비알콜성 지방간 초음파 영상에 GLCM과 인공신경망을 적용한 비알콜성 지방간 질환 분류 (Non-alcoholic Fatty Liver Disease Classification using Gray Level Co-Ocurrence Matrix and ArtificialNeural Network on Non-alcoholic Fatty Liver Ultrasound Images)

서지정보

· 발행기관 : 한국방사선학회
· 수록지 정보 : 한국방사선학회논문지 / 17권 / 5호 / 735 ~ 742페이지
· 저자명 : 김지율, 예수영

초록

비알콜성 지방간은 심혈관계 질환, 당뇨병, 고혈압 및 신장질환의 발생에 있어 독립적인 위험인자에 해당하며, 최근에는 비알콜성 지방간에 대한 임상적 중요성이 증가하고 있다. 본 연구에서는 비알콜성 지방간 환자의 초음파영상에 대하여 질감분석 방법인 GLCM을 적용하여 특징값을 추출하고자 한다. 추출된 특징값들을 이용한 인공신경망 모델의 적용을 통하여 비알콜성 지방간의 지방침착 정도를 정상 간(normal), 경도 지방간(mild), 중등도 지방간(moderate), 중증 지방간(severe)으로 분류를 하고자 한다. GLCM알고리듬 적용 결과 Autocorrelation, Sum of squares, Sum average, Sum variance 파라미터 값들은 경도 지방간, 중등도 지방간을 거쳐 중증 지방간으로 갈수록 특징값의 평균값이 증가하는 경향성을 나타내었다. 인공신경망 모델의 입력은 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 Autocorrelation, Sum of squares, Sum average, Sum variance의 4개의 파라미터들을 인공신경망 모델의 입력값으로 적용하였다. 비알콜성 지방간질환의 초음파영상에 GLCM 알고리듬을 적용하여 추출한 영상을 인공신경망에 적용하여 분류 정확도를 평가한 결과 92.5%의 높은 정확도를 나타내었다. 이러한 결과를 통하여 비알콜성 지방간 환자의 초음파 영상에 대한 질감 분석 GLCM 연구 시 본 연구의 결과를 기초자료로 제시를 하고자 한다.

영어초록

Non-alcoholic fatty liver disease is an independent risk factor for the development of cardiovascular disease, diabetes, hypertension, and kidney disease, and the clinical importance of non-alcoholic fatty liver disease has recently been increasing. In this study, we aim to extract feature values ​​by applying GLCM, a texture analysis method, to ultrasound images of patients with non-alcoholic fatty liver disease. By applying an artificial neural network model using extracted feature values, we would like to classify the degree of fat deposition in non-alcoholic fatty liver into normal liver, mild fatty liver, moderate fatty liver, and severe fatty liver. As a result of applying the GLCM algorithm, the parameters Autocorrelation, Sum of squares, Sum average, and sum variance showed a tendency for the average value of the feature values ​​to increase as it progressed from mild fatty liver to moderate fatty liver to severe fatty liver. The four parameters of Autocorrelation, Sum of squares, Sum average, and sum variance extracted by applying the GLCM algorithm to ultrasound images of non-alcoholic fatty liver disease were applied as inputs to the artificial neural network model. The classification accuracy was evaluated by applying the GLCM algorithm to the ultrasound images of non-alcoholic fatty liver disease and applying the extracted images to an artificial neural network, showing a high accuracy of 92.5%. Through these results, we would like to present the results of this study as basic data when conducting a texture analysis GLCM study on ultrasound images of patients with non-alcoholic fatty liver disease.

참고자료

· 없음