딥러닝(Deep Learning)을 이용한 대장암 검진 시스템

1. 연구 배경

미국에서는 암 검진에서 문제가 없다는 판정을 받은 사람 중 7%가 암이 발병했다는 연구보고가 있었으며, 스캔 이미지에서 암을 간과하는 경우도 보고되고 있다. 이는 숙련된 의사가 진찰하는 경우에도 인간으로서 한계가 있을 수 있음을 보여주는 것이며, 정확한 인공지능을 통해 치명적인 간과(실수, 오차)를 없앨 필요가 있다.

이 때, 인공지능을 이용한 검진 기술 개발은 크게 두가지로 나뉘는데 IBM의 인지컴퓨팅 방식과 인리틱(Enlitic) 사의 이미지 기반 분석방식으로 나눌 수 있다. 본 연구에서는  후자인 이미지 기반 분석방식중 '딥 러닝 알고리즘'을 의료영상 분야에 적용하는 연구를 진행하였다.

여기서 말하는 딥러닝이란 무엇일까? 딥러닝은 컴퓨터에게 마치 사람처럼 학습하고 생각하게끔 하는 학습 알고리즘의 한 갈래이다. 특히 딥러닝은 사물이나 데이터를 분류하는 데 유용하다. 예를 들어, 컴퓨터는 사진만으로 개와 고양이를 구분하지 못하지만, 사람을 아주 쉽게 구분할 수 있다.

따라서, 딥러닝에서는 컴퓨터에게 사전에 많은 개와 고양이의 사진들을 학습시키고, 이를 바탕으로 새로운 사진과 학습된 개와 고양이의 사진들의 유사도를 통하여 새로운 사진이 개인지 고양이인지 판단시킨다.

2. 연구 목표 및 연구 내용 
대장 용종은 대장암으로 발전될 가능성이 매우 높기 때문에 대장 내시경에서의 용종 검출을 통한 치료는 대장암 예방에 있어 매우 중요한 문제이다. 현재 용종 검출은 의사에 의해서 이루어지는데 대장의 매우 긴 부분을 일일이 확인하면서 진행해야 하기 때문에 피로도가 높은 단순 작업으로 볼 수 있다. 따라서 의료 영상 분야에서 용종 자동 검출 알고리즘은 중요성이 높으면서도 인간의 작업을 효과적으로 대체할 수 있는 분야로 가치가 높다고 할 수 있다. 딥 러닝의 높은 이미지 패턴 파악 능력을 의료영상에 적용하여 빠르게 변화하는 대장 내시경 영상에서 상대적으로 외각선이 불분명하고 특징이 뚜렷하지 않은 용종을 찾아내기란 쉽지 않은 일이다. 크기 변화가 다양한 용종을 검출하기 위하여 본 연구팀에서는 딥러닝 알고리즘의 일종인 다중 스케일 CNN( Convolutional Neural Network) 기법을 적용하여 조금 더 정확하고 빠르게 용종을 검출하는데 기여하였다.

3. 연구 결과

제안한 용종 검출의 성능은 precision이 0.635, recall이 0.646으로 의료 자동화를 위한 시스템으로 사용되기엔 아직 부족한 성능을 보이고 있다. 그러나 픽셀 단위로 볼 때 89.7%의 픽셀이 용종/정상 분류가 맞게 일어나는 것을 보아 후처리 알고리즘의 개선으로 성능을 더 향상시킬 수 있을 것으로 기대된다.

[그림 1] 용종 검출 결과. 붉은 부분이 용종 부분을 나타내며 초록색 점이 본 연구에서 검출한 용종의 위치이다. 다양한 모양의 용종을 잘 찾는 것이 목표이다.

 

4. 앞으로의 연구 계획

현재 부족한 용종 검출 성능 높이는 연구를 계속 진행할 예정이다. 그와 더불어 이미지 기반 분석방식 뿐만 아닌 인지컴퓨팅과 딥 러닝을 이용하여 다양한 의료영상 문제를 풀어나가고 싶다. 또한 대장 내시경 용종 자동 검출 뿐만 아니라 보스니악(Bosniak Classification) 자동 분류 문제와 안구 영상에서 당뇨망막증 환자를 판별하는 연구 또한 계획 중에 있다. 이 처럼 영상을 기반으로 한 의료 검진을 연구하여 기계가 전문의처럼 암을 진단하는 것을 목표로 하고있다.


  

5. 글쓴이 소개

이름 : 이명기 석사과정 (myunggi8989@gmail.com)
소속 : 융합과학기술대학원 융합과학부 지능형융합시스템 전공
관심분야 : 딥러닝, 영상 인식, 패턴 인식, 머신 러닝