최근 인공지능 기술은 무언가를 인식하는 단계에서 인간과 상호작용하는 단계로 발전하고 있다. 대표적으로 헬스케어 분야에서 인공지능은 병변 진단에 필요한 데이터를 수집하고, 학습하여 의사의 진단을 도와주는 역할을 수행한다. 국외와 국내에서 다양한 병변의 진단에 도움을 주기위한 인공지능 기술이 연구 중이지만, ...
최근 인공지능 기술은 무언가를 인식하는 단계에서 인간과 상호작용하는 단계로 발전하고 있다. 대표적으로 헬스케어 분야에서 인공지능은 병변 진단에 필요한 데이터를 수집하고, 학습하여 의사의 진단을 도와주는 역할을 수행한다. 국외와 국내에서 다양한 병변의 진단에 도움을 주기위한 인공지능 기술이 연구 중이지만, 기흉과 폐렴의 진단을 위한 기술은 아직 부족하다. 본 논문에서는 흉부 방사선 영상에서 기흉과 폐렴의 진단을 도와주는 인공지능 딥러닝 알고리즘을 제안한다. 제안한 알고리즘은 기흉과 폐렴에 해당하는 흉부 방사선검사 영상을 학습한 데이터를 기반으로 입력 영상에서 특징을 추출하고, 기흉인지 폐렴인지 출력한다. 제안한 알고리즘은 16계층 합성곱 신경망으로, 합성곱 필터의 크기는 3x3, pooling 방법은 max pooling, 활성화 함수는 ReLU(Rectified Linear Unit), 최적화 함수는 Adam을 사용하였고, 가중치는 흉부 방사선검사 영상을 사전학습한 모델로 초기화하였다. 제안한 알고리즘의 평가를 위하여 AUC(Area Under the ROC curve)를 사용하였고 기존 알고리즘과 성능을 비교 분석하였다. 제안한 알고리즘은 기존 알고리즘보다 기흉 분류에 0.0858, 폐렴 분류에 0.2114만큼의 향상된 성능을 보였다.
최근 인공지능 기술은 무언가를 인식하는 단계에서 인간과 상호작용하는 단계로 발전하고 있다. 대표적으로 헬스케어 분야에서 인공지능은 병변 진단에 필요한 데이터를 수집하고, 학습하여 의사의 진단을 도와주는 역할을 수행한다. 국외와 국내에서 다양한 병변의 진단에 도움을 주기위한 인공지능 기술이 연구 중이지만, 기흉과 폐렴의 진단을 위한 기술은 아직 부족하다. 본 논문에서는 흉부 방사선 영상에서 기흉과 폐렴의 진단을 도와주는 인공지능 딥러닝 알고리즘을 제안한다. 제안한 알고리즘은 기흉과 폐렴에 해당하는 흉부 방사선검사 영상을 학습한 데이터를 기반으로 입력 영상에서 특징을 추출하고, 기흉인지 폐렴인지 출력한다. 제안한 알고리즘은 16계층 합성곱 신경망으로, 합성곱 필터의 크기는 3x3, pooling 방법은 max pooling, 활성화 함수는 ReLU(Rectified Linear Unit), 최적화 함수는 Adam을 사용하였고, 가중치는 흉부 방사선검사 영상을 사전학습한 모델로 초기화하였다. 제안한 알고리즘의 평가를 위하여 AUC(Area Under the ROC curve)를 사용하였고 기존 알고리즘과 성능을 비교 분석하였다. 제안한 알고리즘은 기존 알고리즘보다 기흉 분류에 0.0858, 폐렴 분류에 0.2114만큼의 향상된 성능을 보였다.
Recently, AI(Artificial Intelligence) technology has evolved from recognizing something to interacting with humans. In the field of healthcare, AI collects and learns the data for diagnosing the lesion and supports the doctor. In Korea and from outside, AI technology is being researched to help diag...
Recently, AI(Artificial Intelligence) technology has evolved from recognizing something to interacting with humans. In the field of healthcare, AI collects and learns the data for diagnosing the lesion and supports the doctor. In Korea and from outside, AI technology is being researched to help diagnose various lesions. However, technology for diagnosing pneumothorax and pneumonia are still scarce. In this paper, we propose an AI deep learning algorithm to help diagnose pneumothorax and pneumonia in chest X-ray images. The proposed algorithm extracts the features from input images based on data learned from chest X-ray images corresponding to pneumothorax and pneumonia and outputs whether they are pneumothorax and pneumonia. The proposed algorithm is a 16-layer convolutional neural network, the size of the convolution filter is 3x3, max pooling for pooling layer, ReLU(Rectified Linear Unit) for activation function, Adam for optimizer and use pre-trained weights through chest X-ray images for initializing the weights. We use AUC(Area Under the ROC curve) for the evaluation of the proposed algorithm and compare the performance with the existing algorithms. The proposed algorithm showed improved results, 0.0858 for pneumothorax and 0.2114 for pneumonia classification.
Recently, AI(Artificial Intelligence) technology has evolved from recognizing something to interacting with humans. In the field of healthcare, AI collects and learns the data for diagnosing the lesion and supports the doctor. In Korea and from outside, AI technology is being researched to help diagnose various lesions. However, technology for diagnosing pneumothorax and pneumonia are still scarce. In this paper, we propose an AI deep learning algorithm to help diagnose pneumothorax and pneumonia in chest X-ray images. The proposed algorithm extracts the features from input images based on data learned from chest X-ray images corresponding to pneumothorax and pneumonia and outputs whether they are pneumothorax and pneumonia. The proposed algorithm is a 16-layer convolutional neural network, the size of the convolution filter is 3x3, max pooling for pooling layer, ReLU(Rectified Linear Unit) for activation function, Adam for optimizer and use pre-trained weights through chest X-ray images for initializing the weights. We use AUC(Area Under the ROC curve) for the evaluation of the proposed algorithm and compare the performance with the existing algorithms. The proposed algorithm showed improved results, 0.0858 for pneumothorax and 0.2114 for pneumonia classification.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.