본 논문에서는 신경회로망을 이용한 의료영상의 질환부위 인식방법을 제안하였다. 질환부위 인식을 위한 신경회로망은 입력층, 은닉층, 출력층으로 구성하여 적응 오차 역전파 알고리즘으로 학습하였다. 신경회로망에 입력된 의료영상의 특징 파라미터는 웨이브릿 변환에 의하여 분해된 저주파 영역을 행렬식으로 표현하여 특성 다항식의 계수값(n+1)개로 하였다. 추출된 특징 파라미터는 탄젠트시그모이드 전달함수의 범위로 정규화하여 신경회로망의 입력 벡터로 이용하였다. 제안된 방법의 타당성을 입증하기 위해서 실험에 사용된 입력 의료영상을 가지고 모사실험을 통해 질환부위의 인식률을 평가하였다. 실험 결과 4레벨 DWT로 변환된 저주파영역 행렬의 특성 다항식 계수를 탄젠트시그모이드 전달함수의 범위로 정규화하여 신경회로망의 입력 벡터로 이용했을 때 최적의 학습 횟수를 보였다. 신경회로망의 학습은 적응 오차 역전파 알고리즘을 사용하였고, 학습계수를 0.01, 모우멘텀을 0.95로 하였을 때, 위영상에 대해서는 55회, 가슴영상은 55회, CT영상은 46회, 초음파영상은 55회 그리고 혈관영상에 대해서는 157회 등의 최적의 학습 횟수를 보이며 100%의 인식률을 보였다.
본 논문에서는 신경회로망을 이용한 의료영상의 질환부위 인식방법을 제안하였다. 질환부위 인식을 위한 신경회로망은 입력층, 은닉층, 출력층으로 구성하여 적응 오차 역전파 알고리즘으로 학습하였다. 신경회로망에 입력된 의료영상의 특징 파라미터는 웨이브릿 변환에 의하여 분해된 저주파 영역을 행렬식으로 표현하여 특성 다항식의 계수값(n+1)개로 하였다. 추출된 특징 파라미터는 탄젠트시그모이드 전달함수의 범위로 정규화하여 신경회로망의 입력 벡터로 이용하였다. 제안된 방법의 타당성을 입증하기 위해서 실험에 사용된 입력 의료영상을 가지고 모사실험을 통해 질환부위의 인식률을 평가하였다. 실험 결과 4레벨 DWT로 변환된 저주파영역 행렬의 특성 다항식 계수를 탄젠트시그모이드 전달함수의 범위로 정규화하여 신경회로망의 입력 벡터로 이용했을 때 최적의 학습 횟수를 보였다. 신경회로망의 학습은 적응 오차 역전파 알고리즘을 사용하였고, 학습계수를 0.01, 모우멘텀을 0.95로 하였을 때, 위영상에 대해서는 55회, 가슴영상은 55회, CT영상은 46회, 초음파영상은 55회 그리고 혈관영상에 대해서는 157회 등의 최적의 학습 횟수를 보이며 100%의 인식률을 보였다.
In this paper has proposed to the recognition of the disease on medical images using neural network. The neural network is constructed as three-layers of the input-layer, the hidden-layer and the output-layer. The training method applied for the recognition of disease region is adaptive error back-p...
In this paper has proposed to the recognition of the disease on medical images using neural network. The neural network is constructed as three-layers of the input-layer, the hidden-layer and the output-layer. The training method applied for the recognition of disease region is adaptive error back-propagation. The low-frequency region analyzed by DWT are expressed by matrix. The coefficient-values of the characteristic polynomial applied are n+1. The normalized maximum value +1 and minimum value -1 in the range of tangent-sigmoid transfer function are applied to be use as the input vector of the neural network. To prove the validity of the proposed methods used in the experiment with a simulation experiment, the input medical image recognition rate the evaluation of areas of disease. As a result of the experiment, the characteristic polynomial coefficient of low-frequency area matrix, conversed to 4 level DWT, was proved to be optimum to be applied to the feature parameter. As for the number of training, it was marked fewest in 0.01 of learning coefficient and 0.95 of momentum, when the adaptive error back-propagation was learned by inputting standardized feature parameter into organized neural network. As to the training result when the learning coefficient was 0.01, and momentum was 0.95, it was 100% recognized in fifty-five times of the stomach image, fifty-five times of the chest image, forty-six times of the CT image, fifty-five times of ultrasonogram, and one hundred fifty-seven times of angiogram.
In this paper has proposed to the recognition of the disease on medical images using neural network. The neural network is constructed as three-layers of the input-layer, the hidden-layer and the output-layer. The training method applied for the recognition of disease region is adaptive error back-propagation. The low-frequency region analyzed by DWT are expressed by matrix. The coefficient-values of the characteristic polynomial applied are n+1. The normalized maximum value +1 and minimum value -1 in the range of tangent-sigmoid transfer function are applied to be use as the input vector of the neural network. To prove the validity of the proposed methods used in the experiment with a simulation experiment, the input medical image recognition rate the evaluation of areas of disease. As a result of the experiment, the characteristic polynomial coefficient of low-frequency area matrix, conversed to 4 level DWT, was proved to be optimum to be applied to the feature parameter. As for the number of training, it was marked fewest in 0.01 of learning coefficient and 0.95 of momentum, when the adaptive error back-propagation was learned by inputting standardized feature parameter into organized neural network. As to the training result when the learning coefficient was 0.01, and momentum was 0.95, it was 100% recognized in fifty-five times of the stomach image, fifty-five times of the chest image, forty-six times of the CT image, fifty-five times of ultrasonogram, and one hundred fifty-seven times of angiogram.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
의료영상이 디지털영상으로 바뀌면서 종래에는 할 수 없었던 영상의 화질개선, 기하학적인 변환, 영상의 특징 부각, 영상 압축과 복원을 자유롭게 할 수 있게 되었고 최근에는 영상인식 알고리즘을 통한 CAD(Computed Aided Diagnosis)에 관한 관심과 연구가 활발하게 이루어지고 있다. 본 논문에서는 신경회로망의 학습에 의해 의료영상의 질환부위를 인식 방법을 제안하고자 한다.
본 논문에서는 의료영상의 질환여부를 인식하는 방법을 제안하였다. 제안된 방법의 타당성을 검증하기 위해서 위영상, 가슴영상, 초음파영상, CT영상, 혈관조영상을 512×512×28 의 영상크기로 영상처리시스템에 입력하여 모사실험 한 결과 다음과 같은 결론을 얻었다.
제안 방법
그러나, 특징 파라미터를 추출한 후 신경회로망을 이용하는 두 번째 방법은 소수의 입력 벡터를 사용하기 때문에 유니트 수와 연결선 수를 줄일 수 있어서 신경회로망 구현이 간단하므로 현재 대부분의 신경회로망을 이용한 패턴 인식 시스템에서 이 방법을 사용하고 있다. 본 연구에서는 입력층, 은닉층, 출력층으로 구성된 신경회로망을 그림 3과 같은 구조로 구성하여 적응 오류 역전파 학습 알고리즘에 의하여 학습한다.
제안된 방법의 타당성을 검증하기 위해서 위영상, 가슴영상, 초음파영상, CT영상, 혈관조영상을 512×512×28 의 영상크기로 영상처리시스템에 입력하여 모사실험 한 결과 다음과 같은 결론을 얻었다.
3. 4레벨 DWT한 후 저주파영역의 32×32 계수 행렬에서 특성 다 항식의 계수값 33 개를 신경회로망의 입력 벡터로 이용하기 위해서 탄젠트시그모이드 전달함수의 범위인 최대값 +1, 최저값 -1로 정규화시켰다.
본 연구에서 제안한 방법의 타당성을 검토하기 위하여 그림 4의 실험영상에서 제시한 위영상, 가슴영상, CT영상, 초음파영상, 혈관 조영상을 [512×512×28] 해상도로 Matlab toolbox와 C 프로그램을 하여 그림 5의 실험 흐름도와 같은 순서로 실험하였다.
이론/모형
표 1은 매트랩(Matlab)에 의한 DWT 알고리즘을 나타내었으며, 표 1의 알고리즘에 의해 웨이브릿 분해를 한 후 각 레벨(Level)별 특징 파라미터를 분석하여 최적의 값을 찾아 낸다.
성능/효과
5. 최적 학습계수를 0.01로, 모우멘텀을 0.95로 하였을 때, 위영상에 대해서는 55회, 가슴영상은 55회, CT 영상은 46회, 초음파영상은 55회 그리고 혈관영상에 대해 서는 157회 등의 최적의 학습 횟수를 보이며 100%의 인식률을 보였다.
신경회로망을 이용하여 패턴 인식을 할 경우 다른 패턴 인식 방법에 비해 다음과 같은 장점이 있다. 첫째, 구조적으로 병렬성을 내재하고 있기 때문에 신경회로망의 병렬처리 능력을 이용하여 신속한 처리가 가능하다. 둘째, 입력하는 패턴이 미리 학습된 패턴에 비해 약간 손상된 형태일지라도 잘 인식해 낼 수 있는 결함 허용 능력을 가지고 있다.
첫째, 구조적으로 병렬성을 내재하고 있기 때문에 신경회로망의 병렬처리 능력을 이용하여 신속한 처리가 가능하다. 둘째, 입력하는 패턴이 미리 학습된 패턴에 비해 약간 손상된 형태일지라도 잘 인식해 낼 수 있는 결함 허용 능력을 가지고 있다. 셋째, 학습되지 않은 새로운 입력 패턴에 대해서도 가장 유사한 부류의 패턴을 찾아낼 수 있는 적응능력이 있다.
둘째, 입력하는 패턴이 미리 학습된 패턴에 비해 약간 손상된 형태일지라도 잘 인식해 낼 수 있는 결함 허용 능력을 가지고 있다. 셋째, 학습되지 않은 새로운 입력 패턴에 대해서도 가장 유사한 부류의 패턴을 찾아낼 수 있는 적응능력이 있다.
1. DWT 변환 후 저주파영역을 특성 다항식으로 표현하고 계수값을 특징 파라미터 로 추출할 경우 적은 수의 파라미터로 영상의 특징을 추출할 수 있었다.
2. 실험 결과 4레벨 DWT 변환된 저주파영역의 계수 행렬로부터 특징 파라미터를 추출하였을 때, 인식을 위한 최적의 특징 파라미터가 됨을 알 수 있었다.
4. 신경회로망의 구성은 입력층, 은닉층, 출력층의 3층으로 하였고, 적응 오차 역전파 알고리즘에 33개의 입력 벡터를 이용하여 학습계수를 0.01, 모우멘텀을 0.95로 하였을 때, 최적임을 알 수 있었다.
질의응답
핵심어
질문
논문에서 추출한 답변
디지털 의료영상은 무엇으로 생성되는가?
과학기술의 발달로 최근의 의료영상은 빠르게 디지털영상으로 바뀌고 있다. 병원의 영상의학과에서 생성되는 의료영상은 DR(Digital Radiography), CR(Computed Radiography)장비들에 의하여 디지털 영상으로 바뀌고 있으며, CT(Computed Tomograph-y), PET(Positron Emission Tomography), SPECT(Sing-le Positron Emission Computed Tomography), Ultras-onography장비들을 통하여 디지털 의료영상을 생성하고 있다. 이렇게 생성된 디지털 의료영상은 컴퓨터에 저장되어 관리되고 있다.
웨이브릿 변환의 스케일 값으로 무엇이 주로 사용되는가?
웨이브릿 변환에서는 확장된 신호의 주파수를 언급하는 것보다 몇 배로 확장했는가 하는 확장인자를 언급하며 이 인자를 스케일(Scale)이라 부른다. 이때, 스케일의 값으로는 2j의 배수가 주로 사용된다[7]. 스케일이 증가할수록 주어진 스케일에서 웨이브릿 변환 신호의 공간 해상도는 떨어지고 낮은 주파수 대역 성분을 나타내게 된다[7].
의료 정보시스템을 분류하면 무엇으로 나눌 수 있는가?
현재 사용 중인 의료 정보시스템을 크게 분류하면, 환자와 관련된 정보를 관리하는 HIS(Hospital -Information System)와 방사선과에서 취급하고 있는 의료영상들을 관리하는 RIS(Radiology Information -System), 그리고 의료영상 데이터를 수집하고 저장하여 전송하는 PACS(Picture Achieving & Communi-cation System) 등으로 나눌 수 있다[1].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.