Whole Spine X-ray 영상에서 척추 영역분할 자동화를 위한 인공지능 알고리즘 적용 및 성능 개선에 관한 연구 = Research on application and performance improvement of artificial intelligence algorithm for automating spine segmentation in whole spine X-ray images

국문 초록 (Abstract)

척추측만증을 진단하는 방법으로 Whole Spine X-ray 영상에서 Cobb's angle을 측정하는 방법이 대표적으로 사용되고 있다. Cobb's angle 측정을 위해서는 정확한 척추 식별이 중요하지만 척추 식별이 어렵다는 문제가 있다. 이로 인한 Cobb's angle의 수동적인 측정은 측정자의 주관적인 개입을 포함하기 때문에 편향을 유도하여 척추측만증의 진단과 평가에 영향을 미칠 수 있다. 따라서 척추 형태분석 기법을 통한 새로운 척추측만증 진단 방법이 개발되어야 하고 형태분석을 위해서는 척추의 정확한 모양 및 윤곽을 파악하기 위한 척추 영역분할이 선행되어야 하며 이를 위해서는 인공지능을 활용해야 한다. 하지만 인공지능 영역분할 알고리즘은 학습 시간이 길다는 단점이 있다. 이에 본 연구는 Whole Spine X-ray 영상에서 척추 검출 정확도가 높은 기존의 인공지능 영역분할 알고리즘들 중에서 기준이 되는 알고리즘을 선정한 후 네트워크 구조를 개선하여 정확도를 향상시키고 학습시간을 단축하고자 하였다. 연구 방법으로 Whole Spine X-ray AP 영상 1204장, LAT 영상 500장을 DICOM 파일로 획득하였고, DICOM 파일을 무 손실 압축파일 PNG 형태로 변환 후, 경추 5번부터 요추 5번까지 라벨링 하였다. 이후, 라벨링 데이터를 Zero-Padding하여 512x512 크기로 변환하였다. 알고리즘 선정을 위해 영역분할에 대표적으로 사용되는 U-Net, DeepLabV3+, HR-Net을 선정하였으며 정확도가 가장 높았던 HR-Net 알고리즘의 네트워크를 경량화하였고 블록 구조 변경을 통한 추가적인 성능 향상 작업을 진행하였다. 연구 결과Proposed HR-Net은 기존의 HR-Net보다 AP 데이터 셋에서 3.0%, LAT 데이터 셋에서 1.5% 검출 정확도를 증가시켰다. 또한, 학습시간을 AP 데이터 셋에서 70.0%(162.2분), LAT 데이터 셋에서 68.4%(61.1분), 검출시간을 AP 데이터 셋에서 47.1%(5.0초), LAT 데이터 셋에서 42.5%(2.0초) 단축 시켰다. 최종적으로 척추측만증 진단에 활용되는 Whole Spine X-ray 영상에서 기존 영역분할 네트워크를 개선하여 정확도를 향상시키고 학습시간 및 검출시간을 단축시켰다. 이에 본 연구는 정확하고 빠르게 척추 마스크를 검출할 수 있는 영역분할 알고리즘 네트워크를 제안한다.

다국어 초록 (Multilingual Abstract)

The Cobb's angle measurement from Whole Spine X-rays is a prevalent method for diagnosing scoliosis. However, accurate spine identification remains challenging, potentially leading to subjective measurement and bias in Cobb's angle assessment, impacting scoliosis diagnosis. Therefore, a new diagnostic approach for scoliosis through spine morphology analysis is necessary. Precise spine segmentation is essential for morphology analysis, necessitating the use of AI. Yet, AI algorithms for segmentation have lengthy training periods. This study aimed to enhance accuracy and reduce training time by improving existing AI segmentation algorithms with high spine detection accuracy in Whole Spine X-rays. The methodology involved acquiring 1204 AP images and 500 LAT images in DICOM format, converting them losslessly to PNG, and labeling vertebrae from C5 to L5. Subsequently, labeling data was Zero-Padded and resized to 512x512. U-Net, DeepLabV3+, and HR-Net, common in segmentation, were selected for algorithm comparison. HR-Net, the most accurate, underwent network optimization and structural modifications for improved performance. Results showed that the Proposed HR-Net increased detection accuracy by 3.0% in AP and 1.5% in LAT datasets compared to the previous HR-Net. Furthermore, it reduced training time by 70.0% (162.2 mins) in AP and 68.4% (61.1 mins) in LAT datasets, and detection time by 47.1% (5.0 seconds) in AP and 42.5% (2.0 seconds) in LAT datasets. Ultimately, this study enhanced accuracy, reduced training and detection times in Whole Spine X-ray segmentation networks for scoliosis diagnosis, proposing an efficient segmentation algorithm network for rapid and accurate spine mask detection.

목차 (Table of Contents)

• 국문요지 = ⅰ
• 차례 = ⅲ
• Ⅰ. 서론 = 1
• Ⅱ. 이론적 배경 = 3
• 1. 척추측만증(Scoliosis) = 3
• 2. 척추측만증 진단 방법 = 5
• 2.1 Cobb’s angle = 5
• 2.2 Whole Spine X-ray = 8
• 3. 인공지능 = 15
• 3.1 인공지능(Artificial Intelligence, AI) = 15
• 3.2 머신 러닝(Machine Learning, ML) = 16
• 3.3 딥 러닝(Deep Learning, DL) = 17
• 3.4 의료 분야의 인공지능 = 19
• 4. 이미지 영역분할(Image Segmentation) = 20
• 4.1 전통적 이미지 영역분할 = 20
• 4.2 인공지능 이미지 영역분할 = 21
• 4.3 의료 분야의 이미지 영역분할 = 22
• 5. 영역분할 알고리즘(Segmentation Algorithm) = 23
• 5.1 U-Net = 23
• 5.2 DeepLabV3+ = 26
• 5.3 HR-Net = 29
• 6. SE Block = 32
• 6.1 Squeeze and Excitation Block, SE Block = 32
• 6.2 Global Average Pooling, GAP = 34
• 6.3 Fully Connected Layer, FC Layer = 36
• 6.4 Leaky Rectified Linear Unit, Leaky ReLU = 38
• 6.5 Sigmoid = 40
• Ⅲ. 재료 및 방법 = 42
• 1. 연구 재료 = 42
• 2. 연구 방법 = 44
• 2.1 IRB = 44
• 2.2 데이터 셋 획득 및 구성(Data Set) = 45
• 2.3 데이터 전처리(Pre-Processing) = 47
• 2.4 라벨링(Labeling) = 49
• 2.5 데이터 크기 변환(Zero-Padding) = 53
• 2.6 성능평가(Intersection over Union, IoU) = 56
• 2.7 영역분할 알고리즘 선정(Algorithm) = 58
• 2.8 HR-Net 경량화(3-Stage) = 58
• 2.9 HR-Net 블록 구조 변경(SE Block) = 60
• Ⅳ. 결과 = 62
• 1. AP Data Set = 62
• 1.1 U-Net = 62
• 1.2 DeepLabV3+ = 62
• 1.3 HR-Net = 62
• 1.4 Proposed HR-Net = 62
• 2. LAT Data Set = 64
• 2.1 U-Net = 64
• 2.2 DeepLabV3+ = 64
• 2.3 HR-Net = 64
• 2.4 Proposed HR-Net = 64
• Ⅴ. 고찰 = 66
• Ⅵ. 결론 = 83
• 참고문헌 = 84
• Abstract = 100