멀티 스캐너에서 획득된 CT 및 MRI 영상 표준화 AI 모델

Abstract

의료영상 기법의 하나인 자기공명영상(magnetic resonance imaging; MRI)은 연부조직의 해상도와 조직간 대조도가 높아 병리학적 구조 관찰이 용이하고 방사선 노출이 없어 의료분야에서 정밀한 진단 및 수술 계획을 위해 많이 사용된 다. 하지만 CT 번호(Hounsfield Unit; HU) 측정법으로 특정 조직의 정보를 가지고 있는 전산화단층촬영(computerized tomography; CT)과는 다르게, MR 이미지의 픽셀값은 이러한 조직의 구성 정보를 내포하지 않는다. 즉, 동일한 환자, 스캐너(scanner) 및 스캔 프로토콜(scan protocol)로 영상을 획득해도 여러 요인(환자의 신체 특징, 코일과의 거리 및 위치 등)으로 인해 이미지의 픽셀값에서 일정한 생물학적 정보를 얻는 데 한계가 있다. 이러한 MR 이미지 특성은 진단이나 수술을 위한 병소 부위 영상 분할(segmentation)의 정확도를 저해한다. 따라서, MR 이미지는 특히 표준화 (standardization; harmonization) 과정이 더욱 필요하다. 본 연구에서는 다양한 스캐너와 스캔 프로토콜로 획득된 의료 영상을 동일한 이미지 스타일을 가지도록 변환하는 generative adversarial network (GAN) 기반의 딥러닝(deep learning) 모델을 제안한다. 비교적 동일한 스타일의 영상획득이 용이한 CT 영상데이터를 이용해 선행 연구를 진행하였고, 이 선행 연구 모델을 바탕으로 Radiomics 기법을 추가로 활용한 MR 영상 표준화 모델의 성능을 실험하였다. 이 모델 을 기존의 히스토그램 매칭 방법인 Ny？l intensity normalization 기법과 비교하기 위해 히스토그램 간의 유사도 (histogram distance), 이미지 유사도(image similarity) 및 Radiomics feature 를 이용한 평가 방법으로 실험한 결과 기존 히 스토그램 매칭 방법보다 성능이 향상됨을 확인하였다.