2000년대 이전 대한민국은 전립선암 안전지대였으나 식생활의 서구화, 업무 스타일의 변화 등으로 인해 발병률이 증가하여 2017년을 기준으로 발생자수가 12,792명, 암 상대빈도 10.5%로 더 이상 안전지대가 아니다. 이에 따라 정확한 진단과 적절한 치료가 필요하게 되었다. 본 연구는 4차 산업의 핵심 기술 중 하나인 인공지능을 이용하여 전립선암 병리 영상을 분류하는 연구를 목적으로 한다. 인공지능의 모델 전이학습을 사용하여 병리 영상 분류를 시도해보고, 효과적인 기술들을 특정하여본다. 그 후 해당 기술들을 응용한 새롭게 최적화한 모델을 설계하고 구현해본다. 본 연구 모델은 VGGNet과 ...
2000년대 이전 대한민국은 전립선암 안전지대였으나 식생활의 서구화, 업무 스타일의 변화 등으로 인해 발병률이 증가하여 2017년을 기준으로 발생자수가 12,792명, 암 상대빈도 10.5%로 더 이상 안전지대가 아니다. 이에 따라 정확한 진단과 적절한 치료가 필요하게 되었다. 본 연구는 4차 산업의 핵심 기술 중 하나인 인공지능을 이용하여 전립선암 병리 영상을 분류하는 연구를 목적으로 한다. 인공지능의 모델 전이학습을 사용하여 병리 영상 분류를 시도해보고, 효과적인 기술들을 특정하여본다. 그 후 해당 기술들을 응용한 새롭게 최적화한 모델을 설계하고 구현해본다. 본 연구 모델은 VGGNet과 DenseNet, Inception, Resnet의 일부 기술들인 Denseblock, Stem, Pre-activation, stack layer 등을 사용한 구조이며, 병리영상 분류는 이진(양성, 악성) 분류, 3단계(등급3~등급5)분류로 나누어 시도하였다. 최적화한 모델의 결과로는 이진 분류 정확도 93.88%, 3단계 분류 정확도 90.25%를 얻을 수 있었다.
2000년대 이전 대한민국은 전립선암 안전지대였으나 식생활의 서구화, 업무 스타일의 변화 등으로 인해 발병률이 증가하여 2017년을 기준으로 발생자수가 12,792명, 암 상대빈도 10.5%로 더 이상 안전지대가 아니다. 이에 따라 정확한 진단과 적절한 치료가 필요하게 되었다. 본 연구는 4차 산업의 핵심 기술 중 하나인 인공지능을 이용하여 전립선암 병리 영상을 분류하는 연구를 목적으로 한다. 인공지능의 모델 전이학습을 사용하여 병리 영상 분류를 시도해보고, 효과적인 기술들을 특정하여본다. 그 후 해당 기술들을 응용한 새롭게 최적화한 모델을 설계하고 구현해본다. 본 연구 모델은 VGGNet과 DenseNet, Inception, Resnet의 일부 기술들인 Denseblock, Stem, Pre-activation, stack layer 등을 사용한 구조이며, 병리영상 분류는 이진(양성, 악성) 분류, 3단계(등급3~등급5)분류로 나누어 시도하였다. 최적화한 모델의 결과로는 이진 분류 정확도 93.88%, 3단계 분류 정확도 90.25%를 얻을 수 있었다.
In the early 2000s, South Korea was a safe zone for prostate cancer, but the number of cases increased due to westernization of dietary pattern and changes in the work style, making it no longer a safe zone with 12,792 cases and 10.5% cancer relative frequency as of 2017. The purpose of this study i...
In the early 2000s, South Korea was a safe zone for prostate cancer, but the number of cases increased due to westernization of dietary pattern and changes in the work style, making it no longer a safe zone with 12,792 cases and 10.5% cancer relative frequency as of 2017. The purpose of this study is to perform the image classification of prostate cancer using artificial intelligence, which is one of the core technologies of the fourth industry. At the beginning of the classification process, the histopathology images were classified using transfer learning techniques of artificial intelligence, to identify the effective techniques of Deep Learning. Later, the design and implementation was carried out to build a newly optimized model by applying transfer learning and other robust techniques, respectively. Finally, this research model was designed by using Denseblock, Stem, Pre-activation, stack layer, etc., techniques of VGGNet, DenseNet, Inception, and Resnet. The binary (benign vs. malignant) and multi-class (grade 3, 4, and 5) classification was performed using newly build model and achieved promising accuracy of 93.88% and 90.25%, respectively.
In the early 2000s, South Korea was a safe zone for prostate cancer, but the number of cases increased due to westernization of dietary pattern and changes in the work style, making it no longer a safe zone with 12,792 cases and 10.5% cancer relative frequency as of 2017. The purpose of this study is to perform the image classification of prostate cancer using artificial intelligence, which is one of the core technologies of the fourth industry. At the beginning of the classification process, the histopathology images were classified using transfer learning techniques of artificial intelligence, to identify the effective techniques of Deep Learning. Later, the design and implementation was carried out to build a newly optimized model by applying transfer learning and other robust techniques, respectively. Finally, this research model was designed by using Denseblock, Stem, Pre-activation, stack layer, etc., techniques of VGGNet, DenseNet, Inception, and Resnet. The binary (benign vs. malignant) and multi-class (grade 3, 4, and 5) classification was performed using newly build model and achieved promising accuracy of 93.88% and 90.25%, respectively.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.