인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이언석
- 발행연도
- 2023
- 저작권
- 순천향대학교 논문은 저작권에 의해 보호받습니다.
이용수103
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
말초혈액 도말 검사는 혈액 내에 존재하는 혈액세포인 적혈구, 백혈구, 혈소판의 형태학적 특성을 파악하는 검사이다. 검사 결과는 여러 질환의 진단 지표로 활용되므로 검사 결과의 정확도가 매우 중요하다. 전통적인 검사 방법인 수기법은 혈액을 얇게 도말하여 염색한 말초혈액 도말 표본을 현미경을 통해 육안으로 감별하는 방법이다. 이는 주관적 기준에 따라 이루어지는 검사자 의존적인 방법이며, 검사자의 피로도와 숙련도가 검사 결과에 영향을 미친다. 또한, 수백 개 이상의 세포를 직접 관찰하고 기록하므로 시간이 오래 소요된다는 한계가 있다. 일부 검사실에서는 자동 세포 이미지 분석장비를 사용하지만, 이 장비는 자동으로 염색된 획일화된 표본이 필요하다. 이는 수기로 제작하여 다양성이 높은 표본에 대한 분류 성능이 불명확하다는 한계가 있다. 이에 따라 본 연구에서는 다양성이 높은 표본 이미지를 대상으로 적혈구 및 백혈구를 분류하고자 한다. 분류 문제를 해결하기 위해 많은 연구에서 딥러닝을 사용하며 성능 또한 우수하지만, 분류 기준 및 결과 분석이 어려운 블랙박스의 특성으로 인해 의료 분야에 적용하는 데 한계가 존재한다. 의료 분야에서는 기준과 결과 분석이 가능한 머신러닝 기반의 방법이 적합하나 대체로 딥러닝보다 성능이 낮다는 한계가 존재한다. 이는 분류 특징에 따라 극복될 수 있으므로 본 연구에서는 분류 최적 특징 분석 방법과 머신러닝 기반 적혈구 및 백혈구 다중 분류 방법을 제안하고자 한다.
본 연구에서는 말초혈액 도말 표본 전체를 디지털화한 전체 스캔 이미지(Whole Scan Image, WSI)를 사용하였다. 정상과 이상 적혈구를 포함한 6가지 적혈구, 5가지 정상 백혈구를 분류 대상으로 선정하였다. 적혈구와 백혈구 각각에 대해 분할, 특징 추출 및 선정, 분류 과정을 수행하였으며, 최종적으로 제안 방법과 기존 방법의 분류 결과를 비교하여 분류 성능을 확인하였다.
적혈구는 중심창백부위와 전체 영역으로 구분되며, 오츠 알고리즘으로 분할하였다. 각 적혈구의 특성을 표현할 수 있는 8가지 기하학적 특징을 추출하였고, 특징 선택 알고리즘 및 통계 분석을 통해 분류에 가장 적합한 특징만을 선정하였다. 8가지 특징 중 7가지 특징을 선정하였고, 머신러닝 기반의 다중 분류 모델을 사용하여 분류하였다. 다중 분류 모델을 사용하여 분류한 적혈구는 정상 적혈구를 포함한 총 3가지의 적혈구이며, 나머지 3가지 이상 적혈구는 임상의 기준을 참고하여 단일 특징으로 분류하였다. 적혈구 분류 모델은 Support Vector Machine(SVM), Decision Tree(DT), K-Nearest Neighbor(KNN), Random Forest(RF), Adaptive Boost(Adaboost) 총 5가지 모델의 성능 평가를 통해 선정하였다. 분류 성능 평가 결과 99.90%의 분류 정확도를 보인 SVM 모델을 적혈구 분류 모델로 선정하였다.
백혈구는 핵, 세포질, 전체 영역으로 나뉘며, U-Net 모델을 통해 분할하였다. U-Net 모델을 통해 핵과 전체 영역을 분할하고, 두 영상의 차 연산으로 세포질 영역을 획득하였다. 정답과 U-Net 모델 결과 비교를 통해 U-Net 모델이 정확하게 분할하는 것을 확인하였다. 백혈구 또한 다중 분류 모델을 통해 분류하였고, 5가지 분류 모델 중 96.83%의 가장 높은 분류 정확도를 보인 SVM을 백혈구 분류 모델로 선정하였다. 각 백혈구의 특성을 표현하기 위해서 기하학적, 질감, 색상 특징을 추출하였고, 분류 최적 특징을 선정하기 위해 3가지 실험을 수행하였다. 첫 번째인 영역 세부 조합 실험을 통해 여러 영역의 정보가 백혈구의 특성을 더욱 명확하게 표현하는 것을 확인하였다. 두 번째인 특징 조합 실험을 통해 여러 종류의 특징이 결합하였을 때 분류 성능이 높다는 것을 확인하였다. 마지막으로 특징 선택 실험을 통해 정보의 양과 성능이 비례하지 않으며, 소수이더라도 양질의 정보가 분류 성능에 긍정적 영향을 미친다는 것을 확인하였다. 3가지 실험 결과 기하학적, 질감, 색상 특징이 모두 종합된 72개의 특징이 97.43%의 가장 높은 분류 정확도를 보였으므로, 이 특징을 백혈구 분류 최적 특징으로 선정하였다.
제안 방법의 분류 성능을 확인하기 위해 제안 방법과 기존 수기법의 적혈구 및 백혈구 분류 결과를 비교 분석하였다. 대응표본 t 검정 결과 적혈구는 제안 방법과 수기법의 결과가 유사하였고, 백혈구 중 호산구와 림프구를 제외한 나머지 종류 또한 결과가 유사하였다. 호산구와 림프구에서 두 결과의 차이가 발생한 것은 세포의 다형성과 여러 요인으로 발생할 수 있는 오분류가 원인으로 해석된다.
본 연구에서 제안하는 방법은 적혈구 및 백혈구에 대한 최적 특징을 통해 다양성이 높은 표본 이미지에 대해서도 우수한 분류 성능을 보였다. 그러나, 연구 결과에서 제시한 전문가의 판독 결과는 1명이 수행한 결과이므로, 오분류가 존재할 가능성이 있다. 따라서 추후 다수의 전문가가 판독한 결과를 종합하여 비교 분석할 예정이다. 본 연구는 기존 방법의 한계를 극복하고, 임상에서 검사자의 진단 보조 시스템의 역할을 수행하며, 디지털 병리 시스템 관련 기술의 발전을 이룰 수 있을 것으로 기대된다.
본 연구에서는 말초혈액 도말 표본 전체를 디지털화한 전체 스캔 이미지(Whole Scan Image, WSI)를 사용하였다. 정상과 이상 적혈구를 포함한 6가지 적혈구, 5가지 정상 백혈구를 분류 대상으로 선정하였다. 적혈구와 백혈구 각각에 대해 분할, 특징 추출 및 선정, 분류 과정을 수행하였으며, 최종적으로 제안 방법과 기존 방법의 분류 결과를 비교하여 분류 성능을 확인하였다.
적혈구는 중심창백부위와 전체 영역으로 구분되며, 오츠 알고리즘으로 분할하였다. 각 적혈구의 특성을 표현할 수 있는 8가지 기하학적 특징을 추출하였고, 특징 선택 알고리즘 및 통계 분석을 통해 분류에 가장 적합한 특징만을 선정하였다. 8가지 특징 중 7가지 특징을 선정하였고, 머신러닝 기반의 다중 분류 모델을 사용하여 분류하였다. 다중 분류 모델을 사용하여 분류한 적혈구는 정상 적혈구를 포함한 총 3가지의 적혈구이며, 나머지 3가지 이상 적혈구는 임상의 기준을 참고하여 단일 특징으로 분류하였다. 적혈구 분류 모델은 Support Vector Machine(SVM), Decision Tree(DT), K-Nearest Neighbor(KNN), Random Forest(RF), Adaptive Boost(Adaboost) 총 5가지 모델의 성능 평가를 통해 선정하였다. 분류 성능 평가 결과 99.90%의 분류 정확도를 보인 SVM 모델을 적혈구 분류 모델로 선정하였다.
백혈구는 핵, 세포질, 전체 영역으로 나뉘며, U-Net 모델을 통해 분할하였다. U-Net 모델을 통해 핵과 전체 영역을 분할하고, 두 영상의 차 연산으로 세포질 영역을 획득하였다. 정답과 U-Net 모델 결과 비교를 통해 U-Net 모델이 정확하게 분할하는 것을 확인하였다. 백혈구 또한 다중 분류 모델을 통해 분류하였고, 5가지 분류 모델 중 96.83%의 가장 높은 분류 정확도를 보인 SVM을 백혈구 분류 모델로 선정하였다. 각 백혈구의 특성을 표현하기 위해서 기하학적, 질감, 색상 특징을 추출하였고, 분류 최적 특징을 선정하기 위해 3가지 실험을 수행하였다. 첫 번째인 영역 세부 조합 실험을 통해 여러 영역의 정보가 백혈구의 특성을 더욱 명확하게 표현하는 것을 확인하였다. 두 번째인 특징 조합 실험을 통해 여러 종류의 특징이 결합하였을 때 분류 성능이 높다는 것을 확인하였다. 마지막으로 특징 선택 실험을 통해 정보의 양과 성능이 비례하지 않으며, 소수이더라도 양질의 정보가 분류 성능에 긍정적 영향을 미친다는 것을 확인하였다. 3가지 실험 결과 기하학적, 질감, 색상 특징이 모두 종합된 72개의 특징이 97.43%의 가장 높은 분류 정확도를 보였으므로, 이 특징을 백혈구 분류 최적 특징으로 선정하였다.
제안 방법의 분류 성능을 확인하기 위해 제안 방법과 기존 수기법의 적혈구 및 백혈구 분류 결과를 비교 분석하였다. 대응표본 t 검정 결과 적혈구는 제안 방법과 수기법의 결과가 유사하였고, 백혈구 중 호산구와 림프구를 제외한 나머지 종류 또한 결과가 유사하였다. 호산구와 림프구에서 두 결과의 차이가 발생한 것은 세포의 다형성과 여러 요인으로 발생할 수 있는 오분류가 원인으로 해석된다.
본 연구에서 제안하는 방법은 적혈구 및 백혈구에 대한 최적 특징을 통해 다양성이 높은 표본 이미지에 대해서도 우수한 분류 성능을 보였다. 그러나, 연구 결과에서 제시한 전문가의 판독 결과는 1명이 수행한 결과이므로, 오분류가 존재할 가능성이 있다. 따라서 추후 다수의 전문가가 판독한 결과를 종합하여 비교 분석할 예정이다. 본 연구는 기존 방법의 한계를 극복하고, 임상에서 검사자의 진단 보조 시스템의 역할을 수행하며, 디지털 병리 시스템 관련 기술의 발전을 이룰 수 있을 것으로 기대된다.
목차
- 제1장 서론 1제2장 연구 방법 6제1절 말초혈액 도말 표본 획득 및 데이터 세트 구축 방법 61. 말초혈액 도말 표본 제작 및 디지털화 방법 62. 연구 대상 73. 실험 환경 및 데이터 세트 구축 8제2절 머신러닝 기반 다중 분류 모델 및 평가 지표 121. 통계 분석 방법 122. 다중 분류 모델 143. 분류 성능 평가 지표 17제3절 적혈구 분류 방법 181. 적혈구 및 중심창백부위 분할 방법 202. 적혈구 특징 추출 및 선정 방법 233. 적혈구 분류 방법 24제4절 백혈구 분류 방법 281. 백혈구 분할 방법 282. 백혈구 특징 추출 및 선정 방법 313. 백혈구 분류 방법 33제5절 Graphical User Interface (GUI) 341. GUI의 구성 342. GUI의 동작 방법 35제3장 연구 결과 36제1절 적혈구 분류 결과 361. 적혈구 및 중심창백부위 분할 결과 362. 적혈구 특징 추출 및 선정 결과 383. 적혈구 분류 결과 40제2절 백혈구 분류 결과 441. 백혈구 분할 결과 442. 백혈구 특징 추출 및 선정 결과 453. 백혈구 분류 결과 49제3절 Graphical User Interface 521. 분할 및 분류 소요시간 측정 결과 52제4장 고찰 53제5장 결론 59참고문헌 60
최근 본 자료
