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
- 본 연구에서는 광자계수검출기 기반 이중 에너지 스펙트럼 유방촬영에서 머신러닝 기술을 이용한 종양 검출 및 분류 가능성을 확인하고자 하였다. 또한 분류 정확도 평가를통해 일반적인 단일 에너지 유방촬영 기법과의 비교를 진행하였다.
- 본 연구에서는 유방 팬텀을 이용하여 광자계수검출기 기반 이중에너지 디지털 유방촬영에서 종양 두께 추출을 위한 머신러닝 입력데이터를 증가시켜 평균 95% 이상의 분류 정확도를 확인하였다. 일반적인 유방촬영에서 불가능한 종양 두께를 추출할 수 있는 방법을 제안하였으며, 추가적인 검사 없이 실제 종양과 근사한 두께로 종양을 분류할 수 있는데 의의가 있다.
- 본 연구에서는 이중에너지 디지털 유방촬영에서 지도학습 기반 머신러닝을 이용하여 데이터를 학습시킴으로써 에너지 선택적 유방촬영의 진단 정확도를 향상시키고자 하였다. 또한 본 연구에서 제안하는 방법을 일반적인 디지털 유방촬영영상에서 추출하기 어려운 종양 두께에 대해서 시행하였고, 훈련 데이터 대비 검증 데이터의 비율을 다양하게 설정하여 각 머신러닝 알고리즘을 통해 예측된 종양 두께의 정확도를 비교하였다.
가설 설정
- 본 연구에서는 머신러닝을 이용한 에너지 선택적 유방촬영의 진단 정확도 향상 가능성을 확인하는 것에 중점을 두고 있기 때문에 광자계수검출기의 단점인 펄스중첩과 전하 공유는 고려하지 않았다. 펄스중첩과 전하공유는 검출기에서 측정되는 X선 에너지 스펙트럼의 정확도를 감소시키기 때문에 본 연구결과에 대조도 감소 및 잡음 증가와 같은 영향을 미칠 수 있을 것이다.
제안 방법
- 0(MathWork Inc, USA)) 프로그램 기반 머신러닝을 통한 분류 학습기를 이용하여 종양 두께 추출을 위한 분류기를 생성하였다. 각 에너지 영상에서 6.5 mm의 반지름을 갖는 원형 관심영역을 종양 부위에 설정하여 각 종양 두께에 대한 대조도 대 잡음비를 측정하였다. 대조도 대 잡음비는 다음식 (1)과 같이 계산할 수 있다[19].
- 는 각각 종양 신호의 평균값과 표준편차를 의미한다. 단일 에너지 및 이중 에너지의 각 에너지 범위에서 측정된 대조도 대 잡음비를 머신러닝의 입력 데이터로, 각 종양의 두께를 머신러닝의 출력 데이터로 이용하여 분류기를 생성하였다. 본 연구에서는 설정된 종양 두께와 X선 영상에서 측정된 대조도대 잡음비의 관계를 바탕으로 머신러닝을 이용하였기 때문에 동일 종양 두께에 대하여 모든 연령대 X선 영상의 대조도 대 잡음비 수준이 유사할수록, 각기 다른 종양 두께에대해서는 X선 영상의 대조도 대 잡음비가 중첩되지 않고 분리되어 있을수록 머신러닝의 분류 정확도가 높다는 것을의미한다.
- 본 연구에서는 이중에너지 디지털 유방촬영에서 지도학습 기반 머신러닝을 이용하여 데이터를 학습시킴으로써 에너지 선택적 유방촬영의 진단 정확도를 향상시키고자 하였다. 또한 본 연구에서 제안하는 방법을 일반적인 디지털 유방촬영영상에서 추출하기 어려운 종양 두께에 대해서 시행하였고, 훈련 데이터 대비 검증 데이터의 비율을 다양하게 설정하여 각 머신러닝 알고리즘을 통해 예측된 종양 두께의 정확도를 비교하였다.
- 본 연구에서는 광자계수검출기 기반 이중 에너지 스펙트럼 유방촬영에서 머신러닝 기술을 이용한 종양 검출 및 분류 가능성을 확인하고자 하였다. 또한 분류 정확도 평가를통해 일반적인 단일 에너지 유방촬영 기법과의 비교를 진행하였다.
- 전체 X-선 에너지 스펙트럼을 이용하여 일반적인 단일에너지 유방영상을 획득하였으며, 이중 에너지 영상 획득시 광자계수검출기의 전기적 잡음을 최소화하기 위해 20keV 이상의 에너지 범위를 선택적으로 설정하여 유방영상을 획득하였다. 또한 유선조직과 종양의 선감약계수를 바탕으로 저에너지 및 고에너지 영상 사이의 종양 대조도 차이를 극대화하기 위해 저에너지 범위를 20-26 keV, 고에너지범위를 38-44 keV로 설정하여 이중 에너지 유방영상을 획득하였다(Fig. 3).
- 본 연구에서 훈련과 검증 단계로 나누어서 머신러닝 알고리즘의 정확도를 평가하였다. 또한 훈련과 검증 데이터 비율에 따른 정확도 변화정도를 평가하기 위해 훈련 및 검증데이터의 비율을 2:4, 3:3 및 4:2로 설정하였다. 첫 번째 세트(set 1)는 30대와 40대, 두 번째 세트(set 2)는 30대부터 50대, 세 번째 세트(set 3)는 30대부터 60대까지의 데이터를 훈련 데이터로 이용하였고, 각 세트에서 훈련 데이터에 포함되지 않는 데이터를 검증에 이용하였다.
- 머신러닝 기반 분류기로 결정 트리(Decision Tree), 판별 분석(Discriminant Analysis), 로지스틱 회귀(Logistic Regression), SVM, KNN 및 앙상블(Ensemble) 알고리즘을 이용하였으며, 각 알고리즘에서 훈련을 통한 분류 기준설정 시 1-3차의 방정식을 사용하였다. 훈련 정확도는 5-fold cross validation을 이용하여 평가되었다[20].
- 본 연구에서는 4개의 에너지 문턱값을 사용하여 X선 영상을 획득하였다. 본 연구에서 모델링 한 검출기는 선형의 모양을 갖기 때문에 2차원 유방촬영영상을 획득하기 위해검출기가 일정한 방향으로 이동 가능하도록 시뮬레이션 하였다.
- 본 연구에서 훈련과 검증 단계로 나누어서 머신러닝 알고리즘의 정확도를 평가하였다. 또한 훈련과 검증 데이터 비율에 따른 정확도 변화정도를 평가하기 위해 훈련 및 검증데이터의 비율을 2:4, 3:3 및 4:2로 설정하였다.
- 본 연구에서는 매트랩(MATLAB software verson 9.0(MathWork Inc, USA)) 프로그램 기반 머신러닝을 통한 분류 학습기를 이용하여 종양 두께 추출을 위한 분류기를 생성하였다. 각 에너지 영상에서 6.
- 종양 두께추출에 대한 머신러닝의 가능성을 확인하기 위해 펄스중첩과 전하공유는 고려하지 않았다. 압박된 유방을모사하기 위해 지름 100 mm, 두께 38 mm의 반원 형태의유방 팬텀을 모델링 하였고, 유방 팬텀을 검출기에 밀착되도록 설정하였다. 유방 팬텀의 물질은 유선조직과 지방질로구성하였으며, Table 1과 같이 연령에 따라 유선조직과 지방질의 혼합비율을 다르게 하여 30대부터 80대까지 각각 72.
- 압박된 유방을모사하기 위해 지름 100 mm, 두께 38 mm의 반원 형태의유방 팬텀을 모델링 하였고, 유방 팬텀을 검출기에 밀착되도록 설정하였다. 유방 팬텀의 물질은 유선조직과 지방질로구성하였으며, Table 1과 같이 연령에 따라 유선조직과 지방질의 혼합비율을 다르게 하여 30대부터 80대까지 각각 72.15, 70.7, 61.1, 47, 44.55 및 41.65의 유선조직 치밀도를 갖도록 설정하였다[16]. 유방 팬텀 내부에 위치한 종양은 지름 15 mm의 수산화인회석(Ca5(OH)(PO4)3)으로 구성하였으며 1-4 mm의 다양한 두께로 설정하였다(Fig.
- 입력 데이터 증가에 따른 머신러닝 정확도 향상을 확인하기 위해 단일 에너지 및 이중 에너지 X-선 영상을 획득하였다. 전체 X-선 에너지 스펙트럼을 이용하여 일반적인 단일에너지 유방영상을 획득하였으며, 이중 에너지 영상 획득시 광자계수검출기의 전기적 잡음을 최소화하기 위해 20keV 이상의 에너지 범위를 선택적으로 설정하여 유방영상을 획득하였다. 또한 유선조직과 종양의 선감약계수를 바탕으로 저에너지 및 고에너지 영상 사이의 종양 대조도 차이를 극대화하기 위해 저에너지 범위를 20-26 keV, 고에너지범위를 38-44 keV로 설정하여 이중 에너지 유방영상을 획득하였다(Fig.
- 훈련에 사용된 22개의 전체 알고리즘 중 LDA, quadraticSVM, cubic SVM, medium gaussian SVM, fine KNN,weighted KNN 및 ensemble 총 7개의 알고리즘이 높은 훈련 정확도를 보였으며, 해당 알고리즘을 이용하여 검증을 진행하였다. 검증에 사용된 알고리즘의 평균 훈련 정확도는 단일 에너지 및 이중 에너지 영상화 기술에 대해 각각 76%및 99%를 보였으며, 이중 에너지 기술이 단일 에너지 기술보다 훈련 정확도가 약 1.
대상 데이터
- 본 연구에서는 4개의 에너지 문턱값을 사용하여 X선 영상을 획득하였다. 본 연구에서 모델링 한 검출기는 선형의 모양을 갖기 때문에 2차원 유방촬영영상을 획득하기 위해검출기가 일정한 방향으로 이동 가능하도록 시뮬레이션 하였다.
- 65의 유선조직 치밀도를 갖도록 설정하였다[16]. 유방 팬텀 내부에 위치한 종양은 지름 15 mm의 수산화인회석(Ca5(OH)(PO4)3)으로 구성하였으며 1-4 mm의 다양한 두께로 설정하였다(Fig. 1)[17].
- 입력 데이터 증가에 따른 머신러닝 정확도 향상을 확인하기 위해 단일 에너지 및 이중 에너지 X-선 영상을 획득하였다. 전체 X-선 에너지 스펙트럼을 이용하여 일반적인 단일에너지 유방영상을 획득하였으며, 이중 에너지 영상 획득시 광자계수검출기의 전기적 잡음을 최소화하기 위해 20keV 이상의 에너지 범위를 선택적으로 설정하여 유방영상을 획득하였다.
- 또한 훈련과 검증 데이터 비율에 따른 정확도 변화정도를 평가하기 위해 훈련 및 검증데이터의 비율을 2:4, 3:3 및 4:2로 설정하였다. 첫 번째 세트(set 1)는 30대와 40대, 두 번째 세트(set 2)는 30대부터 50대, 세 번째 세트(set 3)는 30대부터 60대까지의 데이터를 훈련 데이터로 이용하였고, 각 세트에서 훈련 데이터에 포함되지 않는 데이터를 검증에 이용하였다. 분류기를 이용한 훈련과 검증 알고리즘은 Fig.
이론/모형
- 본 연구에서는 Gean4 Application for Tomograpic Emission(GATE) version 6.0을 이용하여 광자계수검출기 기반 유방촬영 시스템을 모사하였다[13-15]. 초점-검출기간거리는 600 mm로 설정하였다.
- 연속 X선 에너지 스펙트럼은 SRS-78 프로그램을 이용하여 모사되었다[18]. X선 에너지 스펙트럼은 텅스텐 양극,44 kVp의 관전압, 600 μAs의 관전류 및 8 mm 알루미늄 필터를 이용하여 0.
- 머신러닝 기반 분류기로 결정 트리(Decision Tree), 판별 분석(Discriminant Analysis), 로지스틱 회귀(Logistic Regression), SVM, KNN 및 앙상블(Ensemble) 알고리즘을 이용하였으며, 각 알고리즘에서 훈련을 통한 분류 기준설정 시 1-3차의 방정식을 사용하였다. 훈련 정확도는 5-fold cross validation을 이용하여 평가되었다[20]. 전체분류기 중 훈련 정확도가 상위 30%인 분류기만을 이용하여 검증을 진행하였으며, 각 분류기의 정확도는 식 (2)를 이용하여 계산하였다[21]
성능/효과
- Kourou K et al.가 제시한 암 예측을 위한 머신러닝 연구의 경우 암의 유무만을 확인하기 때문에 종양의 두께를 추출하는 데에는 한계점이 있으며, 최저 68%, 최고 100%및 평균 82%의 정확도로 암의 유무를 예측 및 분류함으로써 최저 95%, 최고 100% 및 평균 97.5%의 분류 정확도를 보이는 본 연구에서 제시한 이중에너지 기반 머신러닝보다 낮은 분류 정확도를 보이는 것을 알 수 있다[23]. 뿐만 아니라 본 연구에서 제시한 방법의 경우 0 cm 종양 두께를 통해 종양의 유무를 알 수 있을 뿐만 아니라 다양한 종양의 두께를 분류할 수 있음을 알 수 있다.
- 각 종양 두께 별 분류 정확도는 단일 에너지 영상화 기술의 경우 0 mm와 1 mm 종양에 대해 100% 분류 정확도를, 2 mm, 3 mm, 4 mm 종양에 대해 각각 12%, 37%, 50% 정확도를 보였다. 반면, 이중 에너지 영상화 기술의 경우 0mm, 1 mm, 2 mm 및 3 mm 종양에 대해 100% 분류 정확도를, 4 mm 종양에 대해 79% 분류 정확도를 보였다.
- 훈련에 사용된 22개의 전체 알고리즘 중 LDA, quadraticSVM, cubic SVM, medium gaussian SVM, fine KNN,weighted KNN 및 ensemble 총 7개의 알고리즘이 높은 훈련 정확도를 보였으며, 해당 알고리즘을 이용하여 검증을 진행하였다. 검증에 사용된 알고리즘의 평균 훈련 정확도는 단일 에너지 및 이중 에너지 영상화 기술에 대해 각각 76%및 99%를 보였으며, 이중 에너지 기술이 단일 에너지 기술보다 훈련 정확도가 약 1.3배 높은 것을 확인하였다.
- 광자계수검출기를 이용하여 한 번의 X선 조사를 통해 방사선량의 증가 없이 이중 에너지 영상화 기법 구현이 가능함을 확인하였다. 영상화질의 정량적 분석 결과, 단일 에너지 영상화 기술에 비해 이중 에너지 영상화 기술을 통해 획득한 영상의 잡음 및 대조도 대 잡음비 특성이 저하되는 것을 확인하였다.
- 8은 단일 에너지 및 이중 에너지 영상화 기술을 이용하여 종양 두께 분류 검증에 사용된 각 알고리즘에 대한 평균 정확도, 각 종양 두께 별 평균정확도를 보여준다. 단일 에너지 및 이중 에너지 영상화 기술의 평균 정확도는 각각 60% 및 96%로써 단일 에너지 대비 이중 에너지 영상화 기술의 분류 정확도가 약 1.6배 높은 것을 확인할 수있었다. 알고리즘별 분류 정확도는 단일 에너지 영상화 기술의 경우 fine KNN 및 weighted KNN 알고리즘에 대해 66%의 가장 높은 정확도를, LAD 및 ensemble 알고리즘에 대해 56%의 가장 낮은 정확도를 보였다.
- 6은 단일 에너지 및 이중 에너지 영상에서 종양의대조도 대 잡음비, 종양 두께, 연령 사이의 상관관계를 보여준다. 단일 에너지 영상의 평균 대조도 대 잡음비는 저에너지 및 고에너지 영상보다 각각 약 3.4 및 2.1배 높은 결과를 확인하였다. 단일 에너지 영상의 경우, 0 mm 및 1 mm 두께의 종양에 대해서는 상호관계에 의한 분리가 확인되는 반면 나머지 두께의 종양에 대해서는 대조도 대 잡음비의 차이가 작아 분리가 되지 않는 것을 확인할 수 있다.
- 5는 각각 단일 에너지 및 이중 에너지 영상에서 잡음, 종양 두께 및 연령 사이의 상관관계를 보여준다. 단일에너지 영상의 평균 잡음은 저에너지 및 고에너지 영상보다각각 약 0.15배 및 0.6배 낮은 결과를 확인하였다. 또한 단일 에너지 및 이중 에너지 영상에서 모든 연령대에 대해 종양의 두께가 증가할수록 잡음이 증가하는 결과를 보여준다.
- 6배 낮은 결과를 확인하였다. 또한 단일 에너지 및 이중 에너지 영상에서 모든 연령대에 대해 종양의 두께가 증가할수록 잡음이 증가하는 결과를 보여준다.
- 이 와 같은 결과는 동일한 데이터 조건에서 단일 에너지 영상화 기술에 비해 이중 에너지 영상화 기술이 분류의 정확도를 향상시킬 수 있다는 것을 나타낸다. 또한 이중 에너지 영상화 기술의 경우 훈련 데이터의 양이 증가할수록 분류 정확도는 향상된다는 것을 보여준다.
- 머신러닝 기반 종양 분류 결과, 그림 7에서 볼 수 있듯이모든 알고리즘에서 단일 에너지 기술에 비해 이중 에너지기술의 정확도가 높았다. 단일 에너지 기술의 경우 Fig.
- 각 종양 두께 별 분류 정확도는 단일 에너지 영상화 기술의 경우 0 mm와 1 mm 종양에 대해 100% 분류 정확도를, 2 mm, 3 mm, 4 mm 종양에 대해 각각 12%, 37%, 50% 정확도를 보였다. 반면, 이중 에너지 영상화 기술의 경우 0mm, 1 mm, 2 mm 및 3 mm 종양에 대해 100% 분류 정확도를, 4 mm 종양에 대해 79% 분류 정확도를 보였다.
- 5%, 66% 및 65%의 정확도를 보임으로써 데이터비율에 따른 분류 정확도 향상 효과는 확인할 수 없었다. 반면, 이중 에너지 영상화 기술의 경우 set 1, set 2 및 set 3에서 각각 95%, 97.5% 및 100%의 정확도를 확인하였다. 이 와 같은 결과는 동일한 데이터 조건에서 단일 에너지 영상화 기술에 비해 이중 에너지 영상화 기술이 분류의 정확도를 향상시킬 수 있다는 것을 나타낸다.
- 단일 에너지 및 이중 에너지의 각 에너지 범위에서 측정된 대조도 대 잡음비를 머신러닝의 입력 데이터로, 각 종양의 두께를 머신러닝의 출력 데이터로 이용하여 분류기를 생성하였다. 본 연구에서는 설정된 종양 두께와 X선 영상에서 측정된 대조도대 잡음비의 관계를 바탕으로 머신러닝을 이용하였기 때문에 동일 종양 두께에 대하여 모든 연령대 X선 영상의 대조도 대 잡음비 수준이 유사할수록, 각기 다른 종양 두께에대해서는 X선 영상의 대조도 대 잡음비가 중첩되지 않고 분리되어 있을수록 머신러닝의 분류 정확도가 높다는 것을의미한다.
- 하지만 이 두 현상은 분석적 모델 및 pixel binning을 통해 보정 가능하며, 추후 연구에 적용하여 본 연구에서 제안하는 방법의 신뢰성을 더욱 향상시킬 것이다[24]. 본 연구의 경우 유방 팬텀을 이용한 시뮬레이션 결과이며, 동일한 유방 두께를 기반으로 연령별로 대표적인 치밀도를 이용하여 팬텀을 모사하였기 때문에 동일한 연령대라도 다양한 두께 및 치밀도를 가지는 실제 임상데이터 적용 시 결과 값의 양상이 다르게 나타날 수 있다.또한 1 mm 간격으로 종양의 두께를 분류하였기 때문에 1mm 이하의 두께 차이를 보이는 종양에 대해서는 분류 정확도가 상이할 것이다.
- 5%의 분류 정확도를 보이는 본 연구에서 제시한 이중에너지 기반 머신러닝보다 낮은 분류 정확도를 보이는 것을 알 수 있다[23]. 뿐만 아니라 본 연구에서 제시한 방법의 경우 0 cm 종양 두께를 통해 종양의 유무를 알 수 있을 뿐만 아니라 다양한 종양의 두께를 분류할 수 있음을 알 수 있다.
- 6배 높은 것을 확인할 수있었다. 알고리즘별 분류 정확도는 단일 에너지 영상화 기술의 경우 fine KNN 및 weighted KNN 알고리즘에 대해 66%의 가장 높은 정확도를, LAD 및 ensemble 알고리즘에 대해 56%의 가장 낮은 정확도를 보였다. 이중 에너지 영상화 기술의 경우 LAD 및 ensemble 알고리즘에 대해 100%의 가장 높은 정확도를, quadratic SVM 및 cubic SVM에 대해 93%의 가장 낮은 정확도를 보였다.
- 광자계수검출기를 이용하여 한 번의 X선 조사를 통해 방사선량의 증가 없이 이중 에너지 영상화 기법 구현이 가능함을 확인하였다. 영상화질의 정량적 분석 결과, 단일 에너지 영상화 기술에 비해 이중 에너지 영상화 기술을 통해 획득한 영상의 잡음 및 대조도 대 잡음비 특성이 저하되는 것을 확인하였다. 이는 이중 에너지 영상화 기술 구현 시 입사되는 X선 에너지에 대한 물질의 감약 차이를 최대화하기 위해 일부 에너지 범위만을 선택적으로 사용하였기 때문이다.
- 5% 및 100%의 정확도를 확인하였다. 이 와 같은 결과는 동일한 데이터 조건에서 단일 에너지 영상화 기술에 비해 이중 에너지 영상화 기술이 분류의 정확도를 향상시킬 수 있다는 것을 나타낸다. 또한 이중 에너지 영상화 기술의 경우 훈련 데이터의 양이 증가할수록 분류 정확도는 향상된다는 것을 보여준다.
- 훈련 및 검증 데이터 비율에 따른 결과에서 단일 에너지기술의 경우 훈련 데이터 증가와 종양 분류 정확도 사이의 상관관계를 확인할 수 없었지만, 이중 에너지 기술의 경우 훈련 데이터가 증가함에 따라 종양 분류 정확도가 향상되며 set 3의 경우 모든 알고리즘에서 100% 분류 정확도를 확인 하였다. 이와 같은 결과는 머신러닝을 이용한 광자계수검출기 기반 유방촬영에서 알고리즘 훈련 데이터의 양을 증가시킬수록 종양 검출 및 분류 가능성을 높일 수 있다는 것을 보여준다.
- 알고리즘별 분류 정확도는 단일 에너지 영상화 기술의 경우 fine KNN 및 weighted KNN 알고리즘에 대해 66%의 가장 높은 정확도를, LAD 및 ensemble 알고리즘에 대해 56%의 가장 낮은 정확도를 보였다. 이중 에너지 영상화 기술의 경우 LAD 및 ensemble 알고리즘에 대해 100%의 가장 높은 정확도를, quadratic SVM 및 cubic SVM에 대해 93%의 가장 낮은 정확도를 보였다.
- 훈련 및 검증 데이터 비율에 따른 결과에서 단일 에너지기술의 경우 훈련 데이터 증가와 종양 분류 정확도 사이의 상관관계를 확인할 수 없었지만, 이중 에너지 기술의 경우 훈련 데이터가 증가함에 따라 종양 분류 정확도가 향상되며 set 3의 경우 모든 알고리즘에서 100% 분류 정확도를 확인 하였다. 이와 같은 결과는 머신러닝을 이용한 광자계수검출기 기반 유방촬영에서 알고리즘 훈련 데이터의 양을 증가시킬수록 종양 검출 및 분류 가능성을 높일 수 있다는 것을 보여준다.
- 훈련 및 검증 데이터 비율에 따른 평균 분류 정확도는 단일 에너지 영상화 기술의 경우 set 1, set 2 및 set 3에서 각각 74.5%, 66% 및 65%의 정확도를 보임으로써 데이터비율에 따른 분류 정확도 향상 효과는 확인할 수 없었다. 반면, 이중 에너지 영상화 기술의 경우 set 1, set 2 및 set 3에서 각각 95%, 97.
후속연구
- 또한 1 mm 간격으로 종양의 두께를 분류하였기 때문에 1mm 이하의 두께 차이를 보이는 종양에 대해서는 분류 정확도가 상이할 것이다. 따라서 더욱 다양한 유방 두께 및 치밀도를 고려하고, 종양 두께의 분류 간격을 세밀화하여 분류기를 추출한다면 더욱 향상된 분류 및 진단 정확도를 보일것으로 사료된다. 뿐만 아니라 유방 치밀도의 조합을 다양하게 설정하여 머신러닝 알고리즘 훈련 시 적용한다면 종양검출 및 분류 정확도를 더욱 향상 시킬 수 있을 것이라 생각된다.
- 본 연구의 경우 유방 팬텀을 이용한 시뮬레이션 결과이며, 동일한 유방 두께를 기반으로 연령별로 대표적인 치밀도를 이용하여 팬텀을 모사하였기 때문에 동일한 연령대라도 다양한 두께 및 치밀도를 가지는 실제 임상데이터 적용 시 결과 값의 양상이 다르게 나타날 수 있다.또한 1 mm 간격으로 종양의 두께를 분류하였기 때문에 1mm 이하의 두께 차이를 보이는 종양에 대해서는 분류 정확도가 상이할 것이다. 따라서 더욱 다양한 유방 두께 및 치밀도를 고려하고, 종양 두께의 분류 간격을 세밀화하여 분류기를 추출한다면 더욱 향상된 분류 및 진단 정확도를 보일것으로 사료된다.
- 따라서 더욱 다양한 유방 두께 및 치밀도를 고려하고, 종양 두께의 분류 간격을 세밀화하여 분류기를 추출한다면 더욱 향상된 분류 및 진단 정확도를 보일것으로 사료된다. 뿐만 아니라 유방 치밀도의 조합을 다양하게 설정하여 머신러닝 알고리즘 훈련 시 적용한다면 종양검출 및 분류 정확도를 더욱 향상 시킬 수 있을 것이라 생각된다.
- 에너지 선택적 유방촬영에서 종양 두께 추출을 위한 머신러닝 기술은 진단 대상의 연령에 국한되지 않고 유방촬영기술 개발 및 인공지능 기반 의료영상 진단 정확도 향상을 위한 기초자료로 활용될 수 있으며, 유방암 조기 발견에 일조할 수 있을 것이다.
- 즉, 광자계수검출기 기반 이중 에너지 기술을 통해 획득한 영상은 잡음에 민감하며,본 연구와 같이 머신러닝 기술을 이용하여 종양 검출 가능성 및 분류 정확도를 더욱 향상시키기 위하여 denoising 처리와 같은 추가적인 영상처리가 필요하다[22]. 잡음 특성개선에 따른 종양 검출 정확도 결과는 추후 연구에서 다룰예정이다.
- 5(b)에서 확인할 수 있듯이 저에너지 영역에서 획득한 영상의 잡음 수준이 고에너지 영역에서 획득한 영상보다 약 4배 크기 때문이다. 즉, 광자계수검출기 기반 이중 에너지 기술을 통해 획득한 영상은 잡음에 민감하며,본 연구와 같이 머신러닝 기술을 이용하여 종양 검출 가능성 및 분류 정확도를 더욱 향상시키기 위하여 denoising 처리와 같은 추가적인 영상처리가 필요하다[22]. 잡음 특성개선에 따른 종양 검출 정확도 결과는 추후 연구에서 다룰예정이다.
- 펄스중첩과 전하공유는 검출기에서 측정되는 X선 에너지 스펙트럼의 정확도를 감소시키기 때문에 본 연구결과에 대조도 감소 및 잡음 증가와 같은 영향을 미칠 수 있을 것이다. 하지만 이 두 현상은 분석적 모델 및 pixel binning을 통해 보정 가능하며, 추후 연구에 적용하여 본 연구에서 제안하는 방법의 신뢰성을 더욱 향상시킬 것이다[24]. 본 연구의 경우 유방 팬텀을 이용한 시뮬레이션 결과이며, 동일한 유방 두께를 기반으로 연령별로 대표적인 치밀도를 이용하여 팬텀을 모사하였기 때문에 동일한 연령대라도 다양한 두께 및 치밀도를 가지는 실제 임상데이터 적용 시 결과 값의 양상이 다르게 나타날 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.