초고해상도 합성곱 인공신경망을 적용한흉부 CT 영상의 폐 질환 분류 성능평가 = Performance Evaluation of Lung DiseaseClassification in Chest CT Images Using Super-Resolution Convolutional Neural Networks

국문 초록 (Abstract)

영상의학분야의 흉부 CT는 폐질환의 미세 병변을 관찰하는 데 가장 광범위하게 활용이 되는 영상의학검사로서 병변의 형태적 특징을 고해상도로 제공하여 임상 진단에서 중요한 역할을 담당한다. 합성곱 인공신경망 기반의 초고해상도 인공신경망(SRCNN)은 저해상도의 영상을 고해상도의 영상으로 복원하여 영상의 세부 구조 및 신호대잡음비를 개선하는 특성을 가진다. 본 연구에서는 합성곱 인공신경망 기반의 딥러닝 모델에 512×512인 원본 흉부 CT 영상과 SRCNN을 적용한 1024×1024인 초고해상도 흉부 CT 영상을 각각 적용하여 흉부 CT 영상에 대한 폐 질환별 분류를 정상, 양성종양, 악성종양으로 분류하여 성능을 비교 평가하고자 하였다. 연구결과 512×512의 흉부 CT 원본 영상을 SRCNN을 적용하여 출력한 1024×1024의 흉부 CT 영상의 경우 흉부 CT 원본 영상의 구조적 정보를 거의 손실 없이 보존한 우수한 품질의 초고해상도 흉부 CT 영상이 생성되었다고 판단하였다. 그리고 흉부 CT 영상의 폐질환 분류에 대한 성능평가의 결과를 통하여 SRCNN으로 출력한 1024×1024 흉부 CT 영상을 적용한 딥러닝 모델의 경우 폐 질환에 대한 모든 분류 모델에서 정확도, 재현율, 특이도, 정밀도, F-1 score, AUC 및 손실함수 결과값이 우수하게 나타났다. 이러한 결과를 통하여 SRCNN으로 출력한 1024×1024 흉부 CT 영상을 적용한 딥러닝 모델의 경우 전반적으로 폐질환 분류에 대한 성능이 향상된다는 것을 확인할 수 있었다. 이러한 이유로 SRCNN 기반 초고해상도 흉부 CT 영상은 폐질환 분류에서 더 높은 정확도와 신뢰도를 확보할 수 있으며, 기존의 초고해상도 연구의 결과와 일관된 결과를 나타내고 있음을 확인하였다. 그리고 본 연구의 결과는 향후 유사연구 시 기초자료로 제시가 될 것이라 사료되며, 인공지능 기반의 의료영상의 자동 진단 솔루션 등의 분야에서 유용한 자료로 활용되기를 기대한다.

다국어 초록 (Multilingual Abstract)

In radiology, chest CT is the most widely used imaging test for observing microscopic lesions in lung diseases. It provides high-resolution morphological characteristics of lesions, playing a crucial role in clinical diagnosis. Super-resolution artificial neural networks (SRCNNs), based on convolutional neural networks, have the ability to reconstruct low-resolution images into high-resolution images, improving structural details and signal-to-noise ratio. In this study, we applied a deep learning model based on a convolutional neural network to a 512×512 original chest CT image and a 1024×1024 super-resolution chest CT image using SRCNN to classify lung diseases into normal, benign, and malignant tumors. As a result of the study, we judged that a 1024×1024 chest CT image generated by applying SRCNN to the 512×512 original chest CT image generated an excellent high-resolution chest CT image that preserved the structural information of the original chest CT image with almost no loss. And the results of the performance evaluation for lung disease classification of chest CT images showed that in the case of the deep learning model applying the 1024×1024 chest CT image output by SRCNN, all classification models for lung diseases showed excellent accuracy, recall, specificity, precision, F-1 score, AUC, and loss function results. Through these results, it was confirmed that in the case of the deep learning model applying the 1024×1024 chest CT image output by SRCNN, the performance for lung disease classification was improved overall. For these reasons, it was confirmed that SRCNN-based super-resolution chest CT images can secure higher accuracy and reliability in lung disease classification, and show results consistent with the results of existing super-resolution studies. The results of this study are expected to serve as basic data for similar future studies, and are expected to be utilized as useful data in fields such as artificial intelligence-based automatic diagnosis solutions for medical images.