선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 일반 지역100개와 폐기종 지역 100개는 훈련 영상으로 사용했고 나머지 1300개는 성능 평가를 위한 영상으로 사용했다. 그리고 GLLBP와 GL_CS-LBP의 성능을 비교 평가하기 위해 선형 판별 분석기(LDA)를 사용했다. 매개변수 설정은 이웃화소 N은 8개로 설정하고 반지름 R은 2, CS-LBP의 T값은 0.
- 혈관을 지우기 위해서는 몇 가지 단계가 있는데 첫 번째로 입력된 영상을 감마 보정을 이용해 영상을 강화시킨다. 두 번째로 감마 보정한 영상을 문턱치 처리(Threshold)방법을 적용해 이진 영상으로 만든다. 세 번째로 모폴로지 방법을 이용해 혈관과 잡음을 지우면 폐지역 영상을 얻을 수 있다.
- 본 논문에서 제안한 GL_CS-LBP는 밝기 변화에 강점을 보이는 명암도와 간단한 계산과 작은 값을 가지는 CS-LBP의 장점을 결합한 질감 특징 추출 방법이다. 위에서 비교한 GLLBP보다 부분적인 성능에서 약간 뒤처지지만 전체적인 성능에서 봤을 땐 많이 앞선다는 것을 볼 수 있다.
- 실험 결과 분류는 진실-양성(True-Positive), 진실-음성(True-Negative), 거짓-양성(False-Positive), 거짓 음성(False-Negative) 총 4가지로 나눌 수 있다. 입력된 영상이 폐기종 영상일 때 이를 폐기종으로 진단 한다면 진실-양성이 되고 정상으로 진단한다면 거짓-음성이 된다.
- GL_CS-LBP는 명암도와 CS-LBP(Center Symmetric-LBP)를 결합한 방법이다. 영상에서 폐기종을 탐지해 제안하는 방법으로 질감 특징을 추출하고 이를 바탕으로 입력되는 영상을 폐기종과 정상으로 분류하게 된다. 이때 사용하는 분류기는 선형 판별 분석기(Linear Discrimination Analysis)를 사용한다.
- 이러한 문제를 해결하기 위해 행렬의 크기를 줄여 계산 속도를 개선한 GL_CS-LBP(Gray Level_Center Symmetric - Local Binary Pattern)를 제안한다. GL_CS-LBP는 명암도와 CS-LBP(Center Symmetric-LBP)를 결합한 방법이다.
- 이러한 폐기종의 질감 특징을 잡아내기 위해 밝기 변화에 강한 명암도와 지역 질감의 변화에 강한 CS-LBP를 결합한 GL_CS-LBP를 이용해 질감 특징을 추출한다.
대상 데이터
- 이 중 1000개는 일반 지역이고 500개는 폐기종 지역이다. 일반 지역100개와 폐기종 지역 100개는 훈련 영상으로 사용했고 나머지 1300개는 성능 평가를 위한 영상으로 사용했다. 그리고 GLLBP와 GL_CS-LBP의 성능을 비교 평가하기 위해 선형 판별 분석기(LDA)를 사용했다.
- 제안된 방법의 분류 성능을 평가에 사용하기 위해 인하대병원에서 받은 폐기종 영상을 사용했고 1024x1024 크기의 영상에서 40x40크기의 1500개 후보지역을 이용했다. 이 중 1000개는 일반 지역이고 500개는 폐기종 지역이다.
이론/모형
- 영상에서 폐기종을 탐지해 제안하는 방법으로 질감 특징을 추출하고 이를 바탕으로 입력되는 영상을 폐기종과 정상으로 분류하게 된다. 이때 사용하는 분류기는 선형 판별 분석기(Linear Discrimination Analysis)를 사용한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.