※온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2021-06-30 원천데이터 수정 소개
갑상선암 진단 및 치료 과정에서 필요한 영상‧이미지 데이터
구축목적
의료 진단에서 활용될 수 있는 의료 인공지능 개발이 세계적으로 소개되고 있지만 민감한 의료 정보를 담고 있기 때문에 접근할 수 있는 오픈소스 의료 데이터의 종류가 제한적임. 따라서 갑상선암 진단에 활용할 수 있는 3종류의 갑상선암 의료 영상 데이터셋을 구축하여 영상 진단 판독을 보조할 수 있는 의료 인공지능 개발을 도모하고 의료 산업의 발전을 기대함.
-
메타데이터 구조표 데이터 영역 헬스케어 데이터 유형 비디오 , 이미지 데이터 형식 데이터 출처 라벨링 유형 라벨링 형식 데이터 활용 서비스 데이터 구축년도/
데이터 구축량2020년/24.7만 -
구축 내용 및 제공 데이터량
- 갑상선암 데이터셋은 병원으로부터 원본 의료 이미지 데이터 획득 후 익명화 및 비식별화 과정을 거친 뒤 전문의의 라벨링으로 구축되었다.
구축 내용 및 제공 데이터량 구조테이블 유형 구축 건수(건) 분류 환자수 영상 수 초음파 양성 1.040명 25,790장 악성 3,960명 3,116,128명 Neck CT 전이있음 232명 45,143장 전이없음 270명 56,030장 병리 이미지 양성 1,585명 2,731장 악성 1,190명 2,111장
- 갑상선암 데이터셋은 병원으로부터 원본 의료 이미지 데이터 획득 후 익명화 및 비식별화 과정을 거친 뒤 전문의의 라벨링으로 구축되었다.
-
-
AI 모델 상세 설명서 다운로드
AI 모델 다운로드 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 약성/양성 감별 Image Classification DeepLabV3 architecture 기반 deep semantic segmentation model AUC-ROC 0.77 단위없음 0.87 단위없음 2 암 전이 유무 판단 Image Classification DeepLabV3 architecture 기반 deep semantic segmentation model AUC-ROC 0.88 단위없음 0.9 단위없음 3 악성정도 감별(이진) Image Classification DeepLabV3 architecture 기반deep semantic segmentation model AUC-ROC 0.89 단위없음 0.9 단위없음 4 병변(결절) 위치 검출 Object Detection DeepLabV3 architecture 기반deep semantic segmentation model DSC 0.76 단위없음 0.78 단위없음 5 갑상선암 위치 추정 Object Detection DeepLabV3 architecture 기반deep semantic segmentation model DSC 0.75 단위없음 0.78 단위없음 6 악성 종양세포 위치 검출 Object Detection DeepLabV3 architecture 기반deep semantic segmentation model DSC 0.78 단위없음 0.79 단위없음
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2021.06.30 데이터 최초 개방 구축 목적
- 의료 진단에서 활용될 수 있는 의료 인공지능 개발이 세계적으로 소개되고 있지만 민감한 의료 정보를 담고 있기 때문에 접근할 수 있는 오픈소스 의료 데이터의 종류가 제한적임.
- 따라서 갑상선암 진단에 활용할 수 있는 3종류의 갑상선암 의료 영상 데이터셋을 구축하여 영상 진단 판독을 보조할 수 있는 의료 인공지능 개발을 도모하고 의료 산업의 발전을 기대함.
활용 분야
- 의료 영상 판독 보조 소프트웨어 산업
소개
- 갑상선암 데이터셋은 갑상선암 진단에 가장 많이 활용되는 3가지 의료 이미지(갑상선 초음파, Neck CT, 병리 이미지)로 구성되어 있음
- 갑상선암의 종양 감별을 위해 갑상선 초음파의 양/악성 데이터셋을 구축하였으며, 전이 유무 판단을 할 수 있는 갑상선 CT(Neck CT), 갑상선암의 세포병리학적 진단 기준인 베데스다 클래스를 활용하여 진단한 병리 이미지로 구성되어 있음
구축 내용 및 제공 데이터량
- 갑상선암 데이터셋은 병원으로부터 원본 의료 이미지 데이터 획득 후 익명화 및 비식별화 과정을 거친 뒤 전문의의 라벨링으로 구축되었다.
구축 내용 및 제공 데이터량 구조테이블 유형 구축 건수(건) 분류 환자수 영상 수 초음파 양성 1.040명 25,790장 악성 3,960명 3,116,128명 Neck CT 전이있음 232명 45,143장 전이없음 270명 56,030장 병리 이미지 양성 1,585명 2,731장 악성 1,190명 2,111장
대표도면
대표도면 표 모달리티 갑상선암 영상데이터 데이터
포맷어노테이션
항목메타데이터
JSON 형식갑상선
초음파DICOM 단일 결절 부위
Bounding Box
체크· DICOM 파일(비식별화 후)
- age, sex, manufacture, machine name
· Json 파일
- 환자:json = 1:n
· Excel 파일
- 양성/악성정보 비식별 환자ID, 나이, 성별Nect CT DICOM 단일 결절 부위
Bounding Box
체크· DICOM 파일 (비식별화 후)
- age, sex, matrix size, machine name, slice thickness, series description
· Json 파일 - 환자:json = 1:n
· Excel 파일 - 전이/비전이 정보, 비식별 환자ID, 나이, 성별, 병리결과, 흡연력병리
이미지Tif 세포 cluster
Polygon
Segmentation· Tif 파일
- Scan machine name, scanning parameter, scanner manufacture
· Json 파일
- 환자:json = 1:n
· Excel 파일
- 양성/악성정보,
비식별 환자ID, 나이, 성별필요성
- 갑상선암 데이터셋은 의료진이 갑상선암 환자를 진단할 때 사용하는 대표적인 영상 3가지(갑상선 초음파, Neck CT, 병리 이미지) 카테고리로 구성
- 현재 인공지능 기술은 오픈소스 활용 등으로 다양하게 발전하고 있으나, 의료 데이터는 의료 정보의특수성으로 확보가 어려움
- 따라서, 갑상선암 진단을 위한3가지 종류의 데이터셋을 통해 의료 인공지능 기술 발전을 도모하고 인공지능 진단 모델을
- 활용하여 의료진의 종합적이고 효율적인 진단을 통한 의료 서비스의 질적 향상을 기대함
데이터 구조
- 데이터구성
데이터 구성 표 모달리티 super
categorysuper
category_
namegrp_id grp_name id name 초음파 ULS Ultra
sound1 악성 1 악성_K-TIRADS_1 2 악성_K-TIRADS_2 3 악성_K-TIRADS_3 4 악성_K-TIRADS_4 5 악성_K-TIRADS_5 2 양성 6 양성_K-TIRADS_1 7 양성_K-TIRADS_2 8 양성_K-TIRADS_3 9 양성_K-TIRADS_4 10 양성_K-TIRADS_5 Neck
CTNCT Neck
CT1 악성 1 악성_림프절 2 양성 2 양성_림프절 병리 PTH Pathology 1 악성 1 malignant(PTC) 2 malignant
(medullary_ca)3 malignant
(anaplastic)4 malignant
(etc_type)2 양성 5 benign 6 atypical 3 기타 7 cluster_box - 1) 갑상선 초음파
갑상선초음파 데이터구성 표 No 영문명 한글명 필수여부 타입 길이 비고 1 supercategory 슈퍼카테고리 Y string 3 ULS 2 grp_id 그룹 아이디 Y number 1~2 3 grp_name 그룹 이름 Y string 2 1 : 악성
2 : 양성4 id 아이디 Y number 1~10 5 name 이름 Y string 6 1 :
악성_K-TIRADS_1
2 :
악성_K-TIRADS_2
3 :
악성_K-TIRADS_3
4 :
악성_K-TIRADS_4
5 :
악성_K-TIRADS_5
6 :
양성_K-TIRADS_1
7 :
양성_K-TIRADS_2
8 :
양성_K-TIRADS_3
9 :
양성_K-TIRADS_4
10 :
양성_K-TIRADS_5 - 2) 갑상선 CT
갑상선 CT 데이터구성 표 No 영문명 한글명 필수여부 타입 길이 비고 1 supercategory 슈퍼카테고리 Y string 3 NCT 2 grp_id 그룹 아이디 Y number 1~2 3 grp_name 그룹 이름 Y string 2 1 : 악성
2 : 양성4 id 아이디 Y number 1~2 5 name 이름 Y string 6 1 : 악성_림프절
2 : 양성_림프절 - 3) 병리 이미지
병리 이미지 데이터구성 표 No 영문명 한글명 필수여부 타입 길이 비고 1 supercategory 슈퍼카테고리 Y string 3 PTH 2 grp_id 그룹 아이디 Y number 1~3 3 grp_name 그룹 이름 Y string 2 1 : 악성
2 : 양성
3 : 기타4 id 아이디 Y number 1~7 5 name 이름 Y string 30 1 : malignant(PTC)
2 : malignant(medullary_ca)
3 : malignant(anaplastic)
4 : malignant(etc_type)
5 : benign
6 : atypical
7 : cluster_box
- 1) 갑상선 초음파
- JSON image 포맷
- 1) 갑상선 초음파 및 갑상선 CT
갑상선 초음파 및 CT JSON image 포맷 표 No 영문명 한글명 필수여부 타입 길이 비고 1 id 이미지 아이디 Y number Default=1 2 file_name 이미지 파일명 Y string 50 영상이미지
파일명3 patient_id 비식별
환자아이디Y string 7 비식별
환자아이디4 series_id 시리즈 번호 Y string 7 환자의
영상촬영 순번5 image_id 이미지 번호 Y string 7 시리즈의
이미지 순번6 width 가로길이 Y number 1~9999999 7 height 세로길이 Y number 1~9999999 8 date_
captured생성날짜 Y string 20 yyyy-mm-dd
hh-mm-ss9 modality 모달리티 Y string 3 NCT : Neck CT
ULS : Ultrasound10 manufacturer 검사장비 Y string 300 영상촬영
장비 제조사11 manufacturer
ModelName검사장비 모델 Y string 300 영상촬영
장비 모델명 - 2) 갑상선 병리 이미지
갑상선 병리 이미지 JSON image 포맷 표 No 영문명 한글명 필수여부 타입 길이 비고 1 id 이미지 아이디 Y number Default=1 2 file_name 이미지 파일명 Y string 50 영상이미지
파일명3 patient_id 비식별
환자아이디Y string 7 비식별
환자아이디4 slide_id 슬라이드 번호 Y string 3 조직 부위의 번호 5 scene_id 씬 번호 Y string 3 슬라이드의
씬 순번6 width 이미지 가로길이 Y number 1~9999999 7 height 이미지 세로길이 Y number 1~9999999 8 modality 모달리티 Y string 3 PTH : Pathology 9 microscope 현미경 Y string 300 현미경 이름 10 imaging_
device이미지 장비 Y string 300 이미지 처리 장비 11 camera_
adapter카메라 렌즈 Y string 300 렌즈모델명
- 1) 갑상선 초음파 및 갑상선 CT
- JSON 어노테이션 포맷
JSON 어노테이션 포맷 표 No 영문명 한글명 필수여부 타입 길이 비고 1 id 어노테이션
아이디Y number 어노테이션
아이디2 image_id 이미지 아이디 Y number 시리즈의
이미지 순번3 category_id 카테고리
아이디Y number 1,2,3 5 iscrowd 어노테이션
싱글/멀티 유형Y number 0 : 싱글, 1 : 멀티 6 area 어노테이션
넓이Y number bbox를 활용한 넓이 7 bbox 어노테이션
최대 Box 좌표Y array [x1, y1, x2, y2]
x,y는 float형식8 toolname 어노테이션
툴 유형Y string 300 어노테이션 툴명 9 segmentation 어노테이션
좌표정보Y array [x1, y1, x2, y2,
...., xn, yn]
x,y는 float형식10 width 세그먼트
가로길이Y number 픽셀 길이 11 height 세그먼트
세로길이Y number 픽셀 길이
-
데이터셋 구축 담당자
수행기관(주관) : 에이아이트릭스
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 유진규 02-569-5507 contact@aitrics.com · 데이터구축 총괄 · 갑상선암 데이터셋을 활용한 AI모델 개발 수행기관(참여)
수행기관(참여) 기관명 담당업무 고신대복음병원 · 원본 데이터 제공 및 데이터 어노테이션 비알프레임 · 데이터 익명화 작업 및 데이터 어노테이션 툴 개발 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 백원중(에이아이트릭스) 02-569-5507 contact@aitrics.com
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.