조기 유방암을 진단하기 위해서는 유방초음파 판독이 매우 중요하다. 초음파 검사는 초음파장비에 따라 화질의 차이가 심하게 나타날 뿐만 아니라 검사자의 경험과 숙련 정도에 따라 진단의 차이가 크게 나타난다. 따라서 정확한 진단과 치료를 위하여 객관적인 판단기준이 필요하다. 이에 본 연구에서는 GLCM(Gray Level Co-occurrence Matrix) 알고리듬을 적용하여 질감 특성을 분석하고 특징파라미터들을 추출하여 신경망분류기를 이용하여 유방암을 진단하였다. 유방초음파 영상은 정상 조직과 양성, 악성 종양으로 분류하여 질감 특성 파라미터 6가지를 추출하였다. 유방초음파검사로 진단된 정상 영상, 악성 및 양성종양 영상 각각 14증례를 대상으로 추출된 6개의 파라미터들을 적용하여 다층 퍼셉트론 신경망구조 역전파 학습방법으로 학습을 시켰다. 학습된 모델에 정상 유방 영상 51증례, 양성종양 영상 62증례, 악성종양 영상 74증례의 영상을 사용하여 분류한 결과 95.2%의 분류율을 나타내었다.
조기 유방암을 진단하기 위해서는 유방초음파 판독이 매우 중요하다. 초음파 검사는 초음파장비에 따라 화질의 차이가 심하게 나타날 뿐만 아니라 검사자의 경험과 숙련 정도에 따라 진단의 차이가 크게 나타난다. 따라서 정확한 진단과 치료를 위하여 객관적인 판단기준이 필요하다. 이에 본 연구에서는 GLCM(Gray Level Co-occurrence Matrix) 알고리듬을 적용하여 질감 특성을 분석하고 특징파라미터들을 추출하여 신경망분류기를 이용하여 유방암을 진단하였다. 유방초음파 영상은 정상 조직과 양성, 악성 종양으로 분류하여 질감 특성 파라미터 6가지를 추출하였다. 유방초음파검사로 진단된 정상 영상, 악성 및 양성종양 영상 각각 14증례를 대상으로 추출된 6개의 파라미터들을 적용하여 다층 퍼셉트론 신경망구조 역전파 학습방법으로 학습을 시켰다. 학습된 모델에 정상 유방 영상 51증례, 양성종양 영상 62증례, 악성종양 영상 74증례의 영상을 사용하여 분류한 결과 95.2%의 분류율을 나타내었다.
Breast ultrasound readings are very important to diagnose early breast cancer. In Ultrasonic inspection, it shows a significant difference in image quality depending on the ultrasonic equipment, and there is a large difference in diagnosis depending on the experience and skill of the inspector. Ther...
Breast ultrasound readings are very important to diagnose early breast cancer. In Ultrasonic inspection, it shows a significant difference in image quality depending on the ultrasonic equipment, and there is a large difference in diagnosis depending on the experience and skill of the inspector. Therefore, objective criteria are needed for accurate diagnosis and treatment. In this study, we analyzed texture characteristics by applying GLCM (Gray Level Co-occurrence Matrix) algorithm and extracted characteristic parameters and diagnosed breast cancer using neural network classifier. Breast ultrasound images were classified into normal, benign and malignant tumors and six texture parameters were extracted. Fourteen cases of normal, malignant and benign tumor diagnosed by mammography were studied by using the extracted six parameters and learning by multi - layer perceptron neural network back propagation learning method. As a result of classification using 51 normal images, 62 benign tumor images, and 74 malignant tumor images of the learned model, the classification rate was 95.2%.
Breast ultrasound readings are very important to diagnose early breast cancer. In Ultrasonic inspection, it shows a significant difference in image quality depending on the ultrasonic equipment, and there is a large difference in diagnosis depending on the experience and skill of the inspector. Therefore, objective criteria are needed for accurate diagnosis and treatment. In this study, we analyzed texture characteristics by applying GLCM (Gray Level Co-occurrence Matrix) algorithm and extracted characteristic parameters and diagnosed breast cancer using neural network classifier. Breast ultrasound images were classified into normal, benign and malignant tumors and six texture parameters were extracted. Fourteen cases of normal, malignant and benign tumor diagnosed by mammography were studied by using the extracted six parameters and learning by multi - layer perceptron neural network back propagation learning method. As a result of classification using 51 normal images, 62 benign tumor images, and 74 malignant tumor images of the learned model, the classification rate was 95.2%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
GLCM 파라미터 6개를 이용하여 다층 퍼셉트론 신경망구조의 역전파학습 방법을 이용하여 분류기 모델을 구축하였다.
본 연구 GLCM 알고리듬을 적용하여 유방암 초음파 영상의 질감 특징을 정량화하고, 특징적 파라미터 값을 추출하여 인공신경망(Artificial Neural Network) 분류기를 적용하여 양성과 악성을 분류할 수 있는 컴퓨터보조진단 방법을 제시하였다.
본 연구에서는 통계적 방법으로 병변 인식률을 나타내었고, 결과 비교를 위하여 역전파 학습 알고리즘이 적용된 인공신경망으로 정상, 악성 종양과 양성 종양으로 분류하였다. 통계적 방법으로 분류하였을 때 6가지 파라미터, 즉 Cluster Prominence, Energy, Entropy, Homogeneity, Sum Variance, Information measure of correlation의 값을 계산하였다.
유방초음파영상에 GLCM 알고리듬을 적용한 후 얻어진 배열에서 Table 1과 같은 6개의 파라미터들을 추출하였다. 이를 이용하여 인공신경망 분류기를 적용하여 정상, 양성 종양, 악성 종양을 자동 분류하였다. 유방 초음파 영상에서 관심 영역(ROI)은 50 × 50 픽셀로 설정하였다.
정상 유방조직 영상 71증례, 악성 종양 89증례, 양성 종양 87증례에 대하여 GLCM(Gray Level CO-occurrence Matrix) 파라미터 즉, Cluster Prominence, Energy, Entropy, Homogeneity, Sum Variance, Information measure of correlation의 6종류를 분석하였다.
유방 초음파 영상에서 관심 영역(ROI)은 50 × 50 픽셀로 설정하였다. 추출된 특징 파라미터 6개는 인공신경망을 이용하여 정상, 양성 종양, 악성 종양의 3종류로 자동 분류하였다.
대상 데이터
2016년 9월부터 2017년 9월까지 부산 소재 W병원 내과에서 건강검진을 받는 35∼60세까지의 여성을 대상으로 후향적으로 연구를 실시하였다.
유방초음파 판독은 영상의학과 전문의 1인과 세포병리 결과를 바탕으로 정상(Negative, Category 1) 71 증례, 악성 종양(Malignancy) 89증례, 양성 종양(Benign, Category 2, 3) 중 섬유선종 87증례, 총 247증례의 유방 초음파 영상을 분석하였다. 실험에 사용된 초음파영상의료기는 GE LOGIQ S7, 12MHz Linear probe를 사용하였다.
유방초음파 판독은 영상의학과 전문의 1인과 세포병리 결과를 바탕으로 정상(Negative, Category 1) 71 증례, 악성 종양(Malignancy) 89증례, 양성 종양(Benign, Category 2, 3) 중 섬유선종 87증례, 총 247증례의 유방 초음파 영상을 분석하였다. 실험에 사용된 초음파영상의료기는 GE LOGIQ S7, 12MHz Linear probe를 사용하였다.
학습을 위한 인공신경망 입력 데이터는 6개의 파라미터당 GLCM 알고리듬 분석방향 0°, 45°, 90°, 135°의 데이터 24개를 사용하였고, 출력은 정상, 양성, 악성의 3종류로 분류되어 나타난다.
데이터처리
유방 초음파 영상을 이용하여 양성과 악성 종양에 대하여 인공신경망(ANN) 분석과 로지스틱회귀(Logistic Regression) 분석의 성능을 비교하였는데 마진(margin)과 경계(boundary)를 특징파라미터로 사용하였다[11].
본 연구에서는 통계적 방법으로 병변 인식률을 나타내었고, 결과 비교를 위하여 역전파 학습 알고리즘이 적용된 인공신경망으로 정상, 악성 종양과 양성 종양으로 분류하였다. 통계적 방법으로 분류하였을 때 6가지 파라미터, 즉 Cluster Prominence, Energy, Entropy, Homogeneity, Sum Variance, Information measure of correlation의 값을 계산하였다. 6가지 정보를 이용하여 인공신경망은 분류 모델을 구축하였고, 이를 이용하여 정상, 양성 종양, 악성 종양을 분류한 결과 분류율이 95.
이론/모형
본 연구에서는 역전파 학습 알고리즘을 이용하는 다층 퍼셉트론을 이용하였다.
인공신경망은 다층 퍼셉트론 신경망 구조를 가지는 역전파 학습규칙을 사용하였다. 인공신경망은 신경망을 구성하는 뉴런의 종류와 연결 형태, 그리고 연결링크에 가중치를 부여하는 방식 등에 따라 여러 유형으로 나뉜다.
성능/효과
통계적 방법으로 분류하였을 때 6가지 파라미터, 즉 Cluster Prominence, Energy, Entropy, Homogeneity, Sum Variance, Information measure of correlation의 값을 계산하였다. 6가지 정보를 이용하여 인공신경망은 분류 모델을 구축하였고, 이를 이용하여 정상, 양성 종양, 악성 종양을 분류한 결과 분류율이 95.2%로 나타났다.
14는 유방 초음파 영상 분류에 대한 ROC 곡선(receiver operating characteristic curve)을 나타내었다. 데이터 분석 결과 신경망 분류기의 우수함을 알 수 있었다.
13은 학습에 사용된 영상을 제외한 데이터를 사용하여 학습으로 구축된 인공신경망 분류기를 이용하여 실험하였다. 정상 유방 영상 51증례, 양성 종양 영상 62증례, 악성 종양 영상 74증례의 영상을 사용하여 분류한 결과 95.2%의 분류율을 나타내었다.
후속연구
본 연구의 결과를 임상에 적용하여 판독자의 작업절차들을 간소화시킬 수 있고, 판독의 오류를 감소시켜 질병의 진단 및 치료에 적극 이용 가능할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
초음파 검사의 특징은?
이 검사는 검진 시 통증이 없으며, 치밀 유방을 정확하게 진단할 수 있어 유방진단에 주로 이용된다. 그러나 초음파 검사는 실시간 검사라는 장점에도 불구하고 초음파 장비에 따라 보이는 병변의 영상 화질 차이로 인해 검사자의 경험과 지식에 따라 병변의 진단 결과가 다르게 나타나기 때문에 표준적이고 객관적인 검사 기술이 요구되어 진다[3, 4].
초음파 검사에서 객관적인 판단기준이 필요한 이유는?
조기 유방암을 진단하기 위해서는 유방초음파 판독이 매우 중요하다. 초음파 검사는 초음파장비에 따라 화질의 차이가 심하게 나타날 뿐만 아니라 검사자의 경험과 숙련 정도에 따라 진단의 차이가 크게 나타난다. 따라서 정확한 진단과 치료를 위하여 객관적인 판단기준이 필요하다.
유방초음파검사에서 병변을 진단하기 위해 사용되는 특징들은?
유방초음파검사에서 병변을 진단하기 위하여 형상(shape), 경계부(boundary), 내부에코(internal echoes), 후방에코(posterior echoes)등의 특징들을 이용한다. 초음파 영상의 특성상 병변의 불규칙한 경계와 불균일한 병변의 영상 질감을 특징 파라미터로 주로 이용하고 있다[6].
참고문헌 (12)
S. M. Kim, S. Y. Ye, "Analysis on the Occurrence Factors of High-Risk Diseases of Pregnant Women by the Degree of Obesity," The Korea Institute of Convergence Signal Processing, pp. 118-124, 2018.
B. E. Adrada, S. Krishnamurthy, S. Carkaci, F. E P. Monetto, "Unusual Benign Tumors of the Breast," Journal of Clinical Imagung Science, vol. 5, no.2,pp. 1-5, 2015.
Doi, Kunio., "Current status and future potential of computer-aided diagnosis in medical imaging," The British Journal of Radiology, pp. S3-S19, 2005.
G.Y. Yoon, J. H. Cha, H. H. Kim, H. J. S., E. Y. C., and W. J. Choi, "Sonographic features that can be used to differentiate between small triple-negative breast cancer and fibroadenoma," Ultrasonography, vol. 37, no. 2, pp. 149-156, 2018.
J. Levman., E. Warner, P. Causer, A. Martel "Semi-Automatic Region-of-Interest Segmentation Based Computer-Aided Diagnosis of Mass Lesions from Dynamic Contrast-Enhanced Magnetic Resonance Imaging Based Breast Cancer Screening," J Digit Imaging, vol. 27, no. 5, pp. 670-678, 2014.
J. Virmani, V. Kumar, N. Kalra, N. Khandelwal, "Characterization of Primary and Secondary Malignant Liver Lesions from B-Mode Ultrasound," J Digit Imaging., vol. 26, no. 6, pp. 1058-1070, 2013.
R. Guo, G. Lu, B. Fei,"Ultrosound sound imaging Technologies for Breast Cancer detection and management -A review," Comput. Math Methods Med. vol.44, no. 1, pp. 37-70, 2018.
W. K. Moon, C.M. Lo, J. M. Chang, C.S. Huang, J.H. Chen, R.F. Chang, "Quantitative Ultrasound Analysis for Classification of BI-RADS Category 3 Breast Masses," J Digit Imaging., vol.26, no.6, pp.1091-1098, 2013.
Z. Zhou, S. Wu, K.J. Chang, W.R. Chen, Y.S. Chen, W.H. Kuo, C.-C. Lin, P.H. Tsui, "Classification of Benign and Malignant Beast Tumors in Ultrasound Images with Posterior Acoustic Shadowing Using Half-Contour Features," J. Med. Biol. Eng., vol. 35, pp. 178-187, 2015.
S. M. Kim, H. H., J. M. Park, Y. J. Choi, H. S. Yoon, J. H. Sohn, M. H. Baek, Y. N. Kim, Y. M. Chae, J. J June, J.w. Lee, Y. H. Jeon, "A Comparison of Logistic Regression Analysis and an Artificial Neural Network Using the BI-RADS Lexicon for Ultrasonography in Conjunction with Introbserver Variability," J Digit Imaging, vol. 25, no. 5, pp. 599-606, 2012.
M. M. Mehdy, P.Y.Ng, E. F. Shair, N. I. Md Saleh, and C. Gome, "Artificial Neural Networks in Image Processing for Early Detection of Breast Cancer," Computational and Mathematical Methods in Medicine, vol. 36, no. 3, pp. 124-150, 2017.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.