초록 ▼

1) 당초계획
(1) 의료영상에서의 병변 검출 기술
본 연구실에서는 최근 높은 성능을 보여주고 있는 딥러닝 방법을 이용하여 병변검출 연구 중 하나로 Periapical Dental X-ray에서 우식 영역 검출 연구를 진행 하였다. 이 기술을 바탕으로 다양한 의료 영상 (예, Mammography-Tumor, Retinopathy-Cotton Wool Spot, Lung CT-Nodule 등)에 적용 시키고자 하였다.
현재 보유하고 있는 기술을 목표 의료 영상에 적합하게 수정 후 적용을 하여 목표 의료 영상에서의 비

1) 당초계획
(1) 의료영상에서의 병변 검출 기술
본 연구실에서는 최근 높은 성능을 보여주고 있는 딥러닝 방법을 이용하여 병변검출 연구 중 하나로 Periapical Dental X-ray에서 우식 영역 검출 연구를 진행 하였다. 이 기술을 바탕으로 다양한 의료 영상 (예, Mammography-Tumor, Retinopathy-Cotton Wool Spot, Lung CT-Nodule 등)에 적용 시키고자 하였다.
현재 보유하고 있는 기술을 목표 의료 영상에 적합하게 수정 후 적용을 하여 목표 의료 영상에서의 비정상 영역 또는 병변 검출을 목표로 하였다.

(2) 의료영상에서의 병변 특징 시각화
인간의 시각 인지 시스템과 딥 네트워크의 유사성에 주목하여 딥 네트워크가 판단을 수행할 때 어떤 특징이 큰 영향을 끼치는 지 시각화 하는 특징 시각화 기술을 보유하고 있다. 이 기술을 바탕으로 다양한 의료 영상 (예, Mammography, Lung fMRI 등)에 적용해 병변의 특징을 시각화한다면 의사들이 환자를 진단함에 있어 큰 도움이 될 수 있을 것이다. 본 연구에서는 특징 시각화를 Mammography 영상에 적용하여 딥 네트워크가 유방의 병변을 판별할 때 어떤 부분을 보고 판단하는지를 알아보고, 특징 시각화가 진단에 도움이 될 수 있는지 그 가능성을 평가한다.

2) 주요성과
(1) 의료영상에서의 병변 검출 기술
본 과제에서는 위에서 말한 딥러닝을 이용한 우식 검출 기술을 바탕으로 흉부 CT에서 폐 결절을 찾는 연구를 진행하였다. 흉부 CT의 경우 일반 2D 영상이 아닌 3D 볼륨 영상이기 때문에 3D 딥러닝 기술인 3D Convolutional Neural Network (CNN)을 이용하였다. LIDC-IDRI 데이터, 551,065개의 결절 후보 군 (1186 결절 포함),에 대해 실제 결절일 확률을 측정하여 병변 영역을 검출하였다. 3D 흉부 CT 영상에서 결절 검출 Sensitivity 87.1% 이상, Scan 당 False Positive 개수의 비율 4 이하 수준의 병변 영역 검출 알고리즘을 개발하였다.

(2) 의료영상에서의 병변 특징 시각화
본 과제에서는 Mammography 영상의 특징 시각화를 위해 먼저 81.2%의 병변 분류 정확도를 갖는 딥 네트워크 구조를 설계하였다. 설계한 딥 네트워크에 특징 시각화를 적용하여, 병변뿐만 아니라 병변 주변의 조직 또한 딥 네트워크의 판단에 큰 영향을 준다는 것을 확인하였다. 또한 병변이 없는 노말 영상이라고 판단한 경우, 그 판단 근거가 입력 영상 전체 나타나게 된다. 이는 병변이라고 판단할 때와는 확연히 다른 판단 근거이다. 이를 통해, 의료 영상 진단에 특징 시각화를 적용해 그 판단 근거를 제시하면 진단에 큰 도움이 될 수 있다는 것을 확인하였다.

(출처 : 요약)

목차 Contents

• 표지 ... 1성과보고서 ... 2요약 ... 3목차 ... 41. 주요 추진계획 대비 수행성과 ... 5 1) 과제개발 달성도 ... 52. 과제수행 성과 ... 6 1) 정성적 성과내용 ... 6 2) 정량적 성과 ... 8끝페이지 ... 8