소아 흉부 엑스레이에서의 약지도학습 기반 폐렴 위치 판별 방법
Weakly-supervised Pneumonia Localization on Pediatric Chest X-ray Image
- 주제어 (키워드) weakly-supervised learning , Transfer Learning , Pneumonia classification , ResNet50 , VGG16 , Grad-CAM
- 발행기관 서강대학교 정보통신대학원
- 지도교수 최준석
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제URI http://www.dcollection.net/handler/sogang/000000077065
- UCI I804:11029-000000077065
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
소아 질환의 조기 발견은 치료 및 예후에 매우 중요한 역할을 수행하며, X-ray 이미지는 진단에 유용한 비침습적인 검사 도구로 널리 사용된다. 그러나 소아의 경우 성인과 달리 X-ray 촬영부터 판독 방법에 차이가 있고, 장기들이 미성숙하여 방사선 노출에 민감함으로 반복된 재촬영 및 판독 오진이 없도록 유의해야 한다. 본 논문에서는 의료 데이터와 해당 정보가 제한적임을 고려하여 weakly-supervised learning을 바탕으로 전이학습 기반의 X-ray 이미지 분류 딥러닝 알고리즘을 제안한다. 이를 위해, Mendeley Data에서 제공되는 소아 흉부 X-ray 이미지 데이터를 이용하여 resize, rotation, horizontal flip, random brightness, CLAHE를 통해 학습데이터 셋을 구축하였다. 분류 방법은 ImageNet기반 사전학습 모델을 VGG16과 ResNet50 전이학습하여 소아 폐렴의 질병을 분류하였다. 또한, Grad-CAM을 통해 분류 모델이 도출한 결과를 시각화하여 해석하고 분류 성능 평가 지표를 통해 모델의 신뢰성을 검증하였다. 또한, VinDr-PCXR에서 제공하는 소아 흉부 x-ray와 어노테이션 정보를 통해 개발한 분류 모델의 폐렴 탐지 성능을 IoU 지표를 통해 실험 결과, 본 연구에서 제안한 모델 중 VGG16이 가장 성능이 높았으며, 정밀도 99.64%, 재현율 96.84%, F1-score 98.22%, 정확도 97.04%의 성능을 보였으며, ResNet50 모델 대비 정확도가 약 3% 높은 것을 확인할 수 있었다. IoU의 경우 폐렴 탐지가 우수할 경우 60% 이상인 것을 확인하였다.
more초록
Early detection of pediatric diseases plays a crucial role in treatment and prognosis, and X-ray images are widely used as non-invasive diagnostic tools. However, in the case of children, there are differences in both the imaging process and interpretation methods compared to adults. Due to the immaturity of organs, children are more sensitive to radiation exposure, requiring caution to avoid repeated re-imaging and misinterpretation. This paper proposes a deep learning algorithm for X-ray image classification based on transfer learning using weakly-supervised learning, considering the limited availability of medical data and associated information. To achieve this, a training dataset was constructed using pediatric chest X-ray images from Mendeley Data, incorporating resizing, rotation, horizontal flip, random brightness, and CLAHE. The classification method involved transfer learning of pre-trained models, VGG16 and ResNet50, on ImageNet, for classifying pediatric pneumonia. Additionally, visualization of results using Grad-CAM was employed for interpretation, and the model's reliability was validated through classification performance metrics. Furthermore, the pneumonia detection performance of the developed classification model was assessed using IoU metrics on pediatric chest X-ray and annotation information from VinDr-PCXR. Experimental results showed that among the proposed models, VGG16 exhibited the highest performance, with precision at 99.64%, recall at 96.84%, F1-score at 96.26%, and accuracy at 93.87%. The accuracy of VGG16 was approximately 3% higher than that of the ResNet50 model. Regarding IoU, it was confirmed that pneumonia detection exceeded 60% in cases of superior performance.
more목차
제 1 장 서론 1
제 1 절 연구 배경 및 필요성 1
제 2 절 연구 목적 2
제 3 절 논문 구성 3
제 2 장 관련 연구 4
제 1 절 데이터 증강 기법 4
제 2 절 전이학습 기반 이미지 분류 기술 7
제 3 절 Grad-CAM을 통한 이미지 분류 결과 해석 9
제 3 장 제안 모델 10
제 1 절 데이터 전처리 및 증강기법 11
제 2 절 전이학습 기반 분류 모델 13
제 4 장 연구 결과 및 성능 평가 17
제 1 절 실험 환경 17
(1) 실험 환경 17
(2) 실험 데이터 18
제 2 절 평가 지표 20
제 3 절 이미지 분류 결과 평가 21
제 4 절 Grad-CAM을 통한 폐렴 분류 해석 24
제 5 절 폐렴 위치 판별 성능 평가 26
제 5 장 결론 28
참고문헌 30
