[최근후] Section 4 Solo Project

# Intro

AI 는 사람이 하는일을 대신 해 줌으로써 우리에게 엄청난 편의를 제공할 수 있는 아주 이로운 기술입니다. 하지만 일각에선 이것이 사회에 미치는 부정적인 영향에 대한 논란이 끊이지 않습니다. 저는 새로운 산업이 생겨나면 동시에 퇴보하는 산업이 있기 마련이라고 생각하는데요, 예를들어 자동차가 생겨나면서 인력거라는 직업이 없어지는 것처럼, AI 가 어떤이들의 일자리를 뺏기도 할 것 같습니다. 그렇기때문에 저는 AI 가 상업적인 방향으로 뿐만이 아니라 사회에 선영향을 미칠 수 있는 영역을 넓히는 것 또한 중요하다고 생각했습니다. 대표적으로 의료분야에서 AI 가 어떻게 쓰일 수 있는지 관심있게 지켜보았습니다.

의사들의 시간은 환자들의 목숨과도 직결되기 때문에 정말 소중한데요, 요즘은 AI 를 사용해서 의사들이 병진단을 할 때 도움을 줄 수 있는 방법이 다양해 졌다고 합니다. 실제로 요즘 떠오르는 AI 관련회사중 30% 가 의료목적의 AI 를 개발한다고 합니다. 그런 회사들중, 저는 뷰노라는 회사에 관심이있었습니다. 뷰노는 X-ray, MRI, CT 같은 의료 영상 혹은 이미지를 분석하는 AI 를 만드는 회사입니다. 이 회사의 주요 product 중의 하나가 폐 CT 사진을 분석하는 것이라고 합니다. 의사가 환자 한명의 CT 결과를 분석하기위해 많게는 30분이 소요된다고 합니다. 그런 분석을 위한 첫단계가 폐 영역을 마스킹하는 과정인데요, 전 이것을 image segmentation 을 사용해서 자동화할 수 있지않을까? 라는 궁금증이 들었고, image segmentation 을 위해 사용되는 FCN 과 UNET 이라는 모델들의 성능을 비교해 보았습니다. 이때 저는 UNET 이 FCN 을 발전시킨 모델이기때문에 이것이 더 좋은 성능을 보여줄 것이라는 가설을 세웠습니다.

- 관심있는 회사 : 뷰노 (VUNO)
- 풀고자 하는 문제 : CT 사진에서 폐영역을 마스킹하는 작업을 Image Segmentation 을 사용해 자동화 할 수 있을까?
- 검증하고자 하는 가설 : FCN 보다 그것을 발전시킨 모델인 UNET 이 이 문제를 해결하기위한 더 적합한 모델일 것이다.

# 데이터

학습과 평가에 사용한 데이터는 CT 로 폐를 촬영한 사진입니다. 원래 CT 촬영을하면 3D 이미지가 결과로 나오는데 이것을 분석하기 쉽게 2D 형식으로 슬라이싱한 사진들입니다. 왼쪽에 있는 사진들이 모델학습에서 X 값이 되는 본래의 CT 사진이고, 오른쪽이 y 값이되는 사람이 직접 폐영역을 마스킹한 사진입니다.

- X (원래 CT 사진) : 267 개
- y (마스킹된 사진) : 267 개

원래 이미지의 크기는 512 x 512 인데, 이대로 사용하면 Out of Memory 에러가 발생해서 256 x 256 으로 줄여서 사용했습니다.

# FCN

비교해 볼 첫번째 모델로 FCN 을 보시겠습니다. FCN 은 Fully Convolutional Network 의 약자이고, 이것의 목적은 Image Segmentation 입니다. Image Segmentation 이란, 위의 그림과같이 이미지의 각 픽셀이 어느 클래스에 속하는지 나타내는 것입니다. FCN 은 CNN 기반의 모델이고, Encoder 파트와 Decoder 파트로 구성됩니다. 그리고, 기존의 CNN 기반 모델들은 출력층에 Fully Connected Layer 를 사용하는데, 그러면 이미지의 위치정보를 잃기때문에 FCN 에서는 Convolution Layer 로 대체하는 특징을 가지고있습니다. 그러한 특징때문에 Fully Convolutional Network 라고 이름이 지어졌습니다!

# UNET

UNET 은 FCN 을 발전시킨 모델입니다. FCN 과 마찬가지로 인코딩과 디코딩 파트로 구성되어 있다고 보시면 되는데, 그것들을 UNET 에선 Contracting Path 와 Expanding Path 라고 부릅니다. Contracting Path 에서는 원본 이미지의 특징을 함축하는 과정이 이루어지고, Expanding Path 에서는 함축된 피쳐맵을 확장하는 과정이 이루어집니다. Expanding Path 의 업샘플링하는 과정에서 Concatenate 를 사용하는 것이 특징인데요, UNET 을 발표한 논문에 따르면 이것을 사용해서 대칭되는 Contracting Path 단계에서 얻어진 피쳐맵과 합치는 과정을 통해 예측 결과의 해상도를 높여준다고 합니다.

# 좀 더 나은 학습을 위한 작업들

의료이미지 특성상 많은 데이터를 확보하기가 힘들어서 모델 학습시 훈련 데이터가 모자라 성능 평가의 신뢰성이 떨어질 수 있어서 다음과 같은 방법으로 데이터를 늘리고, 일반화하는 과정을 거쳤습니다.

1. Image Augmentation : 이미지 rotation/shift 와 같은 랜덤한 변화를 주어 훈련세트의 다양성을 증가시킴.

2. Cross Validation : 훈련, 평가시 사용되는 데이터의 편중을 줄일 수 있고, 조금 더 일반화된 모델을 만들 수 있다. 모든 데이터셋을 훈련에 사용할 수 있다는 장점도 있음.

# 결과

위 사진은 두 모델의 예측결과를 시각화 한 것이고, 왼쪽이 FCN, 오른쪽이 UNET 의 결과입니다. 보시다시피 FCN 과 UNET 은 비슷한 정확도를 보였지만, 그 결과이미지를 보시면 해상도에 꽤 큰 차이를 보입니다. 위에서 UNET 을 설명할때 언급했던 Concatenate 을 적용하는 부분 말고는 두 모델을 거의 똑같이 만들었는데 이렇게 차이가 난다는 것을 보고 신기하기도하고 놀랬습니다. 이렇게 제가 세웠던 가설인 'UNET 이 폐 CT 사진을 Image Segmentation 하는데에 FCN 보다 더 좋은 성능을 낼것이다' 를 검증해 봤습니다. 그 둘은 정확도에선 큰 차이를 보이진 않았지만 예측값으로 나온 이미지의 해상도에서 큰 차이가 있었습니다.

# 마치며...

CT 사진에서 분석을 위한 장기기관을 마스킹하는 작업을 FCN 과 UNET 같은 Image Segmentation 기술을 사용해 자동화 할 수 있다는 것을 알게되었습니다. 제가 이번 프로젝트에서 진행한 Image Segmentation 은 더 나아가 심장 비대증, 뇌 질환, 성장 질환, 안구 질환 등 다양한 의료분야에서 사용될 수 있습니다. 사람이 수동적으로 해야하는 일을 기계가 대신 함으로써 분석 시간을 절약할 수 있고, 그로인해 의사가 환자를 케어할 수 있는 시간이 늘어나 더 많은 환자를 치료할 수 있는 좋은 영향을 가지고 올 수 있다고 생각합니다.