Deep Learning-Based Lesion Detection

Abstract

하드웨어의 발전과 방대한 크기의 데이터셋의 공개로 인공지능 분야는 황금기에 접어들었다. 인공지능에 기반한 연구들은 오랜 시간 답보 상태에 있던 영상 인식, 객체 검출, 자연어 처리, 기계 번역 및 자율주행 자동차와 같은 다양한 분야에서 성공적인 결과를 보여주었다. 생체 의료 데이터 분석 분야에서도 방대하게 축적되는 생체 의료 빅데이터를 효과적으로 분석하기 위해 기계 학습을 적용하려는 다양한 연구가 시도되고 있다.<br/> <br/> 한편, 생체 의료 데이터에 기계학습 기법을 효과적으로 적용하기 위해서는 극복해야만 하는 몇 가지 이슈가 존재한다. 첫번째 이슈는 기계 학습 기법이 의료 현장에서 진단 보조도구로 적용되려면 기계의 예측 결과와 그에 대한 추정 근거가 해석이 가능해야 한다는 것이다. 두번째 이슈로 특정 질환에 대한 생체 데이터의 크기가 딥러닝과 같은 대량의 학습데이터를 요구하는 기계학습 모델의 학습에는 부족할 수 있다는 것이다. 더 나아가, 모델의 학습을 위한 그라운드 트루스 데이터의 부족도 또 하나의 이슈로 여길 수 있다. 생체 의료 데이터의 경우 그라운드 트루스 데이터를 생성하기 위해서는 의사를 비롯한 전문가의 노력이 불가피하여 이를 확보하기란 매우 어려운 일이기 때문이다. 마지막으로 인간 유전체와 같이 방대한 양의 생체 데이터를 분석해야 하는 경우 분석 도구의 입출력 패턴이 장애물로 작용하여 전체적인 분석 시간에 영향을 줄 수 있다는 점이다. <br/> <br/> 본 학위 논문에서는 각각의 이슈들을 해결하기 위해 제안한 접근법들을 4개의 챕터에 걸쳐 제시한다. 첫번째로는 딥러닝 기반의 모델을 진단 보조도구로 사용하였을 때, 사용자가 모델의 판단 근거를 시각적으로 피드백 받을 수 있도록 하는 pyramid Grad-CAM을 제안하였다. 두번째로는 학습 데이터가 부족한 상황에서 딥러닝 모델을 성공적으로 학습시키고, 모델의 강인함을 향상시키기 위한 방법을 소개한다. 학습데이터 부족을 극복하기 위하여 가우시안 노이즈 기반의 왜곡을 활용한 데이터 증강 기법을 사용하였으며, 학습된 모델을 보조할 수 있는 신호 처리 기법 기반의 방법론을 상보적으로 융합하였다. 세번째 이슈를 극복하기 위해서 약한 지도 학습법에 기반한 새로운 병변 검출 기법을 소개한다. 마지막으로는 방대한 생체 의료 데이터 분석 기법을 저장장치 단에서 가속화 할 수 있는 입출력 패턴을 발견하기 위하여, 23개의 생물정보학 어플리케이션에 대한 심층적인 프로파일링과 계층적 군집화 기법을 통한 입출력 패턴 분석을 수행하였다. 본 학위 논문에서는 이와 같이 생체 의료 데이터의 효과적인 분석을 위한 다양한 기계 학습 기반의 분석 기법과 가속화 방안을 제안하였다.