[논문]CNN 은닉층 증가에 따른 인공지능 정확도 평가: 뇌출혈 CT 데이터

김한준; 강민지; 김은지; 나용현; 박재희; 백수은; 심수만; 홍주완

doi:10.7742/jksr.2022.16.1.1

[국내논문] CNN 은닉층 증가에 따른 인공지능 정확도 평가: 뇌출혈 CT 데이터
Evaluation of Artificial Intelligence Accuracy by Increasing the CNN Hidden Layers: Using Cerebral Hemorrhage CT Data 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.16 no.1, 2022년, pp.1 - 6

김한준 (을지대학교 보건과학대학 방사선학과) , 강민지 (을지대학교 보건과학대학 방사선학과) , 김은지 (을지대학교 보건과학대학 방사선학과) , 나용현 (을지대학교 보건과학대학 방사선학과) , 박재희 (을지대학교 보건과학대학 방사선학과) , 백수은 (을지대학교 보건과학대학 방사선학과) , 심수만 (을지대학교 보건과학대학 방사선학과) , 홍주완 (을지대학교 보건과학대학 방사선학과)

초록
AI-Helper

딥러닝은 다량의 데이터 속에서 핵심적인 내용을 요약해 학습하는 알고리즘의 집합으로 의료영상 분야에서 병변을 진단하는 목적으로 사용되기 위해 발전하고 있다. 본 논문에서는 뇌출혈 진단 정확성을 평가하기 위해 CNN을 이용해 뇌실질 CT 영상과 뇌출혈이 의심되는 뇌실질 CT의 진단 정확도를 도출하였다. 은닉층 수에 따른 정확도를 비교한 결과 은닉층이 증가할수록 정확도가 높아졌다. 본 연구에서 도출된 CT 뇌출혈 유무 분석 결과는 앞으로 의료영상 분야와 인공지능 접목에 관한 연구에서 기초 자료로 사용될 것으로 사료된다.

Abstract ▼ AI-Helper

Deep learning is a collection of algorithms that enable learning by summarizing the key contents of large amounts of data; it is being developed to diagnose lesions in the medical imaging field. To evaluate the accuracy of the cerebral hemorrhage diagnosis, we used a convolutional neural network (CNN) to derive the diagnostic accuracy of cerebral parenchyma computed tomography (CT) images and the cerebral parenchyma CT images of areas where cerebral hemorrhages are suspected of having occurred. We compared the accuracy of CNN with different numbers of hidden layers and discovered that CNN with more hidden layers resulted in higher accuracy. The analysis results of the derived CT images used in this study to determine the presence of cerebral hemorrhages are expected to be used as foundation data in studies related to the application of artificial intelligence in the medical imaging industry.

Keyword

표/그림 (4)

그림 Fig. 1. Balanced normal and hemorrhage head CT dataset.
그림 Fig. 2. CNN structure.
그림 Fig. 3. Results of deep learning process.
표 Table 1. Result of each CNN layer's accuracy and loss comparison

AI 본문요약
AI-Helper

제안 방법

In basic CNN, the epoch was set to 700, 450, 300, and 200 for three, four, five, and six layers, respectively. The evaluation was conducted by checking the training accuracy, training loss, validation accuracy, and validation loss to determine the accuracy and loss of each finalized model in determining the presence of cerebral hemorrhage through test datasets.

대상 데이터

The brain CT data used in the study utilized the Balanced Normal and Hemorrhage Head CT dataset shown in Fig. 1 (Creative Commons license (CC0 1.
0 Universal Public Domain Dedication from Kaggle). For learning purposes, a total of 204 png images were classified into normal brain or brain hemorrhage images, and 64 training datasets, 16 validation datasets, and 20 test datasets were constructed.

참고문헌 (15)

Y. Bengio, A. Courville, P. Vincent, "Representation Learning: A Review and New Perspectives," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 35, No. 8, pp. 1798-1828, 2013.

상세보기
J. C. Trinder, Y. Wang, A. Sowmya, M. Palhang, "Artificial Intelligence in 3-D Feature Extraction", Automatic Extraction of Man-Made Objects from Aerial and Space Images (II), pp. 257-266, 1997.
D. G. Shen, G. R. Wu, H. I. Suk, "Deep learning in medical image analysis", Annual Review of Biomedical Engineering, Vol. 19, No. 1, pp. 221-248, 2017.
M. Harman, "The role of artificial intelligence in software engineering", 2012 First International Workshop on Realizing AI Synergies in Software Engineering (RAISE); IEEE, 2012.
J. Y. Hong, S. H. Park, Y. J. Jung, "Artificial Intelligence Based Medical Imaging: An Overview", Journal of Radiological Science and Technology, Korean Society of Radiological Science, Vol. 43, No. 3, pp. 195-208. 2020.
Liu, K. L., Wu, T., Chen, P. T., "Deep learning to distinguish pancreatic cancer tissue from non-cancerous pancreatic tissue: a retrospective study with cross-racial external validation", The Lancet Digital Health, Vol. 2, No. 6, pp. e303-e313. 2020.

상세보기
H. L. Jin, "TransHarDNet: Intracerebral Hemorrhage Segmentation with Transformers", A thesis with a master's degree in Korea, The Graduate School Sejong University, 2021.
S. Y. Choi, S. S. Kang, C. S. Kim, J. H. Kim, D. H. Kim, S. Y. Ye, S. J. Ko, "Intracerebral hemorrhage auto recognition in computed tomography images", Journal of radiological science and technology, Vol. 36, No. 2, pp. 141-148, 2013.
J. W. Yoon, S. J. Lee, C. Y. Song, Y. S. Kim, M. Y. Jung, S. I. Jeong, "A Study on Similar Trademark Search Model Using Convolutional Neural Networks", Management & Information Systems Review, Vol. 38, No. 3, pp. 55-80, 2019.
A. Gautam, B. Raman, "Towards effective classification of brain hemorrhagic and ischemic stroke using CNN", Biomedical Signal Processing and Control, Vol. 63, pp. 102178, 2021.

상세보기
A. Arab, B. Chinda, G. Medvedev, W. Siu, H. Guo, T. Gu, S. Moreno, G. Hamarneh, M. Ester, X. Song, "A fast and fully-automated deep-learning approach for accurate hemorrhage segmentation and volume quantification in non-contrast whole-head CT", Scientific Reports, Vol. 10, No. 1, pp. 1-12, 2020.
S. M. McKinney, M. Sieniek, V. Godbole, J. Godwin, N. Antropova, H. Ashrafian, T. Back, M. Chesus, G. C. Corrado, A. Darzi, M. Etemadi, F. Garcia-Vicente, F. J. Gilbert, M. Halling-Brown, D. Hassabis, S. Jansen, A. Karthikesalingam, C. J. Kelly, D. King, J. R. Ledsam, D. Melnick, H. Mostofi, L. Peng, J. Jay Reicher, B. Romera-Paredes, R. Sidebottom, M. Suleyman, D. Tse, K. C. Young, J. D. Fauw, S. Shetty, "International evaluation of an AI system for breast cancer screening", Nature, Vol. 577, No. 7788, pp. 89-94, 2020.
J. Hamwood, B. Schmutz, M. J. Collins, M. C. Allenby, D. Alonso-Caneiro, "A deep learning method for automatic segmentation of the bony orbit in MRI and CT images", Scientific Reports, Vol. 11, No. 1, pp. 1-12, 2021.
M. F. Mushtaq, M. Shahroz, A. M. Aseere, H. Shah, R. Majeed, D. Shehzad, A. Samad, "BHCNet: Neural Network-Based Brain Hemorrhage Classification Using Head CT Scan", IEEE Access, Vol. 9, pp. 113901-113916, 2021.

상세보기
J. Y. Kim, S. Y. Ye, "Accuracy Evaluation of Brain Parenchymal MRI Image Classification Using Inception V3", Journal of the Institute of Convergence Signal Processing, Vol. 20, No. 3, pp. 132-137, 2019.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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