지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김재일.
- 발행연도
- 2021
- 저작권
- 경북대학교 논문은 저작권에 의해 보호받습니다.
이용수13
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
유방 초음파 진단은 유방암을 조기 진단하기 위한 효과적인 검사 방
법이다. 많은 연구가 진단능을 높이기 위해 컴퓨터 보조 진단에 딥러닝
을 활용하여 유방 초음파로부터 양, 악성을 구분하는 신경망을 제안하고
있다. 하지만, 유방 초음파 영상은 종양의 크기, 초음파 장비 등 다양한
요인에 의해 영상 간의 차이가 발생한다. 실제로 이러한 요인으로 인해
많은 딥러닝 기반 감별 진단 모델들이 훈련에 사용되지 않은 외부 병원
에서 수집한 데이터에 대해 본래의 기능을 발휘하지 못하고 있다. 딥러
닝 기반 감별 진단 모델이 실제 의료 현장에 적용되기 위해서는 이러한
요소들은 반드시 극복되어야 한다.
이를 위해 본 논문에서는 신경망이 초음파 영상 간의 차이를 인식하
고 보다 강건한 특징을 학습하도록 다양한 기법을 적용 및 실험하였다.
먼저, 다양한 종양의 크기에 대응하기 위해 합성곱 신경망의 수용 영역
을 늘려서 더 넓은 영역의 공간적 정보를 학습하게 하였다. 실험 결과
를 통해 신경망의 수용 영역을 넓힐수록 인식할 수 있는 종양의 크기가
증가함을 확인할 수 있었다. 가변 크기 필터를 사용한 모델은 종양의
크기에 맞는 적절한 수용 영역을 학습하여 종양의 크기와 관계없이 높
은 성능을 달성할 수 있었다. 또한, 데이터 증강 기법을 적용하여 신경
망이 여러 요인에서 발생하는 영상간의 차이를 학습하도록 하였다. 실험
결과에서 특정 기법에 대해 신경망의 일반화 성능이 향상하는 결과를
보여주었지만, 데이터 변환이 해당 데이터 셋에 종속적이라는 한계가 있
었다. 마지막으로 본 논문은 캡슐 네트워크를 기반으로 유방 종양 초음
파 감별 진단 모델을 제안한다. 제안된 모델은 다이내믹 라우팅 과정을
통해 기존 합성곱 신경망보다 강건한 특징을 학습할 수 있다. 이에 더
해 데이터 증강 기법을 적용하여 본 연구에서 가장 높은 일반화 성능을
달성할 수 있었다.
향후 연구에서는 감별 진단 모델의 신뢰도와 강건함에 관한 연구가
병행되어야 할 것이다. 딥러닝 기반 감별 진단 모델이 실제 의료 현장
에 활용될 수 있도록 신경망이 학습한 특징을 설명할 수 있도록 하여
모델의 신뢰도를 높일 방법에 관한 연구가 진행될 것이다.
법이다. 많은 연구가 진단능을 높이기 위해 컴퓨터 보조 진단에 딥러닝
을 활용하여 유방 초음파로부터 양, 악성을 구분하는 신경망을 제안하고
있다. 하지만, 유방 초음파 영상은 종양의 크기, 초음파 장비 등 다양한
요인에 의해 영상 간의 차이가 발생한다. 실제로 이러한 요인으로 인해
많은 딥러닝 기반 감별 진단 모델들이 훈련에 사용되지 않은 외부 병원
에서 수집한 데이터에 대해 본래의 기능을 발휘하지 못하고 있다. 딥러
닝 기반 감별 진단 모델이 실제 의료 현장에 적용되기 위해서는 이러한
요소들은 반드시 극복되어야 한다.
이를 위해 본 논문에서는 신경망이 초음파 영상 간의 차이를 인식하
고 보다 강건한 특징을 학습하도록 다양한 기법을 적용 및 실험하였다.
먼저, 다양한 종양의 크기에 대응하기 위해 합성곱 신경망의 수용 영역
을 늘려서 더 넓은 영역의 공간적 정보를 학습하게 하였다. 실험 결과
를 통해 신경망의 수용 영역을 넓힐수록 인식할 수 있는 종양의 크기가
증가함을 확인할 수 있었다. 가변 크기 필터를 사용한 모델은 종양의
크기에 맞는 적절한 수용 영역을 학습하여 종양의 크기와 관계없이 높
은 성능을 달성할 수 있었다. 또한, 데이터 증강 기법을 적용하여 신경
망이 여러 요인에서 발생하는 영상간의 차이를 학습하도록 하였다. 실험
결과에서 특정 기법에 대해 신경망의 일반화 성능이 향상하는 결과를
보여주었지만, 데이터 변환이 해당 데이터 셋에 종속적이라는 한계가 있
었다. 마지막으로 본 논문은 캡슐 네트워크를 기반으로 유방 종양 초음
파 감별 진단 모델을 제안한다. 제안된 모델은 다이내믹 라우팅 과정을
통해 기존 합성곱 신경망보다 강건한 특징을 학습할 수 있다. 이에 더
해 데이터 증강 기법을 적용하여 본 연구에서 가장 높은 일반화 성능을
달성할 수 있었다.
향후 연구에서는 감별 진단 모델의 신뢰도와 강건함에 관한 연구가
병행되어야 할 것이다. 딥러닝 기반 감별 진단 모델이 실제 의료 현장
에 활용될 수 있도록 신경망이 학습한 특징을 설명할 수 있도록 하여
모델의 신뢰도를 높일 방법에 관한 연구가 진행될 것이다.
목차
I. Introduction 1II. Data sets 3III.A study on the effect of the receptive field 53.1 Related work: the receptive field 53.2 Flexible convolution filter 63.3 Each network with different receptive fields 73.4 Comparison of effectiveness in the receptive field 10IV. A study on data augmentation methods 144.1 Related work: data augmentation in deep learning 144.2 Ablation study on geometric transforms 154.3 Ablation study on photometric transform 204.4 Comparison of augmentation techniques 26V. A study on capsule network for generability 285.1 Limitation of convolutional neural network 285.2 Related work: dynamic routing with capsule 295.3 Architecture based on dynamic routing 315.4 Experimental results 32VI. Conclusion 34References 36
최근 본 자료
댓글(0)
0