• 대한영상의학회지
• /
• 제83권6호
• /
• pp.1298-1311
• /
• 2022

목적 흉부 X선 사진에서 척추측만증을 조기진단 할 수 있는 딥러닝 기반의 스크리닝 소프트웨어를 준지도학습(semi-supervised generative adversarial network; 이하 GAN) 방법을 이용하여 개발하고자 하였다. 대상과 방법 두 곳의 상급종합병원에서 촬영된 흉부 X선 사진에서 척추측만증을 조기진단할 수 있는 스크리닝 소프트웨어를 개발하기 위하여 GAN 방법이 이용되었다. GAN의 훈련과정에서 경증에서 중증의 척추측만증을 보이는 흉부 X선 사진들을 사용하였으며 upstream task에서 척추측만증의 특징을 학습하고, downstream task에서 정상과 척추측만증을 분류하도록 훈련하였다. 결과 수신자 조작 특성 곡선의 곡선하면적(area under the receiver operating characteristic curve), 음성예측도, 양성예측도, 민감도 및 특이도는 각각 0.856, 0.950, 0.579, 0.985, 0.285이었다. 결론 우리가 GAN 방법을 이용하여 개발한 딥러닝 기반의 스크리닝 소프트웨어는 청소년의 흉부 X선에서 척추측만증을 진단하는데 있어서 높은 음성예측도와 민감도를 보였다. 이 소프트웨어가 건강검진을 목적으로 촬영한 청소년의 흉부 X선 사진에 진단 스크리닝 도구로써 이용된다면 영상의학과 의사의 부담을 덜어주며, 척추측만증의 조기진단에 기여할 것으로 생각된다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 추계학술발표대회
• /
• pp.903-906
• /
• 2021

인공지능 기술 발전으로, 의료영상 분야에서도 딥러닝 기반 질병 진단 연구가 활발히 진행되고 있다. 딥러닝 모델 개발 시, 학습 데이터 품질은 모델의 성능과 신뢰성에 매우 큰 영향을 미친다. 그러나 의료 분야의 경우 도메인 지식에 대한 진입 장벽이 높아 개발자가 학습에 사용되는 의료영상 데이터의 품질을 평가하기 어렵다. 이로 인해, 많은 의료영상 분야에서는 각 분야의 특성(질병의 종류, 관찰 아나토미 등)에 따른 영상 품질 평가 방법을 제시해왔다. 그러나 기존의 방법은 특정 질병에 초점이 맞춰져, 일반화된 품질 평가 기준을 제시하고 있지 않다. 따라서 본 논문에서는 대부분의 흉부 질환을 진단하기 위한 흉부 X선 영상의 품질을 평가할 수 있는 기준을 제안한다. 우선, 흉부 X선 영상을 대상으로 관찰된 영역인 심장, 횡격막, 견갑골, 폐 등을 분할하여, 3D 히스토그램을 기반으로 각 영역별 통계적인 정밀 품질 평가 기준을 제안한다. 본 연구에서는 JSRT, Chest 14의 오픈 데이터셋을 활용하여 적용 실험을 수행하였으며, 민감도는 97.6%, 특이도는 92.8%의 우수한 성능을 확인하였다.

• 한국방사선학회논문지
• /
• 제14권6호
• /
• pp.773-780
• /
• 2020

4차 산업의 발전으로 의학·보건·바이오 등 여러 과학기술 분야에서는 질병을 예방하고 질병에 대한 피해를 줄이기 위한 연구가 이루어지고 있으며, 최근에는 ICT 기술의 발전과 더불어 인공지능 기술이 급부상하고 그 효용성이 입증되면서 영상의학 검사의 영상 분석에 인공지능 기술이 도입되어 연구되고 있다. 본 논문에서는 흉부 X선 영상을 이용하여 폐렴의 분류와 검출에 대한 딥러닝 모델을 직접 적용해보고 실제로 Inception 계열의 딥러닝 모델이 폐렴 검출에 있어 유용한 모델인지 평가하고자 한다. 실험재료는 캐글(Kaggle)에서 무료로 제공 및 공유하는 흉부 X선 영상 데이터 세트를 사용하였으며 전체 3,470개의 흉부 X선 영상 데이터 중 학습 데이터 세트 1,870개, 검증 데이터 세트 1,100개, 테스트 데이터 세트 500개로 분류하였다. 실험결과 Inception V3 딥러닝 모델의 Metric 평가에 대한 결과값은 정확도는 94.80%, 정밀도는 97.24%, 재현율은 94.00%, F1 스코어는 95.59의 결과값을 나타내었다. 그리고 흉부 X선 영상의 페렴 검출 및 분류에 대하여 Inception V3 딥러닝 모델링에 대한 최종 에포크의 정확도는 학습 모델링의 경우 94.91%, 검증 모델링은 89.68%의 정확도를 나타내었다. 손실함수 값의 평가는 학습 모델링은 1.127%, 검증 모델링은 4.603%의 손실함수 값을 나타내었다. 이러한 결과로 Inception V3 딥러닝 모델은 흉부영상 데이터의 특징 추출 및 분류에 있어 매우 우수한 딥러닝 모델이며 학습상태 또한 매우 우수하다고 평가하였다. 테스트 모델링에 대한 매트릭스 정확도 평가 결과 정상 흉부 X선 영상 데이터의 경우 96%, 폐렴 흉부 X선 영상데이터의 경우 97%의 정확도가 입증되었다. Inception 계열의 딥러닝 모델의 경우 흉부 질환의 분류에 있어 유용한 딥러닝 모델이 될 것이라고 판단되며 인력의 보조적인 역할 또한 수행할 수 있을 것이라고 기대되어 부족한 의료인력 문제에도 해결점이 될 것이라고 사료된다. 향후 딥러닝을 이용한 폐렴의 진단에 대한 유사 연구 시 본 연구는 유사 연구의 기초자료로 제시될 것이라고 기대된다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2011년도 제42회 하계학술대회
• /
• pp.1983-1984
• /
• 2011

본 논문에서는 흉부 X선 영상으로부터 폐 종류 음영을 검출하기 위한 필터를 예측해서 바람직하게 평가하기 위한 방법을 제안한다. 더욱이 그 평가방법을 이용해서 이전부터 제안한 다중해상도 라플라시안-가우시안 필터의 평가를 행한다. 전문의의 진단보조 혹은 종합자동진단시스템의 구성요소로서 필터가 행하는 역할을 고려한 후에 필터가 만족해야할 조건 및 그 조건을 만족한 경우에 있어서 몇가지 성능평가 척도를 명확히 한다. 제안한 평가방법을 통해서 다중해상도 필터가 단일해상도 필터에 비해 높은 성능을 갖게됨을 명확히 한다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2000년도 가을 학술발표논문집 Vol.27 No.2 (2)
• /
• pp.386-388
• /
• 2000

에너지 차분 흉부 단순 X선 화상으로부터 폐종류 음영을 검출하기 위한 필터를 예측해서 그 성능을 평가하기 위한 방법을 제안한다. 더욱이 그 평가방법을 이용해서 기존에 제안된 필터인 다중 해상도 ▽2G 필터의 평가를 행한다. 방사선과 전문의의 진단보조 혹은 총합자동진단시스템의 구성요소로서 필터가 발휘한 역할을 고려한 후, 필터가 만족해야 할 조건 및 그 조건을 만족한 경우에 있어서 몇가지 성능평가 척도를 명확히 한다. 제안한 평가방법을 통해서 다중 해상도 필터가 단일 해상도 필터에 비해 높은 성능을 나타내고 있음을 명확히 한다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2007년도 제38회 하계학술대회
• /
• pp.327-328
• /
• 2007

에너지 흉부 단순 X선 영상으로부터 폐 종류 음영을 검출하기 위한 필터를 예측해서 성능좋게 평가하기 위한 방법을 제안한다. 더욱이 그 평가방법을 이용해서 기존에 제안된 다중 해상도 ${\nabla}^{2}G$ 필터의 평가를 행한다. 전문의의 진단보조 혹은 총합자동진단시스템의 구성요소로서 필터가 수행한 역할을 고려한 후, 필터가 만족해야만 하는 조건 및 그 조건을 만족한 경우에 있어서 몇가지 성능평가 척도를 명확히 한다. 제안한 평가방법을 통해서 다중해상도 필터가 단일해상도 필터에 비해 좋은 성능을 나타내고 있음을 명확히 한다.

• 한국방사선학회논문지
• /
• 제15권4호
• /
• pp.455-461
• /
• 2021

심장비대증은 흉부 X선 영상에서 흔히 보이는 질병 중 하나이지만 조기에 발견을 하지 못하면 심각한 합병증을 유발할 수도 있다. 이러한 점을 고려하여 최근에는 여러 과학기술 분야의 발전으로 인공지능을 이용한 딥러닝 알고리즘을 의료에 접목시키는 영상 분석 연구들이 많이 진행되고 있다. 본 논문에서는 Inception V3 딥러닝 모델을 흉부 X선 영상을 이용하여 심장비대증의 분류에 유용한 모델인지 평가하고자 한다. 사용된 영상의 경우 총 1026장의 경북대학교병원 내 정상 심장 진단을 받은 환자와 심장비대증 진단을 받은 환자의 흉부 X선 영상을 사용하였다. 실험결과 Inception V3 딥러닝 모델의 심장비대증 유무에 따른 분류 정확도와 손실도 결과값은 각각 96.0%, 0.22%의 결과값을 나타내었다. 연구결과를 통해 Inception V3 딥러닝 모델은 흉부 영상 데이터의 특징 추출 및 분류에 있어 우수한 딥러닝 모델인 것을 알 수 있었다. Inception V3 딥러닝 모델의 경우 흉부 질환의 분류에 있어 유용한 딥러닝 모델이 될 것으로 판단되며 조금 더 다양한 의료 영상 데이터를 이용한 연구를 진행하여 이와 같은 우수한 연구결과를 얻게 된다면 향후 임상의의 진단 시 많은 도움을 줄 수 있을 것으로 사료된다.

• 대한영상의학회지
• /
• 제85권1호
• /
• pp.138-146
• /
• 2024

목적 카메라형 휴대형 X선 장치를 이용하여 촬영한 흉부 X선 사진의 영상품질을 기존 이동형 디지털 X선 장치로 촬영한 영상과 비교하여 임상에서 사용 가능한지 평가하고자 하였다. 대상과 방법 2020년 9월부터 2021년 5월까지 응급실에 내원한 환자 중 기관내 삽관, 중심정맥관, 비위관 등을 삽입한 86명의 환자를 대상으로 하였다. 환자들은 기구 삽입 전 기존 이동형 디지털 X선 장치, 기구 삽입 후 카메라형 휴대형 X선 장치를 이용하여 각각 흉부 영상을 촬영하였다. 두 명의 영상의학과 의사가 얻어진 두 영상을 삽입기구의 식별에 대하여 5점 척도, 전반적인 영상 품질에 대하여 20점 만점으로 평가하였다. 결과 카메라형 휴대형 X선 장치로 삽입한 기구의 식별에 대한 평가는 4.67 ± 0.71점이었다. 전반적인 영상품질에 대한 평가는 기존 이동형 디지털 X선 장치와 카메라형 휴대형 X선 장치가 각각 19.70 ± 0.72점과 15.02 ± 3.31점(p < 0.001)이었고, 호흡 및 움직임 관련 인공물, 기관 및 기관지, 폐혈관, 심장 뒤 혈관, 흉추 추간판 공간, 횡격막 하 혈관, 횡격막 관찰의 세부항목에서 카메라형 X선 장치의 점수가 통계적으로 유의하게 점수가 낮았다(횡격막 관찰 세부항목 p = 0.013, 그 외 세부항목 p < 0.001). 결론 카메라형 휴대형 X선 장치는 흉부X선 사진에서 삽입 기구의 평가를 목적으로 사용하는 것은 가능하나 영상의 품질 저하가 있으므로 일반적인 진단 목적의 사용에는 주의를 요한다.

• 대한의용생체공학회:학술대회논문집
• /
• 대한의용생체공학회 1992년도 추계학술대회
• /
• pp.65-68
• /
• 1992

흉부 X선 영상을 판독함에 있어서 중요한 정보중의 하나로 폐실질의 조직 특성이 이용된다. X선 영상에서 뼈 혹은 심장, 굵은 혈관등은 X선의 투과율이 적어 시각적으로 밝고 균일한 재질로 나타나며, 공기가 채워져 있는 폐실질은 어둡고 산소/이산화탄소 교환에 관계되는 미세한 조직들에 따라 균일하지 않은 재질로 나타나는 특성을 보이고 있다. 본 연구에서는 공간적인 주위조직의 경보를 이영하여 현지의 부분을 예측하여 인식하도록 수정된 경쟁 순환 신경망을 이용하여 흉부 X선 영상에서의 순수한 폐실질 부위를 영역 분할한다.

• 문화기술의 융합
• /
• 제6권4호
• /
• pp.789-795
• /
• 2020

전 세계적으로 유행하는 코로나19로 인해 많은 사망자가 보고되고 있다. 코로나19의 추가 확산을 막기 위해서는 의심 환자에 대해 신속하고 정확한 영상판독을 한 후, 적절한 조치를 취해야 한다. 이를 위해 본 논문은 환자의 감염 여부를 의료진에게 제공해 영상판독을 보조할 수 있는 딥 러닝 기반 코로나19 흉부 X선 판독 기법을 소개한다. 우선 판독모델을 학습하기 위해서는 충분한 데이터셋이 확보되어야 하는데, 현재 제공하는 코로나19 오픈 데이터셋은 학습의 정확도를 보장하기에 그 영상 데이터 수가 충분하지 않다. 따라서 누적 적대적 생성 신경망(StackGAN++)을 사용해 인공지능 학습 성능을 저하하는 영상 데이터 수적 불균형 문제를 해결하였다. 다음으로 판독모델 개발을 위해 증강된 데이터셋을 사용하여 DenseNet 기반 분류모델 학습을 진행하였다. 해당 분류모델은 정상 흉부 X선과 코로나 19 흉부 X선 영상을 이진 분류하는 모델로, 실제 영상 데이터 일부를 테스트데이터로 사용하여 모델의 성능을 평가하였다. 마지막으로 설명 가능한 인공지능(eXplainable AI, XAI) 중 하나인 Grad-CAM을 사용해 입력 영상의 질환유무를 판단하는 근거를 제시하여 모델의 신뢰성을 확보하였다.