1-3. Introduction to medical image analysis

출처

edwith - boostcourse

https://www.edwith.org/medical-20200327/joinLectures/30437

 

1. 의료영상이 컴퓨터비전과 머신러닝과 연관이 많다 했는데, 어떤 연관이 있는지

 -> 각각의 문제를 해결하기 위한 도구임

2. 인공지능 뭔지 개념먼저

 -> 문제를 해결하기 위한 방법(classification, segmentation, enhancement, registration)

3. 어떻게 머신러닝 나오고 딥러닝 최근 나왔는데 어떤 연관있는지

 -> 머신러닝 : 컴퓨터가 스스로 문제 해결하도록 하기 위한 방법

 -> 딥러닝 : 데이터가 많아지고 컴퓨터 사양이 좋아지면서 복잡한 딥러닝 사용 가능해짐

Aritificial Inteligent = AI

1950년도에 이미 나옴

문제를 어떻게 풀것인가?

방법 1. 룰을 만든다

방법 2. 평가

방법 3. 에러 없앨 수 있도록 보강

방법 4. 룰 보강하다보면 문제에 잘 동작하는 룰 만들수있다

방법 5. 출시 가능

단점 : 출시 후 사용하다가 문제 발생(다시 에러 나옴)

그럼 룰 다시 수정해야하는데 번거로움

 

이런 연구들이 진행되다가 머신러닝이 발전

1980년대에 머신러닝이 이슈되기 시작

머신러닝 : 데이터로부터 유의미한 패턴 찾아냄

즉, 룰들을 컴퓨터가 찾아낼 수 있도록 학습하는 기술 제안

머신이

1. 좋은 룰들 만들어내면

2. 그걸로 평가 이루어지고

3. 잘못되면 파라미터 등이 업데이트 됨

4. 출시

에러가 나면 에러가 난 데이터는 데이터셋으로 추가가 되고

추가가 된 데이터 바탕으로 다시 학습되서 업데이트 됨

 

그래서 데이터들의 사이즈가 커질수있다

커지면 머신러닝 솔루션들이 의미있을수있다

그래서 솔루션들을 분석하는 연구들이 진행되고 있다

솔루션 분석하면서 새로운것 발견할수있다

이걸 데이터마이닝이라고 한다

 

그러다 2000중반부터 딥러닝 기본개념이 제안됨

2010이후 computer vision, medical image analysis 큰 발전 이루고있다

 

문제가 주어짐

영상이 강아지인지 고양이인지 맞주는 문제

전형적인 computer vision문제

classification문제라고 한다.

 

computer vision 문제를 problem으로 제시할수 있고,

이거러 푸는데 머신러닝 모델 학습시킬수있다

 

마찬가지로 2d대신 3d메디컬 영상쓸수있다

이렇게 영상을 분할해주는 문제를 생각해볼수있다

자율주행

자율주행하려면 2d를 segment해주는게 중요하다

 

머신러닝 모델은 segmentation 해줄수있는 모델이 학습된다

마찬가지로 영상대신 메디컬영상 넣어줄수도있다

 

 

비슷하게 이미지를 enhancement 해주는 문제를 생각해줄수있따

이렇게 영상의 해상도가 낮은 문제를 해상도가 높게끔 바꿔주는 것을 super resolution이라고 하며 computer vision에서 다루고있다

영상 퀄리티 안좋을 때 높여주기 위한 방법이 제안이 되고있다

이런 것도 머신러닝 이용해서 할 수 있다

 

또 이런 영상이 들어왔을때 이 둘을 잘 맞춰서 넓은 시야를 가지는 영상으로 만들어주는 문제가 computer vision에서 많이 연구되고있다

의료데이터 같은 경우, 시간 차두고 영상취득하는 경우도 꽤 있는데 영상에서 영상으로 이동시켜주는 문제를 registration이라고 한다.

 

결론 :

이렇듯이 computer vision문제와 머신러닝, medical image analysis 문제가 밀접하게 관련이 있다는 것을 알 수있다

 

최근 머신러닝 분야에서 딥러닝 기술이 나왔고 결과가 좋다.

그 원인 배경을 간단히 살펴보면, 이미지넷이라는 사이트가 있다

이미지넷은 이미지데이터베이스를 만들어놓고 다수의 데이터를 연구자들에게 오픈한다.

 

잘 동작하는 원인은

1. 메서드 발전도 있지만

2. 데이터셋이 빅데이터가 된 것

머신러닝 잘하려면 데이터가 필요했는데 데이터가 상당히 많아진게 중요한 부분이다

3. 또, gpu크게발전햇다

4. parallel computing이 가능해졌다

 

그래서 좀 더 복잡한 딥러닝 모델을(기본적인 머신러닝보다 복잡) 잘 해낼수있게됐다

그래서 성능이 높아졌다

 

성능이 좋아지다보니 computer vision과 medical image analysis가 break through일어났고 결과가 상당히 크게 향상

 

 

 

이미지넷의 데이터로 Visual Recongnition Challenge 열림

에러율 보여주는 그래프

 

2010, 2011년 조금씩 내려가고 있었음

2012년에 딥러닝 제안됨(8개 레이어가진메서드 제안됨). 에러 크게 줄어듬

그 뒤로 다양한 네트워크(딥러닝 관련 기법) 제안됨

성능이 점점 좋아짐

 

이 챌린지는 classification문제 다루고있는데 classification위한 기법들이 발전하면서

역시 segmentation, enhancement, registration 문제들이 같이 발전하고있다

 

발전이 computer vision(with machine learning)에서 일어나고있다

 

사실 break through가 medical image analysis에서도 상당히 일어나고있다.

왜냐하면 이것도 매우 관련성이 높으니까.

 

 

medical image analysis의 전반적인 내용 이해하기위해서는

딥러닝 이전의

1. conventional 기법에대해서도 살펴봐야하고

2010년에 급속도로 제안되고 발전하고있는

2. 딥러닝 기법도 살펴봐야한다

 

강의에서 medical image analysis에 사용되는 기법들에 대해 알아볼것이고

machine learning이나 computer vision기법도 함께 살펴볼 예정이다

 

구체적으로 컨텐츠 살펴보면

먼저 classification과 Conventional method와 deep learning 기반 기법살펴볼 것

전통적으로 classification하기위한 머신러닝 기법들인데

로지스틱, 뉴럴네트워크 즉 딥러닝으로 발전되는 기법들을 주요하게 살펴볼 예정임

 

그 다음 segmentation 기본이 되는 thresholding, region growing 살펴볼 것이고,

조금더 발전된 graph cut, active contour model 살펴볼에정

그리고 이거와 달리 learning based, 학습기반의 대표적인 기법 active shape model

segmentation에서 상당히 성능보이고 있는 fcn, u-net, deep lab 볼것

 

enhancement에서는

픽셀단위로 값들을 바꿔주는 기본적인 기법부터해서

필터링 하는 기법,

딕셔너리 학습해서 이미지 퀄리티 높혀주는 dictionary learning 기법 볼것

 

딥러닝 기반의 srcnn, 최근 이미지 제네레이션위해서 많이쓰이고있는 GAN, SRGAN기법 살펴볼 예정

 

마지막으로 registraion에서는 transformation matrix구해서 registration하는 기본적인 기법 살펴볼것이고

registration하기위한 기법 중 대표적인 ICP살펴보고 이거를 Non rigid ICP에 어떻게 사용할 수 있는지,

그리고 인테스티 기반의 Non rigid registraion을 수행할 수 잇는 Deformable 모델 살펴볼것

역시 registraion에 사용하기 적합한 모델이 최근에 제안되고있는데 이런 flow net, cnn네트워크 살펴볼 예정

 

다음주차부터 이런 컨텐츠 자세히 살펴볼 것이고

이번주차에는 의료영상의 포맷이나 영상확인하는 방법,

의료영상 취득원리 등의 의료영상분석을 위한 기본적인 배경지식에 대해서 살펴볼것