[논문]딥러닝을 이용한 복부 CT 콩팥과 척추 검출 유용성 평가

이현종; 곽명현; 윤혜원; 류은진; 송현경; 홍주완

doi:10.7742/jksr.2021.15.1.15

딥러닝을 이용한 복부 CT 콩팥과 척추 검출 유용성 평가
Evaluation of the Usefulness of Detection of Abdominal CT Kidney and Vertebrae using Deep Learning 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.15 no.1, 2021년, pp.15 - 20

이현종 (을지대학교 보건과학대학 방사선학과) , 곽명현 (을지대학교 보건과학대학 방사선학과) , 윤혜원 (을지대학교 보건과학대학 방사선학과) , 류은진 (을지대학교 보건과학대학 방사선학과) , 송현경 (을지대학교 보건과학대학 방사선학과) , 홍주완 (을지대학교 보건과학대학 방사선학과)

초록
AI-Helper

전산화단층촬영은 질병 진단 등 의료분야에 중요한 역할을 담당하고 있지만, 검사 건수 및 검사 별 영상 증가가 지속되고 있다. 최근 의료분야에 딥러닝 이용이 활발히 이루어지고 있으며, 의료영상을 이용한 딥러닝 중 객체 검출을 통해 보조적 질병 진단에 활용되고 있다. 본 연구는 객체 검출 딥러닝 중 YOLOv3 모델을 이용하여 복부 CT 중 콩팥과 척추를 검출하여 정확도를 평가하고자 한다. 연구 결과 콩팥과 척추의 검출 정확도는 83.00%와 82.45% 였으며, 이를 통해 딥러닝을 이용한 의료영상 객체 검출에 대한 기초자료로 활용될 수 있을 것이라 사료된다.

Abstract ▼ AI-Helper

CT is important role in the medical field, such as disease diagnosis, but the number of examination and CT images are increasing. Recently, deep learning has been actively used in the medical field, and it has been used to diagnose auxiliary disease through object detection during deep learning using medical images. The purpose of study to evaluate accuracy by detecting kidney and vertebrae during abdominal CT using object detection deep learning in YOLOv3. As a results of the study, the detection accuracy of the kidney and vertebrae was 83.00%, 82.45%, and can be used as basic data for the object detection of medical images using deep learning.

주제어

표/그림 (6)

그림 Fig. 1. Kidney and vertebrae labeling using YOLO_mark.
그림 Fig. 2. Diagram of YOLOv3 network.
그림 Fig. 3. Average loss value by epochs.
그림 Fig. 4. Results of YOLOv3 Region indicators by epochs.
그림 Fig. 5. Real-time CT image object detection using YOLOv3.
표 Table 1. Results of YOLOv3 Region indicators by epochs

AI 본문요약
AI-Helper

성능/효과

YOLOv3 successfully recognized the kidneys and vertebrae within abdominal CT images in this study; hence, it may be used as basic data for medical image object detection using deep learning.

참고문헌 (19)

E. Stephen Amis Jr, Priscilla F. Butler, Kimberly E. Applegate, Steven B. Birnbaum, Libby F. Brateman, James M. Hevezi, Fred A. Mettler, Richard L. Morin, Michael J. Pentecost, Geoffrey G. Smith, Keith J. Strauss, Robert K. Zeman, "American College of Radiology white paper on radiation dose in medicine", Journal Of The American College Of Radiology, Vol. 4, No. 5, pp. 272-284, 2007. http://dx.doi.org/10.1016/j.jacr.2007.03.002

상세보기
Y. J. Kim, K. G. Kim, "Development of an Optimized Deep Learning Model for Medical Imaging", Journal of the Korean Society of Radiology, Vol. 81, No. 6, pp. 1274-1289, 2002. https://doi.org/10.3348/jksr.2020.0171

원문보기 상세보기
J. FENG, X. Wu, Y. ZHANG, "Lane detection base on deep learning", 2018 11th International Symposium on Computational Intelligence and Design, IEEE, pp. 315-318, 2018. https://doi.org/10.1109/ISCID.2018.00078
Y. H. Lee, Y. Kim, "Comparison of CNN and YOLO for Object Detection", Journal of the Semiconductor & Display Technology, Vol. 19, No. 1, pp. 85-92, 2020.
Redmon, J., A. Farhadi, "Yolov3: An incremental improvement", arXiv preprint arXiv:1804.02767, 2018.
J. W Chae, H. C Cho, "Detecting Abnormal Behavior of Cattle based on Object Detection Algorithm," The Transactions of the Korean Institute of Electrical Engineers, Vol. 69, No. 3, pp. 468-473, 2020. http://dx.doi.org/10.5370/KIEE.2020.69.3.468

상세보기
Holger R. Roth, Amal Farag, Evrim B. Turkbey, Le Lu, Jiamin Liu, Ronald M. Summers, "Data From Pancreas-CT", The Cancer Imaging Archive, 2016. http://doi.org/10.7937/K9/TCIA.2016.tNB1kqBU
D. H. Kim, D. Y. Kim, I. H. Lee, "Performance Analysis of Wireless Communication Systems Using Deep Learning Based Transmit Power Control in Nakagami Fading Channels," Journal of the korea institute of information and communication engineering, Vol. 24, No. 6, pp. 744-750, 2020.
J. S Han, K. C Kwak, "Image Classification Using Convolutional Neural Network and Extreme Learning Machine Classifier Based on ReLU Function," Journal of KIIT, Vol. 15, No. 2, pp. 15-23, 2017. http://dx.doi.org/10.14801/jkiit.2017.15.2.15

상세보기
R. Azuma, Y. Baillot, R. Behringer, S. Feiner, S. Julier, B. Maclbtyre, "Recent Advances in Augmented Reality", IEEE Computer Graphics and Application, Vol. 21, No. 6, pp. 34-47, 2001. http://dx.doi.org/10.1109/38.963459

상세보기
S. H L im, Y. J Kim, K. G Kim, "Three-Dimensional Visualization of Medical Image using Image Segmentation Algorithm based on Deep Learning", Journal of Korea Multimedia, Vol. 23, No. 3, pp. 468-475, 2020. https://doi.org/10.9717/kmms.2020.23.3.468

원문보기 상세보기
J. Jang, C. M. Tschabrunn, M. Barkagan, E. Anter, B Menze, R. Nezafat, et al., "Three-dimensional Holographic Visualization of High Resolution Myocardial Scar on Hololens", PloS One, Vol. 13, No. 10, e0205188, 2018. http://dx.doi.org/10.1371/journal.pone.0205188

상세보기
S. Sivakumar, C. Chandrasekar, "Lung Nodule Detection Using Fuzzy Clustering and Support Vector Machines", International Journal of Engineering and Technology, Vol. 5, No. 1, pp. 179-185, 2013. https://doi.org/10.1007/s10916-016-0539-9

상세보기
S. J. Park, Y. J. Kim, D. Y. Park, J. W. Jung, "Evaluation of Transfer Learning in Gastroscopy Image Classification using Convolutional Neual Network", Journal of Korea Society of Medical and Biological Engineering, Vol. 39, No. 5, pp. 213-219, 2018. https://doi.org/10.9718/JBER.2018.39.5.213

원문보기 상세보기
D. Shen, G. Wu, H. I. Suk, "Deep L earning in Medical Image Analysis", Annual Review of Biomedical Engineering, Vol. 19, No. 9, pp. 221-248, 2017.

상세보기
O. Ronneberger, P. Fischer, T. Brox, "UNet: Convolutional Networks for Biomedical Image Segmentation", Proceeding of International Conference on Medical Image Computer-assisted Intervention, Vol. 9351, pp. 234-241, 2015.
Guo. L, X. Xiao, C. Wu, X. Zeng, Y. Zhang, J. Du, S. Bai, J. Xie, Z. Zhang, Y. Li, X. Wang, O. Cheung, M. sharma, J. Liu, B. Hu, "Real-time automated diagnosis of precancerous lesions and early esophageal squamous cell carcinoma using a deep learning model (with videos)", Gastrointestinal Endoscopy, Vol. 91, No. 1, pp. 41-51, 2020. http://dx.doi.org/10.1016/j.gie.2019.08.018

상세보기
Y. Tokai, T. Yoshio, K. Aoyama, Y. Horie, S. yoshimizu, Y. Horiuchi, A. Ishiyama, T. Tsuchida, T. Hirasawa, Y. Sakakibara, T. yamada, S. Yamaguchi, J. Fujisaki. T. Tada, "Application of artificial intelligence using convolutional neural networks in determining the invasion depth of esophageal squamous cell carcinoma", Esophagus, Vol. 17, pp. 250-256, 2020. https://doi.org/10.1007/s10388-020-00716-x

상세보기
Y. Horie, T. Yoshio, K. Aoyama, S. Yoshimizu, Y. Horiuchi, A. Ishiyama, T. Hirasawa, T. Tsuchida, T. Ozawa, S. Ishihara, Y. Kumagai, M. Fujishiro, I. Maetani, J. Fujisaki, T. Tada, "Diagnostic outcomes of esophageal cancer by artificial intelligence using convolutional neural networks", Gastrointestinal Endoscopy, Vol. 89, No. 1, pp.25-32, 2019. https://doi.org/10.1016/j.gie.2018.07.037

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