KAIST 바이오및뇌공학과 예종철 교수 연구팀이 자체 개발한 ‘협조·생성적 적대신경망(Collaborative Generative Adversarial Network : CollaGAN)’ 의 작동 원리 :누락된 대조 영상을 실제로 얻은 다른 대조 영상들을 이용해,높은 정확도로 복원한다.

인공지능(AI)을 활용해 MRI 합성 영상을 만들어 냄으로써 재촬영으로 인한 환자의 불편을 최소화하고 진단 정확도를 높일 수 있는 기술이 개발됐다.

KAIST 바이오및뇌공학과 예종철 교수

KAIST 바이오및뇌공학과 예종철 교수 연구팀이 자기공명영상(MRI)에서 재촬영 없이도 누락된 강조영상을 얻을 수 있는 인공지능 기술을 개발했다.

이 연구를 통해 각 질환별로 강조영상이 암의 진단에 미치는 영향을 객관적으로 밝힐 수 있으며, 실제 임상에서 고비용의 MRI를 효과적이고 체계적으로 활용할 수 있는 방안을 설계할 수 있을 것으로 기대된다.

예종철 교수는 “인공지능이 진단과 영상처리에 사용되는 현재의 응용 범위를 넘어서, 진단의 중요도를 선택하고 진단 규약을 계획하는 데 중요한 역할을 할 수 있는 것을 보여준 독창적인 연구”라고 강조했다.

실제로 KAIST 예종철 교수는 지난해 신경망을 이용해 획득되지 않은 단층 이미지를 획득함으로써, 고품질 자기 공명 이미지를 얻을 수 있는 ‘뉴럴 네트워크를 이용한 자기 공명 영상 처리 방법 및 그 장치’ 특허를 등록했다.

자기공명영상(magnetic resonance imaging: MRI)는 엑스선 컴퓨터 단층촬영, 초음파와 더불어 임상 진단에서 중요한 역할을 하는 진단 장비이다. 특히 비침습적 방법으로 고해상도의 영상을 얻기 때문에 종양이나 병변을 관찰하며 진단하는데 매우 중요한 임상 정보를 제공한다. 이는 영상의 대조도 (contrast)를 다양하게 조절할 수 있는 MRI의 특징 때문이다.

예를 들어 뇌종양을 진단하는 데 활용되는 T1·T2 강조영상, FLAIR 기법 영상, T1 조영증강 영상 등 여러 가지 대조 영상을 얻어 진단에 사용함으로써 종양을 찾을 수 있다.

외인성/내인성 대조 : 의료 영상의 대조(contrast)를 형성하는 과정에서 대조의 원인에 따른 분류이다. 영상의 대조가 인체 조직/장기가 지니는 내재적인 조직의 특성에 기인한 경우 내인성 대조라고 불리며, T1강조, T2강조 등의 기법이 있다. 반면에 영상의 대조가 조영제(contrast agent) 등과 같이 외부의 약물 등을 통해 내재적인 특성 외에 추가적인 외부 요인에 기인한 경우 외인성 대조라고 불린다.

조영제 : MRI나 CT등 영상진단 검사 또는 시술 시, 특정 장기나 조직, 혈관 등이 좀 더 잘 보이도록 인체 내부에 투여하는 약물로 외인성 대조를 만드는 수단이다.

FLAIR 기법 : fluid attenuated inversion recovery, MRI 대조 기법 중 하나로 병변을 검출하기 위해 신호를 역전 시킨 후 회복시켜서 노이즈를 억제하는 촬영 기법이다. 뇌경색, 뇌종양 등의 진단에서 유용한 정보를 제공한다.

하지만 실제 임상 환경에서는 강조영상을 모두 얻기 어려운 경우가 많다. 여러 장의 강조영상 촬영을 위해 촬영시간이 길어지기도 하고, 잡음이나 인공음영 발생으로 인해 진단에 사용하기 어려운 경우가 많기 때문이다.

또한, 뇌질환진단을 위한 MRI 검사는 의심 질환이 무엇인지에 따라 필수 강조영상이 달라지며, 이후 특정 질환으로 진단명이 좁혀지면서 부득이하게 누락된 강조영상을 확보하기 위한 재촬영이 필요한 경우가 많다. 이러한 상황에 의해 많은 시간과 비용이 소모된다.

최근 인공지능 분야에서 생성적 적대 신경망(Generative adversarial networks, GAN)이라는 딥러닝을 이용해 영상을 합성하는 기술이 많이 보고되고 있지만, 이 기술을 MRI 강조영상 합성에 사용하면 준비하고 미리 학습해야 하는 네트워크가 너무 많아지게 된다.

Generative Adversarial Networks(GANs) : 딥러닝 기법 중 하나로, 생성자 네트워크(Generator)와 구분자 네트워크(Discriminator)가 서로 적대적으로 학습하는 기법을 이용해 서로의 성능을 점차 개선 및 향상 시켜나가는 기법. 구분자 네트워크는 받아들인 영상이 생성자 네트워크가 만들어낸 영상인지(Fake) 또는 실제 영상인지(Real) 구분하는 방향으로 학습하며, 생성자 네트워크는 구분자 네트워크를 속일만한 실제와 유사한 영상을 생성하는 방향으로 학습하는 기법이다.

이러한 기법은 하나의 영상에서 다른 영상으로의 관계를 학습하기 때문에 몇 개의 강조영상이 존재하더라도 이 정보 간의 시너지를 활용하는 영상 학습기법은 없는 현실이다.

예 교수 연구팀은 자체 개발한 ‘협조·생성적 적대신경망(Collaborative Generative Adversarial Network : CollaGAN)’ 기술을 이용해 여러 MRI 강조영상의 공통 특징 공간을 학습함으로써 확장성의 문제를 해결했다. 이를 통해 어떤 대조 영상의 생성이 가능한지와 불가능한지에 대한 질문과, 그에 대한 체계적인 대답 기법을 제안했다.

즉, 여러 개의 강조영상 중에서 임의의 순서 및 개수로 영상이 없어져도 남아있는 영상을 통해 사라진 영상을 복원하는 기법을 학습한 후 합성된 영상의 임상적 정확도를 평가해, 강조 영상 간 중요도를 자동으로 평가할 수 있는 원천 기술을 개발했다.

예 교수 연구팀은 건국대 문원진 교수 연구팀과의 협력을 통해 T1강조·T2강조 영상과 같이 내인성 강조영상은 다른 영상으로부터 정확한 합성이 가능하며, 합성된 강조영상이 실제 영상과 매우 유사하게 임상 정보를 표현하고 있다는 것을 확인했다. 연구팀은 확보한 합성 영상이 뇌종양 분할기법을 통해 뇌종양 범위를 파악하는데 유용한 정보를 제공한다는 것을 확인했다.

또한, 현재 많이 사용되는 합성 MRI 기법(synthetic MRI)에서 생기는 인공음영 영상도 자동 제거되는 것이 증명됐다. 이 기술을 이용하면 추가적인 재촬영을 하지 않고도 필요한 대조 영상을 생성해 시간과 비용을 비약적으로 줄일 수 있을 것으로 기대된다.

합성 MRI (Synthetic MRI) : MRI 대조영상을 합성하여 생성하는 기존의 수학적인 방법의 일종. 조직의 특성을 파악할 수 있도록 수십장의 MR 영상을 미리 촬영해두고, 이로부터 추출된 조직의 MR파라미터 (MR parameter)를 수학식을 이용하여 얻어내, 여려개의 대조 영상을 생성하는 기법.

이동욱 박사가 1 저자로 참여하고 건국대 의과대학 영상의학과 문원진 교수팀이 참여한 이번 연구 결과는 국제 학술지 ‘네이처 머신인테리젼스(Nature Machine Intelligence)’ 1월 18일 자 온라인판에 게재됐다. (논문명 : Assessing the importance of magnetic resonance contrasts using collaborative generative adversarial networks).

이 연구는 한국연구재단의 중견연구자지원사업을 받아 수행됐다.

조규남    namnam1124@naver.com​