3. 토의 및 결론
3.1. 토의 및 결론
본 연구는 림프부종 환자의 사지 CT 이미지에서 발견되는 fibrosis 영역을 검출하기 위해 semantic segmentation을 수행하는 SegNet 기반의 기계학습 알고리즘을 학습시켜 Fibrosis 영역을 Accuracy 77.58%, IoU 58.43%으로 분류해 내는 학습 알고리즘을 제시 하였다. 또한, 이 알고리즘을 기반으로 fibrosis 영역을 표준화 할 수 있는 네가지 EFRI 부종지수 계산방법을 제시하였고 이를 임상 정보들과 Correlation 분석을 수행하여 높은 수준의 신뢰도를 보이는 상관관계를 보여준다.
이전 연구에서 제시한 image segmentation을 위한 수동적인 영상처리 알고리즘은 중 간 저장 기능이 없으므로 반복적인 초기화 작업을 요구한다. 또한 역치(threshold)기반 의 알고리즘에서 적절한 역치 값을 선택하기 위해서는 반복적인 알고리즘 수행이 필수적 이다. 이러한 추가적인 알고리즘의 사용은 데이터 생성 과정에서 상당한 시간적 지연을 발생시키며 작업자의 피로도 또한 증가시킨다.
따라서 이미지 처리를 위한 GUI를 개발을 통하여 학습 데이터의 생성에 필요한 영상 처리 기법들을 버튼 형식으로 구현하여 반복적인 초기화 작업을 없애 작업 시간을 단축 하였고 사용자의 편의성을 높였다. 또한 역치 값 선택 방법으로 k-mean 클러스터링 방 법을 사용하였다. 이는 작업자가 선택해야 할 역치 범위를 일정한 규칙을 적용한 구역 내로 선택할 수 있게 축소할 수 있으므로, 작업자의 스트레스를 줄임과 동시에 임의성을 줄여 줄 수 있는 근거가 된다.
그러나 이와 같은 규칙기반 알고리즘은 많은 데이터를 처리함에 있어서 예외적인 상황 에 대해 정확한 결과를 내기 쉽지 않다. 또한 반복적인 규칙 추가 및 수정이 필요하므로 자동화된 영상 처리와 함께 이미지 분할을 처리할 수 있는 딥러닝 기반의 모델 사용이 필요하다. 의료 영상 이미지를 딥 러닝을 통해 원하는 영역만 분리해 내려는 시도는 뇌, 폐, OCT 등의 여러 목적 부위에 대해 적용하여 시도되었다[7]–[9]. 본 연구에서는 사지 CT 이미지에서 1,920개의 데이터셋을 HU 값에 기반한 해부학적 구조를 기반으로 Air, Muscle, Fat, Skin, Fibrosis의 다섯가지 클래스로 단순화하여 라벨링을 진행하였다. 이를 이미지의 segmentation에 자주 사용되는 SegNet을 기반으로 하는 학습모델에 학습시켰 고, 각 클래스의 Accuracy는 100.0%, 97.01%, 87.28%, 95.70%, 77.58%, IoU는 100.0%, 94.65%, 81.59%, 87.07%, 58.43%으로 나타났다. 유사한 연구로, 뇌졸중 환자의 뇌 MIR
이미지를 SegNet으로 학습시켜 뇌 병변 부위를 segment 하는 연구가 있었다[9]. 210개 의 normal, 210개의 abnormal 한 뇌 CT 이미지를 normal과 abnormal 두가지 클래스 로 라벨링 하여 학습시켰으며 Training 과 Test 데이터셋을 70:30 비율로 학습하였다.
그 결과 Accuracy는 85~87% 로 나타났다. 이는 본 연구에서 제시한 정확도 보다 높게 나타났으나, 분류한 클래스의 수가 5개인 본 연구와 달리 2가지 클래스로 분류하여 비교 적 높은 정확도를 보일 확률이 있다. 또다른 연구결과는 OCT 이미지를 이용하여 변형된 SegNet에 학습시켜 당뇨망막병증으로 인해 안구에 생성되는 혈관 segmentation을 시도 하였다. DRIVE dataset에서 제공된 1200개의 Training 데이터와 20개의 Test 이미지를 사용하여 세개의 클래스 background, vessel, tissues로 라벨링 하여 학습시켰다. 그러나 평균 정확도는 87.73% 에서 95.94%로 나타난 반면 각각의 Recall(Accuracy)은 1.00, 0.44, 0.95로 나타났다[19]. 이는 본 연구에서 제시하는 정확도가 비교적 높은 것을 알 수 있다. 그러나 다른 연구의 의료영상 이미지의 특성 및 질병, 성별, 연령과 같은 다양 한 종류의 인구통계학적인 요인과 본 연구의 임상시험의 비교적 작은 표본크기를 고려하 여야 한다.
그러나 본 연구에서 제시한 훈련 모델을 이용한 EFIR는 림프 부종에 대한 임상 golden standard인 IMP, SCDR과의 correlation 비교 결과에서 높은 연관성을 보였다.
이전 연구에서 제시한 CTRIMIN의 correlation은 IMP(r=-0.46,p<0.05), proximal SCDR(r=0.45,p<0.05)로 나타났다[10]. 또한 본 연구에서 제시한 EFIR 방법 중 Index2_Downmean 방법은 proximal SCDR(r=0.44, p<0.05), distal SCDR(r=0.42, p<0.05), IMP(r=0.70, p<0.001)의 결과를 보여 높은 수준의 신뢰도를 가지는 관련성을 보인다.
SCDR은 부종의 발생정도를 부종이 발생하지 않은 사지의 둘레를 기준으로 삼아 부종 이 발생한 사지의 부종 발생정도를 표준화 한 값으로, 두 둘레의 차이에 포함된 fibrosis 의 증가 또는 세포외액의 증가가 부종이 발생하지 않은 단면적 기준으로 얼마나 나타나 는지에 대한 표현이라고 볼 수 있다. 그러나 그러한 차이는 신경계 손상으로 인한 신경 성 위축(neurogenetic atrophy) 또는 주로 사용하는 사지와 주로 사용하지 않는 사지에 서 근육 질량의 차이와 관련된 해부학적 변이에 따라 측정 기준이 다를 수 있고[20] 부 종이 발생하였으나 조직의 섬유화로 이어지지 않은 경우 그 유의미함이 섬유화된 부종의 영역에 대한 지표인 EFRI와의 관련성으로 표현되지 않을 수 있다.
그러나 IMP의 경우 SCDR과 비교하여 높은 correlation을 보인다. 지속적인 림프액의 축적 및 정체는 림프구(lymphocytes), 대식세포(macrophages), 호중구(neutrophils) 및
38
수지상 세포(dendritic cell)를 포함한 다양한 염증세포의 축적으로 이어져 림프관의 형성 을 촉진하고 조직 내 콜라겐 침착의 증가와 부종 피부와 피하 조직에서 지방 및 결합조 직의 과도한 성장을 유도하여 섬유화를 일으킨다. [5], [21]. 이는 낮은 주파수에서 시도 된 BEI법의 전류는 절연체 역할을 하는 세포막을 관통하지 않고 세포외액을 통과하게 되므로 세포외액의 저항을 측정할 수 있다[22]. 사지에 발생한 섬유화가 조직에서 저항 으로 작용 할 수 있으므로, 이는 IMP 값과의 연관성에 영향을 미쳤을 것이다[11]. 이를 통해 IMP 값과 전반적인 Index 값의 correlation이 높은 것을 설명할 수 있다. 또한 IMP와 상관분석이 이루어진 Index2의 모든 지수들은 다른 두 지수들 보다 신뢰도와 상 관성 모두에서 높은 결과를 나타났다(0.62< r <0.87, p<0.001). 이는 부종이 발생한 사지 의 섬유화 클래스 픽셀의 합에서 부종이 발생하지 않은 사지의 섬유화 클래스 픽셀의 합 을 빼기 때문에 부종이 발생한 사지에서 생성될 수 있는 오류를 제거한다고 볼 수 있고 이는 높은 상관성을 보이는 것에 연관이 있다고 볼 수 있다. 또한 Index2 방법이 IMP의 표준화 방법과 동일한 방법으로 계산되었으므로, 다른 두가지 Index 방법들 보다 연관성 이 높은 이유에 대한 근거가 될 수 있다.
본 연구에서 제시하는 학습모델을 사용한 EFRI의 계산은 EFRI의 golden standard와 의 관련성을 고려하였을 때, 이전 연구에서 수작업으로 시행한 CTRI 계산에 비해 비교 적 정확성이 높다고 볼 수 있으며, 수작업으로 이루어지던 작업을 딥러닝 학습 알고리즘 으로 대체하여 fibrosis 영역 segmentation에 걸리던 시간을 단축할 수 있고, segmentation 작업자의 스트레스를 줄일 수 있으며 수작업으로 진행 한 결과 보다 임의 성을 감소시킬 수 있다.
그러나 모델의 정확도는 hyper-parameter의 optimization이 필요하고, fine-tunning 을 위하여 transfer learning이 이루어 지지 않아 정확도 증가에 대한 여지가 남아있다.
또한 CT 이미지의 품질이 일정하지 않았던 점도 고려할 수 있으며 더 많은 수의 피험자 가 이 결과를 증가시킬지에 대한 연구가 더 필요하다.
본 연구에서는 semantic segmentation을 수행하는 딥러닝 모델을 통해 부종환자의 사 지 CT 이미지를 다섯가지 영역으로 분류할 수 있었고, 선행연구에서 제시된 segmentation의 임의성과 시간 소모적인 작업을 줄였다. 또한 제시된 모델을 이용하여 부종 환자의 사지 CT 이미지에서 섬유화 영역의 크기를 계산해 낼 수 있었으며 이를 임 상에서의 golden standard인 SCDR과 BEI법과 correlation 분석을 수행하였으며 높은 연관성을 보여 림프 부종 환자의 특성 및 모니터링에 추가적인 방법을 제시할 수 있다.
40
참고 문헌
[1] T. F. O’Donnell, J. C. Rasmussen, and E. M. Sevick-Muraca, “New diagnostic modalities in the evaluation of lymphedema,” J. Vasc. Surg. Venous Lymphat. Disord., vol. 5, no. 2, pp.
261–273, 2017, doi: 10.1016/j.jvsv.2016.10.083.
[2] G. Yang and J. Y. Shim, “림프부종의 진단과 치료,” J. Korean Med. Assoc., vol. 56, no. 12,
pp. 1115–1122, 2013.
[3] S. G. Rockson, “Causes and consequences of lymphatic disease,” Ann. N. Y. Acad. Sci., vol.
1207, pp. E2–E6, 2010, doi: 10.1111/j.1749-6632.2010.05804.x.
[4] V. Velanovich and W. Szymanski, “Quality of life of breast cancer patients with lymphedema,” Am. J. Surg., vol. 177, no. 3, pp. 184–188, 1999, doi: 10.1016/S0002- 9610(99)00008-2.
[5] S. G. Rockson, “Lymphedema,” Vasc. Med. (United Kingdom), vol. 21, no. 1, pp. 77–81, 2016, doi: 10.1177/1358863X15620852.
[6] N. S. Hadjis, D. H. Carr, L. Banks, and J. J. Pflug, “The role of CT in the diagnosis of primary lymphedema of the lower limb,” Am. J. Roentgenol., vol. 144, no. 2, pp. 361–364, 1985, doi:
10.2214/ajr.144.2.361.
[7] A. Kalinovsky and V. Kovalev, “Lung Image Segmentation Using Deep Learning Methods and Convolutional Neural Networks Deep Learning for Image Analysis View project UAV:
back to base problem View project Lung Image Segmentation Using Deep Learning Methods and Convolutional Neural Network,” Int. Conf. Pattern Recognit. Inf. Process., no.
July 2017, pp. 21–24, 2016, [Online]. Available: http://imlab.grid.by/.
[8] J. Mo, L. Zhang, and Y. Feng, “Exudate-based diabetic macular edema recognition in retinal images using cascaded deep residual networks,” Neurocomputing, vol. 290, pp. 161–171, 2018, doi: 10.1016/j.neucom.2018.02.035.
[9] B. R. Gaidhani, R. Rajamenakshi, and S. Sonavane, “Brain stroke detection using convolutional neural network and deep learning models,” 2019 2nd Int. Conf. Intell.
Commun. Comput. Tech. ICCT 2019, pp. 242–249, 2019, doi:
10.1109/ICCT46177.2019.8969052.
[10] K. in Koo, M. H. Ko, Y. Lee, H. W. Son, S. Lee, and C. Ho Hwang, “Comparison of a novel algorithm quantitatively estimating epifascial fibrosis in three-dimensional computed tomography images to other clinical lymphedema grading methods,” PLoS One, vol. 14, no.
12, pp. 1–13, 2019, doi: 10.1371/journal.pone.0224457.
[11] M. C. G. Barbosa-Silva, A. J. D. Barros, J. Wang, S. B. Heymsfield, and R. N. Pierson,
“Bioelectrical impedance analysis: Population reference values for phase angle by age and sex,” Am. J. Clin. Nutr., vol. 82, no. 1, pp. 49–52, 2005, doi: 10.1093/ajcn.82.1.49.
[12] R. Gaw, R. Box, and B. Cornish, “Bioimpedance in the assessment of unilateral lymphedema of a limb: The optimal frequency,” Lymphat. Res. Biol., vol. 9, no. 2, pp. 93–99, 2011, doi:
10.1089/lrb.2010.0020.
[13] 일석오, 기계학습. 2017.
[14] Á. Casado-García et al., “Clodsa: A tool for augmentation in classification, localization, detection, semantic segmentation and instance segmentation tasks,” BMC Bioinformatics, vol. 20, no. 1, pp. 1–14, 2019, doi: 10.1186/s12859-019-2931-1.
[15] V. Badrinarayanan, A. Kendall, and R. Cipolla, “SegNet: A Deep Convolutional Encoder- Decoder Architecture for Image Segmentation,” Nov. 2015, [Online]. Available:
http://arxiv.org/abs/1511.00561.
[16] C. Szegedy et al., “Going deeper with convolutions,” Proc. IEEE Comput. Soc. Conf. Comput.
Vis. Pattern Recognit., vol. 07-12-June, pp. 1–9, 2015, doi: 10.1109/CVPR.2015.7298594.
[17] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–14, 2015.
[18] C. Feng et al., “Log-transformation and its implications for data analysis,” Shanghai Arch.
Psychiatry, vol. 26, no. 2, pp. 105–109, 2014, doi: 10.3969/j.issn.1002-0829.2014.02.
[19] M. Sharma and P. C. Sau, “Blood Vessel Segmentation using SegNet,” 2019 4th Int. Conf.
Inf. Syst. Comput. Networks, ISCON 2019, pp. 620–624, 2019, doi:
10.1109/ISCON47742.2019.9036307.
[20] A. L. Cheville, C. L. McGarvey, J. A. Petrek, S. A. Russo, S. R. J. Thiadens, and M. E. Taylor,
“The grading of lymphedema in oncology clinical trials,” Semin. Radiat. Oncol., vol. 13, no.
3, pp. 214–225, 2003, doi: 10.1016/S1053-4296(03)00038-9.
[21] P. Mortimer, “The pathophysiology of lymphedema [review]. Cancer. (12 suppl American):,”
vol. 83, pp. 2798–2802, 1998.
[22] U. G. Kyle et al., “Bioelectrical impedance analysis - Part I: Review of principles and methods,” Clin. Nutr., vol. 23, no. 5, pp. 1226–1243, 2004, doi: 10.1016/j.clnu.2004.06.004.
[23] N. Cau and S. Corna, “Circumferential versus Hand-held Laser Scanner Method for the Evaluation of Lower Limb Volumes in Normal-weight and Obese Subjects,” J. Nov.
Physiother., vol. 6, no. 4, 2016, doi: 10.4172/2165-7025.1000303.