[논문]퍼지 논리를 이용한 퍼지 딥러닝 영상 분할

박종진

doi:10.7236/jiibc.2023.23.5.71

[국내논문] 퍼지 논리를 이용한 퍼지 딥러닝 영상 분할
Image Segmentation of Fuzzy Deep Learning using Fuzzy Logic 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.23 no.5, 2023년, pp.71 - 76

초록
AI-Helper

본 논문에서는 딥러닝을 이용한 영상 분할에서 성능을 향상하기 위해 퍼지 논리를 적용하는 퍼지 딥러닝 모델인 퍼지 U-Net을 제안한다. 퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 모듈을 시뮬레이션하였다. 제안된 딥러닝 모델의 퍼지 모듈은 이미지의 특징맵과 해당 분할 결과 사이의 본질적이고 복잡한 규칙을 학습다. 이를 위해 치아 CBCT 데이터에 적용하여 제안된 방법의 우수성을 입증하였다. 시뮬레이션 결과 제안된 퍼지 U-Net에서 더하기 스킵 연결을 사용한 모델의 ADD-RELU 퍼지 모듈 구조의 성능이 시험용 데이터에 대해 0.7928로 가장 우수한 것을 볼 수 있다.

Abstract ▼ AI-Helper

In this paper, we propose a fuzzy U-Net, a fuzzy deep learning model that applies fuzzy logic to improve performance in image segmentation using deep learning. Fuzzy modules using fuzzy logic were combined with U-Net, a deep learning model that showed excellent performance in image segmentation, and various types of fuzzy modules were simulated. The fuzzy module of the proposed deep learning model learns intrinsic and complex rules between feature maps of images and corresponding segmentation results. To this end, the superiority of the proposed method was demonstrated by applying it to dental CBCT data. As a result of the simulation, it can be seen that the performance of the ADD-RELU fuzzy module structure of the model using the addition skip connection in the proposed fuzzy U-Net is 0.7928 for the test dataset and the best.

주제어

표/그림 (8)

그림 그림 1. 세 가지 형태의 퍼지추론 시스템[4] Fig. 1. Three kinds of Fuzzy inference systems
그림 그림 2. FCNN의 구조 Fig. 2. Structure of FCNN
그림 그림 3. 퍼지 모듈의 연산 구조 Fig. 3. Structure of operation of Fuzzy module
그림 그림 4. U-Net의 구조 Fig. 4. Structure of the U-Net
그림 그림 5. 다양한 퍼지 모듈의 구조 Fig. 5. Structure of various Fuzzy module
표 표 1. 더하기 스킵 연결을 사용한 퍼지 U-Net 결 과Table 1. Results of Fuzzy U-Net by add skip connection
표 표 2. 붙이기 스킵 연결을 사용한 퍼지 U-Net 결과 Table 2. Results of Fuzzy U-Net by concat skip connection
표 표 3. U-Net 결과 Table 3. Results of U-Net

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 딥러닝을 이용한 영상 분할에서 성능을 향상하기 위해 퍼지 논리를 적용하는 퍼지 딥러닝 모델인 퍼지 U-Net을 제안한다. 퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 딥러닝 결과를 보인다.
본 논문에서는 딥러닝을 이용한 영상 분할에서 성능을 향상하기 위해 퍼지 논리를 적용하는 퍼지 딥러닝 모델인 퍼지 U-Net을 제안한다. 퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 딥러닝 결과를 보인다.

제안 방법

본 논문에서는 FCNN에서 사용한 FCN 구조보다 영상 분할에서 더 우수한 성능을 보이는 U-Net을 사용하여 U-Net의 스킵 연결에 퍼지 모듈을 결합하여 사용한다. 퍼지 학습 모듈의 목적은 특징맵과 해당 분할 결과 사이의 본질적이고 복잡한 규칙을 학습하는 것이다.
본 논문에서는 퍼지 모듈을 다양한 형태로 스킵 연결에 적용하여 성능을 비교한다. 퍼지 모듈의 입력은 각 수준의 인코더에서 얻어진 특징맵이다.
제안된 퍼지 모듈을 이용한 퍼지 U-Net의 성능을 평가하기 위해 다양한 구조의 퍼지 모듈을 적용하여 시뮬레이션을 수행하였다. 제안된 퍼지 U-Net 모델을 교정 치료를 받는 환자의 치아 CBCT 데이터셋에 대해 잇몸뼈를 구분하여 각 치아를 자동적으로 분할하는 시뮬레이션을 수행했다.
제안된 퍼지 모듈을 이용한 퍼지 U-Net의 성능을 평가하기 위해 다양한 구조의 퍼지 모듈을 적용하여 시뮬레이션을 수행하였다. 제안된 퍼지 U-Net 모델을 교정 치료를 받는 환자의 치아 CBCT 데이터셋에 대해 잇몸뼈를 구분하여 각 치아를 자동적으로 분할하는 시뮬레이션을 수행했다. 시뮬레이션을 위해 환자 3명의 치아 CBCT 데이터에 적용하여 학습하고 평가하였다.
본 논문에서는 딥러닝을 이용한 영상 분할에서 성능을 향상하기 위해 퍼지 논리를 적용하는 퍼지 딥러닝 모델인 퍼지 U-Net을 제안한다. 퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 딥러닝 결과를 시뮬레이션하였다. 이를 위해 치아 CBCT 데이터에 적용하여 제안된 방법의 우수성을 입증하였다.
이를 위해 치아 CBCT 데이터에 적용하여 제안된 방법의 우수성을 입증하였다. 제안된 딥러닝 모델의 퍼지 모듈은 다양한 불확실성을 고려하며 높은 수준의 의미적 특징을 추출하기 위해 사용된다. 즉, 이미지의 특징맵과 해당 분할 결과 사이의 본질적이고 복잡한 규칙을 학습하는 것이다.

대상 데이터

제안된 퍼지 U-Net 모델을 교정 치료를 받는 환자의 치아 CBCT 데이터셋에 대해 잇몸뼈를 구분하여 각 치아를 자동적으로 분할하는 시뮬레이션을 수행했다. 시뮬레이션을 위해 환자 3명의 치아 CBCT 데이터에 적용하여 학습하고 평가하였다. 사용된 데이터는 모 치과병원에서 제공되는 환자 데이터를 비식별화하여 사용하였다.
시뮬레이션을 위해 환자 3명의 치아 CBCT 데이터에 적용하여 학습하고 평가하였다. 사용된 데이터는 모 치과병원에서 제공되는 환자 데이터를 비식별화하여 사용하였다. Cone Beam형 전산화 단층영상(CBCT)은 고해상도의 영상과 정확한 위치 정보를 제공하며, 이를 전시하는 다양한 다면 영상 재구성과 삼차원 영상화 소프트웨어의 사용으로 수술 전 시뮬레이션 및 수술 중 내비게이션 기능 등이 가능하게 되었으며, 높은 수술 전 진단과 치료 계획의 수립 등에 사용 가능하게 되었다.
학습에 사용되는 치아 데이터셋은 환자 2명(환자 1, 2)의 CBCT 데이터이고 하나의 CBCT는 280개의 슬라이스 이미지로 이루어져 있다. 나머지 환자 1명(환자 3)의 CT 데이터는 학습된 모델의 평가를 위한 시험용(test)으로 사용되었다.
나머지 환자 1명(환자 3)의 CT 데이터는 학습된 모델의 평가를 위한 시험용(test)으로 사용되었다. 학습용 데이터 총 560개의 슬라이스 이미지에서 무작위로 448장을 학습용(train)으로 나머지 112장 검증용(validation)으로 사용하였다. 학습에 사용하지 않은 CBCT 데이터에 대한 모델의 성능 시험용으로 환자 3의 슬라이스 이미지 150장을 사용하였다.
학습용 데이터 총 560개의 슬라이스 이미지에서 무작위로 448장을 학습용(train)으로 나머지 112장 검증용(validation)으로 사용하였다. 학습에 사용하지 않은 CBCT 데이터에 대한 모델의 성능 시험용으로 환자 3의 슬라이스 이미지 150장을 사용하였다. 모델을 학습하기 위해 사용하는 평가지표인 손실함수(Loss function)는 Focal loss와 물체 검출 분야에서 평가지표로 많이 사용되는 IoU(Intersection over Union) Loss를 혼합하여 사용하였다.

데이터처리

제안된 퍼지 U-Net 모델과 학습, 검증 및 시험 데이터 셋을 이용한 시뮬레이션 결과는 표 1, 표 2와 같다. 제안된 모델의 성능의 우수함을 보이기 위해 표 3의 U-Net의 결과와 비교하였다. 표 1은 기존 U-Net의 스킵 연결 부분에서 수행하는 붙이기(concatenation) 연산대신 각 특징맵의 픽셀 별로 더하기(add) 연산을 행한 결과이다.

이론/모형

학습에 사용하지 않은 CBCT 데이터에 대한 모델의 성능 시험용으로 환자 3의 슬라이스 이미지 150장을 사용하였다. 모델을 학습하기 위해 사용하는 평가지표인 손실함수(Loss function)는 Focal loss와 물체 검출 분야에서 평가지표로 많이 사용되는 IoU(Intersection over Union) Loss를 혼합하여 사용하였다. Focal loss는 부류 불균형이 심한 경우에 주로 사용한다.

성능/효과

퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 딥러닝 결과를 시뮬레이션하였다. 이를 위해 치아 CBCT 데이터에 적용하여 제안된 방법의 우수성을 입증하였다. 제안된 딥러닝 모델의 퍼지 모듈은 다양한 불확실성을 고려하며 높은 수준의 의미적 특징을 추출하기 위해 사용된다.
본 논문에서는 딥러닝을 이용한 영상 분할에서 성능을 향상하기 위해 퍼지 논리를 적용하는 퍼지 딥러닝 모델인 퍼지 U-Net을 제안한다. 퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 딥러닝 결과를 보인다. 이를 위해 치아 CBCT(Cone Beam Computed Tomography） 데이터에 적용하여 제안된 방법의 우수성을 입증한다.
퍼지 논리를 이용한 퍼지 모듈을 영상 분할에서 우수한 성능을 보이는 딥러닝 모델인 U-Net에 결합하여 다양한 형태의 퍼지 딥러닝 결과를 보인다. 이를 위해 치아 CBCT(Cone Beam Computed Tomography） 데이터에 적용하여 제안된 방법의 우수성을 입증한다.
표 3에서는 기존의 붙이기 연산을 사용한 스킵 연결보다 더하기 연산을 사용한 스킵 연결의 성능이 더 우수한 것을 볼 수 있다. 시뮬레이션 결과, 더하기 스킵 연결을 사용한 U-Net을 제외하면 제안된 퍼지 U-Net 모델의 성능이 학습용, 검증용, 시험용 데이터셋 모두에 대해 우수한 결과를 볼 수 있다. 시험용 데이터에 대해서는 모든 결과에서 더하기 스킵 연결을 사용한 ADD-RELU가 퍼지 모듈이 가장 우수했다.
시뮬레이션 결과, 더하기 스킵 연결을 사용한 U-Net을 제외하면 제안된 퍼지 U-Net 모델의 성능이 학습용, 검증용, 시험용 데이터셋 모두에 대해 우수한 결과를 볼 수 있다. 시험용 데이터에 대해서는 모든 결과에서 더하기 스킵 연결을 사용한 ADD-RELU가 퍼지 모듈이 가장 우수했다. 학습용과 검증용 데이터에 대해서는 더하기 스킵 연결의 U-Net 학습 결과가 제안된 퍼지 U-Net의 결과보다 약간 우수했다.
시험용 데이터에 대해서는 모든 결과에서 더하기 스킵 연결을 사용한 ADD-RELU가 퍼지 모듈이 가장 우수했다. 학습용과 검증용 데이터에 대해서는 더하기 스킵 연결의 U-Net 학습 결과가 제안된 퍼지 U-Net의 결과보다 약간 우수했다.
시뮬레이션 결과 제안된 퍼지 U-Net에서 더하기 스킵 연결을 사용한 모델의 ADD-RELU 퍼지 모듈 구조의 성능이 가장 우수한 것을 볼 수 있다. 시험용 데이터셋에 대해서는 기존의　U-Net을 포함한 모든 모델보다 우수했고, 학습용과 검증용 데이터에 대해서는 더하기 스킵 연결의 U-Net 학습 결과와 거의 같은 결과를 보였다.
시뮬레이션 결과 제안된 퍼지 U-Net에서 더하기 스킵 연결을 사용한 모델의 ADD-RELU 퍼지 모듈 구조의 성능이 가장 우수한 것을 볼 수 있다. 시험용 데이터셋에 대해서는 기존의　U-Net을 포함한 모든 모델보다 우수했고, 학습용과 검증용 데이터에 대해서는 더하기 스킵 연결의 U-Net 학습 결과와 거의 같은 결과를 보였다. 향후 스킵 연결뿐만 아니라 심층학습 모델의 백본(Backbone)에 퍼지 모듈을 적용하여 모의실험한 결과의 성능 비교도 필요하다.

후속연구

시험용 데이터셋에 대해서는 기존의　U-Net을 포함한 모든 모델보다 우수했고, 학습용과 검증용 데이터에 대해서는 더하기 스킵 연결의 U-Net 학습 결과와 거의 같은 결과를 보였다. 향후 스킵 연결뿐만 아니라 심층학습 모델의 백본(Backbone)에 퍼지 모듈을 적용하여 모의실험한 결과의 성능 비교도 필요하다.

참고문헌 (11)

C. Guan and S. Wang, A.W.C. Liew, "Lip image？segmentation based on a fuzzy convolutional neural？network,"IEEE Transactions on Fuzzy Systems, Vol. 28,？no. 7, pp.1242-1251, July 2020.？DOI:https://doi.org/10.1109/TFUZZ.2019.2957708

상세보기
J. Long, E. Shelhamer and T. Darrell, "Fully？Convolutional Networks for Semantic Segmentation,"？The IEEE Conference on Computer Vision and Pattern？Recognition, pp. 3431-3440, 2015.
O. Ronneberger, P. Fischer, and T. Brox, "U-net:？Convolutional networks for biomedical image？segmentation," International Conference on Medical？image computing and computer-assisted intervention,？pp. 234-241. Springer, 2015.
J.J. Park, G.S. Choi, Artificial Intelligence System,？21CenturySa, 2008.
I.Ｈ. Jung, K.T. Hwang, J.M. Lee, "Implementation of？Pet Management System including Deep Learning-based Breed and Emotion Recognition SNS," The？Journal of The Institute of Internet, Broadcasting and？Communication, Vol. 23, No. 3, pp.45-50, Jun. 30,？2023.？DOI:https://doi.org/10.7236/JIIBC.2023.23.3.45

원문보기 상세보기
S.K. Kim, J.G. Ahn, "Tomato Crop Diseases Classification？Models Using Deep CNN-based Architectures," Journal？of the Korea Academia-Industrial cooperation？Society, Vol. 22, No. 5 pp. 7-14, 2021.？DOI:https://doi.org/10.5762/KAIS.2021.22.5.7

원문보기 상세보기
Y.Ｇ. Chung, "Effects of Spatio-temporal Features of？Dynamic Hand Gestures on Learning Accuracy in？3D-CNN," The Journal of The Institute of Internet,？Broadcasting and Communication, Vol. 23, No. 3,？pp.145-151, Jun. 30, 2023.？DOI:https://doi.org/10.7236/JIIBC.2023.23.3.145

원문보기 상세보기
Kuan Huang, Yingtao Zhang, H.D. Cheng, Ping Xing,？Boyu Zhang, "Semantic segmentation of breast？ultrasound image with fuzzy deep learning network？and breast anatomy constraints, "Neurocomputing,？Vol. 450, pp. 319-335, August 2021.？DOI:https://doi.org/10.1016/j.neucom.2021.04.012

상세보기
Tianyu Zhao, Jindong Xu, Rui Chen & Xiangyue Ma.？"Remote sensing image segmentation based on the？fuzzy deep convolutional neural network."？International Journal of Remote Sensing, Vol. 42,？pp. 6264-6283, Issue 16, 2021.

상세보기
Jang, W. S., Lee, K. W., Lee, S. D., Kim, Y. G., "Study？on Production Management Efficiency Method using？Supervised Learning based Image Cognition," The？Journal of The Institute of Internet, Broadcasting and？Communication, VOL. 21, NO. 5, pp. 47~52,？October 2021.
Eun-Gyu Ham, Chang-Bok Kim, "Model Implementation？of Reinforcement Learning for Trading Prediction？Using Deep Q Network," The Journal of KIIT, Vol. 17,？No. 4, pp. 1-8, 2019.？

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