KR20210095483A - Ct 영상을 이용한 인공지능 기반 측두하악관절염 진단 기술 - Google Patents

Abstract

CT 영상을 이용한 인공지능 기반 측두하악관절염 진단 기술이 개시된다.

Description

CT 영상을 이용한 인공지능 기반 측두하악관절염 진단 기술{DIAGNOSIS SYSTEM FOR TEMPOROMANDIBULAR JOINT ARTHRITIS BASED ON ARTIFICIAL INTELLIGENCE WITH COMPUTED TOMOGRAPHY IMAGES}

아래 실시예들은 의료 영상 자동 진단 기술에 관한 것이며, 보다 상세하게는 CT 영상을 이용한 인공지능 기반 측두하악관절염 진단 기술에 관한 것이다.

CT 영상을 이용한 측두하악관절염 자동 진단 기술은 이제까지 거의 없는 실정이다. 단, CT 영상을 이용한 일반적인 자동 진단 인공지능으로 Single Shot Detection(SSD)가 있다. SSD는 인식하고자 하는 물체 색상이 주변 색상과 크게 다르지 않을 때 성능이 떨어지는 Open CV와 정확성은 높지만 효율성은 낮은 Faster RCNN의 단점을 보완한 자동 진단 인공지능으로서 매우 비용 효과적이라고 할 수 있다.

또한, 고성능의 자동 진단 인공지능 기술을 개발하기 위해서는 올바른 진단 기준을 제시하고 양질의 대용량 자료를 구축하는 것이 매우 중요한데 측두하악관절염과 관련해서 이러한 사례가 거의 없는 실정이다. 뛰어난 제자가 뛰어난 스승이 제시하는 올바른 기준과 양질의 대용량 자료를 통해 훈련되고 성장하듯 고성능의 인공지능도 전문의가 제시하는 올바른 기준과 양질의 대용량 자료를 통해 훈련되고 개선되는데 측두하악관절염과 관련해서 이러한 시도가 거의 없는 실정이다.

일 실시예에 따른 CT 영상을 이용한 인공지능 기반 측두하악관절염 진단 기술을 개시할 수 있다.

일 실시예에 따르면 CT 영상을 이용해서 측두하악관절염을 진단하는 경우 영상이 분할되는 (Image Slicing) 각도, 병변이 분명한 정도, 질환이 심각한 정도, 과두의 형태와 형질 등 여러 기준을 고려할 수 있는데 이와 관련해서 올바른 진단 기준을 제시하고 양질의 대용량 자료를 구축해서 고성능의 자동 진단 인공지능 기술을 개발한 사례는 거의 없었음. 이에 본 발명은 측두하악관절염 관련 올바른 진단 기준을 제시하고 양질의 대용량 자료를 구축하는 전략을 도출함과 동시에 고성능의 자동 진단 인공지능 기술을 개발할 수 있다.

일 실시예에 따르면 CT촬영한 후 생성된 영상을 모델을 통해 처리하여 시상면 영상(sagittal image)을 생성한 후 인공지능 기반의 모델을 이용하여 측두하악관절염과 관련된 관심 부위를 자동으로 표시하고, 측두하악관절염의 스테이지(subtype)를 분류할 수 있다.

일 실시예에 따르면 측두하악관절염 진단 기준의 고도화할 수 있다.

일 실시예에 따르면 측두하악관절염 진단의 정확성 및 효율성 향상시킬 수 있다.

일 실시예에 따르면 측두하악관절염 조기 발견으로 인한 의료비 감소 및 생산성을 향상시킬 수 있다.

일 실시예에 따르면 측두하악관절염 환자의 삶의 질 향상할 수 있고, 오진을 예방할 수 있고, 진료 시간을 단축할 수 있다.

일 실시예에 따르면 정밀의학 발전을 위한 원천기술 확보할 수 있다.

도 1은 일 실시예에 인공지능의 정확도를 설명하기 위한 그래프를 도시한 도면이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 발명은 측두하악관절염을 진단하는 기준을 고도화하기 위한 전략 및 결과를 제공할 수 있고, CT 영상을 이용한 인공지능 기반의 측두하악관절염 진단 기술을 제공할 수 있다.

본 발명에서 이용되는 CT 영상은 CBCT(cone beam CT) 영상일 수 있다. CBCT 영상은 저선량으로 골격 위주로 관찰할 때 촬영하는 영상으로, 골격 위주라 연조직은 잘 안보이는 경향이 있다. CT촬영한 후 생성된 영상을 모델을 통해 처리하여 시상면 영상(sagittal image)을 생성한 후 인공지능 기반의 모델을 이용하여 측두하악관절염과 관련된 관심 부위를 자동으로 표시하고, 측두하악관절염의 스테이지(subtype)를 분류할 수 있다.

CBCT 영상은 CT 영상에 비해 낮은 방사선 노출량으로 골조직을 효율적으로 관찰하는데 이용될 수 있다. 측두하악관절염을 진단하는 방법은 다음과 같은 순서로 수행될 수 있다.

1. 새로운 측두하악관절염 진단 기준 설립한다. Definite (병변이 분명함), Indefinite (병변이 분명하지 않음), Normal (병변이 존재하지 않음).

2. 인공지능 훈련에 사용될 Sagittal 단면 영상을 얻은 뒤 상기 진단 기준에 따라 관심 영역(Rogion of Interest) 및 진단 결과 자료 구축한다.

3. 상기 영상으로 인공지능(SSD Single Shot Detection)을 훈련시키고 인공지능 훈련에 사용되지 않은 영상 150장으로 인공지능의 정확성을 측정한다.

4. 상기 과정에서 인공지능이 특정 영상을 잘못 인식한 원인을 분석하고 특히 (전문의/인공지능이 실수하기 쉬운) Indefinite 범주를 보다 정확하게 인식하는 전략을 수립한다.(Indefinite처럼 인공지능이 실수하기 쉬운 범주를 설정해서 인공지능의 성능을 효과적으로 향상시키는 전략은 인공지능 기반 반도체 공정 개선 전략에 종종 사용되는 전략임)

6. 인공지능의 오차(Valid Loss)가 1보다 낮아지고 정확성이 80%보다 높아질 때가지 과정 2, 3, 4를 반복한다.(최종 훈련 영상 수 3514, 최종 훈련 주기 (Epoch) 수 10700, 최종 인공지능 오차 0.84, 최종 인공지능 정확성 84%)

<진단 방법>

본 연구는 고려 대학교 안암 병원 기관 심사위원회 (IRB1900000)의 승인을 받았다. TMD로 진단된 환자의 CBCT 이미지가 이미지 준비를 위해 포함되었다. 방향을 바꾼 후, 하악골의 시상 이미지를 3 명의 치과 의사 (YK, NJ, HK)가 검사하고, 뼈의 변화가 관찰된 관절에 대해 이미지를 포착했다.

SSD (Single Shot Detection)는 예측된 상자의 출력 공간을 기능 맵 위치마다 다른 비율과 배율로 기본 상자 세트로 분리한다. 다시 말해, SSD는 제안서 생성 단계 및 기능 리샘플링(최신 R-CNN이 필요로하는)을 요구하지 않는다. 이러한 이유로 SSD는 Faster R-CNN보다 빠르고 정확하다고 보고되었다. 실제로 SSD는 질병 분류를 위한 CNN (Convolutional Neural Network)과 비교할 때 중요한 이점이 있다. CNN은 단일 질병만 분류한다. 즉, 특정 범주에 속하는지 여부를 테스트한다(예 : TMJ (temporomandibular joint) 관절염 대 정상). 관심 영역 (예 : 병변 위치)에 대한 추가 정보를 제공하지 않습니다. 반대로 SSD 출력은 다양한 질병의 유형뿐만 아니라 병변의 위치도 포함하므로 임상의가 진단 기준을 개선하는 데 도움이 된다. 예를 들어, 임상의는 SSD를 사용하여 Condyle의 모양과 질감을 기반으로 TMJ 관절염에 대한 진단 표준을 만들고 세분화할 수 있다.

이 연구에서 SSD 모델은 3514 개 이미지로 구성된 훈련 세트를 기반으로 구축 (또는 훈련)된 다음 150개 이미지 (50개 TMJOA, 50개 미결정 및 TMJOA에서는 50 미정, 50개 보통)로 검증 세트를 기반으로 검증되었다. 훈련 및 검증 세트의 생성은 한 치열 교정의 (YK)에 의해 수행되었다. 이 연구에서, 정도가 심각하지 않거나 TMJ 관절염에 대한 범주가 충분하지 않은 경우가 초기 인 것으로 간주되었다. 토론에서 언급한 바와 같이, 이니셜 범주는 질병의 정도와 확실성의 다양한 조합뿐만 아니라 군단과 주변 지역의 모양과 질감에 따라 여러 하위 범주로 나눌 수 있다.

정확도, 정밀도 및 리콜이 모델의 성능 측정으로 사용되었다. 여기서 정확도는 150 가지 경우 중 올바른 예측의 비율로 정의된다. 정밀도는 진양성에 대한 비율 (진 양성 + 위양성)을 의미하고, 리콜은 진양성에 대한 비율 (진 양성 + 위음성)을 나타낸다. 예를 들어, 정밀도는 예측된 TMJ 장애 중 실제 TMJ 장애의 비율을 의미하는 반면, 리콜은 실제 TMJ 장애 중 예측된 TMJ 장애의 비율을 나타낸다. 이 측정 값은 IOU (교차점 교차)의 두 임계 값, 즉 0.45 및 0.55에 대해 계산되었다. 여기서 IOU는 이미지에 대해 예측된 상자와 실제 상자의 합집합에 대한 중첩 비율로 정의된다. 예를 들어 IOU 임계 값을 0.45로 설정하면 IOU가 0.45 이상인 예측 상자 만 표시된다. 2019 년 11 월 Python 3.52 및 GeForce GTX1080 Ti D5X 11GB (Graphics Processing Unit Server)가 분석에 사용되었다.

<실험 결과>

10700의 훈련 기간 동안 모델의 유효한 손실은 114.87에서 0.83으로 급격히 감소했다(도 1). 여기서 모델의 학습률은 첫 450 epoch 동안 0.00001, 이후 epoch 동안 0.0001로 설정되었다. 표 1은 모델의 혼동 행렬로, 유효성 검사 세트에서 150 개의 이미지에 대해 예측된 클래스와 실제 클래스를 비교한다. 혼란 매트릭스는 IOU 임계 값 (0.45, 0.55)과 관련하여 거의 변하지 않았다. 모델의 정확성, 정밀도 및 리콜은 표 2에 나와 있다. 성능 측정 값은 IOU 임계 값 (0.45, 0.55)과 관련하여 거의 변경되지 않았다. IOU 임계 값 0.45 및 0.55의 정확도는 각각 0.85 및 0.84이다. 0.45 및 0.55의 IOU 역치에 대한 정밀도는 TMJ 관절염 부류에 대해 0.79 및 0.77; 보통 등급의 경우 0.87 및 0.87; 두 등급의 평균은 각각 0.83과 0.82이다. 마찬가지로, 0.45 및 0.55의 IOU 임계 값에 대한 리콜은 TMJ 관절염 클래스에 대해 0.74 및 0.74; Normal 클래스의 경우 0.90 및 0.89; 두 등급의 평균은 각각 0.82와 0.82).

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (1)

1. CT 영상을 이용한 인공지능 기반 측두하악관절염 진단 기술.

Images