[논문]전산화단층영상 기반 뇌출혈 검출을 위한 YOLOv5s 성능 평가

김성민; 이승완

doi:10.7742/jksr.2022.16.1.25

전산화단층영상 기반 뇌출혈 검출을 위한 YOLOv5s 성능 평가
Performance Evaluation of YOLOv5s for Brain Hemorrhage Detection Using Computed Tomography Images 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.16 no.1, 2022년, pp.25 - 34

초록
AI-Helper

뇌 전산화단층촬영은 비침습성, 3차원 영상 제공, 저방사선량 등의 장점 때문에 뇌출혈과 같은 질병 진단을 위해 시행된다. 하지만 뇌 전산화단층영상 판독을 위한 전문의의 인력 공급 부족 및 막대한 업무량으로 인해 수많은 판독 오류 및 오진이 발생하고 있다. 이와 같은 문제를 해결하기 위해 객체 검출을 위한 다양한 인공지능 기술이 개발되고 있다. 본 연구에서는 뇌 전산화단층영상으로부터 뇌출혈 검출을 위한 딥러닝 기반 YOLOv5s 모델의 적용 가능성을 확인하였다. 또한 YOLOv5s 모델 학습 시 초매개변수를 변화시켜 학습된 모델의 성능을 평가하였다. YOLOv5s 모델은 backbone, neck 및 output 모듈로 구성하였고, 입력 CT 영상 내 뇌출혈로 의심되는 부위를 검출하여 출력할 수 있도록 하였다. YOLOv5s 모델 학습 시 활성화함수, 최적화함수, 손실함수 및 학습 횟수를 변화시켰고, 학습된 모델의 뇌출혈 검출 정확도 및 학습 시간을 측정하였다. 연구결과 학습된 YOLOv5s 모델은 뇌출혈로 의심되는 부위에 대한 경계 박스 및 해당 경계박스에 대한 정확도를 출력할 수 있음을 확인하였다. Mish 활성화함수, stochastic gradient descent 최적화함수 및 completed intersection over union 손실함수 적용 시 YOLOv5s 모델의 뇌출혈 검출 정확도 향상 및 학습 시간이 단축되는 결과를 확인하였다. 또한 YOLOv5s 모델의 뇌출혈 검출 정확도 및 학습 시간은 학습 횟수에 비례하여 증가하는 결과를 확인하였다. 따라서 YOLOv5s 모델은 뇌 전산화단층영상을 이용한 뇌출혈 검출을 위해 활용할 수 있으며, 최적의 초매개변수 적용을 통해 성능을 향상 시킬 수 있다.

Abstract ▼ AI-Helper

Brain computed tomography (CT) is useful for brain lesion diagnosis, such as brain hemorrhage, due to non-invasive methodology, 3-dimensional image provision, low radiation dose. However, there has been numerous misdiagnosis owing to a lack of radiologist and heavy workload. Recently, object detection technologies based on artificial intelligence have been developed in order to overcome the limitations of traditional diagnosis. In this study, the applicability of a deep learning-based YOLOv5s model was evaluated for brain hemorrhage detection using brain CT images. Also, the effect of hyperparameters in the trained YOLOv5s model was analyzed. The YOLOv5s model consisted of backbone, neck and output modules. The trained model was able to detect a region of brain hemorrhage and provide the information of the region. The YOLOv5s model was trained with various activation functions, optimizer functions, loss functions and epochs, and the performance of the trained model was evaluated in terms of brain hemorrhage detection accuracy and training time. The results showed that the trained YOLOv5s model is able to provide a bounding box for a region of brain hemorrhage and the accuracy of the corresponding box. The performance of the YOLOv5s model was improved by using the mish activation function, the stochastic gradient descent (SGD) optimizer function and the completed intersection over union (CIoU) loss function. Also, the accuracy and training time of the YOLOv5s model increased with the number of epochs. Therefore, the YOLOv5s model is suitable for brain hemorrhage detection using brain CT images, and the performance of the model can be maximized by using appropriate hyperparameters.

주제어

표/그림 (10)

그림 Fig. 1. Architecture of YOLOv5s.
표 Table 1. Hyperparameters used for training the YOLOv5s model. Standards are marked with *
그림 Fig. 2. CT images obtained from the YOLOv5s models, which were trained with (a) SiLU, (b) Hardswish, (c) LeakyReLU and (d) Mish activation functions. Red bounding boxes and IoU values are also observable in each CT image.
그림 Fig. 3. (a) IoU, (b) AP and (c) training time for the YOLOv5s models trained with the various activation functions.
그림 Fig. 4. CT images obtained from the YOLOv5s models, which were trained with (a) SGD and (b) Adam optimizer functions. Red bounding boxes and IoU values are also observable in each CT image.
그림 Fig. 5. (a) IoU, (b) AP and (c) training time for the YOLOv5s models trained with the different optimizer functions.
그림 Fig. 6. CT images obtained from the YOLOv5s models, which were trained with (a) CIoU and (b) GIoU loss functions. Red bounding boxes and IoU values are also observable in each CT image.
그림 Fig. 7. (a) IoU, (b) AP and (c) training time for the YOLOv5s models trained with the different loss functions.
그림 Fig. 8. CT images obtained from the YOLOv5s models, which were trained with (a) 100, (b) 300 and (b) 500 epochs. Red bounding boxes and IoU values are also observable in each CT image.
그림 Fig. 9. (a) IoU, (b) AP and (c) training time for the YOLOv5s models trained with the different number of epochs.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 뇌 CT 영상으로부터 뇌출혈 검출을 위한 YOLOv5s 모델의 적용 가능성을 확인하였다. 또한 YOLOv5s 모델 학습시 초매개 변수 사용에 따른 영향을 분석하여 뇌출혈 검출정확도 및 학습 효율 향상을 위한 최적의 초매개 변수를 제시하였다.

제안 방법

Google사의 Colaboratory 환경에서 Python과 Pytorch library를 이용하여 YOLOv5s 모델 학습을 진행하였으며, 개별 학습 전런타임 재설정을 통해 이전 학습에서 이용한 데이터 및 로컬 변수의 영향을 배제시켰다.
δ(A, B) 및 ω는 각각 A와 B 경계 박스 비율의 일치성과 보정계수를 나타낸다. YOLOv5s 모델 학습 시 반복 횟수에 따른 영향을 평가하기 위해서 100, 300 및 500번의 반복 학습을 진행하였다.
YOLOv5s 모델의 뇌출혈 검출정확도 및 효율을 분석하기 위해 테스트 영상의 출력값에 대한 IoU와 average precision(AP)을 계산하고, 모델 학습에 소요되는 시간을 측정하였다. Eq.
본 연구에서는 뇌 CT 영상과 YOLOv5s 모델을 이용하여 뇌출혈 검출을 시행하였고, YOLOv5s 모델 학습 시 활성화함수, 최적화 함수, 손실함수 및 학습 횟수에 변화에 따른 성능평가를 통해 초 매개변수가 미치는 영향을 분석하였다.

성능/효과

본 연구에서는 뇌 CT 영상으로부터 뇌출혈 검출을 위한 YOLOv5s 모델의 적용 가능성을 확인하였다. 또한 YOLOv5s 모델 학습시 초매개 변수 사용에 따른 영향을 분석하여 뇌출혈 검출정확도 및 학습 효율 향상을 위한 최적의 초매개 변수를 제시하였다. 결론적으로 본 연구의 결과는 CT 영상을 이용한 딥러닝 기반 질병 검출 모델 개발을 위해 활용될 수 있을 것으로 생각된다.
본 연구를 통해 YOLOv5s 모델 학습 시 최적의 초 매개변수 적용을 통해 뇌출혈 검출의 정확도 및 학습 효율을 향상시킬 수 있음을 확인하였다. 본연구에서 사용된 초매개 변수 뿐만 아니라 학습 데이터 양, 학습률, 각 모듈 내층의 개수 및 구조 등과 같은 학습 변수의 영향을 추가로 분석한다면 뇌출혈 검출을 위한 YOLOv5s 모델의 성능을 더욱향상시킬 수 있을 것이다.

후속연구

또한 YOLOv5s 모델 학습시 초매개 변수 사용에 따른 영향을 분석하여 뇌출혈 검출정확도 및 학습 효율 향상을 위한 최적의 초매개 변수를 제시하였다. 결론적으로 본 연구의 결과는 CT 영상을 이용한 딥러닝 기반 질병 검출 모델 개발을 위해 활용될 수 있을 것으로 생각된다.
본연구에서 사용된 초매개 변수 뿐만 아니라 학습 데이터 양, 학습률, 각 모듈 내층의 개수 및 구조 등과 같은 학습 변수의 영향을 추가로 분석한다면 뇌출혈 검출을 위한 YOLOv5s 모델의 성능을 더욱향상시킬 수 있을 것이다. 또한 기존 딥러닝 기반 CNN 알고리즘과의 객체 검출 시간 비교를 통해 YOLOv5s 모델의 성능을 입증할 수 있을 것이다.
본 연구를 통해 YOLOv5s 모델 학습 시 최적의 초 매개변수 적용을 통해 뇌출혈 검출의 정확도 및 학습 효율을 향상시킬 수 있음을 확인하였다. 본연구에서 사용된 초매개 변수 뿐만 아니라 학습 데이터 양, 학습률, 각 모듈 내층의 개수 및 구조 등과 같은 학습 변수의 영향을 추가로 분석한다면 뇌출혈 검출을 위한 YOLOv5s 모델의 성능을 더욱향상시킬 수 있을 것이다. 또한 기존 딥러닝 기반 CNN 알고리즘과의 객체 검출 시간 비교를 통해 YOLOv5s 모델의 성능을 입증할 수 있을 것이다.

참고문헌 (24)

Statistics Korea, Mortality Trend by Cause of Death, 2021.
H. Eskandary, M. Sabba, F. Khajehpour, M. Eskandari, "Incidental findings in brain computed tomography scans of 3000 head trauma patients", Surgical Neurology, Vol. 63, No. 6, pp. 550-553, 2005. http://dx.doi.org/10.1016/j.surneu.2004.07.049

상세보기
M. H. Choi, H. Eo, S. E. Jung, et al., "Teleradiology of Koreain 2017: A Questionnaireto Members of The Korean Society of Radiology", Journal of the Korean Society of Radiology, Vol. 80, No. 4, pp. 684-803, 2019. https://doi.org/10.3348/jksr.2019.80.4.684

상세보기
2016~2019 Number of Radiation Examinations and Exposure Dose for Diagnosis, Korean Disease Control and Prevention Agency, 2021.
2020 Health and Welfare Statistical Yearbook, Ministry of Health and Welfare, 2020.
A. R. Pathak, M. Pandey, S. Rautaray, "Application of Deep Learning for Object Detection", Procedia Computer Science, Vol. 132, pp. 1706-1717, 2018. http://dx.doi.org/10.1016/j.procs.2018.05.144

상세보기
A. Khan, A. Sohail, U. Zahoora, A. S. Qureshi, "A Survey of the Recent Architectures of Deep Convolutional Neural Networks", Artificial Intelligence Review, Vol. 53, No. 8, pp. 5455-5516, 2020. http://dx.doi.org/10.1007/s10462-020-09825-6

상세보기
J. Redmon, S. Divvala, R. Girshick, A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 779-788, arXiv:1506.02640v5, 2016.
A. Bochkovskiy, C. Y. Wang, H. Y. M. Liao, "YOLOv4: Optimal Speed and Accuracy of Object Detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, arXiv:2004.10934, 2020.
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.
D. Wang, D. He, "Channel pruned YOLO V5s-based deep learning approach for rapid and accurate apple fruitlet detection before fruit thinning", Biosystems Engineering, Vol. 210, pp. 271-281, 2021. http://dx.doi.org/10.1016/j.biosystemseng.2021.08.015

상세보기
J. Bergstra, Y. Bengio, "Random search for Hyper-Parameter Optimization", Journal of Machine Learning Research, Vol. 13, No. 2, pp. 281-305, 2012.
L. Yang, A. Shami, "On Hyperparam eter Optimization of Machine Learning Algorithms: Theory and Practice", Neurocomputing, Vol. 415, No. 20, pp. 295-316, 2020.
A. E. Flanders, L. M. Prevedello, G. Shih, et al., "Construction of a Machine Learning Dataset through Collaboration: The RSNA 2019 Brain CT Hemorrhage Challenge", Radiology: Artificial Intelligence, Vol. 2, No. 2, pp. e190211, 2020. https://doi.org/10.1148/ryai.2020190211

상세보기
C. Shorten, T. M. Khoshgoftaar, "A survey on Image Data Augmentation for Deep Learning", Journal of Big Data, Vol. 6, No. 1, pp. 1-48, 2019. http://dx.doi.org/10.1186/s40537-019-0197-0

상세보기
S. Elfwing, E. Uchibe, K. Doya, "Sigmoid-Weighted Linear Units for Neural Network Function", Neural Networks, Vol. 107, pp. 3-11, 2018.
A. Howard, M. Sandler, G. Chu, et al., "Searching for MobileNetV3", Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 1314-1324, 2019.
D. Misra, "Mish: A Self Regularized Non-Monotonic Neural Activation Function", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, arXiv:1908.08681v2, 2020.
S. Ruder, "An overview of gradient descent optimization algorithms", arXiv:1609.04747, 2016.
D. Kingma, J. Ba, "Adam: A method for stochastic optimization", Proceedings of the 3rd International Conference for Learning Representations, arXiv:1412.6980, 2014.
Z. Zheng, P. Wang, W. Liu, et al., "Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression", Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34, No. 7, pp. 12993-13000, 2020.
J. Revaud, J. Almazan, R. S. Rezende, et al., "Learning with Average Precision: Training Image Retrieval with a Listwise Loss", Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 5107-5116, 2019.
A. Mohiyuddin, A. Basharat, U. Ghani, et al., "Breast Tumor Detection and Classification in Mammogram Images Using Modified YOLOv5 Network", Computational and Mathematical Methods in Medicine, Vol. 2022, 2022. http://dx.doi.org/10.1155/2022/1359019

상세보기
Y. Li, X. He, "COVID-19 Detection in Chest Radiograph Based on YOLO v5", 2021 IEEE International Conference on Computer Science, Electronic Information Engineering and Intelligent Control Technology, pp. 344-347, 2021.

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