흉부 X선 이미지 기반에서 폐 질환을 탐지하는 인공지능 알고리즘
- 발행기관 동신대학교 일반대학원
- 지도교수 송종남
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 박사
- 학과 및 전공 일반대학원 보건의료학과
- 세부전공 방사선학전공
- 세부분야 해당없음
- 실제URI http://www.dcollection.net/handler/dsu/200000742497
- UCI I804:46001-200000742497
- 본문언어 한국어
- 저작권 동신대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구는 의료 영상 진단 보조 시스템의 개선 부분에 초점을 맞추고 있으며, 특히 첨단 딥러닝 기술을 통합하여 흉부 엑스레이 이미지 내에서 의복의 단추 등 이물질 에 의한 오진단 없이 폐 질환을 진단하는 것을 목표로 한다. 연구에서 이물질 검출 과 폐 질환 분류를 위하여 비전 알고리즘인 VGGNet-16과 ResNet-34, InceptionNet-v3 모델과 이들 모델을 결합한 앙상블 모델을 소개하고 성능을 평가 하였다. 단추나 브래지어 부착물과 같은 의료 영상 속 이물질은 컴퓨터 보조 진단(CAD) 시스템에 심각한 문제를 일으켜 오진 및 치료 지연으로 이어질 수 있다. 본 연구는 실시간 물체 감지 기능으로 유명한 비전 알고리즘들을 결합한 앙상블 모델을 구현 하여 이 문제를 세심하게 해결하였다. VGGNet-16과 ResNet-34를 결합한 앙상블 알고리즘은 흉부 엑스레이 이미지로 구성된 포괄적인 데이터 세트에 대해 훈련 및 테스트를 거쳐 데이터의 다양성과 대표성을 보장하였다. 그 결과 97%의 테스트 정확도와 0.1의 테스트 손실을 달성하여 알고리즘의 뛰어 난 성능을 보여주었다. 버튼 감지에 대한 정밀도, 리콜, F1-Score는 각각 0.97, 0.99, 0.98이었고 브래지어 클립의 경우 0.98, 0.98, 0.98, 브래지어 부품의 경우 0.97, 0.96, 0.96을 기록하였다. 이러한 결과는 흉부 엑스레이 이미지에서 이물질을 정확하게 식 별하고 분류하여, 이물질로 인한 오진의 위험을 완화하는 알고리즘의 효율성을 입증하였다. 동시에 본 연구는 정확하고, 시기적절한 진단이 필요한 중증 질환으로 널리 퍼져 있는 폐 질환 탐지라는 중요한 영역을 탐구하였다. 연구에서 특징 추출 및 분류에 있어 두 가지 아키텍처의 강점을 결합한 VGGNet-16과 ResNet-34 아키텍처 모델 이 가장 우수한 성능을 보였다. 이 연구에서 모델은 VGGNet-16, InceptionNet-v3, ResNet-34 모델과 VGGNet-16+InceptionNet-v3, VGGNet-16+ResNet-34, InceptionNet-v3+ResNet-34 알고리즘의 독립 실행형 구현과 병렬로 비교하여 성능을 종합적으로 평가하였다. VGGNet-16과 ResNet-34를 결합한 모델에서 98%의 테스트 정확도와 0.1의 테스트 손실을 달성하며 우수한 성능을 입증하였다. 이에 비해 VGGNet-16, InceptionNet- v3, ResNet-34 모델과 VGGNet-16+InceptionNet-v3, InceptionNet-v3+ResNet-34 모델은 각각 95.00%, 91.50%, 92.50%, 97.00%, 97.30%의 테스트 정확도와 0.191, 0.34, 0.2, 0.145, 0.13의 테스트 손실을 나타냈다. VGGNet-16과 ResNet-34를 결합한 앙상블 모델의 분류 성능은 정확도 (Accuracy), 정밀도(Precision), 재현율(Recall), F1-Score 등 모든 지표에서 일관되게 높게 나타나 정상, 폐렴, 기흉, 흉막 삼출 등 다양한 폐 질환을 진단하는 데 효과적임을 보여주었다.
more목차
목차 · ⅰ
표 목차 · ⅲ
그림 목차 · ⅳ
초록 · ⅴ
Ⅰ. 서론 · 01
1. 연구의 필요성 및 목적 · 01
Ⅱ. 이론적 배경 · 04
1. 인공지능(Artificial Intelligence, AI) · 04
1.1 머신러닝(Machine Learning, ML) · 05
1.2 딥러닝(Deep Learning, DL) · 06
1.3 컨볼루션 신경망(Convolutional Neural Network, CNN) · 07
1.3.1 VGGNet · 09
1.3.2 InceptionNet · 11
1.3.3 ResNet · 13
1.3.4 앙상블 학습(Ensemble Learning) · 15
2. 컴퓨터 보조 진단(Computer-Aided Detection and Diagnosis, CAD) · 17
Ⅲ. 연구 대상 및 방법 · 19
1. 실험환경 · 19
2. 실험방법 · 20
3. 성능평가 · 21
3.1 혼동행렬(Confusion Matrix) · 21
3.1.1 정확도(Accuracy) · 22
3.1.2 정밀도(Precision) · 22
3.1.3 재현율(Recall) · 22
3.1.4 F1-score · 23
3.2 객체 인식 평가 · 24
3.2.1 이물질 탐지 · 25
3.2.2 흉부 질환 탐지 · 26
4. 이물질 탐지 알고리즘 · 27
4.1 데이터셋(Dataset) · 27
4.2 모델 학습 연구 절차 · 28
4.3 데이터 전처리 · 29
4.3.1 목표 이물질 Localization · 29
4.3.2 데이터 증강(Data Augmentation) · 31
5. 질병 탐지 알고리즘 · 32
5.1 데이터셋(Dataset) · 32
5.2 모델 학습 연구 절차 · 33
5.3 데이터 전처리 · 34
5.3.1 정규화(Image Normalization) · 34
5.3.2 데이터 증강(Data Augmentation) · 35
Ⅳ. 연구 결과 · 36
1. 이물질 탐지 알고리즘 · 36
1.1 알고리즘 성능 평가 · 36
2. 질병 탐지 알고리즘 · 40
2.1 알고리즘 성능 평가 · 40
Ⅴ. 고 찰 · 44
Ⅵ. 결 론 · 47
참고문헌 · 49
ABSTRACT · 55