[논문]비알콜성 지방간 초음파 영상에 GLCM과 인공신경망을 적용한 비알콜성 지방간 질환 분류

김지율; 예수영

doi:10.7742/jksr.2023.17.5.735

비알콜성 지방간 초음파 영상에 GLCM과 인공신경망을 적용한 비알콜성 지방간 질환 분류
Non-alcoholic Fatty Liver Disease Classification using Gray Level Co-Ocurrence Matrix and Artificial Neural Network on Non-alcoholic Fatty Liver Ultrasound Images 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.5, 2023년, pp.735 - 742

초록
AI-Helper

비알콜성 지방간은 심혈관계 질환, 당뇨병, 고혈압 및 신장질환의 발생에 있어 독립적인 위험인자에 해당하며, 최근에는 비알콜성 지방간에 대한 임상적 중요성이 증가하고 있다. 본 연구에서는 비알콜성 지방간 환자의 초음파영상에 대하여 질감분석 방법인 GLCM을 적용하여 특징값을 추출하고자 한다. 추출된 특징값들을 이용한 인공신경망 모델의 적용을 통하여 비알콜성 지방간의 지방침착 정도를 정상 간(normal), 경도 지방간(mild), 중등도 지방간(moderate), 중증 지방간(severe)으로 분류를 하고자 한다. GLCM알고리듬 적용 결과 Autocorrelation, Sum of squares, Sum average, Sum variance 파라미터 값들은 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향성을 나타내었다. 인공신경망 모델의 입력은 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 Autocorrelation, Sum of squares, Sum average, Sum variance의 4개의 파라미터들을 인공신경망 모델의 입력값으로 적용하였다. 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 영상을 인공신경망에 적용하여 분류 정확도를 평가한 결과 92.5%의 높은 정확도를 나타내었다. 이러한 결과를 통하여 비알콜성 지방간 환자의 초음파 영상에 대한 질감 분석 GLCM 연구 시 본 연구의 결과를 기초자료로 제시를 하고자 한다.

Abstract ▼ AI-Helper

Non-alcoholic fatty liver disease is an independent risk factor for the development of cardiovascular disease, diabetes, hypertension, and kidney disease, and the clinical importance of non-alcoholic fatty liver disease has recently been increasing. In this study, we aim to extract feature values by applying GLCM, a texture analysis method, to ultrasound images of patients with non-alcoholic fatty liver disease. By applying an artificial neural network model using extracted feature values, we would like to classify the degree of fat deposition in non-alcoholic fatty liver into normal liver, mild fatty liver, moderate fatty liver, and severe fatty liver. As a result of applying the GLCM algorithm, the parameters Autocorrelation, Sum of squares, Sum average, and sum variance showed a tendency for the average value of the feature values to increase as it progressed from mild fatty liver to moderate fatty liver to severe fatty liver. The four parameters of Autocorrelation, Sum of squares, Sum average, and sum variance extracted by applying the GLCM algorithm to ultrasound images of non-alcoholic fatty liver disease were applied as inputs to the artificial neural network model. The classification accuracy was evaluated by applying the GLCM algorithm to the ultrasound images of non-alcoholic fatty liver disease and applying the extracted images to an artificial neural network, showing a high accuracy of 92.5%. Through these results, we would like to present the results of this study as basic data when conducting a texture analysis GLCM study on ultrasound images of patients with non-alcoholic fatty liver disease.

주제어

표/그림 (10)

그림 Fig. 1. Image of Liver ultrasonography.
표 Table 2. Validation modeling accuracy result
표 Table 1. Parameter of GLCM algorithm
그림 Fig. 2. The result of Training Confusion Matrix.
그림 Fig. 3. The result of validation Confusion Matrix.
그림 Fig. 4. The result of All Confusion Matrix.
그림 Fig. 5. The result of Training ROC curve.
그림 Fig. 6. The result of Validation ROC curve.
그림 Fig. 7. The result of total data ROC curve.
표 Table 3. AUC of the results

AI 본문요약
AI-Helper

문제 정의

추출된 특징값들을 이용한 인공신경망 모델의 적용을 통하여 비알콜 성지방간의 지방침착 정도를 정상 간(normal), 경도 지방간(mild), 중등도 지방간(moderate), 중증 지방간(severe)으로 분류를 하고자 한다. 그리고 비알콜성 지방간 환자의 초음파 영상에 대한 질감 분석 GLCM 연구 시 본 연구의 결과를 기초자료로 제시하고자 한다.
본 연구에서는 비알콜성 지방간 환자의 초음파 영상에 대하여 질감분석 방법인 GLCM을 적용하여 특징값을 추출하고자 한다. 추출된 특징값들을 이용한 인공신경망 모델의 적용을 통하여 비알콜 성지방간의 지방침착 정도를 정상 간(normal), 경도 지방간(mild), 중등도 지방간(moderate), 중증 지방간(severe)으로 분류를 하고자 한다.
본 연구에서는 비알콜성 지방간질환 초음파영상에 GLCM 알고리듬을 적용하여 추출한 영상데이터를 인공신경망에 추가적으로 적용하여 간 실질의 지방침착 정도에 따른 정상 간, 경도 지방간, 중등도 지방간, 중증 지방간으로 분류를 하고자 하였다. 그 결과 비알콜성 지방간질환에 대한 비알콜성 지방간질환 초음파영상의 분류 정확도는 92.

제안 방법

비알콜성 지방간질환의 초음파 영상에서 ROI를 선택하여 GLCM 알고리듬을 적용 후 특징점 파라미터들을 검출하였다. GLCM 알고리듬 적용 후 비알콜성 지방간질환을 잘 검출 할 수 있는 4개의 특징파라미터값들을 인공신경망의 입력으로 사용하였다. 4개의 입력값들은 10개의 은닉층을 거쳐 출력층은 Normal, Mild, Moderate, Severe의 4종류로 분류하였다.
본 연구에서는 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 Autocorrelation, Sum of squares, Sum average, sum variance의 4개의 파라미터들을 인공신경망 모델의 입력값으로 적용하였다.
3은 본 연구에 사용된 인공신경망의 흐름도를 나타내었다. 비알콜성 지방간질환의 초음파 영상에서 ROI를 선택하여 GLCM 알고리듬을 적용 후 특징점 파라미터들을 검출하였다. GLCM 알고리듬 적용 후 비알콜성 지방간질환을 잘 검출 할 수 있는 4개의 특징파라미터값들을 인공신경망의 입력으로 사용하였다.
연구대상자 중 만성 간질환 환자와 특이질환 치료자는 연구대상에서 제외하였으며, 비알콜성 지방간질환으로 진단된 복부 초음파 영상을 최종 데이터로 획득하였다. 최종적으로 획득한 복부 초음파 영상들은 내과 전문의 1명과 영상의학 전문의 1명이 간의 지방침착을 판독한 결과를 바탕으로 정상군 100증례, 경증 비알콜성 지방간(Grade 1) 100증례, 중등도 비알콜성 지방간(Grade 2) 100증례, 중증 비알콜성 지방간(Grade 3) 100증례로 분류를 하였다. 후향적 분석 방법으로 연구를 진행하였으며, 초음파 검사 장비는 Logiq P9(GE, USA)를 이용하였다.
본 연구에서는 비알콜성 지방간 환자의 초음파 영상에 대하여 질감분석 방법인 GLCM을 적용하여 특징값을 추출하고자 한다. 추출된 특징값들을 이용한 인공신경망 모델의 적용을 통하여 비알콜 성지방간의 지방침착 정도를 정상 간(normal), 경도 지방간(mild), 중등도 지방간(moderate), 중증 지방간(severe)으로 분류를 하고자 한다. 그리고 비알콜성 지방간 환자의 초음파 영상에 대한 질감 분석 GLCM 연구 시 본 연구의 결과를 기초자료로 제시하고자 한다.
획득한 비알콜성 지방간질환에 대한 초음파 영상은 간 실질의 지방침착정도에 따라 정상(normal), 경도(Grade 1), 증등도(Grade 2), 중증(Grade 3)으로 분류하였다. 그리고 50 × 50의 ROI를 설정하여 초음파 영상을 분석하였다.
최종적으로 획득한 복부 초음파 영상들은 내과 전문의 1명과 영상의학 전문의 1명이 간의 지방침착을 판독한 결과를 바탕으로 정상군 100증례, 경증 비알콜성 지방간(Grade 1) 100증례, 중등도 비알콜성 지방간(Grade 2) 100증례, 중증 비알콜성 지방간(Grade 3) 100증례로 분류를 하였다. 후향적 분석 방법으로 연구를 진행하였으며, 초음파 검사 장비는 Logiq P9(GE, USA)를 이용하였다. GLCM 알고리듬 적용과 인공신경망 모델의 구현은 MATLAB 2016a(Math Works Inc, USA)을 이용하였다.

대상 데이터

2015년 10월부터 2016년 4월까지 부산 W병원 검진센터에서 복부 초음파 검사를 시행한 40∼60대 남성을 연구대상으로 선정하였다
2015년 10월부터 2016년 4월까지 부산 W병원 검진센터에서 복부 초음파 검사를 시행한 40∼60대 남성을 연구대상으로 선정하였다. 연구대상자 중 만성 간질환 환자와 특이질환 치료자는 연구대상에서 제외하였으며, 비알콜성 지방간질환으로 진단된 복부 초음파 영상을 최종 데이터로 획득하였다. 최종적으로 획득한 복부 초음파 영상들은 내과 전문의 1명과 영상의학 전문의 1명이 간의 지방침착을 판독한 결과를 바탕으로 정상군 100증례, 경증 비알콜성 지방간(Grade 1) 100증례, 중등도 비알콜성 지방간(Grade 2) 100증례, 중증 비알콜성 지방간(Grade 3) 100증례로 분류를 하였다.

이론/모형

후향적 분석 방법으로 연구를 진행하였으며, 초음파 검사 장비는 Logiq P9(GE, USA)를 이용하였다. GLCM 알고리듬 적용과 인공신경망 모델의 구현은 MATLAB 2016a(Math Works Inc, USA)을 이용하였다.

성능/효과

Fig. 2는 인공신경망을 이용하여 전체 400개의 영상데이터 중에서 280개의 영상데이터를 이용하여 분석한 Training Confusion Matrix를 나타낸 것이며, 연구결과 Training의 결과값은 93.6%를 나타내었다.
Fig. 3은 인공신경망을 이용하여 전체 400개의 영상데이터 중에서 60개의 영상데이터를 이용하여 분석한 Validation Confusion Matrix를 나타내었으며, 연구결과 Validation 결과값은 95%를 나타내었다.
Autocorrelation의 결과값은 정상 간에서 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향성을 나타내었다. Sum of squares, Sum average, Sum variance의 결과값들 또한 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향성을 나타내었다. 분석에 이용되는 모든 파라미터들이 정상 간에서 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향이 있지만 각 파라미터들 별로 증가하는 양상은 다르게 나타났다.
본 연구에서는 비알콜성 지방간질환 초음파영상에 GLCM 알고리듬을 적용하여 추출한 영상데이터를 인공신경망에 추가적으로 적용하여 간 실질의 지방침착 정도에 따른 정상 간, 경도 지방간, 중등도 지방간, 중증 지방간으로 분류를 하고자 하였다. 그 결과 비알콜성 지방간질환에 대한 비알콜성 지방간질환 초음파영상의 분류 정확도는 92.5%를 나타내었다. 이러한 결과를 통하여 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용한 후 추출한 영상에 인공신경망을 추가적으로 적용한다면 비알콜성 지방간질환에 대한 비알콜성 지방간 질환 초음파영상의 분류 정확도는 증가한다는 것을 확인하였다.
Sum of squares, Sum average, Sum variance의 결과값들 또한 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향성을 나타내었다. 분석에 이용되는 모든 파라미터들이 정상 간에서 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향이 있지만 각 파라미터들 별로 증가하는 양상은 다르게 나타났다.
연구결과 Training 데이터를 분석한 AUC 결과값은 경증 지방간의 경우 0.9581의 가장 높은 AUC 결과값을 나타내었으며, Validation 데이터를 분석한 AUC 결과값은 중등도 지방간의 경우 0.9750의 가장 높은 AUC 결과값을 나타내었다. 그리고 전체데이터를 분석한 AUC 결과값은 정상 간의 경우 0.
4는 인공신경망을 이용하여 전체 400개의 영상데이터 중에서 Training 영상데이터 280개, Validation 영상데이터 60개, Testing 영상데이터 60개의 영상데이터로 설정하여 분석한 결과를 나타낸 것이다. 연구결과 정상 간초음파영상의 경우 87%의 정확도, 경도 지방간영상의 경우 99%의 정확도, 중등도 지방간영상의 경우 90%의 정확도, 중증지방간영상의 경우 94%의 정확도를 나타내었다. 이러한 결과를 바탕으로 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 영상을 인공신경망에 적용하여 분류 정확도를 평가한 결과 92.
연구결과 정상 간초음파영상의 경우 87%의 정확도, 경도 지방간영상의 경우 99%의 정확도, 중등도 지방간영상의 경우 90%의 정확도, 중증지방간영상의 경우 94%의 정확도를 나타내었다. 이러한 결과를 바탕으로 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 영상을 인공신경망에 적용하여 분류 정확도를 평가한 결과 92.5%의 높은 정확도를 나타내었다.
5%를 나타내었다. 이러한 결과를 통하여 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용한 후 추출한 영상에 인공신경망을 추가적으로 적용한다면 비알콜성 지방간질환에 대한 비알콜성 지방간 질환 초음파영상의 분류 정확도는 증가한다는 것을 확인하였다. 그러나 전체 400개의 간 초음파 영상 데이터는 인공신경망을을 적용하기에 적은 데이터 수라고 판단이 된다.

후속연구

본 연구는 비알콜성 지방간 질환의 초음파 영상에 대한 분류를 위하여 인공신경망을 적용하여 연구를 진행하였으나, 최근의 분류 정확도 성능평가에서 우수한 성능을 나타내고 있는 컨볼루션 신경망(Convolutional Neural Network)을 적용하지 못한 제한점을 가지고 있다고 판단된다. 향 후 컨볼루션 신경망을 적용한 딥러닝을 이용하여 비알콜성 지방간 질환의 초음파 영상에 대한 추가연구를 진행하도록 하겠다.
이러한 이유로 향후 유사 연구 시 많은 양의 데이터 수집은 분류 정확도를 높이기 위한 필수조건이라고 판단된다. 뿐만 아니라 비알콜성 지방간질환의 지방침착에 따른 초음파 영상의 분류에 대한 정확성을 더욱 높이기 위해서는 다양한 기계학습기법을 적용한 연구가 필요할 것으로 사료된다.
그러나 전체 400개의 간 초음파 영상 데이터는 인공신경망을을 적용하기에 적은 데이터 수라고 판단이 된다. 이러한 이유로 향후 유사 연구 시 많은 양의 데이터 수집은 분류 정확도를 높이기 위한 필수조건이라고 판단된다. 뿐만 아니라 비알콜성 지방간질환의 지방침착에 따른 초음파 영상의 분류에 대한 정확성을 더욱 높이기 위해서는 다양한 기계학습기법을 적용한 연구가 필요할 것으로 사료된다.
본 연구는 비알콜성 지방간 질환의 초음파 영상에 대한 분류를 위하여 인공신경망을 적용하여 연구를 진행하였으나, 최근의 분류 정확도 성능평가에서 우수한 성능을 나타내고 있는 컨볼루션 신경망(Convolutional Neural Network)을 적용하지 못한 제한점을 가지고 있다고 판단된다. 향 후 컨볼루션 신경망을 적용한 딥러닝을 이용하여 비알콜성 지방간 질환의 초음파 영상에 대한 추가연구를 진행하도록 하겠다.

참고문헌 (16)

J. C. Cohen, J. D. Horton, H. H. Hobbs, "Human？Fatty Liver Disease: Old Questions and New？Insights", Science, Vol. 332 No. 6037, pp.？1519-1523, 2011.？http://dx.doi.org/10.1126/science.1204265

상세보기
J. H. Kang, S. H. Lee, H. S. Lee, J. Y. Cho, B. Y.？Yoo, "The Relation of Nonalcoholic Fatty Liver？Disease to Metabolic Syndrome", Journal of the？Korean Academy of Family Medicine, Vol. 25, pp.？746-753, 2004.
S. Wu, R. Tu, G. Liu, L. Huang, Y. Guan, E.？Zheng, "Focal fatty sparing usually does not arise in？preexisting nonalcoholic diffuse homogeneous fatty？liver", Journal of Ultrasound in Medicine, Vol. 33,？No. 8, pp. 1447-1452, 2014.？http://dx.doi.org/10.7863/ultra.33.8.1447

상세보기
Y. A. Kim, J. N. Song, M. E. Kim, "Analysis of the？Accuray Abdominal Ultrasonography and Clinical？Chemical Test with Fatty Liver Patients on the？Medical Examination", Journal of the Korean of？Radiology, Vol. 6, No. 3, pp. 183-189, 2012.？https://doi.org/10.7742/jksr.2012.6.3.183

원문보기 상세보기
S. G. Lee, Rahul, H. L. Ye, D. P. Chittajallu, U.？Kruger, T. Boyko, J. K. Lukan, A. Enquobahrie, J.？Norfleet, S. De, "Real-time Burn Classification using？Ultrasound Imaging", Scientific Reports, Vol. 10, No.？1, pp. 5829, 2020.？http://dx.doi.org/10.1038/s41598-020-62674-9

상세보기
S. K. Sim, W. Y. Chong, "The Real-time Printed？Alphabets Recognition using Artificial Neural？Networks", Vol. 2, No. 1, Prodeedings of the korea institute of convergence signal processing, 2001.
X. Yang, S. Tridandapani, J. J. Beitler, D. S. Yu, E.？J. Yoshida, W. J. Curran, T. Liu, "Ultrasound GLCM？texture analysis of radiation-induced parotid-gland？injury in head-and-neck cancer radiotherapy", Medical？Physics, Vol. 39, No. 9, pp. 5732-5739, 2012.？http://dx.doi.org/10.1118/1.4747526

상세보기
H. S. Kim, "Classification and Combination of？Fashion Items Using CNN-Based Deep Learning",？Journal of Digital Contents Society, Vol. 22, No. 3,？pp. 475-482, 2021.？http://dx.doi.org/10.9728/dcs.2021.22.3.475

상세보기
A. K. Singh, R. Narvey, V. Chaudhary, "Accurate？Detection of Breast Cancer Using GLCM and LBP？Features with ANN via Mammography", Machine？Intelligence and Smart Systems Proceedings of MISS？2020, pp. 593-604, 2020.？http://dx.doi.org/10.1007/978-981-33-4893-6_50
S. B. Seok, "A Novel Adaptive Histogram？Equalization based on Histogram Matching", Journal？of Korea Academia-Industrial cooperation Society,？Vol. 7, No. 6, pp. 1231-1236, 2006.
A. M. Diehl, "Nonalcoholic steatohepatitis", Semin？Liver Dis, 19, pp. 221-229, 1999.
J. G. Fan, F. Li, X. B. Cai, Y. D. Peng, O. H. Ao,？Y. Gao, "Effects of nonalcoholic fatty liver disease？on the development of metabolic disorders", Journal？of Gastroenterology and Hepatology, Vol. 22, No. 7,？pp. 1086-1091, 2007.？http://dx.doi.org/10.1111/j.1440-1746.2006.04781.x

상세보기
J. H. Park, I. S. Choi, K. D. Han, H. Park, K. H.？Kim, J. S. Kim, "Association Between Fatty Liver？Index and Risk of Breast Cancer: A Nationwide？Population-Based Study", Clinical Breast Cancer,？Vol. 20, No. 4, pp. e450-e457, 2020.？http://dx.doi.org/10.1016/j.clbc.2020.02.004

상세보기
J. C. Bamber, M. Tristam, Diagnostic Ultrasound in？the Physics of Medical Imaging, Webb's Physics of？Medical Imaging, pp. 354-367, 2012.
A. Amporn, L. Passisd, P. Kittichai, "Machine？learning models for predicting non-alcoholic fatty？liver disease in the general United States population:？NHANES database", World Journal of Hepatology,？Vol. 13, No. 10, pp. 1417-1427, 2021.？https://doi.org/10.4254/wjh.v13.i10.1417

상세보기
R. Farkhondeh, D. K. Reza, S. Davood, et al.,？"Application of machine learning in predicting？non-alcoholic fatty liver disease using anthropometric？and body composition indices", Scientific Reports,？Vol. 13, pp. 4942-4949, 2023.？http://dx.doi.org/10.1038/s41598-023-32129-y

상세보기

저자의 다른 논문 :

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