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.
문제 정의
- 또한, 영상 데이터 셋을 위장관 교차점의 데이터는 수 만장의 프레임 중 굉장히 작은 비율을 차지하기 때문에, 학습 데이터의 불균형 문제로 인해 학습이 어렵다는 문제점도 있었다. 따라서 본 연구에서는 아주대병원과 함께 연구를 진행하여, 의료 전문가에 의해 레이블링된 위장관 교차점을 기반으로 위장관 랜드마크를 학습하기 위한 네트워크 모델(분류기)을 제안하고자 한다.
- 이를 해결하기 위해서는 정체되어 있다고 판단될 때 환자의 자세를 바꿔주거나 걷는 등 조금의 움직임이 필요한데, 현재는 캡슐의 위치 추적이 이루어지지 않고 있어 이와 같은 정체 현상을 해결하기 어려운 상황이다. 본 논문에서는 이러한 두 가지 목표를 가지고 현재 캡슐내시경의 랜드마크 위치를 파악할 수 있는 CNN 학습 모델을 설계하였고, 샘플 환자 8명에 대한 성능을 분석하였다. 무작위로 환자 데이터를 샘플링 하여 학습한 모델을 평가한 결과, 평균 정확도가 95% 가 확인되었으며 개별 환자별로 교차 검증 방식을 진행한 결과 평균 정확도 67% 가 확인되었다.
- 본 논문에서는 캡슐내시경의 위치추적을 위한 위장관 랜드마크 분류기 설계하고, CNN을 이용한 방법을 제안하였다. 모든 환자에 대해 무작위로 선별한 데이터에 대한 학습 정확도는 약 95% 정도로 매우 높았지만, 환자별로 구분하였을 때는 정확도의 차이가 매우 컸다.
- [7, 8]의 연구에서는 SVM과 K-평균 군집화를 이용하여 판독에 있어서 의미없는 노이즈 영상을 제거하여 판독시간을 단축시키려 한다. 본 연구에서는 3장에서 학습 노이즈 영상이 학습에 어느 정도의 영향을 끼치는지 비교하기 위해, 노이즈가 있는 데이터 셋과 없는 데이터 셋을 이용하여 학습을 수행하였으며 이에 대한 결과를 비교하였다.
- 본 절에서는 위장관 랜드마크 및 환자 별로 색공간 특징 분석 결과를 소개한다. 총 8명의 환자 데이터를 가지고 수행하였으며, 표 1과 같이 각 환자의 데이터를 위, 소장, 대장 별로 분류한 후에 해당 영역의 이미지의 평균을 R, G, B 별로 구했다.
- 의료 영상들을 이용하여 진단을 보조할 수 있는 정보를 생성하기 위한 연구들이 활발해지고 있는 추세이며[1], 최근에는 Vuno의 BoneAge[2], Lunit의 Insight[3] 등과 같은 기계학습 기반의 의료 진단 보조 소프트웨어도 많이 개발되고 있는 추세이다. 컴퓨터단(층)촬영영상(CT: Com-puted Tomography), 자기공명영상(MR: Magnetic Reso-nance), X-ray 등 다양한 목적의 의료 영상이 존재하는데, 본 연구에서는 그 중 캡슐내시경 영상에 주목하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.