AI-Hub

데이터 변경이력

데이터 히스토리

소개

- Weight bearingCT에서 얻어지는 영상 획득
- Polygon 세그멘테이션 정보에서 골성 지표를 추출하여 뼈를 구분
- Bounding box를 통한 족부 족관절 질환 구분
- Key point(Poly line)을 통한 족부질환 예측 및 구분

구축목적

- 진단 보조 목적으로 발과 발목 병변을 구분하고 족부 및 족부 질환의 진단 보조가 가능한 AI model (SaMD)를 개발

- 질환별 통계현황 

- 남/녀 및 연령별 비율

- 데이터 통계 

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- AI 모델 1
  -  족부 및 족관절 뼈의 세부 위치를 파악하기 위한 골성 구조 데이터 2차원 세그멘테이션 모델 개발
  -  딥러닝 모델 학습
     - Tibia, Fibula, Talus, Midfoot, Calcaneus 등을 포함한 10종의 세그멘테이션 예측모델 개발
     - U-Net 기반의 모델에 원본 의료 이미지, 클래스별 세그멘테이션 데이터를 학습 데이터 셋으로 활용하며, 최종적으로 이미지를 넣었을 때 각 클래스별 세그멘테이션 값 출력
     - 의료 영상 데이터를 활용한 여러 세그멘테이션 Task에선 상대적으로 적은 데이터 셋으로도 좋은 성능을 내는 U-Net 기반의 모델이 활용되며 때문에 본 제안에선 U-Net을 Baseline 모델로 선정

  -  학습 모델 검증 및 평가
     - 성능 평가는 세그멘테이션 분야에서 주로 활용되는 IoU 기반 mAP(Mean Average Precision)를 평가지표로 선정
     - IoU는 객체 검출의 정확도를 평가하는 지표로서, 객체 감지에서 개별 객체에 대한 검출이 성공하였는지 결과를 0~1 사이로 평가되며 AP에 활용 가능
     - mAP는 정밀도(Precision)와 재현율(Recall)의 조합으로 이루어진 평균 정밀도(Average Precision)를 평균하여 계산
     - 객체 감지 작업에서는 모델이 이미지 내에서 객체의 위치를 예측하고, 그 예측 결과와 실제 객체의 위치 간의 정확도를 측정하는데, 이러한 정확도를 평가하는 지표로 사용

- AI 모델 2
  -  질환 진단 보조에 활용할 족부 각도 추정을 위한 랜드마크 포인트 데이터 예측 모델 개발
  -  딥러닝 모델 학습
     - 평발, 요족 등의 족부 질환과 발목 관절염등의 족관절 질환 진단과정에서, Talo-1st metatarsal angle 등 아래에 명시한 특정 각도들을 이용하여 이를 보조할 수 있음
     - 족부 각도 추정을 위해선 각도를 측정하는 기준인 랜드마크 포인트가 필요하며 이를 위해 각도 추정을 위한 랜드마크 포인트 예측 모델을 개발
     - 주요 병변들과 연관된 각도들(calcaneal pitch angle, Talo-1st metatarsal angle (TMA), Talo-calcaneal angle (TCA), Hindfoot alignment angle (HAA), Medial talar articular surface angle (MTASA) 등)을 추정하기 위한 랜드마크 포인트 예측 모델 개발
     - GU2Net 기반 모델에 원본 이미지, 랜드마크 포인트를 학습 데이터 셋으로 활용하며, 최종적으로 이미지를 넣었을 때 랜드마크 포인트를 출력하는 인공지능 모델 개발
     - 공개된 연구 중 제안하는 task와 완전히 동일한 데이터와 모델은 없으며 이에 따라 유사한 task를 수행하는 연구를 기준으로 모델을 선정
     - GU2Net은 U-Net기반의 모델로 최근 손, 폐, 머리 등의 Xray 데이터셋에서의 랜드마크 포인트 추정연구에서 좋은 성능을 내고 있어 해당 모델을 Baseline 모델로 선정

  -  학습 모델 검증 및 평가
     - 모델을 통해 예측된 랜드마크 포인트의 정확도 평가를 위해 mAP(Mean Average Precision)을 활용하며, 정확도 기준은 2차원 관절인식 분야에서 주로 활용되는 OKS값을 기준으로 함
     - OKS는 랜드마크 포인트(Key Point)를 예측하기 위해 객체검출에서 사용된 IoU와 유사하지만 다른 지표이며, Ground Truth 객체와 예측된 객체 사이의 유사성을 측정하는 지표로 AP 계산 역시 가능
     - mAP는 정밀도(Precision)와 재현율(Recall)의 조합으로 이루어진 평균 정밀도(Average Precision)를 평균하여 계산
     - 객체 감지 작업에서는 모델이 이미지 내에서 객체의 위치를 예측하고, 그 예측 결과와 실제 객체의 위치 간의 정확도를 측정하는데, 이러한 정확도를 평가하는 지표로 사용

                                                         , 
- AI 모델 3
  -  질환 진단 보조를 위해 병변 위치를 추정할 병변 위치 데이터 기반 경계 박스 예측 모델 개발
  -  딥러닝 모델 학습
     - 병변 위치 데이터를 이용한 병변 위치 추정 모델 개발
     - 거골 연골 병변, 무지외반증, 부주상골 증후군, 족근졸 유합 등의 병변 클래스와 이에 해당하는 경계박스를 예측하여 출력
     - YOLO 기반 모델에 원본 이미지와 각 병변 클래스에 해당하는 위치가 레이블링 된 데이터(경계박스 좌표(x,y,w,h),)를 학습 데이터 셋으로 활용
     - 빠른 속도와 안정적인 정확도를 보여, 다양한 도메인의 경계박스 추정 Task에서 많이 활용되는 YOLO 모델을 Baseline 모델로 선정

설명서 및 활용가이드 다운로드

- 데이터 설명

- 데이터 예시

데이터 예시

데이터 수집/정제	Bone segmentation
질환 bounding box	4 key-point angle 추정

- 데이터 저장방법

데이터 저장방법

폴더 규칙
	상위폴더 : (Cone-Beam CT)   하위폴더 : (진단코드)     하위폴더 : (기관코드-Case식별ID)     - Case 임상 정보 파일 목록(json)     - 각도 라벨링 정보 파일(json)     - 영상 원천 데이터 파일(DICOM)     - 영상 원천데이터 라벨링 파일(json)      (2D Bone Segmentation 및 Bounding Box)

데이터셋 구축 담당자

수행기관(주관) : 가톨릭대학교 산학협력단

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처