초음파 B-모드 영상과 딥러닝 FCN 모델을 이용한 간 섬유화 단계 분류의 최신 기술
초음파 B-모드 영상과 딥러닝 FCN 모델을 이용한 간 섬유화 단계 분류의 최신 기술
doi:10.9718/JBER.2020.41.1.48
1. 서론 – 간 섬유화의 중요성과 진단 패러다임의 변화
간 섬유화(Liver Fibrosis)는 바이러스성 간염, 알코올 남용, 비알코올성 지방간질환(NAFLD) 등 다양한 원인에 의해 발생하는 진행성 간 손상 단계로, 적절한 치료가 이루어지지 않으면 간경변증(Liver Cirrhosis)과 간세포암(Hepatocellular Carcinoma, HCC)으로 이어질 수 있습니다[1],[2].
임상적으로 간 섬유화 정도의 정확한 평가가 치료 계획과 예후 예측에 매우 중요하며, 이를 위해 기존에는 간 생검(liver biopsy)이 표준 진단법으로 사용되었습니다.
하지만, 침습적 시술로 인한 환자 부담, 합병증 위험, 표본 오차(sampling error) 등의 한계가 존재합니다.
이에 따라 비침습적 영상 기반 진단법이 각광받고 있으며, 특히 초음파 영상은 비용 효율성과 접근성 측면에서 매우 매력적인 대안입니다.
최근에는 단순 영상 판독을 넘어, 인공지능(AI) 기반의 딥러닝(Deep Learning) 알고리즘이 간 섬유화 단계 분류에 적용되면서 높은 정확도를 보여주고 있습니다.
2. 간 섬유화 영상 진단 – 기존 방법과 한계
전통적으로 간 섬유화 영상 진단에는 다음과 같은 방법이 사용됩니다.
-
탄성영상(Elastography)
-
조직의 탄성도를 측정하여 간 경직도를 정량화
-
대표적으로 횡파탄성영상(Shear Wave Elastography), 이완탄성영상(Transient Elastography) 등이 있습니다[4]-[8].
-
-
초음파 B-모드(B-mode Ultrasound)
-
조직의 형태학적 특징과 스페클 패턴(speckle pattern)을 시각화
-
장점: 빠른 검사, 비침습성, 저비용
-
단점: 판독이 검사자의 경험에 의존, 미세 단계 구분 어려움
-
-
CT, MRI 영상 기반 진단
-
높은 해상도와 정밀한 병변 평가 가능
-
단점: 방사선 피폭(CT), 높은 비용(MRI), 조영제 사용 위험성
-
특히 B-모드 초음파는 광범위하게 사용되지만, 영상 품질 변동과 판독자의 주관성이라는 한계 때문에 자동화된 정량 평가 기법의 필요성이 제기되었습니다.
3. 딥러닝 기반 간 섬유화 단계 분류 – FCN과 U-net의 융합
이번 연구에서는 초음파 B-모드 영상을 입력으로 하여, Fully Convolutional Network (FCN) 기반의 U-net 변형 모델을 이용한 간 섬유화 단계 분류를 제안하였습니다.
핵심 설계 포인트
-
U-net 기반 구조
-
원래는 의료영상 분할(segmentation)용으로 개발된 네트워크[11]
-
본 연구에서는 분할 결과를 활용하여 분류 정확도를 향상
-
-
Fully Connected Layer 추가
-
축소 경로(contracting path)의 마지막 단계에 FC layer를 삽입해 F0~F4 단계 분류 가능
-
-
다중 손실함수 적용
-
최종 출력뿐 아니라 이전 단계 출력에도 손실 함수를 부여
-
훈련 안정성과 수렴 속도 향상
-
-
드롭아웃(Dropout)과 맥스아웃(Maxout) 병용
-
과적합(overfitting) 방지 및 일반화 성능 향상
-
4. 연구 데이터와 실험 방법
-
데이터셋: 충남대학교병원 간 섬유화 환자 78명
-
총 영상 수: 118장 (F0~F4 단계 생검 확인)
-
클래스 구성:
-
Class 0: F0/F1
-
Class 1: F2/F3
-
Class 2: F4
-
-
전처리: 환자 정보 제거, 512×512 픽셀 리사이징
-
검증 방법: 10-fold 교차 검증
-
비교 모델: 전이학습(Transfer Learning) 기반 VGG16, VGG19
5. 실험 결과
표 1에 나타난 바와 같이, 전이학습 기반 VGGNet 모델의 정확도는 평균 64% 이하였던 반면, 제안된 U-net 변형 모델은 **평균 81%**의 정확도를 달성하였습니다.
표 1. 10-fold 교차 검증 결과
| 모델 | 평균 정확도(%) |
|---|---|
| VGG16 | 64 |
| VGG19 | 63 |
| 제안 모델(U-net 변형) | 81 |
6. 시각적 결과
 |
| (Fig. 1. The architecture of the proposed neural network model) |
 |
| (Fig. 2. The result classified by the proposed neural network model for Class 0 (F0/F1)) |
 |
| (Fig. 3. The result classified by the proposed neural network model for Class 1 (F2/F3)) |
 |
| (Fig. 4. The result classified by the proposed neural network model for Class 2 (F4)) |
7. 임상적 의의
-
비침습적 진단 강화: 생검 시행을 줄이면서 높은 분류 정확도를 제공
-
데이터 부족 상황에 강함: 제한된 영상에서도 우수한 성능 확보
-
AI-초음파 융합의 가능성: 향후 다기관 대규모 데이터 학습 시 상용화 가능성 큼
8. 결론 및 향후 과제
본 연구는 U-net 구조를 분류 목적으로 변형하여, 초음파 B-모드 영상 기반 간 섬유화 단계 분류에서 높은 정확도를 달성했습니다. 향후 더 많은 데이터 확보와 단계 세분화(4~5단계 분류)를 통해 정확도를 추가로 향상시킬 수 있습니다.
퀴즈
1. 이번 연구에서 제안된 모델의 기반이 된 딥러닝 구조는 무엇인가?
① ResNet
② U-net
③ AlexNet
④ DenseNet
2. 전이학습 기반 VGGNet 모델 대비 제안 모델이 우수했던 주요 이유는 무엇인가?
① GPU 사양이 높아서
② 데이터 전처리를 하지 않아서
③ 분할 결과를 분류에 반영했기 때문에
④ 학습 epoch 수가 적어서
정답 및 해설
1. 정답: ② U-net. 해설: 본 연구에서는 원래 의료영상 분할용으로 개발된 U-net 구조를 변형하여 간 섬유화 단계 분류에 적용하였다.
2. 정답: ③ 분할 결과를 분류에 반영했기 때문에. 해설: U-net 구조의 특성을 활용해 간 영역을 먼저 정확하게 분할하고, 해당 영역 특성을 기반으로 분류 정확도를 높였다.
참고문헌
[1] P. Kennedy, M. Wagner, L. Castera, C.W. Hong, C.L. Johnson, C.B. Sirlin, and B. Taouli, “Quantitative Elastography Methods in Liver Disease: Current Evidence and Future Directions,” Radiology, vol. 286, no. 3, pp. 738–763, 2018.
[2] J.E. Lee et al., “Non-invasive Assessment of Liver Fibrosis with ElastPQ,” Ultrasound Med Biol, vol. 43, no. 11, pp. 2515–2521, 2017.
[3] Y. Zhuang et al., “Two-dimensional Shear-Wave Elastography in Liver Fibrosis,” Radiology, vol. 283, no. 3, pp. 873–882, 2017.
[4] L. Sandrin et al., “Transient Elastography for Assessment of Hepatic Fibrosis,” Ultrasound Med Biol, vol. 29, no. 12, pp. 1705–1713, 2003.
[5] L. Castéra et al., “Prospective Comparison of Transient Elastography and Liver Biopsy,” Gastroenterology, vol. 128, no. 2, pp. 343–350, 2005.
[6] K. Nightingale et al., “Shear-wave Generation Using Acoustic Radiation Force,” Ultrasound Med Biol, vol. 29, no. 12, pp. 1715–1723, 2003.
[7] J. Bercoff, M. Tanter, and M. Fink, “Supersonic Shear Imaging,” IEEE Trans Ultrason Ferroelectr Freq Control, vol. 51, no. 4, pp. 396–409, 2004.
댓글
댓글 쓰기