검색
  • sierrabase

인공지능을 이용한 염색체 판독 시스템 개발

최종 수정일: 2021년 2월 14일

딥러닝 기술을 이용한 방사선 피폭 선량평가 기술 개발


방사선에 심하게 노출될 경우 널리 알려져 있는 것처럼 유전자 돌연변이를 유발하거나 피부 괴사를 일으키는 등 다양한 부작용을 일으킨다. 방사선은 크게 자연방사선과 인공방사선으로 나눌 수 있는데, 일반적인 생활에서 노출되는 자연방사선이나 인공방사선은 인체에 거의 영향을 주지 않는다. 하지만 방사선 관련 종사자나 대규모 방사선에 노출된 사람인 경우 빠른 시간내에 방사 선 선량평가를 하는 것이 굉장히 중요하다. 현재 방사선 선량평가를 하는 방법에는 체내 오염된 감마 방출 핵종을 분석하는 방법, 체내의 혈액을 채취해 혈구수치 변화를 이용하는 방법, 혈액 속 방사선에 의해 변형된 염색체를 이용한 방법 등이 있다.[1] 현재 가장 널리 사용되는 방법 중 하나인 변형된 염색체 분석방법은 시간과 노동이 많이 들며, 대규모 방사선 노출 사고가 일어날 경우 개개인의 환자를 모두 빠른 시간내에 검사하기에는 무리가 있다. 그래서 본 연구진은 딥러닝 기술을 이용하여 염색체 이미지속 정상염색체와 이동원 염색체(변형된 염색체) 를 구분해 내고 통계적인 기법을 이용하여 환자의 방사선 피폭 선량을 자동으로 추정하는 시스템을 개발하였다.

 

1. 방사선 피폭 선량평가 자동화 시스템 플로우 차트 및 염색체 형태종류 본 연구진이 개발한 방사선 피폭 선량평가 자동화 시스템의 플로우 차트는 다음과 같다.

<방사선 피폭 선량평가 자동화 시스템의 플로우 차트>

  1. 선량 곡선용 염색체 이미지 중 판독이 가능한 이미지를 classification 인공신경망을 이용하여 걸러낸다.

  2. 판독이 가능한 이미지에서 정상염색체와 이동원 염색체를 object detection 인공신경망을 이용하여 찾아낸다.

  3. 정상염색체와 이동원 염색체의 비율을 통해 선량추정곡선을 그린다.

  4. 선량 추정용 염색체 이미지에 대한 이동원 염색체의 비율을 앞서 사용한 인공신경망을 이용하여 구하고 선량을 추정한다.




최종적으로 크게 분류해야 되는 염색체의 형태는 다음과 같다.

<다양한 종류의 염색체 형태>

<다양한 종류의 염색체 형태>

  • (a) 정상 염색체

  • (b) 이동원 염색체

  • (c) 겹쳐진 정상염색체

  • (d) 이물질, 염색체 파편


2. 인공신경망

Classification을 위한 Inception v3 인공신경망과 Object Detection을 위한 Faster-RCNN을 사용하였고 Backbone 네트워크로 Inception-Resnet v2 를 사용하였다.

<Object Detection 네트워크를 이용한 이동원 염색체 검출 과정>

3. 데이터 증식(Augmentation) 및 기법

제한된 데이터에서 가장 큰 효율을 얻기 위해서 좌우반전, 회전, 축소, 확대 등의 데이터 증식기법을 사용하였다.

<데이터 Augmentation 기법>

염색체 이미지의 배경에 의해 인공신경망의 교육이 제대로 되지 않아서 Threshold 기법을 이용하여 이미지 전처리후에 교육을 진행하였다.


<Threshold 기법을 이용하여 배경의 노이즈 제거>

4. 염색체 검출 결과

이미지 전체에 대하여 정상염색체와 이동원 염색체의 수를 카운팅한다. 겹쳐진 염색체는 정상염색체 2개로 간주하여 최종적으로 정상염색체 수 대비 이동원 염색체 수를 계산한다.

<(좌) 원본, (중) 정상염색체 탐지결과, (우) 이동원 염색체 및 겹쳐진 염색체 탐지 결과>

5. 방사선 피폭 선량 평가

선량 곡선용 데이터셋을 이용하여 정상염색체 수 대비 이동원 염색체 수의 비율을 이용하여 방사선 선량 곡선을 완성한다 그리고 선량 추정용 데이터셋에 대하여 이동원 염색체 수의 비율을 구하고 앞서 그린 방사선 선량 곡선을 이용하여 추정선량을 구한다.


<각 방사선 선량에 따른 추정선량>
 

본 포스팅은 “Feasibility Study on Automatic Interpretation of Radiation Dose Using Deep Learning Technique for Dicentric Chromosome Assay”[2] 논문을 요약 정리하였고 자세한 내용을 알고 싶으시면 논문을 참고 하시기 바랍니다.[2]


출처

[1] 한국원자력의학원 홈페이지 : https://www.kirams.re.kr/nremc/centerWork/exposedappraisalA04.jsp

[2] Seungsoo Jang et al., “Feasibility Study on Automatic Interpretation of Radiation Dose Using Deep Learning Technique for Dicentric Chromosome Assay”, Radiat Res, 195(2), 163-172, (2020)


조회수 129회댓글 0개

최근 게시물

전체 보기