Earticle

초록

영어

To investigate and validate the sysnthesis of medical images by using a generative adversarial network(GAN) trained to learn the valuable. We trained the GAN by using 17,854 chest CT images visited National Cancer Center from January 2011 to December 2022. 2 radiologists evaluated the results in a approach by using an independent validation set and judge the authenticity of each image. The mean accuracy and sensitivity of the entire image set was higher for(85%, 89% respectively; p<0.001) meet with significantly. But specificity was 82%, p<0.08, so not significantly different. The synthesis images trained by GAN can highly realistic high resolution that are from real CT images so that probably using useful for training tool not with privacy act.

한국어

컴퓨터 성능의 향상과 함께 인공지능 기술이 발전하고 있고 의료영상 분야에서도 생성적 적대 신경망 기술을 이용한 사실적 영상 합성이 가능해짐에 따라 효과성 및 활용 가능성을 알아보고자 한다. 2011년 1월 2022년 12월 까지 국립암센터에서 시행한 흉부 CT 영상 자료 각각 17,854건에 대하여 생성적 적대 신경망 모델을 이용하여 진단명에 대하여 훈련시켰다. 본 자료에 대한 국립암센터 임상연구심의 위원회를 거쳤고 2명의 판독 전문의가 합성된 영상과 실제 영상을 대상으로 질병 유무와 영상의 합성 여부에 대하여 판독을 실행하였다. 합성영 상의 품질 평가는 정확도, 민감도, 특이도를 평가하였다. 합성영상 2,500장, 실제 CT 영상 2,500장을 random으로 2명의 전문판독의 에게 판독을 의뢰하였고, 정확도 85%, 민감도 89%, p<0.001 결과를 보였다. 특이도 결과는 82%, p<0.08로 통계적 유의성을 만족지 못하였다. 생성적 적대 신경망 기술을 이용한 영상 합성의 품질은 실제 CT 영상과 차이점을 구분할 수 없을 정도로 유사하였으 며 개인정보보호법에 저촉되지 않는 적법한 방법으로 교육 목적 자료 활용으로 충분한 가치가 있겠다.

목차

Abstract
Ⅰ. 서론
Ⅱ. 대상 및 방법
1. 데이터 수집 및 합성
2. 통계 분석
Ⅲ. 결과
Ⅳ. 고찰
참고문헌
요약

키워드

저자

• Kim Myengsung [ 김명성 | Department of Radiology, National Cancer Center ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  대한디지털의료영상학회논문지 [Korean Journal of Digital Imaging in Medicine]

• 간기

  연3회

• pISSN

  1976-7641

• 수록기간

  1995~2025

• 십진분류

  KDC 510 DDC 610