[논문]Xception 모델링을 이용한 흉부 X선 영상 폐렴(pneumonia) 진단 시 배치 사이즈별 비교 분석

김지율; 예수영

doi:10.7742/jksr.2021.15.4.547

Xception 모델링을 이용한 흉부 X선 영상 폐렴(pneumonia) 진단 시 배치 사이즈별 비교 분석
Comparative Analysis by Batch Size when Diagnosing Pneumonia on Chest X-Ray Image using Xception Modeling 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.15 no.4, 2021년, pp.547 - 554

초록
AI-Helper

흉부 X선 영상의 폐렴을 신속하고 정확하게 진단하기 위하여 동일한 Xception 딥러닝 모델에 배치 사이즈를 4, 8, 16, 32로 다르게 적용하여 각각 3회의 모델링을 실시하였다. 그리고 성능평가 및 metric 평가에 대한 결과값을 3회 평균값으로 산출하여 배치 사이즈별 흉부 X선 영상의 폐렴 특징 추출과 분류의 정확도 및 신속성을 비교 평가하였다. 딥러닝 모델링의 성능평가 결과 배치 사이즈 32를 적용한 모델링의 경우 정확도, 손실함수 값, 평균제곱오차, 1 epoch 당 학습 소요 시간의 결과가 가장 우수한 결과를 나타내었다. 그리고 Test Metric의 정확도 평가는 배치 사이즈 8을 적용한 모델링이 가장 우수한 결과를 나타내었으며, 정밀도 평가는 모든 배치 사이즈에서 우수한 결과를 나타내었다. 재현율 평가는 배치 사이즈 16을 적용한 모델링이 가장 우수한 결과를 나타내었으며, F1-score는 배치 사이즈 16을 적용한 모델링이 가장 우수한 결과를 나타내었다. 그리고 AUC score 평가는 모든 배치 사이즈의 결과가 동일하였다. 이러한 결과를 바탕으로 배치 사이즈 32를 적용한 딥러닝 모델링이 높은 정확도, 안정적인 인공신경망 학습 및 우수한 신속성의 결과를 나타내었다. 향후 딥러닝을 이용한 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 관하여 자동진단 연구 시 배치 사이즈를 32로 적용한다면 정확하면서도 신속한 병변 검출이 가능할 것이라고 사료된다.

Abstract ▼ AI-Helper

In order to quickly and accurately diagnose pneumonia on a chest X-ray image, different batch sizes of 4, 8, 16, and 32 were applied to the same Xception deep learning model, and modeling was performed 3 times, respectively. As a result of the performance evaluation of deep learning modeling, in the case of modeling to which batch size 32 was applied, the results of accuracy, loss function value, mean square error, and learning time per epoch showed the best results. And in the accuracy evaluation of the Test Metric, the modeling applied with batch size 8 showed the best results, and the precision evaluation showed excellent results in all batch sizes. In the recall evaluation, modeling applied with batch size 16 showed the best results, and for F1-score, modeling applied with batch size 16 showed the best results. And the AUC score evaluation was the same for all batch sizes. Based on these results, deep learning modeling with batch size 32 showed high accuracy, stable artificial neural network learning, and excellent speed. It is thought that accurate and rapid lesion detection will be possible if a batch size of 32 is applied in an automatic diagnosis study for feature extraction and classification of pneumonia in chest X-ray images using deep learning in the future.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 합성곱 신경망 기반의 Xception 을 이용하여 흉부 X선 영상의 폐렴 유무를 자동진단하고 모델링의 신속성과 정확성에 관여하는 배치 사이즈를 비교 평가하고자 하였다. 실험결과 배치 사이즈를 다르게 적용한 각각의 전체 딥러닝 모델링은 성능평가 및 metric 평가를 통하여 폐렴의 특징 추출 및 분류에 대하여 우수한 성능을 나타내었다.
본 연구에서는 Xception을 이용하여 흉부 X선 영상의 폐렴 유무 분류에 대한 각각의 배치 사이즈 별 모델링의 신속성과 정확성을 평가하고자 하였다.
이러한 이유로 본 논문에서는 합성곱 신경망 기반의 Xception 모델을 이용하여 흉부 X선 영상의 폐렴 유무를 자동진단하고 모델링의 신속성과 정확성에 관여하는 배치 사이즈들을 비교 평가하여 향후 유사 연구 시 기초자료가 되고자 한다.

제안 방법

흉부 X선 영상을 이용한 폐렴 유무 자동진단을 위해 딥러닝 모델로 Xception을 선정하였으며, 동일딥러닝 모델에 배치 사이즈를 각각 설정하여 모델링을 3회 실시하였다.
흉부 X선 영상의 신속성과 정확성을 평가하기 위해 Xception의 입력 이미지 사이즈는 224×224, 모델링의 epoch(시도회수)는 200회, 활성화 함수는 Sigmoid 함수, 최적화 하이퍼 파라미터를 적용하였다

데이터처리

Xception의 폐렴 유무 자동진단에 대한 배치 사이즈 별 성능을 정확하게 비교 평가하기 위해 딥러닝 모델링의 정확도, 손실 함수값, 평균 제곱 오차 (Mean Square Error; MSE), 1 epoch 당 학습 소요 시간과 Test Metric의 정확도, 정밀도, 재현율, F1-score, AUC score의 3회 모델링한 평균값을 산출한 후 성능평가를 수행하였다.

성능/효과

배치 사이즈 32를 적용한 딥러닝 모델링이 다른 배치 사이즈를 적용한 딥러닝 모델링과의 비교 평가에서 높은 정확도, 안정적인 인공신경망 학습, 우수한 신속성을 나타내어 흉부 X선 영상의 폐렴 유무를 자동진단하고 모델링의 신속성과 정확성을 함께 수행할 수 있는 모델링이라고 판단하였다.
본 논문에서는 합성곱 신경망 기반의 Xception 을 이용하여 흉부 X선 영상의 폐렴 유무를 자동진단하고 모델링의 신속성과 정확성에 관여하는 배치 사이즈를 비교 평가하고자 하였다. 실험결과 배치 사이즈를 다르게 적용한 각각의 전체 딥러닝 모델링은 성능평가 및 metric 평가를 통하여 폐렴의 특징 추출 및 분류에 대하여 우수한 성능을 나타내었다. 향후 딥러닝을 이용한 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류의 자동진단 연구 시 배치 사이즈를 32로 적용한다면 정확하면서도 신속한 병변 검출이 가능할 것이라고 사료된다.
이러한 결과로 모든 배치 사이즈를 적용한 딥러닝 모델링은 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 데이터의 결과값이 매우 우수한 모델링이라고 평가되었다.
0%의 정밀도를 나타내었다. 이러한 결과로 모든 배치 사이즈를 적용한 딥러닝 모델링은 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 실측값과 예측값의 정밀도가 매우 우수한 모델링이라고 평가되었다.
55%의 재현율을 나타내었다. 이러한 결과로 배치 사이즈 16을 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 실측값과 예측값의 재현율이 가장 우수한 모델링이라고 평가되었다.
72의 F1-score를 나타내었다. 이러한 결과로 배치 사이즈 16을 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징추출 및 분류에 있어 정밀도와 재현율의 평균에 대한 F1-score 값이 가장 우수한 모델링이라고 평가되었다.
98%의 정확도를 나타내었다. 이러한 결과로 배치 사이즈 32를 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 가장 우수한 모델링이라고 평가되었다.
54%의 MSE 값을 나타내었다. 이러한 결과로 배치 사이즈 32를 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 가장 편차가 적은 모델링이라고 평가되었다.
68%의 손실함수 값을 나타내었다. 이러한 결과로 배치 사이즈 32를 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 인공신경망의 학습상태가 가장 우수한 모델링이라고 평가되었다.
67sec의 1 epoch 당 학습 소요 시간을 나타내었다. 이러한 결과로 배치 사이즈 32를 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 학습 속도가 가장 신속한 모델링이라고 평가되었다.
33%의 정확도를 나타내었다. 이러한 결과로 배치 사이즈 8을 적용한 딥러닝 모델링이 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류에 있어 실측값과 예측값이 가장 정확한 모델링이라고 평가되었다.

후속연구

향후 딥러닝을 이용한 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류의 자동진단 연구 시 배치 사이즈를 32로 적용한다면 정확하면서도 신속한 병변 검출이 가능할 것이라고 사료된다. 그리고 이러한 결과는 흉부 X선 검사 시 폐렴의 자동진단을 위한 보조적인 방법으로 활용할 수 있을 것으로 기대된다.
실험결과 배치 사이즈를 다르게 적용한 각각의 전체 딥러닝 모델링은 성능평가 및 metric 평가를 통하여 폐렴의 특징 추출 및 분류에 대하여 우수한 성능을 나타내었다. 향후 딥러닝을 이용한 흉부 X선 영상의 폐렴에 대한 특징 추출 및 분류의 자동진단 연구 시 배치 사이즈를 32로 적용한다면 정확하면서도 신속한 병변 검출이 가능할 것이라고 사료된다. 그리고 이러한 결과는 흉부 X선 검사 시 폐렴의 자동진단을 위한 보조적인 방법으로 활용할 수 있을 것으로 기대된다.

참고문헌 (24)

S. E. Park, "Coronavirus Infectious Disease-19 virus (SARS-CoV-2) characteristics, transmission and clinical picture", Pediatric Infection & Vaccine, pp. 27, 2019.
N. Petrosillo, G. Viceconte, O. Ergonul, G. Ippolito, E. Petersen, "COVID-19 SARS and MERS: are they closely related?", Clinical Microbiology and Infection, Vol. 26, No. 6, pp. 729-734, 2020. http://dx.doi.org/10.1016/j.cmi.2020.03.026

상세보기
B. H. Kang, Y. K. Choi, C. Y. Jeon, "The Effects of Qingfei Paidu Decoction on Coronavirus Disease-19 : A Narrative Review", The Journal of Internal Korean Medicine, Vol. 41, No. 3, pp. 424-433, 2020.
M. G. Kim, J. H. Yun, Y. W. Cho, "Deep learning in medical imaging", Neurospine, Vol. 16, pp. 657-668, 2019.

상세보기
J. H. Kim "Imaging informatics : a new horizon for radiology in the era of artificial intelligence, big data, and data science", Korean Journal of Radiology, Vol. 80, pp. 176-201, 2019. http://dx.doi.org/10.3348/jksr.2019.80.2.176

상세보기
K. W. Y ang, J. S. Kang, H. N. Lee, "Digital Walkie-Talkie Identification scheme based on Convolutional Neural Network", The Journal of Korean Institute of Communications and Information Sciences, pp. 1210-1211, 2018.
S. M. Lee, "Short-term Power Consumption Forecasting Based on IoT Power Meter with LSTM and GRU Deep Learning", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 19, No. 3, pp. 79-85, 2019.
F. Chollet, "Xception: Deep learning with depthwise separable convolutions", Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1-8, 2017.
J. Almirall, I. Bolibar, J. Vidal, "Epidemiology of community-acquired pneumonia in adults : a population-based study", European respiratory journal, Vol. 15, No. 4, pp. 757-763, 2000.

상세보기
https://keras.io/ko/
A. Krizhevsky, G. Hinton, I. Sutskever, "ImageNet classifi cation with deep convolutional neural networks," Advances in Neural Information Processing (NIPS), pp. 1-9, 2012.
H. S. Kim, "Classification and Combination of Fashion Items Using CNN-Based Deep Learning", Journal of Digital Contents Society, Vol. 22, No. 3, pp. 475-482, 2021.

상세보기
S. J. Kim, J. C. Yu, "COVID-19 Chest X-ray reading Technique based on Deep Learning", Korean society of computer and information, Vol. 29, No. 3, pp. 31-32, 2021.
https://hwiyong.tistory.com/290
https://sotudy.tistory.com/14
I. Kandel, C. Mauro, "The effect of batch size on the generalizability of the convolutional neural networks on a histopathology dataset", ICT express, Vol. 6, No. 4, pp. 312-315, 2020. http://dx.doi.org/10.1016/j.icte.2020.04.010

상세보기
https://eda-ai-lab.tistory.com/13
K. D. Song, M. C. Kim, S. H. Do, "The Latest Trends in the Use of Deep Learning in Radiology Illustrated Through the Stages of Deep Learning Algorithm Development", Korean Journal of Radiology, Vol. 80, No. 2, pp. 202-212, 2019. http://dx.doi.org/10.3348/jksr.2019.80.2.202

상세보기
J. Warrens, "Cohen's kappa can always be increased and decreased by combining categories", Statistical Methodology, Vol. 7, No. 6, pp. 673-677, 2010. http://dx.doi.org/10.1016/j.stamet.2010.05.003

상세보기
P. Cedric, P. Matthew, E. Nicole, "acute respiratory syndrome-related coronavirus 2 : a narrative review", Annals of internal medicine, Vol. 172, No. 11, pp. 726-734, 2020.
G. D. Rubin, C. J. Ryerson, L. B. Haramati, "The role of chest imaging in patient management during the COVID-19 pandemic", Radiology, Vol. 158, pp. 106-118 2020.
H. S. Lee, M. S. Park, J. M. Kim, "Deep Learning in Medical Imaging", Korean society of imaging information in medicine, Vol. 20, No. 1, pp. 13-18, 2014.
R. Jain, M. Gupta, S. Taneja, "Deep learning based detection and analysis of COVID-19 on chest X-ray images", Applied Intelligence, Vol. 51, No. 3, pp. 1690-1700, 2021.

상세보기
B. H. Choi, Y. J. Kim, S. J. Choi, K. G. Kim, "Malignant and Benign Classification of Liver Tumor in CT according to Data pre-processing and Deep- running model", Journal of Biomedical Engineering Research, Vol. 39, pp. 229-236, 2018. https://doi.org/10.9718/JBER.2018.39.6.229

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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