AI-Hub

데이터 변경이력

데이터 히스토리

소개

8개의 의료기관에서 획득한 4가지 퇴행성 척추질환 1,393,475건 이상의 다양한 영상을 Annotaion한 데이터셋으로, 개인정보를 비식별처리하여 개인정보 보호이슈를 해결한 퇴행성 척추질환 진단 및 치료를 위한 학습용 데이터 확보

구축목적

경추, 흉추, 요추의 퇴행성 척추질환(추간판 질환 및 협착증 질환)에 대한 정상 및 질환 빅데이터를 확보하고 인공지능을 기반으로 하여 영상의학적 진단과 환자의 주증상과 관련있는 임상적 진단의 상관관계 분석을 위한 학습용 데이터셋

1. 데이터셋 규모

• 3가지 퇴행성 척추질환 대상자 3,000명 이상, 10,000건 이상의 이미지 데이터
• 4종 이상의 퇴행성 척추질환 포함

2. 데이터 분포

• 연령, 성별 등 인구학적 특성을 고려하여 편중되지 않는 데이터를 수집할 수 있도록 설계
  환자군이 퇴행성 질환 특성상 고연령층에 분포되어 있어, 실제 유병율을 고려하여 연령대 분포를 설정

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. 후종인대골화증 검출 알고리즘

• 모델 학습
  • 데이터는 입력 CT 영상과 골화증 영역을 가리키는 annotation 지표를 사용. 특징 추출 모델로 사용된 YOLO는 하나의 convolutional network가 한 번에 여러개의 영상 내 영역을 예측해내고, class probability를 single regression을 통해 분석. 모델 내 복잡한 파이프라인이 없어 학습 속도가 빠르며, 전체 이미지를 보고 결과를 추정하기 때문에 class에 대한 맥락적 이해도가 높고, R-CNN 계열 모델보다 검출 성능이 높다고 보고됨.

2. 요추 분할 모델 및 디스크 높이 측정 알고리즘

• 모델 학습
  • 기존에 널리 이용되는 Segmentation  모델인 U-net architecture를  기반으로 하며, 모델의 Feature 를 찾기 위해 데이터를 다운 샘플링  할때 Crop  및 복사를  해둔  데이터에 Attention Gate 를  적용한 모델.
  • 전체 데이터의 20%를 Test에 사용하고, 남은 80%를 10배수 Augmentation 하고, 그 중 60%를 학습에 사용

[사용된 Attention U-Net 아키텍처]

• Predict 결과물의 각도와 거리 측정
  • Predict mask 이미지의 외곽선을 추출하는 contour 기능을 이용하여 4번 5번 요추를 검출하고, 해당 데이터의 각도와 거리 측정
  • 측정된 각도와 거리를 실제 측정값과 비교하여 Pearson-Correlation 분석

[요추 4, 5번 간의 디스크 높이 및 각도 측정]

3. T2 Axial에서의 척수 영역 분할 및 면적 측정 모델

• 모델 학습
  • 바이오 의료 영상 분야에서 분할을 목적으로 만들어진 모델을 사용하여 학습을 진행.
  • Erode 및 Dilate, Median Blur를 이용해 이미지 후처리. Noise 및 Hole 제거

[T2 MRI에서 척수 영역 분할 모델 개요]

• 척추 면적 측정
  • Dicom Header의 Pixel Spacing 정보를 통해 AI 결과에 대한 면적(mm2) 측정

[척추 영역 면적 측정]

4. 서비스 활용 시나리오

• AI 기반 퇴행성 척추질환 치료 분석 의료 서비스 제공
  – 퇴행성 척추질환 분야에서 멀티모달리티 학습 데이터를 활용하여 실제 의료현장에서 의료진의 효용성을 높일 수 있는 분야
  – 개별적 연구진이 도출할 수 없는 연구 분야에 AI 빅데이터 기반의 연구로 최적의 치료 모델 구축 가능하며 표준 치료를 위한 가이드라인을 제시할 수 있음.
  – 오랜 수련 기간 (의과대학 6년, 수련의/전공의 5년, 임상강사 2년)이 걸리는 의학도제식 의학교육에서 인공지능 기반 예후 예측 모델 도입으로 빠른 시간 안에 정확한 진단을 내릴 수 있는 진단 툴 개발 가능
  – 다양한 척추 질환 관련 인공지능 연구개발에 활용 될 수 있음
  – 주요 척추질환의 멀티모달리티 영상데이터와 CDW에서 추출된 임상 데이터를 이용한 다양한 진단 프로토콜, 약물 사용 패턴 연구, 의료비용 연관성 (cost-effectiveness)
  – 연구가 가능하여 수가, 보험등재 여부 등 주요 의료 정책 결정에 반영 가능함
• 수익 모델 개발 및 서비스 제공
  – 직접 수익 모델 개발
  : 원시 및 가공 데이터셋 판매, 데이터 이용 기간제 가입료 및 수수료, 관련 컨설팅, 수요 요청기반 데이터 분석료, 분석 API 사용료 등 수익 모델 적용
  – 부가 수익 모델 개발
  : 공공 기관의 정책 발굴, 산업 현황 조사 등의 통계 조사비, 대국민 서비스 이용 수수료 등의 부가 수익 모델 추진
• 연관 산업 관련 AI 생태계 구축
  – 연관 산업 관련 한국의료기기산업진흥재단, 척추치료기기명품화연구회, 생체의료소재부품센터, 헬스케어로봇실증센터, 생활지원로봇센터, 스마트가전혁신지원센터, 고령친화산업지원센터 등 연계 산업 인프라를 활용한 지역 연계 활성화 추진

데이터 성능 점수

설명서 및 활용가이드 다운로드

대표도면

• 데이터 종류 예시

  대표도면 데이터 종류 예시

  데이터 종류	경추x-ray	흉추 MRI	흉추CT
  예시
  데이터 구성	경추 디스크의 높이 경추 각 추체에 대한 bounding box	T2 axial image에서 흉추5-6번 구간의 면적 T2 axial image에서 척수 영역에 대한 외곽선	흉추골화증평가 흉추골화증 병변에 대한 bounding box
  데이터 포맷	원본: dicom, 학습데이터: jpg 어노테이션: txt ROI: JSON	원본: dicom 학습데이터: jpg 어노테이션: txt ROI: NIfTI	원본: dicom 학습데이터: jpg 어노테이션: txt ROI: JSON

• 질환별 라벨링 예시

  대표도면 질환별 라벨링 예시

  구분	X-ray	MRI	CT
  퇴행성 경추협착증 (DCS)
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

   

  대표도면 질환별 라벨링 예시

  구분	MRI	CT
  흉추 척수증 (DTM)
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

   

  대표도면 질환별 라벨링 예시

  구분	X-ray	MRI	CT
  퇴행성 요추디스크 질환 (DLD)
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

   

  대표도면 질환별 라벨링 예시

  구분	X-ray	MRI	CT
  퇴행성 요추 협착증 질환 (DLS)
  데이터 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷	dicom 포맷, json 포맷

• DCS 라벨링데이터 실제예시
  • Json 형식
    
     
  • 속성 정의

    DCS 라벨링데이터 실제예시 속성 정의

    No			항목		길이	타입	필수여부
    			한글명	영문명
    1			어노테이션 정보	annotation		Object
    1–1			데이터 분류	DATA_CATEGORY		Array
    	1–1–1		후종인대 C2 유무	C2		Number
    	1–1–2		후종인대 C3 유무	C3		Number
    	1–1–3		후종인대 C4 유무	C4		Number
    	1–1–4		후종인대 C5 유무	C5		Number
    	1–1–5		후종인대 C6 유무	C6		Number
    	1–1–6		후종인대 C7 유무	C7		Number
    	1–1–7		탈출증 유무 C3-4 유무	C34		Number
    	1–1–8		탈출증 유무 C4-5 유무	C45		Number
    	1–1–9		탈출증 유무 C5-6 유무	C56		Number
    	1–1–10		탈출증 유무 C6-7 유무	C67		Number
    	1–1–11		추간판 탈출증 C3-4 유무	C34disk		Number
    	1–1–12		추간판 탈출증 C4-5 유무	C45disk		Number
    	1–1–13		추간판 탈출증 C5-6 유무	C56disk		Number
    	1–1–14		추간판 탈출증 C6-7 유무	C67disk		Number
    1–2			어노테이션 질병분류	disease_category		String	Y
    1–3			어노테이션 결과 데이터	ANNOTATION_DATA		Array
    	1–3–1		저작도구 식별자	id		Number
    	1–3–2		저작도구 타입	type		String
    	1–3–3		라벨	label		String
    	1–3–4		사각형 시작점	vMin		Object
    		1–3–4–1	사각형 시작점 x 좌표	x		Number
    		1–3–4–2	사각형 시작점 y 좌표	y		Number
    	1–3–5		사각형 끝점	vMax		Object
    		1–3–5–1	사각형 끝점 x 좌표	x		Number
    		1–3–5–2	사각형 끝점 y 좌표	y		Number
    	1–3–6		면적	area		Number
    	1–3–7		거리	distMm		Number
    	1–3–8		시작점	vs		Object
    		1–3–8–1	시작점 x 좌표	x		Number
    		1–3–8–2	시작점 y 좌표	y		Number
    	1–3–9		끝점	ve		Object
    		1–3–9–1	끝점 x 좌표	x		Number
    		1–3–9–2	끝점 y 좌표	y		Number
    	1–3–10		각도	angle		Number
    	1–3–11		점 좌표	points		Array
    		1–3–11–1	점 x 좌표	x		Number
    		1–3–11–2	점 y 좌표	y		Number
    	1–3–12		폴리건 범위	m_area		Number
    	1–3–13		폴리건 범위 좌표	m_points		Array
    		1–3–13–1	폴리건 범위 x좌표	x		Number
    		1–3–13–2	폴리건 범위 y좌표	y		Number
    	1–3–14		폴리건 개방 여부	m_isClosed		Boolean
    1–4			임상의료데이터	clinic		Object	Y
    	1–4–1		식별자	id		String	Y
    	1–4–2		진단명	name		String	Y
    	1–4–3		나이	age		Number	Y
    	1–4–4		성별	sex		Number	Y
    2			데이터셋 정보	Dataset		Object	Y
    2–1			데이터셋 식별자	identifier		String	Y
    2–2			데이터셋 이름	name		String	Y
    2–3			데이터셋 폴더 위치	src_path		String	Y
    2–4			데이터셋 레이블 폴더 위치	label_path		String	Y
    2–5			데이터셋 질병분류	diseases		Number	Y
    2–6			데이터셋 카테고리	category		Number	Y
    2–7			데이터셋 타입	type		Number	Y
    3			이미지정보	Images		Object
    3–1			이미지 식별자 (파일명)	identifier		String
    3–2			이미지 파일 확장자	type		String
    3–3			이미지 가로 크기 (픽셀)	width		Number
    3–4			이미지 세로 크기 (픽셀)	height		Number
    3–5			이미지 생성 일자	dataCaptured		String

데이터셋 구축 담당자

수행기관(주관) : 가톨릭대학교 산학협력단

수행기관(참여)

데이터 관련 문의처