지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 안재형
- 발행연도
- 2020
- 저작권
- 충북대학교 논문은 저작권에 의해 보호받습니다.
이용수110
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 인공지능 기술은 무언가를 인식하는 단계에서 인간과 상호작용하는 단계로 발전하고 있다. 대표적으로 헬스케어 분야에서 인공지능은 병변 진단에 필요한 데이터를 수집하고, 학습하여 의사의 진단을 도와주는 역할을 수행한다. 국외와 국내에서 다양한 병변의 진단에 도움을 주기위한 인공지능 기술이 연구 중이지만, 기흉과 폐렴의 진단을 위한 기술은 아직 부족하다.
본 논문에서는 흉부 방사선 영상에서 기흉과 폐렴의 진단을 도와주는 인공지능 딥러닝 알고리즘을 제안한다. 제안한 알고리즘은 기흉과 폐렴에 해당하는 흉부 방사선검사 영상을 학습한 데이터를 기반으로 입력 영상에서 특징을 추출하고, 기흉인지 폐렴인지 출력한다. 제안한 알고리즘은 16계층 합성곱 신경망으로, 합성곱 필터의 크기는 3x3, pooling 방법은 max pooling, 활성화 함수는 ReLU(Rectified Linear Unit), 최적화 함수는 Adam을 사용하였고, 가중치는 흉부 방사선검사 영상을 사전학습한 모델로 초기화하였다.
제안한 알고리즘의 평가를 위하여 AUC(Area Under the ROC curve)를 사용하였고 기존 알고리즘과 성능을 비교 분석하였다. 제안한 알고리즘은 기존 알고리즘보다 기흉 분류에 0.0858, 폐렴 분류에 0.2114만큼의 향상된 성능을 보였다.
본 논문에서는 흉부 방사선 영상에서 기흉과 폐렴의 진단을 도와주는 인공지능 딥러닝 알고리즘을 제안한다. 제안한 알고리즘은 기흉과 폐렴에 해당하는 흉부 방사선검사 영상을 학습한 데이터를 기반으로 입력 영상에서 특징을 추출하고, 기흉인지 폐렴인지 출력한다. 제안한 알고리즘은 16계층 합성곱 신경망으로, 합성곱 필터의 크기는 3x3, pooling 방법은 max pooling, 활성화 함수는 ReLU(Rectified Linear Unit), 최적화 함수는 Adam을 사용하였고, 가중치는 흉부 방사선검사 영상을 사전학습한 모델로 초기화하였다.
제안한 알고리즘의 평가를 위하여 AUC(Area Under the ROC curve)를 사용하였고 기존 알고리즘과 성능을 비교 분석하였다. 제안한 알고리즘은 기존 알고리즘보다 기흉 분류에 0.0858, 폐렴 분류에 0.2114만큼의 향상된 성능을 보였다.
목차
Ⅰ. 서 론 1Ⅱ. 관련 연구 32.1 인공 신경망 32.1.1 합성곱 신경망 32.1.2 오차역전파법 42.1.3 최적화 52.1.4 활성화 함수 72.2 연구 동향 102.2.1 Wang 등의 알고리즘 102.2.2 Rajpurkar 등의 알고리즘 11Ⅲ. 제안 방법 123.1 네트워크 모델 설계 방법 133.1.1 깊이 비교 133.1.2 Pooling 방법 비교 133.1.3 활성화 함수 비교 153.1.4 사전학습 모델 15Ⅳ. 실험 결과 및 분석 164.1 데이터 셋 164.2 성능 평가 지표 174.3 실험 환경 184.4 실험 결과 및 분석 184.4.1 네트워크 깊이에 따른 성능 비교 194.4.2 Pooling 방법에 따른 성능 비교 204.4.3 활성화 함수에 따른 성능 비교 224.4.4 사전학습 모델에 따른 성능 비교 244.4.5 실험 결과 및 분석 26Ⅴ. 결 론 27참고문헌 또는 인용문헌 28
최근 본 자료
댓글(0)
0