<4D F736F F D20B1E2C8B9BDC3B8AEC1EE2DC0E5BFEBC1D8>

Size: px

Start display at page:

Download "<4D6963726F736F667420576F7264202D20B1E2C8B9BDC3B8AEC1EE2DC0E5BFEBC1D8>"

선우 종
8 years ago
Views:

1 주간기술동향 의료영상에서의 인공지능 연구 동향 장용준 한국과학기술원 연구조교수 본 고에서는 최근 각광을 받고 있는 인공지능 알고리즘 중 분류 알고리즘에 해당하는 베이지안 분 류법, SVM 분류법, 그리고 ANN 분류법 등에 관해 간략하게 소개하고. 또한 의료영상 관련 문헌들 을 통해 자동분류 알고리즘들이 유방, 폐/흉부, 뇌, 피부, 전립선, 갑상선, 심장, 혈관 등 다양한 분 야의 의료 영상에서 활발하게 적용되고 있음을 살펴볼 것이다. 향후 사물인터넷 및 원격진료 시대 가 본격화되고 지속적인 영상장비 발전 및 영상의 화질 개선 등으로 인해 의료 영상에서의 인공지 능 연구의 활용과 수요는 더욱 증대될 것으로 예상된다. I. 서론 최근 알파고의 바둑 대국을 통해 인공지능에 관한 관심이 크게 증가하였다[1]. 인공지능 알 고리즘들은 의료 분야에 있어서도 활발하게 적용되고 있다. 향후 사물인터넷(Internet of Thngs: IoT) 기반 생체정보의 수집이 보편화되면 일상생활에서 건강상태를 모니터링하고 이상 유무를 확인하는 데 인공지능 알고리즘들이 다양하게 적용될 것으로 예상된다. 또한, 실제 의료현장에 서는 국내외 영상의학 및 방사선의학과를 중심으로 의료영상에서 인공지능 알고리즘들을 활용 하려는 움직임이 있다. X-ray, 초음파, 컴퓨터단층촬영(Computed Tomography: CT), 자기공명영 상(Magnetc Resonance Imagng: MRI), 양전자단층촬영(Postron Emsson Tomography: PET) 등 다 양한 의료진단기기로부터 획득된 의료영상을 임상의사가 판독함으로써 과거에 비해 질병의 조 기 진단 및 치료가 가능해지고, 그 결과 인간수명 연장이 실현되고 있다. 그러나 다양한 진단기 기를 이용하는 환자 수의 증가에 비해 의료진 수의 부족, 인간의 부정확한 판독 및 의사 간 혹 은 동일 의사 내에서의 판독 편차 등으로 인한 오진의 가능성도 문제로 대두되고 있다. 따라서 의료영상에서는 컴퓨터를 활용한 인공지능 알고리즘 기반 진단 시스템을 도입함으로써 이러한 * 본 내용은 장용준 연구조교수( , yjchang@kast.ac.kr)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP 의 공식적인 입장이 아님을 밝힙니다. 14

2 기획시리즈 문제점들을 보완하고자 하는 다양한 시도가 나타나고 있다. 즉, 임상의사에 의한 의료영상의 판 독에 더해 인공지능을 이용한 진단소견을 보완함(second-opnon 또는 double-readng)으로써 보 다 정확한 진단을 목적으로 하는 연구 등이 활발히 진행되고 있다. 본 고에서는 이러한 연구 경향을 반영하여 의료영상에서의 인공지능 연구에 대한 소개 및 그 활용 예들을 소개하는 것을 목적으로 한다. II. 의료영상에서의 인공지능 기법 의료영상에서 인공지능 알고리즘 적용을 이용한 진단은 대체적으로 [그림 1]과 같은 과정을 거치게 된다. 우선 다양한 의료영상장비들로부터 획득된 의료영상이 입력된다. 그 후 전처리 과 정으로서 입력영상으로부터 원하는 장기 등을 분할하는 과정을 거친다. 분할의 방법은 관심 있 는 장기의 해부학적 및 영상에서의 특징, 병소의 특징 등을 고려하여 적당한 방법을 선택하거 나 조합하여 결정하게 된다. 문턱값 기반 분할, 영역 확장, 액티브 컨투어, 레벨셋 방법, 워터쉐 드 등이 널리 이용되는 분할 방법이며 자세한 내용은 참고문헌 [2]에 나타나 있다. 분할된 영상에서는 자동분류 과정에서 학습을 위해 관심 있는 병소가 포함된 부위를 찾아 내 병소의 유무를 레이블링하는 과정이 필요하다. 이때 분할된 영상을 여러 패치들로 나누고, 조직검사에 의한 병리학적 소견 또는 임상의사의 소견 등을 참값으로 하여 레이블링을 결정하 게 된다. 또한, 패치는 현재 화소를 중심으로 사각형 또는 원 형태를 많이 사용한다. 참고로 참 값(레이블)을 기반으로 학습하는 방법을 지도학습(supervsed learnng), 참값이 없이 데이터의 특 징 만으로 학습하는 방법을 무지도방법(unsupervsed learnng)이라고 부르며, 본 고에서는 지도 입력영상 전처리 (관심장기분할 등) 영상특징추출 인공지능 알고리즘 진단 <자료> Km N. A computer-aded dfferental dagnoss between UIP and NSIP usng automated assessment of the extent and dstrbuton of regonal dsease patterns at HRCT: comparson wth the radologst's decson. Proceedngs of SPIE Medcal Imagng [그림 1] 의료영상에서 인공지능 알고리즘 적용을 위한 과정 정보통신기술진흥센터 15

3 주간기술동향 방법만을 고려하기로 한다. 이렇게 레이블 값을 갖는 패치들은 컴퓨터의 자동분류기 내에서 학습과정을 거치게 된다. 학습과정이란 참값이 레이블링되어 있는 패치들로부터 자동분류를 위한 특징들을 산출하는 단 계이다. 입력 의료영상의 각 패치에서는 화소값의 평균, 분산, 엔트로피 등 히스토그램 특징 및 co-occurrence matrx 기반의 텍스처 특징 등 다양한 영상특징들을 추출할 수 있다. 이들을 벡 터로 간주하면 한 패치 영상으로부터 하나의 특징 벡터와 참값 레이블이 결정되며, 여러 패치 영상들의 특징 벡터와 레이블을 기준으로 다양한 자동분류 알고리즘들을 적용하여 모델을 도 출하는 단계를 학습과정이라고 한다. 참고로 학습과정 중 모델의 오버피팅을 막기 위한 방법으 로서 전체 특징 벡터의 일부 요소만을 이용하는 특징 벡터를 도출하는데, 이러한 과정은 전방 위 특징 선택 방법, 후방위 특징 선택 방법 등을 통해 이루어진다. 또한, 특징 벡터의 차원이 너무 클 경우 주성분분석(Prncpal Component Analyss: PCA)이나 Sngular Value Decomposton (SVD) 등 차원 축소 방법들이 적용되기도 한다. 학습과정을 통해 모델을 도출하는 자동분류 방법은 실제 인공지능 알고리즘으로서 컴퓨터 보조진단시스템의 경우 베이지안 분류기(Bayesan Classfer), Support Vector Machne(SVM) 분류 기와 인공신경망(Artfcal Neural Network: ANN) 분류기 방법이 가장 널리 이용된다. 이 방법들에 관해서는 다음 장에서 자세하게 다루도록 한다. 학습 데이터를 기반으로 산출된 자동분류기의 성능을 측정하는 데 있어서 이미 학습 때 사 용된 데이터(패치)를 제외해야 공정한 성능 측정이 가능하다. 즉, 기존 학습 데이터로부터 도출 된 자동분류 모델이 새로운 데이터에 대해 어느 정도의 성능을 나타내는지를 측정하는 방법이 필요하다. 현재 자동분류기에서는 기존의 총 데이터를 일정한 비율로 배타적으로 두 집합으로 나눈 후, 한 집합은 학습 데이터로 이용하여 자동분류 모델을 구현하는 데 이용하고, 다른 집합 은 구현된 자동분류 모델의 성능을 측정하는 테스트 데이터로 이용하는 k-fold cross-valdaton 이라는 방법을 이용한다. k-fold cross-valdaton 에서는 무작위 샘플링을 통해 총 데이터를 자연 수 k 개의 배타적인 집합으로 분할하며, 이때 각 집합은 (거의) 균등한 데이터 개수를 포함하도 록 분할한다. 그리고 분할된 k 개의 집합 중 (k-1) 개의 집합은 학습 데이터로, 나머지 한 개의 집합은 테스트 데이터로 이용한다. 즉, 학습 데이터로부터 도출된 자동분류 모델을 테스트 데이 터에 적용함으로써 자동분류 모델의 성능을 측정하게 된다. 또 다른 자동분류기의 성능을 측정하는 방법으로서 리시버특성곡선(Recever Operatng 16

4 기획시리즈 Curve: ROC)이라는 방법을 이용하기도 한다. ROC 성능 측정에서는 특정 변수값의 변화에 따른 민감도와 특성도의 변화를 곡선으로 나타내고, 그 곡선 아래의 면적(Area Under Curve: AUC)을 다른 조건에서의 ROC 곡선 및 그 곡선의 AUC 와 비교함으로써 성능을 측정 및 비교하게 된다. 참고로 컴퓨터 보조진단 시스템에서는 특성도 대신 1-거짓긍정오류(false postve rate)를 이용 하는 froc(free-response ROC)라는 방법을 이용한다[4]. III. 자동분류를 위한 인공지능 기법들 본 장에서는 자동분류를 위한 인공지능 기법들 중 베이지안 분류기, SVM, 인공신경망 등의 개념 및 중요 식들을 간략하게 소개한다. 여기에 사용할 공통적인 용어들은 다음과 같다. 클래스 레이블(ω 1, ω 2, ω L )들의 집합 Ω={ω 1, ω 2, ω L } 테스트 데이터의 특징 벡터 x=(x 1, x 2,, x d ) T, x R d 1 학습 데이터의 특징 벡터들(x 1, x 2,, x N )로 구성된 행렬 X R d N 클래스 레이블이란 자동분류기의 결과들이 매칭되는 유한한 개수의 클래스 명칭을 나타낸 다. 예를 들어 의료영상의 경우, 악성/양성 종양(bnary class: L=2), 또는 L 개의 특정질환 등을 나타낸다. 1. 베이지안 분류기 베이지안 분류기는 확률 기반의 자동분류기이다. 베이지안 분류기에서는 주어진 관측값의 조건 하에서 어떤 클래스에 속할 확률을 뜻하는 사후확률(posteror probablty)이 (1) 그 클래스 가 주어졌을 때 해당 관측값이 나올 확률인 우도(lkelhood)와 (2) 그 클래스의 사전확률과의 곱 에 비례한다는 베이지안 정리를 이용하여 다음 식 (1)과 같이 사후확률을 최대화하는, 즉 사전 확률(pror probablty)과 우도의 곱 값을 최대화하는 클래스 레이블에 자동분류 결과를 할당하는 분류기이다. 베이지안 분류기: 테스트 데이터를 다음 식을 만족하는 클래스 레이블 k 로 분류한다. k arg max P( x ) arg max P( x ) P( ) (1) 위 식에서 P( x) 는 사후확률, P x ) 는 우도, P ) 는 사전확률을 의미한다. ( ( 정보통신기술진흥센터 17

주간기술동향 2016. 5. 25. 확률분포의 추정은 모수통계방법인 최대 우도 추정(maxmum lkelhood estmaton), 최대 사 후 확률(maxmum a posteror: MAP) 추정 방법 또는 비모수통계방법인 커널 밀도함수 추정 및 k-최근접 이웃(k-Nearest Neghbor: knn) 밀도함수 추정 방법 등을 사용한다. 2. SVM 분류기 SVM 분류기는 데이터 클래스 간의 폭(margn)을 극대화하는 최적화 기반의 분류기이다[5].

5 주간기술동향 확률분포의 추정은 모수통계방법인 최대 우도 추정(maxmum lkelhood estmaton), 최대 사 후 확률(maxmum a posteror: MAP) 추정 방법 또는 비모수통계방법인 커널 밀도함수 추정 및 k-최근접 이웃(k-Nearest Neghbor: knn) 밀도함수 추정 방법 등을 사용한다. 2. SVM 분류기 SVM 분류기는 데이터 클래스 간의 폭(margn)을 극대화하는 최적화 기반의 분류기이다[5]. [그림 2]는 2 차원 공간에서 선형 SVM 의 예를 나타낸 것이다. 클래스 레이블의 집합 Ω={-1, 1} 는 두 원소(레이블)를 갖고 [그림 2]의 각 점 옆에 그 데이터가 소속된 클래스 레이블이 -1 또는 1 로 표시되어 있다. 이 두 클래스를 오차 없이 구분하는 무한개의 선형식(평면) 중에서 실선처 럼 두 클래스 간의 폭을 최대화하는 선형식(평면)이 바로 SVM 분류기이다. 이러한 SVM 분류기 또는 평면의 방정식을 계산하기 위해 최적화 문제의 도입이 필요하다. 한 점과 평면까지의 거 리는 평면의 식의 계수(w)와 관계가 있고, [그림 2]의 선형식들처럼 클래스 레이블을 y (=1 또는 -1)라 하면, 두 클래스 간의 폭을 최대화하는 최적화 문제는 다음 식 (2)와 같이 쓸 수 있다. 1 2 mn w 2 s. t. y ( x w b) 1 0 (2) 식 (2)에 라그랑제 승수 λ을 도입하면 식 (3)의 목적함수로 구성된 최적화 문제로 다시 쓸 수 있다. <자료> 한국과학기술원 자체 작성 [그림 2] 선형 SVM 분류기의 예 18

6 기획시리즈 1 mn 2 N 2 w ( y ( x w b) 1) (3) 1 식 (3)에 최적화 조건인 Karush-Kuhn-Tucker(KKT) 조건들 및 식 (2)에 Wolfe dualty 를 이용하 여 최적화 문제를 다시 정의하면 최종적으로 다음 식 (4)를 만족하는 최적화 문제의 해로부터 최적의 SVM 분류기를 계산할 수 있게 된다. max s. t. N y 0 0 N 1 2 N, j y y x x j j j (4) 이렇게 도출된 SVM 분류기는 선형분리가 불가능한 두 클래스의 분류 문제, 비선형 SVM 문 제, 클래스 레이블의 개수가 3 개 이상인 문제 등으로 확장 가능하다. 최적화 식 (4)를 기반으로 선형 SVM 분류기를 이용할 때 두 클래스 레이블 데이터가 완전히 분리가 가능한 문제(예를 들 면 [그림 1])가 아닌 경우에는 여유 변수(slack varable)와 매개변수를 도입하여 위 식 (1)-(3)과 유사한 방식으로 최적화 식을 유도하게 된다. 비선형 SVM 분류기의 경우 식 (4)의 x xj 대신 다항식 커널 또는 Radal Bass Functon(RBF) 커널 등을 대입하여 비선형 SVM 분류기를 생성하 게 된다. 또한, 3 개 이상의 클래스 레이블이 존재하는 SVM 분별 문제는 One-Aganst-All 또는 One-Aganst-One 방법을 이용하여 multclass SVM 으로 확장 가능해진다[6]. 3. 인공신경망 분류기 인공신경망은 인간의 뇌 정보처리를 담당하는 세포(뉴런)의 신호처리 과정을 모방함으로써 기존 기계학습 알고리즘들의 한계를 뛰어넘고자 고안되었다. 뉴런은 세포체(soma), 수상돌기 (dendrte), 축색(axon) 등으로 구성되며, 인간의 뇌는 약 1,000 억 개의 뉴런이 복잡하게 연결되 어 있는 신경망이다. 이에 반해 인공신경망은 뉴런과 인식의 합성어인 퍼셉트론(perceptron)에 기초한다. 퍼셉트론은 입력층(nput layer)과 출력층(output layer)으로 구성되며, 각 층은 세포체에 해당하는 데이터 연산을 위한 노드들을 포함한다. 입력층에서 입력된 데이터들은 선형합 연산 을 통해 출력층에 전달된 후, 그 선형합이 활성함수(actvaton functon)에 입력되어 출력된 결과 가 출력층 노드의 결과가 된다. 퍼셉트론에서 사용되는 활성함수는 계단함수 또는 다층 퍼셉트 정보통신기술진흥센터 19

7 주간기술동향 입력층 은닉층 출력층 <자료> 한국과학기술원 자체 작성 [그림 3] 은닉층 1 개를 가진 다층 퍼셉트론 인공신경망 론으로 인공신경망이 확장되면서 미분 가능한 시그모이드 함수(sgmod functon)가 사용되며, 이 활성함수의 도입으로 인해 인공신경망 분류기에서는 비선형 분류가 가능하게 된다. 인공신경망에서 학습은 위 과정 중 선형합 연산에 이용되는 최적의 가중치 벡터를 탐색하 는 문제이다. 출력층 노드들의 결과와 학습 데이터에 주어진 참 클래스 레이블 간의 오차 합을 비용함수로 정의하고, 경사하강법(gradent descent)을 기반으로 최적 가중치 벡터를 탐색하는 방법을 이용한다. 이러한 퍼셉트론의 입력층과 출력층 사이에 은닉층과 그 안의 노드들을 추가 함으로써 다층 퍼셉트론(Mult-Layer Perceptron: MLP) 구조로 확장하게 되며, 일반적으로 인공신 경망은 다층 퍼셉트론 구조를 의미하게 된다. [그림 3]은 한층의 은닉층을 가진 다층 퍼셉트론 인공신경망을 나타낸다. 노드와 노드가 연결된 각 선(에지, 링크)마다 가중치 변수가 할당되며, 비용함수를 최소화하는 가중치 변수들을 오류역전파(error back-propagaton) 알고리즘을 이용하 여 계산하게 된다. 이렇게 d 차원의 학습 데이터 N 개를 학습시킨 후 구해진 최적의 가중치 변 수들을 기반으로, 테스트 데이터에서는 가장 큰 출력 노드의 클래스 레이블을 테스트 결과로 인식하게 된다. 인공신경망의 경우, 은닉층의 추가로 인한 층의 깊이가 심화되고 목표 정답없이 학습이 가 능한 Deep Belef Network 등 Deep Learnng 으로 발전하게 된다[7]. 이미 소개한 베이지안 분류 기, SVM 분류기, 인공신경망 분류기 등에 관한 자세한 내용은 인공지능 및 패턴 인식에 관한 논문과 책을 참고하도록 한다[8],[9]. 20

8 기획시리즈 IV. 의료영상에서의 인공지능 활용 예 의료 분야에서 데이터는 크게 분자 수준의 데이터, 세포 조직 수준의 데이터, 환자 수준의 데이터, 그리고 인구 역학 수준의 데이터 등으로 구분할 수 있다[10]. 일부 현미경 영상에서 분 자 수준의 데이터를 대략적으로 관찰할 수 있음에도 불구하고, 대다수의 의료영상에서는 세포 조직 수준의 데이터를 다루게 된다. 예를 들어, 영상 상의 조직이 정상인지, 비정상인지, 종양의 경우 양성인지, 음성인지의 분류를 위해 의료영상 관련 인공지능 연구가 활발히 진행되고 있다. 본 장에서는 인간의 장기 별로 인공지능이 의료영상에 적용되고 있는 연구 사례들을 소개하고 자 한다. 1. 유방 영상에서의 인공지능 유방 영상에서 컴퓨터 보조진단시스템을 도입할 경우, 영상의학과 의사만이 판독하는 경우보 다 약 5~12%의 검출율 향상이 있다고 알려져 있다[11]. 유방 영상에서 가장 널리 사용되는 의료영 상 방식은 유방촬영술(mammography)이다. 유방촬영영상에서 보이는 미세석회화(mcrocalcfcaton) 의 군집은 유방암의 중요한 지표이기 때문에 이를 SVM 또는 ANN 기반으로 자동분별하는 연구 가 활발히 진행되고 있다[11],[12]. [그림 4]는 유방촬영영상에서 상대적으로 높은 화소값을 갖는 점들로 표시되는 미세석회화 영역들과 이를 SVM 을 통해 검출하고 표시한 결과를 나타낸다[12]. 참고문헌 [13]에서는 또한 유방촬영영상에서 관찰되는 침상형 종괴(speculated mass)는 악성일 확률이 높기 때문에 이를 컴퓨터를 이용하여 자동 분별하는 연구가 진행되었다. 즉, 종괴의 선 (a) 유방촬영영상에서의 미세석회화 (b) SVM 자동분류 결과 (c) 문턱값 적용 후 판별된 미세석회화 위치들 <자료> Wernck MN. Machne Learnng n Medcal Imagng. IEEE Sgnal Processng Magazne 2010; 27; [그림 4] 유방촬영영상에서의 미세석회화와 SVM 기반 자동분류 결과 정보통신기술진흥센터 21

9 주간기술동향 형적 침상 패턴이 방사형으로 뻗어 나가는 것을 영상의 특징들로 선택하였으며, SVM 분류기를 통해 자동분류한 결과의 우수성을 리시버 특성곡선 분석을 이용하여 증명하였다. 또한 치밀 유 방의 경우, 유방촬영영상과 더불어 초음파영상을 이용하면 유방암의 검진율이 향상된다고 알려 져 있다. 참고문헌 [14]에서는 초음파 유방암 영상에서 삼중음성유방암 판독의 정확도를 향상시 키기 위해 텍스처 영상 특징 기반 SVM 자동분류 방법을 적용하였다. 2. 흉부/폐 영상에서의 인공지능 흉부영상에서 영상장치(CT, MRI 등)의 발전과 대기오염 등으로 인해 이를 판독해야 하는 영 상의학 의사들의 업무는 가중되고 있다. 한편으로는 해부학적으로 미세혈관들과 기도가 만나는 폐 영상의 판독은 숙련된 흉부영상의학 의사들에게도 상당히 힘들어서 의사 간 또는 동일 의사 내에서도 상당한 판독 편차가 존재한다고 알려져 있다[15]. 흉부영상에서의 자동분류 기반 컴퓨 터 보조진단시스템의 이용은 이러한 편차 문제를 극복하고 정량적으로 재현 가능한 판독 결과 를 도출한다는 점에서 꾸준한 연구가 이루어지고 있다[16]. 흉부영상에서 컴퓨터 보조진단시스 템을 구현하는 데 필요한 방법들, 예를 들어 폐/흉곽 분할, 분석 등에 관해 참고문헌 [15]에 대 략적인 정리가 되어 있다. 고해상 CT 영상에서의 미만성 간질성 폐질환의 경우 영상에서 확산 된 음영 패턴의 복잡도와 변화 때문에 판독이 매우 난해하다. 참고문헌 [16]에서는 평균, 분산, 공기 밀도, 결절 성분 등의 패턴을 기본으로 인공신경망을 적용하여 관심영역 기반 컴퓨터 보 조진단시스템을 도입하였다. 참고문헌 [17]에서는 같은 질환에 대해 [그림 5]와 같이 6 가지로 분류되는 영상의학적 부류들을 텍스처, 밀도 및 형태 영상 특징들을 기반으로 자동분류하였다. 구체적으로는 베이지안 분류기와 SVM 분류기를 서로 다른 영상기기 제조회사로부터 획득된 영 상에 적용하여 SVM 분류기의 상대적인 우수성을 주장하였다. (a) 정상 (b) 간유리 음영 (c) 경화성 음영 (d) 망상 음영 (e) 폐기종 (f) 벌집 모양 음영 <자료> Chang Y. A support vector machne classfer reduces nterscanner varaton n the HRCT classfcaton of regonal dsease pattern n dffuse lung dsease: Comparson to a Bayesan classfer. Medcal Physcs 2013; 40; [그림 5] 고해상 CT 영상에서의 정상 및 미만성 간질성 폐질환 부류 22

10 기획시리즈 3. 그 외 의료 영상에서의 인공지능 기능적 자기공명영상(Functonal Magnetc Resonance Imagng: fmri)은 뇌신경세포의 활동에 따른 혈중 산소와 혈류의 변화 신호를 감지함으로써 뇌 활동을 측정하는 의료영상기법이다. 참 고문헌 [18]에서는 얼굴인식과 위치 매칭 실험을 통해 뇌활동 자극을 준 기능적 자기공명영상 및 자극을 주지 않은 기능적 자기공명영상을 획득한 후, 각 영상을 고차원에서의 한 점으로 간 주하고 그 점이 두 상태(자극의 유/무 상태) 중 어느 상태로 분류되는지를 선형 커널 기반 SVM 을 이용하여 분류하는 실험을 수행하였다. 그 결과 SVM 자동분류 방법은 얼굴인식 실험의 경 우 91.4%, 위치 매칭 실험의 경우 92.9%의 정확도를 보였으며, 피셔 선형 판별 분석(Fsher Lnear Dscrmnant: FLD)에 의한 분류 방법보다 우수한 결과를 나타내었다. 참고문헌 [12]에서는 항불안제/항우울증제를 복용한 환자의 뇌영상과 위약을 복용한 환자의 뇌영상 간의 구분을 위 해 FLD 분류 방법을 적용하였다. 참고문헌 [19]에서는 피부확대경(dermoscopy)으로 획득된 영상 에 베이즈 네트워크, SVM, ANN, 결정 트리 방법을 적용하여 피부암을 판별하는 연구를 수행하 였다. 참고문헌 [20]는 전립선 암 판별을 위해 조직의 현미경 디지털 슬라이드 스캐너 영상에 k-최근접 이웃(k-Nearest Neghbor: knn), 베이지안, 로지스틱, FLD, ANN, SVM 등의 다양한 자동 분류 방법을 적용한 연구들을 소개하고 있다. 참고문헌 [21]에서는 초음파 영상에서 갑상선 결 절의 양성/악성을 분류하는 SVM 분류기 컴퓨터 보조진단시스템을 제안하였다. 참고문헌 [22]에 서는 심장초음파영상(echocardography)에서 심근경색부위를 분별하는 컴퓨터 보조진단시스템에 대해 베이지안, SVM, FLD 등을 이용한 다양한 방법들을 정리하였다. 참고문헌 [16]에서는 자기 공명 혈관조영영상(Magnetc Resonance Angography: MRA)에서 두 개 내동맥류를 신속하게 검 출하기 위해 3 차원 영상 강조 필터 및 컴퓨터 보조진단시스템을 활용하였다. V. 결론 본 고에서는 최근 각광을 받고 있는 인공지능 알고리즘들이 다양한 의료영상 분야에 활발 하게 적용되고 있음을 여러 연구들을 통해 살펴보았다. 특히, 컴퓨터 기반 병소를 자동으로 검 출하거나 구분하는 데 있어서 핵심이 되는 지도학습 기반 자동분류 방법들 중 베이지안 분류법, SVM 분류법, 그리고 ANN 분류법에 대해 간략하게 소개하였다. 그리고 실제 의료영상에서 인공 지능 방법들이 활용되는 예들을 설명하였다. 살펴본 바와 같이 의료영상에서의 인공지능 연구 정보통신기술진흥센터 23

11 주간기술동향 는 의학 및 컴퓨터 비전, 영상처리, 기계학습, 패턴인식 등 다양한 연구 분야의 융합을 필요로 하는 분야이다. 향후 사물인터넷 및 원격진료 등의 시대가 본격화되고, 또한 새로운 영상장비들 의 개발, 기존 영상 장비들의 퓨전 영상장치 발전 및 획득한 영상의 화질 개선 등으로 인해 앞 으로 의료 영상에서의 인공지능 연구와 활용 및 수요는 크게 증가할 것으로 예상된다. [ 참고문헌 ] [1 Slver D, et al., Masterng the game of Go wth deep neural networks and tree search. Nature 2016: 529; [2] Pham DL, Xu C, Prnce JL. Current methods n medcal mage segmentaton. Annu Rev Bomed Eng. 2000;2: [3] Km N. A computer-aded dfferental dagnoss between UIP and NSIP usng automated assessment of the extent and dstrbuton of regonal dsease patterns at HRCT: comparson wth the radologst's decson. Proceedngs of SPIE Medcal Imagng [4] Bandos AI, et al. Area under the Free-Response ROC Curve (FROC) and a Related Summary Index. Bometrcs. 2009; 65; [5] Burges CJC. A tutoral on support vector machnes for pattern recognton, Data Mnng and Knowledge Dscovery 1998; 2; [6] Hsu CW, Ln CJ, A comparson of methods for multclass support vector machnes. IEEE Trans. Neural Network 2002; 13; [7] 유병인 외, 인간 수준에 근접한 딥러닝 기반 영상 인식의 동향. 정보과학회지 2015; 33; [8] 오일석. 패턴인식. 교보문고 [9] Bshop, C. Pattern Recognton and Machne Learnng. Sprnger [10] Herland M, et al. A revew of data mnng usng bg data n health nformatcs. Journal of Bg Data 2014; 1. [11] Sajda P. Machne learnng for detecton and dagnoss of dsease. Annu Rev Bomed Eng. 2006; 8; [12] Wernck MN. Machne Learnng n Medcal Imagng. IEEE Sgnal Processng Magazne 2010; 27; [13] Km DH. Regon based stellate features for classfcaton of mammographc spculated lesons n computer-aded detecton, ICIP [14] Moon WK. Computer-aded dagnoss for dstngushng between trple-negatve breast cancer and fbroadenomas based on ultrasound texture features. Medcal Physcs 2015; 42; [15] Gnneken BV. Computer-Aded Dagnoss n Chest Radography:A Survey. IEEE Transactons on Medcal Imagng 2001; 20; [16] Do K. Current status and future potental of computer-aded dagnoss n medcal magng. The 24

12 기획시리즈 Brtsh Journal of Radology 78; 2005; S3 S19. [17] Chang Y. A support vector machne classfer reduces nterscanner varaton n the HRCT classfcaton of regonal dsease pattern n dffuse lung dsease: Comparson to a Bayesan classfer. Medcal Physcs 2013; 40; [18] Moura o-mranda J. Classfyng bran states and determnng the dscrmnatng actvaton patterns: Support Vector Machne on functonal MRI data. NeuroImage 2005; 28; [19] Magloganns I. Overvew of Advanced Computer Vson Systems for Skn Lesons Characterzaton. IEEE Transactons on Informaton Technology n Bomedcne 2009; 13; [20] Mosquera-Lopez C. Computer-Aded Prostate Cancer Dagnoss From Dgtzed Hstopathology: A Revew on Texture-Based Systems. IEEE Revews n Bomedcal Engneerng 2015; 8; [21] Chang Y. Computer-aded dagnoss for classfyng bengn versus malgnant thyrod nodules based on ultrasound mages: A comparson wth radologst-based assessments. Medcal Physcs 2016; 43; [22] * Sudarshan V. Automated Identfcaton of Infarcted Myocardum Tssue Characterzaton Usng Ultrasound Images: A Revew.IEEE Revews n Bomedcal Engneerng 2015; 8; * 이 논문은 2016 년도 정부(교육부)의 재원으로 한국연구재단 기초연구사업의 지원을 받아 수행된 연구임 (NRF-2013R1A1A ) 정보통신기술진흥센터 25

04 ÇÐ¼ú_±â¼ú±â»ç

04 ÇÐ¼ú_±â¼ú±â»ç 42 s p x f p (x) f (x) VOL. 46 NO. 12 2013. 12 43 p j (x) r j n c f max f min v max, j j c j (x) j f (x) v j (x) f (x) v(x) f d (x) f (x) f (x) v(x) v(x) r f 44 r f X(x) Y (x) (x, y) (x, y) f (x, y) VOL.