이영섭
(Yeongseop Lee)
1iD
강태신
(Taeseen Kang)
2iD
한용섭
(Yongseop Han)
3iD
김진현
(Jinhyun Kim)
4iD
김경훈
(Kyong Hoon Kim)
5iD
이성진
(Seongjin Lee)
†iD
-
(Dept. of Informatics, Gyeongsang National University, Korea.)
-
(Dept of Ophthalmology, Gyeongsang National University, Changwon Hospital, Changwon,
Korea.)
-
(Dept of Ophthalmology, College of Medicine, Gyeongsang National University, Jinju,
Korea. )
-
(Dept of Information and Communication Engineering, Gyeongsang University, Korea.)
-
(School of Computer Science and Engineering, Kyungpook National University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
SD-OCT, Computer Vision, Anterior Chamber, Cell Count
1. 서 론
포도막염에서 전안부(AC, anterior chamber)의 염증 정도를 기록하고 관리하기 위해 슬릿 램프 검사가 표준으로 사용되고 있다 (1). 1x1mm의 광원을 비추고 전방에서 보이는 세포를 안과의가 개수하여 표준화된 명명법(SUN, standardization of uveitis nomenclature)에
따라 0에서 4+ 까지 6단계로 등급을 나눈다 (2). 표 1에 세포 수에 따른 등급을 나타내었다. 표 1의 등급 기준은 표준 등급으로서, 염증의 정도를 판단 및 비교하는 데 사용한다. 명명법에 따라 계산된 AC 염증의 등급은 눈 염증성 질환을 앓는 환자를
진단, 분류 및 시간에 따라 질환의 경과를 추적하는 데 중요하다.
기존의 AC-OCT 이미지의 세포 수 정량화 기법은 육안 관찰에 의한 것으로 고도로 훈련된 전문가만 가능한 방법이기 때문에 장기간의 훈련과 인적 물적
자원이 지원되어야 가능하다. 관찰자의 숙련도와 경험 그리고 주관적 판단에 따라 세포 수 측정이 상이할 수 있다. 세포의 수가 많아지면 관찰자의 실수가
진단 결과에 반영될 수 있다. 최종 진단은 등급으로 표현되기 때문에 세밀한 관찰이 무의미하거나 정확한 측정이 불가능하다는 단점이 있다. 이러한 측정방식의
한계로 인해 심한 염증이 있는 경우 증상이 호전되더라도 4+ 단계로 평가된다는 한계가 있다. 따라서 SUN 단계로는 치료 경과를 객관적으로 평가하거나
정확히 정량화할 수 없다.
질병 진행 정도의 추적과 치료에 따른 환자의 상태 경과를 추적하는데 관찰자의 정량화 과정에만 의존하기 때문에 관찰자의 실수는 진단에 큰 영향을 미칠
수 있다. 그러므로 AC-OCT 촬영 이미지를 분석하여 세포 수를 정확히 정량화하는 기법의 개발은 매우 중요하다. 이처럼 관찰자에 의존하는 측정 과정에서
생기는 오류를 방지하기 위해 컴퓨터 비전 시스템을 활용하여 AC-OCT 촬영 이미지의 세포 수를 측정하는 연구가 진행되었다 (3-7).
임상에서 활발히 사용되고 있는 OCT 장비는 안구 조직에 일정 파장의 빛을 비추어 반사된 빛의 지연과 간섭의 정도를 측정하여 조직 내부의 단면을 고해상도로
관찰하는 장치이다. OCT 장비는 신호 측정 및 해석 방식에 따라 구분된다. 시간 영역에서 신호를 해석하는 TD-OCT (time-domain OCT)
(5), 스펙트럼을 측정하는 SD-OCT (spectral domain OCT) (3)로 구분된다. SD-OCT 장비를 사용한 연구 (3)의 경우 완전 자동화된 기법이 아니며 image-pro plus로 수동으로 변환작업을 해야 하는 반자동화 기법이다. 또한 외부 프로그램에 의존하는
특성상 확장성이 떨어진다는 단점이 있다.
본 연구는 SD-OCT로 얻은 AC-OCT 촬영 이미지의 세포 수를 정량화하며 관측자에 의존한 측정방식과 6단계 등급 계산 방식을 개선하는 AC-OCT
세포 정량화 기법을 제안한다. 제안한 기법은 사진마다 각막 외부 영역을 구분하여 촬영 단계에서 생성된 전기적 노이즈 영역을 분리한다. 분리된 영역에서
임계 값을 찾아 이미지 전체 노이즈를 제거하는 적응형 노이즈 제거 기법을 사용하였다. 컴퓨터 비전 라이브러리인 openCV를 사용해 SD-OCT로
관측된 AC 내에 존재하는 세포 개수를 정량화한다. 안과의의 진단과 질환의 치료 경과를 보조하기 위해 셀의 둘레와 넓이 통계치를 제공하는 시스템을
제안한다. 본 연구의 주요 기여는 다음과 같다.
∙ SD-OCT 장비를 사용한 전안방 촬영 이미지에서 세포 개수를 위한 자동화 알고리즘
∙ 각막 외부의 노이즈영역을 사용한 각막 내부의 노이즈제거 방식
∙ 전 안방 세포 개수 자동화를 위한 최초의 독립적인 도구
표 1. 포도막염에 대한 포도막염 명명법 (SUN) 척도의 표준화
Table 1. SUN scales for uveitis
|
Grade
|
Number of AC cells
|
|
0
|
<1
|
|
0.5+
|
1 - 5
|
|
1+
|
6 - 15
|
|
2+
|
16 - 25
|
|
3+
|
26 - 50
|
|
4+
|
>50
|
그림. 1. AC-OCT 이미지 구조
Fig. 1. AC-OCT image structure
2장은 배경으로, 연구에 사용한 OCT 장비 및 실험에 사용하는 AC-OCT 이미지에 관해 설명한다. 3장에서는 기존 OCT 이미지를 사용한 연구를
설명한다. 4장에서는 제안하는 자동화 세포 정량화 알고리즘과 정량화 도구의 구조를 설명한다. 5장에서는 세포 수 정량화를 위한 자동화 알고리즘 기법을
단계별로 설명한다. 6장에서는 실험데이터를 사용해 관측자와 자동화 알고리즘의 정확도를 분석한다. 그리고, 7장에서 논문의 결론을 제시한다.
2. BACKGROUND
2.1 OCT 장비
OCT는 비침습식 영상 기법으로 백색광 간섭계로부터 얻은 신호를 분석하여 고해상도로 재구성한다. OCT는 신호 측정 방식에 따라 3가지로 구분한다.
촬영된 이미지를 시간 영역에서 해석하는 TD-OCT, 스펙트럼을 측정하는 SD-OCT로 나뉜다 (8).
기계적으로 조작되는 거울을 사용하는 TD-OCT는 기계적 조작부로 인해 속도가 느리며 안정도가 낮은 단점이 있다. TD-OCT의 단점을 극복하기 위해
획득한 영상정보를 푸리에 변환을 통해 주파수 성분으로 분해하여 분석하는 SD-OCT가 개발되었다. 거울을 조작하는 기계적인 움직임이 없기 때문에 SD-OCT는
스캔 속도와 안정성이 높은 장점이 있다. SD-OCT는 기존 TD-OCT보다 고해상도 영상과 3차원 영상을 제공한다는 장점 때문에 최근엔 SD-OCT
장비가 주로 사용되고 있다. OCT의 대표적인 적용 분야는 안과이다. OCT의 비침습적 특정을 사용해 망막과 각막을 비롯한 다양한 안구 질환의 진단
및 임상 연구에 적용되고 있다.
2.2 AC-OCT 이미지 구조
촬영하는 안구 부위에 따라 OCT 이미지는 다양한 분야에서 활용된다. 본 연구에서 사용하는 AC-OCT 이미지는 안구 전반부인 anterior chamber를
촬영한 것을 말한다. 실험에 사용한 AC-OCT 이미지는 그림 1과 간다. AC-OCT 이미지는 각막(cornea) 외부의 전기적 노이즈, 각막, 각각 내부의 인공물(artifact) 및 세포로 구성된다.
OCT 이미지의 시그널은 반사 강도가 높을수록 따뜻한 색깔(흰색), 신호가 낮을수록 차가운 색깔(검은색)을 띠고 있다. 각막은 그림 1에서 원형으로 되어있는 높은 시그널의 반구 형태이다. 노이즈는 각막 내외부 모든 영역에서 나타난다. 영상에 따라 노이즈의 분포는 다르지만 약 1-50
사이의 낮은 시그널을 갖고 있다. 인공물은 촬영 조건에 따라 다양한 방식으로 나타나며 주로 렌즈 플레어와 눈썹 등의 형태로 나타난다. 세포는 각막
내부에 분포하고 있으며 OCT 장비를 통해 관측 가능한 세포는 단핵구(monocyte, 15-30µm), 림프구(lymphocyte, 7-8µm),
호중성 과립구(neutrophil granulocyte, 10-12µm), 적혈구(red blood cells 6.2-8.2µm)등이 있다. 세포는
종류에 따라 6에서 30µm로 크기가 다양하다.
AC 내부는 전기적 노이즈 및 촬영에서 발생한 인공물이 혼재되어 있기 때문에 숙련된 관찰자가 관측한다더라도 부정확하게 측정될 수 있다. AC-OCT
이미지의 세포를 정량화하기 위해서는 AC-OCT 내의 노이즈와 인공물 그리고 세포를 정확히 구분할 수 있어야 한다.
3. RELATED WORK
OCT 이미지를 영상 처리하여 경과 분석의 보조자료로 활용하는 연구는 비교적 최근에 적용되고 있다. 크게 컴퓨터 비전, 신경망, 영상처리 등을 활용하는
자동 세포 개수 정량화 기법들이 있으며 (4-10), 외부 영상 편집 도구를 활용하는 기법 (3)이 있다.
Li et al. (4)은 혈관신생 진행도를 추적하기 위해 top-hat 필터 및 optimally oriented flux 알고리즘을 기반으로 혈관 OCT 이미지를 자동으로
분할 및 정량화를 자동화하였다.
신경망을 활용한 연구도 있다. Pekala et al. (5)는 막막 OCT 이미지의 층 분할을 위해 합성곱 신경망(CNN)을 사용해 자동으로 망막 층을 분할하는 기법을 제안하였다. Semantic Segmentation을
위해 스킵 연결을 광범위로 사용한 DenseNet을 활용했다.
Agarwal et al. (6)은 2008년 최초로 OCT를 이용해 자동화된 방법으로 AC-OCT 이미지를 정량화 하려 시도하였으며, 각막부종이 있어도 효과적으로 세포를 정량화
할 수 있음을 보여주었다. 이후 Igbre et al. (7)은 AC-OCT 이미지의 반사 스폿(hyperreflective spots) 개수를 측정하는 것으로 유의하게 anterior chamber 세포 수를
측정 할 수 있음을 보였다. Li et al. (8)은 노이즈와 세포를 구분하기 위한 임계 값을 외부 노이즈 평균에 2배의 표준편차를 더하여 계산하여 노이즈를 처리하고, 크기가 2 pixel 이상을
세포로 정의했다.
Choi et al. (9)은 SS-OCT(Swept-Source OCT)를 사용해 설치류 눈에 발생한 포도막염을 자동으로 정량화하였다. SS-OCT 이미지에서 반점 제거,
이진화, AC 외부 객체 제거, 정량화 과정을 거쳐 얻은 3D AC OCT 이미지를 사용해 자동으로 세포 수를 정량화하였다. Agarwal et al.
(10)은 픽셀 기반 후보 객체 추출 알고리즘을 사용해 TD-OCT 장비를 사용해 자동으로 AC OCT 이미지에 존재하는 세포를 자동으로 정량화하였다. 결과
관측자에 의한 정량화와 계산된 세포 수의 차이가 1에서 3등급은 4개에서 13개며, 4등급의 경우 최대 400개 정도로 4등급을 제외하고 수동으로
관측하는 것과 자동으로 계산된 정량화 방법 간 평균값에는 큰 차이가 없었다.
Sharma et al. (3)은 image-pro plus의 필터를 사용해 각막을 매끄럽게 하고 세포를 제거하였으며, 푸리에 변환을 사용하여 스펙트럼 영역에서 분할하여 크기가
3에서 50까지의 pixel을 세포로 정의여 정량화하였다. 이 연구는 SD-OCT에서 얻은 AC-OCT 이미지의 세포를 정량화하여 기존 명명법의 한계와
자동화 알고리즘을 통한 AC-OCT 이미지 세포 정량화의 가능성을 보였다. 하지만, 정량화 도구의 기법이 image-pro plus에 의존적이며 완전
자동화가 불가능하기 때문에 도구로서의 확장성이 떨어지고 지속적인 질병 진행을 추적하기 어렵다는 단점을 가지고 있다.
그림. 2. 자동화 알고리즘 엔진 흐름도
Fig. 2. Automation algorithm engine flow diagram
본 연구는 SD-OCT를 활용하며, AC-OCT 이미지 분석 및 질환 경과를 추적하기 위해 외부 노이즈의 히스토그램을 사용해 노이즈를 제거하고 이미지를
분할하여 AC 내부 세포 수를 정량화하는 자동화 알고리즘 및 분석 도구를 제안한다.
4. 기법 구조 설계
4.1 작업 프레임워크
작업 프레임워크는 Heidelberg Eye Explore (HEYEX) 프로그램을 기반으로 SD-OCT 이미지를 시각화한다. 프로그램에서 얻은 데이터를
AC-OCT 이미지 내부 세포를 정량화하는 자동화 알고리즘 엔진과 엔진을 사용해 GUI 형태로 이미지의 통계정보와 시각화를 진행하는 응용프로그램으로
나누어진다. 데이터 수집 자동화를 위해 Python 스크립트를 작성하였으며, PyAutoGUI 및 Win32api를 사용해 수집한다.
세포 정량화를 위해 사용된 자동화 알고리즘은 1. 노이즈 제거 2. 이미지 분할 및 제거 3. 정량화 및 시각화의 3가지 단계로 나누어진다. 모든
단계는 이미지 단위에서 진행하며 자동화 알고리즘의 상세한 설명은 5장에서 설명한다.
4.2 UI 설계
세포 수 정량화 도구는 Qt 프레임워크를 사용해 자동화 알고리즘을 포함하는 응용프로그램으로 제작하였다. 정량화 알고리즘을 내장하여 입력한 개별 이미지에
대해 정량화 결과와 인식한 세포를 강조한다. 세포 수 데이터와 인식된 세포는 둘레와 넓이를 측정하며, 각 이미지에 대한 세포의 통계정보를 계산한다.
계산된 데이터는 GUI를 통해 각각 이미지, 그래프 그리고 통계정보로 표현된다.
정량화 도구의 형상은 그림 4와 같다. 프로그램 GUI 구성은 좌측의 저장된 AC-OCT 이미지를 불러와 리스트로 표현하는 영역, 중앙 하단의 원본 이미지 및 상단의 세포를 시각화한
이미지 영역, 정량화된 세포 개수 및 통계적 정보를 보여주는 영역으로 구성되어 있다.
그림. 3. 세포 정량화 프로그램 시스템 다이어그램
Fig. 3. Cell quantization program system diagram
그림. 4. AC-OCT 세포 정량화 프로그램
Fig. 4. AC-OCT cell quantization program
그림. 5. 노이즈 영역 히스토그램
Fig. 5. Noise area histogram
그림. 6. AC-OCT 이미지 히스토그램
Fig. 6. Histogram of AC-OCT image
그림. 7. AC-OCT 이미지 세포 정량화 시각화: (A) 원본, (B) 노이즈 제거, (C) 이미지 분발 및 제거 , (D) 정량화 및 시각화
Fig. 7. Cell count visulization of the AC-OCT image: (A) original, (B) removal of
noise, (C) segmentation, (D) quantization and visualization
5. 기법 구현
5.1 노이즈 제거
OCT 장치에서 수집된 이미지는 촬영 세팅 값에 따라 노이즈 정보가 바뀌며, 기계학습을 사용하기에는 데이터 셋이 충분하지 않다. 그러므로 각막 외부영역에서
얻은 정보로 노이즈제거를 위한 임계 값을 측정하여 노이즈를 제거하였다. 알고리즘에 사용되는 커널 크기와 신뢰구간을 위한 값은 실험을 통해 가장 높은
성능을 볼 수 있는 지점을 찾아 사용하였다.
먼저 각막 외부 영역을 기준으로 이미지에 포함된 노이즈를 제거한다. 노이즈 제거는 각막 외부의 전기적 노이즈를 기준으로 이미지 전역의 노이즈를 제거하는
방법을 사용한다. AC 내부의 경우 노이즈와 세포의 pixel 값의 분포가 중복되는 영역이 존재하므로 노이즈가 확실한 각막 외부를 기준으로 AC 내부
노이즈를 제거하는 것이 적합하다.
각막 내부 외부를 분할하여 외부 영역의 히스토그램을 계산한다. 계산된 히스토그램에서 pixel 값이 0인 경우 계산에서 제외한다. 히스토그램에서 0을
제외하는 이유는 아무런 시그널을 가지고 있지 않기 때문에 의미가 없는 값이기 때문이다. 그림 1의 이미지의 외부 영역에 대한 히스토그램은 그림 5와 같다.
이후 추출한 각막 외부 히스토그램에서 표준편차를 측정한다. 측정된 표준편차를 사용해 사용자가 지정한 비율을 곱하여 노이즈를 제거하는 기준 임계 값을
계산한다. 연구에서 사용한 기준 값은 97.5%의 신뢰구간을 가지는 1.96이다. 계산된 임계 값을 사용해 원본 AC 이미지에서 임계 값 이하의 pixel
값을 0으로 변환해 노이즈를 1차로 제거한다. 이후 메디안 필터를 사용해 나머지 노이즈를 2차적으로 제거하여 노이즈를 제거한다. 메디안 필터에서 사용한
커널 사이즈는 3으로 1에서 2 pixel의 넓이는 가지는 미세 노이즈를 효과적으로 제거할 수 있다. 노이즈 제거의 의사코드는 표 2와 같다.
5.2 이미지 분할 및 제거
노이즈가 제거된 AC 내부에는 촬영 단계에서 발생한 인공물과 세포가 혼합되어 있다. 세포 수를 정량화하기 위해서 이미지 전체에서 각막과 AC 내부를
분할한다. 이후 AC 내부에서 인공물을 검출하여 제거한다. 원본 이미지의 히스토그램(그림 6)에서 노이즈와 세포의 시그널이 중복되어 있는 영역을 경사하강 알고리즘을 사용해 경계를 찾아낸다. 계산된 경계 값을 사용해 원본 이미지를 이진화하고
메디안 필터를 적용해 AC 내부에서 세포들을 제거한다. 메디안 필터의 커널 크기는 11x11이다. 11x11 크기의 비교적 큰 커널의 메디안 필터를
사용하면 픽셀의 색 대비를 유지하며 효과적으로 이미지에서 세포를 제거 할 수 있다. 노이즈가 제거된 AC 내부이미지를 팽창 시켜 노이즈가 제거한다.
그리고, 노이즈가 제거된 이미지에서 각막과 인공물을 제거한다. 이미지 분할 및 제거의 의사코드는 표 3과 같다.
5.3 정량화 및 시각화
지금까지 과정으로 원본 이미지에서 각막 외부 영역, 각막, AC내부의 인공물 및 노이즈를 제거한 AC 내부 세포 이미지를 생성하였다. 세포 수는 남아
있는 이미지에서 윤관선 검출 알고리즘을 사용해 세포의 윤곽선을 검출하고 면적과 둘레를 정량화하여 면적이 8에서 65 pixel 사이의 세포 윤곽선만
세포로 정의하여 검출한다. 검출된 세포 윤곽선은 원본 이미지에 강조하여 시각화한다. 모든 이미지의 분포가 다르고 노이즈 또한 분포가 다르기 때문에
자동화 알고리즘은 각 이미지에 따라 개별적으로 적용된다. 자동화 알고리즘의 각 과정의 부산물을 시각화한 결과는 그림 7과 같다.
표 2. 노이즈 제거 의사코드
Table 2. Noise reduction pseudocode
|
noise_area_hist = get histogram from noise_area
noise_area_hist(0) = 0
rate = 1.96
std = get std from noise_area_hist
cut_off_threshold = rate * std
image[cut_off_threshold > = image] = 0
noise_reduced_image = median_filter(image,3)
|
표 3. 이미지 분할 및 제거 의사코드
Table 3. image segmentation and removal pseudocode
|
hist = get histogram from original image
th = gradient descent from hist
cornea_mask = threshold(original image, th)
cornea_mask = median_filter(cornea_mask,11)
cornea_mask = dilate 10 times by 3x3 kernel
cornea_mask = erode 6 times by 3x3 kernel
air_cornea_mask = segmentation from cornea_mask
cell_image = noise_reduced_image - air_cornea_mask
cell_image[255>cell_image] = 0
cell_image = dilate 1 time by 3x3 kernel
|
표 4. 정량화 및 시각화 의사코드
Table 4. Quantification and visualization pseudocode
|
cell_contours = find contours from cell_image
cell_count = 0
area_list = list
length_list = list
for contour in cell_contours:
area = get contour area from contour
length = get contour length from contour
if (65 < area) and (area <= 8) : continue
area_list.append(area)
length_list.append(length)
cell_count+=1
|
6. 실험 및 결과
6.1 OCT 촬영
실험에 사용한 anterior segment OCT 스캔은 ASM (anterior segment module(Heidelberg Engineering,
Germany)을 사용한 spectralis OCT장비를 사용하여 수행하였다. 이 시스템은 조직에서 3.9µm/pixel의 축 해상도와 5.7µm/pixel의
가로 해상도로 초당 40,000 개의 A-scan을 획득한다. 한 번에 20개의 단면을 촬영하였고, 단면 간의 간격은 278µm이었다.
표 5. 실험 환경
Table 5. Experiment environment
|
HW
|
Specification
|
SW
|
Version
|
|
CPU
|
Intel i9-9980H
|
Python
|
3.7
|
|
RAM
|
32GB
|
Numpy
|
1.17.2
|
|
OS
|
macOS 10.1
|
OpenCV
|
4.2.0
|
|
|
|
HEYEX
|
1.6.8
|
6.2 OCT Data 수집 및 실험 환경
실험에 사용할 데이터를 추출하기 위해 Heidelberg Engineering, Inc의 OCT 프로그램인 Heidelberg Eye Explore
(HEYEX)를 사용하였다. 실험 환경은 Intel i9 CPU에 32GB RAM을 가지는 macOS에서 Python3을 사용해 OpenCV 및 Numpy로
OCT 이미지를 처리하여 진행하였다. 상세한 실험 환경 및 프레임워크 버전은 표 5와 같다.
프로그램에서 이미지를 추출할 때 고려해야 하는 것은 컬러스펙트럼과 밝기, 그리고 압축 포맷이다. 컬러스펙트럼은 칼라와 흑백이 있는데, 컬러를 사용할
경우 프로그램 내부의 보간법으로 인해 색정보가 부정확해진다. 따라서 흑백스펙트럼을 사용하였다. 이미지 추출에 사용된 설정한 이미지의 밝기는 프로그램의
기본 값으로 12를 사용하였다. 노이즈가 가장 적으면서 셀을 구분할 수 있는 값을 실험적으로 선택하였다. 이미지 압축 포맷은 압축 알고리즘에 의해
셀의 픽셀 정보가 변경되지 않도록 무압축 이미지 포맷인 BMP를 사용하였다. 촬영 단계에서 잘린 불완전한 이미지 및 이질적인 각막 형태를 가진 이미지는
실험에서 수동으로 제외하였다.
실험데이터는 창원경상대학교병원의 허가를 받아 2017년 12월 31일 부터 2019년 3월 1일 사이의 34명의 환자를 대상으로 익명화한 자료를 수집하였다.
환자의 평균 연령은 57.5 ± 12.2세 이었다. 이 환자들에서 총 2,398개의 이미지를 확보했다. 1,756장은 전방에 세포가 보이거나 추적
관찰을 위해 촬영한 이미지였으며, 642장은 임상적으로 정상인 반대 안구를 촬영한 이미지이었다. 의무기록에서 명명법에 따라 측정된 단계는 0이 896장,
0.5+가 829장 1+는 242장, 2+는 168장, 3+는 189장 4+는 74장이 있었다. 환자 데이터는 촬영 전 서면 동의서를 받고 익명화
처리된 AC-OCT 이미지만을 활용하였다.
6.3 신뢰구간에 따른 세포 정량화 차이
본 연구에서는 이미지의 노이즈를 제거하기 위해 각막 외부 영역의 노이즈를 사용하였다. 노이즈 히스토그램의 신뢰구간(1.96, 97.5%)을 구하는
방법을 사용해 노이즈 제거를 위한 임계 값을 계산했기 때문에 신뢰구간에 따른 세포 정량화 차이를 확인했으며, 그림 8에 결과를 나타내었다. 데이터는 각각의 OCT 이미지를 10명의 관측자가 개수한 값과 신뢰구간 별 알고리즘으로 측정된 값을 비교하였다. 10명의 관측자의
데이터를 ICC(intraclass correlation coefficient)분석을 통해 살펴본 결과 95% 신뢰구간에서 신뢰도는 0.99로 높은
값을 보였다.
실험 결과 각각 97.5%(1.96)와 98.03%(2.06)에서 가장 좋은 성능을 보였다. 96% 이하로 내려갈 경우 0에서 0.5+ 단계에서 큰
오차를 나타내는 것을 확인했으며, 98.81%를 넘어갈 경우 이미지 정보의 손실이 크게 발생하는 것을 확인했다.
그림. 8. 신뢰구간에 따른 세포 정량화
Fig. 8. 8Cell quantization by confidence interval
그림. 9. 등급별 정량화 평균
Fig. 9. The average of quantization of each grade
표 6. 등급별 정량화 평균
Table 6. The average of quantization of each grade
|
Grade
|
0
|
0.5+
|
1+
|
2+
|
3+
|
4+
|
|
자동화
세포 수 (개)
|
평균
|
0.57
|
3.41
|
11.45
|
14.96
|
33.63
|
68.88
|
|
최대
|
3
|
9
|
27
|
25
|
50
|
116
|
|
최소
|
0
|
1
|
3
|
5
|
19
|
41
|
|
관측자
세포 수 (개)
|
평균
|
0.28
|
2.55
|
9.52
|
18.65
|
33.43
|
70.87
|
|
최대
|
1
|
6
|
19
|
27
|
50
|
98
|
|
최소
|
0
|
0
|
2
|
13
|
23
|
50
|
표 7. 등급별 정확도
Table 7. The average accuracy of each grade
|
Grade
|
0
|
0.5+
|
1+
|
2+
|
3+
|
4+
|
|
등급
정확도
|
71%
|
80%
|
70%
|
61%
|
81%
|
66%
|
6.4 등급별 정확도 분석 및 등급별 세포 수 비교
정확도는 관측자가 개수한 값을 기준으로 알고리즘으로 측정된 값을 등급으로 비교했다. 등급별 세포 수는 관측자의 경우 10명의 평균, 자동화의 경우
동일 등급 값의 평균을 사용하였다. 관측자와 자동화 알고리즘의 평균값을 사용해 등급별로 비교한 결과(그림 9, 표 6) 등급별 오차는 세포 수가 증가는 폭에 따라 커지는 것을 확인할 수 있었으며, 관측자의 평균값과 프로그램에서 측정되는 세포 수는 4+ 등급을 제외하고는
최대 15개로 큰 차이를 보이지 않았다. 하지만 명명법에 따른 등급에 대한 정확도(표 7)는 60 ~ 80% 수준으로 높지 않다. 이는 개수의 범위가 정해져 있는데 0등급의 경우 오차가 1개라도 존재할 경우 등급이 부정확하게 계산되어
낮은 정확도를 보였기 때문이다. 오차는 각막과 인공물을 분할 및 제거하는 과정에서 주변 세포를 침식 또는 완벽한 분할을 진행하지 못하여 최종 과정에서
윤곽이 검출되어 오차가 발생하였다. 하지만 기존 관측자에 의한 정량화의 경우 평균 9.34초의 시간이 소비되었으며, 정량화 알고리즘을 사용할 경우
평균 1.15초로 87% 이상의 시간을 단축할 수 있었다.
7. 결 론
OCT 장비를 사용한 anterior chamber의 세포 수 평가는 가장 널리 사용되며, 유용한 평가 도구이다. 그러나 기존 관측자에 의한 평가방식은
주관적이기 때문에 측정마다 측정치가 다를 수 있다. 또한 등급이 등간격이 아니며, 4+ 단계 이상은 모두 같은 등급으로 평가되어 세밀한 관찰이 무의미하거나
정확한 측정이 불가능하다는 단점이 있다. 본 논문에서는 SD-OCT 장비를 통해 촬영한 anterior chamber 이미지의 세포를 자동으로 정량화하기
위한 도구를 제안하였다.
촬영에 따라 달라지는 밝기와 노이즈를 처리하기 위해 각 이미지의 각막 외각의 노이즈를 추출하여 히스토그램의 분포를 사용해 이미지 전체 노이즈를 제거하는
방식은 좋은 효과를 얻을 수 있었다. 그러나 각막을 분할하는 과정 및 인공물을 제거하는 과정에서 오차가 발생하여 등급별 정확도에서는 낮은 정확도를
얻었다. 향후 더 정밀한 정량화 도구를 위해서는 인공물을 제거하는 새로운 연구가 필요하며 이후 연구에서는 OCT 스캔 방식을 고정하고 균일한 이미지로
실험을 진행하며 좋은 결과를 얻을 수 있을 것이다. 또한 제안하는 도구를 사용해 시각화된 정량화 정보를 사용하면 기존 관측자의 세포 수 정량화에 소비되는
시간을 단축시키며, 정확도를 향상시킬 수 있다. 본 연구에서 제안하는 방법의 유효성을 검사하기 위해서는 더 많은 임상데이터와 다기관에서 실험을 통해
유효성을 검증할 필요가 있다.
Acknowledgements
This work was supported by the National Research Foundation of Korea (NRF) grant funded
by the Korea government (MSIT) (No. 2019R1G1A1100455).
References
S. M Whitcup, 2010, Examination of the patient with uveitis, In Uveitis: fundamentals
and clinical practice. Mosby, Philadelphia, PA, pp. 41-50
Standardization of Uveitis Nomenclature (SUN) Working Group, 2005, Standardization
of uveitis nomenclature for reporting clinical data. Results of the First International
Workshop, American journal of ophthalmology, Vol. 140, No. 3, pp. 509-516
P. M. Kaiser, S. Sharma, K. Baynes, E. Fisher, A. Venkat, C. Lowder, S. K. Srivastava,
2019, Automated Analysis of Anterior Chamber Inflammation by Spectral-Domain Optical
Coherence Tomography, in Pediatric Uveitis Patients Investigative Ophthalmology &
Visual Science, Vol. 60, No. 9, pp. 1900-1900
A. Li, J. You, C. Du, Y. Pan, 2017, Automated segmen- tation and quantification of
OCT angiography for tracking angiogenesis progression, Biomedical optics express,
Vol. 8, No. 12, pp. 5604-5616
M. Pekala, N. Joshi, T. A. Liu, N. M. Bressler, D. C. DeBuc, P. Burlina, 2019, Deep
learning based retinal OCT segmentation, Computers in Biology and Medicine, Vol. 114,
pp. 103445
A. Agarwal, D. Ashokkumar, S. Jacob, A. Agarwal, Y. Saravanan, 2009, High-speed optical
coherence tomography for imaging anterior chamber inflammatory reaction in uveitis:
clinical correlation and grading, American journal of ophthalmology, Vol. 147, No.
3, pp. 413-416
A. O. Igbre, M. C. Rico, S. J. Garg, 2014, High-speed optical coherence tomography
as a reliable adjuvant tool to grade ocular anterior chamber inflammation, Retina,
Vol. 34, No. 3, pp. 504-508
Y. Li, C. Lowder, X. Zhang, D. Huang, 2013, Anterior chamber cell grading by optical
coherence tomography, Investigative ophthalmology & visual science, Vol. 54, No. 1,
pp. 258-265
W. J. Choi, K. L. Pepple, R. K. Wang, 2018, Automated three‐dimensional cell counting
method for grading uveitis of rodent eye in vivo with optical coherence tomography,
Journal of biophotonics, Vol. 11, No. 9, pp. e201800140
A. Agarwal, D. Ashokkumar, S. Jacob, A. Agarwal, Y. Saravanan, 2009, High-speed optical
coherence tomography for imaging anterior chamber inflammatory reaction in uveitis:
clinical correlation and grading, American journal of ophthalmology, Vol. 147, No.
3, pp. 413-416
Byeong Ha LEE, 2017, Basic Principle and Various Applications of OpticalCoherence
Tomography (OCT), Physics and High Technology, Vol. 26, No. 3, pp. 2-6
저자소개
Youngseop Lee graduated from Gyeongsang National University in 2020.
He is pursuing master degree at the Dept of Information Science, Gyeongsang National
University in 2020.
His research interests includes Machine Learning, Neural Network, Image Generation,
and Image Processing.
Taeseen Kang graduated from Chungnam National University in 2010.
He received Mater degree in the same university in 2016.
He worked as an ophthalmologist at Gyeongsang National University Changwon Hospital
from 2019 as an assistant professor.
His research interest includes Cornea, and Oculoplastics.
Yongseop Han graduated from Gyeongsang National University in 2001.
He received Master and Ph.D. degree in the same university in 2005 and 2013, respectively.
He worked as an ophthalmologist at Gyeongsang National University Hospital from
2009, and he joined College of Medicine Gyeongsang National University in 2012 as
an associate professor.
His research interest includes Retina, Uvea, and Vitreous.
Jin Hyun Kim received the Ph.D. degree from the Department of Computer Science and
Engineering, Korea University, Seoul, South Korea, in 2011.
He was a Post-Doctoral Fellow with the Korea Advanced Institute of Science and Technology,
Daejeon, South Korea, and Aalborg University, Aalborg, Denmark. He was a Researcher
with INRIA/IRISA, Rennes, France.
From 2014 to 2019, he was a Post-Doctoral Fellow with the University of Pennsylvania,
Philadelphia, PA, USA. Since 2019, he has been an assistant professor in Department
of Information and Communication Engineering, Gyeongsang University, South Korea.
His current research interests include model checking, cyber physical systems, timing
analysis, and machine learning.
Kyong Hoon Kim received the B.S., M.S., and Ph.D. degrees in computer science and
engineering from POSTECH, Pohang, South Korea, in 1998, 2000, and 2005, respectively.
From 2005 to 2007, he was a Post-Doctoral Research Fellow with the CLOUDS Laboratory,
Department of Computer Science and Software Engineering, University of Melbourne,
Australia.
He is currently a professor in School of Computer Science and Engineering, Kyungpook
National University, Daegu, South Korea. From 2007 to 2019, he was a professor in
the Department of Informatics, Gyeongsang National University, Jinju, South Korea.
His current research interests include real-time systems, cloud computing, avionics
software, and security.
Seongjin Lee graduated from Hanyang University in 2006.
He recieved Master and Ph.D. degree in the same university in 2008 and 2015, respectively.
He worked as postdoc in Storage Center Hanyang University till 2017 and became an
assistant research professor there.
He joined Gyeongsang National University in 2017 as an assistant professor.
His research interest includes Operating System, Storage System, System Optimization,
Avionics, and Machine Learning.