Development of a Deep Learning Model for the Analysis of Dorsal Root Ganglion Chromatolysis in Rat Spinal Stenosis :백서의 척추관협착증모델에서 후근신경절의 염색질융해 분석을 위한 딥러닝 기법의 개발

리메이휘

자료유형: 학위논문

저자정보: 리메이휘 (서울대학교, 서울대학교 대학원)

지도교수: Pyung Bok Lee

발행연도: 2024

저작권: 서울대학교 논문은 저작권에 의해 보호받습니다.

이용수16

초록· 키워드

요추관 협착증은 주로 고령자에서 요통과 하지 방사통을 호소하는 비교적 흔한 퇴행성 척추 질환이다. 다른 퇴행성 통증 질환과 유사하게 요추관 협착으로 인한 통증 역시 물리치료 같은 보존적 치료를 우선으로 하며, 이후 경구 약물 처방, 경막외 신경 블록과 같은 비수술적 시술을 순차적으로 실시한 뒤 적응증이 되는 경우 수술적 치료를 고려할 수 있다. 요추관 협착증의 전임상 연구 영역에서는 염색질 융해가 신경 손상 및 세포 기전에 대한 중요한 통찰력을 제공하는 병리학적 요소로 등장한다. 신경 병리학에서 염색질의 중요성을 인식함에 따라 심층 학습과 같은 고급 방법론을 척수 전임상 연구 노력에 통합하는 것이 필수적이라 생각한다. 최근 요추관 협착증의 진단을 포함한 다양한 의료 영상 분야에 딥 러닝 알고리즘이 적용되고 있다. 특히, 딥 러닝은 임상에서 환자를 치료할 때 진단부터 치료 계획 수립에 이르기까지 다양한 분야에 그 활용 가능성이 제시되고 있다. 본 연구는 쥐의 척추관 협착증 모델을 만들고 얻은 척추 후근신경절(Dorsal Root Ganglion, DRG)의 신경세포(neuron)에서 염색질융해(chromatolysis) 양상을 식별하고 이를 분류할 수 있는 딥 러닝 모델을 개발하는 것이다. 본 연구를 위해 총 9433개의 신경세포를 포함한 101개의 H&E 병리 슬라이드 데이터 셋을 80%는 딥 러닝 트레이닝 셋으로, 나머지 20%는 테스트 셋으로 준비하였다. 트레이닝 셋으로 나뉜 병리 슬라이드는 두 명의 전문 병리학자가 미리 지정한 분류 방식에 따라 라벨링 하였고, 이를 딥 러닝 기반의 이미지 인식 기술인 합성곱 신경망(Convolutional Neural Network, CNN) 기법을 이용해 학습시켜 첫째, 관심영역(Region of Interest, ROI)을 찾는 딥 러닝 모델과, 둘째, 이를 정상, 중심염색질융해(central chromatolysis) 혹은 분절염색질융해(segmental chromatolysis)로 분류하는 딥 러닝 모델을 각각 개발하였다. 그 결과, 합성곱 신경망 기법을 이용하여 신경 병리 이미지에서 관심영역(ROI)을 찾아내는 딥 러닝 모델은 93.13%의 정확도(accuracy)를, 이를 정상, 중심 혹은 분절염색질융해로 분류하는 딥 러닝 모델은 93.44%의 정확도(accuracy)를 보여주었다. 본 연구를 통해 합성곱 신경망 기법을 사용해 쥐의 요추관 협착증 이후 얻은 후근신경절의 염색질융해 패턴의 차이를 식별하는 딥러닝 모델을 개발하여 높은 정확도를 확인할 수 있었다. 이러한 딥 러닝 모델은 향후 임상 영역에서 병리학적 분석의 정확성과 효율성을 향상시키는 데 활용할 수 있으며, 신경 손상의 중증도에 대한 좀 더 정확하고 신뢰할 수 있는 정보를 제공하여 요추관 협착증의 진단과 치료에 긍정적 영향을 미칠 수 있을 것으로 기대된다.

Lumbar spinal stenosis is a prevalent degenerative spinal condition, particularly among the elderly population, characterized by back pain and radiating pain in the lower extremities. In the realm of lumbar spinal stenosis preclinical research, chromatolysis emerges as a significant pathological factor, providing critical insights into the cellular mechanisms underpinning neuronal injury and repair. Recognizing the pivotal role of chromatolysis in neuropathology, it is imperative to integrate advanced methodologies such as deep learning into the investigation of dorsal root ganglion chromatolysis to enhance spinal preclinical research endeavors. The burgeoning applications of deep learning algorithms across diverse medical imaging domains, including the diagnostic realm of lumbar spinal stenosis, underscore its potential to revolutionize diagnostic accuracy and treatment planning within clinical contexts. In this study, we aimed to develop a deep learning model capable of identifying and classifying chromatolysis patterns in neurons of the dorsal root ganglion obtained from a rat model of spinal stenosis. To construct a deep learning model for lumbar spinal stenosis in rats, a dataset of 101 H&E pathology slides containing a total of 9,433 neurons was prepared, with 80% used as a training set and the remaining 20% as a test set. The pathology slides in the training set were labeled according to a pre-determined classification method by two expert pathologists. Using convolutional neural network technology, a deep learning-based image recognition technique, two models were developed: one to identify regions of interest and the other to classify them as normal, central chromatolysis, or segmental chromatolysis. The deep learning model for identifying regions of interest in neuropathology images demonstrated an accuracy of 93.13%, while the model for classifying these regions as normal, central chromatolysis, or segmental chromatolysis showed an accuracy of 93.44%. This study successfully developed a deep learning model using convolutional neural network techniques to distinguish chromatolysis patterns in the dorsal root ganglion following lumbar spinal stenosis in rats with high accuracy. Such a deep learning model could enhance the accuracy and efficiency of pathological analysis in clinical practice, providing more precise and reliable information regarding the severity of nerve damage and potentially improving the diagnosis and treatment of lumbar spinal stenosis. Keyword: Lumbar Spinal Stenosis, Dorsal Root Ganglion, Deep Learning, Chromatolysis Student Number: 2021-32149

#Lumbar Spinal Stenosis #Dorsal Root Ganglion #Deep Learning #Chromatolysis

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)