CT영상에서 COVID-19 검출 및 병리영상에서 MSI와 PNI junction 경계선 탐지를 위한 딥러닝 기술 연구 = Deep learning for an improved detection of microsatellite instability and perineural invasion junction on pathology images and COVID-19 in CT images

국문 초록 (Abstract)

의료영상은 일반 영상과 다르게 환자 신상 정보 보호, 전문적 지식 요구
등의 여러 제약 조건들로 인하여 데이터 수집 및 처리가 어렵다. 또한, 다
양한 종류의 의료 영상들(X-ray, CT, 병리 영상 등)의 특성에 맞게 모델을
설계해야 한다. 본 논문에서는 두 가지 의료영상 도메인인 CT와 병리 영
상 처리에 대한 제약 조건을 효과적으로 처리하는 세 가지 딥러닝 접근법
을 제안한다. CT 영상에서 COVID-19를 분류하는 모델과 병리 영상에서
MSI와 PNI junction을 각각 탐지하는 모델들이다.
COVID-19 모델은 COVID-19 범유행 초기에 긴급하게 생성된 작은 크기
의 COVID-19 데이터 세트에 대한 효과적인 처리 방법을 제시한다. 병리
영상을 사용하는 두 모델은 WSI라고 하는 초고해상도 영상에 대해서 계산
량을 줄이면서 탐지 성능을 높이는 방법을 설명한다.
제안된 3개의 딥러닝 접근법들의 결과들은 진단 비용과 시간을 절감하면
서 치료 계획을 세우기 위한 근거들로 사용될 것이다. 이를 통해서 전체적
인 사회 보건 비용을 절약할 수 있다.

다국어 초록 (Multilingual Abstract)

Unlike general images, medical images are difficult to be collected and
handled due to various constraints such as protection of patient information
and requirement for specialized knowledge. In addition, it is necessary to
design a model according to the characteristics of various types of medical
images(X-ray, CT, pathological images, etc). In this paper, we propose three
deep learning approaches that handle the difficulties of medical image
processing effectively on two medical image domains(CT, pathological images).
These are models that class in CT and two models that detect microsatellite
instability(MSI) and perineural invasion(PNI) junction in pathological images,
respectively.
The COVID-19 model is an effective approach for the small size of the
COVID-19 dataset that was urgently generated in the early stage of COVID-19
pandemic. Two models using pathological images describe how to increase
detection performance while reducing the computational amount for
ultra-high-resolution images called Whole slide images(WSIs).
The results of the proposed three deep learning approaches will be used as
the evidence for planning treatments while reducing the diagnostic costs and
time. This will also reduce overall social health costs.

목차 (Table of Contents)

• I. 공통 서론 1
• II. 공통 선행 연구 5
• 1 인공지능 5
• 2 기계학습 6
• 2.1 지도학습 6
• 2.2 비지도 학습 6
• 2.3 준지도 학습 7
• 3 딥러닝 8
• 4 합성곱 신경망 8
• 4.1 합성곱 레이어 9
• 4.2 역전파 10
• 4.3 풀링 레이어 11
• 4.4 완전 연결 레이어 11
• III. CT 영상에서의 COVID-19 진단 12
• 1 서론 12
• 2 선행 연구 17
• 2.1 CT 영상에서 관찰되는 COVID-19 증상과 의학적 소견 17
• 3 관련 연구 18
• 3.1 기존의 폐 CT 영상 딥러닝 18
• 3.2 COVID-19 진단을 위한 폐 CT 영상 딥러닝 19
• 3.3 의료영상에 대한 준지도 학습 21
• 4 COVID-19 진단 모델 22
• 4.1 네트워크 아키텍처 24
• 4.2 활성 함수 24
• 4.3 손실 함수 25
• 4.4 구현 세부 사항 27
• 4.5 데이터 세트 29
• 4.6 실험 35
• 5 결과 36
• 5.1 COVID-19 진단 모델 결과 38
• 5.2 비교 실험: 지도학습 40
• 5.3 비교 분석: 준지도 학습과 지도학습 40
• 6 토의 43
• 7 결론 45
• IV. MSI 분류 모델 46
• 1 서론 46
• 2 선행 연구 48
• 2.1 MSI의 정의 48
• 3 관련 연구 49
• 3.1 병리 영상 분류 49
• 3.2 병리 영상에서의 CNN 50
• 3.3 딥러닝을 활용한 MSI 탐지 및 분류 51
• 4 MSI 분류 모델 52
• 4.1 데이터 세트 53
• 4.2 데이터 전처리 53
• 4.3 종양 영역화 54
• 4.4 MSI-H 분류 55
• 4.5 실험 56
• 5 결과 57
• 6 토의 59
• 7 결론 60
• V. PNI junction 탐지 모델 61
• 1 서론 61
• 2 선행 연구 62
• 2.1 perineural invasion 정의 62
• 3 관련 연구 62
• 3.1 병리 영상에서 병리학적 특징 탐지 딥러닝 62
• 3.2 병리 영상에서 PNI junction 탐지 64
• 4 PNI junction 탐지 모델 65
• 4.1 데이터 세트 65
• 4.2 데이터 전처리 65
• 4.3 PNI 후보 영역 특정화(1st) 67
• 4.4 종양 및 신경 영역화(2nd) 68
• 4.5 False positive 영역 제거 및 post-processing(3rd) 68
• 4.6 학습 및 검증 69
• 5 결과 70
• 6 토의 72
• 7 결론 73
• VI. 공통 결론 75
• VII. 참고 문헌 77