딥 네트워크 기반 X-ray 영상 분석을 이용한 Covid-19 중증도 분석

Brixia Dataset을 기반으로 중증도 점수가 매겨진 COVID-19 환자의 흉부 X-ray 이미지를 학습하여 중증도를 예측하는 딥러닝 기술을 제안한다.

구성원

Professor

• 김성태

mentor

• 김성훈

Student

• 2018110649 김지현
• 2018102201 신승미

연구 배경

Covid-19 확산이 기약 없이 계속되면서, 전세계 코로나 확진자는 1억명을 돌파했고 사망자는 300만명을 넘어섰다. 백신의 보급으로 상황이 나아질 것이라는 기대와는 다르게 계속해서 코로나 확진자 및 사망자는 증가하는 추세이다. 현실적으로 수많은 의료 데이터를 빠르고 정확하게 처리하기엔 어렵다. 하루 동안 사람이 의료 데이터를 분석하고 결과를 낼 수 있는 양에는 한계가 있고, 동원 가능한 전문 인력이 실질적으로 부족한 상황이다. 따라서 효율적인 의료 데이터 분석과 빠른 결과 도출을 위해서는 새로운 기술을 도입해야 한다.

연구 목표

본 연구에서는 Chest X-ray영상으로부터 임상적으로 더 구체적인 정보를 제공하기 위해, 코로나의 중증도 점수를 정량적으로 예측하는 모델을 개발하여, Chest X-ray분석을 통해 코로나 확진 판별 및 중증도를 검사하는 딥 러닝 기술을 제안한다. Chest X-ray기반 중증도 예측 기술은 PCR기반 검사보다 임상적으로 더 유용한 정보를 제공하며, 기존 CT기반 검사보다는 비교적 간단한 방식으로 검사가 진행되어, 분석에 오랜 시간이 걸리지 않는다는 점에서 접근용이성이 뛰어나다. 따라서 기존 CT 기반 검사보다 보다 넓은 영역에서 활용될 수 있을 것으로 기대된다.

연구 방법

Brixia Dataset을 학습을 기반으로 COVID-19 환자의 흉부 X-ray 영상이 입력값으로 주어졌을 때, 흉부 전체의 이상을 감지하여 0-18 범위의 중증도 점수를 출력하는 모델을 제안한다. 따라서 모델이 Brixia Score COVID-19 Dataset을 학습하는 과정에서 6개의 영역으로 나누어져 0-3 범위로 점수가 매겨진 Brixia Score를 모두 합하여 0-18 범위의 전역(Global) 중증도 점수를 학습하도록 한다. Regression 모델을 구현하기 위한 목적 함수로서 Mean Squared Error(MSE)와 L1 Loss 함수를 설계한다

연구 결과

본 연구에서는 L1 loss와 MSE를 사용하여 모델의 학습 성능을 비교하는 실험을 진행하였다. 100의 epoch동안 딥 네트워크가 학습되었다. 학습 초반에는 MSE를 사용한 모델이 L1을 사용한 모델보다 낮은 Mean Absolute Error (MAE) 값으로 좋은 성능을 보였다. 그러나 최종 학습 결과 L1 Loss를 사용한 모델의 MAE는 1.946, MSE를 사용한 모델의 MAE는 1.998의 결과 값이 나왔다. 결과적으로 학습이 진행될수록 L1 Loss를 사용한 모델이 더 낮은 오류율 (MAE)로 더 좋은 성능을 보이는 결과가 나타났다.

Reference

연구 코드는 https://github.com/CAMP-eXplain-AI/CheXplain-IBA를 기반으로 작성하였습니다.