인공지능과 딥러닝 접목으로, CT 방사선 위험성 해결한다
인공지능과 딥러닝 접목으로, CT 방사선 위험성 해결한다
  • 정한영 기자
  • 승인 2016.08.22 08:40
  • 댓글 0
이 기사를 공유합니다

KAIST 예종철 교수팀, 딥러닝 통해 방사선 피폭 낮추는 저선량 영상기술 개발
연구진, 예종철 교수(연구책임자, KAIST), 강은희(주연구자, KAIST), 민준홍(주연구자, KAIST)(사진: Bio Imaging & Signal Processing Lab/KAIST)

최근 국내외로 영상 데이터베이스를 기반으로 영상이해 및 분석을 통한 병변 진단 문제를 딥러닝 기법을 이용하여 해결하려는 연구가 활발히 진행되고 있다. 하지만 기존의 연구는 진단에 집중되어 오진 시 책임소재에 대한 법적 제도적 장치의 미비로 산업화가 어려운 한계를 가지고 있었다. 

CT 영상복원분야에서 저선량 CT 촬영기법으로 인해 발생하는 잡음을 제거하는 연구가 중요한 해결 문제로 대두되고 있는 가운데 미국 의학물리학자협회(AAPM)는 이를 해결하기 위해 개최한 '국제 저선량 CT 영상 획득 그랜드 챌린지'에서 세계 103개 팀이 참가한 가운데 반 년간의 공개 경쟁을 통해 국내연구진이 지난 8월 1일 워싱턴 DC에서 열린  2016 AAPM Annual Meeting에서 최종 1-2위를 휩쓸고 우승했다

한국과학기술원(총장 강성모, KAIST) 예종철 석좌교수 연구팀은 그동안의 인공지능 연구경험과 다년간의 의료영상 연구의 노하우를 가지고 이 챌린지에 참여하게 되었다. 챌린지에서 저선량 CT 데이터와 정상 선량 CT 데이터를 제공받아 CT 영상 데이터베이스를 구축하였고, 이를 바탕으로 딥러닝 기법을 적용하여 저선량 CT 영상의 잡음을 효과적으로 제거하고 고화질의 영상을 복원하는 기술이 임상에서 사용될 수 있는 고화질 의료영상 구현의 길이 열렸다.

인공지능을 이용한 저선량 X-ray CT 영상 복원: (a) 정상 선량으로 촬영한 CT 영상. 붉은 원은 종양 부분을 나타냄 (b) 저선량으로 촬영한 CT 영상. 뼈 주변 (파란박스)에서 선형태의 왜곡이 발생함 (c) 기존 영상처리 기술로 복원한 결과. 화질 개선이 미흡하고 선형태의 왜곡이 제거되지 않음 (d) 딥러닝을 이용한 영상결과. 제안된 방식은 저선량 영상에서 발생하는 영상 왜곡을 효과적으로 제거하고 화질을 개선하여 종양부분을 정확히 보여준다(사진: Bio Imaging & Signal Processing Lab/KAIST)

X선 컴퓨터 단층촬영은 대표적인 의료영상기법으로 고화질의 인체 단층영상을 제공한다. 이 방식은 다각도로 X선을 투사하여 X선 영상을 획득한 후 단층영상을 재구성한다. 장기 및 질환에서 병변이 의심되고 정밀검사를 시행해야 할 때 기본적으로 실시되는 진단법으로 현재 대부분의 병원에서 사용된다.

하지만 X선 컴퓨터 단층영상은 방사선 피폭의 위험성을 내재하고 있다. 최근 방사선 피폭의 위험성을 낮추기 위해서 X선의 선량을 줄여서 촬영하는 저선량 CT에 대한 연구가 활발히 진행되고 있지만 저선량 CT의 경우 엑시선 검출기에서 잡음이 증가하고, X선이 인체 내부에서 산란될 확률이 높아져 재구성된 영상의 화질이 현저히 낮아진다. 특히 뼈와 같이 흡수율이 매우 높은 물질은 선형의 큰 영상왜곡을 발생시키는데 이는 정확한 진단을 어렵게 만든다.

(김경상 박사 팀, 현 하바드 의대소속) 신호처리 기법을 이용한 저선량 X-ray CT 영상 복원: (a) 정상 선량으로 촬영한 CT 영상. 붉은 원은 전이 (metastasis) 된 부분을 나타냄 (b) 저선량으로 촬영한 CT 영상 (c) 신호처리 기법을 이용한 영상결과, 기존 영상에 비해 화질이 선명해 짐(사진: Bio Imaging & Signal Processing Lab/KAIST)

기존의 저선량 CT영상 복원 알고리즘은 영상의 특징과 발생되는 잡음을 통계적으로 모델링하여 반복적 방식으로 영상을 복원한다. 하지만 기존 방식은 근사적 통계모델을 사용하는 최적화 문제로 이를 접근하기 때문에 저선량 CT에서 발생하는 비선형적인 영상왜곡문제를 완벽하게 해결할 수 없었고, 또한 연산량이 많아 영상복원에 오랜 시간이 걸리는 단점도 지닌다.

예종철 교수(사진:연구재단)

연구팀은 위에서 언급된 저선량 CT의 영상복원 문제를 해결하기 위해 딥러닝 기술과 신호처리 기법인 웨이블렛 변환기술을 접목하였다. 딥러닝 기술을 사용하기 위해서 우선 다수의 환자로부터 얻은 정상선량 및 저선량 CT영상을 이용하였다.

이 영상데이터를 바탕으로 합성곱 기반 인공신경망을 지도학습 시켰으며, 학습된 신경망을 통해 저선량 CT 영상을 복원하였다. 구체적으로 기존 연구와 같이 영상도메인에서 신경망을 적용하지 않고 영상의 웨이블렛 변환 도메인에서 신경망을 지도학습 시켰다.

참고) 합성곱 : 하나의 함수와 또 다른 함수를 반전 이동한 값을 곱한 다음 구간에 대해 적분하여 새로운 함수를 구하는 수학 연산자이다.

즉, 웨이블렛 변환 도메인에서 낮은 주파수 대역의 신호는 저선량 촬영에서도 영상잡음이 거의 존재하지 않는 특성을 고려해 고주파수 대역 신호만 복원하는 합성곱 신경망을 설계 하였다(그림 2). 그리고 영상의 국지적인 특성을 반영하기 위해서 변환도메인의 일부 영역만을 추출해 제안된 신경망을 학습 시켰다.

<제안된 딥러닝 기반 저산량 CT 영상 복원 개략도> 재구성된 CT영상은 다중크기 웨이블렛으로 변환. 변환된 웨이블렛 계수들은 제안된 신경망 (WaveNet)을 통해서 잡음 제거. 최종적으로 웨이블렛 역변환을 통해 복원된 영상 생성. 제안된 신경망은 고주파 성분만을 학습하는 것을 특징으로 함. 아래 구조는 신경망의 상세도(이미지:연구재단)

또한 다양한 방향성 필터를 사용하는 방향성 웨이블렛 변환을 사용하여 저선량 CT 영상에서 발생하는 여러 방향의 패턴의 영상 왜곡을 효율적으로 제거 하였다. 그리고 인공신경망 기반 알고리즘이기 때문에 기존 알고리즘과 달리 영상복원이 매우 빠르게 수행된다.

이 연구에서 개발된 알고리즘은 정량적으로 정확한 영상복원뿐 아니라 실제 임상 의사들의 정성적 평가에서도 높은 점수를 받아 임상적용의 기대가 크다. 따라서 CT에 근본적으로 존재하는 방사선 피폭 위험성을 크게 개선할 것으로 기대된다.

특히 기존에 의료영상에 적용된 딥러닝 기술은 영상 분석 및 이해를 통한 자동 병변 진단에 집중이 되어 왔는데, 오진 시 책임소재의 여부 등 법적, 제도적 장치의 미비로 실제 산업화의 한계들이 존재해 왔다. 하지만 이 연구의 결과, 임상의들의 진단을 더욱 정확하게 내릴 수 있도록 고화질의 의료영상을 제공하는 수단으로서 인공지능기술을 활용함으로써 법적인 제도적인 보완 없이도 인공지능 기술의 의료 산업화가 용이하게 되었다.  

한편, 예종철 교수는“이 연구는 최신 인공지능 기술을 접목하여 방사선 피폭량을 획기적으로 줄일 수 있는 엑스레이 CT 원천기술을 개발한 것이다. 저선량 CT의 임상적용 등에 곧 상용화를 기대할 수 있어 그 동안 진단 및 중재시술에서 문제가 되어온 환자 및 의료진의 방사선 피폭 문제를 근본적으로 해결하는데 기여할 수 있을 것이다.”라고 연구의 의의를 설명했다. 

 

참고) 웨이블랫 변환(wavelet transform): 웨이블렛 변환은 신호변환의 대표적인 기법으로 신호, 시스템, 프로세스 모델을 웨이블렛이라고 불리는 특수한 신호의 집합으로 표현한다. 임의의 파형은 국지적으로 존재하는 여러 파형(wavelet)들을 확대하거나 축소하여 표현된다. 웨이블렛 변환은 푸리에르 변환과 달리 국지적인 정보를 선형표현 할 수 있어서 영상/음성 처리 등에 널리 사용된다.(푸리에르 변환 : 시간에 대한 함수(e.g. 신호)를 그 진동수로 분해하는 작업)이다

Tag
#N

댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.