[보고서]치매 진단 및 예측을 위한 심층학습 기반 PET 영상 분석 연구

강도영

치매 진단 및 예측을 위한 심층학습 기반 PET 영상 분석 연구
A Study of PET Image Analysis Based on Deep Learning for Alzheimer Disease Diagnosis and Estimation 원문보기

보고서 정보
주관연구기관	동아대학교 Donga University
연구책임자	강도영
보고서유형	최종보고서
발행국가	대한민국
언어	한국어
발행년월	2021-04
과제시작연도	2020
주관부처	과학기술정보통신부 Ministry of Science and ICT
등록번호	TRKO202200018218
과제고유번호	1711114527
사업명	개인기초연구(과기정통부)(R&D)
DB 구축일자	2023-02-16
키워드	알츠하이머치매.딥러닝.유전알고리즘.시계열분석.아밀로이드 펫.Alzheimer’s dementia.Deep learning.Genetic algorithm.LSTM.Amyloid PET.

초록 ▼

□ 연구개요
본 연구의 목적은 심층학습(Deep Learning) 기반 아밀로이드 뇌 PET 영상에서의 아밀로이드 분포 분석을 통한 치매 진단 시스템을 개발하고자 함
본 연구의 필요성은 1) 국내외에서 고령화에 따른 퇴행성 뇌질환 특히 알츠하이머 치매 환자가 증가하고 있으며, 2) 이에 따른 의료비 증가는 사회적 문제가 되고 있어 조기 진단 및 예방 관리를 통한 의료비 절감 및 삶의 질 개선의 필요성이 증가되고 있으며, 3) 아밀로이드 뇌PET 영상은 상용화 된지 수년 이내의 최신 기술이며 알츠하이머 치매의 중요한 바이오마커로서 조기에 우수한 진단 성능을 보이고 있으며, 4) 의료데이터의 빅데이터화, 딥러닝기반 분석 알고리즘의 빠른 발달과 GPU기반 컴퓨팅 파워의 증가로 의료영상에 딥러닝 기반 분석의 결과가 우수한 성능을 보이고 있으므로, 알츠하이머 치매 환자를 대상으로 아밀로이드 뇌 PET 영상을 딥러닝 기반으로 분석하여 진단에 적용함
알츠하이머 치매, 경도인지장애, 정상군을 대상으로 하여 F-18 아밀로이드 뇌 PET 영상 데이터베이스를 구축 및 임상적 분류를하고, CNN, LSTM Auto-encoder, GAN, Genetic algorithm 등의 인공지능기반 분석을 사용하여 2D 및 3D 기반의 진단 및 분류를 구현하였으며 오픈 알고리즘과 비교하였음

□ 연구 목표대비 연구결과
⦁ 정성적 목표 달성
- AD, MCI, CN 아밀로이드 뇌영상 데이터베이스 구축 및 시스템 확립
- AD, MCI, CN 구별하는 2D 머신러닝 및 3D CNN 분류 알고리즘 구현
- GAN 적용 알고리즘 개발 및 구현
- Genetic algorithm 개발 및 구현
- LSTM 알고리즘 구현
- Autoencoder 알고리즘 개발 및 구현
⦁ 정량적 목표 달성

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
1) 자체적인 분석 네트워크 구조 설계 및 하이퍼파라미터 최적화를 통하여 새로운 알고리즘의 개발
2) GAN을 이용한 데이터 증폭 및 지도와 비지도학습의 데이터 유형에 따른 적용
3) 아밀로이드 치매 뇌영상의 주관적 시각적 판독을 객관적 딥러닝 기반 판독으로 전환
4) 의료영상의 정적 및 동적 영상의 융합적 분석 기술 개발
5) 의학과 공학의 융합적 지식을 가진 딥러닝기반 의료영상분석 전문 인력의 양성
6) 연관된 중대형 그룹과제의 수주를 통하여 보다 심화된 연구 진행
7) 기 창업한 개인기업의 법인화를 통하여 상용화 진행
8) 의료와 공학이 융합된 인공지능기반 의료데이터 분석 아카데미 개설 운영
9) 병원 내 의료빅데이터 센터와 부산시 에코델타시티 내에 예정된 빅데이터센터와 연계
10) 개발된 알고리즘의 식약처 인증/ 승인 과정을 통하여 전문기업에 기술이전을 통한 사업화 지속
11) 의료영상 외에 다른 의료정보 및 지역사회기반 라이프로그 데이터를 융합한 멀티모달 데이터의 분석을 통한 토탈 솔루션으로서의 임상판단보조시스템을 개발

(출처 : 연구결과 요약문 2p)

목차 Contents

표지 ... 1
연구결과 요약문 ... 2
목차 ... 3
1. 연구개발과제의 개요 ... 4
2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
(1) 딥러닝 영상분석을 위한 치매 증상별 PET 영상DB 구축 ... 4
(2) 심층학습 기반 다차원 PET영상 분석 기술 개발 ... 4
(3) 심층학습 모델에 따른 치매 증상 분류 성능 비교 검토 ... 5
(4) PET영상 분석을 통한 치매 증상 분류를 위한 변형 Auto-encoder 모델 개발 ... 6
(5) 2D PET 영상 분할 및 분류 네트워크 개발 ... 6
(6) PET 영상의 BAPL score 아밀로이드 분포에 따른 PCA_SVM 분류 ... 6
(7) GA 기반 최적 네트워크(모델) 설계 알고리즘 개발 ... 7
(8) Auto-encoder 딥러닝 네트워크 개발 ... 9
(9) Restoration of amyloid PET images obtained with short‑time data using a generative adversarial networks framework ... 9
(10) Genetic Algorithm Based Deep Learning Neural Network Structure and Hyperparameter Optimization ... 11
(11) Alzheimer’s Disease Prediction Using Long Short-Term Memory with Early-Phase 18F-Florbetaben Imaging Data (논문 심사 중) ... 13
(12) Performance evaluation in 18F-FBB brain PET images classification using 3D Convolutional Neural Network (논문 심사 중) ... 15
3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 17
1) 정성적 연구개발성과(연구개발결과) ... 17
2) 세부 정량적 연구개발성과 ... 17
3) 목표 달성 수준 (3년간) ... 17
4) 목표 미달 시 원인 분석 ... 17
4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 18
5. 연구개발성과의 관리 및 활용 계획 ... 18
6. 참고문헌 ... 19
붙임1. 세부 정량적 연구개발성과 ... 20
붙임2. 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 29
끝페이지 ... 40

표/그림 (45)

표 Characteristics of 18F FBB PET Dataset by Clinical Classification
표 Three Orthogonal Display of DICOM images
표 3차원 PET영상 분석 시스템 구성도
표 Performance comparison results
표 Performance comparison results
표 Characteristics of 18F FBB PET Dataset with BAPL Scores
표 Comparison of GM performance using VGG16
표 Amyloid distribution and classification of 18F FBB PET by PCA_SVM
표 유전알고리즘의 블록다이어그램
표 유전자의 구조
표 유전자의 적합도
표 유전자의 변이
표 Parallel deep CNN composed with a regular CNN and dilated CNN. Top pipeline is a regular CNN with four layers with each specific layer operations highlighted. Bottom pipeline is a dilated CNN with four identical layers except that it uses dilation operation. In both pipelines, fully-connected layers are obtained and then these are concatenated and this layer is connected to the classification layer with softmax operation
표 Flowchart of the method for creating sagittal and coronal axes using axial image
표 Accuracy comparison between the developed model and other state-of-the-art classification models
표 The schematic diagram of the adversarial network used in this study (top left). In this proposed network, the discriminator (top right) and the generator (bottom row) are shown, and the generator is constructed using the deep convolutional framelets. The numbers below the rectangular boxes indicate the number of filters
표 The input and output of PET images (upper row, BAPL 1; middle row, BAPL 2; lower row, BAPL 3). PET 2m image (input image) is very noisy and the image quality is poor (a,e,i). The ground truth with 20-min scanning (b,f,j) and synthetic PET images generated from the proposed deep learning (c,g,k) and the U-net (d,h,l) are shown. The synthetic PET image generated from our model is better in reflecting the underlying anatomical details than is the PET image generated from the U-net. In the BAPL 2 case, a small positive lesion (red arrows, e–h) is equivocal in the PET 2m image (e), but clearly shown in sPET 20m image (g) as in PET 20m image (f)
표 Image-quality metrics of PET image categories for internal, temporal, and external validation. NRMSE normalized root mean-square error, PSNR peak signal-to-noise ratio, SSIM structural similarity
표 Comparison of the regional mean SUVR in the PET 20m (light blue) and sPET 20m (light red) images of the internal validation dataset (a, negative group; b, positive group). Similar values are shown between PET 20m and sPET 20m images
표 The Bland–Altman analysis for every regional SUVR shows a small mean difference between the PET 20m and sPET 20m images (a, negative group; b, positive group)
표 Correlation analysis of the whole representative areas shows a trend of a strong positive relationship of SUVR in temporal (a) and external validations (c). The Bland–Altman analysis shows a minimal mean difference between the two images in temporal (b) and external validations (d)
표 Accuracy of three physicians in two Turing tests
표 Accuracy, sensitivity, and specificity in clinical reading using the BAPL score. Data in parentheses are 95% confidence interval (%)
표 Block diagram explaining the process of our Genetic Algorithm (GA)
표 Encoding stages of architectures into binary strings. (a)-set of convolutional layer; (b)-encoded version of the layers in (a). In (b), numbers before and after the hyphen represent connections to node A2 and A3, respectively
표 Multi-slices of pre-processed 18F-Florbetaben imaging by disease group. Each column shows 7 axial planes observed at equal intervals, and a sagittal plane. The blue lines represent the extracted level of each axial plane
표 Details of the dataset
표 Encoding rule for hyperparameters
표 Results of the genetic algorithm, showing accuracy of generated networks
표 Graph showing the accuracy of networks against the number of generations
표 Comparison of our algorithm with Genetic CNN
표 Comparison of our network with state-of-the-art networks
표 Structures of machine learning-based models to estimate AD positivity score with single or dual-phase 18F-Florbetaben (FBB) PET imaging. (a) shows a combined neural network that analyzes dual-phase FBB (dynamic early phase and delay-phase FBB). (b) shows model structure that analyzes single-phase FBB. (c) shows a label for this figure. each component deBoth (a) and (b) use regional mean SUVr extracted from a preprocessed image as an input
표 Comparison of predictive performance of scores for Alzheimer’s Disease
표 Distributions of model inputs and model features observed through t-SNE according to F18-Florbetaben reading label and diagnostic label. (a−c) show distributions of mean SUVr values used for a predictive model. (d−f) show distributions of feature vectors obtained from the last hidden layer of a neural network
표 Comparison of AUROC of test scores for Alzheimer’s Disease according to specific distribution
표 Correlation between predicted AD scores from machine learning-based models and neuropsychological tests
표 Predicted AD Scores and MMSE in Aβ-negative normal (Aβ (−) NC), Aβ-positive normal (Aβ (+) NC), Aβ-negative AD (Aβ (−) AD), Aβ-positive AD cases (Aβ (+) AD)
표 Demographics and positivity of study participants according to each dataset group
표 AUC, Sensitivity, Specificity, and Accuracy by classifiers
표 Comparison of ROC curves
표 External validation after model retraining
표 Comparison of independent ROC curves with the model evaluations and the external validations after retraining
표 ROC curve comparison for each model. In the legend of each plot, ’ext val’ means the external validation, and ’model eval’ means the model evaluation
표 ROC curve comparison between the external validation after retraining and the model evaluation. The ’fine tuning’ curve indicates the external validation after retraining and ’model eval’ indicates the model evaluation

과제명(ProjectTitle) :	-
연구책임자(Manager) :	-
과제기간(DetailSeriesProject) :	-
총연구비 (DetailSeriesProject) :	-
키워드(keyword) :	-
과제수행기간(LeadAgency) :	-
연구목표(Goal) :	-
연구내용(Abstract) :	-
기대효과(Effect) :	-

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 제목(한글), 저자명(한글), 발행일자, 전자원문, 초록(한글), 초록(영문) 관리번호, 제목(한글), 제목(영문), 저자명(한글), 저자명(영문), 주관연구기관(한글), 주관연구기관(영문), 발행일자, 총페이지수, 주관부처명, 과제시작일, 보고서번호, 과제종료일, 주제분류, 키워드(한글), 전자원문, 키워드(영문), 입수제어번호, 초록(한글), 초록(영문), 목차
저장형식	Text(ASCII format) Excel format
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

치매 진단 및 예측을 위한 심층학습 기반 PET 영상 분석 연구
A Study of PET Image Analysis Based on Deep Learning for Alzheimer Disease Diagnosis and Estimation 원문보기

초록 ▼

목차 Contents

표/그림 (45)

표/그림 (45)

참고문헌 (25)

연구과제 타임라인

관련 콘텐츠

원문 보기

이 보고서와 함께 이용한 콘텐츠

연관된 기능

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

치매 진단 및 예측을 위한 심층학습 기반 PET 영상 분석 연구 A Study of PET Image Analysis Based on Deep Learning for Alzheimer Disease Diagnosis and Estimation 원문보기

초록 ▼

목차 Contents

표/그림 (45) 모든 표/그림 보기

표/그림 (45) 슬라이드로 보기

참고문헌 (25)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 보고서와 함께 이용한 콘텐츠

연관된 기능

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

치매 진단 및 예측을 위한 심층학습 기반 PET 영상 분석 연구
A Study of PET Image Analysis Based on Deep Learning for Alzheimer Disease Diagnosis and Estimation 원문보기

표/그림 (45)

표/그림 (45)