[논문]CNN 기반 암세포 현미경 이미지 분류

김신; 윤경로

CNN 기반 암세포 현미경 이미지 분류
Cancer Histopathological Image Classification based on Convolutional Neural Network 원문보기

김신 (건국대학교 컴퓨터공학과) , 윤경로 (건국대학교 컴퓨터공학과)

최근 수 년간 뉴럴 네트워크 기반 이미지 분류 기법의 성능이 눈에 띄게 향상되었다. 특히 CNN 은 딥 러닝기법을 도입하면서 이미지 분류 정확도가 향상되었으며, 이는 의학 분야 등 다른 분야에도 영향을 주게 되었다. 의학용 이미지의 분류 시스템의 경우, 오분류가 치명적인 결과를 초래할 수 있기 때문에 높은 정확도의 이미지 분류 시스템을 필요로 하게 된다. 본 논문에서는 CNN 기반 암세포 현미경 이미지 분류 기법에 대해 제안한다. 사전에 훈련된 뉴럴 네트워크의 가중치의 일부를 다시 계산하고, 재계산을 통해 얻은 가중치를 기반으로 암세포 현미경 이미지를 분류하며, 분류결과 높은 정확도로 이미지를 분류하는 것을 확인할 수 있다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 CNN 기반 암세포 현미경 이미지 분류기법을 제안한다. CNN은 딥 러닝 기반 이미지 분류 기법으로 매우 높은 정확도로 이미지 분류가 가능하기 때문에 높은 분류정확도를 필요로 하는 의학 분야에 사용하기 적합하다.
본 논문에서는 Fine-Tuning 을 통한 Xception 기반 암세포 현미경 이미지 분류 기법을 제안하였다. 제안한 암세포 이미지 분류 기법을 이용하여 암세포 현미경 이미지를 양성 또는 악성으로 분류하였으며 높은 정확도로 분류가 가능한 것을 확인할 수 있었다.

제안 방법

Fine-Tuning 및 이미지 분류를 위해 BreakHis 데이터 세트를 Training Set, V alidation Set, Test Set 으로 나눴으며, 각 데이터 세트는 이미지 데이터가 겹쳐지지 않도록 구성하였다. Test Set 에 대한 모델 평가도는 표 4 와 같으며 평균적으로 약 96%의 분류 정확도가 나오는 것을 확인할 수 있다.
본 논문에서 제안한 분류 기법을 이용하여 암세포 현미경 이미지를 악성 또는 양성으로 구분하는 실험을 수행하였으며, 암세포 이미지 분류 모델 훈련 및 이미지 분류 실험 환경은 아래 표 3 와 같다.
암세포 현미경 이미지 분류를 위하여 사전 훈련된 Xception 네트워크 모델을 차용하였으며 상위 4 개의 레이어를 Fine-Tuning, 이후 계산을 통해 얻은 가중치를 기반으로 암세포 현미경 이미지 분류 실험을 수행하였다. 암세포 현미경 이미지 분류 시스템의 출력 값은 각 레이블에 해당될 확률 값이며 softmax 함수를 통해 얻게 된다.
Fine-Tuning 이란 사전에 ImageNet 데이터로 훈련된 네트워크 모델의 가중치 일부분을 다시 계산하는 것을 의미한다. 자체적으로 구축한 트레이닝 데이터 세트 및 검증데이터 세트를 기반으로 모델의 일부분을 재훈련하며, 재훈련시 트레이닝 데이터 세트 및 검증 데이터 세트를 높은 정확도로 분류하게 해주는 가중치를 찾아 계산한다.

대상 데이터

본 논문에서는 암세포 현미경 이미지 분류를 위해 BreakHis[5] 데이터 세트를 사용하였다. BreakHis 데이터 세트는 현미경으로 촬영한 유방암 세포 이미지를 포함하고 있으며 있으며 확대 비율에 따라 x40, x100, x200, x400 으로 나뉘어져 있다.

성능/효과

Fine-Tuning 및 이미지 분류를 위해 BreakHis 데이터 세트를 Training Set, V alidation Set, Test Set 으로 나눴으며, 각 데이터 세트는 이미지 데이터가 겹쳐지지 않도록 구성하였다. Test Set 에 대한 모델 평가도는 표 4 와 같으며 평균적으로 약 96%의 분류 정확도가 나오는 것을 확인할 수 있다.
본 논문에서는 Fine-Tuning 을 통한 Xception 기반 암세포 현미경 이미지 분류 기법을 제안하였다. 제안한 암세포 이미지 분류 기법을 이용하여 암세포 현미경 이미지를 양성 또는 악성으로 분류하였으며 높은 정확도로 분류가 가능한 것을 확인할 수 있었다.

후속연구

향후 연구 방향으로 암세포 현미경 이미지 뿐만 아니라 MRI 이미지나 X-Ray 이미지 등 다른 의학 이미지를 위한 분류 시스템 및 세부 질병까지 분류가 가능한 의학용어플리케이션을 개발해야 할 것이다.

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

CNN 기반 암세포 현미경 이미지 분류
Cancer Histopathological Image Classification based on Convolutional Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

CNN 기반 암세포 현미경 이미지 분류 Cancer Histopathological Image Classification based on Convolutional Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

CNN 기반 암세포 현미경 이미지 분류
Cancer Histopathological Image Classification based on Convolutional Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper