간 지방증(liver steatosis)을 진단하는 것은 간경변(hepatocirrhosis)과 간암(liver cancer)을 초기 단계에서 발견하기 위한 필수적인 예방 조치이다. 그러나 다양한 기원으로 인해 초음파(US) 영상의 시각적 품질이 저하되는 문제(예: 반점 잡음(speckle noise)과 번짐(blurring)) 때문에 초음파 영상으로부터 지방증을 자동으로 진단하는 일은 여전히 어렵다. 본 논문에서는 3개의 딥러닝 신경망을 활용한 완전 자동 간 지방증 예측 모델을 제안한다. 그 결과 간 지방증은 높은 정확도와 정밀도로 자동 검출될 수 있다. 첫째, 준시상(parasagittal) 초음파 영상에서 간과 신장(L-K)을 의미론적으로 분할(semantic segmentation)하기 위해 전이 학습(transfer learning)을 사용한 후, 원본 초음파 영상으로부터 L-K 영역을 크롭(cropping)한다. 두 번째 신경망 역시 신장 주위에 전형적으로 위치하는 고리(ring)의 존재 여부를 확인하고 원본 초음파 영상으로부터 L-K 영역을 크롭하는 방식으로 의미론적 분할을 포함한다. 이렇게 크롭된 L-K 영역을 최종 신경망인 SteatosisNet에 입력하여 지방간 질환(fatty liver disease)의 중증도를 등급화한다. 실험 결과, 제안된 모델은 민감도 99.78%, 특이도 100%, 양성예측도(PPV) 100%, 음성예측도(NPV) 99.83%, 진단 정확도 99.91%로 지방간 질환을 예측할 수 있으며, 이는 의료 전문가가 주석(annotation)한 일반적인 결과와 비교 가능하다.

우리는 기존의 에지 검출 접근법과 무작위 표본 합의(random sample consensus, RANSAC)라 불리는 강건한 선형 회귀 방법을 기반으로 한 새로운 피킹(picking) 알고리즘을 개발하였다. 다른 피킹 방법과 달리, 이 방법은 기존의 최초 도달(first break) 피킹 방법의 신호 특성에서 기원하는 여러 선(line)을 조합하여 사용하며, 신호대잡음비(SNR)가 낮은 데이터셋에 대해서도 출력 피킹 결과 간의 연속성이 매우 우수하다.