의료영상으로 생성된 데이터의 양은 전문적인 시각적 분석 한계를 점점 초과하여, 자동화된 의료영상 분석의 필요성이 증가되고 있는 실정이다. 이러한 이유 등으로 인하여 본 논문에서는 정상소견과 종양소견을 보이는 각각의 뇌 실질 MRI 의료영상을 이용하여 Inception V3 딥러닝 모델을 이용한 종양 유무에 따른 분류 및 정확도를 평가하였다. 연구 결과, 딥러닝 모델의 정확도 평가는 학습 데이터 세트의 경우 90%, 검증 데이터 세트의 경우 86%의 정확도를 나타내었다. 손실률 평가에서는 학습 데이터 세트의 경우 0.56, 검증 데이터 세트의 경우 1.28의 손실률을 나타내었다. 향 후 연구에서는 딥러닝 모델의 성능 향상 및 평가의 신뢰성 확보를 위하여 공개된 의료영상의 데이터를 충분히 확보하고, 라벨링 분류 작업을 통한 라벨링의 정확도를 개선하여 모델링을 구현해 볼 필요가 있다고 사료된다.
의료영상으로 생성된 데이터의 양은 전문적인 시각적 분석 한계를 점점 초과하여, 자동화된 의료영상 분석의 필요성이 증가되고 있는 실정이다. 이러한 이유 등으로 인하여 본 논문에서는 정상소견과 종양소견을 보이는 각각의 뇌 실질 MRI 의료영상을 이용하여 Inception V3 딥러닝 모델을 이용한 종양 유무에 따른 분류 및 정확도를 평가하였다. 연구 결과, 딥러닝 모델의 정확도 평가는 학습 데이터 세트의 경우 90%, 검증 데이터 세트의 경우 86%의 정확도를 나타내었다. 손실률 평가에서는 학습 데이터 세트의 경우 0.56, 검증 데이터 세트의 경우 1.28의 손실률을 나타내었다. 향 후 연구에서는 딥러닝 모델의 성능 향상 및 평가의 신뢰성 확보를 위하여 공개된 의료영상의 데이터를 충분히 확보하고, 라벨링 분류 작업을 통한 라벨링의 정확도를 개선하여 모델링을 구현해 볼 필요가 있다고 사료된다.
The amount of data generated from medical images is increasingly exceeding the limits of professional visual analysis, and the need for automated medical image analysis is increasing. For this reason, this study evaluated the classification and accuracy according to the presence or absence of tumor ...
The amount of data generated from medical images is increasingly exceeding the limits of professional visual analysis, and the need for automated medical image analysis is increasing. For this reason, this study evaluated the classification and accuracy according to the presence or absence of tumor using Inception V3 deep learning model, using MRI medical images showing normal and tumor findings. As a result, the accuracy of the deep learning model was 90% for the training data set and 86% for the validation data set. The loss rate was 0.56 for the training data set and 1.28 for the validation data set. In future studies, it is necessary to secure the data of publicly available medical images to improve the performance of the deep learning model and to ensure the reliability of the evaluation, and to implement modeling by improving the accuracy of labeling through labeling classification.
The amount of data generated from medical images is increasingly exceeding the limits of professional visual analysis, and the need for automated medical image analysis is increasing. For this reason, this study evaluated the classification and accuracy according to the presence or absence of tumor using Inception V3 deep learning model, using MRI medical images showing normal and tumor findings. As a result, the accuracy of the deep learning model was 90% for the training data set and 86% for the validation data set. The loss rate was 0.56 for the training data set and 1.28 for the validation data set. In future studies, it is necessary to secure the data of publicly available medical images to improve the performance of the deep learning model and to ensure the reliability of the evaluation, and to implement modeling by improving the accuracy of labeling through labeling classification.
그러나 이에 대한 체계적인 분석이나 가이드 없이 복잡한 모델들이 계속 제시되고 있다[7-8]. 본 논문에서는 정상소견과 종양소견을 보이는 각각의 뇌 실질 MRI 의료영상 데이터 세트를 이용하여 Inception V3 딥러닝 모델과 케라스(keras) 라이브러리(Library)를 이용한 종양 유무에 따른 분류 및 정확도를 평가하고자 하며, 향후 유사연구 시 기초자료로 제시하고자 한다.
가설 설정
복셀 단위의 뇌영상 분석에서 뇌 조직의 구조적인 모양과 배치를 기준으로 각 복셀 별 해부학적 위치를 같게 만드는 과정을 공간 정규화라고 한다. 복셀 단위의 뇌 영상 연구에서 가장 기본이 되는 가정은 비교하고자 하는 복셀 위치가 개인별 뇌 영상들에서 같아야 한다는 점이다. 그리고 뇌 이외의 부분은 진단에 필요 없는 부분이므로 crop하여 제거한 후, 픽셀 사이즈 100×100 크기의 이미지를 만든다.
제안 방법
의료영상 데이터는 용량은 크지만, 데이터 수는 한정적이라 수집에 어려움이 있어 이를 분류하는 딥러닝 모델이 항상 좋은 결과를 내는 것에는 어려움이 따른다[8]. 성능평가의 정확성을 높이기 위한 방안으로 모델의 과적합을 해결하기 위해 데이터 개수를 늘리는 정규화(regularization) 기법 중 가장 쉽고 효과가 좋은 데이터 확대 기법[10]을 사용하였으며, 데이터 확대 기법 중 crop을 사용하여 뇌 실질 MRI 의료영상의 데이터를 확보하여 훈련, 검증, 테스트 데이터 세트로 분류하여 실험을 진행하였다.
대상 데이터
Kaggle에서 딥러닝 연구자들을 위해 무료로 제공하는 Brain MRI 의료영상 데이터 세트(https://www.kaggle.com/navoneel/brain-mri-images][9]를 연구에 이용하였다. 데이터 세트(dataset)에는 정상소견의 뇌실질 MRI 의료영상 98개, 종양 소견의 뇌실질 MRI 의료영상 155개, 전체 253개의 jpeg 파일로 제공된다.
데이터처리
Inception V3를 이용한 모델 성능평가는 뇌 종양 유무에 따른 뇌 실질 MRI 데이터의 실제값에 대한 예측값의 정확도 평가와 epoch에 따른 실제값에 대한 예측값의 손실률 평가를 이용하여 평가하였다.
성능/효과
그림 6은 훈련 데이터 세트와 검정 데이터 세트의 딥러닝 모델링의 손실률을 나타낸 그림이다. 딥러닝 모델링의 손실률 평가는 훈련 데이터 세트의 경우 0.5638, 검증 데이터 세트의 경우 1.2766의 손실률을 나타내었다.
본 논문에서는 Inception V3 아키텍쳐를 이용하여 뇌실질 MRI 의료영상의 딥러닝 학습을 통한 뇌실질 내 종양 유무의 정확성을 평가하였다. 딥러닝 모델의 정확도 평가에서는 딥러닝 모델의 정확도 평가는 훈련 데이터 세트의 경우 90%, 검증 데이터 세트의 경우 86%의 정확도를 나타내었다. 딥러닝 모델링의 손실률평가는 훈련 데이터 세트의 경우 0.
후속연구
향 후 연구에서는 딥러닝 모델의 성능향상 및 평가의 신뢰성 확보를 위하여 공개된 의료영상의 데이터를 충분히 확보하고, 라벨링 분류 작업을 통한 라벨링의 정확도를 개선하여모델링을 구현해 볼 필요가 있다고 사료된다. 본 연구의 결과는 향후 본 연구와 유사한 기초 연구 시, 연구방법 및 성능평가에 있어 기초연구자료로 제시하고자 한다.
이러한 이유로 데이터 세트의 충분한 확보에 어려움이 있으며, 라벨링 과정에서의 부정확성이 딥러닝 모델링의 정확도 및 손실률평가에 영향을 미쳤다고 판단된다. 향 후 연구에서는 딥러닝 모델의 성능향상 및 평가의 신뢰성 확보를 위하여 공개된 의료영상의 데이터를 충분히 확보하고, 라벨링 분류 작업을 통한 라벨링의 정확도를 개선하여모델링을 구현해 볼 필요가 있다고 사료된다. 본 연구의 결과는 향후 본 연구와 유사한 기초 연구 시, 연구방법 및 성능평가에 있어 기초연구자료로 제시하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
Inception V3 아키텍쳐를 이용하여 뇌실질 MRI 의료영상의 딥러닝 학습을 통한 뇌실질 내 종양 유무의 정확성을 평가한 결과는 어떠한가?
본 논문에서는 Inception V3 아키텍쳐를 이용하여 뇌실질 MRI 의료영상의 딥러닝 학습을 통한 뇌실질 내 종양 유무의 정확성을 평가하였다. 딥러닝 모델의 정확도 평가에서는 딥러닝 모델의 정확도 평가는 훈련 데이터 세트의 경우 90%, 검증 데이터 세트의 경우 86%의 정확도를 나타내었다. 딥러닝 모델링의 손실률평가는 훈련 데이터 세트의 경우 0.5638, 검증 데이터 세트의 경우 1.2766의 손실률을 나타내었다. 이러한 결과는 의료영상이 가지는 한계를 나타낸 결과라고 판단된다.
의료영상의 장점은 무엇인가?
인간의 모든 생체 기능을 총괄하고 있는 뇌의 구조 및 역할에 대한 의학적 연구는 이미 상당부분 이어져 있으며, 또한 각종 뇌 질환의 발견 및 치유를 위한 의료기술 및 의료영상은 지속적으로 축척 되어 이미 많은 양의 데이터가 있다[1-2]. 최근의 의료영상은 빠른 시간 내에, 저비용으로 얻을 수 있다는 장점이 있으며[2], 의료영상으로 생성된 데이터의 양은 전문적인 시각적 분석 한계를 점점 초과하여 자동화된 의료영상분석의 필요성이 증가되고 있는 실정이다. 이러한 이유 등으로 인하여 인공지능의 도입이 가장 활발한 분야가 의료와 헬스케어 영역으로서 의료영상이나 생체신호를 기반으로 한 질병의 진단에 인공지능 기술의 개발과 도입이 가속화되고 있으며[3], 최근의 딥러닝(Deep-learning) 기술은 다양한 분야에 적용되어 사람들의 예상을 뛰어넘는 결과를 내고 있다[4].
의료계에서 인공지능의 필요성이 높아지는 이유는 무엇인가?
이러한 이유 등으로 인하여 인공지능의 도입이 가장 활발한 분야가 의료와 헬스케어 영역으로서 의료영상이나 생체신호를 기반으로 한 질병의 진단에 인공지능 기술의 개발과 도입이 가속화되고 있으며[3], 최근의 딥러닝(Deep-learning) 기술은 다양한 분야에 적용되어 사람들의 예상을 뛰어넘는 결과를 내고 있다[4]. 진단을 위한 의료영상이나 생체신호의 양이 폭발적으로 늘고 있는데 반해, 장기간의 훈련과 임상 경험이 필요한 의료진에 대한 현재의 육성 체계에서는 이러한 수요를 모두 감당할 수 없으며, 의료진 사이의 수련과 임상 경험에 따른 진단 결과의 불 일관성(Inconsistency)이 높다는 점은, 인공지능의 일관성, 확산성, 그리고 정확성과 대비되어 의료 현장 도입에 대한 필요성을 갈수록 높이고 있다[3]. 특히, 이미지 영역을 분류하기 위한 정확하고 신뢰할 수 있는 분할 방법 (이미지 영역 분류)은 이미지에서 정보를 추출하기 위한 핵심 요구 사항으로[5], 딥러닝을 이용한 연구들이 제안되었다.
참고문헌 (14)
Sin hong Kim, "Brain MRI semi-automatic segmentation algorithm for medical image contents," The Korea Contents Society, vol. 5, no. 3, pp. 45-51, Jun, 2005.
Da him Choi, Seongeun Hong, "Medical Image based Cancer Prognosis Prediction AI Technology : Mainly on lung cancer,"The Journal of The Korean institute of Communication Sciences, vol. 36, no. 4, pp. 10-18, April, 2019.
Gyuhwan Jung, "Current Address and Future Prospects of Artificial Intelligence Technology," Korea Internet Self-governance Organization, vol. 33, pp. 11-15, December, 2018.
Yeong mo Kim , Jung Woo Lee, "Diagnosis of brain tumor with deep learning,"Proceedings of Symposium of the Korean Institute of communications and Information Sciences, vol 144, No. 3, pp. 1156-1157, July, 2018.
Rolf A. Heckemann, Joseph V. Hajnal, Paul Aljabar,"Automatic anatomical brain MRI segmentation combining label,"NeuroImage, vol. 33, pp. 115-126, 2006.
Mingyeong Joen, Hyeonseok Lee1, Sungchan Kim "Empirical analysis of the relation between the complexity and accuracy of CNN models for the diagnosis of Alzheimer disease based on MRI," The Korean Institute of Information Scientists and Engineers, pp. 902-904, July, 2018.
Alzheimer's Disease International (ADI), "The benefits of early diagnosis and intervention", Alzheimer Disease International. World Alzheimer Report 2011, 2011.
M. Liu, D. Zhang, E. Adeli-Mosabbeb, and D.Shen, "Inherent structure based multi-view learning with multitemplate feature representation for Alzheimer's disease diagnosis", IEEE Transactions on Biomedical Engineering, vol. 63, No. 7, pp. 1473-148, 2015.
Karen Simonyan, Andrew Zisserman,"Very Deep Convolutional Networks for Large-Scale Image Recognition", arXiv preprint arXiv, pp. 1409-1556, 2014.
J.Y. Kim, S.J. Ko "Comparison of DICOM images and various types of images", The Journal of Korea Institute of Signal Processing and Systems, vol. 18, No. 2, pp. 76-83, 2017.
J M. Havaei et al., "Brain Tumor Segmentation with Deep Neural Networks," Medical Image Analysis, Vol. 35, pp. 18-31, 2017.
S. Rathore, M. Habes, MA. Iftikhar, "A review on neuroimaging-based classification studies and associated feature extraction methods for Alzheimer's disease and its prodromal stages. NeuroImage. vol. 155, pp. 530-548, 2017.
Gyeong u Kim, Jin kuk Kim, "Technical Trends of Medical Image Diagnostic Equipment," The Korean Information Display Society, vol. 19, No. 4, pp. 18-23.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.