Analysis of Texture Features and Classifications for the Accurate Diagnosis of Prostate Cancer

전립선암의 정확한 진단을 위한 질감 특성 분석 및 등급 분류

Abstract

Prostate cancer is a high-risk with a high incidence and is a disease that occurs only in men. Accurate diagnosis of cancer is necessary as the incidence of cancer patients is increasing. Prostate cancer is also a disease that is difficult to predict progress, so it is necessary to predict in advance through prognosis. Therefore, in this paper, grade classification is attempted based on texture feature extraction. There are two main methods of classification: Uses One-way Analysis of Variance (ANOVA) to determine whether texture features are significant values, compares them with all texture features and then uses only one classification i.e. Benign versus. The second method consisted of more detailed classifications without using ANOVA for better analysis between different grades. Results of both these methods are compared and analyzed through the machine learning models such as Support Vector Machine and K-Nearest Neighbor. The accuracy of Benign versus Grade 4&5 using the second method with the best results was 90.0 percentage.

1. 서론

전립선암은 남성의 전립선에 발생하는 악성종양이며, 발병률이 높은 고위험군의 병으로 알려져 있다[1]. 전립선암은 미국에서 두 번째로 흔한 암 사망원인으로 알려져 있을 뿐만 아니라 2016년 국가 암등록 통계에 따르면 2016년에 새로 발생한 암 환자의 수는 전년도(2015년)21만 2542명에 비해 22만 9180명(남 12만 68명, 여 10만 9112명)으로 1만 2638명(5.8%)가 증가 한 것으로 보도되었고, 이 중 전립선암은 2015년과 비교 하였을 때, 간암을 제치고 4번째로 많이 발생하는 암으로 보고되었다[2]. 최근 우리나라가 고령화 사회로 진입하면서 전립선암의 유병률이 증가한 것으로 보이는데, 그 이유는 전립선암의 가장 중요한 위험 인자가 나이로 주로 60대 이후 노인에게 전립선암이 많이 발생하기 때문이다. 하지만50대 이하의 남성에게서도 많이 발병하고 있다[3].

따라서 전립선암은 꾸준한 관리가 필요한 만성 질환으로 자리 잡고 있으며, 이에 대한 전립선암의 정확한 진단이 필요한 시점이다. 또, 전립선암은 예측하기 어려운 병의 진행 형태를 보이기 때문에 예후를 통해 사전에 예측하는 것이 필요하다.

전립선암의 분류는 병리학자인 도널 글리슨이 제시한 글리슨점수(Gleason Score)가 주로 사용되고 있으며, 종양조직의 분화 정도와 세포의 특성에 따라 유형 등급(Grade)1부터 등급 5으로 나뉘게 된다. 등급 1은 뚜렷한 선 구조를 가지며, 작고 균일한 세포로 이루어져 있지만, 등급 5로 갈수록 점점 불규칙적이며, 뚜렷한 분비선이 없어지게 된다[4]. 본 논문에서는 정확한 진단을 목적으로 먼저, 등급 1과 등급 2를양성(Benign)으로 등급 3, 등급 4, 등급 5를 악성(Malignant)으로 분류하는 연구를 하였으며, 이 후세부적으로 결과를 확인하기 위하여 각각의 등급으로 분류하는 연구를 시도하였다.

영상분석 방법 중 하나인 질감분석(Texture Analysis)은 의료영상분야에서도 활발히 연구가 진행되고 있으며, 질감분석 방법은 크게 세 가지로 볼 수 있다[5]. 본 연구에서는 영상에서 각 화소 사이의 상호 관계를 분석하는 방법인 통계적 방법을 사용한다.

통계적 방법에서 Haralick이 제시한 Gray-Level Co-occurrence Matrix(GLCM)을 사용하여 질감특성(Texture Feature)을 추출한 후 얻은 질감특성 값으로 전립선암의 등급 분류를 하였다[6,7]. 암을 양성과 악성으로만 분류 할 때는 일원분산분석(One-way Analysis of Variance)을 이용하여 추출된 특성들이 적합한지 판별하는 과정을 거쳤다.

Table 1. The first research materials of prostate imagedata set (Benign vs Malignant)  

본 논문에서는 전립선암의 등급을 분류하는 데에목적을 두었으며, 제안한 방법은 질감특성을 이용하여 암을 분류하고자 하였다. 제시된 방식은 두 가지로 볼 수 있으며, 모두 기계학습 모델인 Support Vector Machine (SVM)과 k-Nearest Neighbor(kNN)를 이용하여 분류를 하였다. 첫 번째 방식에서는 암의 등급 분류를 크게 양성 vs 악성으로 분류하고 일원분산분석을 이용하여 유의하다고 판별된 질감 특성과 일원분산분석을 사용하지 않은 방법을 비교 분석하였다. 두 번째 방식은 암의 분류를 양성 vs악성, 양성 vs 등급 3, 양성 vs 등급 4&5, 등급 3vs 등급 4&5로 분류하여 결과를 분석하였다.

본 논문의 구성은 2장에서 사용한 실험데이터에 대해 설명하며, 3장에서는 제안하는 방법 두 방식들에 대해 구체적인 설명을 한 후,4장에서 본 연구의 실험결과에 대한 분석 및 다른 연구결과와의 비교분석을 하고, 마지막 5장에서는 결론으로 마친다.

2. 실험 데이터 및 개발 환경

2.1 실험데이터

본 연구에서 사용된 이미지는 세브란스병원에서 획득하였으며, 이미지의 크기는 512 ×512로 단위는 화소이다. 사용된 이미지 수는 첫 번째 방식으로 양성 vs 악성을 분류한 경우이며 Table1과 같다. 두 번째 방식에서는 사용된 수는 Table2와 같다.

본 연구에서는 8:2의 비율로 이미지가 사용되었으며. 이는 같은 비율의 이미지를 사용하여 결과를 도출하였을 때, 결과들을 비교분석 해보기 위함이었다.

Table 2. The second research materials of prostate image data set

2.2 개발환경

본 연구는 CPUInteli5-4660, RAM24GB, GPUGTX1060 3GB 의 환경에서 이루어졌으며 언어는 MATLAB(ver. R2018b)을 이용하여 연구 결과를 내었다. 또, 통계학적인 분석을 통하여 질감특성이 유의한지 분석 및 판별을 하기 위하여 일원분산분석방법을 이용하였으며,SPSS툴을 사용하였다.

Fig. 1. Flowchart used for two methods

3. 제안한 방법

3.1 제안한 방법의 개요

본 논문에서는 전립선암의 등급을 분류를 위하여 두 가지 방식의 방법론을 제안한다. 질감특성을 이용하며, 이진분류에 주로 사용되는 SVM(Support Vector Machine)과 kNN(k-Nearest Neighbor)를 사용한다는 점은 같다.Fig.1은 연구의 전체적인 시스템흐름도이다. 첫 번째 방식은 분류를 양성 vs 악성으로만 하였으며,GLCM을 통해 추출된 12개의 질감특성을 이용한 분류와 12개의 질감특성 중 유의하다고 분석된 10개의 질감특성을 이용한 분류를 비교하는 연구이며, 두 번째 방식의 분류는 첫 번째 방식에서 사용된 일원분산분석 방법을 사용하지 않고 등급분류를 더욱 세밀하게 하는 데에 목적을 두었다. 본 연구에서는 전처리 과정을 적용하지 않은 원본 영상을 사용하여 연구를 진행하였다.

3.2 GLCM을 이용하여 추출한 질감특성(Texture Feature)

분류에 앞서 이미지의 형태학적인 특성뿐만 아니라 이미지가 가지는 질감적인 특성을 파악하는 것이 가장 중요하다. 먼저 질감이란 말 그대로 이미지의 특성을 의미하며 이미지에서 영역, 물체 등을 식별하는 데에 사용되는 중요한 특성이다[8]. Fig.2는 연구에 사용되는 이미지들의 예시이며, 그림에서 볼 수 있듯이 양성과 등급 3은 다소 유사할지라도 다른 질감을 가지고 있다는 것을 알 수 있다.

Fig. 2. The representative used images (a) Benign, (b) Grade 3, (c) Grade 4, and (d) Grade 5. 

가장 효과적인 방법으로 알려져 있는 2DGLCM을 이용하여 특성들을 추출하였다.GLCM 이란, 거리와 각도를 이용하여 화소의 공간 관계를 고려한 방식으로 화소의 위치에 대한 정보를 포함하고 있는 행렬이다. 화소쌍이 발생하는 빈도를 계산 한 후 행렬을 생성하게 되고, 정규화 과정을 거친 후 여러 질감특성들을 추출할 수 있게 된다[9,10,11]. 얻을 수 있는 질감 특성으로는 Diagonal Moment, Inverse DM, Contrast, Energy, Uniformity, Entropy, Dif-ference Entropy, Peak Transition Probability 등의 특성 값 들이 있다[12,13]. 본 논문과 비슷하게 의료영상처리에 대해 연구를 한 논문에서는 Entropy, Contrast, Correlation 3가지의 질감특성과 형태분석을 통하여 다양한 방법론을 제시하였다[14]. 본 논문에서는 256×256 크기의 GLCM을 형성하였으며, 거리는 1과 2일 때 우수한 결과를 얻을 수 있다는 연구에 의해 거리를 1로 두었다[15]. 또, 중복을 피하기 위하여 각도는 0°,45°,90°,135°로 4개의 각도를 사용하였다. 이를 통해 추출한 12가지의 특성 값들에 대한 설명은 Table 3에 나타내었다[16].

Table 3. Description of 12 texture features

3.3 통계학적 분석을 통한 특성 값 선택

12가지의 특성 값들을 추출 한 후, 이 값들이 유의한 특성 값인지를 판별하고 평가하기 위하여 통계적 분석을 하였다. 일원분산분석 방법은 두 모집단의 평균차이를 검증한다. 모집단으로부터 표본을 추출한 경우, 집단 간 분산이 클수록, 그리고 집단 내 분산이 작을수록 각 모집단 간의 평균값에는 차이가 있을 가능성이 높다는 것이다. 즉, 질감특성을 나타내는 12가지의 독립변수들에 의해 평균값에 차이가 있는지를 알아보기 위해 일원분산분석을 실시하였다. 그 결과는 Table4와 같다. Significant Probability는 유의확률로서,p<0.05 이면 유의한 차이가 있다고 본다.F-value는 그룹 간 평균 제곱(Between sum of square)/ 그룹 내 평균 제곱(Within sum of square)을 의미하며,F-value가 크면 클수록 집단 간의 변량(Variation between group)이 집단 내의 변량(Variation within group)보다 커진 다는 의미이므로 차이 있는 특성 값을 가진다는 것을 말한다[17]. 따라서 본 논문에서는 p<0.05이며 F-val-ue >5인 유의한 특성 값을 가진다고 판단 될 수 있는 10개의 질감특성(Energy, Entropy, Correlation, Con-trast, Homogeneity, Variance, Sum Mean, Inertia, Cluster Shade, Cluster Tendency)을 통하여 전립선암을 분류한 결과를 도출하였다. 결과 비교 및 분석을 하기 위하여 12개의 특성 값을 모두 사용해 분류를 실시하였다.

Table 4. The results of One-way Analysis of Variance for texture features.

3.4 분류모델

정확한 진단을 위해서는 정확한 암의 분류가 필요로 하다. 본 논문에서는 머신러닝 중 가장 널리 쓰이고 있는 알고리즘인 SVM과 kNN을 사용하여 암의등급 분류를 시도하였다.

Fig. 3. Diagram of Support Vector Machine.

먼저,SVM에 대한 설명은 Fig.3과 같다. 주로 이진 분류를 위해 쓰이며, 서로 다른 두 개의 집단이 있다고 할 때, 서로 다른 집단 사이의 판별경계(Hy-perplane)을 통하여 두 그룹으로 분류를 하는 방식이다. 즉, 데이터 그룹을 분류하는 최적의 판별경계를 찾는 알고리즘이다.SVM의 중요한 요소는 Margin, Support Vector, Kernel 둥 세 가지로 볼 수 있다. Margin이란 각각의 집단의 벡터들이 있을 때 판별경계까지의 거리 중 가장 짧은 것을 의미한다. 이때,벡터와 판별경계까지의 거리가 가장 짧은 벡터를 Support Vector라고 부른다.Kernel은 쉽게 말해 저차원의 데이터를 고차원의 공간 값으로 매핑 시킬 때, 차원을 높임으로 인해 문제가 발생할 수 있는데 이를 해결할 수 있는 방법을 Kernel이라 한다[18,19]. 본 연구에서 사용된 모델들은 6가지(Linear, Qua-dratic, Cubic, Fine Gaussian, Medium Gaussian, Coarse Gaussian)이며 교차 검증(Cross-Valida-tion)은 5겹으로 연구를 진행하였다.

반면에,kNN은 가장 단순한 알고리즘으로 알려져 있으며, 모집단의 분포에 대한 어떠한 가정을 필요하지 않는다는 성질을 가지고 있는 알고리즘이다. 말그대로 가장 가까운 이웃을 찾는 분류방식이다. 예를 들어, 임의의 새로운 데이터가 있다고 가정하면 기존의 데이터들 중에서 새로운 데이터까지의 거리가 가장 가까운 k개의 데이터의 라벨에 따라 새로운 데이터의 라벨이 결정되는 것을 의미한다.k의 값에 따라판단이 달라 질 수 있으며, 너무 작은 k 값은 과 적합(overfitting)의 우려가 있으므로 보통 3과 10사이에서 결정한다. 거리는 대표적으로 유클리드 거리(Euclidean Distance)로 측정을 한다[20,21]. 본 논문에서도 적용을 하였으며, 교차 검증도 SVM과 같은5겹으로 연구를 수행하였다.kNN 알고리즘에 대한 설명은 Fig.4와 같다. 주황색의 원이 어느 집단에 속하는 지를 결정할 때,k=3인 경우 근접해 있는 집단은 삼각형 집단 2개와 사각형 집단 1개로 원은삼각형 집단에 속하게 된다. 반면,k=9일 때 삼각형 집단 3개, 사각형 집단 6개이므로 원은 사각형 집단으로 본다.

Fig. 4. Diagram of k-Nearest Neighbor.

4. 실험 결과 및 고찰

혼동행렬(Confusionmatrix)로 첫 번째 방식을 이용하여 전립선암의 분류 결과는 Table5와 6에 나타내었다. 첫 번째 방식은 양성 vs 악성으로만 분류를 하였으며, 사용된 특성 값을 다르게 하여 연구한 결과는 SVM의 결과가 kNN의 결과보다 높은 성능을 보였으며, 가장 좋은 높은 정확도를 보인 경우는 10개의 특성을 사용했을 때 84.1%인 것을 확인할 수 있었다. 두 번째 방식은 등급의 분류를 세부적으로 나누는 연구를 시도하였다. 혼동행렬로 나타낸 결과는 Table7부터 10에 나타나있다. 등급 분류 중 양성vs 등급 4&5로 분류를 하였을 때,90.0%로 가장 성공적인 결과가 나왔다. 반면에 가장 좋지 못한 결과가 나온 경우는 kNN을 사용하여 양성 vs 등급 3로 분류했을 때였으며 정확도는 70.0%였다. 그 외의 분류에서도 SVM이 kNN보다 더 나은 결과를 보인 것을 확인 할 수 있는 실험이었다. 또, 혼동행렬을 보면 알수 있듯이 어느 한 경우에 치우치지 않은 결과가 나왔으며, 이 결과들도 나쁘지 않다는 것을 알 수 있다. 본 논문에서는 정확도(Accuracy), 민감도(Sensi-tivity), 특이도(Specificity)로 결과의 검증을 하였으며, 다음과 같이 정의된다[22].

\(\text {Accurarcy }=\frac{(T N+F N)}{(T N+T P+F N+F P)}\)       (1)

\(\text {Sensitivity}=\frac{T P}{(T P+F N)}\)       (2)

\(\text {Specificity}=\frac{T N}{(T N+F P)}\)       (3)

예를 들어, 실제 양성을 양성이라고 예측한 경우를 TP(True Positive)라고 하며, 악성이라고 예측한 경우를 FP(FalsePositive)라고 한다. 반대로, 실제는악성인데 양성이라고 예측한 경우는 FN(False Negative)이라고 하며, 악성이라고 실제와 예측이 같은 경우를 TN(TrueNegative)이라고 한다. 이를 통하여 식 (1),(2),(3)처럼 정의되어 결과를 얻을 수 있다. 그 결과는 Table11에 나타내었다[23].

아래의 Table6를 보면 알 수 있듯이 본 연구의 결과 중 가장 높은 결과는 양성 vs 등급 4&5 를 SVM으로 분류할 때 90%였다.G.Nir.etal[24]는 전립선암의 자동 채점을 위한 컴퓨터 보조 체계를 개발 하는 것에 목적을 두었으며, LDA(Linear Discriminant Analysis), LR(Logistic Regression), SVM 등으로 성능평가를 하였다. 그 중 SVM의 결과만을 표에 표기하였다. 양성 vs 모든 등급(Allgrades)를 분류한 결과는 88.5%였으며, 등급 3vs 등급 4&5의 정확도는 73.8%였다. 본 연구에서 결과인 85.0%와 비교해 보았을 때, 본 연구에서 질감특성을 이용하여 수행한 방법이 더 우수한 결과를 나타낸다는 것을 확인할 수 있다.S.Doyle.etal[25]는 그리슨 등급 체계를 기반으로 SVM을 사용하여 정상 상피조직(Benign Epithelium), 정상 기질(Benign Stroma), 등급 3의 선암(Adenocarcinoma), 등급 4의 선암을 분류하는 연구를 하였다. AdaBoost 알고리즘을 통한 특성 선택을 하였으며, 등급 3vs 등급 4의 결과는 76.9%였다. 본 논문의 양성 vs 등급 4&5 등급 분류 결과는 85.0%로 더 나은 결과를 보이고 있다. S. Naik. et al[26]는 병리영상에 대한 관심 구조의 분할과 자동검출에 대한 방법론을 제시했다. 분할 알고리즘의 효율성은 수동으로 감지한 방식과 자동으로 감지해 분할한 방식의 비교를 통해 평가되며,Table6의 결과는 자동으로 분할한 결과를 나타내었다. 본 논문의 연구결과 보다 더 높은 결과를 보이며 정확도는 양성vs 등급 3을 분류할 때 86.3%, 양성 vs 등급 4를 분류할 때의 정확도는 92.9%로 매우 우수한 결과를 나타내었다. 본 연구의 결과인 90.0%와 비슷하지만 본 논문의 결과보다는 조금 더 높지만 비슷한 결과가 나온 것을 알 수 있다[27].

Table 5. First method’s confusion matrix result of Benign vs Malignant (using 12 texture features) using SVM and 

Table 6. First method’s confusion matrix result of Benign vs Malignant (using 10 texture features) using SVM and kNN

Table 7. Second method’s confusion matrix result of Benign vs Malignant using SVM and kNN

Table 8. Second method’s confusion matrix result of Benign vs Grade 3 using SVM and kNN

Table 9. Second method’s confusion matrix result of Benign vs Grade 4&5 using SVM and kNN

Table 10. Second method’s confusion matrix result of Grade 3 vs Grade 4&5 using SVM and kNN

5. 결론

현재 전립선암의 환자 발생률은 늘어나고 있는 것으로 보이며, 이에 따른 암의 정확한 진단이 필요하다. 본 논문에서는 질감특성추출을 기반으로 하는 두 가지 방식을 제안한다. 일원 분산 분석을 사용하여 질감 특성의 유의성 평가를 통해 선택된 10개의 특성값을 이용하여 분류한 결과와 12개의 모든 특성 값을 이용하여 분류한 결과는 SVM으로 분류하였을 때, 각각 81.6%,84.1%였다. 질감 특성에서의 통계적 분석은 뚜렷한 차이를 보이지 않지만, 유의성 판별이 결과에 영향을 미친다는 것은 알 수 있다. 또, 등급분류를 4가지 단계(양성 vs 악성, 양성 vs 등급 3,양성 vs 등급 4&5, and 등급 3vs 등급 4&5)로 더세밀하게 연구를 시도 하였다. 그 결과 가장 성공적인 결과를 보인 분류는 SVM을 사용하였을 때이며양성 vs 등급 4&5로 90.0%의 정확도가 나타났다. 반면에 가장 좋지 않은 결과는 양성 vs 등급 3을 kNN으로 분류할 때 70%로 결과가 나왔다. 전반적으로 kNN보다는 SVM을 사용하였을 때 더 좋은 성능을 보였으며, 기존의 연구들과도 비슷한 결과를 얻을 수 있었다. 하지만 앞으로 더 많은 데이터를 사용한다면더 좋은 결과를 도출할 수 있을 것이라고 예상하며앞으로의 연구에 있어서는 딥러닝을 통하여 등급을 양성, 등급 3, 등급 4, 등급 5로 정확한 분류에 도달할 수 있도록 할 것이다. 또 정확도를 높이기 위하여 이미지 분할을 하는 등의 전처리 작업이 있을 것으로 예상된다. 본 연구의 본질적인 목표인 세부적으로 등급을 정확하게 분류하는 데에 목적을 두며 앞으로의 연구를 진행해 나갈 것이다.

Table 11. Result and comparison of classification using SVM and kNN