 층 Fully Connected Layer에 Batch Normalization(BN)-auxiliary를 적용한 모델로서 이전 버전보다 성능이 향상된 모델이다. 딥러닝 모델 간에 성능을 비교할 때 “Top-5 error rate“를 지표로 성능을 측정한다.
- 본 연구에서는 이미지 분석에 특화가 된 합성곱 신경망인 Convolutional Neural Network(CNN)을 사용한다. 다양한 합성 곱 신경망 중 ImageNet 대회에서 좋은 결과를 보여 많이 사용되는 모델인 Inception 모듈 기반의 딥러닝 모델을 사용하여 분류를 진행하였다.
성능/효과
- 그리고 124개의 이미지에 대한 추론을 하여 분류를 진행하였다. 그 결과 Az 값은 데이터 증가 전은 0.808이고, 데이터 증가 후에 결과는 0.832라는 좀 더 향상된 성능을 보여주었다.
후속연구
- 향후 연구에서 여러 병변의 위내시경 이미지 데이터를 많이 수집하여 Az값을 증가 시킬 것이다. 또한 성능을 향상하기 위해 이미지 처리 방법들을 다양하게 적용해 진행하여 분석할 예정이다. 해당 연구와 같이 비정상, 정상을 분류하는 것이 아닌 각종 병변의 특징을 구분하고 그것에 대한 위험도를 나누어서 결과를 도출시킬 수 있도록 하여 다양한 분석기법 및 학습 모델을 설계하여 한 단계 높은 컴퓨터 보조 진단 시스템(CADx)을 구성할 예정이다.
- 또한 성능을 향상하기 위해 이미지 처리 방법들을 다양하게 적용해 진행하여 분석할 예정이다. 해당 연구와 같이 비정상, 정상을 분류하는 것이 아닌 각종 병변의 특징을 구분하고 그것에 대한 위험도를 나누어서 결과를 도출시킬 수 있도록 하여 다양한 분석기법 및 학습 모델을 설계하여 한 단계 높은 컴퓨터 보조 진단 시스템(CADx)을 구성할 예정이다.
- 향후 연구에서 여러 병변의 위내시경 이미지 데이터를 많이 수집하여 Az값을 증가 시킬 것이다. 또한 성능을 향상하기 위해 이미지 처리 방법들을 다양하게 적용해 진행하여 분석할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.