딥러닝을 이용한 림프부종의 CT 영상에서 섬유성 조직의 의미론적 분할. 이러한 섬유증은 CT 영상에서 벌집 모양의 구조로 발견될 수 있으며 림프부종 섬유증의 지표가 될 수도 있습니다. 키워드] 림프부종 섬유증, 머신러닝, 의미분할, 부종지수.
서 론
림프부종은 원인에 따라 원발성 림프부종과 이차성 림프부종으로 구분됩니다. 섬유소화된 조직은 CT 영상에서 벌집 모양의 구조로 발견되며[6], 이 구조는 림프부종 섬유증 진단의 지표가 될 것으로 기대된다.
배경이론
- 생체전기저항검사
- 사지둘레 측정법
- 딥 러닝
- 의미론적 분할
SCDR(Standardized Volume Difference Ratio)은 림프부종의 부피를 측정하는 방법 중 하나로 사지의 부종의 부피를 측정하는 방법이다[2]. 지도 학습은 분류 및 회귀 문제를 해결하는 데 사용되며, 그 목적은 주어진 데이터와 레이블을 입력으로 사용하고 새 데이터에 대한 레이블을 출력하는 예측기를 만드는 것입니다. 이미지 분류는 이미지 속 객체의 유무를 판단하는 분류, 이미지 속 상자 형태로 객체의 위치를 제공하는 위치화(Localization), 여러 객체를 인식하여 객체의 위치에 대한 정보를 표시하는 감지(Detection)입니다. . , 이미지에 존재하는 모든 픽셀을 분류하는 분할, 이미지에 존재하는 모든 픽셀을 분류하는 인스턴스 분할이 다른 모든 객체를 인식하고 결과를 제공합니다.
본 연구에서는 영상을 분할 수준에 따라 분류한다. 의미론적 분할은 주어진 이미지에 해당하는 모든 픽셀을 분류하고, 동일한 영역에 있는 동일한 클래스의 객체를 분류합니다. 객체 감지에는 픽셀 수준 분류가 필요하며 컨볼루션 전용 모델은 이러한 픽셀 수준 분류에 적합하지 않습니다.
컨벌루션을 수행하여 원본 이미지에 대한 위치 정보가 손실되기 때문입니다. 인코더에서는 다운샘플링을 통해 원본 영상으로부터 특징을 추출하고, 디코더에서는 업샘플링을 통해 영상의 특징을 이용하여 원본 영상의 크기를 복원하는 과정을 거친다.
본 론
- 의료 데이터 확보
- 학습 데이터
- 학습 데이터 선택
- 학습 데이터 생성
- 딥러닝
- 딥러닝 모델
- 딥러닝 모델 학습
- 딥러닝 모델의 평가방법
- 딥러닝 모델의 평가결과
- 부종지수 분석
- 부종지수 계산방법
- 부종지수 통계분석
- 부종지수 계산결과
훈련 데이터로 사용된 환자 데이터에서 4명의 환자 데이터를 제외한 24명의 환자 데이터를 상관 분석에 사용하였다. 뇌하수체 전엽, 슬와 중심, 관절 아래의 CT 영상은 훈련 데이터에서 제외되었으며, 여기에는 환자의 상지 또는 하지의 복잡한 해부학적 구조로 인해 5개 등급으로 분류할 수 없는 영역이 포함되었습니다. CT 이미지(그림 5). . 임상 실습에서 제공되는 CT 스캔 이미지를 기계 학습에 사용할 훈련 데이터 세트로 처리하기 위해 GUI(Graphic User Interface)(그림 6)를 구현했습니다.
이미지 영역 분류에는 의미론적 분할에 사용되는 SegNet을 사용했습니다. 따라서 학습에 활용될 수 있는 학습 데이터를 증폭시키기 위해 Augmentation을 수행하였다. 모델을 평가하기 위해 정확도와 IoU 스케일링이 사용되었습니다.
제안된 SegNet 학습 모델은 각 환자의 부종 및 비부종 사지 영상에 따라 부종 영역의 양을 5개 클래스의 픽셀 수로 표시합니다. 첫 번째 방법인 부종 지수(index1)는 부종이 있는 사지의 지방 및 섬유증 등급 픽셀의 합을 부종이 없는 사지의 지방 및 섬유증 등급의 합으로 나눈 값이다. 세 번째 부종 지수법(index3)은 부종이 있는 사지의 섬유증 등급의 픽셀을 부종이 없는 사지의 섬유증 등급의 픽셀로 나눈 값이다.
네 번째 부종지수법(합계)으로서 부종이 발생한 사지의 모든 섬유화 등급을 합하여 표현한 값이다.
토의 및 결론
토의 및 결론
본 연구에서는 림프부종 환자의 사지 CT 영상에서 발견된 섬유증 영역을 감지하기 위해 의미론적 분할을 수행하는 SegNet 기반 기계 학습 알고리즘을 훈련하여 77.58%의 정확도와 58.43%의 IoU로 섬유증 영역을 분류했습니다. . 이전 연구에서 제시된 수동적 영상분할 영상처리 알고리즘은 중간 저장 기능이 부족하여 반복적인 초기화 작업이 필요하다. 이러한 추가 알고리즘을 사용하면 데이터 생성 프로세스가 크게 지연되고 운영자의 피로도가 높아집니다.
이 연구에서는 1,920개의 사지 CT 이미지 데이터 세트를 단순화하고 HU 값을 기반으로 하는 해부학적 구조(공기, 근육, 지방, 피부 및 섬유증)를 기반으로 5가지 클래스로 분류했습니다. 본 연구에서 제시된 정확도가 상대적으로 높다는 것은 분명합니다. 그러나 본 연구에서 제시한 훈련 모델을 활용한 EFIR은 림프부종의 임상적 표준인 IMP 및 SCDR과의 상관성 비교 결과에서 높은 상관성을 보였다.
본 연구에서는 의미론적 분할을 수행하는 딥러닝 모델을 통해 부종 환자의 사지 CT 영상을 5개 영역으로 분류할 수 있었으며, 기존 연구에서 제안된 임의적이고 시간 소모적인 분할 작업을 줄였습니다. 또한, 제안된 모델을 이용하여 부종 환자의 사지 CT 영상으로부터 섬유증 부위의 크기를 계산할 수 있었으며, 임상 현장에서 최적표준 SCDR 및 BEI 방법을 사용하여 상관관계 분석을 수행하였다. 제안했습니다.
