DGIST 로봇및기계전자공학과 박상현 교수(왼쪽), 강명균 박사과정생/사진=DGIST
이 기술은 의료영상이 서로 다른 스캐너나 다른 환경에서 취득되더라도 성능이 저하되지 않고 정확한 분석이 가능하다. 특히 영상의 특성이 바뀔 때마다 새롭게 학습데이터를 구축하고 레이블을 제작했던 기존 방식보다 시간, 비용이 절감돼 의료 분야에 상당한 기여를 할 것으로 보인다.
또 CT와 MRI 등 다중 모달리티(여러 유형의 정보나 데이터) 영상을 취득하기 어려운 경우에도 CT 영상으로부터 MRI로 변환한 데이터셋을 생성해 더 정확한 분석을 할 수 있다.
이에 따라 의료영상의 정확한 분석을 위해서는 성능저하 방지 및 구조적 변형 최소화를 위한 기술 개발이 필요하다.
박 교수팀은 이미지 변환 작업을 진행할 때 '상호 정보 오류함수'를 활용, 이미지 구조변형을 최소화할 수 있는 기술을 개발했다. 상호 정보 오류함수는 작은 구조의 변형도 민감하게 잡아낼 수 있고, 이를 활용해 작은 구조적 변형도 막는 이미지 변환을 가능케 한다.
이 시각 인기 뉴스
연구팀이 개발한 기술은 의료영상 이미지의 구조 정보와 새로운 도메인의 이미지에서 질감 정보를 추출하고, '판별자 오류함수(실제 이미지와 생성된 이미지를 구별하는 판별자를 사용해 오류를 계산하는 것)'를 활용해 사실적인 이미지를 생성한다.
그리고 새로운 도메인의 질감 정보를 유지하면서 구조변형이 적은 이미지를 생성하기 위해 '질감 동시 발생 오류함수', '상호 정보 오류함수' 등을 활용한다.
개발한 기술을 이용하면 새로운 도메인의 이미지를 생성할 수 있고, 이렇게 생성된 이미지들을 함께 이용해 딥러닝 모델을 학습하면 도메인 적응이 가능해진다.
연구팀은 해당 기술을 활용해 여러 기관에서 수집한 안저(안구 속의 뒷부분) 영상, 전립선 MRI, 심장 CT와 MRI 영역화를 위해 서로 다른 모달리티 이미지를 각각 반대로 생성하게 해 도메인 적응을 수행했다. 그 결과 해당 기술을 통해 구조를 유지하면서 모달리티가 다른 이미지를 잘 생성할 수 있음을 확인했다. 또 기존의 도메인 적응 및 이미지 변환 기법과 비교했을 때 보다 우수한 성능을 나타낸다는 것을 확인했다.
박 교수는 "이번 연구를 통해 의료 분야에서 도메인이 바뀔 때마다 새롭게 인공지능 모델을 학습하는 데 드는 시간과 비용을 획기적으로 줄일 수 있는 기술을 개발했다"며 "해당 기술이 여러 의료현장에서 범용적으로 활용가능한 진단소프트웨어 개발에 크게 기여할 것으로 기대한다"고 말했다.
[머니투데이 스타트업 미디어 플랫폼 '유니콘팩토리']