[논문]인공 지능을 이용한 흉부 엑스레이 이미지에서의 이물질 검출

한창화

doi:10.7742/jksr.2023.17.6.873

인공 지능을 이용한 흉부 엑스레이 이미지에서의 이물질 검출
Detecting Foreign Objects in Chest X-Ray Images using Artificial Intelligence 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.6, 2023년, pp.873 - 879

한창화 (동신대학교 방사선학과)

초록
AI-Helper

본 연구는 인공지능(AI)을 사용하여 흉부 엑스레이 이미지에서 이물질을 탐지하는 방법을 탐구하였다. 의료영상학, 특히 흉부 엑스레이는 폐렴이나 폐암과 같은 질병을 진단하는 데 매우 중요한 역할을 한다. 영상의학 검사가 증가함에 따라 AI는 효율적이고 빠른 진단을 위한 중요한 도구가 되었다. 하지만 이미지에는 단추나 브래지어 와이어와 같은 일상적인 장신구를 포함한 이물질이 포함될 수 있어 정확한 판독을 방해할 수 있다. 본 연구에서는 이러한 이물질을 정확하게 식별하는 AI 알고리즘을 개발하였고, 미국 국립보건원 흉부 엑스레이 데이터셋을 가공하여 YOLOv8 모델을 기반으로 처리하였다. 그 결과 정확도, 정밀도, 리콜, F1-score가 모두 0.91에 가까울 정도로 높은 탐지 성능을 보였다. 이번 연구는 AI의 뛰어난 성능에도 불구하고 이미지 내 이물질로 인해 판독 결과가 왜곡될 수 있는 문제점을 해결함으로써 영상의학 분야에서 AI의 혁신적인 역할과 함께, 임상 구현에 필수적인 정확성에 기반하여 신뢰성을 강조하였다.

Abstract ▼ AI-Helper

This study explored the use of artificial intelligence(AI) to detect foreign bodies in chest X-ray images. Medical imaging, especially chest X-rays, plays a crucial role in diagnosing diseases such as pneumonia and lung cancer. With the increase in imaging tests, AI has become an important tool for efficient and fast diagnosis. However, images can contain foreign objects, including everyday jewelry like buttons and bra wires, which can interfere with accurate readings. In this study, we developed an AI algorithm that accurately identifies these foreign objects and processed the National Institutes of Health chest X-ray dataset based on the YOLOv8 model. The results showed high detection performance with accuracy, precision, recall, and F1-score all close to 0.91. Despite the excellent performance of AI, the study solved the problem that foreign objects in the image can distort the reading results, emphasizing the innovative role of AI in radiology and its reliability based on accuracy, which is essential for clinical implementation.

주제어

표/그림 (6)

그림 Fig. 1. Steps of medical image analysis.
그림 Fig. 2. YOLOv8 Architecture
그림 Fig. 3. Button label.
그림 Fig. 4. Brassiere Wire and Clip label.
그림 Fig. 5. Output Samples.
표 Table 1. Results: Accuracy, Precision, Recall, and F1-score

AI 본문요약
AI-Helper

문제 정의

본 연구는 흉부 엑스레이 이미지 내의 단추와 같은 이물질로 인해 발생하는 오진단을 해결하고자 인공지능을 기반으로 한 의료영상 판독 보조 시스템의 이물질 검출 알고리즘을 개발하였다. 그 결과, 개발된 인공지능 알고리즘이 높은 정확도와 신뢰성을 보였다.
이러한 문제를 해결하기 위해 본 연구에서는 인공지능을 활용하여 흉부 엑스레이 이미지에서의 이물질을 정확하게 판별하는 방법 중 단추, 브래지어 클립 및 와이어와 같은 일상생활에서 흔하게 착용하는 장신구들의 감지에 중점을 두어 연구를 진행하였다.

제안 방법

또한, 인공지능 모델의 훈련 및 평가에 이용되지 않은 추가 이미지 20장을 이용하여 인공지능 모델의 성능을 시각적으로 확인하고자 탐지된 이물질을 바운딩 박스 처리되게 하였다.

대상 데이터

4) 등 환자 장신구가 1개 이상 포함된 512×512 픽셀 이미지 200개로 구성하였다
4) 등 환자 장신구가 1개 이상 포함된 512×512 픽셀 이미지 200개로 구성하였다. 그리고 데이터는 80:20 분할 사용하여 훈련용 데이터(160개) 및 검증용 데이터(40개)로 분할하여 연구에 활용하였다.
모델 훈련 및 평가에 사용된 데이터 세트는 흉부 엑스레이 후전방향 촬영 이미지 중, 단추(Fig. 3)와 브래지어 와이어 및 클립(Fig.
모델은 파이토치에서 구현되었으며, 전이 학습을 사용하여 울트라틱스 YOLOv8 라이브러리를 사용하여 훈련하였다.
본 연구에서는 미국 국립보건원(NIH) 흉부 엑스레이 공개 데이터 세트를 사용하였다. 이 데이터 세트에는 30,805명의 개인을 촬영한 112,120개의 엑스레이 이미지이며, 단추, 브래지어 등 이미지 내에 환자 장신구를 포함한 데이터로 구성되어 있다.
본 연구에서는 미국 국립보건원(NIH) 흉부 엑스레이 공개 데이터 세트를 사용하였다. 이 데이터 세트에는 30,805명의 개인을 촬영한 112,120개의 엑스레이 이미지이며, 단추, 브래지어 등 이미지 내에 환자 장신구를 포함한 데이터로 구성되어 있다.

데이터처리

제안한 인공지능 모델의 성능 측정을 위하여 정확도(Accuracy), 정밀도(Precision), 회수율(Recall) 및 F1-Score를 측정하였다.

성능/효과

인공지능 의료영상 분석은 기본적으로 다음 Fig. 1과 같은 프로세스를 거치며, 의료 시스템에서는 대량의 데이터가 처리되므로 딥러닝 또는 머신러닝을 사용하여 활용할 수 있는 성공적인 인공지능 알고리즘을 개발할 수 있다.
본 연구는 흉부 엑스레이 이미지 내의 단추와 같은 이물질로 인해 발생하는 오진단을 해결하고자 인공지능을 기반으로 한 의료영상 판독 보조 시스템의 이물질 검출 알고리즘을 개발하였다. 그 결과, 개발된 인공지능 알고리즘이 높은 정확도와 신뢰성을 보였다.

후속연구

국내 의료기관에서 촬영되는 엑스레이 이미지에 이물질이 포함된 데이터가 많이 부족하여 미국 국립보건원(NIH) 데이터를 이용하였고, 국내 의료기관 데이터의 수집과 활용에서의 제한사항이 있었으며, 단추와 브래지어 부착물 이외의 의료영상 판독에 영향을 인체삽입 튜브와 머리부위 촬영 시 함께 나타날 수 있는 귀걸이와 인공치아 등 다양한 이물질을 포함한 연구가 필요하여 현재 추가 연구 중이다.
이물질이 포함된 많은 양의 이미지를 이용하여 학습하지 못한 한계점과 임상 적용 부분에 사용자의 요구사항 충족 등 향후 발전시켜야 할 연구가 필요하지만, 이번 연구의 결과로 영상의학 분야에서 인공지능 기술의 잠재력을 확인함으로써 질병 진단과 예측 분야에서 인공지능 기술이 중요한 역할을 할 수 있음을 확인할 수 있었다. 동시에 인공 지능이 진단의 정확도를 향상시키고, 질병의 판단을 객관적이고 신뢰성 있게 지원한다는 것을 보여줌으로써 이를 통해 영상의학 분야에서 인공지능의 활용성과 중요성이 더욱 기대된다.
또한, 이물질의 크기 및 밀도를 다르게 적용한 연구와 임상에서 이물질 식별 및 설명에 절약된 시간을 분석하여서 판독 업무에서 업무의 효용성이 얼마나 향상되는지에 대한 잠재력 확인에 관한 연구의 확장도 필요해 보인다.
이물질이 포함된 많은 양의 이미지를 이용하여 학습하지 못한 한계점과 임상 적용 부분에 사용자의 요구사항 충족 등 향후 발전시켜야 할 연구가 필요하지만, 이번 연구의 결과로 영상의학 분야에서 인공지능 기술의 잠재력을 확인함으로써 질병 진단과 예측 분야에서 인공지능 기술이 중요한 역할을 할 수 있음을 확인할 수 있었다. 동시에 인공 지능이 진단의 정확도를 향상시키고, 질병의 판단을 객관적이고 신뢰성 있게 지원한다는 것을 보여줌으로써 이를 통해 영상의학 분야에서 인공지능의 활용성과 중요성이 더욱 기대된다.

참고문헌 (17)

P. Rajpurkar, M. P. Lungren, "The Current and Future State of AI Interpretation of Medical Images", New England Journal of Medicine, Vol. 388, No. 21, pp. 1981-1990, 2023. https://doi.org/10.1056/nejmra2301725？

상세보기
E. J. Gong, C. S. Bang, "Interpretation of Medical Images Using Artificial Intelligence: Current Status and Future Perspectives", The Korean journal of gastroenterology, Vol. 82, No. 1, pp. 43-45, 2023. https://doi.org/10.4166/kjg.2023.071？

상세보기
C. S. Bang, J. J. Lee, G. H. Baik, "Computer-aided diagnosis of esophageal cancer and neoplasms in endoscopic images: a systematic review and meta-analysis of diagnostic test accuracy", Gastrointestinal Endoscopy, Vol. 93, No. 5, pp. 1006-1015, 2021. https://doi.org/10.1016/j.gie.2020.11.025？

상세보기
A. Cahan, J. J. Cimino, "A Learning Health Care System Using Computer-Aided Diagnosis", Journal of Medical Internet Research, Vol. 19, No. 3, pp. e54, 2017. https://doi.org/10.2196/jmir.6663？

상세보기
S. Raoof, D. Feigin, A. Sung, S. Raoof, L. Irugulpati, E. C. Rosenow III, "Interpretation of Plain Chest Roentgenogram", Chest Journal, Vol. 141, No. 2. Elsevier BV, pp. 545-558, 2012. https://doi.org/10.1378/chest.10-1302？

상세보기
K. Murphy, The Global Innovation Index 2019, World Intellectual Property Organization, Geneva, pp. 129-132, 2019.
A. S. Pillai, "Multi-Label Chest X-Ray Classification via Deep Learning", Journal of Intelligent Learning Systems and Applications, Vol. 14, No. 04, pp. 43-56, 2022. https://doi.org/10.4236/jilsa.2022.144004？
S. Jaeger, A. Karargyris, S. Candemir, L. Folio, J. Siegelman, F. Callaghan et al., "Automatic Tuberculosis Screening Using Chest Radiographs", IEEE Transactions on Medical Imaging, Vol. 33, No. 2, pp. 233-245, 2014. https://doi.org/10.1109/tmi.2013.2284099？

상세보기
M. Weinreich, J. J. Chudow, B. Weinreich, T. Krumerman, T. Nag, K. Rahgozar, E. Shulman, J. Fisher, K. J. Ferrick. et al., "Development of an Artificially Intelligent Mobile Phone Application to Identify Cardiac Devices on Chest Radiography", JACC: Clinical Electrophysiology, Vol. 5, No. 9, pp. 1094-1095, 2019. https://doi.org/10.1016/j.jacep.2019.05.013？

상세보기
H. X. Le, P. D. Nguyen, T. H. Nguyen, K. N. Q. Le, T. T. Nguyen, "A novel approach to remove foreign objects from chest X-ray images", Computer Vision and Pattern Recognition, 2020. https://doi.org/10.48550/arXiv.2008.06828？
F. T. Zohora, K. C. Santosh, "Circular foreign object detection in chest X-ray images", Recent Trends in Image Processing and Pattern Recognition, Vol. 709, pp. 391-401, 2017. https://doi.org/10.1007/978-981-10-4859-3？
I. M. Baltruschat, H. Nickisch, M. Grass, T. Knopp, A. Saalbach, "Comparison of Deep Learning Approaches for Multi-Label Chest X-Ray Classification", Scientific Reports, Vol. 9, No. 1, pp. 6381-6390, 2019. https://doi.org/10.1038/s41598-019-42294-8？

상세보기
M. T. Freedman, S.-C. B. Lo, J. C. Seibel, C. M. Bromley, "Lung Nodules: Improved Detection with Software That Suppresses the Rib and Clavicle on Chest Radiographs", Radiology, Vol. 260, No. 1, pp. 265-273, 2011. https://doi.org/10.1148/radiol.11100153？

상세보기
K. C. Santosh, M. K. Dhar, R. Rajbhandari, A. Neupane, "Deep Neural Network for Foreign Object Detection in Chest X-rays", Institute of Electrical and Electronics Engineers, 2020 IEEE 33rd International Symposium, pp. 538-541, 2020. https://doi.org/10.1109/CBMS49503.2020.00107？
A. Bochkovskiy, C. Y. Wang, H. Y. Mark, "YOLOv4: Optimal Speed and Accuracy of Object Detection", Computer Vision and Pattern Recognition, 2020. https://doi.org/10.48550/arXiv.2004.10934？
J. Redmon, S. Divvala, R. Girshick, A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection", Institute of Electrical and Electronics Engineers, 2016 IEEE Conference, pp. 779-788, 2016. https://doi.org/10.48550/arXiv.1506.02640？
Brief summary of YOLOv8 model structure #189, From URL; https://github.com/ultralytics/ultralytics/issues/189

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