[논문 리뷰] Augmenting Gastrointestinal Health: A Deep Learning Approach to Human Stool Recognition and Characterization in Macroscopic Images

David Hachuel, Akshay Jha외 4명|arXiv (Cornell University)|2019. 03. 25.

Gastrointestinal motility and disorders참고 문헌 17인용 수 4

한 줄 요약

이 논문은 인간의 대변을 매크로스코픽 이미지에서 자동으로 감지하고 특성화하기 위해 컨볼루션 신경망(CNN)을 사용하는 딥러닝 시스템을 제안한다. 이는 대변 일관성에 대한 객관적이고 실시간 평가를 가능하게 한다. 이 방법은 대변 인식과 분류에서 높은 정확도를 달성하여 기능성 소화기계 질환의 환자 준수 및 임상 평가를 향상시키는 확장 가능한 솔루션을 제공한다.

ABSTRACT

Purpose - Functional bowel diseases, including irritable bowel syndrome, chronic constipation, and chronic diarrhea, are some of the most common diseases seen in clinical practice. Many patients describe a range of triggers for altered bowel consistency and symptoms. However, characterization of the relationship between symptom triggers using bowel diaries is hampered by poor compliance and lack of objective stool consistency measurements. We sought to develop a stool detection and tracking system using computer vision and deep convolutional neural networks (CNN) that could be used by patients, providers, and researchers in the assessment of chronic gastrointestinal (GI) disease.

연구 동기 및 목표

• 대변 증상을 추적하기 위해 사용되는 복부 일기에서 객관적이고 일관된 측정값이 부족한 문제를 해결하기 위해.
• 수동 기록을 이미지 기반 분석으로 대체하여 환자의 복용 준수를 향상시키기 위해.
• 실생활에서 비이상적인 조건의 이미지에서 대변을 감지하고 분류할 수 있는 컴퓨터 비전 시스템을 개발하기 위해.
• 기능성 장기질환에서 식이요법, 증상 및 대변 일관성 간의 관계를 연구하는 데 도움이 되기 위해.
• 스마트폰 기반 영상 촬영을 활용한 저비용, 확장 가능한 소화기 건강 모니터링을 가능하게 하기 위해.

제안 방법

• 실환자로부터 수집한 매크로스코픽 대변 이미지 데이터셋을 기반으로 맞춤형 딥 컨볼루션 신경망(CNN)을 훈련시었다.
• 제한된 의료 영상 데이터에서의 일반화 능력을 향상시키기 위해 사전 훈련된 ImageNet 모델을 기반으로 전이 학습을 수행하였다.
• 실생활 스마트폰 촬영 이미지에서 빛의 세기, 각도, 배경의 다양성에 대비한 강건성을 향상시키기 위해 이미지 증강 기법을 적용하였다.
• 이 시스템은 이진 분류(대변 대비 비대변)와 다중 분류(브리스톨 대변 척도 기반의 일관성 카테고리)를 모두 수행한다.
• 임상적 및 개인적 사용을 위해 스마트폰 기기에서 실시간 처리가 가능한 인퍼런스 파이프라인을 구현하였다.
• 보류된 테스트 세트에서 정확도, 정밀도, 재현율, F1 점수와 같은 표준 지표를 사용하여 모델을 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 제약 없는 실생활 매크로스코픽 이미지에서 인간의 대변 존재를 정확하게 감지할 수 있는가?
• RQ2 CNN은 스마트폰으로 촬영한 이미지에서 표준화된 일관성 카테고리(예: 브리스톨 대변 척도)로 대변을 얼마나 정확하게 분류할 수 있는가?
• RQ3 불량한 조명, 혼잡한 배경, 다양한 각도 등의 실생활 영상 조건에서 모델의 성능은 어떠한가?
• RQ4 기존의 일기 방식에 비해 이 시스템은 대변 증상 기록에 대한 환자의 준수를 얼마나 향상시킬 수 있는가?
• RQ5 이러한 시스템은 기능성 소화기계 질환의 임상 평가 및 연구를 뒷받침할 잠재력이 있는가?

주요 결과

• 제안된 딥러닝 모델은 대변 감지에 대해 F1 점수 0.92를 기록하여 이미지 내 대변과 비대변 물체를 강력하게 구분하는 데 성공하였다.
• 시스템은 브리스톨 대변 척도의 다섯 가지 카테고리로 대변을 분류하는 데 정확도 89%를 보이며 안정적인 일관성 평가 능력을 입증하였다.
• 전이 학습과 데이터 증강이 모델의 일반화 능력을 크게 향상시켜 실생활 이미지의 다양성에 대응하는 데 기여하였다.
• 다양한 조명 및 배경 조건에서도 높은 성능를 유지하여 모바일 배포의 실현 가능성을 뒷받침하였다.
• 동일한 데이터셋에서 기존의 컴퓨터 비전 기법과 간단한 신경망보다 시스템이 뛰어난 성능을 보였다.
• 결과적으로 자동 대변 인식은 장기적인 소화기 증상 모니터링을 위한 실용적이고 확장 가능한 도구가 될 수 있음을 시사한다.