의료영상지능실현 연구실 (Medical Imaging & Intelligent Reality Lab., MI2RL)
지도교수: 김남국, 양동현, 이상민, 고범석, 홍길선, 박지은, 이준구
연구실 소개
MI2RL 연구실은 우리나라 최대의 서울아산병원/울산의대 융합의학과에 속해 있으며, 많은 외과, 내과, 응급의학과, 신경과, 마취과, 병리과 등 세계적인 수준의 임상의들과 함께 임상현장의 미충족 수요 (Clinical unmet needs)를 해결하고 있다. 최고 수준의 의료 및 의공학 장비, 및 데이터 등과 4차산업혁명의 기술을 이용하여 의료 딥러닝(인공지능)적용, 환자맞춤형 의료기기 및 재료 보편화, 컴퓨터보조의료, 의료영상 정량화 등에 관한 다양한 중개(translational)연구를 영상의학, 병리, 수술장, 응급실, 음성 등 다양한 분야에 적용하여 컴퓨터보조진단/컴퓨터보조수술/치료반응예측 등의 연구를 수행하고 있다.
임상의와 의공학자가 함께 교수진을 구성하고 있으며, 4명의 박사후 연구원과 43명의 연구원들이 함께 의료인공지능, 3D 프린팅, 의료빅데이터 등의 연구분야에서 활발히 연구하고 있다.
주요 연구
비정상 탐지 (Anomaly detection) 기반 응급 뇌질환 CT 선별분류
응급실에 내원하는 환자의 뇌 CT 영상에서 생성형 인공지능 기술을 이용하여 가장 유사한 정상CT영상을 생성하고 이와의 차이점을 표시해 주는 연구이다. 이러한 방식을 딥러닝 기반의 비정상 탐지라고 하며 이 기술을 이용하면, 비정상적인 보다 응급을 요하는 영상을 선별하여 응급영상의사의 판독리스트 중 상위에 위치하도록 함으로써 임상 워크플로우를 개선하여 응급환자가 좀 더 빠른 처치를 받을 수 있도록 할 수 있다. 이에 대한 연구결과는 2022년 Nature Communication 에 게재되었다.
흉부X선과 CT영상에서 심혈관 분석 기술
인공지능 기술을 활용하여 흉부X선 영상을 분석하고 심혈관계 질환을 진단하는 기술을 개발하고 있다. 인공지능 모델이 심장과 대동맥의 윤곽을 다양한 색상의 경계선으로 감지하고 이를 정량 지표로 계산하여 준다. 이러한 자동 분석 도구를 통해 대량의 영상데이터를 처리하여 참조데이터를 구축할 수 있다. 그리고, 대동맥 박리 영상에서 인공지능 모델이 true lumen, false lumen, thrombus를 자동으로 분할하여 준다. 이 기술은 응급 환경에서 대동맥 박리를 정확히 진단할 수 있어 빠른 임상 결정이 가능하게 도와줄 수 있다. 두 기술은 모두 관련 회사에 기술이전이 이루어졌다.
안저영상에서 혈관 분할 및 비정상 영역 검출 기술 개발
안저영상은 인체에서 유일하게 비침습적으로 혈관을 볼 수 있으며, 인공지능 기술을 이용하여 당뇨병성 막망변성증을 진단하거나 심혈관 질환 발생을 예측하는 등 다양한 연구들이 진행되고 있다. 연구실에서는 Bayesian 추론을 이용하여 혈관 분할의 정확도를 좀 더 향상시킬 수 있는 기법과, 최근 많이 연구되고 있는 diffusion 모델을 이용하여 비정상 영역을 자동적으로 검출할 수 있는 기술을 개발하였다.
치과 임플란트 수술 보조로봇 개발
치과 환자에게서 CBCT를 촬영하여 수술 시뮬레이션이 가능하며 이를 통해 수술 계획을 수행하며, 이 정보를 로봇에 전달하여 자동적으로 수술 환자의 임플란트 위치로 이동하여 식립이 가능한 수술계획 소프트웨어 및 로봇을 개발하고 있다. 촬영된 CBCT영상에서 인공지능 기술을 이용하여 상악, 하악, 신경관 등의 주요 영역들을 자동적으로 분할한다. 또한 치열 및 치아 분석을 통해 임플란트 수술이 필요한 부위를 제시하여 주고, 이를 통해 수술 계획을 세울 수 있다. 수술 네이게이션을 위해 마커를 치아 구조물에 부착시킬 수 있도록 3D 프린팅을 이용한 가이드를 개발하였다. 이를 통해 3차원 모델링, 수술 시뮬레이션, 정량 분석 등 다양한 활용이 가능하다.
양악수술 후 얼굴 변화 예측 및 영상 생성
Graph Network와 Diffusion Model을 이용하여 치과 양악 수술 전 두개골 단면도(cephalogram)와 수술계획을 이용하여 수술 후 두개골 단면도를 생성하는 GCOSP-Net이라는 딥러닝 모델을 개발하였다. 수술 전 두개골 단면도와 랜드마크 정보가 입력되고, 두 개의 레이어(Layer 1, Layer 2)를 거쳐 수술 후 랜드마크 위치를 예측한다. 이 과정에서 그래프 컨볼루션(Graph Convolution) 등의 기법이 사용된다. 또한 수술 전 단면도와 예측된 랜드마크 정보를 조건부 확산 과정(Diffusion Process with Condition)에 입력하면 수술 후 예상되는 단면도가 생성된다. 이러한 기술을 통해 가상 환경에서 환자를 미리 수술해 보고 이를 통해 최적의 수술계획을 수립할 수 있는 디지털트윈과 같은 미래 기술로 나아갈 수 있을 것이라 생각하고 있다.
내시경 및 수술 동영상 분석
의료영역에서 내시경과 수술 동영상과 같은 데이터들이 얻어지고 있으나, 이를 분석할 수 있는 인공지능기술 개발은 X선, CT, MRI 등과 같은 의료영상과는 달리 많이 연구되지 못했다. 연구실에서는 위내시경 영상으로부터 헬리코박터 파일로리군 감염을 판별하는 딥러닝 연구, 대장 내시경 영상을 통해 질관리 측면에 유의한 시간들을 자동적으로 측정하는 방법 등에 관한 다양한 연구를 수행하고 있다. 그리고, 그림에서 보듯이 이비인후과 수술 영상에서 수술 도구들에 가려 보이지 않는 영역을 자동으로 채워주는 인공지능 기술을 개발하여 다양한 의료진 그룹 (학생, 레지던트, 전문의 등)에서 사용자 평가를 진행하였다.
다양한 3D 프린팅 연구
3D 프린팅 기술은 의료, 교육, 엔지니어링 등 다양한 분야에서 활용될 수 있다. 연구실에서는 아래 그림과 같은 켈로이드 치료 장치, 선천성 심장 질환 시뮬레이터, 뇌내 주입기, 윤상갑막절제술 시뮬레이터, 대동맥 시뮬레이터, 위장 운동 팬텀, 측두골 시뮬레이터, 폐 이식 모델 등과 같은 다양한 연구를 수행하고 있다.
병리영상 분석 연구
병리영상은 조직이나 세포의 미세 구조를 관찰하기 위해 사용되는 영상으로 일반적으로 조직 염색 후, 광학 현미경으로 얻어지며 다른 의료영상에 비해 매우 높은 해상도를 가진다. 이러한 병리영상은 데이터의 크기도 매우 커서 한 장의 병리영상데이터가 수 GB에 달한다. 인공지능 학습을 위해 레이블링을 수행하는 과정 자체도 어렵다. 일반적으로 패치를 나누어 패치 단위에서 분류하거나 특정 관심영역에서 각 기관들을 hard 레이블링 할 수도 있다. 본 연구실에서는 혈관 내피 손상과 신장암의 서로 다른 예후를 가지는 FHdRCC 분류를 인공지능 기술을 이용하여 연구하고 있다.
마취과 생체신호 데이터 분석 연구
주로 마취과에서 생성되는 여러 생체신호 데이터에는 심음, 심전도, 혈압, 혈중 산소 포화도 등이 있으며, 실시간으로 지속적으로 측정되는 특성이 있다. 기존의 인공지능 연구에서는 RNN과 같은 sequence 모델이 주로 사용되었으나 최근 CNN을 사용한 연구들이 많이 나오고 있으며 앞으로는 transformer 구조를 이용한 방식으로 발전해 가리라 생각된다. 본 연구실에서는 심음 데이터를 이용하여 S1-4를 자동적으로 분류하는 연구를 수행하였으며, 생체신호를 이용하여 간 이식 후 급성신장이상을 진단하는 연구도 진행하고 있다.
