[논문]폐렴 및 정상군 판별을 위한 딥러닝 모델 성능 비교연구: CNN, VUNO, LUNIT 모델 중심으로

이지현; 예수영

doi:10.23042/radin.2024.18.3.177

[국내논문] 폐렴 및 정상군 판별을 위한 딥러닝 모델 성능 비교연구: CNN, VUNO, LUNIT 모델 중심으로
A Comparative Study of Deep Learning Models for Pneumonia Detection: CNN, VUNO, LUIT Models 원문보기

Journal of radiation industry = 방사선산업학회지, v.18 no.3, 2024년, pp.177 - 182

이지현 (부산가톨릭대학교 방사선학과) , 예수영 (부산가톨릭대학교 방사선학과)

Abstract ▼ AI-Helper

The purpose of this study is to develop a CNN based deep learning model that can effectively detect pneumonia by analyzing chest X-ray images of adults over the age of 20 and compare it with VUNO, LUNIT a commercialized AI model. The data of chest X-ray image was evaluate based on accuracy, precision, recall, F1 score, and AUC score. The CNN model recored an accuracy of 82%, precision 76%, recall 99%, F1 score 86%, and AUC score 0.7937. The VUNO model recordded an accuracy of 84%, precision 81%, recall 94%, F1 score 87%, and AUC score 0.8233. The LUNIT model recorded an accuracy of 77%, precision 72%, recall 96%, F1 score 83%, and AUC score 0.7436. As a result of the Confusion Matrix analysis, the CNN model showe FN (3), showing the highest recall rate (99%) in the diagnosis of pneumonia. The VUNO model showed excellent overall perfomance with high accuracy (84%) and AUC score (0.8233), and the LUNIT model showed high recall rate (96%) but the accuracy and precision showed relatively low results. This study will be able to provide basic data useful for the development of a pneumonia diagnosis system by comprehensively considers the perfomance of the medel is necessary to effectively discriminate between penumonia and normal groups.

Keyword

표/그림 (10)

그림 Fig. 1. Data samples from data set. (A)Normal cases (B) Pneumonia cases
표 Table 1. Classification ofthe data set
그림 Fig. 2. Process of CNN.
표 Table 2. Training parameters of CNN model
그림 Fig. 3. Training accuracy and loss.
그림 Fig. 4. Result of ROC curve.
표 Table 3. Construction of Deep learning modeling
그림 Fig. 7. Test modeling confusion matrix for LUNIT.
그림 Fig. 5. Test modeling confusion matrix for CNN.
그림 Fig. 6. Test modeling confusion matrix for VUNO.

참고문헌 (10)

Tawsifur Rahman, Muhammad E.H. Chowdhury and Amith Khandaker. 2020. Transfer Learning with Deep Convolutional Neural Network (CNN) for Pneumonia Detection Using Chest X-ray. MDPI, Vol. 10, No. 3233, https://doi.org/10.3390/app10093233？

상세보기
Dalya S. AI-Dulaimi, Aseel Ghazi Mahmoud and Nadia Moqbel-Hassan. 2022. Development of Pneumonia Disease Detection Model Based on Deep Learning Algorithm. Wireless Communications and Mobile Computing, Vol. 2022, https://doi.org/10.1155/2022/2951168？

상세보기
Jaiswal A, Tuwari P and Kumar S. 2019. Identifying penumonia in chest X-rays: A deep learning approach. Elsevier, Vol. 145, pp 511-518. https://doi.org/10.1016/j.measurement.2019.05.076？

상세보기
Song HJ, Lee EB and Jo HJ. 2020. Evaluation of Classification and Accuracy in Chest X-ray images using Deep Learning with Convolution Neural Network. Korean Soc. Radiol. Vol 14, No 1, https://doi.org/10.7742/jksr.2019.14.1.39？

원문보기 상세보기
Kim JH, Kim JY and Kim GH. 2020. Clinical Validation of a Deep Learning Algorighm for Detection of Pneumonia on Chest Radiographs in Emergency Department Patients with Acute Febrile Respiratory Illness. Vol. 9, No. 1981, https://doi.org/10.3390/jcm9061981？

상세보기
Ni Q, Sun ZY and Qi L. 2020. A deep learning approach to characterize 2019 coronavirus disease (COVID-19) pneumonia in chest CT images. European Soc. Radiol. 30:6517-6527. https://doi.org/10.1007/s00330-020-07044-9？

상세보기
Kim JY and Ye SY. 2020. Diagnostic Classification of Chest X-ray Pneumonia using Inception V3 Modeling. Korean Soc. Radiol. 14(6):773-780. https://doi.org/10.7742/jksr.2020.14.6.773？

원문보기 상세보기
Kim JY and Ye SY. 2022. Comparative Evaluation of Chest Image Pneumonia based on Learning Rate Application. Korean Soc. Radiol. 16(5):595-602. https://doi.org/10.7742/jksr.2022.16.5.595？

원문보기 상세보기
Kang MJ. 2020. Comparison of Gradient Descent for Deep Learning. Korean Academia-Industrial cooperation Soc. 21(2):189-194. https://doi.org/10.5762/KAIS.2020.21.2.189？

원문보기 상세보기
Kim JY and Ye SY. 2021. Comparative Analysis by Batch Size when Diagnosing Penumonia on Chest X-Ray Image using Xception Modeling. Korean Soc. Radiol. 16(5):545-554. https://doi.org/10.7742/jksr.2021.15.4.547

원문보기 상세보기

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