Creating innovative bio-convergent technologies for better human life

예종철교수님02월.jpg

 

 

이번달에는 IEEE Fellow 선정, Nature Machine Intelligence 게재, IEEE EMBS Distinguished Lecturer 선정등 작년과 올해 초 많은 성과를 내신 인공지능과 의료영상 연구로 세계적 권위자이신 예종철 교수님과 인터뷰를 진행하였습니다.

 

1. 안녕하십니까 교수님, 바쁘신 와중에도 인터뷰를 응해주셔서 감사합니다. 교수님 연구실에서 많은 분야에 대해서 연구하는 것으로 알고 있습니다. 현재 어떤 분야를 주로 연구 중인지 여쭈어 보고 싶습니다.

 

저희 연구실에서는 주로 인공지능을 이용해서 의료영상처리를 하는 연구를 진행하고 있습니다. 의료영상을 이용한 연구는 크게 2가지로 나눌 수 있습니다. 촬영을 통해 영상을 만들어내는 연구, 이후 영상을 이용해서 진단 및 분석을 하는 연구가 있습니다. 저희 연구실에서는 이 두가지 모두 인공지능을 사용하여 연구를 진행하고 있습니다. 특히, 영상을 가공하는 과정에서 인공지능이 활발하게 연구되기 전까지는 의료영상 처리를 위해서는 여러가지 과정을 거쳐야만 했습니다. 하지만 요즘은 인공지능을 이용해서 이 같은 과정을 현저하게 줄이고 성능 또한 높이는 연구들을 진행하고 있습니다. 뿐만 아니라 영상을 촬영을 할 때도 Deeplearning 기술을 활용하여 4년전 세계최초로 AAPM Low-Dose CT Grand Challenge’에서 저선량 CT 촬영기법을 대한 연구를 발표하였습니다. 그 이후에는 많은 촬영 기기들이 이러한 접근 방식을 따라서 연구를 시도하고 있는 추세입니다. 이외에도 deeplearning 자체의 수학적인 원리에 관해서도 연구를 하고 있습니다.

 

2. 올해 1월에 ‘Nature Machine Intelligence’에 게시된 논문에 대해서 간략히 설명 부탁드립니다.

 

MR 장비의 경우 어떤 pulse를 사용해서 촬영을 하는가에 따라 T1, T2, FLAIR등 서로 다른 영상의 contrast를 얻을 수 있습니다. 각 촬영 기법에 따라서 서로 다른 data를 얻을 수 있어서 병원 진단시에는 용도에 맞는 촬영을 하게 됩니다. 이때 의심되는 질환에 따라서 필요한 영상이 달라지기에 추가적으로 영상을 촬영이 필요한 경우 들이 생기게 됩니다. 뿐만 아니라 연구에 사용되는 영상의 경우도 각기 기관에 따라 영상이 달라서 진행이 어려운 경우도 종종 발생하게 됩니다. 이로 인해서 재촬영으로 인해 시간과 비용소모가 발생하게 됩니다. 그렇기에 추가적인 촬영이 필요없이 이미 얻은 강조 영상들을 가지고 필요한 강조 영상을 합성해 낼 수 있는 기술을 개발하였습니다. 기존에 GAN이라는 알고리즘을 이용한다면 없는 영상을 합성을 할 수는 있습니다. 하지만 서로 다른 강조 영상들의 정보를 함께 이용해서 합성하는 방법은 존재하지 않았습니다. 논문에서 제안한 구조 CollaGAN(Collaborative Generative Adversarial Network)은 여러 개의 강조영상들을 함께 넣어 학습 후 몇 개의 강조 영상이 빠지더라도 나머지 영상을 통해서 영상을 합성해내는 방법입니다. 이 연구를 이용한다면 뇌영역을 segmentaion시에 필요한 여러 contrast의 수를 줄일 수 있어 적은 수의 영상으로도 영역을 segmentation을 수행할 수 있게 됩니다. 또한 암 영상을 했음에도 불구하고 암 영역이 촬영된 부분이 사라지는 현상이 FLAIR 영상에서 가끔 발생합니다. 이러한 경우 다른 contrast를 가진 영상을 통해서 사라진 암영상을 복원해내는 등 다양한 부분에서 응용이 될 수 있습니다. 해당 연구를 통해서 진단의 목적에 따라서 최소한의 영상들만 촬영을 진행하여도 진단, 분석이 가능한 패러다임을 제시하였다고 생각합니다.

 

3. 교수님께서 생각하시기에 앞으로 Deeplearning 연구를 함에 있어서 bottle neck으로 작용될 거라고 생각되시는 부분은 어떤 것인가요?

 

현재 deeplearning의 가장 큰 문제는 사용하면 결과에 대한 이유를 제대로 답하지 못한다는 것입니다. 예전은 대부분의 알고리즘을 설계를 할 때는 top down방식으로 알고리즘을 설계하였습니다. 그렇기에 논리적으로 어떤 방식으로 문제가 해결이 되는지 알 수 있었습니다. 반면 Deeplearning의 경우 data를 넣어서 문제가 해결이 되어도 이것이 어떤 방식을 통해서 해결이 되는지 알 수가 없기에 흔히들 black box와 같다고 말을 합니다. 그래서 저희 연구실에서도 수학적으로 deeplearnig이 어떤 방식으로 작동하는지에 대해서 수학과 학생들을 공동지도 하면서 연구를 진행을 하고 있습니다. Deeplearning이 수학적으로 어떤 방식으로 작동하는지를 완벽하게 밝혀낸다면 인공지능을 이전과 같이 top down 방식으로 설계할 수 있을 것이라고 생각합니다.

 

4. 교수님께서 꿈꾸시는 궁극적인 연구 목표가 있으신가요?

 

기존의 MRI, CT, 초음파등의 의료장비들은 선형적 물리특성을 가진 것을 이용해서 영상을 촬영하고 있습니다. 하지만 자연에 있는 물리현상들은 선형적인 것보다는 비선형적으로 작용하는 부분이 더 많이 존재합니다. 그렇기에 지금의 기술 수준으로는 비선형적인 특성을 가지는 요인들을 측정 및 영상으로 구현하는 것이 불가능한 상황입니다. 저의 궁극적 목표는 어떤 비선형적 물리특성이 존재하는지에 연구 후에 Deeplearning과 같이 비선형적 문제를 해결하는데 있어서 강력한 알고리즘을 이용한다면 막단백질과 같이 현재 선형적인 영상장비로는 촬영이 불가능한 영역까지 촬영이 가능한 장비를 만드는 것이 목표입니다.

 

5. 마지막으로 카이스트 학생들에게 한 말씀 부탁드립니다.

 

연구함에 있어서 가장 중요한 것은 항상 도전적인 자세를 가지는 것입니다. 제가 15년전에 KAIST에 부임을 하였을 때, 학생들이 제가 처음에 새로운 것들을 시도해보고자 국내외에서 이런 연구를 하는 곳도 없는데 왜 하느냐는 말을 들었습니다. 누구도 가지 않았고 하지 않았다고 해서 그 길을 가지 않는 것은 그저 자신도 안될 거라는 패배의식을 가지고 있는 것과 다름없습니다. 끝까지 할 수 있다는 마음가짐으로 도전해야 그 분야에서 최초, 최고가 될 수 있는 것입니다. 처음부터 도전적으로 자신의 연구를 이끌어 나아가기는 쉽지 않을 것입니다. 자신이 너무나도 작아 보이고 어떻게 내가 이런 걸 알 수 있을 까라는 생각을 할 것입니다. 그럼에도 스스로를 믿고 주도적으로 연구를 진행하면서 남들이 가지 않는 길을 도전으로 나아가시라고 말씀드리고 싶습니다. 마지막으로, 코로나가 유행인데 건강에 유의하시길 바랍니다.

 

 

 

기자: 조재욱(jjo2883@kaist.ac.kr)