인공지능 딥러닝을 활용한 디지털 유방촬영술에서의 악성 종양 판독과 임상 적용
doi:10.31916/sjm 2020-01-03
서론
유방암은 전 세계 여성에서 가장 흔히 발생하는 암이자 주요 사망 원인으로 꼽히며, 조기 진단이 생존율을 높이는 핵심 요인으로 알려져 있습니다.
디지털 유방촬영술(Digital Mammography)은 저에너지 X선을 사용하여 유방 내부의 미세석회화(microcalcifications),
종괴(masses), 구조 왜곡(architectural
distortion) 등을 탐지하는 영상의학적 방법으로, 조기 발견을 위한 핵심 기술입니다.
그러나 육안 판독은 주관적 오류 가능성이 있으며, 이 한계를
보완하기 위해 인공지능(AI) 딥러닝 기반
자동 판독 시스템이 빠르게 발전하고 있습니다.
본 칼럼에서는 AI 기반 디지털 유방촬영
영상 분석 기술의 최신 연구 결과를 정리하고, 실제 임상 적용 가능성과 향후 전망을 살펴보겠습니다.
1. 디지털 유방촬영술의 원리와 임상적 중요성
디지털 유방촬영술은 약 30kVp의 저에너지 X선을 사용하여 유방 영상을 획득합니다.
다른 뼈 X선과 달리, 상대적으로
낮은 에너지를 사용해 미세한 병변을 탐지할 수 있습니다.
- 미세석회화: 직경 0.05~1 mm 크기의 밝은 점 형태 병변으로, 군집(cluster) 형태일 경우 악성 가능성이 높습니다.
- 종괴(Mass): 원형, 타원형, 엽상형(lobulated),
불규칙형, 방사상(spiculated) 등
다양한 형태를 가지며, 경계가 불명확할수록 악성 가능성이 큽니다.
- 구조 왜곡: 유방
내 조직 배열이 정상과 달리 당겨지거나 휘어진 형태로 보이는 현상으로, 암의 주요 지표가 될
수 있습니다.
2. 인공지능 기반 영상 판독의 필요성
영상의학 전문의는 수많은 판독 경험을 바탕으로 병변의 양성/악성
여부를 구분합니다.
하지만 영상 판독은 여전히 판독자 간 차이(inter-observer
variability)가 존재하고, 조기 암의 경우 미세 병변이 간과될 수 있습니다.
AI 딥러닝 모델은 다음과 같은 장점을 갖습니다.
1. 대규모 영상 데이터 학습을 통해 판독 정확도 향상
2. 미세 병변 자동 탐지로 조기 진단 가능성 증가
3. 판독자의 피로를 줄이고 보조
진단 도구로 활용 가능
3. 연구 방법론 요약
본 연구에서는 NIH 데이터베이스에서 유방촬영 영상을 수집하여 AI 딥러닝 기반으로 악성 가능성을 판정하였습니다.
1. 영상 전처리: 256×256 픽셀 JPEG 변환 후 이진화 및 에지
검출(Sobel 연산자) 수행
2. 특징 추출 (Feature Extraction): DCT(이산 코사인 변환, Discrete Cosine Transform)를 이용해 저주파 영역에서
형태학적 특징값 산출
3. 신경망 학습 (Neural Network
Training): 추출된 특징값을 입력으로 다층 신경망(MLP,
Multi-Layer Perceptron) 학습 수행
4. 유사도 판별: 양성/악성 및 형태학적 기본 패턴(Round, Oval,
Lobulated, Nodular, Stellate)과 비교
4. 연구 결과 및 임상적 해석
(그림 1) 유방 종괴 형태학적 스펙트럼: 원형, 타원형, 엽상형, 결절형, 방사상형 종괴는 각각 양성과 악성 가능성의 차이를 보여주며, 방사상형(Spiculated)은 높은 악성 연관성을 가짐.
(그림 2) 영상 분할과 에지 검출: 이진화 후 경계 검출을 통해 병변 영역을 강조. 잡음을 제거하고
병소 경계를 날카롭게 표현하여 AI 학습에 최적화.
(그림 3) 신경망 구조 다이어그램:입력층–은닉층–출력층으로 구성된 다층 퍼셉트론 모델이 영상 특징을 학습하여 판별 수행.
(표 1) AI 판독 결과 요약
|
영상 번호 |
판독 결과 |
유사도(R 값) |
임상적 의미 |
|
Img_1 |
Stellate |
0.9874 |
악성 가능성 매우 높음 |
|
Img_2 |
Nodular |
0.9246 |
악성 의심 |
|
Img_3 |
Stellate |
0.9781 |
악성 |
|
Img_6 |
Round |
0.9261 |
양성 가능성 |
|
Img_7 |
Nodular |
0.9094 |
잠재적 전환 가능성 |
|
Img_10 |
Stellate |
0.9747 |
악성 |
총 10개의 영상 중 6개는
악성, 2개는 양성, 2개는 전환 가능성이 있는 병변으로
분석됨.
5. 임상 적용과 향후 전망
AI 기반 디지털 유방촬영 분석은 다음과 같은 임상적 가치를 지닙니다.
- 조기 발견 강화: 미세
병변 탐지 정확도 향상
- 판독 신뢰성 확보: 영상의학
전문의의 주관적 오류 보완
- 개인 맞춤형 정밀의료(Precision
Medicine):
환자 개별 데이터와 결합 시 치료 전략 최적화
향후 발전 방향은 다음과 같습니다.
1. 대규모 임상 데이터 학습으로 AI의 일반화 성능 강화
2. 병리학, 유전체 데이터 융합을 통한 Radiomics 확장
3. 실시간 클라우드 기반 판독 시스템 개발로 임상 적용 확대
결론
AI 딥러닝을 활용한 디지털 유방촬영 영상 분석은 조기 암 발견과 진단 정확도를 높이는 데 크게 기여할 수 있습니다.
다만, 현재 단계에서는 영상학적 정보만으로 한계가 있으므로, 병리학적 요소와 전문의의 해석을 결합해야 합니다.
향후 임상 데이터 축적과 알고리즘 고도화가 이루어진다면, 유방암
조기 진단 분야에서 AI가 핵심 역할을 할 것으로 기대됩니다.
참고문헌
[1] C. K. Kuhl, R. K. Schmutzler, et al.,
"Breast MR Imaging Screening in 192 Women Proved or Suspected to Be
Carriers of a Breast Cancer Susceptibility Gene: Preliminary
Results," Radiology, vol. 215, no. 1, pp. 267-279, 2000.
[2] M. A. Helvie, "Digital Mammography Imaging: Breast Tomosynthesis and
Advanced Applications," Radiol Clin North Am., vol. 48, no. 5,
pp. 917-929, 2010.
[3] D. Sankar and T. Thomas, "Fractal Features based on Differential Box
Counting Method for the Categorization of Digital Mammograms," IJCISIM,
vol. 2, pp. 11-19, 2010.
[4] A. Oliver, X. Lladó, et al., "False Positive Reduction in Mammographic
Mass Detection Using Local Binary Patterns," MICCAI 2007, pp.
286-293.
[5] L. M. Bruce and R. R. Adhami, "Classifying Mammographic Mass Shapes
Using the Wavelet Transform Modulus-Maxima Method," IEEE Trans.
Med. Imaging, vol. 18, no. 12, pp. 1170-1177, 1999.
[6] K. Bhargavi, "A Survey on Threshold Based Segmentation Technique in
Image Processing," IJIRD, vol. 3, no. 12, pp. 234-239, 2014.
[7] G. Litjens, T. Kooi, B. E. Bejnordi, et al., "A Survey on Deep
Learning in Medical Image Analysis," Medical Image Analysis,
vol. 42, pp. 60-88, 2017.
댓글
댓글 쓰기