[논문]클라우드기반 의료영상 라벨링 시스템 개발 및 근감소증 정량 분석

이충섭; 임동욱; 김지언; 노시형; 유영주; 김태훈; 윤권하; 정창원

doi:10.3745/ktccs.2022.11.7.233

클라우드기반 의료영상 라벨링 시스템 개발 및 근감소증 정량 분석
Development of Cloud-Based Medical Image Labeling System and It's Quantitative Analysis of Sarcopenia 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.11 no.7, 2022년, pp.233 - 240

이충섭 (원광대학교 의료융합연구센터) , 임동욱 (원광대학교 의료융합연구센터) , 김지언 (원광대학교 의료융합연구센터) , 노시형 (원광대학교 의료융합연구센터) , 유영주 (세종사이버대학교 소프트웨어공학과) , 김태훈 (원광대학교병원 스마트사업팀) , 윤권하 (성균관대학교 삼성창원병원 영상의학과) , 정창원 (원광대학교병원 스마트사업팀)

초록
AI-Helper

최근 대부분의 인공지능 연구는 AI 모델 개발에 중점을 두고 있다. 하지만 최근 인공지능 연구가 모델 중심에서 데이터 중심으로 점차 변경되고 이런 추세를 바탕으로 학습데이터의 중요성이 크게 주목 받고 있다. 그러나 학습데이터의 준비과정이 전체 과정의 상당 부분을 차지하고 라벨링 데이터 생성 또한 개발 목적에 따라 다르기 때문에 많은 시간과 노력이 필요하다. 따라서 기존의 미충족을 해결하기 위한 다양한 라벨링 기능을 갖는 도구 개발이 필요하다. 본 논문에서는 의료영상의 라벨링 데이터를 정교하고 빠르게 생성하기 위한 라벨링 시스템에 대해서 기술한다. 이를 구현하기 위해서 Back Projection, GrabCut 기법을 이용한 반자동 방식과 기계학습 모델을 통해서 예측한 자동 방식의 라벨링 기능을 구현하였다. 우리는 제안한 시스템의 라벨링 데이터 생성에 대한 수행시간의 장점을 보였을뿐만 아니라 정확성에 대한 비교평가를 통해 우수성을 보였다. 또한 1,000여명의 환자 영상 데이터셋을 분석하여 근감소증 진단에 남성과 여성에 의미있는 진단지표를 제시하였다.

Abstract ▼ AI-Helper

Most of the recent AI researches has focused on developing AI models. However, recently, artificial intelligence research has gradually changed from model-centric to data-centric, and the importance of learning data is getting a lot of attention based on this trend. However, it takes a lot of time and effort because the preparation of learning data takes up a significant part of the entire process, and the generation of labeling data also differs depending on the purpose of development. Therefore, it is need to develop a tool with various labeling functions to solve the existing unmetneeds. In this paper, we describe a labeling system for creating precise and fast labeling data of medical images. To implement this, a semi-automatic method using Back Projection, Grabcut techniques and an automatic method predicted through a machine learning model were implemented. We not only showed the advantage of running time for the generation of labeling data of the proposed system, but also showed superiority through comparative evaluation of accuracy. In addition, by analyzing the image data set of about 1,000 patients, meaningful diagnostic indexes were presented for men and women in the diagnosis of sarcopenia.

주제어

표/그림 (13)

그림 Fig. 1. UI of Wonkwang J
그림 Fig. 2. Overall System Structure
그림 Fig. 3. UI of Medical Image Labeling Web Application
표 Table 1. Quantitative Analysis Results
그림 Fig. 4. Workflow for Labeling Web Application
그림 Fig. 5. Pan, Zoom, Visible, Invisible Functions
그림 Fig. 6. Results of Quantitative Analysis for the Diagnosis of Sarcopenia
그림 Fig. 7. Comparison of the Labeling Procedure between Wonkwang J and the Proposed Labeling Web Application
그림 Fig. 8. Example of Label Prediction Result
표 Table 2. Elapsed Time for Each Application
그림 Fig. 9. Comparison of Label between Wonkwang J and the Proposed Labeling Web Application
표 Table 3. Comparison of IOU between Wonkwang J and the Proposed Labeling Web Application
표 Table 4. T-Score for Various Indicators

참고문헌 (26)

Andrew Ng: MLOps: "From Model-centric to Data-centric AI," [Internet], https://www.deeplearning.ai/wp-content/uploads/2021/06/MLOps-From-Model-centric-to-Data-centric-AI.pdf.
Y. Bai, et al., "How important is the train-validation split in meta-learning?" arXiv preprint arXiv:2010.05843, 2020.
A. Racz, D. Bajusz, and K. Heberger, "Effect of dataset size and Train/Test split ratios in QSAR/QSPR multiclass classification," Molecules, Vol.26, No.4, pp.1111, 2021.

상세보기
M. Motamedi, N. Sakharnykh, and T. Kaldewey, "A datacentric approach for training deep neural networks with less data," arXiv preprint arXiv:2110.03613, 2021.
J. D. Bosser, E. Sorstadius, and M. H. Chehreghani, "Modelcentric and data-centric aspects of active learning for neural network models," arXiv preprint arXiv:2009.10835, 2020.
Cognilytica, "Data engineering, preparation, and labeling for AI 2019," [Internet], https://www.cognilytica.com/2019/03/06/report-data-engineering-preparation-and-abeling-for-ai-2019/.
Y. Roh, G. Heo, and S. E. Whang, "A survey on data collection for machine learning: A big data-ai integration perspective," in IEEE Transactions on Knowledge and Data Engineering, Vol.33, No.4, pp.1328-1347, 2021, doi: 10.1109/TKDE.2019.2946162.

상세보기
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, Vol.521, pp.436-444, 2015.
Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, Vol.86, No.11, pp.2278-2324, 1998.

상세보기
A. Krizhevsky, "Learning multiple layers of features from tiny images," [Internet], https://www.cs.toronto.edu/~kriz/cifar.html, 2009.
M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn, and A. Zisserman, "The PASCAL Visual Object Classes (VOC) Challenge," International Journal of Computer Vision, Vol.88, pp.303-338, 2010.

상세보기
T. Y. Lin, et al., "Microsoft COCO: Common objects in context," In: Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T. (eds) Computer Vision ? ECCV 2014. Lecture Notes in Computer Science, Vol.8693. Springer, Cham, doi: 10.1007/978-3-319-10602-1_48

상세보기
J. Deng, W. Dong, R. Socher, L. J. Li, K. Li, and L. Fei-Fe, "Imagenet: A large-scale hierarchical image database," 2009 IEEE Conference on Computer Vision and Pattern Recognition, pp.248-255, 2009.
Google's Open Images V6 + Extentions [Internet], https://storage.googleapis.com/openimages/web/index.html.
Center for Artificial Intelligence in Medicine & Imaging [Internet], https://aimi.stanford.edu/.
AI Hub [Internet], https://aihub.or.kr/.
Pathology AI Platform, [Internet], http://wisepaip.org/.
Morphometry Open AI Innovation [Internet], http://www.wonmoai.org/.
A. D. Weston, et al., "Automated abdominal segmentation of CT scans for body composition analysis using deep learning," Radiology, Vol.290, No.3, pp.669-679, 2019. doi: 10.1148/radiol.2018181432.

상세보기
C. T. Rueden, et al., "ImageJ2: ImageJ for the next generation of scientific image data," BMC Bioinformatics, Vol.18, No.529, 2017. doi: 10.1186/s12859-017-1934-z.

상세보기
R. Kikinis, S. D. Pieper, and K. G. Vosburgh, "3D Slicer: A platform for subject-specific image analysis, visualization, and clinical support," In: Jolesz, F. (eds.) Intraoperative Imaging and Image-Guided Therapy. Springer, New York, NY. doi: 10.1007/978-1-4614-7657-3_19.
M. N. Rizve, K., Duarte, Y. S., Rawat, and M. Shah, "In defense of pseudo-labeling: An uncertainty-aware pseudo-label selection framework for semi-supervised learning," arXiv preprint arXiv:2101.06329, 2021.
S. Kim, T. H. Kim, C. W. Jeong, C. Lee, S. Noh, J. E. Kim, and K. H. Yoon, "Development of quantification software for evaluating body composition contents and its clinical application in sarcopenic obesity," Scientific Reports, Vol.10, No.10452, 2020. doi: 10.1038/s41598- 020-67461-0.

상세보기
Histogram Backprojection [Internet], https://docs.opencv.org/3.4/dc/df6/tutorial_py_histogram_backprojection.html.
GrabCut [Internet], https://docs.opencv.org/3.4/d8/d83/tutorial_py_grabcut.html.
E. H. Kim, et al., "Reference data and t-scores of lumbar skeletal muscle area and its skeletal muscle indices measured by CT scan in a healthy Korean population," The Journals of Gerontology: Series A, Vol.76, No.2, pp.265-271, 2021. doi: 10.1093/gerona/glaa065.

상세보기

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