저선량 비 조영증강 전산화단층촬영에서의 요로결석 자동 검출 딥러닝 알고리즘의 개발

Abstract

Purpose

To develop a computer-aided automatic-detection (CAD) deep-learning algorithm to identify a urinary stone in low-dose non-enhanced CT images.

Materials and Methods

This retrospective study was performed at a single institution. Over a period of 14 months, the low-dose CT images of 486 patients with suspicious urinary stone disease were collected. The labeling of urinary stones, or not, in low-dose CT images was performed by an expert uroradiologist as a reference standard. We used labeled CT scans (axial 1,144, coronal 1,279, sagittal 765). We developed a CAD deep-learning algorithm using the YOLO v7 model. The data ratio for training, validation, and testing was set at 6:3:1. The performance of our proposed CAD deep-learning algorithm at identifying a urinary stone was analyzed using several parameters, such as the mean average performance (mAP), precision, recall, F1-score, and accuracy.

Results

The mAP of our proposed algorithm was 95%. The accuracy of the CAD deep-learning algorithm for urinary stone detection was 93% and 92%, in the training and test sets, respectively.

Conclusion

The proposed CAD algorithm developed using a deep-learning model has high performance at urinary stone detection in low-dose CT images.

서론

요로결석증은 유병률 남자 10.6%, 여자 7.1%에 이르는 전 세계적으로 흔한 질환이다(1). 국가에 따른 유병률의 차이가 있지만, 비만 혹은 전신질환의 증가와 더불어 발병률과 유병률이 증가하고 있다(2). 현재 요로결석을 검출하는 방법으로 비 조영증강 전산화단층촬영(이하 CT)이 최적표준(gold standard) 방법으로 여겨지며 널리 사용된다(3,4,5).

CT의 잠재적 암 발생 효과(potential carcinogenic effect)는 염려된다(6). 더군다나 요로결석은 재발하는 경향이 있어, 반복되는 CT 촬영은 방사선 피폭이 누적될 수 있다(7). 저선량(low-dose) 혹은 초저선량(ultra-low dose) CT의 적용이 방사선 피폭을 줄일 수 있다(4,5,8,9,10). 메타분석에서 저선량 CT는 민감도 93.1%, 특이도 96.6%의 높은 정확도로 요로결석을 검출할 수 있다(9,10).

딥러닝(deep learning) 기술은 진단영상 분석에 지대한 영향을 미치고 있다. 영상의 분할(segmentation), 분류(classification), 그리고 진단(detection or diagnosis)에 이르기까지 많은 영역에 성공적으로 적용되고 있다(11,12). 딥러닝 기술은 요로결석의 자동 검출에도 적용되어왔다(11,12,13,14,15,16). 하지만 적은 수의 연구들도 대부분 표준 선량(standard dose) CT에 관한 것이며(12,13,14,15), 저선량 CT에 적용된 것은 거의 없었다(16). 저선량 CT는 표준 선량 CT에 비해 잡음이 증가하고 영상의 질이 떨어지기 때문에 성능이 떨어질 수 있으며, 기존 연구들의 요로결석 자동 검출 기술을 그대로 적용하기에 어렵다. 이에 우리는 저선량 비 조영증강 CT에서 요로결석을 자동 검출하는 딥러닝 기반 알고리즘(algorithm)을 개발하고자 한다.

대상과 방법

환자 및 자료수집(Patients and Data Acquisition)

이 연구는 기관 연구위원회의 승인을 받았다(IRB No. 2142-003-461). 후향적 연구이므로, 환자들의 사전동의는 면제되었다.

2017년 11월 1일에서 2018년 12월 31일까지의 기간 동안 요로결석을 의심할 만한 측복통과 혈뇨 등을 주 증상으로 내원하여 저선량 비 조영증강 CT를 시행한 환자 515명을 대상으로 하였다. 다음과 같이 요로결석의 자동 검출에 영향을 줄 수 있는 경우는 제외하였다. 신장에 문제가 있는 경우(8명, solitary kidney, atrophied kidney, horseshoe, and polycystic kidney), 석회화가 있는 경우(14명, 요로 urinary tract 주변의 석회화가 중등도 moderate degree 이상인 경우, calcified renal mass, renovascular calcification, lymph node calcification), 도관이 있는 경우(6명, ureteral or nephrostomy catheter), 금속 삽입물(implant) 등에 의해 CT 영상의 질이 현저히 나쁜 경우(1명) 등이다. 따라서 최종 486명(남:여 = 247:239, 연령: 18–92세, 평균 52.34세)이 연구에 포함되었다.

모든 검사는 필립스 사의 256-다중검출(multidetector) CT (Brilliance iCT, Philips Healthcare, Cleveland, OH, USA)로 시행되었다. 저선량 비 조영증강 CT 프로토콜(protocol)은 바로누운자세에서 12번째 흉추의 근위부부터 치골결합의 원위부까지의 요로결석 검출을 위한 최소 범위를 포함하고 있다. 위의 범위의 축상(axial) 영상을 얻은 후, 관상(coronal)과 시상(sagittal) 영상을 재조합(reconstruction)하였다. 100 kVp의 관전압과 자동 조절 관전류(automatic adjusted mAs: 최대 100 mAs, automatic tube current modulation)를 사용하였고 각 절편의 두께(slice thickness)는 3 mm이다. CT 영상의 다른 변수(parameter)들은 다음과 같다(detector configuration, 128 × 0.625; pitch, 0.915; beam collimation, 80 mm; rotation time, 0.4 s; and helical acquisition).

자료처리 및 표지(Data Processing and Labeling)

요로결석 검출을 위한 저선량 비 조영증강 CT가 익숙한 경력 22년 비뇨영상의학 전문의(uroradiologist)의 판독을 통해 요로결석 유무를 나누었다. 이 결과에 따라 분석기준(reference standard)을 도출하였다.

요로결석이 3 mm 미만의 경우 육안으로 확인하기 어렵다. 따라서 자체적으로 표지도구(labeling tool)를 만들었으며, 이를 이용하여 요로결석에 대한 표지파일(labeling file)을 생성하였다(Fig. 1). 요로결석의 표지(labeling)는 한 명의 연구보조인력이 축상면에서 circular region of interest로 시행하였다. 이후 영상의학과 전공의 또는 비뇨영상의학 전문의에게 검수를 받았다. 수집된 표지파일은 검증자료(ground truth)로 사용하고 수집된 학습 데이터와 함께 모델에 입력하여 학습을 진행하였다.

Fig. 1. Labeling tool for urinary stones.

This in-house software can adjust the window level and width in the CT image and enhance the visibility of small stones. This representative figure shows a labeled small right proximal ureter stone (red).

자료세트(Dataset)

요로결석이 없는 영상은 제외하고, 요로결석이 발견된 265명의 저선량 비 조영증강 CT 영상의 요로결석 표지 영상을 축상, 관상 그리고 시상 영상 자료세트로 분류하였다. 이후 CT 판독방법과 비슷하게 각각의 영상들을 하나로 연쇄 시켜(concatenated) 학습시켰다.

전체 자료세트는 학습(training), 검증(validation) 그리고 테스트(test) 자료를 60%, 30%, 10%로 구분하였다. 학습(axial 662, coronal 702, sagittal 384) 자료는 1748개의 영상을 사용하였고 검증(axial 344, coronal 344, sagittal 195) 자료는 883개의 영상 그리고 테스트(axial 138, coronal 233, sagittal 186) 자료는 557개의 영상을 사용하였다. 학습과 검증 자료세트는 실제 표지 결과를 포함하고 있으며, 테스트 자료세트는 표지 결과를 제시하지 않고 인공지능의 정답과 실제 정답을 비교하였다.

요로 결석 검출 모델(Urinary Stone Detection Model)

의료영상 분야에서 검출을 목적으로 제안된 You Only Look Once (이하 YOLO) 모델을 사용하여 요로결석 검출 알고리즘을 개발하였다(Fig. 2). YOLO 모델을 선택한 이유는 기존 객체 검출 알고리즘에 비해서 작은 물체까지 탐지할 수 있기 때문이다(17,18).

Fig. 2. Architecture of the YOLO deep-learning algorithm.

YOLO 모델의 구조(architecture) (Fig. 2) 및 사용된 하이퍼 파라미터(hyperparameter) (Table 1)는 다음과 같다. 영상의 객체 감지에 사용되는 딥러닝 모델로 공간적으로 분리된 경계상자(bounding box) 및 관련 클래스(class) 확률에 대한 회귀 문제로 객체 검출하는 모델이다. YOLO 모델의 작동 방법은 기존 객체 검출 방법과 달리 단일경로(single path)로 수행하며, 입력영상을 격자(grid)로 나누어 경계상자와 클래스 확률을 직접 예측한다. 입력영상을 격자로 분할하여 각 격자 세포(cell) 안에 속하는 객체를 예측한다. 기본적으로 격자 세포는 고정된 수의 경계상자에 속한 좌표(center_x, center_y, width, height) 값을 기준으로 예측한다. 그리고 각 격자 세포와 경계상자에 속한 다양한 클래스의 확률을 예측한다(소프트 맥스 활성화, softmax activation 함수 사용). 최종 예측은 경계상자 좌표, 클래스 확률 및 신뢰도 점수를 결합하여 생성하고 신뢰도 점수는 경계상자에 포함하여 시각화한다.

Table 1. The Hyperparameter of the Proposed Deep-Learning Algorithm.

Hyperparameter	Description	Value
Input image size	The resolution of the image input to the model	512 × 512
Learning rate	The resolution of the image input to the model	0.001
Batch size	The number of samples processed in one iteration	8
Epoch	The number of times the entire dataset is used for training	400
Worker	The number of CPU cores used for data loading during training	16

YOLO 모델은 non-maximum suppression을 적용하여 신뢰도 점수가 높은 경계상자를 유지하며 겹치는 부분이 많은 경계박스를 제거한다. 이는 중복을 방지하고 가장 확실한 예측이 유지되도록 보장한다.

클라우드 기반 웹 애플리케이션(Cloud-Based Web Application)

Python 기반으로 개발 가능한 Flask라는 마이크로 웹 프레임워크(framework)를 사용하여 직접 모델 서빙을 구현하였다. Flask는 OpenCV, NumPy, Scikit-image라는 패키지를 설치하여 의료용 디지털 영상처리 및 통신(digital imaging and communications in medicine; 이하 DICOM)을 오픈하거나 영상 전처리 및 다양한 영상처리 애플리케이션 프로그래밍 인터페이스(application programming interface; 이하 API)를 지원하고 있다. 요로결석 검출 인공지능 웹 애플리케이션의 전체 사용자 인터페이스(user interface)는 Fig. 3과 같다.

Fig. 3. Representative image of the deep-learning web application for urinary stone detection.

[1] After loading CT images on the viewer, the ‘Stone Predict’ button is clicked and the urinary stone is detected. The detected stone is colored red within the green-colored bounding box. [2] The histogram of a loaded CT image is shown. [3] If the stone is detected, the predicted result is indicated.

DICOM 영상은 단일 파일 또는 폴더 단위로 선택하여 입력 자료로 사용된다. 요로결석 검출의 정확도를 높이기 위해서는 관심 영역이 잘 보여야 검출하기 용이하기 때문에 전처리가 중요하다. CT 영상에서는 관심 영역을 조절하는 방법 중에 Windowing을 조절하는 것이 기본이다. 복부 영역의 CT에서 요로결석이 잘 보이기 위하여 뷰어의 Windowing은 Window Width: 400, Window Level: 60으로 설정하였다. 뷰어에서 이미지가 로딩되면 [1] Stone Predict 버튼을 클릭하여 요로결석을 검출한다. 검출된 Stone은 뷰어에서 적색으로 표지 되고 녹색 경계박스로 표시한다. [2]는 뷰어에 로딩된 이미지의 Hounsfield unit 히스토그램을 보여준다. [3]은 Predict된 결과가 있다면 표지 된다. 표지는 Add 버튼으로 추가할 수 있고 Del 버튼으로 삭제 가능하다.

요로결석을 예측하기 위해서 Predict 버튼을 클릭하면 로딩된 이미지가 Flask로 개발된 Rest API Server에 전달되고 해당 이미지를 모델에 입력하여 Predict 기능을 수행한다. 그리고 결과를 애플리케이션으로 전달한다. 애플리케이션은 전달받은 결과를 요로결석으로 인식되는 위치에 적색으로 표지한다. 요로결석은 대부분은 눈으로 식별 가능한 수준의 크기여서 큰 문제가 없지만 간혹 3 mm 미만의 작은 크기의 경우 적색으로 표지 되더라도 식별하기 어렵다. 따라서 요로결석 상하좌우에 일정 간격을 두고 녹색으로 경계박스를 생성하여 요로결석이 잘 판별되도록 하였다.

성능분석(Performance Analyses)

성능분석은 CT 슬라이스(slice)별로 시행하였다.

YOLO 모델의 성능평가는 mean average performance (이하 mAP)를 통해 평가한다. 실제 객체가 검출된 재현율의 변화에 따른 정밀도의 값을 평균한 성능 수치를 사용하기에 정밀도(precision), 회상(recall), F1-score, 정확도(accuracy)로 모델의 성능측정을 진행하였다. 정밀도(precision)는 요로결석을 정확하게 예측하는 것을 의미하며, 회상(recall)은 양성으로 예측하여야 하는 경우 얼마나 정확하게 예측하는지를 나타낸다. F1-score는 정밀도와 회상의 조화로운 평균(harmonic average)을 나타낸다.

결과

저선량 CT의 평균 유효 방사선량(effective radiation dose)은 1.49 ± 0.54 mSv이었다.

mAP는 95%였다. 정밀도, 회상, F1-score 값은 Table 2와 같다. 정확도 값은 학습 및 테스트로 요로 결석을 검출한 경우 각각 93% 및 92%의 성능을 갖는다(Fig. 4).

Table 2. Summary of the Performance Parameters Obtained Using This Proposed Deep-Learning Algorithm.

	Precision	Recall	F-1 Score	mAP@.5	mAP@.5:.95
Stone diagnosis	0.937	0.935	0.94	0.947	0.784

mAP = mean average performance

Fig. 4. The performance of the deep-learning algorithm in the training and test datasets.

A, B. The accuracy of the computer-aided automatic-detection deep-learning algorithm for urinary stone detection was 93% (A) and 92% (B), in the training and test sets, respectively.

mAP = mean average performance

축상, 관상 그리고 시상으로 구성하여 요로결석의 검출 결과를 단일 또는 여러 개로 시각화하였다(Figs. 5, 6).

Fig. 5. Representative image of the deep-learning algorithm for urinary stone detection on axial images.

A. Multiple right renal calyceal, pelviceal, and proximal ureter stones are detected correctly.

B. The left renal pelviceal stone is detected correctly. However, the left proximal ureter stone (arrow) is not detected, and calcification of the aorta (arrowhead) is detected incorrectly.

C. A tiny stone in the right ureterovesical junction is detected correctly.

Fig. 6. Representative image of the deep-learning algorithm for urinary stone detection on coronal and sagittal images.

A, B. A tiny stone in the left ureterovesical junction is detected correctly on coronal (A) and sagittal (B) images.

고찰

본 연구에서는 저선량 비 조영증강 CT에서 딥러닝 모델을 통한 요로결석 자동 검출 알고리즘을 제안한다. 응급실을 포함한 진료현장에서 신속하게 확인할 수 있도록 의료영상기반 인공지능모델을 개발하였다. 제안한 요로결석 검출모델을 통해 임상현장에 활용할 수 있다. 특히 응급상황에서 신속한 검출이 필요한 상황에 적합한 기술개발로 기대하고 있다.

본 연구 수행에 필요한 데이터셋을 생성하기 위해 표지 소프트웨어(labeling software)를 개발하였다. 그리고 요로결석 검출모델의 성능 mAP 90% 이상의 목표로 개발하였고, 이를 최적화된 모듈화(optimized modularization)로 클라우드 환경에 웹 애플리케이션으로 개발하여 적용하였다. 본 연구의 mAP는 95%로 높은 성능을 보였다.

딥러닝 알고리즘 개발에 적합한 주제는 많은 양의 비교적 균질한 영상데이터를 수집할 수 있는 분야에서 장기 및 병변을 분할, 검출 혹은 분류함으로써 해결할 수 있는 문제이다(16,19). 알고리즘의 활용방향의 측면에서는 사람이 할 수 있으나 반복적인 작업이 적절한 주제가 될 수 있다(19). 위의 두 가지 측면에서 보면 CT에서의 요로결석 검출은 딥러닝 알고리즘 개발의 좋은 주제이다. 전 세계적으로 검사 건수의 폭발적인 증가와 더불어 영상의학과 의사의 부족 상황에 직면하여 있으며, 특히 정규시간 이외의 응급상황이 그러하다. 따라서 적절한 진단능을 가지는 딥러닝 알고리즘은 일차적인 역할이 가능하며, 실수를 줄이기 위한 보조적인 이차 진단도구로도 사용 가능하다(12,13). 자동 보조 검출 혹은 진단은 의료영상에 성공적으로 접목되고 있다(13). 여러 알고리즘을 이용한 딥러닝 연구들이 있으며, 요로결석의 크기에 따라 차이가 있지만 85%에서 97%까지의 정확도를 보고하고 있다(11,12,13,14,15,16). 대부분의 연구는 표준 선량 CT에 관한 것으로(12,13,14,15), 관상 영상을 사용한 연구, 요로결석의 크기에 따라 축상, 관상, 시상 영상을 모두 사용한 연구 등이 있었다. 저선량 CT에 적용된 연구는 120 kVp의 관전압과 최소 관전류를 사용한 대장조영 CT에서 얻은 것으로 실제 요로결석을 검출하기 위한 저선량 CT 프로토콜과 차이가 있을 수 있으며, 검출 성능 또한 차이가 있을 수 있다(16). 본 연구의 제안 모델은 잡음이 있는(noisy) 저선량 CT에서 분할 등의 과정이 필요 없이 자동으로 요로결석의 검출하고 위치화하여 시각적인 정보를 주는 알고리즘으로 매우 유용할 것이다. 최근 기술의 발전으로 인해 1–1.5 mSv의 저선량 혹은 초저선량 CT가 3 mm 이상의 임상적으로 의미 있는 요로결석의 진단에 높은 정확도를 보인다(20,21,22). 따라서 본 연구에서 제안한 딥러닝 알고리즘은 저선량, 초저선량 CT에서 더욱 긍정적인 가치가 있을 것이다.

본 연구는 여러 가지의 한계점을 가지고 있다. 첫째로, 가장 먼저 연구가 단일병원에서 시행되었으며, 외부 검증(external validation)이 되지 않았다. 따라서 추후 연구로 다양한 요로결석에 대한 표지자료(labeling data)의 추가적인 확보와 외부 자료를 통해 제안 모델의 성능에 대해서 일반화(generalization) 할 필요가 있다. 둘째로 요로결석의 치료방법이나 예후에 영향을 줄 수 있는 요로결석의 크기(3 mm 이상 혹은 이하), 위치(요관의 위치)나 부피에 따른 검출능력의 차이를 고려하지 못하였다. 요로결석의 검출에 중심을 둔 초기 연구로써 치료방법이나 예후에 영향을 줄 수 있는 크기, 위치, 부피, 조성(composition), 밀도(density) 등 여러 인자들을 감안한 후속 연구가 필요하다.

셋째로 이번 연구는 후향적 연구로 딥러닝 모델이 단일 CT 장비의 얇은 절편 두께의 영상을 통해 개발되었다. 따라서 다른 장비, 조건들(parameters)에서의 재현성(reproducibility) 또한 평가되어야 한다. 넷째로 신장 결석과 혼동될 수 있는 석회화가 있는 환자들이 자료세트에서 제외되었다. 마지막으로 이 모델을 적용했을 때 실제 임상적으로 도움이 되는지 판독자간 연구(reader study)가 시행되지 않았다.

결론적으로 본 연구에서는 저선량 CT에서 요로결석 검출을 위한 인공지능 모델을 제안하였다. 특히 의료현장에서 신속하게 사용할 수 있도록 Flask로 개발된 웹 서비스를 통해 예측할 수 있는 인공지능 웹 애플리케이션을 구현하여 좋은 결과를 보였다.