2.1 위 내시경 영상 수집(Data Base)

위 병변 컴퓨터 보조 진단 (CADx) 연구를 위하여 임상 시험 심사 위원회(IRB, Institutional Review Board)의 허가를 받은 3차 종합병원 위 내시경 영상을 사용하였다. 모든 영상은 소화기 내과 전문의 판단으로 검증되었다. 137개의 비정상 위내시경 이미지와 112개의 정상 내시경 이미지를 포함하는 총 249개의 이미지로 구성되어 있고, 총 10명 환자로부터 취득하였다. 이때 비정상 위내시경 이미지는 위암을 포함한 출혈, 궤양, 위유암종 등으로 구성되었다. 해당 연구를 위하여 취득한 데이터를 학습 집합과 테스트 집합으로 구성하였고, 정상 및 비정상 내시경 이미지는 다음 그림 2와 3과 같다. 해당 연구에서 사용된 내시경 기기는 올림푸스 HQ290이고 1080/60i로 촬영되었다. 취득한 병변 이미지의 수는 표 1과 같다. 위암의 궤양병변에서 출혈을 동반하 기 때문에 위출혈의 이미지의 수는 적었고 위염 또한 위궤양으로 발전하는 형태이기 때문에 위염의 갯수가 적은 것을 알 수가 있다.

2.2 위 내시경 이미지 분류 모델

본 연구에서는 이미지 분석에 특화가 된 합성곱 신경망인Convolutional Neural Network(CNN)을 사용한다. 다양한 합성곱 신경망 중 ImageNet 대회에서 좋은 결과를 보여 많이 사용되는 모델인 Inception 모듈 기반의 딥러닝 모델을 사용하여 분류를 진행하였다. 신경망은 망이 깊어질수록 성능이 좋아지지만 깊은 층을 쌓음으로써 몇 가지 문제가 발생한다. 대표적으로 오버피팅 문제와 Gradient vanishing 등의 문제를 들 수 있다. 이 문제를 해결하려면 망을 복잡하지 않게 연결하는 구조를 만들어야 된다. 또한 층이 깊어진 만큼 연산량도 많아지는 특징이 생겨 문제가 발생하는데 Inception 모듈은 이러한 문제를 해결한다. Inception 모듈은 이미지의 특징을 효율적으로 추출하기 위해 그림 4와 같이 1x1, 3x3, 5x5의 Convolution 연산을 3x3 Max pooling과 함께 수행한다. 하지만 연산량이 많기 때문에 각 부분마다 1x1 Convolution을 넣어 차원을 감소시키고 3x3과 5x5 Convolution을 통하여 확장하는 형태로 진행을 한다. 그렇기 때문에 연산의 양을 효율적으로 축소하는 효과가 있다. Inception 모델은 이러한 모듈을 9개를 붙여서 연산을 효과적으로 축소시켜 연산을 빠르게 하고 정확한 학습을 하게 만든다.

그림. 2. 정상 위 병변의 예

Fig. 2. Example of normal gastric images

그림. 3. 비정상 위 병변의 예

Fig. 3. Example of abnormal gastric images

본 논문에서 사용한 Inception 모듈 기반의 딥러닝 모델에서는 마지막 층 Fully Connected Layer에 Batch Normalization (BN)-auxiliary를 적용한 모델로서 이전 버전보다 성능이 향상된 모델이다. 딥러닝 모델 간에 성능을 비교할 때 “Top-5 error rate“를 지표로 성능을 측정한다. 이것은 모델이 가장 높은 확률로 예측한 5가지의 예측이 정답이 아닌 빈도를 검토하는 퍼센트를 표현한 것이다. 본 논문에서 사용한 Inception 모듈 기반의 딥러닝 모델의 버전인 Inception-V3는 Top-5 Error가 3.58%로 높은 성능을 보여주는 모델로 분류학습을 진행을 하였다⁽¹¹⁾.

그림 5는 해당 연구에서 학습과 테스트를 진행하는 순서를 구성한 순서도이다. 학습 데이터는 500장으로 총 구성이 되어있다, 그림 6과 같이 학습 집합 이미지인 125장을 90°, 180°, 270°회전을 한 이미지를 포함하여 학습 데이터를 구성하였다. 의료 데이터의 특성상 많은 데이터 확보가 어려워 회전을 통해 데이터의 양을 늘려 학습을 진행하였다. 데이터가 부족한 상태에서 학습을 할 경우 학습 모델이 학습 데이터에 특화되어 오버피팅(overfitting)이 생기거나 제대로 된 학습이 이뤄지지 않는다. 따라서 데이터의 양을 증가시켜 오버피팅을 방지하거나 제대로 학습을 진행하여 성능을 향상시킬 수가 있다. 구성된 딥러닝 모델에 Abnormal과 Normal로 나누어 학습을 진행을 하고 테스트 집합으로 구성된 124장의 이미지로 분류작업을 진행하였다. 학습된 모델을 기반으로 추론(inference)한 값으로 Normal, Abnormal state 중에서 상대적으로 높은 추정치를 가진 클래스로 분류를 하였다. Az값은 ROC(Receiver Operating Characteristic) curve의 면적으로 민감도와 특이도를 사용하여 정확도를 평가한다. 따라서 본 논문에서는 구성한 컴퓨터 보조 진단 시스템의 성능은 Az값을 측정하여 평가를 하였다.

그림. 4. Inception-V3에서 사용되는 Inception 모듈

Fig. 4. Inception module used in Inception-V3

그림. 5. 본 연구의 사용한 Deep CNN 순서도

Fig. 5. Deep CNN flowchart

그림. 6. 학습 데이터 증가를 위한 이미지 회전

Fig. 6. Image rotation for training data augmentation