• 대한방사선기술학회지:방사선기술과학
• /
• 제45권2호
• /
• pp.151-158
• /
• 2022

The Cardiac Gated Blood Pool (GBP) scintigram, a nuclear medicine imaging, calculates the left ventricular Ejection Fraction (EF) by segmenting the left ventricle from the heart. However, in order to accurately segment the substructure of the heart, specialized knowledge of cardiac anatomy is required, and depending on the expert's processing, there may be a problem in which the left ventricular EF is calculated differently. In this study, using the DeepLabV3 architecture, GBP images were trained on 93 training data with a ResNet-50 backbone. Afterwards, the trained model was applied to 23 separate test sets of GBP to evaluate the reproducibility of the region of interest and left ventricular EF. Pixel accuracy, dice coefficient, and IoU for the region of interest were 99.32±0.20, 94.65±1.45, 89.89±2.62(%) at the diastolic phase, and 99.26±0.34, 90.16±4.19, and 82.33±6.69(%) at the systolic phase, respectively. Left ventricular EF was calculated to be an average of 60.37±7.32% in the ROI set by humans and 58.68±7.22% in the ROI set by the deep learning segmentation model. (p<0.05) The automated segmentation method using deep learning presented in this study similarly predicts the average human-set ROI and left ventricular EF when a random GBP image is an input. If the automatic segmentation method is developed and applied to the functional examination method that needs to set ROI in the field of cardiac scintigram in nuclear medicine in the future, it is expected to greatly contribute to improving the efficiency and accuracy of processing and analysis by nuclear medicine specialists.

• 한국전자통신학회논문지
• /
• 제17권3호
• /
• pp.529-536
• /
• 2022

지난 2년 동안 중증급성호흡기증후군 코로나바이러스-2(SARS-CoV-2)는 점점 더 많은 사람들에게 영향을 미치고 있다. 본 논문에서는 COVID-19 폐 CT 이미지를 분할하고 분류하기 위해서 서브코딩블록(SCB), 확장공간파라미드풀링(ASSP)와 어텐션게이트(AG)로 구성된 혼합 모드 특징 추출 방식의 새로운 U-Net 컨볼루션 신경망을 제안한다. 그리고 제안된 모델과 비교하기 위하여 FCN, U-Net, U-Net-SCB 모델을 설계한다. 제안된 U-Net-MMFE 는 COVID-19 CT 스캔 디지털 이미지 데이터에 대하여 atrous rate가 12이고, Adam 최적화 알고리즘을 사용할 때 다른 분할 모델에 비하여 94.79%의 우수한 주사위 분할 점수를 얻었다.

• 대한의용생체공학회:의공학회지
• /
• 제44권2호
• /
• pp.139-146
• /
• 2023

Osteoporosis is a disease in which the risk of bone fractures increases due to a decrease in bone density caused by aging. Osteoporosis is diagnosed by measuring bone density in the total hip, femoral neck, and lumbar spine. To accurately measure bone density in the lumbar spine, the vertebral region must be segmented from the lumbar X-ray image. Deep learning-based automatic spinal segmentation methods can provide fast and precise information about the vertebral region. In this study, we used 695 lumbar spine images as training and test datasets for a deep learning segmentation model. We proposed a lumbar automatic segmentation model, CM-Net, which combines the center point of the spine and the modified U-Net network. As a result, the average Dice Similarity Coefficient(DSC) was 0.974, precision was 0.916, recall was 0.906, accuracy was 0.998, and Area under the Precision-Recall Curve (AUPRC) was 0.912. This study demonstrates a high-performance automatic segmentation model for lumbar X-ray images, which overcomes noise such as spinal fractures and implants. Furthermore, we can perform accurate measurement of bone density on lumbar X-ray images using an automatic segmentation methodology for the spine, which can prevent the risk of compression fractures at an early stage and improve the accuracy and efficiency of osteoporosis diagnosis.

• Korean Journal of Radiology
• /
• 제21권6호
• /
• pp.660-669
• /
• 2020

Objective: To evaluate the accuracy of a deep learning-based automated segmentation of the left ventricle (LV) myocardium using cardiac CT. Materials and Methods: To develop a fully automated algorithm, 100 subjects with coronary artery disease were randomly selected as a development set (50 training / 20 validation / 30 internal test). An experienced cardiac radiologist generated the manual segmentation of the development set. The trained model was evaluated using 1000 validation set generated by an experienced technician. Visual assessment was performed to compare the manual and automatic segmentations. In a quantitative analysis, sensitivity and specificity were calculated according to the number of pixels where two three-dimensional masks of the manual and deep learning segmentations overlapped. Similarity indices, such as the Dice similarity coefficient (DSC), were used to evaluate the margin of each segmented masks. Results: The sensitivity and specificity of automated segmentation for each segment (1-16 segments) were high (85.5-100.0%). The DSC was 88.3 ± 6.2%. Among randomly selected 100 cases, all manual segmentation and deep learning masks for visual analysis were classified as very accurate to mostly accurate and there were no inaccurate cases (manual vs. deep learning: very accurate, 31 vs. 53; accurate, 64 vs. 39; mostly accurate, 15 vs. 8). The number of very accurate cases for deep learning masks was greater than that for manually segmented masks. Conclusion: We present deep learning-based automatic segmentation of the LV myocardium and the results are comparable to manual segmentation data with high sensitivity, specificity, and high similarity scores.

• 한국컴퓨터그래픽스학회논문지
• /
• 제30권1호
• /
• pp.11-17
• /
• 2024

폐암은 크기가 다양하고 유사한 밝기값을 갖는 주변 구조물이 존재하기 때문에 흉부 CT 영상에서 폐암을 정확하게 분할하는 것이 어렵다. 이러한 문제를 해결하기 위해 본 논문에서는 심층 감독을 포함하고 UNet3+를 백본으로 사용하는 폐암 분할 네트워크를 제안한다. 또한, 픽셀 기반, 영역 기반 및 형태 기반의 3가지 구성 요소로 이루어진 하이브리드 병변 초점 손실함수를 제안한다. 이를 통해 배경에 비해 작은 영역을 차지하는 폐암 부분에 집중하고, 불명확한 경계를 처리하는데 도움이 되는 형태 정보를 고려할 수 있다. 제안 방법을 UNet 및 UNet3+와 비교 실험을 통해 검증하였고, 제안 방법은 모든 폐암 크기에서 DSC 측면에서 가장 우수한 성능을 보였다.

• Korean Journal of Radiology
• /
• 제22권3호
• /
• pp.442-453
• /
• 2021

Artificial intelligence (AI) will likely affect various fields of medicine. This article aims to explain the fundamental principles of clinical validation, device approval, and insurance coverage decisions of AI algorithms for medical diagnosis and prediction. Discrimination accuracy of AI algorithms is often evaluated with the Dice similarity coefficient, sensitivity, specificity, and traditional or free-response receiver operating characteristic curves. Calibration accuracy should also be assessed, especially for algorithms that provide probabilities to users. As current AI algorithms have limited generalizability to real-world practice, clinical validation of AI should put it to proper external testing and assisting roles. External testing could adopt diagnostic case-control or diagnostic cohort designs. A diagnostic case-control study evaluates the technical validity/accuracy of AI while the latter tests the clinical validity/accuracy of AI in samples representing target patients in real-world clinical scenarios. Ultimate clinical validation of AI requires evaluations of its impact on patient outcomes, referred to as clinical utility, and for which randomized clinical trials are ideal. Device approval of AI is typically granted with proof of technical validity/accuracy and thus does not intend to directly indicate if AI is beneficial for patient care or if it improves patient outcomes. Neither can it categorically address the issue of limited generalizability of AI. After achieving device approval, it is up to medical professionals to determine if the approved AI algorithms are beneficial for real-world patient care. Insurance coverage decisions generally require a demonstration of clinical utility that the use of AI has improved patient outcomes.

• 대한방사선치료학회지
• /
• 제28권2호
• /
• pp.161-169
• /
• 2016

목 적 : 전립선암 방사선치료에서 방광과 직장의 체적변화에 따른 전립선의 위치 및 모양변화를 파악하여 이들 변화가 표적체적에 미치는 영향을 파악하고자 하였다. 대상 및 방법 : 본원 전립선암 protocol에 따라 방사선치료를 시행한 환자 6명을 대상으로 후향적 영상자료분석 및 윤곽설정을 시행하였다. 설계용 computed tomography (pCT)와 분할치료 시 획득된 cone-beam CT (CBCT)를 이용하여 전립선, 방광, 그리고 직장의 윤곽을 설정(contouring)하였다. 두 영상자료의 골격구조 기반 조사영역맞춤을 통해 전립선의 위치변화를 관찰하였으며, 전립선의 위치변화, 모양변형, 그리고 크기변화를 종합적으로 분석하기 위해 Dice similarity coefficient(DSC)를 이용하였다. 결 과 : 전립선의 체적은 pCT에서 평균 37.2cm3 로 측정되었으며 약 5% 이내의 크기변화를 나타내었고, 전립선의 DSC는 평균 89.9%로 환자마다 다양한 분포양상이 관측되었다. 방광의 체적변화에 따른 전립선의 DSC 변화를 상관분석한 결과 관련성을 찾을 수 없었지만(r=-0.084,p=0.268), 방광체적의 증감에 따른 층화분석 시 방광의 체적이 증가한 경우에서 DSC 와 방광변화량 간에 통계적으로 유의한 음의 상관관계를 관찰할 수 있었다(r=-0.230,p=0.049). 직장의 체적변화에 따른 전립선의 DSC 변화를 분석한 결과 직장의 체적변화가 증가함에 따라 DSC가 감소하는 것으로 나타났다(r=-0.162,p=0.032). 직장체적에 대한 층화분석에서는 체적이 pCT보다 증가한 경우에 강한 상관관계를 나타내었다 (r=-0.240,p=0.020). 결 론 : 방광과 직장의 체적을 일정하게 유지하는 것이 치료의 정확도를 보장하는 것은 아닌 것으로 나타났다. 따라서 전립선암의 방사선치료 시 CBCT를 이용한 연조직 기반의 조사영역맞춤이 중요하며, 직장풍선(rectal balloon) 등을 이용한 체적관리가 치료정확도를 유지하는데 역할을 할 것으로 사료된다.

• Korean Journal of Radiology
• /
• 제24권4호
• /
• pp.294-304
• /
• 2023

Objective: We aimed to investigate whether image standardization using deep learning-based computed tomography (CT) image conversion would improve the performance of deep learning-based automated hepatic segmentation across various reconstruction methods. Materials and Methods: We collected contrast-enhanced dual-energy CT of the abdomen that was obtained using various reconstruction methods, including filtered back projection, iterative reconstruction, optimum contrast, and monoenergetic images with 40, 60, and 80 keV. A deep learning based image conversion algorithm was developed to standardize the CT images using 142 CT examinations (128 for training and 14 for tuning). A separate set of 43 CT examinations from 42 patients (mean age, 10.1 years) was used as the test data. A commercial software program (MEDIP PRO v2.0.0.0, MEDICALIP Co. Ltd.) based on 2D U-NET was used to create liver segmentation masks with liver volume. The original 80 keV images were used as the ground truth. We used the paired t-test to compare the segmentation performance in the Dice similarity coefficient (DSC) and difference ratio of the liver volume relative to the ground truth volume before and after image standardization. The concordance correlation coefficient (CCC) was used to assess the agreement between the segmented liver volume and ground-truth volume. Results: The original CT images showed variable and poor segmentation performances. The standardized images achieved significantly higher DSCs for liver segmentation than the original images (DSC [original, 5.40%-91.27%] vs. [standardized, 93.16%-96.74%], all P < 0.001). The difference ratio of liver volume also decreased significantly after image conversion (original, 9.84%-91.37% vs. standardized, 1.99%-4.41%). In all protocols, CCCs improved after image conversion (original, -0.006-0.964 vs. standardized, 0.990-0.998). Conclusion: Deep learning-based CT image standardization can improve the performance of automated hepatic segmentation using CT images reconstructed using various methods. Deep learning-based CT image conversion may have the potential to improve the generalizability of the segmentation network.

• 한국컴퓨터그래픽스학회논문지
• /
• 제24권4호
• /
• pp.29-38
• /
• 2018

본 논문에서는 무릎 MR 영상에서 반월상 연골의 자동 위치화, 다중 아틀라스 기반 지역적 가중 투표를 통한 반월상 연골 분할 및 패치 기반 윤곽선 특징 분류를 통한 반월상 연골 자동 분할 방법을 제안한다. 첫째, 뼈와 무릎 관절 연골을 분할한 후 이를 이용하여 반월상 연골의 관심볼륨영역을 자동 위치화한다. 둘째, 반월상 연골의 관심볼륨영역에서 형상 및 밝기값 분포 가중치를 고려한 다중 아틀라스 기반 지역적 가중 투표를 통해 반월상 연골을 분할한다. 셋째, 밝기값이 유사한 측부 인대로의 누출을 제거하기 위해 형상 및 거리 가중치를 고려한 패치 기반 윤곽선 특징 분류를 통해 반월상 연골 분함을 개선한다. 제안 방법을 통한 분할 결과와 수동 분할 결과 간 다이스 유사계수는 내측 반월상 연골은 80.13%, 외측 반월상 연골은 80.81%를 보였으며 다중 아틀라스 기반 지역적 가중투표를 통한 분할 방법과 비교하여 내 측 및 외측 반월상 연 골 각각 7.25%, 1.31% 향상되었다.

• 생명과학회지
• /
• 제16권4호
• /
• pp.664-671
• /
• 2006

1996년부터 2005년까지 부산지역에서 분리된 Salmonella enterica serovar Typhi 균주에 대한 항균제 내성 변화양상 및 Pulsed-field gel electrophoresis(PFGE)를 이용한 분리주의 분자역학적 형별을 분석하였다. 전체 424주에 대한 항균제 감수성 시험결과 multidrug-resistant (MDR) 6주(1.4%)와 nalidixic acid에만 내성을 보이는 2주를 제외한 나머지 416주(98.1%)가 시험 항균제 18종 모두에 감수성을 보였다. 부산지역 분리 장티푸스균의 유전적 이질성을 확인하고자 실시한 산발 분리 50주의 PFGE/XbaI 시험결과, 최소 32종의 다양한 패턴이 나타났다. 각 패턴별로 제한효소 절편 수는 13개에서 18개까지였고, 절편크기는 약 20 kb에서 630 kb 범위였다. 본 시험결과 부산지역의 장티푸스의 산발 또는 집단 발생시 PFGE는 유용한 역학적 지표로 사용가능함을 알 수 있었으며 또한 전국적 PulseNet 구축의 기초 자료로서 활용도가 높을 것으로 사료된다.