[논문]전립선암의 정확한 진단을 위한 질감 특성 분석 및 등급 분류

김초희; 소재홍; 박현균; 최흥국

doi:10.9717/kmms.2019.22.8.832

전립선암의 정확한 진단을 위한 질감 특성 분석 및 등급 분류
Analysis of Texture Features and Classifications for the Accurate Diagnosis of Prostate Cancer 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.22 no.8, 2019년, pp.832 - 843

김초희 (Dept of Digital Anti-Aging Healthcare, u-AHRC, Inje University) , 소재홍 (Dept of Digital Anti-Aging Healthcare, u-AHRC, Inje University) , 박현균 (Dept of Computer Engineering, u-AHRC, Inje University) , (Dept of Computer Engineering, u-AHRC, Inje University) , (Dept of Computer Engineering, u-AHRC, Inje University) , (Dept of Computer Engineering, u-AHRC, Inje University) , 최흥국 (Dept of Computer Engineering, u-AHRC, Inje University)

Abstract ▼ AI-Helper

Prostate cancer is a high-risk with a high incidence and is a disease that occurs only in men. Accurate diagnosis of cancer is necessary as the incidence of cancer patients is increasing. Prostate cancer is also a disease that is difficult to predict progress, so it is necessary to predict in advance through prognosis. Therefore, in this paper, grade classification is attempted based on texture feature extraction. There are two main methods of classification: Uses One-way Analysis of Variance (ANOVA) to determine whether texture features are significant values, compares them with all texture features and then uses only one classification i.e. Benign versus. The second method consisted of more detailed classifications without using ANOVA for better analysis between different grades. Results of both these methods are compared and analyzed through the machine learning models such as Support Vector Machine and K-Nearest Neighbor. The accuracy of Benign versus Grade 4&5 using the second method with the best results was 90.0 percentage.

주제어

표/그림 (15)

표 Table 2. The second research materials of prostate image data set
표 Table 1. The first research materials of prostate image data set (Benign vs Malignant)
그림 Fig. 1. Flowchart used for two methods.
그림 Fig. 2. The representative used images (a) Benign, (b) Grade 3, (c) Grade 4, and (d) Grade 5.
표 Table 3. Description of 12 texture features
그림 Fig. 3. Diagram of Support Vector Machine.
표 Table 4. The results of One-way Analysis of Variance for texture features.
그림 Fig. 4. Diagram of k-Nearest Neighbor.
표 Table 5. First method’s confusion matrix result of Benign vs Malignant (using 12 texture features) using SVM and kNN
표 Table 6. First method’s confusion matrix result of Benign vs Malignant (using 10 texture features) using SVM and kNN
표 Table 7. Second method’s confusion matrix result of Benign vs Malignant using SVM and kNN
표 Table 8. Second method’s confusion matrix result of Benign vs Grade 3 using SVM and kNN
표 Table 9. Second method’s confusion matrix result of Benign vs Grade 4&5 using SVM and kNN
표 Table 10. Second method’s confusion matrix result of Grade 3 vs Grade 4&5 using SVM and kNN
표 Table 11. Result and comparison of classification using SVM and kNN

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 전립선암의 등급을 분류를 위하여 두 가지 방식의 방법론을 제안한다. 질감특성을 이용하며, 이진분류에 주로 사용되는 SVM(Support Vector Machine)과 kNN(k-Nearest Neighbor)를 사용한다는 점은 같다.
본 논문에서는 전립선암의 등급을 분류하는 데에 목적을 두었으며, 제안한 방법은 질감특성을 이용하여 암을 분류하고자 하였다. 제시된 방식은 두 가지로 볼 수 있으며, 모두 기계학습 모델인 Support Vector Machine(SVM)과 k-Nearest Neighbor(kNN) 를 이용하여 분류를 하였다.
현재 전립선암의 환자 발생률은 늘어나고 있는 것으로 보이며, 이에 따른 암의 정확한 진단이 필요하다. 본 논문에서는 질감특성추출을 기반으로 하는 두 가지 방식을 제안한다. 일원 분산 분석을 사용하여 질감 특성의 유의성 평가를 통해 선택된 10개의 특성 값을 이용하여 분류한 결과와 12개의 모든 특성 값을 이용하여 분류한 결과는 SVM으로 분류하였을 때, 각각 81.
또 정확도를 높이기 위하여 이미지 분할을 하는 등의 전처리 작업이 있을 것으로 예상된다. 본 연구의 본질적인 목표인 세부적으로 등급을 정확하게 분류하는 데에 목적을 두며 앞으로의 연구를 진행해 나갈 것이다.
1은 연구의 전체적인 시스템 흐름도이다. 첫 번째 방식은 분류를 양성 vs 악성으로만 하였으며, GLCM을 통해 추출된 12개의 질감 특성을 이용한 분류와 12개의 질감특성 중 유의하다고 분석된 10개의 질감특성을 이용한 분류를 비교하는 연구이며, 두 번째 방식의 분류는 첫 번째 방식에서 사용된 일원분산분석 방법을 사용하지 않고 등급 분류를 더욱 세밀하게 하는 데에 목적을 두었다. 본 연구에서는 전처리 과정을 적용하지 않은 원본영상을 사용하여 연구를 진행하였다.

제안 방법

가장 효과적인 방법으로 알려진 2D GLCM을 이용하여 특성들을 추출하였다. GLCM 이란, 거리와 각도를 이용하여 화소의 공간 관계를 고려한 방식으로 화소의 위치에 대한 정보를 포함하고 있는 행렬이다.
05이며 F-value>5인 유의한 특성 값을 가진다고 판단 될 수 있는 10개의 질감특성(Energy, Entropy, Correlation, Contrast, Homogeneity, Variance, Sum Mean, Inertia, Cluster Shade, Cluster Tendency)을 통하여 전립선암을 분류한 결과를 도출하였다. 결과 비교 및 분석을 하기 위하여 12개의 특성 값을 모두 사용해 분류를 실시하였다.
1%인 것을 확인할 수 있었다. 두 번째 방식은 등급의 분류를 세부적으로 나누는 연구를 시도하였다. 혼동행렬로 나타낸 결과는 Table 7부터 10에 나타나있다.
두 번째 방식은 암의 분류를 양성 vs악성, 양성 vs 등급 3, 양성 vs 등급 4&5, 등급 3 vs 등급 4&5로 분류하여 결과를 분석하였다.
따라서 본 논문에서는 p5인 유의한 특성 값을 가진다고 판단 될 수 있는 10개의 질감특성(Energy, Entropy, Correlation, Contrast, Homogeneity, Variance, Sum Mean, Inertia, Cluster Shade, Cluster Tendency)을 통하여 전립선암을 분류한 결과를 도출하였다.
또, 등급 분류를 4가지 단계(양성 vs 악성, 양성 vs 등급 3, 양성 vs 등급 4&5, and 등급 3 vs 등급 4&5)로 더 세밀하게 연구를 시도하였다.
또, 중복을 피하기 위하여 각도는 0°, 45°, 90°, 135°로 4개의 각도를 사용하였다.
얻을 수 있는 질감 특성으로는 Diagonal Moment, Inverse DM, Contrast, Energy, Uniformity, Entropy, Difference Entropy, Peak Transition Probability 등의 특성 값들이 있다[12,13]. 본 논문과 비슷하게 의료 영상처리에 대해 연구를 한 논문에서는 Entropy, Contrast, Correlation 3가지의 질감특성과 형태분석을 통하여 다양한 방법론을 제시하였다[14]. 본 논문에서는 256 × 256 크기의 GLCM을 형성하였으며, 거리는 1과 2일 때 우수한 결과를 얻을 수 있다는 연구에 의해 거리를 1로 두었다[15].
정확한 진단을 위해서는 정확한 암의 분류가 필요로 하다. 본 논문에서는 머신러닝 중 가장 널리 쓰이고 있는 알고리즘인 SVM과 kNN을 사용하여 암의 등급 분류를 시도하였다.
본 논문에서는 정확도(Accuracy), 민감도(Sensitivity), 특이도(Specificity)로 결과의 검증을 하였으며, 다음과 같이 정의된다[22].
등급 1은 뚜렷한 선 구조를 가지며, 작고 균일한 세포로 이루어져있지만, 등급 5로 갈수록 점점 불규칙적이며, 뚜렷한 분비선이 없어지게 된다[4]. 본 논문에서는 정확한 진단을 목적으로 먼저, 등급 1과 등급 2를 양성(Benign)으로 등급 3, 등급 4, 등급 5를 악성(Malignant)으로 분류하는 연구를 하였으며, 이후 세부적으로 결과를 확인하기 위하여 각각의 등급으로 분류하는 연구를 시도하였다.
거리는 대표적으로 유클리드 거리(Euclidean Distance)로 측정을 한다[20,21]. 본 논문에서도 적용을 하였으며, 교차 검증도 SVM과 같은 5겹으로 연구를 수행하였다. kNN 알고리즘에 대한 설명은 Fig.
본 연구는 CPU Intel i5-4660, RAM 24GB, GPU GTX1060 3GB 의 환경에서 이루어졌으며 언어는 MATLAB (ver. R2018b)을 이용하여 연구 결과를 내었다. 또, 통계학적인 분석을 통하여 질감특성이 유의한지 분석 및 판별을 하기 위하여 일원분산분석 방법을 이용하였으며, SPSS툴을 사용하였다.
Kernel은 쉽게 말해 저 차원의 데이터를 고차원의 공간 값으로 매핑 시킬 때, 차원을 높임으로 인해 문제가 발생할 수 있는데 이를 해결할 수 있는 방법을 Kernel이라 한다[18,19]. 본 연구에서 사용된 모델들은 6가지(Linear, Quadratic, Cubic, Fine Gaussian, Medium Gaussian, Coarse Gaussian)이며 교차 검증(Cross-Validation)은 5겹으로 연구를 진행하였다.
첫 번째 방식은 분류를 양성 vs 악성으로만 하였으며, GLCM을 통해 추출된 12개의 질감 특성을 이용한 분류와 12개의 질감특성 중 유의하다고 분석된 10개의 질감특성을 이용한 분류를 비교하는 연구이며, 두 번째 방식의 분류는 첫 번째 방식에서 사용된 일원분산분석 방법을 사용하지 않고 등급 분류를 더욱 세밀하게 하는 데에 목적을 두었다. 본 연구에서는 전처리 과정을 적용하지 않은 원본영상을 사용하여 연구를 진행하였다.
본 논문에서는 전립선암의 등급을 분류하는 데에 목적을 두었으며, 제안한 방법은 질감특성을 이용하여 암을 분류하고자 하였다. 제시된 방식은 두 가지로 볼 수 있으며, 모두 기계학습 모델인 Support Vector Machine(SVM)과 k-Nearest Neighbor(kNN) 를 이용하여 분류를 하였다. 첫 번째 방식에서는 암의 등급 분류를 크게 양성 vs 악성으로 분류하고 일원분산분석을 이용하여 유의하다고 판별된 질감 특성과 일원분산분석을 사용하지 않은 방법을 비교분석하였다.
제시된 방식은 두 가지로 볼 수 있으며, 모두 기계학습 모델인 Support Vector Machine(SVM)과 k-Nearest Neighbor(kNN) 를 이용하여 분류를 하였다. 첫 번째 방식에서는 암의 등급 분류를 크게 양성 vs 악성으로 분류하고 일원분산분석을 이용하여 유의하다고 판별된 질감 특성과 일원분산분석을 사용하지 않은 방법을 비교분석하였다. 두 번째 방식은 암의 분류를 양성 vs악성, 양성 vs 등급 3, 양성 vs 등급 4&5, 등급 3 vs 등급 4&5로 분류하여 결과를 분석하였다.

대상 데이터

본 논문에서는 256 × 256 크기의 GLCM을 형성하였으며, 거리는 1과 2일 때 우수한 결과를 얻을 수 있다는 연구에 의해 거리를 1로 두었다[15].
본 연구에서 사용된 이미지는 세브란스병원에서 획득하였으며, 이미지의 크기는 512 × 512로 단위는 화소이다.
두 번째 방식에서는 사용된 수는 Table 2와 같다. 본 연구에서는 8:2의 비율로 이미지가 사용되었으며. 이는 같은 비율의 이미지를 사용하여 결과를 도출하였을 때, 결과들을 비교분석 해보기 위함이었다.

데이터처리

12가지의 특성 값들을 추출한 후, 이 값들이 유의한 특성 값인지를 판별하고 평가하기 위하여 통계적 분석을 하였다. 일원분산분석 방법은 두 모집단의 평균차이를 검증한다.
R2018b)을 이용하여 연구 결과를 내었다. 또, 통계학적인 분석을 통하여 질감특성이 유의한지 분석 및 판별을 하기 위하여 일원분산분석 방법을 이용하였으며, SPSS툴을 사용하였다.
통계적 방법에서 Haralick이 제시한 Gray-Level Cooccurrence Matrix(GLCM)을 사용하여 질감특성(Texture Feature)을 추출한 후 얻은 질감특성 값으로 전립선암의 등급 분류를 하였다[6,7]. 암을 양성과 악성으로만 분류할 때는 일원분산분석(One-way Analysis of Variance)을 이용하여 추출된 특성들이 적합한지 판별하는 과정을 거쳤다.
모집단으로부터 표본을 추출한 경우, 집단 간 분산이 클수록, 그리고 집단 내 분 산이 작을수록 각 모집단 간의 평균값에는 차이가 있을 가능성이 높다는 것이다. 즉, 질감특성을 나타내는 12가지의 독립변수들에 의해 평균값에 차이가 있는지를 알아보기 위해 일원분산분석을 실시하였다. 그 결과는 Table 4와 같다.

이론/모형

영상분석 방법 중 하나인 질감분석(Texture Analysis)은 의료영상분야에서도 활발히 연구가 진행되고 있으며, 질감분석 방법은 크게 세 가지로 볼 수 있다[5]. 본 연구에서는 영상에서 각 화소 사이의 상호 관계를 분석하는 방법인 통계적 방법을 사용한다. 통계적 방법에서 Haralick이 제시한 Gray-Level Cooccurrence Matrix(GLCM)을 사용하여 질감특성(Texture Feature)을 추출한 후 얻은 질감특성 값으로 전립선암의 등급 분류를 하였다[6,7].
본 연구에서는 영상에서 각 화소 사이의 상호 관계를 분석하는 방법인 통계적 방법을 사용한다. 통계적 방법에서 Haralick이 제시한 Gray-Level Cooccurrence Matrix(GLCM)을 사용하여 질감특성(Texture Feature)을 추출한 후 얻은 질감특성 값으로 전립선암의 등급 분류를 하였다[6,7]. 암을 양성과 악성으로만 분류할 때는 일원분산분석(One-way Analysis of Variance)을 이용하여 추출된 특성들이 적합한지 판별하는 과정을 거쳤다.

성능/효과

et al[25]는 그리슨 등급 체계를 기반으로 SVM을 사용하여 정상 상피조직(Benign Epithelium), 정상 기질(Benign Stroma), 등급 3의 선암(Adenocarcinoma), 등급 4의 선암을 분류하는 연구를 하였다. AdaBoost 알고리즘을 통한 특성 선택을 하였으며, 등급 3 vs 등급 4의 결과는 76.9%였다. 본 논문의 양성 vs 등급 4&5 등급 분류 결과는 85.
그 결과 가장 성공적인 결과를 보인 분류는 SVM을 사용하였을 때이며 양성 vs 등급 4&5로 90.0%의 정확도가 나타났다.
등급 분류 중 양성 vs 등급 4&5로 분류를 하였을 때, 90.0%로 가장 성공적인 결과가 나왔다.
그 외의 분류에서도 SVM이 kNN보다 더 나은 결과를 보인 것을 확인할 수 있는 실험이었다. 또, 혼동행렬을 보면 알 수 있듯이 어느 한 경우에 치우치지 않은 결과가 나왔으며, 이 결과들도 나쁘지 않다는 것을 알 수 있다.
0%로 가장 성공적인 결과가 나왔다. 반면에 가장 좋지 못한 결과가 나온 경우는 kNN을 사용하여 양성 vs 등급 3로 분류했을 때였으며 정확도는 70.0%였다. 그 외의 분류에서도 SVM이 kNN보다 더 나은 결과를 보인 것을 확인할 수 있는 실험이었다.
0%의 정확도가 나타났다. 반면에 가장 좋지 않은 결과는 양성 vs 등급 3을 kNN으로 분류할 때 70%로 결과가 나왔다. 전반적으로 kNN보다는 SVM을 사용하였을 때 더 좋은 성능을 보였으며, 기존의 연구들과도 비슷한 결과를 얻을 수 있었다.
본 논문의 양성 vs 등급 4&5 등급 분류 결과는 85.0%로 더 나은 결과를 보이고 있다.
분할 알고리즘의 효율성은 수동으로 감지한 방식과 자동으로 감지해 나눈 방식의 비교를 통해 평가되며, Table 6의 결과는 자동으로 분할한 결과를 나타내었다. 본 논문의 연구결과보다 더 높은 결과를 보이며 정확도는 양성 vs 등급 3을 분류할 때 86.3%, 양성 vs 등급 4를 분류할 때의 정확도는 92.9%로 매우 우수한 결과를 나타내었다. 본 연구의 결과인 90.
8%였다. 본 연구에서 결과인 85.0%와 비교해 보았을 때, 본 연구에서 질감특성을 이용하여 수행한 방법이 더 우수한 결과를 나타낸다는 것을 확인할 수 있다. S.
양성 vs 모든 등급(All grades)를 분류한 결과는 88.5%였으며, 등급 3 vs 등급 4&5의 정확도는 73.8%였다.
본 논문에서는 질감특성추출을 기반으로 하는 두 가지 방식을 제안한다. 일원 분산 분석을 사용하여 질감 특성의 유의성 평가를 통해 선택된 10개의 특성 값을 이용하여 분류한 결과와 12개의 모든 특성 값을 이용하여 분류한 결과는 SVM으로 분류하였을 때, 각각 81.6%, 84.1%였다. 질감 특성에서의 통계적 분석은 뚜렷한 차이를 보이지 않지만, 유의성 판별이 결과에 영향을 미친다는 것은 알 수 있다.
반면에 가장 좋지 않은 결과는 양성 vs 등급 3을 kNN으로 분류할 때 70%로 결과가 나왔다. 전반적으로 kNN보다는 SVM을 사용하였을 때 더 좋은 성능을 보였으며, 기존의 연구들과도 비슷한 결과를 얻을 수 있었다. 하지만 앞으로 더 많은 데이터를 사용한다면 더 좋은 결과를 도출할 수 있을 것이라고 예상하며 앞으로의 연구에 있어서는 딥러닝을 통하여 등급을 양성, 등급 3, 등급 4, 등급 5로 정확한 분류에 도달할 수 있도록 할 것이다.
혼동행렬(Confusion matrix)로 첫 번째 방식을 이용하여 전립선암의 분류 결과는 Table 5와 6에 나타내었다. 첫 번째 방식은 양성 vs 악성으로만 분류를 하였으며, 사용된 특성 값을 다르게 하여 연구한 결과는 SVM의 결과가 kNN의 결과보다 높은 성능을 보였으며, 가장 좋은 높은 정확도를 보인 경우는 10 개의 특성을 사용했을 때 84.1%인 것을 확인할 수 있었다. 두 번째 방식은 등급의 분류를 세부적으로 나누는 연구를 시도하였다.

후속연구

전반적으로 kNN보다는 SVM을 사용하였을 때 더 좋은 성능을 보였으며, 기존의 연구들과도 비슷한 결과를 얻을 수 있었다. 하지만 앞으로 더 많은 데이터를 사용한다면 더 좋은 결과를 도출할 수 있을 것이라고 예상하며 앞으로의 연구에 있어서는 딥러닝을 통하여 등급을 양성, 등급 3, 등급 4, 등급 5로 정확한 분류에 도달할 수 있도록 할 것이다. 또 정확도를 높이기 위하여 이미지 분할을 하는 등의 전처리 작업이 있을 것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	전립선암이란 무엇인가?	전립선암은 남성의 전립선에 발생하는 악성종양이며, 발병률이 높은 고위험군의 병으로 알려져 있다[1]. 전립선암은 미국에서 두 번째로 흔한 암 사망원인으로 알려져 있을 뿐만 아니라 2016년 국가 암등록 통계에 따르면 2016년에 새로 발생한 암 환자의 수는 전년도(2015년)21만 2542명에 비해 22만 9180명(남 12만 68명, 여 10만 9112명)으로 1만 2638명(5.
	도널 글리슨이 제시한 글리슨점수(Gleason Score)는 전립선암을 어떻게 분류하는가?	전립선암의 분류는 병리학자인 도널 글리슨이 제시한 글리슨점수(Gleason Score)가 주로 사용되고 있으며, 종양조직의 분화 정도와 세포의 특성에 따라 유형 등급(Grade)1부터 등급 5으로 나뉘게 된다. 등급 1은 뚜렷한 선 구조를 가지며, 작고 균일한 세포로 이루어져 있지만, 등급 5로 갈수록 점점 불규칙적이며, 뚜렷한 분비선이 없어지게 된다[4].
	질감특성추출을 기반으로 하는 두 가지 방식으로 어떤 것을 제안하였는가?	본 논문에서는 질감특성추출을 기반으로 하는 두 가지 방식을 제안한다. 일원 분산 분석을 사용하여 질감 특성의 유의성 평가를 통해 선택된 10개의 특성값을 이용하여 분류한 결과와 12개의 모든 특성 값을 이용하여 분류한 결과는 SVM으로 분류하였을 때, 각각 81.6%,84.

저자의 다른 논문 :

LOADING...

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