Deep Neural Network based Disease Severity Regression for Diagnosis of Abdominal Aortic Aneurysm

Abstract

Disease in the medical field correspond to fault from an engineering point of view. In diagnosing machine failure, prognostics and health management (PHM) are essential. PHM chases the degradation of the health of the target system and produces information on health status. In this paper, the target system is selected as human. The target disease of human being the target system is selected as abdominal aortic aneurysm (AAA). Two of the main issues related to aneurysm are the lack of diagnostic indicators and lack of disease data. Aneurysm is not diagnosed using diagnostic indices, but is discovered using imaging techniques such as computed tomography (CT) or magnetic resonance imaging (MRI). However, these techniques are expensive and time consuming. In addition, because it is difficult to diagnose this disease in advance, it is not easy to secure disease data. Against these issues, this study proposes a disease diagnosis and severity regression technique that combines deep learning. There are three research thrusts here: 1) generating normal and disease data through simulation model, 2) regression of disease severity, 3) reflecting individual diversity when generating data. In the first thrust, data is generated using a simulation model. One of the simulation models for diagnosing human disease is a transmission line model (TLM). A transmission line model modified from the model proposed in other previous papers [1] is used. In order to obtain blood pressure through the model, the input impedance needs to be calculated, which was calculated using a recursive algorithm. In the second thrust, disease incidence is monitored through severity regression. Deep neural network (DNN) is used as a tool to perform regression. In the third thrust, biometric parameter values are given as distributions. In consideration of the characteristics of each parameter, an appropriate distribution is assigned to each. The structure of this algorithm is formed of four tasks: simulation model modification, data generation, DNN design, and solving severity regression problem. It is confirmed that the blood pressure waveform data generated through literature research is valid and that the regression is well performed through the mean squared error (MSE) loss value.

의학 분야에서의 질병은 공학적인 관점에서 보면 결함에 해당한다. 기계 고장을 진단할 때는 예측 및 상태 관리 (prognostics & health management; 이하 PHM)가 필수적이다. PHM은 대상 시스템의 상태 저하를 추적하고 상태에 대한 정보를 생성한다. 본 연구에서는 대상 시스템을 인간으로 선정하였다. 대상 시스템의 대상 질병은 복부 대동맥류로 선정하였다. 동맥류와 관련된 중요한 이슈 중 두 가지는 진단 지표의 부재와 질환 데이터의 부족이다. 동맥류는 진단 지표를 사용하여 진단되지 않고 컴퓨터 단층 촬영(computed tomography; 이하 CT) 또는 자기 공명 영상(magnetic resonance imaging; 이하 MRI)과 같은 영상 촬영 기법을 사용하여 진단된다. 또한 이 질환은 사전에 진단하기 어렵기 때문에 질환 데이터의 확보가 쉽지 않다. 이러한 이슈들에 대한 하나의 솔루션으로써 본 연구는 심층 학습을 결합한 질환 진단 및 심각도 회귀 기법을 제안한다. 세 가지 연구 요지는 다음과 같다. 1) 시뮬레이션 모델을 통해 정상 및 질환 데이터 생성, 2) 질환 심각도 회귀 분석, 3) 데이터 생성 시 개인의 다양성 반영. 데이터는 시뮬레이션 모델을 사용하여 생성된다. 인간의 질환을 진단하기 위한 시뮬레이션 모델 중 하나로 전송 선로 모델(transmission line model; 이하 TLM)이 있다. 본 연구에서는 관련 논문에서 제안된 모델을 수정한 전송 선로 모델을 사용한다. 모델을 통해 혈압 파형 데이터를 얻기 위해서는 재귀 알고리즘을 사용하여 입력 임피던스를 계산해야 한다. 질환 발생률은 질환 심각도 회귀를 통해 모니터링 된다. 이때 심층 신경망을 회귀 분석을 수행하는 도구로써 사용할 수 있다. 생체 관련 매개 변수 값을 분포로 제공하면 개인의 다양성을 반영할 수 있다. 본 연구에서는 각 변수의 특성을 고려하여 적절한 분포를 부여하였다. 본 연구의 구조는 시뮬레이션 모델 수정, 데이터 생성, 심층 신경망 설계 및 심각도 회귀 문제 해결이라는 네 가지 작업으로 구성된다. 문헌 조사를 통하여 본 연구에서 생성된 혈압 파형 데이터의 유효성을 검증하였고, 평균 제곱 오차 (mean squared error; 이하 MSE) 손실 값을 구해 회귀 분석을 잘 수행되었음을 확인하였다.