| 초록 |
□ 연구개요 초기 유아의 뇌 MRI영상의 조직별 자동 영상분할(image segmentation)을 통해 유아의 뇌의비정상상태 (예: 자폐증, 정신질환등)를 조기 진단하는 것이 중요하다. 이 연구는 이를 위한 정확한 자동 영상분할과 의료영상의 특성상 voxel (3D-pixel) 단위의 영상특성을 고려한 Adversarial Network 기반 3D deep convolutional neural networks(DCNNs) 구조를 개발 및 성능 검증을 하고자 한다. □ 연구 목표대비 연구결과 제안한 딥러닝 네트워크를 학습시키기 위해 MRBrainS18 Challenge에서 제공하는 T1-weighted, T1-weighted inversion recovery, T2-FLAIR 3D 영상 데이터를 동시에 사용하였다. 7명의 환자에 대한 3개의 3D 영상 데이터를 딥러닝 네트워크를 학습시키는데 사용하였으며, 공개 되지 않은 23명의 환자 3D 영상 데이터를 네트워크 테스트 데이터로 사용하였다. MRBrainS18 Challenge에서 제공하는 데이터에는 9개의 class가 존재하며 Dice coefficient(DSC), modified 95th percentile Hausdorff distance (HD), volumetric similarity(VS) 방법론을 사용하여 각 딥러닝 네트워크의 성능 검증을 하였다. · Methods : Without Adversarial Training · DSC : 86.87 · HD : 3.1232 · VS : 0.9555 · Methods : With Adversarial Training · DSC : 87.16 · HD : 2.9845 · VS : 0.9645 위 표는 검증데이터를 사용하여 Adversarial netwo가 를 사용한 딥러닝 네트워크와 사용하지 않은 네트워크의 결과이다. 위 표의 결과처럼, Adversarial Training 방법론을 사용하여 voxel(3D-pixel) 단위의 영상 특성을 고려한 딥러닝 네트워크가 Adversarial Training 방법론을 사용하지 않은 딥러닝 네티워크보다 더 나은 성능을 보였다. □ 연구개발결과의 중요성 ∎ 최근에 영상처리용 인공지능 분야에 큰 관심을 GAN 기반 딥러닝 기법을 의료영상의 3D 영상분할에 최초로 적용한 연구이다. ∎ 영상 의학쪽에 진단을 위해 수 많은 의료영상이 생성되고 있는데, 이를 처리할 전문인력이 해야 하는 단순 반복적인 작업을 대신하면서도 숙련의 사의 정확도를 제공할 수 있는 자동 의료영상 분할 작업을 최신 고성능딥러닝 기법을 개발함으로써 고급 의료 서비스에 기여할 수 있다. ∎ 초기 유아 뇌영상 처리를 진행하는 본 연구는 뇌관련 질환을 초기에 발견하여 치료할 수 있는 기초 의학연구에 큰 도움을 줄 수 있다. (출처 : 요약문 3p) |
