1.1 컴퓨터 보조 진단 시스템

2017년 우리나라의 위암 발생자 수는 29,685건으로 전체 암 발생의 12.8%라는 가장 높은 수치를 기록했다⁽¹⁾. 전 세계적으로도 위암 발생률은 대한민국이 1위이며 위염이나 위궤양 같은 질환 발생률도 매우 높다^(2,3). 그림 1은 국내 암종 별 암 발생 현황을 나타낸 그래프이다. 위장 질환의 발생을 조기에 정확하게 알 수 있는 방법은 위 내시경 검진이다. 위 내시경 검진은 숙련된 진단의가 촬영 중에 혹은 촬영된 영상을 육안으로 보고 진단을 내린다. 진단을 내리기 위해서는 염증의 정도, 암의 판별 여부같이 상세한 영상 분석이 가능해야 한다.

진단의 수동 작업을 줄이고 정확도와 신뢰도를 높이기 위해서 최근 몇 년간 컴퓨터 보조 진단(Computer-aided Diagnosis, CADx) 시스템에 관한 연구가 많이 증가하였다. CADx 시스템은 의료 영상을 기반으로 전문의에게 진단 의견을 제시하여 전문의의 진단 효율을 상승시킬 수 있는 시스템이다. 많은 CADx 시스템 연구는 딥러닝과 함께 개발되고 있으며, 딥러닝에는 많은 데이터가 필요하다.

딥러닝은 데이터 의존적이며 데이터의 양이 많아질수록 성능이 향상한다. 하지만 의료 영상 데이터는 개인의 민감한 데이터이므로 임상 시험 심사 위원회(Institutional Review Board, IRB)의 허가 후 수집하게 되는데, 이 과정에 시간과 인력이 많이 소모되므로 큰 데이터 세트를 만드는 것이 굉장히 어렵다. 이 문제를 해결하기 위해 대표적으로 적용할 수 있는 방법이 증대 기법이다. 증대 기법을 적용할 때는 데이터의 특성에 알맞은 증대 기법을 적용하는 것이 중요하다. 본 논문에서는 위 내시경 데이터 세트에 맞는 증대 기법을 탐색하는 방법을 제시하고 CADx 시스템에 적용하여 비교한다.

1.2 관련 연구

데이터 증대 기법은 딥러닝의 성능을 향상하는 중요한 기법이다. 기존의 영상 데이터를 이용하여 인위적으로 데이터 수를 늘리게 된다.

영상을 증대하여 CADx 시스템을 만든 연구는 다음과 같다. 가장 대표적인 증대 방법인 회전 방식을 적용하여 위 내시경 영상을 4배로 증대시킨 후에 정상과 비정상 분류를 진행한 연구가 있었다⁽⁴⁾. 그리고 피부 병변을 진단하기 위해 영상의 밝기, 색 대조를 [0.9~1.1]의 범위 내에서 랜덤으로 적용하여 데이터를 증대한 후 흑색종을 분류하는 CADx 연구가 진행되었다⁽⁵⁾. 또 다른 위 내시경 영상을 이용한 CADx 시스템 연구에서 회전과 반전 기법을 적용하여 기존의 데이터를 8배로 증대한 후 학습한 연구도 있었다⁽⁶⁾. 위 내시경 영상에서 비정상 병변을 찾아내는 CADx 시스템 연구에서는 데이터 증대를 위해 확대, 회전, 이동 등의 방법을 이용하는데 특정 범위 내에서 랜덤하게 증대의 강도를 지정하여 적용하여 진행되었다⁽⁷⁾.

의료 영상을 포함한 다양한 영상들에 대해서 딥러닝을 위한 증대 방법들이 연구되고 있다. 최근에 구글과 카카오에 데이터 세트에 맞는 증대 방법을 제시해 주는 강화학습 알고리즘 연구가 진행되었다^(8,9).

또한, 생성기가 노이즈를 랜덤하게 생성하여 만든 거짓 영상을 판별기가 실제 영상으로 인식하도록 속이는 생성과 판별의 적대적 관계를 이용한 적대적 생성 신경망이 연구되었다⁽¹⁰⁾.

본 논문에서는 14가지의 증대 방법을 우리의 위 내시경 영상 데이터 세트에 적용하고 이를 Xception 네트워크를 학습시켜 성능을 비교하였다. 수집된 위 내시경 영상을 위암과 위암이 아닌 비정상 영상으로 분류하는 CADx 시스템을 통해 제안된 증대 기법을 검증하였다.

2.1 위 내시경 데이터 수집

본 논문에서는 비정상 영상 중에서 위암인 영상을 찾아내는 CADx 시스템에 대해 연구한다. 연구를 위해 우리는 위 백색광 내시경 데이터를 수집하였다. 국립 경상대학교 병원의 소화기 내과로부터 데이터를 받았다. 수집된 데이터는 모두 내과 전문의의 진단과 조직검사 결과를 통해 검증되었으며 제공자의 권리를 위해 IRB 승인을 받은 후(승인번호: GNUH 2017- 09-019-003) 진행되었다.

120명의 환자로부터 819장의 비정상 내시경 영상이 수집되었고 수집된 데이터의 구성은 표 1에 나타내었다. 병변은 위암, 종양, 궤양, 용종, 위염, 출혈, 기타 병변으로 구성되어 있고 기타 병변에는 혈전증, 황색종, 위게실 등을 포함한다. 위암은 276장이며, 위암이 아닌 비정상 데이터는 543장이다. 표 2에 나타낸 것처럼 학습에는 655장을 사용하였고, 테스트 데이터는 164장을 사용하였다. 위 내시경 영상은 그림 2와 같이 촬영한 후 수집되었다.

2.2 증대 방법

위 내시경 데이터에 적절한 증대 정책을 찾기 위해 실험에서 사용한 작업 기법은 총 14가지이다. 기법은 ShearX/Y, Tran- slateX/Y, Rotate, AutoContrast, Invert, Equalize, Solarize, Posterize, Contrast, Color, Brightness, Sharpness를 사용하였고, 각 기법에 대한 설명은 표 3에 나타내었다. ShearX/Y, TranslateX/Y, Rotate 다섯 가지는 영상을 회전하거나 비트는 물리적인 기법이고, 나머지 아홉 가지는 모두 색상 변환을 이용한 기법이다.

AutoContrast와 Equalize, Invert 기법을 제외한 11가지의 기법들은 파라미터에 따라 강도가 달라질 수 있기 때문에 각 기법마다 3개씩 값을 지정해 주어 증대 영상이 생성되도록 하였다. 기법에 따른 강도는 표 4에 나타내었다. 강도의 범위는 구글의 AutoAugment를 참고하였다⁽⁸⁾.

각 기법을 통해 증대된 영상의 예시 일부를 그림 3을 통해 나타내었다. Equalization과 AutoContrast는 적용이 되거나 혹은 안 되거나의 경우의 수만 있기 때문에 한 장의 영상 당 한 장의 증대 영상이 생성되었다. Brightness와 Shear Y는 강도에 따라서 무수히 많은 영상이 생성될 수 있는데 표 4에 나타낸 값들로 세 장씩 생성되도록 하였다.

14개의 기법을 모두 적용한다면 한 장의 영상으로부터 총 36장의 증대된 영상을 얻을 수 있다. 증대된 영상들을 모두 사용하면 학습 시간이 오래 걸리며, 성능 향상에 오히려 방해될 수 있다. 위 내시경 영상에 알맞은 증대 기법을 선택하기 위해서 그림 4와 같은 방법을 통해 기법에 따른 성능 비교가 진행되었다.

원본 영상으로 이루어진 데이터 세트를 학습시켜서 기본 분류 모델을 생성한다. 생성된 모델에 각 기법으로 증대된 데이터 세트를 입력으로 넣어주고 f1-score 값을 비교하였다. 이 비교 방법은 증대된 데이터를 학습하여 비교하는 것이 아니며 학습된 모델의 입력으로 사용하여 비교하기 때문에 시간이 단축된다. 학습은 원본 영상으로 기본 모델을 생성할 때 한 번만 진행된다. 테스트 데이터로는 최종적인 성능 비교만 가능할 뿐 학습 데이터의 증대 기법 선택에 영향을 끼칠 수 없기 때문에 이와 같은 방법을 선택하였다. f1-score의 비교를 통해 원본 데이터와 얼마나 유사한 영상을 만들어내는지 알 수 있으며 이는 원본과 동떨어진 영상을 학습에서 제외하는 방법이 될 수 있다.

표 5를 통해 값들을 나타내었다. f1-score는 precision과 recall의 조화평균으로 구해진다. precision과 recall이 서로 trade-off 관계이기 때문에 분류 성능을 구할 때 이 관계성을 고려하기 위해 f1-score를 사용하였다.

표 5에 나타난 값들을 기반으로 값이 높은 기법들을 그룹별로 묶어서 4개의 데이터 세트를 생성하였다. 그룹 1은 f1-score가 0.95 이상인 Sharpness, AutoContrast, TranslateX, TranslateY으로 증대된 그룹이고, 그룹 2는 0.90 이상인 Sharpness, AutoContrast, TranslateX, TranslateY, ShearX, ShearY, Rotate로 이루어져 있다. 그룹 3은 0.85 이상인 기법들로 Invert, Equalize, Posterize, Solarize를 제외한 10개의 기법들이 포함되어 있으며, 그룹 4에는 모든 증대 기법이 포함된다. 그룹별로 증대된 배수는 각 11배, 20배, 29배, 37배이다. 각 그룹의 증대 데이터들을 학습한 뒤에 테스트 데이터를 통해 결과를 비교하였다.

2.3 Xception 네트워크

본 논문에서는 딥러닝과 증대된 데이터를 이용한 CADx 시스템을 실험하고 있으며, 우리는 딥러닝 네트워크로 Xception 네트워크를 선택하였다. Xception 네트워크는 GoogLeNet의 Inception 모듈을 변형시켜 성능과 학습 속도를 개선한 네트워크로 2016년에 발표되었다. 노드들 간의 연결을 줄이고 더 나아가 각 채널 간의 관계를 찾는 것과 지역 정보를 찾는 것을 분리하였다⁽¹¹⁾.

우리는 이전 논문에서 Inception-V3와 Xception을 비롯하여 Inception-Resnet-V2, Renet-101 네트워크를 사용하여 CADx 시스템의 성능을 비교하였다⁽¹¹⁾. 결과적으로 Xception 네트워크의 성능이 가장 좋았기 때문에 이번 실험에서도 Xception을 사용하였다.

그림 5에 나타낸 Inception의 변형된 모듈은 입력에 대하여 1x1 컨볼루션을 거친 후 모든 채널을 분리해 3x3 컨볼루션을 거쳐 각 채널당 특징맵을 연산을 하는 모듈이다. Xception 네트워크는 Extreme Inception 모듈로 구성되어 Depth-wise separable 컨볼루션 연산을 한다. 기존 컨볼루션은 모든 채널과 지역 정보를 동시에 고려하여 하나의 특징맵을 만든 것이라 할 수 있고, Depth-wise separable 컨볼루션은 색상 채널별로 나누어 각각의 특징맵을 하나씩 만든 뒤 1x1 컨볼루션 연산을 수행하여 특징맵을 만든다. 이는 출력되는 특징맵의 수를 조정하여 성능을 상승시킬 수 있는 방법이다⁽¹²⁾.