DeepNoid 수업을 참고하여 작성하였습니다

의료영상처리

의료영상처리

1. 의료영상 전처리 개요
  : data의 pixel value 확인
  : 이미지는 행렬로 표현
  : pixel value가 높은 부분을 신경망이 더집중해서 학습
  : 신경망에서 이미지 학습순서는
  Edge > Texture > Object part > Objects
  : Edge는 인접 pixel value 간의 차이가 큰 부분
  : 이미지 표현력 높이는 방향으로 이미지 전처리 진행

  - 데이터 선택
    - 신경망이 데이터 판단 X
    - 연구의 목적에 맞는 의료영상 데이터와 신경망 선택
    - 골절은 골절, 폐렴은 폐렴만 구분
  - Model Architecture 구성
    - classification : objectA, B 구분 (VGG16, ResNet)
    - Segmentation : 배경 및 다른 물체의 영역 분할 (U-net)
    - Detection : 사진 및 동영상 안에서 물체의 영역을 
      제안하고 어떤 물체인지 판단
    - 신경망에 의료영상을 input 해서 훈련 시키는 것은 공장에 물건을 전달하는 것과 같다

2. 의료영상 이해
  - General Radiography
    - 기본원리는 물체의 밀도 차이 이용
    - 물체의 밀도가 커서 X선의 투과력 약해지면 
      영상에서는 밝게
    - 물체의 밀도가 낮아서 X선의 투과력 강해지면
      영상에서 검게
  - Computed Tomography
    - 전산화 단층촬영(CT)는 X선 튜브가 회전하면서 영상 획득
    - ojbect의 밀도차이를 이용하여 영상의 대조도 비교
    - 조영제를 사용하면 더욱 큰 대조도 나타냄
    - 병변의 종류에 따라 픽셀값 달라짐
  - Magnetic Resonance Imaging
    - 1.5T 이상의 강자장 안에 놓인 수소핵의 자기 모멘트 사용
    - 수소핵의 자기 모멘트는 전자기 유도법칙에 의해
    자기장을 형성하고 이 신호를 얻는다
    - 수소핵의 밀도에 따라서 조직의 신호 강도가 달라짐
    - 물은 공명현상 더 느리게, 지방은 더 빠르게 풀린다
    - RF pulse를 컨트롤
    - MAR TOF : 혈액 속의 분자들을 여기시킨 후 영상을 얻고싶은 부위만 신호를 획득하면 검사되는 부위는
      혈관만 밝게 보인다
    - DWI : 정상조직은 자유롭게 움직여서 확산, 신호강도가 더낮고
      병변이 존재하는 조직은 확산 제한

3. 의료영상 전처리
   : 현재의 AI Model은 데이터 의존성이 높기 때문에
   연구의 목적에 맞는 신경망모델을 선택하는 만큼
   data preprocessing 중요
   
   - patch extraction
     - 이미지의 일부분을 떼어서 사용
     - CT와 MRI 영상은 인체의 횡단면 영상 얻음
     - Z축으로 일정한 길이마다 슬라이싱해서 모델학습 이용
     - segmentaion 모델 학습에서는 lesion의 labeling data에
      coordinate 들어있음 이를 통해 lesion의
      extraction 사용 가능
     - 병원에서 판독을 할 때 폐 실질 영역 병변 slice 확인
      -> 2 dimension

   - Edge detection & contour
     - 의료영상에서 abnormal한 부분의 표현력을 높이기 위해 사용
     - OpenCV 라이브러리
     - 관절강의 길이는 병변 진단에 중요한 역할

   - Mask extraction
     - 픽셀 값을 기준으로 binary image 얻는다
     - lung 안 족 영역 남기기
     - lung 벽포함 원하는 모양 나올때까지 반복적으로 깎음
     - 잘라낸 영역만 다시 의료영상으로 채움
     - 해당 부위만 잘라냄
  
4. 데이터 증강기법
  - Data imbalance
     - data augmentation 필요한 이유
         : 전체 data수 부족할 때
     - data에서 각 클래스의 개수 혹은 빈도가 현저히 차이
     - 의료분야에서 비정상 데이터가 정상에 비해 적은 경우 많다
     - 중요한 클래스의 데이터의 수가 다른 클래스에 비해 현저히 낮을경우
        클래스 불균형 문제가 발생
     
   - 생성적 적대 신경망 장점
     - 무한대로 data augmentation 가능
     - 개인정보보호라는 의료영상연구 난관 뛰어넘음
     - 다양한 변이 영상생성
     - 클래스별 영상 비율 맞춤
     - 영상 교정극복 문제 뛰어넘음
   
   - Cycle GAN
     - Improve generalizability in CT segmentation task
     -  
5. 임상연구