한국정보처리학회:학술대회논문집 (Annual Conference of KIPS)

한국정보처리학회 (Korea Information Processing Society)
권호 표지
DOI QR코드

DOI QR Code

약물 유도 수면내시경에서 딥러닝을 이용한 VOTE 분류 및 완전폐쇄 예측

Deep Learning-Based VOTE Classification and Full Occlusion Prediction in Drug-Induced Sleep Endoscopy

  • 양현지 (전남대학교 인공지능융합학과) ;
  • 이승준 (전남대학교 인공지능융합학과) ;
  • 오현서 (전남대학교 의과대학) ;
  • 이명은 (전남대학교 초광역 연합 의료 AI 연구센터) ;
  • 양형정 (전남대학교 인공지능융합학과) ;
  • 양형채 (전남대학교 의과대학)
  • Hyeon-Ji Yang (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
  • Seung-Jun Lee (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
  • Hyun-Seo Oh (Dept. of Medicine, Chonnam National University) ;
  • Myungeun Lee (Hyper-wide Federated Medical AI Research Center, Chonnam National University) ;
  • Hyung-Jeong Yang (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
  • Hyung-Chae Yang (Dept. of Medicine, Chonnam National University)
  • 발행 : 2024.10.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

폐쇄성 수면 무호흡증(Obstructive Sleep Apnea, OSA)은 수면 중 상기도의 폐쇄로 호흡 저하 및 중단이 발생하는 질환이다. 약물 유도 수면내시경(Drug-induced sleep endoscopy, DISE)은 이러한 상기도의 폐쇄 위치를 파악하는 데 사용되며, VOTE(Velum, Oropharynx, Tongue base, Epiglottis) scoring을 통해 DISE 결과를 판독한다. 하지만 VOTE scoring은 의료진이 주관적으로 각 해부학적 위치의 폐쇄 정도를 판단하기 때문에, 의료진의 해석에 따라 진단 결과가 달라질 수 있으며, 이로 인한 판독자간 판독 불일치가 상당하다. 따라서 본 연구는 딥러닝 모델을 활용하여 DISE 영상에서 VOTE 영역을 자동으로 분류하고 상기도의 완전폐쇄 여부를 예측하고자 한다. 연구개(V), 연구개 완전폐쇄(V degree 2), 구인두-혀 기저부-후두덮개(OTE), 구인두-혀 기저부-후두덮개 완전폐쇄(OTE degree 2), 왜곡(X) 총 5가지 클래스로 분류하였다. 이러한 분류 체계는 상기도의 부위별 폐쇄를 더 정확하고 체계적으로 예측할 수 있게 해 준다. 이를위해 13명의 환자로부터 수집된 DISE 영상 데이터셋과 임상 정보를 기반으로 ResNet, DenseNet, VGG, EfficientNet과 같은 딥러닝 모델을 구현하고 성능을 비교했다. 그 결과 EfficientNet 모델이 80%의 정확도로 가장 뛰어난 성능을 보였다. 향후 연구에서는 DISE 영상에서 상기도 폐쇄 양상을 더욱 세분화하여 분석하고자 한다.

키워드

과제정보

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 인공지능융합혁신인재양성사업 연구 결과로 수행되었음(IITP-2023-RS-2023-00256629) 본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터사업의 연구결과로 수행되었음 (IITP-2024-RS-2024-00437718) 이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(RS-2023-00208397).

참고문헌

  1. P. Levy, M. Kohler, W. T. McNicholas, F. Barbe, R. D. McEvoy, V. K. Somers, ... & J. L. Pepin, "Obstructive sleep apnoea syndrome", Nature reviews Disease primers, vol. 1, pp. 1-21, 2015.
  2. E. J. Kezirian, "Drug-induced sleep endoscopy", Operative Techniques in Otolaryngology-Head and Neck Surgery, vol. 17, no. 4, pp. 230-232, 2006.
  3. E. J. Kezirian, W. Hohenhorst, and N. de Vries, "Drug-induced sleep endoscopy: the VOTE classification", European Archives of Oto-Rhino-Laryngology, vol. 268, no. 8, pp. 1233-1236, 2011.
  4. U. Hanif, E. J. Kezirian, E. K. Kiar, E. Mignot, H. B. D. Sorensen, and P. Jennum, "Upper Airway Classification in Sleep Endoscopy Examinations using Convolutional Recurrent Neural Networks", Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Mexico City, 2021, pp. 3957-3960.
  5. U. Hanif, E. K. Kiaer, R. Capasso, S. Y. Liu, E. J. Mignot, H. B. Sorensen, and P. Jennum, "Automatic scoring of drug-induced sleep endoscopy for obstructive sleep apnea using deep learning", Sleep Medicine, vol. 102, pp. 19-29, 2023.
  6. S. Jian, H. Kaiming, R. Shaoqing, and Z. Xiangyu, "Deep residual learning for image recognition", in IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, 2016, pp. 770-778.
  7. G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, "Densely connected convolutional networks", in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, 2017, pp. 4700-4708.
  8. K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, 2014.
  9. M. Tan and Q. Le, "EfficientNet: Rethinking model scaling for convolutional neural networks", in International Conference on Machine Learning, Long Beach, 2019, pp. 6105-6114.