연세대학교 치과대학병원 통합치의학과 김기덕‧양수진 교수 연구팀은 Generative Adversarial Network (이하 GAN)을 이용해 생성한 제2대구치의 치근단 방사선 사진이 유의미한 시각적 퀄리티를 가지며, 영상 데이터가 효과적인 데이터 증강 (data augmentation)의 방법으로 사용될 수 있음을 입증했다고 지난 1일 밝혔다.
이번 연구결과는 국제학술지 ‘사이언티픽 리포트(Scientific Reports, IF 4.997)’ 에 개재됐다.
이 연구는 양수진 교수가 ‘세브란스 선도연구자 양성 프로젝트’ 과정으로 지난해 9월부터 올 8월까지 진행했다. 양 교수는 일본 나고야 소개 Aichi Gakuin University 의 영상치의학과에서 치과영상에 대한 인공지능의 적용을 주제로 1년 동안 연수하면서, 해당 연수기관의 연구팀인 ‘Pf. Eiichiro Ariji, Dr. Yoshitaka Kise, Natsuho Takata’과 협업으로 연구했다.
GAN 은 최근 data augmentation, segmentation, classification, noise/artifact removal, super-resolution 및 예후 예측 작업을 포함한 다양한 의료 응용 분야에 활용되는 도구로, 생성자와 판별자의 두 가지 구성 요소로 구성된 일종의 딥러닝 모델로이다. 생성기는 새로운 데이터 샘플을 생성하고, 판별기는 실제 이미지와 생성된 이미지를 구별하는 역할을 한다.
두 모델은 반복적이고 적대적인 방식으로 훈련돼 현실적인 데이터를 생성할 수 있게 되며, 결과적으로 GAN은 의료 영상에서의 진단 및 치료 모델에서 훈련 데이터 부족에 대한 문제를 효과적으로 해결할 수 있는 잠재력을 갖는다.
과거 GAN은 의료 영상 생성에 제공하는 이점에도 불구하고 그 복잡성과 아울러 상대적으로 큰 데이터 요구한다는 점과 머신 파워와 비용이 많이 드는 문제로 인해 모델 훈련에 어려움이 따랐다. 그러나 최근 개발된 StyleGAN2-ADA는 조건부 설정에 스타일 전달 기능을 도입한 점진적 성장 GAN(PGGAN)의 변형 형태를 가지면서, ADA(Adaptive Discriminator Augmentation)라는 새로운 데이터 증강 기술을 도입해 상대적으로 적은 훈련 데이터 양으로도 향상된 질의 이미지를 생성할 수 있는 것으로 보고된 바 있다.
이에 연구팀은 치과 파노라마 영상에서 제2대구치에서의 C형 근관을 판별하는데 있어 최신 StyleGAN2-ADA를 이용해 생성한 이미지 효과 검증을 수행했다. 생성 이미지의 질 평가를 위해 평균 Frechet inception distance(FID)를 계산하고, 2명의 영상치의학 전문의를 대상으로 visual Turing test를 시행한 결과 GAN 합성 이미지가 만족스러운 시각적 품질을 나타냄을 확인했다.
또한 생성 이미지 데이터셋을 C형 근관을 분류하는 Convolutional Neural Network(CNN)에 데이터 증강 목적으로 적용하였을 때 신경망의 분류 성능이 실제 데이터만 사용할 때보다 향상된 것을 확인했는데, 이는 특히 클래스 간 불균형한 데이터 조건 해결에 유리하다고 판단했다.
김기덕 교수는 "세브란스 선도연구자양성 프로젝트를 통해 최신의 인공지능 기술을 치의학에 적용하는 연구를 국제, 다기관 규모로 진행할 수 있었다”며 “앞으로 통합치의학과의 연구팀은 다른 기관들과의 다기관 연구를 통해 치과 임상영역에서 마주하는 진단과 예후예측의 문제에 인공지능을 적용함으로써 인공지능을 치과의사의 의사결정보조시스템로 활용할 수 있는 연구를 이어 나갈 계획이다”라고 말했다.
