MICCAI19에 AutoML 논문이 게재 승인되었습니다.
2019/06/05 by 카카오브레인

카카오브레인 AutoML 연구팀(김일두, 김성웅, 임성빈, 백운혁, 김치헌, 윤부근, 김태섭)과 조형주(서울대학교) 연구원이 공동으로 쓴 Scalable Neural Architecture Search for 3D Medical Image Segmentation 논문이 국제의료영상처리학회(MICCAI)에 실리게 됐습니다.

연구팀은 3D 의료영상 분할(segmentation)에 최적화된 네트워크 탐색 알고리즘(NAS, Neural Architecture Search)에 관한 연구를 진행했습니다.

영상의학에서는 CT(컴퓨터단층촬영)나 MRI(자기공명영상) 등 의료영상을 분석해 여러 질병이나 질환을 검진하고 진단합니다. 병원에서는 영상의학 전문의가 이 일을 수행합니다.

하지만 10만×10만 픽셀 크기의 수천장의 영상에서 크기가 다양하고 불규칙적인 병변을 인간의 눈으로 일일이 찾는 게 쉬운 일은 아닙니다. 영상에 따라서는 분석에 수십 분에서 수 시간이 걸리기도 합니다. 사람의 눈으로 확인하는 작업이다 보니 같은 환자를 두고 서로 다른 판단을 내리기도 하죠. 과중한 의료영상 판독 업무를 줄이려는 목적에서 인공지능(AI)이 요구되는 배경입니다.

문제는 해상도가 높은 3D 의료영상을 다루기 위해 네트워크 규모를 키우면서 훈련 자체에 방대한 시간과 자원이 필요하다는 데 있습니다. 경험과 지식을 가진 머신러닝 엔지니어가 데이터에 적합한 네트워크 구조를 탐색하는 데에 수개월을 공들여야 하기 때문입니다.

이런 문제를 해결하고자 AutoML 연구팀은 모델 탐색을 자동화하는 기술을 연구했습니다. 머신러닝 전문가가 만든 것보다 더 나은 성능을 내면서도 메모리 사용량과 연산량을 대폭 줄이는 게 핵심입니다. 딥러닝 분산 학습을 위한 GPU(그래픽처리장치) 플랫폼인 브레인 클라우드가 실험 시간을 대폭 줄이는 데 큰 도움이 됐습니다.

김일두 연구원은 “이번 연구에서는 머신러닝 전문가가 만든 네트워크와 비교해 성능이 향상됨을 확인할 수 있었으며, 더 발전된 NAS 알고리즘을 추후 발표할 예정”이라며 “아울러 최근 공개한 Fast AutoAugment(논문, 코드) 역시 의료 영상에 적용 가능하다”고 말했습니다.

본 논문은 국내외 인공지능 의료영상 분야에 기여하기 위해 공개할 예정입니다. 연구팀이 새로 고안한 NAS 알고리즘에 관한 이야기는 가까운 시일 내에 브레인 블로그를 통해서도 전달드리겠습니다.

카카오브레인의 AutoML 기술은 제조업을 비롯해 일반적인 비즈니스 분야에서도 활용 가능합니다. 카카오브레인은 AutoML 기술을 필요로 하는 기업과의 다양한 협력 가능성을 열어두고 있습니다.


문의: contact@kakaobrain.com

이 글을 쓴 사람들
kakaobrain
카카오브레인