AI로 재촬영 없이 MRI 강조 영상 "겟"
AI로 재촬영 없이 MRI 강조 영상 "겟"
  • 함예솔
  • 승인 2020.02.02 18:20
  • 조회수 1034
  • 댓글 0
이 기사를 공유합니다

요약

 

재촬영 없이도 누락된 강조 영상을 얻을 수 있는 인공지능 기술이 개발됐습니다. 연구팀은 자체 개발한 '협조·생성적 적대신경망(Collaborative Generative Adversarial Network, CollaGAN)'이라는 기술을 이용했습니다. 이를 통해 어떤 대조 영상의 생성이 가능한지와 불가능한지에 대한 질문과, 그에 대한 체계적인 대답 기법을 제안했습니다.

KAIST 바이오및뇌공학과 예종철 교수 연구팀 자기공명영상(magnetic resonance imaging, MRI)에서 재촬영 없이도 누락된 강조 영상을 얻을 수 있는 인공지능 기술을 개발했다. 이 연구를 통해 각 질환별로 강조 영상이 암의 진단에 미치는 영향을 객관적으로 밝힐 수 있을 전망인데요. 실제 임상에서 고비용의 MRI를 효과적이고 체계적으로 활용할 수 있는 방안을 설계할 수 있을 것으로 기대됩니다. 해당 연구는 <Nature Machine Intelligence>에 게재됐습니다. 

fMRI 스캐너를 사용해 연구했어요. 출처: fotolia
더 효율적으로! MRI 강조영상 얻는다. 출처: fotolia

임상 진단에서 중요한 역할을 하는 MRI

 

MRI는 엑스선 컴퓨터 단층 촬영, 초음파와 더불어 임상 진단에서 중요한 역할을 하는 진단 장비입니다. 특히 비침습적 방법으로 고해상도의 영상을 얻기 때문에 종양이나 병변을 관찰하며 진단하는 데 매우 중요한 임상 정보를 제공합니다. 이는 영상의 대조도(contrast)를 다양하게 조절할 수 있는 MRI의 특징 덕분인데요. 예를 들어 뇌종양을 진단하는 데 활용되는 T1·T2 강조영상, FLAIR 기법 영상, T1 조영증강 영상 등 여러 가지 대조 영상을 얻어 진단에 사용함으로써 종양을 찾을 수 있습니다. 

 

하지만 실제 임상 환경에서는 강조영상을 모두 얻기 어려운 경우가 많습니다. 여러 장의 강조 영상 촬영을 위해 촬영시간이 길어지기도 하고, 잡음이나 인공음영 발생으로 인해 진단에 사용하기 어려운 경우가 많기 때문입니다. 

 

또한, 뇌질환진단을 위한 MRI 검사는 의심 질환이 무엇인지에 따라 필수 강조 영상이 달라지며 이후 특정 질환으로 진단명이 좁혀지면서 부득이하게 누락된 강조 영상을 확보하기 위한 재촬영이 필요한 경우가 많습니다. 이러한 상황에 의해 많은 시간과 비용이 소모됩니다.

 

인공지능 이용해 문제 해결?!!

제안하는 CollaGAN의 작동 원리의 예. 출처: KAIST
제안하는 CollaGAN의 작동 원리의 예. 출처: KAIST

최근 인공지능 분야에서 생성적 적대 신경망(Generative adversarial networks, GAN)이라는 딥러닝을 이용해 영상을 합성하는 기술이 많이 보고되고 있습니다. 하지만, 이 기술을 MRI 강조영상 합성에 사용하면 준비하고 미리 학습해야 하는 네트워크가 너무 많아지게 됩니다. 또한, 이러한 기법은 하나의 영상에서 다른 영상으로의 관계를 학습하기 때문에 몇 개의 강조영상의 존재하더라도 이 정보 간의 시너지를 활용하는 영상 학습기법이 없는 현실입니다.

  • 합성 MRI (Synthetic MRI)

MRI 대조영상을 합성하여 생성하는 기존의 수학적인 방법의 일종. 조직의 특성을 파악할 수 있도록 수십장의 MR 영상을 미리 촬영해두고 이로부터 추출된 조직의 MR파라미터 (MR parameter)를 수학식을 이용하여 얻어내 여려개의 대조 영상을 생성하는 기법. 

이에 연구팀은 자체 개발한 '협조·생성적 적대신경망(Collaborative Generative Adversarial Network, CollaGAN)'이라는 기술을 이용해 여러 MRI 강조영상의 공통 특징 공간을 학습함으로써 확장성의 문제를 해결했습니다. 이를 통해 어떤 대조 영상의 생성이 가능한지와 불가능한지에 대한 질문과, 그에 대한 체계적인 대답 기법을 제안했습니다.

 

  • Generative Adversarial Networks (GANs)

딥러닝 기법 중 하나로, 생성자 네트워크(Generator)와 구분자 네트워크(Discriminator)가 서로 적대적으로 학습하는 기법을 이용하여 서로의 성능을 점차 개선 및 향상시켜나가는 기법. 구분자 네트워크는 받아들인 영상이 생성자 네트워크가 만들어낸 영상인지(Fake) 또는 실제 영상인지(Real) 구분하는 방향으로 학습하며, 생성자 네트워크는 구분자 네트워크를 속일만한 실제와 유사한 영상을 생성하는 방향으로 학습하는 기법입니다.

즉, 여러 개의 강조 영상 중에서 임의의 순서 및 개수로 영상이 없어져도 남아있는 영상을 통해 사라진 영상을 복원하는 기법을 학습한 후 합성된 영상의 임상적 정확도를 평가해, 강조 영상 간 중요도를 자동으로 평가할 수 있는 원천 기술을 개발했습니다.

 

연구팀은 건국대학교 영상의학과 문원진 교수 연구팀과의 협력을 통해 T1강조·T2강조 영상과 같이 내인성 강조영상은 다른 영상으로부터 정확한 합성이 가능하며, 합성된 강조 영상이 실제 영상과 매우 유사하게 임상 정보를 표현하고 있다는 것을 확인했습니다.

  • 외인성 대조/내인성 대조

의료 영상의 대조(contrast)를 형성하는 과정에서 대조의 원인에 따른 분류. 영상의 대조가 인체 조직·장기가 지니는 내재적인 조직의 특성에 기인한 경우 내인성 대조라고 불리며 T1강조, T2강조 등의 기법이 있습니다. 반면에 영상의 대조가 조영제(contrast agent) 등과 같이 외부의 약물 등을 통해 내재적인 특성 외에 추가적인 외부 요인에 기인한 경우 외인성 대조라고 불립니다.

연구팀은 확보한 합성 영상이 뇌종양 분할 기법을 통해 뇌종양 범위를 파악하는데 유용한 정보를 제공한다는 것을 확인했습니다. 또한, 현재 많이 사용되는 합성 MRI 기법(synthetic MRI)에서 생기는 인공음영 영상도 자동 제거가 가능함이 증명됐습니다. 이 기술을 이용하면 추가적인 재촬영을 하지 않고도 필요한 대조 영상을 생성해 시간과 비용을 비약적으로 줄일 수 있을 것으로 기대됩니다.

 

문원진 교수는 "연구에서 개발한 방법을 이용해 인공지능을 통한 합성 영상을 임상 현장에서 이용하면 재촬영으로 인한 환자의 불편을 최소화하고 진단 정확도를 높여 전체의료비용 절감 효과를 가져올 것"이라고 말했습니다.

 

예종철 교수. 출처: KAIST
예종철 교수. 출처: KAIST

 

 

예종철 교수는 "인공지능이 진단과 영상처리에 사용되는 현재의 응용 범위를 넘어서 진단의 중요도를 선택하고 진단 규약을 계획하는 데 중요한 역할을 할 수 있는 것을 보여준 독창적인 연구"라고 전했습니다. 

 

 

 


##참고자료##

 


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

  • 충청남도 보령시 큰오랏3길
  • 법인명 : 이웃집과학자 주식회사
  • 제호 : 이웃집과학자
  • 청소년보호책임자 : 정병진
  • 등록번호 : 보령 바 00002
  • 등록일 : 2016-02-12
  • 발행일 : 2016-02-12
  • 발행인 : 김정환
  • 편집인 : 정병진
  • 이웃집과학자 모든 콘텐츠(영상,기사, 사진)는 저작권법의 보호를 받은바, 무단 전재와 복사, 배포 등을 금합니다.
  • Copyright © 2016-2020 이웃집과학자. All rights reserved. mail to contact@scientist.town
ND소프트