초록 ▼

□연구개요
본 연구에서는 딥러닝의 분류 능력을 활용하여 전립선 선암종의 슬라이드 이미지에서 글리슨 점수(Gleason score)를 결정할 수 있는 시스템을 개발하려하였다. 우선 TCGA 데이터베이스에서 전립선 선암종 병리 슬라이드 데이터를 획득하고 이미지 처리 모듈과 딥러닝 모듈을 개발하였으며 딥러닝 모듈을 TCGA 슬라이드 데이터로 학습하여 병리 슬라이드 데이터의 글리슨 점수를 예측하도록 하였고 임상 진단 슬라이드 데이터를 획득하고 학습된 딥러닝 모듈을 임상 슬라이드로 평가하고 개선하기 위해 연구를 진행하였다.

□연구개요
본 연구에서는 딥러닝의 분류 능력을 활용하여 전립선 선암종의 슬라이드 이미지에서 글리슨 점수(Gleason score)를 결정할 수 있는 시스템을 개발하려하였다. 우선 TCGA 데이터베이스에서 전립선 선암종 병리 슬라이드 데이터를 획득하고 이미지 처리 모듈과 딥러닝 모듈을 개발하였으며 딥러닝 모듈을 TCGA 슬라이드 데이터로 학습하여 병리 슬라이드 데이터의 글리슨 점수를 예측하도록 하였고 임상 진단 슬라이드 데이터를 획득하고 학습된 딥러닝 모듈을 임상 슬라이드로 평가하고 개선하기 위해 연구를 진행하였다.

□연구 목표대비 연구결과
연구 내용 중 이미지 처리 모듈과 딥러닝 모듈 개발을 위해서 전립선 선암종 TCGA 슬라이드 이미지와 임상 데이터를 TCGA 데이터 포털에서 획득하였으며 데이터 확장(Data argumentation)을 위한 슬라이드 이미지 변환 모듈을 개발하였다. 그리고 다양한 구조를 학습할 수 있도록 딥러닝 모듈을 구축하였다. 전체 전립선 선암종 TCGA 슬라이드 이미지를 학습하였고 슬라이드 이미지 변환 프로그램을 통해 확장된 슬라이드 이미지를 학습하였다. 내적 타당도(internal validation)를 기반으로 딥러닝 평가하여 최적 형태가 되는 딥러닝 구조를 정하였다. 임상진단에 활용된 전립선 선암종에 대한 글리슨 점수데이터와 슬라이드 데이터를 확보하고 임상진단 슬라이드 데이터를 학습된 딥러닝 모듈에 적용하여 성능을 평가하였으며 학습된 딥러닝 모델을 통해서 글리슨 점수를 산출하는 근거 병변의 위치를 찾아낼 수 있는지 평가하여 위치 검출능력의 병리적 유용성에 관해 확인하였다.

□연구개발결과의 중요성
본 연구결과로 획득한 결과는 디지털 병리의 적용으로 인해 생성되는 다양한 병리 슬라이드 이미지에 특성을 도출할 수 있는 방법을 제시하였다. 또한 전립선암 뿐 아니라 다른 다양한 암종에서도 계속적으로 생성되는 병리 이미지를 바탕으로 본 연구에서 개발한 방법론을 적용함으로써 다양한 이미지 기반 병리 특성을 도출할 수 있다. Formalin-fixed, paraffin-embedded (FFPE) 데이터와 Biopsy 데이터간의 차이가 있음을 도출하였으며 이를 바탕으로 후속 연구에서는 병리 이미지에서 자주 생성되는 두 가지 이미지에서 상호 간의 학습이 중요함을 파악할 수 있다.

(출처 : 요 약 문 3p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 3
• 목차 ... 4
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 6
• 3. 연구개발결과의 중요성 ... 11
• 4. 참고문헌 ... 11
• 5. 연구성과 ... 12
• 끝페이지 ... 13