[논문]컨볼루션 뉴럴 네트워크 기반의 딥러닝을 이용한 흉부 X-ray 영상의 분류 및 정확도 평가

송호준; 이은별; 조흥준; 박세영; 김소영; 김현정; 홍주완

doi:10.7742/jksr.2019.14.1.39

초록
AI-Helper

본 연구에서는 CNN과 빅데이터 기술을 이용한 Deep Learning을 통해 흉부 X-ray 영상 분류 및 정확성 연구에 대하여 알아보고자 한다. 총 5,873장의 흉부 X-ray 영상에서 Normal 1,583장, Pneumonia 4,289장을 사용하였다. 데이터 분류는 train(88.8%), validation(0.2%), test(11%)로 분류하였다. Convolution Layer, Max pooling layer pool size 2×2, Flatten layer, Image Data Generator로 구성하였다. Convolution layer가 3일 때와 4일 때 각각 filter 수, filter size, drop out, epoch, batch size, 손실함수 값을 설정하였다. test 데이터로 Convolution layer가 4일 때, filter 수 64-128-128-128, filter size 3×3, drop out 0.25, epoch 5, batch size 15, 손실함수 RMSprop으로 설정 시 정확도가 94.67%였다. 본 연구를 통해 높은 정확성으로 분류가 가능하였으며, 흉부 X-ray 영상뿐만 아니라 다른 의료영상에서도 많은 도움이 될 것으로 사료된다.

Abstract ▼ AI-Helper

The purpose of this study was learning about chest X-ray image classification and accuracy research through Deep Learning using big data technology with Convolution Neural Network. Normal 1,583 and Pneumonia 4,289 were used in chest X-ray images. The data were classified as train (88.8%), validation...

The purpose of this study was learning about chest X-ray image classification and accuracy research through Deep Learning using big data technology with Convolution Neural Network. Normal 1,583 and Pneumonia 4,289 were used in chest X-ray images. The data were classified as train (88.8%), validation (0.2%) and test (11%). Constructed as Convolution Layer, Max pooling layer size 2×2, Flatten layer, and Image Data Generator. The number of filters, filter size, drop out, epoch, batch size, and loss function values were set when the Convolution layer were 3 and 4 respectively. The test data verification results showed that the predicted accuracy was 94.67% when the number of filters was 64-128-128-128, filter size 3×3, drop out 0.25, epoch 5, batch size 15, and loss function RMSprop was 4. In this study, the classification of chest X-ray Normal and Pneumonia was predictable with high accuracy, and it is believed to be of great help not only to chest X-ray images but also to other medical images.

주제어

표/그림 (6)

그림 Fig. 1. Image of Chest PA.
그림 Fig. 2. Data modeling diagram.
그림 Fig. 3. Diagram of convolution layer.
표 Table 1. Set value of Convolution layer 3
표 Table 2. Set value of Convolution layer 4
그림 Fig. 4. Learning progress of the highest model.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

^[9] Increasing accuracy of pneumonia diagnosis and reducing reading time would help imaging diagnosis a lot. Therefore, this study aims to evaluate pneumonia classification and accuracy of deep learning using chest X-ray data.

제안 방법

For data learning, an experiment was done under the setting that parameters are Filter number, Filter size, drop out, epoch, batch size and Loss Function when Convolution layer is 3. Secondly, an experiment was done under the setting that parameters are Filter number, Filter size, drop out, epoch, batch size and Loss Function when Convolution layer is 4.

대상 데이터

This research used 5,872 chest X-ray images provided by Labeled Optical Coherence Tomography (OCT) and Chest X-ray Images for Classification from Mendeley LTD. 1,583 images were Normal and 4,289 images were Pneumonia as shown in Fig. 1.

성능/효과

1. When Convolution layer was 4, filter number was 64-128-128-128 and filter size is 3×3, the accuracy was 82.5% under the setting that Drop out was 0.25, Epoch was 3, Batch size was 16 and loss function was RMSprop.
Collected chest X-ray image was classified into Training Data about 88.8% (Normal 25.7%, Pneumonia 74.3%), Test Data about 11% (Normal 37.5%, Pneumonia 62.5%) and Validation Data about 0.2% (Normal 50%, Pneumonia 50%). Size of all image was reduced to 150×150.

참고문헌 (15)

M. Rastgarpour, J. Shanbehzadeh, "Application of AI Techniques in Medical Image Segmentation and Novel Categorization of Available Methods and Tools," Lecture Notes in Engineering and Computer Science, Vol. 2188, No. 1, pp. 519-523, 2011.
Sarraf, Saman, Ghassem, Tofighi, "Deep learning-based pipeline to recognize Alzheimer's disease using fMRI data," Future Technologies Conference (FTC), IEEE, pp. 816-820, 2016.
U. Niyaz, Abhishek Singh Sambyal, Devanand, "Advances in Deep Learning Techniques for Medical Image Analysis," 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC), IEEE, pp. 271-277, 2018.
R. Meng, S. G, Rice, J. Wang, X. Sun, "A Fusion Steganographic Algorithm Based on Faster R-CNN," Computers, Materials & Continua, Vol. 55, No. 1, pp. 1-16, 2018.
Schmidhuber, Jurgen. "Deep learning in neural networks: An overview," Neural networks, Vol. 61, pp. 85-117, 2015.

상세보기
L. Amelio, A. Amelio. "Classification Methods in Image Analysis with a Special Focus on Medical Analytics," Machine Learning Paradigms: Advances in Data Analytics, Vol. 149, pp. 31-69, 2018.
E. J. Park, J. H. Park, M. J. Hong, W. D. Kim, K. Y. Lee, S. J. Kim, H. J. Kim, K. W. Ha, G. R. Chon, H. A. Kim, K. H. Yoo. "Usefulness of Vibration Response Imaging(VRI) for Pneumonia Patients," Tuberculosis and Respiratory Diseases, Vol. 71, No. 1, pp. 30-36, 2011.

원문보기 상세보기
J. P. Matlay, M. J. Fine, "Testing strategies in the initial management of patients with community-acquired pneumonia," Annals of Internal Medicine, Vol. 138, No. 2, pp. 109-118, 2003.

상세보기
M. Tsoumakidou, G. Chrysofakis, I. Tsiligianni, G. Maltezakis, N. M. Siafakas, N. Tzanakis, "A Prospective Analysis of 184 Hemoptysis Cases - Daignositc Impact of Chest X-Ray, Computed Tomography, Bronchoscopy," Respiration, Vol. 79, No. 6, pp. 808-814, 2006.
J. P. Myung, J. S. Song, S. H. Kang, S. W. Han, "An artificial intelligence deep learning based diagnostic assistance program for pneumoconiosis," Journal of the Korean Academy of Tuberculosis and Respiratory Diseases in the Fall Conference of The Korean Society of Visualization, Vol. 126, pp. 258-258, 2018.
S. H. Hyun, J. S. Lee, S. H. Jeon, Y. J. Kim, K. Y. Kim, T. S. Yoon, "Pixel-level Crack Detection in X-ray Computed Tomography Image of Granite using Deep Learning," Korean Society for Rock Mechanics and Rock Enginnering in the tunnels and underground spaces, Vol. 29, No. 3, pp. 184-196, 2019.
M. Anthimopoulos, S. Christodoulidis, L. Ebner, A. Christe, S. Mougiakakou, "Lung pattern classification for interstitial lung diseases using a deep convolutional neural network," IEEE transactions on medical imaging, Vol. 35, No. 5, pp. 1207-1216, 2016.

상세보기
Shen, Dinggang, Guorong Wu, Heung-Il Suk, "Deep learning in medical image analysis," Annual review of biomedical engineering, Vol. 19 No. 1, pp. 221-248, 2017.
Y. M. Seo, J. K. Han. "Deep Learning Algorithm to Identify Cancer Pictures," Journal of Broadcast Engineering, Vol. 23, No. 5, pp. 669-681, 2018.

원문보기 상세보기
Erickson, Bradley J., et al. "Deep learning in radiology: does one size fit all?," Journal of the American College of Radiology, Vol. 15, No. 3, pp. 521-526, 2018.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

컨볼루션 뉴럴 네트워크 기반의 딥러닝을 이용한 흉부 X-ray 영상의 분류 및 정확도 평가
Evaluation of Classification and Accuracy in Chest X-ray Images using Deep Learning with Convolution Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

참고문헌 (15)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

컨볼루션 뉴럴 네트워크 기반의 딥러닝을 이용한 흉부 X-ray 영상의 분류 및 정확도 평가 Evaluation of Classification and Accuracy in Chest X-ray Images using Deep Learning with Convolution Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

참고문헌 (15)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

컨볼루션 뉴럴 네트워크 기반의 딥러닝을 이용한 흉부 X-ray 영상의 분류 및 정확도 평가
Evaluation of Classification and Accuracy in Chest X-ray Images using Deep Learning with Convolution Neural Network 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper