- DGIST 박상현 교수 연구팀, 대략적인 레이블링만으로 겹쳐있는 세포핵을 정확하게 영역화 할 수 있는 병리영상 분석 인공지능 개발

- 병리영상 미세환경을 분석해 환자의 질병 진단 및 예후 예측 효율성 향상 … 인공지능 분야 최상위 학회인 MICCAI에 게재

▲(왼쪽부터 시계방향) dgist 박상현 교수, 정재훈·남시우 박사과정생

DGIST(총장 국양) 로봇및기계전자공학과 박상현 교수팀이 병리학 영상에서 세포핵을 정확하게 분석하는 새로운 인공지능 기술을 개발했다고 17일(화) 밝혔다. 대략적인 세포핵 레이블링 만으로 겹쳐있는 세포핵을 정확하게 구분할 수 있어, 병리영상 미세환경 분석에 큰 기여를 할 수 있을 것으로 기대된다.

암 환자를 진단하고 그 예후를 예측하기 위해서는 병리영상 속 세포핵들의 모양을 확인하고 개수를 세는 작업이 필수다. 그러나 높은 성능의 딥러닝 모델을 학습하기 위해서는 정확하게 그려진 세포핵 데이터가 필요하다. 세포핵의 형태는 다양하며, 한 영상에서는 수십만 개 이상의 세포핵들이 존재하기 때문에 이를 일일이 데이터화 하는 것은 시간과 비용이 많이 소요된다.

이 문제를 해결하기 위해 최근에는 세포핵의 중심에 점을 찍어 학습데이터로 사용하는 ‘약지도 학습 기반’의 딥러닝 모델 연구가 활발히 이루어지고 있다. 이는 기존의 데이터셋 구축 방식을 간결하게 만들었지만 세포핵의 경계면에 대한 정보를 알 수 없어 붙어있거나 겹쳐있는 세포핵을 정확히 영역화하지 못할뿐더러, 세포핵의 정중앙에 위치해야만 학습이 잘 된다는 한계가 있었다. 

이에 박상현 연구팀은 딥러닝 모델에 방향장 모듈((Offset module) : 점 레이블과 세포핵의 경계면까지의 거리를 x축과 y축 방향으로 계산된 2차원 이미지로 세포간의 경계면을 찾는데 도움을 줌)과 중심점 예측 모듈을 추가해 세포핵을 더 정확하게 구분하도록 개선했다. 또한, 점이 세포핵 내부에만 존재한다면 영역화가 가능하도록 Expectation-Maximization 알고리즘(누락된 데이터 또는 잠재 변수가 있는 확률 모델의 매개변수를 추정하기 위한 반복적 최적화 알고리즘)을 도입하여 불확실한 점 레이블을 중앙으로 조정할 수 있는 과정을 추가했다. 이 기술을 통해 세포핵을 정확하게 영역화하고 세포핵 간의 경계면을 찾을 수 있게 되었다.

연구팀이 새롭게 개발한 딥러닝 모델은 높은 정확성을 보인다. 의료 영상 분석에서 분할 결과의 정확성을 평가하는 DSC(Dice similarity coefficient) 점수는 75~78%를 달성했으며, 인접한 세포핵을 잘 구분했는지를 비교하는 AJI(Aggregated Jaccard Index) 성능의 경우 55~62%의 우수한 성능을 보였다. 특히, 점이 정중앙에 존재하지 않는 경우 AJI 성능은 기존기법들에 비해 11~14% 향상된 성능을 보였다. 

로봇및기계전자공학과 박상현 교수는 "이번 연구를 통해 데이터셋을 구축하는데 소요되는 시간과 비용을 크게 절감하면서도 세포핵을 정확하게 분석하는 것이 가능해졌다"며, "이 기술이 병리영상을 분석하여 환자의 질병을 진단하고 예후를 예측하는 데 큰 기여를 할 것으로 기대된다"고 말했다.

한편, 이번 연구는 경찰청의 ‘경찰관 맞춤형 건강관리 서비스를 위한 지능형 빅데이터 통합플랫폼 개발 사업’과 한국연구재단의 ‘신진연구지원사업’을 통해 수행됐으며, 그 결과는 인공지능 분야 최상위 학회인 ‘Medical Image Computing and Computer Assisted Intervention’에 2023년 10월 발표됐다.

[그림 1] DGIST 박상현 교수 연구팀이 고안한 모델 구조

(그림설명) 본 연구에서 제안한 인공지능 모델의 구조

[그림 2] 제안한 기법의 영역화 결과

(그림설명) (a)는 제안한 기법의 이미지 생성 결과이며, (b)와 (c), (d)는 기존 약지도학습 기반의 세포핵 영역화 기법의 결과이다. i) 는 세포핵의 정중앙에 점이 찍혀있는 데이터를 이용하여 학습한 것이며, ii) 는 세포핵의 정중앙에서 8픽셀까지 벗어나있는 점을 가지고 학습한 결과이다.