공공 의료데이터 상세

말초 혈관 초음파 데이터

##멀티모달##헬스케어 의료

- 말초 혈관 환자의 진단을 위해 초음파데이터 35,000장을 구축하여 각각의 데이터는 인공지능 학습이 가능하도록 가공하되, plaque, 근육, 피하지방, 동맥, 정맥, 혈관벽 등 해부학적 영역에 대해 polygon 가공함

분야: 헬스케어

유형: 이미지

생성 방식: 안심존(온라인)

구축년도 : 2023
버전 : 1.1

AI-HUB

데이터 개요

데이터 변경이력

데이터 변경이력
버전	일자	변경내용	비고
1.1	2024-10-30	데이터 최종 개방
1.0	2024-07-05	데이터 개방	Beta Version

데이터 히스토리

데이터 히스토리
일자	변경내용	비고
2025-10-31	데이터셋 변경	구축업체정보 수정
2025-10-14	데이터셋 변경	구축업체정보 수정
2025-01-06	데이터셋 변경	메타데이터 데이터 구축량 정보 수정
2024-07-05	산출물 공개	Beta Version

소개

- 말초 혈관 환자의 진단을 위해 초음파데이터 35,000장을 구축하여 각각의 데이터는 인공지능 학습이 가능하도록 가공하되, plaque, 근육, 피하지방, 동맥, 정맥, 혈관벽 등 해부학적 영역에 대해 polygon 가공함

구축목적

- 말초 혈관 질환을 진단할 수 있는 AI 학습용 이미지 데이터 구축

메타데이터 구조표

메타데이터 구조표
데이터 영역	헬스케어	데이터 유형	이미지
데이터 형식	*.jpg	데이터 출처	자체수집
라벨링 유형	세그멘테이션	라벨링 형식	*.JSON
데이터 활용 서비스	해당사항 없음	데이터 구축년도/ 데이터 구축량	2023년/38,499

데이터 통계

- 데이터 구축 규모 및 분포

데이터 구축 규모 및 분포
구분	규모	파일 형태
Artery	2D 이미지 4,564장	JPG, JSON
Carotid	2D 이미지 23,242장	JPG, JSON
Vein	2D 이미지 7,194장	JPG, JSON

데이터 구축 규모 및 분포2
세부 데이터명	데이터 구분	구축수량 (명/건)
경동맥 협착	소계	3,069 / 23,242
	* 협착 중증도 별
	· Normal · Mild · Moderate · Severe	93 / 167 2,019 / 16,018 377 / 2,736 580 / 4,321
하지동맥 협착	소계	404 / 4,564
	* 협착 중증도 별
	· Normal · Mild · Moderate · Severe	31 / 85 279 / 3,456 53 / 453 41 / 570
세부 데이터명	데이터 구분	구축수량 (명/건)
심부정맥 혈전증	소계	859 / 7,194
	* 혈전 유무별
	· Normal · Abnormal	68 / 400 791 / 6,794
합계		4,332 / 35,000

- 클래스별 데이터 비율

교육활용 동영상

활용 AI 모델 및 코드

AI 모델 상세
데이터명	세부 데이터명	AI모델 task	AI모델 (후보)	성능 지표 및 목표값	Data I/O
말초혈관 초음파 데이터	말초혈관 초음파 데이터	Object Detection / Segmentation	UNet	ACC(80%)	Input data : 초음파 이미지 output data : plaque, 혈관 영역
		Object Detection / Segmentation	UNet	ACC(80%)	Input data : 초음파 이미지 output data : plaque, 혈관 영역

		Classification	ResNet	ACC(80%)	Input data : 초음파 이미지 output data : 질환명
		Classification	ResNet	ACC(80%)	Input data : 초음파 이미지 output data : 질환명

- 말초혈관 초음파 데이터
·Object Detection / Segmentation
- Biomedical 분야에서 초음파 영상 분석에 많이 활용되는 인공지능 모델인 UNet을 말초혈관 초음파 영상 분석에 활용할 수 있도록 적절하게 모델을 변형
- Encoder, Decoder에 포함되는 Block의 형태를 변형하여 모델을 커스터마이즈하여 개발
- 초음파 영상의 특성을 고려하여, Encoder에 사용되는 Block에 Feature 값을 Remapping 하는 방식으로 모델 커스터마이즈 예정

Object Detection Segmentation
·Classification
- 초음파 데이터를 활용한 Classification에 많이 활용되는 ResNet을 활용하여 AI 모델을 개발
- 단일 ResNet을 활용할 계획이지만, 파라미터가 매우 많아 성능이 다소 떨어질 수 있음을 고려하여, SqueezeNet이나 AlexNet 과같이 적은 파라미터의 모델을 앙상블 학습하여 모델을 개발

Classification

어노테이션 포맷 및 데이터 구조

- 데이터 구성

데이터 구성
데이터명	세부 데이터명	클래스 구분		구축 비율
말초혈관 초음파 데이터	말초혈관 초음파 데이터	영역별	plaque	30.00%
			혈전	20.00%
			근육 및 지방	20.00%
			혈관	30.00%
		질환별	경동맥 협착	48.00%
			하지동맥 협착	17.00%
			심부정맥혈전증	35.00%

- 어노테이션 포맷

어노테이션 포맷
번호			속성명	속성설명	타입	형식/범위	예시
1			image_info	이미지정보	Object
	1-1		filename	파일명	String	[파일명]	20230504_1 23
	1-2		hospital	수집병원	String	-	삼성서울병원
	1-3		file_format	파일포맷	String	-	JPG
	1-4		image_size	이미지크기	String	-	6400KB
	1-5		device	촬영장비정보	String	-	SS900N
	1-6		resolution	해상도	String	-	1920x1080
2			annotation_info	어노테이션정보	List	-
	2-1		id	어노테이션 ID	String	-	A_1234567
	2-2		label	라벨명	String	-	plaque
	2-3		polygon_info	폴리곤 정보	Objcet	-
		2-3-1	id	폴리곤 ID	String	-
		2-3-2	points	폴리곤 좌표정보	List	-
3			patient_info	환자 메타정보	Object	-
	3-1		code	환자번호	String	-	SS000001
	3-2		age	연령대	String	-	30대
	3-3		sex	성별	String	-	M
	3-4		c_date	검사연월	String	YYYYMM	202305
4			type	질환종류	String	-	하지동맥협착
5			severity	중증도	String	-
6			blood_vessel_type	혈관종류	String	-	동맥,정맥
7			plane_type	축 종류	String	-	Longitudinal, Axial

- 실제 json 예시

{"image_info": {"filename": "DATA_00100779", "hospital": "경북대학교병원", "file_format": "jpg", "file_size": "69KB", "device":
"GE Healthcare / LOGIQE9", "file_type": "US", "resolution": "960x720"}, "annotation_info": [{"polygon_info": {"id":
"PLY_202312211302040000002", "points": [[280.7375886524895, 179.91753632580156], [337.92907801419153, 175.9587734392036], [
408.7375886524894, 173.97939199590462], [462.2978723404327, 172.98970127425508], [514.0425531914966, 172.98970127425508], [
563.0638297872413, 173.97939199590462], [575.7730496453972, 180.90722704745102], [573.0496453900781, 218.51547447013144], [
484.9929078014256, 221.4845466350799], [351.5460992907873, 227.42269096497677], [307.9716312056809, 228.41238168662628], [
283.4609929078086, 226.43300024332729]]}, "label_cd": "13", "label": "근육 및 지방", "id": "ANT_202312211302040000002"}, {
"polygon_info": {"id": "PLY_202312211302040000003", "points": [[281.25621911123653, 267.44782666568733], [319.02075811832884,
263.6474142945533], [379.3699943929902, 260.48278850004186], [402.6097107050469, 254.14876788148518], [442.11722843554327,
254.14876788148518], [482.86075811832865, 248.44576481001724], [556.0658645013075, 238.31133182032653], [580.9745334000822,
233.24649984024802], [580.9745334000822, 247.8147472629285], [503.1214837546923, 261.7495926237532], [449.0891433291604,
266.8168091185986], [412.486590137671, 268.0836132423099], [351.48233481852213, 276.9512421082893], [307.9078667334157,
286.4522730361243], [307.9078667334157, 286.4522730361243], [282.34417879015325, 291.5194895309697]]}, "label_cd": "12", "label":
"혈관", "id": "ANT_202312211302040000003", "diameter": [[580.7303466796875, 238.3805160522461], [280.39146423339844,
279.1504821777344]]}], "patient_info": {"code": "KAR09180032450005", "age": "50대", "sex": "1", "c_date": "202306"}, "type":
"하지동맥협착", "blood_vessel_type": "동맥", "plane_type": "Longitudinal", "location": "", "severity": "Moderate"}

구축 업체

데이터셋 구축 담당자

수행기관(주관) : ㈜브랜드콘텐츠

수행기관(주관)
책임자명	전화번호	대표이메일	담당업무
최훈녕	010-9456-3520	aihubinquirydata@gmail.com	과제총괄

수행기관(참여)

수행기관(참여)
기관명	담당업무
경북대학교병원	데이터 획득
양산부산대학교병원	데이터 획득
삼성서울병원	데이터 획득
㈜모니터코퍼레이션	데이터 정제
㈜인비즈	데이터 정제
㈜선도소프트	데이터 가공
㈜코코아플러스	데이터 가공
대한심장혈관영상의학회	데이터 검수 및 자문

데이터 관련 문의처

데이터 관련 문의처
담당자명	전화번호	이메일
이명재	02-6247-0770	aihubinquirydata@gmail.com

AI모델 관련 문의처

AI모델 관련 문의처
담당자명	전화번호	이메일
이명재	02-6247-0770	aihubinquirydata@gmail.com

저작도구 관련 문의처

저작도구 관련 문의처
담당자명	전화번호	이메일
이명재	02-6247-0770	aihubinquirydata@gmail.com

DSM - Korea Design System