바이오및뇌공학과 예종철 교수 연구팀이 다양한 강조 기법으로 촬영한 자기공명영상(Magnetic Resonance Imaging, MRI)을 인공지능이 학습해 재촬영 없이 누락된 영상을 생성하는 기술을 개발했다. 이번 연구 결과는 지난 1월 18일 <네이처 머신인테리젼스(Nature Machine Intelligence)> 온라인판에 게재됐다.

데이터 수집의 한계로 재촬영 필요해 

자기공명영상은 병변을 진단하는데 중요한 임상 정보를 제공한다. 엑스선 컴퓨터 단층촬영, 초음파에 비해 많은 시간과 비용이 필요하지만, 조직의 특성에 따라 다양한 정도의 대조도(Contrast)를 가지는 고해상도 영상을 제공한다는 장점이 있다. 특히 영상기법에 따라 T1·T2 강조영상, FLAIR 영상, 조영증강 영상 등을 얻어 특정한 대비를 강조할 수 있다. 각 영상은 병리에 대한 다른 정보를 제공하지만, 임상에서는 시간이나 비용으로 인해 모든 영상을 얻기 어려워 의심 질환에 따라 필요한 영상들만 촬영해 진단에 활용한다. 하지만 데이터 수집 과정에서 발생하는 노이즈나 환자의 움직임으로 발생하는 인공음영(Artifact)으로 인해 일부 데이터를 사용하기 어려운 경우가 발생하며, 종종 진단을 위해 추가적인 종류의 강조영상이 필요하기도 하다. 이와 같은 이유로 이뤄지는 재촬영은 진단에 필요한 시간과 비용을 증가시킨다.

경쟁하며 학습하는 인공신경망 모델

누락된 강조영상을 생성하기 위한 기존의 연구에서는 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 사용했다. 일반적으로 생성기와 판별기라는 두 가지의 인공 신경망으로 구성되는데, 판별기는 가짜 영상을 구별하고, 생성기는 판별기가 가짜 영상으로 구별하지 못하도록 영상을 생성한다. 이 두 신경망이 서로 경쟁하며 학습하기 때문에 학습이 끝난 생성기는 누락된 강조영상을 대체할 수 있는 정확도 높은 이미지를 생성할 수 있다. 이 방법은 특정 영상에서 다른 영상으로의 관계를 학습해 이미지를 생성하기 때문에 다른 강조영상에 대해서는 새로운 관계를 학습해야 한다. 그 때문에 다양한 강조영상 간의 자유로운 변환을 위해서는 많은 수의 신경망을 학습시켜야 하는 단점이 있다.

생성하는 영상의 정확도 판단 가능해

연구팀은 협조·생성적 적대 신경망(Collaborative Generative Adversarial Network, CollaGAN)을 개발해 이러한 문제를 해결했다. 사실, 다양한 강조영상들 사이에는 일부 중복되는 특징이 존재한다. 이 신경망은 중복되는 특징 공간을 학습하기 때문에 여러 입력 정보의 시너지를 활용해 누락된 강조영상을 정확하게 생성할 수 있다. 특히 강조영상 중 어떤 영상이 신경망을 통해 생성될 수 없어 필수적으로 촬영해 데이터를 얻어야 하는지 판단할 수 있다. 이는 의사의 진단 과정에서 생성된 강조영상의 정확도를 고려하며 인공지능 기술을 사용할 수 있도록 도와준다. 실제로 뇌 자기공명영상의 경우, T1·T2 강조 영상 같은 내인성 강조영상은 다른 영상으로부터 정확한 합성이 가능함을 확인했다. 하지만 외인성 강조 영상으로 조영제를 주입해 혈관의 구조적 정보를 얻는 조영증강 영상은 인공 신경망을 통해 생성하기 어려워 촬영을 통해 정보를 얻는 것이 필수적이다.

예 교수는 “개발한 인공신경망을 사용하면 진단을 위한 재촬영을 피할 수 있어 비용과 시간을 절약할 수 있다”며 “질환에 따라 각 강조영상 촬영의 필요한 정도를 사전에 파악할 수 있어 의사가 의심되는 질환에 따라 촬영이 필요한 강조영상을 최소한으로, 정확하게 선택하는 데 큰 도움을 줄 것이다”고 연구의 의의를 전했다.