연세대학교 치과대학병원 연구팀이 GAN(Generative Adversarial Network) 생성 영상 데이터의 활용성을 입증했다.

연세대학교 치과대학병원 통합치의학과 김기덕 교수·양수진 진료교수 연구팀이 GAN을 이용해 생성한 제2대구치의 치근단 방사선 사진이 유의미한 시각적 퀄리티를 가지고, GAN을 이용해 생성한 영상 데이터가 효과적인 데이터 증강(Data augmentation)의 방법으로 사용될 수 있음을 입증했다. 이번 연구결과는 국제학술지 ‘사이언티픽 리포트’(Scientific Reports, IF 4.997)에 개재됐다.

이번 연구는 ‘세브란스 선도연구자 양성 프로젝트’ 과정의 일환이다. 이는 양수진 진료교수가 지난해 9월부터 올해 8월까지 일본 Aichi Gakuin University 영상치의학과에서 치과영상에 대한 인공지능의 적용이란 주제로 1년 동안 연수, 협업 연구로 진행됐다.

GAN은 최근 Data augmentation, segmentation, classification, noise·artifact removal, super-resolution 및 예후 예측 작업을 포함한 다양한 의료 응용 분야에 활용되는 도구다. 생성자와 판별자의 두 가지 구성 요소로 구성된 일종의 딥러닝 모델로, 생성기는 새로운 데이터 샘플을 생성하고, 판별기는 실제 이미지와 생성된 이미지를 구별하는 역할을 한다. 두 모델은 반복적이고 적대적인 방식으로 훈련돼 현실적인 데이터를 생성할 수 있게 되며, 결과적으로 GAN은 의료 영상에서의 진단 및 치료 모델에서 훈련 데이터 부족에 대한 문제를 효과적으로 해결할 수 있는 잠재력을 갖는다.

과거 GAN은 의료 영상 생성에 제공하는 이점에도 불구하고 그 복잡성과 상대적으로 큰 데이터를 요구한다는 점, 머신 파워와 비용이 많이 드는 점들로 인해 모델 훈련에 어려움이 따랐다. 그러나 최근 개발된 StyleGAN2-ADA는 조건부 설정에 스타일 전달 기능을 도입하는 점진적 성장 GAN(PGGAN)의 변형 형태를 가지면서, ADA(Adaptive Discriminator Augmentation)라는 새로운 데이터 증강 기술을 도입해 상대적으로 적은 훈련 데이터 양으로도 향상된 질의 이미지를 생성할 수 있는 것으로 보고된 바 있다.

이에 연구팀은 치과 파노라마 영상에서 제2대구치에서의 C형 근관을 판별하는데 있어 최신 StyleGAN2-ADA를 이용해 생성한 이미지의 효과를 검증했다. 생성 이미지의 질 평가를 위해 평균 FID(Frechet inception distance)를 계산하고, 2명의 영상치의학 전문의를 대상으로 Visual Turing Test를 시행했으며, 그 결과 GAN 합성 이미지가 만족스러운 시각적 품질을 나타냄을 확인했다.

또한 생성 이미지 데이터셋을 C형 근관을 분류하는 CNN(Convolutional Neural Network)에 데이터 증강 목적으로 적용했을 때 신경망의 분류 성능이 실제 데이터만 사용할 때보다 향상된 것을 확인, 이는 특히 클래스 간 불균형이 있는 데이터 조건을 해결하는 데 유리할 수 있음을 확인했다.