딥 러닝을 이용한 림프부종 CT 영상 내 섬유화된 조직의 의미론적 분할

Abstract

림프부종은 조직 사이에 비정상적인 림프액의 축적이 일어나는 것으로, 림프부종의 진단은 환자의 병력과 시진, 촉진을 이용한 물리적 소견 및 선별검사를 바탕으로 이루어진다. 림프부종의 원인에 따라 부종의 단계를 나누며, 이에 맞는 치료 및 환자의 예후를 확인하기 위한 검사에는 X-ray, Computed Tomography(CT), Magnetic Resonance Imaging(MRI), 초음파 등의 의료장치가 사용된다. 조직 내의 과도한 단백질 축적은 조직의 섬유화로 진행되고, 섬유화가 진행될수록 조직내 림프 흡수가 억제되거나 역류할 가능성이 있다. 이러한 섬유화는 CT 이미지에서 벌집모양(Honeycomb-patterned)의 구조로 발견될 수 있으며 림프부종 섬유화증(fibrosis)의 마커가 될 수 있다. 딥 러닝을 이용하여 의료영상을 분할하는 연구가 꾸준히 진행되고 있다. 뇌 MIR 이미지에서 Convolutional Neural Network(CNN)을 이용한 뇌졸중 영역의 분할, 폐 X-ray 이미지에서 폐 영역의 분할, Optical Coherence Tomography (OCT)에서 황반 부종 영역의 검출 등 여러 의료 분야에서 딥 러닝을 적용하여 영상을 분할하는 연구들이 시도된다. 선행 연구에서는 벌집모양 구조의 영역을 이용하여 환자의 부종 정도를 대표하는 값인CT reticulation index(CTRI)를 정의하고, 임상 척도 및 생체전기저항검사(BEI; bio-electric impedance) 방법과의 상관관계(Correlation) 비교를 통해 이와 같은 CTRI 알고리즘이 림프 부종 환자의 특성을 파악하고 모니터링에 추가적인 방법을 제공할 가능성을 보였다. 그러나 선행 연구에서 벌집모양의 구조를 분리해 내기 위해, 각 환자의 CT 이미지 전체를 사람의 손으로 분리해 내어 시간이 오래 걸렸으며, 벌집모양을 검출하는 알고리즘에서, CTRI가 역치 값을 기준으로 생성되는데, 이때 사람이 역치 값을 설정하였기 때문에 기준에 모호성이 있다. 따라서, 본 연구에서 딥 러닝을 이용한 이미지 분류방법 중 의미론적 분할에서 사용되는 SegNet 모델을 이용하여 CTRI 생성에 소비되는 시간을 줄이고, 역치 값 설정 시 cluster 방법을 이용하여 모호성을 줄였으며, 새로운 부종 정도를 대표하는 값인 edema fibrosis reticulation index(EFRI)의 사용을 제안하여 환자의 부종 대표 값과 임상척도와의 Correlation 증가를 보이고자 한다.