(대전=세종충청뉴스) 송윤영 기자 = 과학기술정보통신부 산하 한국기계연구원(원장 박상진, 이하 기계연)이 영상 의료 진단 장비에 기계장비의 머신러닝 기술을 접목해 질병 진단 속도와 정확도를 모두 향상시키는 기술을 개발했다.

기계연 신뢰성평가연구실 박종원 실장 연구팀은 초음파 영상 진단 장비에 기계류 부품과 장비의 신뢰성 진단을 위해 활용해 온 빅데이터 딥러닝 기술을 적용해, ‘머신러닝을 활용한 영상 진단 기술’을 개발하고, GPU(그래픽처리장치)를 이용하여 정확도 80% 수준의 진단에 성공했다.

연구팀은 기계 부품과 설비 신뢰성 검사를 위한 머신러닝 기법을 발전시키기 위해 풍부한 영상 데이터를 보유하고 있는 의료분야 연구진과 협력을 모색해왔다. 최근 의학 분야에서도 심장 및 뇌질환 관련 질병을 조기에 진단하기 위해 초음파 영상과 컴퓨터 단층촬영, 자기공명영상 등과 같은 진단영상 기반 머신러닝 기술을 활발하게 적용하고 있다.

연구팀은 의료 영상 진단 기술 발전에 관심을 갖고 있는 대전성모병원 심장내과 연구진과 함께 뇌경색 환자의 대동맥 동맥경화 진단을 위한 영상 분석에 착수했다.머신러닝을 의료분야에 활용하기 위한 시도는 다양하게 있었지만, 대동맥 플라크* 상태에 따라 분류하고, 플라크의 두께 측정에 적용할 수 있는 딥러닝 모델 개발은 새로운 시도다.

* 플라크(Plaque): 혈관에 생기는 플라크는 혈관 내부에 이물질들이 들러붙으면서 만들어지는 것으로 플라크가 형성되면 칼슘 등 다른 물질과 결합되면서 단단한 껍질까지 형성해 혈관을 점점 좁아지게 해 동맥경화가 유발된다.

연구팀은 머신러닝의 다양한 기법 중 오토엔코더(Autoencoder)와 유넷(U-net)모델을 대동맥벽의 초음파 영상 판별에 적용했다. 대동맥벽을 초음파 영상으로 판별하면 뇌졸중의 원인으로 떠오르고 있는 대동맥 동맥경화성 플라크의 상태를 확인할 수 있다.

기계연 박종원 신뢰성평가연구실장은 “지금까지는 기계류 부품과 장비의 고장, 수명을 판단하기 위해서 사용자가 복잡한 데이터 해석 능력을 갖춰야 했지만 이제는 다양한 오픈 소스를 활용해 쉽게 접근할 수 있게 됐다”며 “머신러닝을 활용한 영상진단 기술은 향후 다양한 질병의 판독과 부품, 장비의 수명 예측 모델을 개발하는 등 다양한 분야에 활용될 수 있을 것으로 기대된다”고 말했다.

연구팀은 대동맥 플라크의 분석의 정확도를 향상시키기 위해 딥러닝 모델을 개선할 계획이다. 또한 의학 분야 뿐만 아니라, 향후 미래형 수송기기 부품 제조 가상공학 플랫폼 구축 및 소재부품융합얼라이언스(기계자동차분야) 사업에서 부품에 대한 고장현상에 대한 이미지 데이터를 이용해 고장 진단 등에 활용할 수 있는 기술로 확대할 계획이다.

이번 연구는 산업통상자원부 소재부품기술기반혁신사업의 지원을 받아 수행됐다.

1. 연구배경

한국기계연구원 신뢰성평가연구실은 소재부품 및 장비의 신뢰성1) 시험 장비 구축을 중심으로 시험 계획을 수행하고, 이를 통해 획득된 자료 분석을 위한 기법을 개발하고 있다. 최근에는 시험을 통해 부품 및 장비의 상태를 실시간으로 모니터링하며 획득하는 데이터가 많아지고 있어 수치 데이터뿐만 아니라 영상 데이터를 통해 부품 및 장비의 상태를 진단하는 기술도 연구하고 있다.

이와 같이 다양한 형태로 수집되는 데이터를 이용해 부품 및 장비의 신뢰성을 평가하기 위해서는 기존에 적용하고 있던 신뢰성 평가방법이나 통계적 방법만으로는 한계가 있다. 때문에 영상으로 획득된 이미지를 이용해 사용자가 쉽게 상태 및 고장을 판단할 수 있는 기술이 요구되고 있다.

따라서, 다양한 형태로 수집된 데이터를 바탕으로 머신러닝2) 기법을 통해 상태의 분류와 객체 검출, 경계 추출, 모델링 및 예측 등을 실시하고, 부품 및 장비의 신뢰성을 평가하는 방법에 적용하기 위한 연구에 착수하게 되었다.

2. 연구의 차별성

이번 연구는 뇌졸중의 원인으로 대두되고 있는 대동맥 동맥경화성 플라크6)(Aortic Atherosclerotic Plaque)의 상태를, 대동맥벽에 가장 근접해서 확인이 가능한 경식도 초음파 영상을 통해 판별하기 위해 머신러닝 기법 중 Autoencoder3)와 U-net4) 모델을 적용하여 진단모델을 구현하고 정확도를 확인했다.

기존에는 기계류 부품 및 장비를 대상으로 상태를 진단하는 기법을 개발했지만, 이번 연구는 의학 분야에서 획득되는 초음파 영상을 이용해 환자의 상태를 진단하기 위한 딥러닝2) 기법을 적용했다.

최근 의학 분야에서도 심장 및 뇌질환 관련 질병을 조기에 진단하기 위해 초음파 영상(Ultrasound Image), 컴퓨터 단층촬영(CT·Computed Tomography), 자기공명영상(MRI· Magnetic Resonance Imaging) 등과 같은 진단영상에 기반한 머신러닝을 활발히 적용하고 있다. 이를 통해 의료진이 질병을 판독하는 시간이 단축되고 정확도 있는 결과를 도출하고 있다.

용어설명

1. 신뢰성(Reliability)

신뢰성이란 아이템(단품, 부품, 제품 또는 시스템)이 주어진 사용조건에서 일정기간동안 요구되는 기능을 고장 없이 수행되는 특성을 말하며 이를 정량적인 척도인 확률로 표현하면 신뢰도라고 정의한다.

2. 머신러닝(Machine Learning)

머신러닝은 인공지능의 한 분야로 인간의 학습 능력과 같은 기능을 컴퓨터에서 실현하고자 하는 기술 및 기법이다.

3. 딥러닝(Deep Learning)

인공신경망에 기반을 둔 머신러닝 기술의 한 종류로 사람이 어떤 정보를 받아들이면 거대한 뉴런(신경세포) 네트워크가 가동돼 인지하고 판단하는 것과 같이 컴퓨터가 스스로 인지 · 추론 · 판단할 수 있게 하는 기술이다.

4. 오토엔코더(Autoencoder)

Autoencoder는 좌우를 대칭으로 입출력층으로 구성되어 원본 데이터를 인코더(encoder)를 통해 압축한 뒤 다시 디코더(decoder)를 통해 복구하는 작업으로 특징을 추출하여 학습하는 딥러닝 방법이다.

5. 유넷(U-net)

U-net은 이미지 분할을 위한 인공신경망으로 구조적으로 표현하였을 때 U자 형태를 갖는 딥러닝 방법이다. 중앙을 기준으로 왼쪽은 이미지가 축소되는 인코더(encoder) 구조, 오른쪽은 원래의 크기로 확대되는 디코더(decoder) 구조로 이미지가 겹치는 부분에서 중복으로 검증　없이 다음 영역부터 새롭게 검증하기 때문에 상대적으로 속도가 빠르다는 장점이 있다.

6. 플라크(Plaque)

혈관에 생기는 플라크는 혈관 내부에 이물질들이 들러붙으면서 만들어지는 것으로 플라크가 형성되면 칼슘 등 다른 물질과 결합되면서 단단한 껍질까지 형성해 혈관을 점점 좁아지게 해 동맥경화가 유발된다.