주간기술동향 2016. 5. 25. 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( 042-350-2114, yjchang@kast.ac.kr)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP 의 공식적인 입장이 아님을 밝힙니다. 14 www.tp.kr
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 2009. [그림 1] 의료영상에서 인공지능 알고리즘 적용을 위한 과정 정보통신기술진흥센터 15
주간기술동향 2016. 5. 25. 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 www.tp.kr
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]. [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 www.tp.kr
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
주간기술동향 2016. 5. 25. 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 www.tp.kr
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; 25-38. [그림 4] 유방촬영영상에서의 미세석회화와 SVM 기반 자동분류 결과 정보통신기술진흥센터 21
주간기술동향 2016. 5. 25. 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; 051912. [그림 5] 고해상 CT 영상에서의 정상 및 미만성 간질성 폐질환 부류 22 www.tp.kr
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
주간기술동향 2016. 5. 25. 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; 484-89. [2] Pham DL, Xu C, Prnce JL. Current methods n medcal mage segmentaton. Annu Rev Bomed Eng. 2000;2:315-37. [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 2009. [4] Bandos AI, et al. Area under the Free-Response ROC Curve (FROC) and a Related Summary Index. Bometrcs. 2009; 65; 24756. [5] Burges CJC. A tutoral on support vector machnes for pattern recognton, Data Mnng and Knowledge Dscovery 1998; 2; 121-67. [6] Hsu CW, Ln CJ, A comparson of methods for multclass support vector machnes. IEEE Trans. Neural Network 2002; 13; 415 25. [7] 유병인 외, 인간 수준에 근접한 딥러닝 기반 영상 인식의 동향. 정보과학회지 2015; 33; 32-41. [8] 오일석. 패턴인식. 교보문고 2008. [9] Bshop, C. Pattern Recognton and Machne Learnng. Sprnger 2007. [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; 537-65. [12] Wernck MN. Machne Learnng n Medcal Imagng. IEEE Sgnal Processng Magazne 2010; 27; 25-38. [13] Km DH. Regon based stellate features for classfcaton of mammographc spculated lesons n computer-aded detecton, ICIP 2012. [14] Moon WK. Computer-aded dagnoss for dstngushng between trple-negatve breast cancer and fbroadenomas based on ultrasound texture features. Medcal Physcs 2015; 42; 3024-35. [15] Gnneken BV. Computer-Aded Dagnoss n Chest Radography:A Survey. IEEE Transactons on Medcal Imagng 2001; 20; 1228-41. [16] Do K. Current status and future potental of computer-aded dagnoss n medcal magng. The 24 www.tp.kr
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; 051912. [18] Moura o-mranda J. Classfyng bran states and determnng the dscrmnatng actvaton patterns: Support Vector Machne on functonal MRI data. NeuroImage 2005; 28; 980 95. [19] Magloganns I. Overvew of Advanced Computer Vson Systems for Skn Lesons Characterzaton. IEEE Transactons on Informaton Technology n Bomedcne 2009; 13; 721-33. [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; 98-113. [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; 554-567. [22] * Sudarshan V. Automated Identfcaton of Infarcted Myocardum Tssue Characterzaton Usng Ultrasound Images: A Revew.IEEE Revews n Bomedcal Engneerng 2015; 8; 86-97. * 이 논문은 2016 년도 정부(교육부)의 재원으로 한국연구재단 기초연구사업의 지원을 받아 수행된 연구임 (NRF-2013R1A1A2063037) 정보통신기술진흥센터 25