← 목록으로
Animal Health

Differentiation of canine and feline neoplasms using multi-modal imaging and machine learning

정리일 2026-11-11

Differentiation of canine and feline neoplasms using multi-modal imaging and machine learning


TL;DR

개·고양이 종양 조직의 초음파·백색광·형광 영상 특징을 결합해 기계학습으로 분류했다. 지방종은 단일 영상으로도 거의 100% 분류했으며, 구분이 어려운 비만세포종과 연부조직육종은 특징 최적화 후 SVM의 백색광+형광 또는 초음파+백색광 조합에서 약 95% 분류 성능을 보였다.


1. 연구 배경 및 동기

  • 다루는 문제: 개·고양이의 피부·피하 비만세포종과 연부조직육종은 조직 내 다양성과 유사한 형태 때문에 구분이 어렵다. 기존 조직병리·세포검사는 시간이 걸리고 판독자의 판단에 영향을 받는 방법이다.
  • 기존의 공백 / 왜 필요한가: 수의 종양에서 기계학습을 활용한 영상 분류 연구는 부족했다. 서로 다른 조직 정보를 제공하는 영상의 결합과 특징 선택이 유사한 종양의 구분을 개선하는지 평가할 필요가 있었다.

2. 관련 연구

  • 기존 연구 흐름: 기존 연구는 OCT, Raman spectroscopy, 초음파 및 탄성초음파로 종양을 구분했다. OCT와 Raman spectroscopy는 장비 비용이 높고, 기존 초음파는 종양 간 음향 특성의 유사성과 해상도에 따른 제약이 있었다.
  • 이 논문의 위치: H&E 염색 조직절편에 고주파 초음파·백색광·형광 영상을 적용하고 단일·이중·삼중 영상 조합을 비교했다. 통계적으로 유의한 특징을 사용하는 방법과 순차적 특징 추가로 최적화하는 방법을 평가했다.

3. 핵심 기여

  1. 개·고양이의 지방종·비만세포종·연부조직육종에서 영상 결합 기반 자동 분류의 실행 가능성을 확인했다.
  2. 비만세포종과 연부조직육종 분류에서 SVM의 이중 영상 조합이 단일 영상보다 5개 성능 지표 모두에서 유의하게 개선됐다.
  3. 초음파·형광 특징이 최적화 과정에서 선택되며, 초음파 특징이 백색광 특징 일부를 대체하는 양상을 확인했다.
  4. SVM과 RF의 분류 성능 및 특징 최적화 소요 시간을 비교했다.

4. 제안 방법론

  • 전체 접근 논리: 각 영상에서 형태·질감 특징을 추출하고, 단일 영상과 영상 조합의 종양 분류 성능을 비교했다. 통계적 특징 선별과 순차적 특징 추가를 각각 적용해 영상 결합 및 특징 최적화의 효과를 평가했다.
  • 단계:
    • 수술로 절제한 종양을 10% formalin에 보관하고 H&E 염색 조직절편을 제작했다. 수의 조직병리 전문가가 백색광 영상으로 진단했다.
    • 종양별로 연부조직육종 6개, 지방종·비만세포종 각각 10개의 초음파 C-scan과 광학 관심영역을 확보해 종양 유형별 180개 영상을 구성했다. 백색광 관심영역 추출은 두 번 수행했다.
    • 영상마다 12개 특징을 추출했다. Mann–Whitney U 검정으로 선별한 특징은 LDA·SVM·DT에 적용하고, 순차적 특징 추가로 최적화한 특징은 LDA·SVM·RF에 적용했다.
    • 유의한 특징 모델은 2·3·5·10-fold 교차검증으로 평가했다. 최적 특징 모델은 무작위 시드 1–10의 서로 다른 분할로 5-fold 교차검증을 10회 수행하고 평균±SEM을 산출했다.

5. 실험 설정

항목 내용
대상/재료 지방종(LP) 18개: 13마리(개 11, 고양이 2); 연부조직육종(STS) 30개: 23마리(개 12, 고양이 11); 비만세포종(MCT) 18개: 15마리(개 12, 고양이 3). 평균 연령 8.3세, 범위 2–13세.
처리 조건 10% formalin 보관 후 H&E 염색한 체외 조직절편. 초음파(US): 360 MHz, 200×200×512 데이터 배열, 2×10^9 samples/s, 해상도 10 μm. 백색광(WL): 20×/0.8 NA 대물렌즈. 형광(FL): 여기 531/40 nm, 방출 590/40 nm, 0.121 μm/pixel. 광학 관심영역 1500×800 pixels. 후보 특징 수: US 72, FL 12, WL 24, FL+WL 36, US+FL 84, US+WL 96, US+FL+WL 108. SVM은 RBF kernel, RF는 의사결정나무 100개를 사용했다.
대조군 단일 영상 US·FL·WL 및 FL+WL을 비교 기준으로 사용했다. 종양 비교는 LP vs MCT, LP vs STS, LP vs MCT+STS, MCT vs STS이다.
측정 방법 Entropy, Contrast, Correlation, Energy, Homogeneity, Average, SD, RMS, Variance, Smoothness, Kurtosis, Skewness를 추출했다. 정확도·특이도·민감도·음성예측도·정밀도, 선택 특징 수·빈도 및 최적화 시간을 평가했다. 영상 조합 간 차이는 Mann–Whitney U 검정으로 분석했으며 유의수준은 p < 0.05이다.

6. 실험 결과 분석

지표 변화(Δ) 조건 · 유의성
LP vs MCT+STS: 최적화 US 분류 성능 95–100% LDA·SVM·RF, US 72개 후보 특징
LP vs MCT+STS: 광학·복합 영상 분류 성능 약 100% LDA·SVM·RF, 최적 특징
MCT vs STS: 유의한 특징 기반 SVM 분류 성능 US 60–70%, WL >70%, US+WL 75–80% US+WL vs WL, 5개 지표 p < 0.05
MCT vs STS: 최적화 US 분류 성능 약 80% SVM·RF, US 72개 후보 특징
MCT vs STS: 최적화 FL·WL 분류 성능 FL 약 70%; WL SVM 약 90%, RF >85% SVM·RF, 최적 특징
MCT vs STS: 최적화 FL+WL 분류 성능 SVM 약 95%, RF 약 90% vs WL, 양쪽 5개 지표 p < 0.05
MCT vs STS: 최적화 US+FL 분류 성능 >85% SVM, 최적 특징
MCT vs STS: 최적화 US+WL 분류 성능 95% SVM, vs WL, 5개 지표 p < 0.01
MCT vs STS: US+FL+WL의 추가 개선 정확도·특이도·정밀도 유의, 나머지 2개 비유의 SVM·RF, vs FL+WL, p < 0.05
RF의 특징 최적화 반복 소요 시간 LP 구분 2.8–3.2배, MCT·STS 구분 3.8–5.1배 RF vs SVM

제안 기전(인과 사슬): 광학·초음파 영상의 상호보완적 조직 정보 결합 → 순차적 특징 선택에서 초음파·형광 특징 채택 및 백색광 특징 일부 대체 → 형태가 유사한 MCT·STS의 분류 성능 향상

7. 비판적 평가

강점

  • 실제 개·고양이의 수술 유래 종양 조직을 사용하고 조직병리 전문가의 진단을 기준으로 평가했다.
  • 단일·이중·삼중 영상과 여러 분류기를 비교하고 5개 성능 지표를 평가했다.
  • 특징 선택 양상과 최적화 시간까지 분석했다.

한계 · 의문

  • 조직절편 준비가 필요하므로 신선 절제 조직의 즉각적인 평가에 그대로 적용하기 어렵다.
  • 더 큰 임상 집단에서의 검증과 종양 영역 자동 선택이 남아 있다.
  • US+FL의 비교 기준이 결과 서술·표 2 설명에서는 US, 표 2 행에서는 FL로 다르게 표기됐다.

8. 향후 연구 방향

  • 더 큰 임상 집단에서 분류 성능을 검증한다.
  • 종양 경계 자동 선택 알고리즘을 통합해 종양 내부 영역만 분류에 사용한다.
  • 절제 종양 평가에 더 저렴한 일반 B-scan 초음파 장비의 활용을 검토한다.

9. 결론

영상 결합과 특징 최적화는 형태가 유사한 비만세포종과 연부조직육종의 분류를 개선했으며, SVM이 성능과 최적화 속도에서 유리했다. 지방종 구분에는 영상 결합이 필수적이지 않았고, 제안 방법의 주요 활용 대상은 조직절편을 다루는 수의 종양검사실의 병리 진단 지원이다.

Keywords

Canine neoplasms, Feline neoplasms, Multimodal imaging, Ultrasound imaging, Autofluorescence imaging, Machine learning, Mastocytoma, Soft tissue sarcoma

원문 그림

Fig. 1. Illustration of the first part of the study. Histological samples obtained from veterinary patients were
Fig. 1. Illustration of the first part of the study. Histological samples obtained from veterinary patients were
Fig. 2. Attenuation, quantified in 3.9–125 MHz frequency range (1–32 Freq Bins), Peak FFT Freq and Peak
Fig. 2. Attenuation, quantified in 3.9–125 MHz frequency range (1–32 Freq Bins), Peak FFT Freq and Peak
Fig. 3. Optical images of LP, MCT and STS. Columns 1, 3 and 5 indicate WL images, correspondingly,
Fig. 3. Optical images of LP, MCT and STS. Columns 1, 3 and 5 indicate WL images, correspondingly,
Fig. 4. Histological characteristics under white light (WL) imaging for LP (A), MCT (B1–B2) and STS tissues
Fig. 4. Histological characteristics under white light (WL) imaging for LP (A), MCT (B1–B2) and STS tissues
Fig. 5. Results of the differentiation between LP and MCT, LP and STS as well as MCT and STS tumors.
Fig. 5. Results of the differentiation between LP and MCT, LP and STS as well as MCT and STS tumors.
Fig. 6. Results for the differentiation between benign LP and combined set of MCT and STS tumors using
Fig. 6. Results for the differentiation between benign LP and combined set of MCT and STS tumors using
Fig. 7. Results for the differentiation between MCT and STS tumors using US data (left panel) or optical
Fig. 7. Results for the differentiation between MCT and STS tumors using US data (left panel) or optical
Fig. 8. Analytical data of feature selection for the differentiation between MCT and STS (left panel) and
Fig. 8. Analytical data of feature selection for the differentiation between MCT and STS (left panel) and

원문 그림 · 라이선스: cc-by-nc-nd

papercanine-neoplasmsfeline-neoplasmsmultimodal-imagingultrasound-imagingautofluorescence-imagingmachine-learning