AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 경동맥 환자의 진단을 위해 MRI/MRA/CT/CTA 데이터를 각각 18,750건씩 구축. 협착이 발생한 혈관의 영역을 polygon 가공하여 경동맥 협착 확인 가능하게 함.

구축목적

- 경동맥 혈관 질환을 진단할 수 있는 AI 학습용 이미지 데이터 구축

- 데이터 구축 규모 및 분포

- 클래스별 데이터 비율

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

AI 모델 상세 설명서

데이터명	세부 데이터명	AI모델 task	AI모델 (후보)	성능 지표 및 목표값	Data I/O
경동맥 혈관 CT 및 MRI 데이터	경동맥 MRI 데이터	Object Detection / Segmentation	UNet	mIoU(0.8)	Input data : MRI 이미지
					output data : 협착 발생 영역
		Classification	ResNet	ACC(80%)	Input data : MRI 이미지
					output data : 중증도
	경동맥 MRA 데이터	Object Detection / Segmentation	3D ResNet + 3D UNet	mIoU(0.8)	Input data : MRA 이미지
					output data : 협착 영역
		Classification	3D ResNet	ACC(80%)	Input data : MRA 이미지
					output data : 중증도
	경동맥 CT 데이터	Object Detection / Segmentation	UNet	mIoU(0.8)	Input data : CT 이미지
					output data : 협착 발생 영역
		Classification	ResNet	ACC(80%)	Input data : CT 이미지
					output data : 중증도
	경동맥 CTA 데이터	Object Detection / Segmentation	3D ResNet + 3D UNet	mIoU(0.8)	Input data : CTA 이미지
					output data : 협착 영역
		Classification	3D ResNet	ACC(80%)	Input data : CTA 이미지
					output data : 중증도

- 경동맥 MRI/CT 데이터
  · Object Detection / Segmentation
    - Biomedical 분야에서 초음파 영상 분석에 많이 활용되는 인공지능 모델인 UNet을 경동맥 영상 분석에 활용할 수 있도록 적절하게 모델을 변형
    - Encoder, Decoder에 포함되는 Block의 형태를 변형하여 모델을 커스터마이즈하여 개발
    - 의료 영상의 특성을 고려하여, Encoder에 사용되는 Block에 Feature 값을 Remapping 하는 방식으로 모델 커스터마이즈 예정

· Classification
    - 단일 ResNet을 활용할 계획이지만, 파라미터가 매우 많아 성능이 다소 떨어질 수 있음을 고려하여, SqueezeNet이나 AlexNet 과같이 적은 파라미터의 모델을 앙상블 학습하여 모델을 개발

- 경동맥 MRA/CTA 데이터
  · Object Detection / Segmentation
    - MRA/CTA 데이터는 기본적으로 촬영 시 3-axis 데이터가 수집이 되어 초음파나 MRI,CT 데이터와 다르게, 3D 데이터의 형식으로 구성됨
    - 이를 고려하여, 3D ResNet과 3D UNet을 결합하여 특징영역을 추출하는 방식으로 학습하여 인공지능 모델을 개발
  · Classification
    - 3D 데이터 분석 성능이 뛰어난 3D ResNet을 활용해 Classification 모델을 구현함
    - 3D ResNet을 통해 생성된 특징맵을 Fully Connected 한 이후, 환자의 정보와 같은 학습에 활용 가능한 추가 데이터를 덧붙여, 간단한 MLP를 구성하여 최종 중증도에 대한 클래스를 계산함

설명서 및 활용가이드 다운로드

- 데이터 구성

- 데이터 분포

- 어노테이션 포맷

- JSON 포맷 실제 예시

{"image_info": {"filename": "DATA_00281635", "hospital": "양산부산대학교병원", "file_format": "jpg", "file_size": "10KB", "device": "SIEMENS / Definition Flash", "file_type":
 "CT", "resolution": "512x512"}, "annotation_info": [{"polygon_info": {"id": "PLY_202312211310340000002", "points": [[206.4703546099291, 294.9190378006873], [
202.20973995271868, 297.7341580756014], [200.27309692671395, 298.2971821305842], [195.6251536643026, 299.4232302405498], [189.81522458628842, 298.2971821305842], [
187.87858156028366, 294.3560137457045], [186.71659574468086, 288.1627491408935], [187.1039243498818, 281.9694845360825], [190.58988179669032, 275.7762199312715], [
194.07583924349882, 274.087147766323], [199.1111111111111, 274.087147766323], [203.75905437352245, 275.7762199312715], [206.4703546099291, 279.71738831615113], [
207.6323404255319, 286.473676975945]]}, "label_cd": "12", "label": "혈관", "id": "ANT_202312211310340000002", "diameter": [[186.3538360595703, 285.16925048828125], [
206.7846221923828, 287.72308349609375]]}, {"polygon_info": {"id": "PLY_202312211310340000003", "points": [[324.9929078014184, 278.5913402061856], [320.73229314420803, 
280.28041237113405], [314.5350354609929, 277.4652920962199], [312.21106382978724, 273.5241237113402], [310.66174940898344, 269.0199312714777], [310.66174940898344, 
263.9527147766323], [312.59839243498817, 261.1375945017182], [316.4716784869976, 261.1375945017182], [319.57030732860517, 261.70061855670104], [322.66893617021276, 
263.9527147766323], [325.38023640661936, 269.5829553264605], [325.76756501182035, 273.5241237113402]]}, "label_cd": "12", "label": "혈관", "id": "ANT_202312211310340000003",
 "diameter": [[311.800048828125, 272.60003662109375], [323.800048828125, 266.60003662109375]]}], "patient_info": {"code": "PCT09201238470002", "age": "60대", "sex": "2", 
"c_date": "201109"}, "location": "ICA", "severity": "Modereate"}

데이터셋 구축 담당자

수행기관(주관) : ㈜브랜드콘텐츠

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처