흉부 조직생검을 위하여 복강경(Thoracoscopy)과 같은 기법이 사용될 수 있지만, 이는 환자의 부담을 증가시키며 좋지 못한 예후를 남길 수 있다. 대안으로, 기관지 내시경(bronchoscopy)를 통하여 비침습적으로 조직을 채취할 수 있는데, 이를 위해서는 기도(Airway)를 타고 목표(Target)까지 도달하기 위한 지도(Map)가 필요하다. 기존 픽셀값 기반 기도 추출(Segmentation) 방법들은 오탐지율이 높으며, 미세한 기도는 찾아내지 못한다는 한계가 명확하다. 이를 위하여 딥러닝(DL; Deep Learning) 기반 방법론들이 제안되고 있지만, 미세 기도에 대한 탐지력이 떨어지며, 지도학습을 위한 정답값(Label)도 완전하지 않다는 어려움이 있다. 본 연구에서는 딥러닝 모델의 민감도를 증폭시키기 위하여 Encoder-Guided Attention U-Net을 제안한다. 제안된 모델은 불완전한 정답 하에도 보다 깊고 정확한 미세 기도까지 탐지할 수 있고, ATM’22 Challenge Long-term Validation Phase에서 트리 탐지 비율(TDR; Tree Detected Ratio) 및 분지 탐지 비율(BDR; Branch Detected Ratio) 부분에서 1위를 기록하고 있다. 본 연구는 양산부산대학교병원 호흡기내과 팀과 협업하여 말초 폐 병변 조직검사의 한계를 극복하고 조기 폐암의 성공적인 조직검사를 위하여 말초 병변까지 도달하는 기관지 경로를 쉽고 정확하게 가이드 받을 수 있는 새로운 영상 가이드 방법의 개발을 수행하고 있다.

폐암(Lung Cancer)은 발병율 및 사망률 측면에서 주요한 암종으로 분류되는데, 조기진단을 통한 적절한 치료가 매우 높은 중요도를 가진다. CT 영상 내에서 해당 병변이 잘 보이지 않는 경우가 있기에, PET-CT를 순차적으로 촬영하여 종합적인 진단을 내린다. PET 영상은 대사(Metabolism)가 활발한 경우를 비추기에 암종을 찾아낼 수 있지만, 해당 부분이 실제 암종인지 판단하는 것은 전문적인 지식을 요구하는 작업으로, 영상의 해석은 숙련된 핵의학과 전문의에 의해 이루어진다. 그러나 이 과정은 시간과 인력 자원이 많이 소모되며, 해석 결과 또한 판독자 간 편차가 발생할 수 있다. 이러한 이유로, PET-CT 영상에서 암 병변을 자동으로 검출하고 분할할 수 있는 딥러닝(DL; Deep Learning) 기반의 보조 진단 기술이 각광받고 있다. 본 연구에서는 U-Net 기반의 딥러닝 모델을 통해 PET-CT 영상에서 자동을 암종을 추출하는 알고리즘을 제안한다. 여기에는 PET-CT 영상으르 다루기 위한 정합(Registration), 정답값 처리(Mask Pre-Processing), PET-CT 매칭 등이 포함되며, 민감도 향상을 위한 후처리(Mask Post-Processing)가 포함된다.

병리 검사의 수요는 늘어나지만, 병리 슬라이드의 분실, 파손 등 관리가 어렵다. 따라서 대형 의료기관에서는 스캐너를 통한 디지털 병리로 전환 중이다. 스캐너로 변환된 병리 영상은 초고해상도로, 전체슬라이드영상화 방식은 용량이 수기가 바이트에 이른다. 따라서 여러 샘플 영상들을 장기적으로 저장하기 위해서 JPEC2000을 넘어선 압축기법 개발이 필요하다. 압축기법으로 저장용량의 서버 비용을 절감할 수 있고 영상데이터의 전송 시간 및 로드 시간이 줄어들어 진단 효율성 증진할 수 있다. 본 연구에서는 딥러닝 기법을 적용하여 영상 질의 손실을 최소화하면서 병리 영상의 압축률 향상을 목표로 하고 있다. 또한 인공지능 기반 압축 기술을 활용한 영상 파일 표준화를 개발하여, 추후 영상 판독 및 질병 예측을 위한 학습데이터 생성과 인공지능 기술개발에 도움을 주려고 한다. 이 프로젝트는 씨젠의료재단의 지원으로 수행되고 있다.

환자의 목 내부를 촬영 시, 성대 주변을 둘러싼 기관들 때문에 성대의 정확한 위치를 육안으로 확인하기 힘든 경우가 많다. 본 연구는 성대가 직접적으로 보이지 않더라도 그 위치를 예측해주는 알고리즘을 개발하여 진단에 도움이 되고자 한다. 해당 연구는 양산부산대학교병원과 동국대학교 일산병원 마취통증의학과와 함께 진행 중이다.

노령화에 따른 요양시설 및 요양병원이 증가함에 따라 접촉성 감염 질환 위엄인자가 증가하고 있다. 특히 옴 환자의 발생이 꾸준히 증가하고 있지만, 기존 분자 생물학적 기법, 현미경을 이용한 기법으로는 빠른 시간내에 정확히 옴을 진단하기 어렵다. 따라서 본 연구에서는 옴 환자의 피부 병변에 대한 (카메라) 영상 자료를 확보하고, 이를 인공신경망 구축에 적용하고, 영상 분석 및 딥러닝 기법으로 의료인들의 옴 진단에 도움을 줄 수 있는 엡을 개발하고 있다. 본 연구는 부산대학교 간호대학 간호과학연구소 팀과 협업하고 있다.

이중 에너지 컴퓨터 단층 촬영은 골수 부종을 식별하는 데 자기 공명 영상을 대체할 수 있지만, 낮은 대비 문제로 인해 실제로는 거의 사용되지 않는다. 본 연구에서는 이러한 문제를 극복하기 위해 축 방향 뼈 영상에서 질병을 선별하고 뼈 병변의 국소 위치를 식별하는 딥러닝 기법을 기반으로 한 프레임워크를 구축하고 있다. 라벨링된 샘플의 희소성에 대응하기 위해 기하학적 변환에 기반한 기존의 증강(CA) 방법을 넘어 생성적 적대 신경망(GAN)을 개발하여 네트워크에 새로운 표현을 확장하여 제공한다. 합성 이미지를 안정적으로 생성하기 위해 GAN에 최적화된 데이터 증강기법을 탐구 중이며, 실제 샘플과 합성 샘플을 대상으로 분류 모델을 학습시키는 방법을 고안하고 있다. 또한 주성분 분석을 활용하여 딥러닝 네트워크 결과를 시각적으로 쉽게 분석할 수 있는 설명 가능한 AI 기법을 개발하고 있다. (양산부산대학교병원 영상의학과팀과 협업 중)

골밀도(BMD)는 골다공증 등 뼈 질환을 진단하기 위한 핵심적인 요소이다. 컴퓨터 단층 촬영(CT)은 뼈 질환 진단을 위한 일반적인 영상 촬영 방식이지만, 기술적 한계점으로 인해 정량적 골밀도 수치를 제공하는 경우는 드물다. 따라서 추가 방사선 노출을 감수하더라도 골밀도를 측정하려면 이중 에너지 X-선 흡수계측기(DXA)가 필요하다. 본 프로젝트에서는 컴퓨터 단층 촬영에서 L1 뼈의 축 방향 절단에서 골밀도를 추정하기 위한 딥러닝 프레임워크를 개발하고 있다. 또한 설명 가능한 인공 지능 기술을 개발하여 딥러닝 네트워크가 척추 주변 조직에 걸친 영역의 활용 여부를 확인한다. 이 방법은 임상 진료의 보조 도구 및 컴퓨터 단층 촬영 데이터베이스에서 잠재 환자를 식별하는 자동 탐지 기술로 활용될 수 있다. (부산의료원 정형외과팀과 협업 중) 이 연구는 정보통신기획평가원 인공지능대학원 지원 사업의 지원으로 수행되고 있다.

CT 검사 시 내부 조직이나 혈관이 잘 보이도록 조영제를 투입한다. 하지만 조영제는 작게는 두드러기, 복통 등에서 드물게는 사망에 이르는 중증 이상반응을 일으키는 부작용이 있다. 본 연구는 조영제를 사용하지 않고 요관의 주행을 확인 가능하게 하는 인공지능 시스템을 개발 목표로 한다. 본 연구는 부산대학교병원 신경외과 팀과 함께 진행하고 있다.