딥러닝 기반의 자궁 초음파 이미지 자동 세분화 및 자궁 구조 자동 측정 시스템 개발
Development of an Automatic Segmentation and Uterine Structure Measurement System in Ultrasound Images Using Deep Learning
- 주제어 (키워드) 자궁 초음파 , 부인과 질환 , 인공지능 , 딥러닝 , 자동 세분화 , 측정 시스템 , Uterine Ultrasound , Gynecological Diseases , Artificial Intelligence , Deep Learning , Automatic Segmentation , Measurement System
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 최준석
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000081673
- UCI I804:11029-000000081673
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
본 연구는 자궁 초음파 영상에서 자궁 구조를 자동으로 세분화하고, 주요 구조적 특성(자궁 길이, 전후벽 두께 등)을 정량적으로 측정할 수 있는 딥러닝 기반 자동 분석 시스템을 연구하는 것을 목적으로 한다. 자궁은 여성 생식기의 핵심 장기로, 자궁근종, 자궁선근증, 자궁내막증식증 등의 질환은 자궁의 형태 및 구조적 특성과 밀접한 관련이 있다. 특히 자궁 초음파를 통한 자궁 병변의 크기와 두께의 측정은 질병을 진단할 뿐만 아니라 치료 경과를 추적하는데도 중요한 임상 지표로 활용된다. 하지만 초음파 영상은 해상도가 제한적이며, 영상의 품질 및 판독 결과는 의료진의 숙련도에 따라 큰 차이를 보이는 한계가 있다. 따라서 자궁 초음파 영상에 대한 자동 분석 및 측정 기술의 개발은 객관적인 진단 도구로서 중요한 의의를 가진다. 연구 초기에는 마스킹 데이터 없이 ResNet50, 101 기반 이미지 분류 모델을 적용하였으나, 길이(cm) 단위의 클래스 분류 방식은 자궁의 위치 및 경계 특정에 한계를 보였고, CAM 계열의 시각화 기법도 정밀한 구조 추출에는 어려움이 있었다. 이에 따라 본 연구는 세분화 방식으로 전환하여, AttentionUNet, DeepLabV3, TransUNet, U-Net, UNet++ 모델을 학습하고 비교 분석하였다. 학습 초기에는 512×512 이미지로 진행했으나, 길이 측정 알고리즘 적용 시 왜곡이 발생하여 이후 원본 해상도(1180×599)를 유지한 채 학습을 수행하였다. 연구 결과 원본 해상도에서 DeepLabV3 가 가장 높은 정확도를 보였으며 세분화 마스크 기반 자궁 윤곽 추출과 측정 알고리즘을 구현하여 수기 측정 대비 두께의 경우 평균 오차율 4.67%, 길이의 경우 평균 오차율 8.67%를 기록하였다. 본 연구는 자궁 초음파 영상의 자동 해석을 통해 진단의 정량화 및 표준화에 기여할 수 있으며, 향후 다양한 자궁 질환의 조기 진단 및 치료 효과 분석에도 활용될 수 있을 것으로 기대된다. 키워드: 자궁 초음파, 부인과 질환, 인공지능, 딥러닝, 자동 세분화, 측정 시스템
more초록 (요약문)
This study aims to develop a deep learning-based automatic analysis system capable of segmenting uterine structures in ultrasound images and quantitatively measuring key anatomical features such as uterine length and anterior-posterior wall thickness. The uterus is a central organ of the female reproductive system, and conditions such as uterine fibroids, adenomyosis, and endometrial hyperplasia are closely related to changes in uterine shape and structure. In particular, measurements of lesion size and wall thickness through ultrasound imaging are essential not only for diagnosis but also for monitoring treatment progress. However, ultrasound images often suffer from limited resolution, and their interpretation may vary significantly depending on the clinician's experience. Thus, developing an automated analysis and measurement technique for uterine ultrasound images holds significant potential as an objective diagnostic tool. Initially, this study applied image classification models based on ResNet- 50 and ResNet-101 without segmentation masks. However, the classification approach using centimeter-level classes was limited in localizing the uterus and delineating its boundaries. Additionally, Class Activation Mapping (CAM)- based visualization methods lacked precision in extracting structural details. Consequently, the study transitioned to a segmentation-based approach, training and evaluating models such as AttentionUNet, DeepLabV3, TransUNet, U-Net and UNet++. While early experiments were conducted using resized 512×512 images, geometric distortion during length measurement led to a shift toward training with original-resolution images (1180×599). Among the models, DeepLabV3 demonstrated the highest accuracy under original resolution settings. Using the segmentation masks, a measurement algorithm was implemented, achieving a mean absolute error rate of 4.67% for uterine thickness and 8.67% for uterine length compared to manual measurements. This research contributes to the quantification and standardization of uterine ultrasound interpretation and is expected to aid in the early diagnosis and treatment monitoring of various uterine disorders.
more목차
제 1 장 서론 1
제 1 절 연구의 배경 및 필요성 1
제 2 절 연구 목적 4
제 3 절 논문 구성 5
제 2 장 관련 연구 7
제 1 절 연구 동향 7
제 2 절 의료 영상 이미지 연구와 기술 8
(1) 의료 영상 이미지 분류 (Classification) 8
(2) 의료 영상 탐지 (Detection) 8
(3) 의료 영상 세분화 (Segmentation) 9
제 3 장 연구 방법 10
제 1 절 자궁 이미지 두께 길이 분류 10
제 2 절 자궁 이미지 구조 세분화 11
제 3 절 자궁 구조 측정 알고리즘 12
(1) 측정 대상 정의 12
(2) 측정 알고리즘 개요 14
(3) 측정 길이 계산 14
제 4 절 평가 지표 및 비교 기준 15
(1) 성능 평가 지표 15
(가) Intersection over Union (IoU) 15
(나) Dice Similarity Coefficient (DSC) 16
(다) 정밀도 (Precision) 16
(라) 재현율 (Recall) 17
(마) Hausdorff Distance 17
(바) Pixel Accuracy 18
제 4 장 연구 실험 및 결과 19
제 1 절 실험 데이터셋 구성 19
제 2 절 이미지 분류 모델 성능 비교 실험 22
(1) 실험 개요 22
(2) ResNet-50, 101 기반 분류 실험 결과 23
(3) ResNet-101 + LFI-CAM 시각화 실험 결과 25
제 3 절 이미지 세분화 모델 성능 비교 실험 27
(1) 실험 개요 27
(2) 축소 해상도 입력 기반 실험 결과 27
(가) 학습 및 검증 손실 비교 27
(나) 테스트 성능 비교 30
(3) 원본 해상도 입력 기반 실험 결과 32
(가) 학습 및 검증 손실 비교 32
(나) 테스트 성능 비교 34
제 4 절 자궁 구조 측정 알고리즘 실험 35
(1) 실험 개요 36
(2) 자궁 측정 알고리즘 실험 결과 실험 결과 37
제 5 장 결론 39
