※본 데이터는 원본에서 무작위로 추출된 특성으로 구축된 합성데이터이며, AI허브 약관과 개인정보보호법에 의해 제3자 이전이나 원본데이터의 추론은 엄격하게 금지됩니다.
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.2 2024-08-07 非안심존 데이터 전환 1.1 2023-11-10 데이터 최종 개방 1.0 2023-07-27 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-20 산출물 전체 공개 소개
참여 의료기관에서 수집 및 정제한 CT 원천 데이터를 이용하여 합성 모델을 학습하고, 이 합성 모델을 이용하여 합성 이미지를 생성한 후 검수를 거쳐 구축한 데이터
구축목적
실제 의료 데이터는 그 특성상 데이터 사용 시 제약이 크다는 문제가 있는데, 이를 효과적으로 해결하기 위해 누구나 자유롭게 활용할 수 있는 의료영상 데이터를 구축하고자 함
-
메타데이터 구조표 데이터 영역 헬스케어 데이터 유형 이미지 데이터 형식 png 데이터 출처 컨소시엄 참여 의료기관에서 수집 된 데이터를 통해 학습한 합성 모델을 통한 이미지 생성 라벨링 유형 분류 태그(병변 존재 유무 및 존재한다면 병변명) 라벨링 형식 JSON 데이터 활용 서비스 의료 서비스 모델 학습시 데이터, 또는 학습시 증강 데이터, 학생 교육용 영상 데이터등 데이터 구축년도/
데이터 구축량2022년/20,000장 -
CT 데이터 셋의 경우 Chest, Abdomen CT에서 총 8종류의 병변 이미지를 모아 이미지 합성 모델을 구축하고 이를 이용해서 20,000장의 이미지를 합성하여 데이터 셋을 구축하였으며, 각 세부 구축 규모는 다음과 같다.
데이터 구축 규모 데이터 구축 규모 병변 구분 데이터 형태 구축량(장) Chest CT 이미지 10,000 Abdomen CT 10,000 데이터 분포 데이터 분포 병변 구분 세부 구성 수량 (장) 비고 Chest CT Normal 5,000 Lung Cancer 1,250 Pneumothorax 1,250 Pneumonia 1,250 ILD 1,250 Abdomen CT Normal 5,000 Colon Cancer 1,250 Stomach Cancer 1,250 Pancreas Cancer 1,250 Liver Cancer 1,250 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 활용 모델
합성모델을 통해 합성된 의료 영상 이미지 데이터를 학습시켜 정상과 병변을 구별하는 분류 모델을 개발모델 학습
이미지 처리를 할 때 주로 사용되는 CNN의 학습에 많이 쓰이는 ResNet 아키텍쳐를 기반으로 분류 모델을 학습했다.
ResNet은 MS에서 개발하였으며, 2015년에 ILSVRC에서 우승을 차지한 알고리즘으로 VGG-19 네트워크를 기반으로 ShortCut을 활용한 Residual Learning을 활용해 기존의 깊은 네트워크에서 생기는 기울기 소실 문제를 해결한 알고리즘이다.
ResNet은 18, 34, 50, 101, 152등 다양한 두께의 네트워크로 세분화 되어있으며, 여기서는 101개의 레이어를 사용하는 ResNet101을 통해서 모델을 학습했다.
학습 과정
이미지 데이터 셋을 8:1:1의 비율로 Train, Validation, Test로 구분하고, Resize, Rotate, RandomBrightness등 이미지 Augmentation을 진행하여 전처리 한 후 이를 텐서화하여 분류 모델을 통해 학습.
학습된 모델을 Test 셋으로 평가하여 성능을 측정.
2. 서비스 활용 시나리오
분류 모델을 활용하여 의료 영상 이미지를 먼저 판독하고, 의료진이 직접 판독하기 이전에 데이터 선분류를 할 수 있을 것으로 기대됨
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 복부 CT VTT(Visual Turing Test) [정상, 위암] Image Generation VTT(Visual Turing Test) Accuracy 40 % 56 % 2 복부 CT VTT(Visual Turing Test) [정상, 대장암] Image Generation VTT(Visual Turing Test) Accuracy 40 % 46 % 3 흉부 CT VTT(Visual Turing Test) [정상, 간질성 폐질환] Image Generation VTT(Visual Turing Test) Accuracy % 55 % 4 흉부 CT VTT(Visual Turing Test) [정상, 폐암, 기흉, 폐렴] Image Generation VTT(Visual Turing Test) Accuracy % 57 % 5 복부 CT 분류 모델의 유사도 [정상 vs 위암] Image Classification ResNet18 Accuracy 5 % 3.32 % 6 복부 CT 분류 모델의 유사도 [정상 vs 대장암] Image Classification ResNet18 Accuracy 5 % 4.19 % 7 흉부 CT 분류 모델의 유사도 [정상 vs 간질성 폐질환] Image Classification ResNet101 Accuracy 5 % 1.6 % 8 흉부 CT 분류 모델의 유사도 [정상 vs 폐암] Image Classification ResNet101 Accuracy 5 % 2.8 % 9 흉부 CT 분류 모델의 유사도 [정상 vs 기흉] Image Classification ResNet101 Accuracy 5 % 0.4 % 10 흉부 CT 분류 모델의 유사도 [정상 vs 폐렴] Image Classification ResNet101 Accuracy 5 % 1.6 % 11 복부 CT Fréchet Inception Distance [위암 – 정상] Image Synthesis StyleGAN2-ADA FID 15 점 14.82 점 12 복부 CT Fréchet Inception Distance [위암 – 병변] Image Synthesis StyleGAN2-ADA FID 15 점 12.09 점 13 복부 CT Fréchet Inception Distance [대장암 – 정상] Image Synthesis StyleGAN2-ADA FID 15 점 14.85 점 14 복부 CT Fréchet Inception Distance [대장암 – 병변] Image Synthesis StyleGAN2-ADA FID 15 점 13.51 점 15 흉부 CT Fréchet Inception Distance [정상] Image Synthesis StyleGAN2-ADA FID 15 점 4.14 점 16 흉부 CT Fréchet Inception Distance [폐암, 기흉, 폐렴] Image Synthesis StyleGAN2-ADA FID 15 점 5.11 점 17 흉부 CT Fréchet Inception Distance [간질성 폐질환] Image Synthesis StyleGAN2-ADA FID 15 점 12.1 점
※ 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)
※ VTT 지표는 통상적으로 40~60% 수준의 정확도를 기준으로 적용
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드본 데이터 셋은 고신대학교 복음병원, 연세 세브란스 병원, 국립암센터등의 컨소시엄내 참여 의료기관에서 수집한 CT 촬영 데이터를 이용하여 이미지 생성 모델을 학습, 해당 모델을 통해 생성한 이미지를 통해 구축한 데이터 셋이다.
데이터 정보 데이터 정보 데이터 Modality CT 데이터 타입 이미지 데이터 컨테이너 .png 데이터 해상도 512 * 512 (픽셀) 데이터 비트타입 8bit 각 이미지에는 json 확장자의 파일이 라벨 파일로 1:1 대응되고 있으며, 해당 라벨 파일에는 각 이미지의 정보가 포함되어 있다.
라벨 파일 포맷 설명 라벨 파일 포맷 설명 Key Description Type filepath 파일경로 String filename 파일명 String label 병변명 String labels 병변리스트 Array 라벨 파일 예시 라벨 파일 예시 {
"filepath": "/AbdomenCT/Pancreas/Normal/",
"filename": "AbdomenCT_Pancreas_Normal_00001250.png",
"label": "Normal",
"labels": [
"Normal",
"Abnormal"
]
} -
데이터셋 구축 담당자
수행기관(주관) : ㈜프로메디우스
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 배현진 02-423-8511 [email protected] 데이터 확보, 수집, 정제, 합성 모델 개발과 합성 이미지 검수, 데이터 검증, 홍보 활동 등 전 단계 관리 감독 수행기관(참여)
수행기관(참여) 기관명 담당업무 연세대학교 산학협력단 의료기관내 원시 데이터 수집 및 원천 데이터로 정제, 합성 모델 학습 서버 제공, 데이터 검증 진행 고신대학교 병원 의료기관내 원시 데이터 수집 및 원천 데이터로 정제, 합성 모델 학습 서버 제공, 데이터 검증 진행 국립암센터 의료기관내 원시 데이터 수집 및 원천 데이터로 정제, 합성 모델 학습 서버 제공, 데이터 검증 진행 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 배현진 02-423-8511 [email protected]
-
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 [email protected] 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.