반려동물 흉부 영상데이터를 이용한 질병 진단
Disease diagnosis using companion animal chest image data
- 발행기관 서강대학교 일반대학원
- 지도교수 박운상
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000076335
- UCI I804:11029-000000076335
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
세계적으로 반려동물 인구는 지속적으로 증가하는 중이다. 예를 들어, 미국에서는 2020년 약 9,900만 가구가 반려동물을 둔 가구였으며, 이는 1988년에 비해 3배이상 증가한 수치이다. 인구수에 비례하여 반려동물 의료 비용이 증가하고 있다. 2019년에는 반려동물 관련 의료 지출이 36억 달러를 기록하였으며, 이는 2014년 대비 58% 상승한 수치입니다. 수요는 증가하고 있지만 반려동물에 대한 연구는 미비하다. 또한 인공지능 기술 또한 빠른 속도로 발전을 하고 있어 많은 양의 데이터로 인한 학습을 통해 좋은 결과를 보여주고 있다. 이로 인해 다양한 분야에서 인공지능이 적용되고 있다. 따라서 본 논문에서는 반려동물 흉부 영상 데이터에 대한 연구를 제시한다. 흉부 영상 데이터로 심비대,기관허탈, 종격동변위, 흉강종양, 기흉, 횡경막탈장, 자세이상 등의 질병을 검사한다. 각 상태에 의료 데이터 특성상 클래스 불균형이 있기 때문에 데이터 증강과 언더 샘플링을 통해서 데이터의 균형을 맞추어 학습을 진행했다. Resnet과 Densenet을 통해 결과를 도출하고 각각의 나온 결과를 통해서 모델의 가중치를 설정하여 특징 융합을 진행했다. 이를 통해 본 연구에서는 Resnet과 Densenet의 성능을 분석하며 두가지 모델을 통해 모델의 가중치를 설정하여 특징 융합을 통해서 좀 더 좋은 성능의 아키텍처를 제시했다.
more초록 (요약문)
Worldwide, the companion animal population is continuously increasing. In the United States, for example, about 99 million households had a pet in 2020, more than a three-fold increase compared to 1988. Companion animal medical costs are increasing in proportion to the population. In 2019, pet-related healthcare spending hit $3.6 billion, up 58% from 2014. Demand is increasing, but research on companion animals is insufficient. In addition, artificial intelligence technology is also developing at a rapid pace, showing good results through learning from a large amount of data. As a result, artificial intelligence is being applied in various fields. Therefore, this paper presents a study on companion animal chest image data. Diseases such as cardiac hypertrophy, tracheal collapse, mediastinal displacement, thoracic tumor, pneumothorax, diaphragmatic hernia, and posture abnormality are examined with chest image data. Since each state has class imbalance due to the nature of medical data, learning was conducted by balancing the data through data augmentation and undersampling. Results were derived through Resnet and Densenet, and feature fusion was performed by setting the weights of the model through each result. Through this, this study analyzed the performance of Resnet and Densenet, set the weights of the model through the two models, and presented an architecture with better performance through feature fusion.
more